DISTRIBUCIONES DE PROBABILIDAD

ANDRES FELIPE PRIETO

Cdigo: 764212271
Grupo: 601

UNIVERSIDAD DE CUNDINAMARCA
FACULTAD DE INGENIERIA, PROGRAMA DE INGENIERIA INDUSTRIAL
SEDE SOACHA
CUNDINAMARCA, COLOMBIA
2015

DISTRIBUCIONES DE PROBABILIDAD

ANDRES FELIPE PRIETO ALARCON

Cdigo: 764212271
Grupo:401

Trabajo de investigacin de la distribucin de Poisson, la distribucin exponencial y la

distribucin normal

Ing. Carlos Alfonso Gmez Garca

UNIVERSIDAD DE CUNDINAMARCA
FACULTAD DE INGENIERIA, PROGRAMA DE INGENIERIA INDUSTRIAL
SEDE SOACHA
CUNDINAMARCA, COLOMBIA
2015

TABLA DE CONTENIDO
MARCO TEORICO .......................................................................................................................................... 4
Distribuciones discretas ............................................................................................................................ 5
Distribucin de Poisson......................................................................................................................... 5
Distribuciones continuas........................................................................................................................... 6
Distribucin exponencial...................................................................................................................... 6
Distribucin de Normal ......................................................................................................................... 8
Distribucin de Normal estndar .......................................................................................................... 9
EJERCICIOS DE APLICACIN ........................................................................................................................ 11
Modelos probabilsticos discretos .......................................................................................................... 11
Modelo Poisson................................................................................................................................... 11
Modelos probabilsticos continuos ......................................................................................................... 13
Modelo exponencial ........................................................................................................................... 13
Modelo normal ................................................................................................................................... 15
REFERENCIAS............................................................................................................................................... 18
ANEXO ......................................................................................................................................................... 19
Distribucin de Poisson........................................................................................................................... 19
Desarrollo de la distribucin de Poisson a partir de la Binomial ........................................................ 19
Distribucin exponencial ........................................................................................................................ 20
Desarrollo de la distribucin exponencial a partir de la gamma ........................................................ 20
Desarrollo de la distribucin exponencial a partir de la poisson ........................................................ 20
Demostracin de la fusin de distribucin a partir de la funcin de densidad ................................ 21
Distribucin normal y normal estndar ................................................................................................. 21

[3]

MARCO TEORICO
Las variables aleatorias son definidas a travs de caractersticas cuantificables por conteo o por
medicin para experimentos aleatorios, dicho en otras palabras son variables ya que el valor o
resultado cambia de una variable a otra y son aleatorias debido a que su comportamiento es
impredecible, en la caracterizacin de un fenmeno o proceso natural se establecen los posibles
valores que puede asumir la variable y sus respectivas ocurrencias , el resultado de establecer los
valores que puede asumir la variable genera un nuevo espacio muestral numrico de un
experimento aleatorio, es decir el rango o recorrido espacial y la asignacin de la ocurrencia a
los respectivos valores se efecta haciendo uso de funciones de la probabilidad las cuales
describen el comportamiento de cada resultado de un rango espacial en trminos de
probabilidad. Las variables aleatorias estn categorizadas de acuerdo a su rango espacial, para
variables cuyo rango espacial est definido por un numero finito o infinito de valores se le
denominan variables discretas y para variables cuyo rango espacial est definido por un nmero
infinito de valores dentro de un intervalo dado se le denominan variables continuas,

TIPO DE VARIABLE
ALEATORIA
VARIABLES DISCRETAS

AXIOMAS PROBABILISTICOS
Axioma de
positividad

Axioma de
certidumbre

Axioma de adicin

VARIABLES CONTINUAS

Parmetros de la distribucin de una variable aleatoria discreta y continua

Para describir el comportamiento de una variable para efectos prcticos se usan tres
parmetros los dos primeros son la media y la varianza que son los clculos mas importantes
para caracterizar la variable aleatoria, el tercer parmetro es la desviacin estndar pero este
parmetro solo se puede calcular aplicando la raz a la varianza, es decir que esta debe estar
previamente calculada.

