You are on page 1of 18

Universidad de Los Andes

Facultad de Ingeniera
Mrida Estado Mrida

Lobo Xavier
C.I. 20.657.284
Distribuciones Discretas

Experimento Bernouliano:
Consiste en la realizacin de un experimento aleatorio discreto que solo puede
tener 2 resultados posibles: xito (1) o fracaso (2).
Nota: los trminos xito y fracaso no tienen ninguna connotacin de bueno o malo, es
decir, son completamente objetivos y el xito no necesariamente implica un resultado
deseable.
La ley de un experimento Bernouliano es:
() = . 1 Para x=0,1

Funcin de Distribucin:
0 <0
() = {1 0<1
1 1

Momentos:
= [ ] = = [( ) ] = (1 ) + () (1 ),

Esperanza y Varianza:
1 = [] = 2 = [] = (1 )

Distribucin Binomial

Distribucin basada en las n repeticiones de un experimento Bernouliano.

Propiedades:
Consiste en un nmero fijo de pruebas idnticas e independientes.
Cada prueba resulta en 2 posibilidades: xito o fracaso.
En este caso, la va de inters es el nmero de xitos obtenidos en n
repeticiones

Definicin: Una Variable Aleatoria Discreta se distribuye de forma Binomial con:


~(, )
Funcin de Probabilidad:
!
( = ) = ( ) = !()! : 0,1,2 ,

n= nmero de pruebas
r= nmero de xitos
p= Probabilidad de xito
q= 1-p (Probabilidad de fracaso)

!
(1 ) = 0,1,2, , 0 1;
(, , ) = {( )! !
0

Esperanza:

= [] = ( = ) =
=0

Varianza:

[] = = ( )2 ( = ) =
2

=0

Distribucin Poisson

La distribucin de Poisson es definida por un parmetro: lambda (). Este


parmetro es igual a la media y la varianza. A medida que lambda aumenta, la
distribucin de Poisson se acerca a una distribucin normal. Utilice la distribucin de
Poisson para describir el nmero de veces que un evento ocurre en un espacio finito de
observacin. Por ejemplo, una distribucin de Poisson puede describir el nmero de
defectos en el sistema mecnico de un avin o el nmero de llamadas a un centro de
llamadas. La distribucin de Poisson se utiliza con frecuencia en el control de calidad, los
estudios de fiabilidad/supervivencia y los seguros.

Una variable sigue una distribucin de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin lmite superior).
Todos los eventos son independientes.
La tasa promedio no cambia durante el perodo de inters.

Funcin de Probabilidad:
~()
= , , .

() = = 0,1, ,
!


(, ) = { ! = 0,1,2, , ; > 0
0

Funcin Generadora de Momentos (mgf):


exp(( 1))

Esperanza y Varianza:
() = () =

Distribucin Geomtrica

Sus variables aleatorias tambin estn asociadas a experimentos bernoulianos.


Sin embargo, en la distribucin Geomtrica la variable aleatoria de inters es el Nmero
de repeticiones de un experimento hasta que se obtiene el primer xito

Propiedades:
Como en la Binomial, las probabilidades de xito o fracaso se mantiene.
Las pruebas o repeticiones son independientes.
En la Binomial el nmero de repeticiones esta determinado, en la geomtrica es
una variable aleatoria.

Funcin de Probabilidad:
~()
() = (1 )1
= 1,2, ,
1

Esperanza y Varianza:
1
() = () =
2

Distribucin Binomial Negativa o Pascal

Considera experimentos bernoulianos tambin. Sin embargo, a diferencia de la


distribucin Binomial, el inters se centra en el nmero de repeticiones de un
experimento hasta encontrar una cantidad fija r de xitos.

Propiedades:
El proceso consta de un nmero no definido de pruebas separadas o separables. El
proceso concluir cuando se obtenga un determinado nmero de resultados
favorables K.
Cada prueba puede dar dos resultados posibles mutuamente excluyentes A y no A.
La probabilidad de obtener un resultado A en cada una de las pruebas es p siendo la
probabilidad de no A, q. Lo que nos lleva a que p+q=1.
Las probabilidades p y q son constantes en todas las pruebas. Todas las pruebas son
independientes. Si se trata de un experimento de extraccin ste se llevar cabo con
devolucin del individuo extrado, a no ser que se trate de una poblacin en la que el
nmero de individuos tenga de carcter infinito.

