You are on page 1of 11

INTRODUCCION

Cuando nos planteamos estudiar las distribuciones de probabilidad, lo hacemos


partiendo de la base que su estudio nos permitir simplificar el tratamiento
estadstico de muchos fenmenos reales. De esta manera, si nosotros nos
encontramos con un fenmeno real tal y como puede ser realizar una inversin o
no. Este es un fenmeno que tiene dos posibles valores, invertir, no invertir. Bien,
veremos que este tipo de fenmenos los podemos estudiar como una variable o
distribucin de probabilidad. Si nosotros hemos estudiado esta variable tendremos
perfectamente identificados tanto la media como la varianza como su funcin de
cuanta, etc... Es decir, conocemos el comportamiento probabilstico de este
fenmeno.
Por tanto, cuando estudiamos la distribucin binomial, poisson etc., estamos
estudiando miles de posibles distribuciones.

DISTRIBUCION DE PROBABILIDAD
Una distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento si ste se
llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que
se puede disear un escenario de acontecimientos futuros considerando
las tendencias actuales de diversos fenmenos naturales.

VARIABLES ALEATORIAS
Toda distribucin de probabilidad es generada por una variable (porque
puede tomar diferentes valores) aleatoria x (porque el valor tomado es
totalmente al azar), y puede ser de dos tipos:
Variable aleatoria discreta (x). Porque solo puede tomar valores
enteros y un nmero finito de ellos. Por ejemplo:
x
Variable que nos define el nmero de alumnos
aprobados en la materia de probabilidad en un grupo de 40
alumnos (1, 2 ,3 los 40).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA


(X)
0p(xi)1 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero y
menores o iguales a 1.
p(xi) = 1 La sumatoria de las probabilidades asociadas a
cada uno de los valores que toma x debe ser igual a 1.

EJEMPLO PARA VARIABLE ALEATORIA DISCRETA :


Tenemos una moneda que al lanzarla puede dar slo dos
resultados: o cara (50%), o cruz (50%).
La siguiente tabla nos muestra los posibles resultados de
lanzar dos veces una moneda:

Primer
lanzamiento

Segundo
lanzamiento

Cara
Cara
Cruz
Cruz

Cara
Cruz
Cara
Cruz

Numero de cara Probabilidad


de
en
dos los 4 resultados
lanzamientos
posibles
2
5x5=25
1
5x5=25
1
5x5=25
0
5x5=25

Al realizar la tabla de distribucin del nmero posible de


caras que se obtiene al lanzar una moneda dos veces,
obtenemos:

Numero de caras

Lanzamientos

0
1

(cruz,cruz)
(cara,cruz)
+
(cruz, cara)
(cara, cara)

Probabilidad de
resultado p(cara)
0,25
0,25

este

0,25

NOTA: ESTA TABLA NO REPRESENTA EL RESULTADO REAL DE LANZAR UNA MONEDA DOS VECES
SINO LA DEL RESULTADO TERICO, ES DECIR REPRESENTA LA FORMA EN QUE ESPERAMOS
SE COMPORTE NUESTRO EXPERIMENTO DE LANZAR DOS VECES UNA MONEDA

Variable aleatoria continua (x):


Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito
de ellos dentro de un mismo intervalo. Por ejemplo:
x Variable que nos define la concentracin en gramos
de plata de algunas muestras de mineral (14.8 gr, 12.1,
10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , ).
PROPIEDADES DE UNA VARIABLE ALEATORIA
DISCRETA (X):
(x)0 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero.
Dicho de otra forma, la funcin de densidad de

probabilidad deber tomar solo valores mayores o iguales


a cero.
El rea definida bajo la funcin de densidad de
probabilidad deber ser de 1.

x ( dx )=1

DISTRIBUCCION BINOMIAL:
Es un caso particular de probabilidad de variable
aleatoria discreta, y por sus aplicaciones, es posiblemente la ms
importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio
que cumple con las siguientes condiciones:

-Al realizar el experimento slo son posible dos resultados: el


suceso A, llamado xito, o su contrario A, llamado fracaso.

- Al repetir el experimento, el resultado obtenido es independiente


de los resultados obtenidos anteriormente.

- La probabilidad del suceso A es constante, es decir, no vara de


una prueba del experimento a otra. Si llamamos p a la
probabilidad de A, p(A) = P, entonces p(A)= 1 p = q

- En cada experimento se realizan n pruebas idnticas.


Todo experimento que tenga estas caractersticas se dice que sigue el modelo de
la distribucin Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y
de fracaso q, entonces la distribucin de probabilidad que la modela es la
distribucin de probabilidad binomial y su regla de correspondencia es:

Como el clculo de estas probabilidades puede resultar algo tedioso se


han construido tablas para algunos valores de n y p que nos facilitan el
trabajo (distribucin tabular).
EJEMPLO:
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma
moneda 6 veces ?

Donde:
P(X) es la probabilidad de ocurrencia del
Evento.
p es la probabilidad de xito del evento (en
un intento) (0.5).
q es la probabilidad de fracaso del evento
(en un intento) (se define como q = 1 p )
(0.5).
X = ocurrencia del evento o xitos deseados
=2
n = nmero de intentos = 6

Ahora Sustituimos en la ecuacin :

P(2 caras)=

0.234375

DISTRIBUCION DE POISSON:
Es tambin un caso particular de
probabilidad de variable aleatoria discreta, el cual debe su nombre a
Simon Denis Poisson (1781-1840), un francs que la desarroll a partir
de los estudios que realiz durante la ltima etapa de su vida.
Esta distribucin se utiliza para describir ciertos procesos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por
unidad de rea, tiempo, pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar sera:

Donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio
de ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea o producto es totalmente al azar y que
cada intervalo de tiempo es independiente de otro intervalo dado, as
como cada rea es independiente de otra rea dada y cada producto es

independiente de otro producto dado.


EJEMPLO:
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Resolviendo para :
a) x = 4; = 6 cheques sin fondo por da
(sustituyendo en la frmula):

Al sustituir los valores en la frmula


obtenemos:

P(cheques sin fondos)= 0.313853

Resolviendo de igual manera para:


X=10; = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos
das consecutivos. Por lo tanto la probabilidad de que el banco
reciba diez cheques sin fondo en dos das consecutivos.
Sustituyendo en la formula:

Por lo tanto la probabilidad de que el banco reciba diez cheques sin fondo en dos
das consecutivos es :
0.104837 (10.4837%)

BIBLIOGRAFIA

DISTRIBUCION
BINOMIAL
(informacin
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial

tomada

de

DISTRIBUCION DE POBABILIDAD (informacin tomada de www.monografias.com,


http://www.monografias.com/trabajos29/distribucion-probabilidades/distribucionprobabilidades.shtml)
DISTRIBUCION
DE
POISSON
(
informacin
tomada
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/poisson.htm )
EJERCICIOS TOMADOS DE http://www.vitutor.com/pro/3/a_a.html

de

TRABAJO DE PROBABILIDAD Y ESTADISTICA SOBRE:


DISTRIBUCIONES DE PROBABILIDAD
BINOMIAL Y DE POISSON

PRESENTADO A:

William Wood

PRESENTADO POR:

Nicole Falques
Luis Forero Vega
Valery Moran Muoz
Ingrid Ramrez Cardona
Universidad de Cartagena

CARTAGENA-BOLIVAR
Lunes, septiembre 5
2016