[4]

TIPO DE
VARIABLE
ALEATORIA

PARAMETROS

Media

Varianza

Desviacin estndar

VARIABLES
DISCRETAS

VARIABLES
CONTINUAS

Distribuciones discretas
Distribucin de Poisson
Esta distribucin fue desarrollada por el matemtico francs Simeon Poisson (1781-1840), la
distribucin de Poisson determina la probabilidad de ocurrencia de un resultado en e el tiempo o
en el espacio, esto es medir la probabilidad de ocurrencia de un evento sobre un intervalo de
tiempo o espacio definido.
Caractersticas
1. Los eventos se producen aleatoriamente en un intervalo de tiempo o regin y no en un
nmero definido de repeticiones, en donde el numero de resultados que ocurren en dicho
intervalo o regin dado es independiente del numero de resultados que ocurren en
cualquier otro intervalo de tiempo o regin del espacio disjunto.
2. La frecuencia de ocurrencia de un evento es tan baja con relacin a la frecuencia de no
ocurrencia que se considera como sucesos raros y para la probabilidad de que ocurra un
solo resultado durante un intervalo de tiempo muy corto o en una regin pequea es
proporcional a la longitud del intervalo o al tamao de la regin, y no depende del
nmero de resultados que ocurren fuera de este intervalo de tiempo o regin.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo de tiempo corto que
caiga en tal regin pequea es insignificante.
La probabilidad de ocurrencia es constante par
Su aproximacin a la binomial sucede cuando es muy cercano a cero , o superior
a
,

[5]

Funcin de probabilidad

Funcin de probabilidad acumulada

Donde
Nmero de xitos en la unidad de tiempo o de espacio considerado
Media aritmtica de la variable
Constante (base de los logaritmos naturales)

Distribuciones continuas
Distribucin exponencial
Una variable aleatoria
tiene una distribucion exponencial y se conoce como una variable
aleatoria exponencial,
Caractersticas
1. Se utiliza para modelar tiempos de espera hasta la ocurrencia de un cierto evento de
inters, se utiliza con frecuencia para modelar tiempos de funcionamiento (tiempo de
vida), es decir el tiempo que transcurra antes de que ocurra un fallo, aparte de la
modelacin de tiempo entre eventos tambin se puede modelar distancia entre eventos,
volumen entre eventos entre otros.
2. Para un evento que ocurre al azar varias veces a lo largo del tiempo, los tiempo de inter
ocurrencia son independientes uno del otro y todos tienen una distribucin
Sea
Entonces
Relacin entre la distribucin exponencial y la distribucin de Poisson

[6]

La diferencia de la distribucin de Poisson a la distribucin exponencial, est dada

para el caso de la distribucin de Poisson, esta describe las tasas de llegadas (de
personas, llamadas telefnicas, entre otros) dentro de algn periodo dado, dicho en
otras palabras mide el numero de ocurrencias sobre algn intervalo del tiempo
espacio, mientras que la distribucin exponencial estima el lapso entre tales arribos,
es decir mide el lapso de tiempo entre tales ocurrencias

Propiedad de prdida de memoria

Si la variable aleatoria X representa el tiempo de espera, entonces la probabilidad de

que el tiempo de espera sea mayor a s + t dado que el tiempo de espera ha sido mayor
a t es decir se han esperado t unidades de tiempo y se pide la probabilidad de que el
tiempo de espera sea por lo menos s unidades adicionales de tiempo, esta
probabilidad coincide con la probabilidad de que originalmente haya que esperar s
unidades de tiempo, de esta forma el tiempo de t unidades que ha esperado queda
olvidado como si el tiempo de espera comenzara de cero
.

Funcin de densidad

Funcin de distribucin

Donde
t= lapso de tiempo
Promedio de ocurrencia
Constante (base de los logaritmos naturales)

[7]

Distribucin de Normal
La distribucin normal fue desarrollada en 1733 por el matemtico francs Abraham De Moivre
(1667-1754) la curva que genero las variables aleatorias De Moivre la llamo curva exponencial
con forma de campana, esta fue demostrada en 1809 por el cientfico alemn Karl Friedrick
Gauss (1777-1855) como resultado la curva con forma de campana fue denominada campana o
curva Gaussiana .
Propiedades de la distribucin normal1
1. El rea total que encierra la curva y el eje X es igual a 1.

2. Es simtrica con respecto al eje vertical

Mediante la expresin (
.

, ya que

slo depende de

3. La densidad es simtrica alrededor de

El valor mximo de ocurre en
.

4.
para todo
5. Tiene al eje como una asntota horizontal, ya que
6. Tiene puntos de inflexin
el intervalo

y
, por tanto, es cncava hacia abajo en
, y cncava hacia arriba en cualquier otra parte.

Figura 1 Grafica de la funcin de densidad normal para diferentes valores de

1

CORDOVA, M. Estadstica Descriptiva e inferencial: aplicaciones 5 ed. , Per, editorial MOSHERA S.R.L , 2003 ,
290p.

[8]

Funcin de densidad

Funcin de distribucin

Donde
Variable aleatoria distribuida normalmente
Media aritmtica de la variable
Varianza de la variable
constante (base de los logaritmos naturales)
constante

Distribucin de Normal estndar

Para los valores de la funcin acumulativa de la distribucin normal a diferencia de otras
distribuciones a la distribucin normal no es posible tal aplicacin debido a que para las
variables continuas existen infinitos valores de y , tabulando. Las probabilidades acumuladas
para una nica distribucin, con valores de y especficos, y mediante el procedimiento de
tipificacin se puede transformar cualquier variable normal en esta variable estndar o patrn.las
tablas de la funcin acumulada
, proporciona los valores de integracin entre
y un
dado valor de La variable normal estndar , unitaria o tipificada es aquella cuya funcin tiene
como parmetro
y
, dicha variable se identifica como

Tipificacin de una variable normal

Cada Z es el numero de desviaciones estndar separado de la media
Funcin de densidad de la variable Z

CANAVOS, G. Probabilidad y estadstica Aplicaciones y mtodos 1 ed., Mxico: Mc GRAE-HILL Interamericana de

Mxico S.A. 1988 , 132p.

[9]

Se representa como

, la variable

se distribuye normalmente con media

Transformacin de

en

Figura 2 Correspondencia entre las probabilidades de

y de

CANAVOS, G. Probabilidad y estadstica Aplicaciones y mtodos 1 ed., Mxico: Mc GRAE-HILL Interamericana de

Mxico S.A. 1988 , 137p.

[10]

Regla emprica de la normal

la regla emprica de la normal que es una norma de distribucin normal o distribucin Gaussiana,
esta regla dice que teniendo un conjunto de datos que se distribuye como una distribucin normal
los porcentajes de los datos son

1a Desviacin estndar alrededor de la

media: 68,3 % de los datos
2a Desviacin estndar alrededor de la
media: 95,4 % de los datos
3a Desviacin estndar alrededor de la
media: 99,7 % de los datos

Figura 3 .Regla emprica de la normal 4

EJERCICIOS DE APLICACIN
Modelos probabilsticos discretos
Modelo Poisson
1. Un corredor de bolsa llama a sus 20 ms importantes clientes cada maana. Si la
probabilidad de que efecte una transaccin como resultado de dichas llamadas es de uno
a tres, cules son las posibilidades de que maneje 10 o ms transacciones?
=6,6667 clientes

La probabilidad de que maneje 10 o ms transacciones es de 13,7% a partir de la media

de 7 clientes
2. Un estudio de un inventario determina que, en promedio, el numero de veces al da que se
solicita un articulo especifico en un almacn es 5. .Cual es la probabilidad de que en un
da determinado este articulo se pida
4

Astrometra: (2011) Consultado [8 de May. Del 2015 ] Disponible en<

http://www.oac.uncor.edu/documentos/materias/clases.pdf >.

[11]

a) ms de 5 veces?
=5 pedidos

b) ninguna vez?

3. A un conmutador de la oficina principal de la compaa llegan llamadas a un promedio

de dos por minuto y se sabe que tiene distribucin Poisson. Si el operador esta distrado
por un minuto, cual es la probabilidad de que el nmero de llamadas no respondidas sea:
a) Cero?

b) Por lo menos una?

c) Entre 3 y 5, inclusive?

4. Un proceso de fabricacin utilizado para hacer artefactos plsticos Incas presenta una
tasa de defectos de 5 por cada 100 unidades se envan a los distribuidores en lotes de
200, Si la probabilidad de que ms de 3 salgan defectuosos supera al 30%, usted planea
vender en su lugar, camisetas Grateful Dead. Cul articulo agregar usted al inventario?

[12]

Agregara las camisetas Grateful Dead.al inventario ya que la proporcin de defectos para
los artefactos plsticos presentan un incremento del 98,97% cuando son ms de 3
defectos.
5. Usted compra partes para bicicleta de un proveedor en Toledo que tiene 3 defectos por
cada 100 partes. Usted esta en el mercado para comprar 150 partes pero no aceptara una
probabilidad de ms del 50% de que mas de dos partes sean defectuosas Usted le
comprara a dicho proveedor?

Claramente no comprara a dicho proveedor ya que supera el 50% respecto a si salen ms

de dos partes defectuosas
Modelos probabilsticos continuos
Modelo exponencial
1. Los aviones llegan al pequeo aeropuerto en Puerto Vallarta, Mxico a una proporcin de
dos por hora tomar una hora reparar una rampa utilizada para desembarcar pasajeros.
Cul es la probabilidad de que un avin llegue mientras que la rampa esta en reparacin?
La probabilidad de que un avin llegue mientras que la rampa esta en reparacin es de un
86,5%
2. El computador principal de la universidad queda fuera de lnea tres veces por semana. El
profesor Mundane debe completar un proyecto esta semana que requiere del computador.
Cul es la probabilidad de que el computador este fuera de lnea toda la semana?

[13]

Cul es la probabilidad de que el computador este fuera de lnea por cualquier periodo
de dos semanas?
3. Durante un da de trabajo tpico de 8 horas. Los computadores utilizados para vigilar la
etapa de enfriamiento en la produccin de neumticos para autos seala que la
temperatura no se mantiene de forma apropiada en 30 oportunidades. El Sr Radial,
director ejecutivo de la compaa, est por hacer una inspeccin de la planta durante 30
minutos.
Cul es la probabilidad de que este all cuando se active la seal del computador?

4. Ejemplo 7.215 :El tiempo durante el cual cierta marca de batera trabaja en forma efectiva
hasta que falle (tiempo de falla) se distribuye segn el modelo exponencial con un tiempo
promedio de fallas igual a 360 das.
Sea
el tiempo que trabaja la batera hasta que falle. El tiempo promedio de falla es de
360 das. Entonces,
su funcin de densidad es:

a) Qu probabilidad hay que el tiempo de falla sea mayor que 400 das?. Esta
Probabilidad es conocida tambin como confiabilidad de la batera.

b) Si una de estas bateras ha trabajado ya 400 das, qu probabilidad hay que

trabaje ms de 200 das ms?.
c) Si se estn usando 5 de tales bateras calcular la probabilidad de que ms de dos de ellas
continen trabajando despus de 360 das.
La probabilidad de que una batera trabaje ms de 360 das es:
Sea
,y

CORDOVA, M. Estadstica Descriptiva e inferencial :aplicaciones 5 ed. , Per, editorial MOSHERA S.R.L , 2003 ,
304p.

[14]

Modelo normal
1. Los paquetes de cereal Cheerios de General Mills vienen en cajas de 36 onzas que tienen
una desviacin estndar de 1.9 onzas. Se piensa que los pesos estn distribuidos
normalmente. Si se selecciona una caja aleatoriamente, cual es la probabilidad de que la
caja pese.
a) Menos de 34.8 onzas ?

b) Ms de 34.8 onzas?

c) Entre 34.3 onzas y 38.9 onzas?

d) Entre 39.5 onzas y 41 onzas?

2. Como ingeniero constructor usted compra bolsa de cemento de un promedio de 50 libras,

con una desviacin estndar de 5.2 libras. Desde que usted tuvo el accidente escalando
una montaa, el mdico le dijo que no levantara nada que pesara ms de 60 libras.
Debera usted carga una bolsa?

Si podra cargar una bolsa ya que hay una probabilidad de 2.7% que es pequea de que
pueda levantar ms de 60 libras

[15]

3. Se publica que los frenos de los nuevos autos de la marca Lambourginis duran un
promedio de 35.000 millas con una desviacin estndar de 1,114 millas. Cual es la
probabilidad de que los frenos del auto que usted acaba de comprar le duren:
a) Ms de 35,000 millas?

b) Menos de 33,900 millas?

c) Menos de 37,500 millas?

d) Entre 35,200 y 36,900 millas?

4. Los sobrecostos por actualizacin de computadores en su empresa tiene un promedio de

US$23,500, con una desviacin estndar de US$9,400, Como director ejecutivo de la
Divisin de Investigacin, usted no desea arriesgarse a mas de 34% de probabilidad que
el sobrecosto en una actualizacin propuesta recientemente exceda de US$25,000
Debera ejecutar la actualizacin ?

No la ejecutara ya que hay un 43,6% de sobrecostos

5. El promedio de los salarios en los bancos comerciales en Hilinois es de US$22,87 por
hora, con una desviacin estndar de US$5,87, Cual debe ser su salario por hora si desea
ganar:

a) Ms que el 80% de todos los empleados?

=US$
b) Ms que el 30% de todos los empleados?

=US$

[16]

c) Menos que el 20% de todos los empleados?

=US$
d) Ms que el 50% de todos los empleados?

=US$
6. Los empleados en Coopers-Price and Lybrand trabajan un promedio de 55.8 horas por
semana, con una desviacin estndar de 9.8 horas. Los ascensos son ms probables para
los empleados que estn dentro del 10% de los que pasan ms tiempo trabajando.
Cunto debe trabajar usted para mejorar sus oportunidades de ascenso?

Debera trabajar 40.344 horas o ms por semana para que mejoren las oportunidades de
ascenso.
7. Los registros muestran que 45% de todos los automviles producidos por Ford Motor
Company contiene partes de Japn Cul es la probabilidad de que los prximos 200
carros, 115 contengan partes japonesas?

Aproximacin a la distribucin normal

[17]

REFERENCIAS
Astrometra: (2011) Consultado [8 de May. Del 2015 ] Disponible en<
http://www.oac.uncor.edu/documentos/materias/clases.pdf >.

CANAVOS, G. Probabilidad y estadstica Aplicaciones y mtodos 1 ed., Mxico: Mc

GRAE-HILL Interamericana de Mxico S.A. 1988 , p.

CORDOVA, M. Estadstica Descriptiva e inferencial: aplicaciones 5 ed. , Per, editorial

MOSHERA S.R.L , 2003 ,p.

MONTGOMERY, D y HINES, W. Probabilidad y estadstica para ingeniera y

administracin 3 ed. Mxico: editorial continental S.A.1993 , p.

WEBSTER, A. Estadstica aplicada a los negocios y la economa 3 ed. Santaf de

Bogot: McGRAW-HILL Interamericana S.A ,2000 , p.

[18]

ANEXO
Distribucin de Poisson
Desarrollo de la distribucin de Poisson a partir de la Binomial

Al dejar que

de manera tal que

permanezca fijo, los trminos

todos se aproximan a 1 como lo hace

que

cuando

Sabemos ahora

por consiguiente se tiene que

Donde es el nmero de ocurrencia del evento de inters en una unidad de espacio (o tiempo)
para cualquier otro valor del espacio (o tiempo) la funcin de probabilidad ser:

Donde es un factor de proporcionalidad que permite calcular el nmero de ocurrencias del

xito en un tiempo o espacio dado diferente a la unidad, se hace
y la funcin de
probabilidad para modelo Poisson

Con es el numero promedio de ocurrencia en un espacio o tiempo dado y

que ocurre el xito en ese mismo espacio o tiempo.

[19]

el numero de veces

Distribucin exponencial
Desarrollo de la distribucin exponencial a partir de la gamma

Cuando

se obtiene la distribucin exponencial

Desarrollo de la distribucin exponencial a partir de la poisson

Para los postulados de Poisson , fijamos el tiempo en algn valor , y desarrollamos la
distribucin del numero de ocurrencias es el intervalo
indicamos esta variable como

Consideremos a hora a
por

,que es la probabilidad de ninguna ocurrencia en

esta dada

Recurdese que en principio fijamos el tiempo en t. Otra interpretacin de

p(0) = es e- I' es que sta es la probabilidad de que el tiempo para la primera ocurrencia
sea mayor que t. AI considerar este tiempo como una variable aleatoria t, al considerar
este tiempo se tiene

Por consiguiente si dejamos que ahora que el tiempo vari y consideramos la aleatoriedad
como el tiempo para la ocurrencia, entonces

Y, puesto que

vemos que la densidad es

[20]

Demostracin de la fusin de distribucin a partir de la funcin de densidad

Distribucin normal y normal estndar

a)

b)

=
Se deriva usando la regla de la cadena

Cambio de variable

Entonces

[21]