Funcin de Probabilidad:
~(, )
1
() = ( ) = , + 1, ,
1

+1
( ) (1 ) ; = 0,1,2
(, , ) = { 1
0
Esperanza y Varianza:

() = () = 2

Distribucin Hipergeomtrica

La distribucin hipergeomtrica es una distribucin discreta que modela el nmero


de eventos en una muestra de tamao fijo cuando usted conoce el nmero total de
elementos en la poblacin de la cual proviene la muestra. Cada elemento de la muestra
tiene dos resultados posibles (o es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente. Cuando se elige un
elemento de la poblacin, no se puede volver a elegir. Por lo tanto, la probabilidad de que
un elemento en particular sea seleccionado aumenta con cada ensayo, suponiendo que
an no ha sido seleccionado.
Utilice la distribucin hipergeomtrica para muestras obtenidas de poblaciones
relativamente pequeas, sin reemplazo. La distribucin hipergeomtrica es descrita por 3
parmetros: tamao de la poblacin, conteo de eventos en la poblacin y tamao de la
muestra. En esta distribucin interesa la probabilidad de seleccionar X xitos de los K
eventos considerados como un xito y (n-x) de los considerados como fracasos, cuando
se selecciona una muestra de tamao n de un total de N xitos.

Propiedades:
Se selecciona sin reemplazo una muestra aleatoria de tamao n de u total de N
elementos.
K de los elementos se consideran xitos y N-K se consideran fracasos.

p(x)=probabilidad de seleccionar un numero X de objetos al sacar una muestra de


tamao n, de un total de N objetos de los cuales k son del tipo requerido.

Funcin de Probabilidad:

( )( )
() =

( )

Esperanza y Varianza:

() = () = ( )
1

Distribuciones Continuas

Distribucin Exponencial:
En estadstica la distribucin exponencial es unadistribucin de probabilidad
continua con un parmetro > 0, la exponencial es la nica distribucin continua tomando
valores positivos que verifica la propiedad de falta de memoria.

Funcin de densidad:
~ exp()
> 0
() = {
0

Funcin de Distribucin:
1 0
() = {
0

Momentos:
!
= [ ] = ,

Esperanza y Varianza:
1 1
[] = [] = 2

Distribucin Uniforme:
La distribucin de probabilidad uniforme es un ejemplo de una distribucin de
probabilidad es continua. Una distribucin de probabilidad es continuacuando los
resultados posibles del experimento son obtenidos de variables aleatorias continuas, es
decir, de variables cuantitativas que pueden tomarcualquier valor, y que resultan
principalmente del proceso de medicin.
Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las
mismas para todos los posibles resultados, desde el mnimo de a hasta elmximo de b. El
experimento de lanzar un dado es un ejemplo que cumple la distribucin uniforme, ya que
todos los 6 resultados posibles tienen 1/6de probabilidad de ocurrencia.

Funcin de densidad:
1
() = { <<
0

Funcin de Distribucin:
0 <

() = { <

1

Esperanza y Varianza:
+ ( )2
[] = [] =
2 12

Distribucin Normal:
Es la distribucin continua con mayor aplicacin en estadstica. Su propio nombre
indica su extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos
fenmenos tienden a parecerse en su comportamiento a esta distribucin. Muchas
variables aleatorias continuas presentan una funcin de densidad cuya grafica tiene forma
de campana. En otras ocasiones, al considerar por ejemplo distribuciones binomiales,
Bin(n, p), para un mismo valor de p y valores de n cada vez mayores, se ve que sus
polgonos de frecuencias se aproximan a una curva en forma de campana. En resumen,
la importancia de la distribucin normal se debe principalmente a que hay muchas
variables asociadas a fenmenos naturales que siguen el modelo de la normal.

Como por ejemplo:


1. Caracteres morfolgicos de individuos (personas, animales, plantas, etc.) entre
ellos:tallas, pesos, dimetros, permetros.
2. Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o
de una misma cantidad de abono.
3. Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.
4. Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin
aun medio,...
5. Errores cometidos al medir ciertas magnitudes.
6. Valores estadsticos mustrales, por ejemplo: la media.

Propiedades:
1. La distribucin normal est completamente especificada por sus dos parmetros,
la media y la varianza 2. La media es el parmetro de centralidad y la varianza
mide su dispersin. Por lo tanto el grafico de la funcin de densidad depende
dedichos valores.
2. La distribucin es simtrica con respecto a la media, .
3. Tiene una nica moda, que coincide con su media y su mediana.
4. La grafica de la funcin de densidad tiene forma de campana.
5. La esperanza de una variable aleatoria normal es su media es decir, E(X) =
6. La varianza de una variable aleatoria normal es 2
7. La forma de la campana de Gauss depende de los parmetros
8. La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre y
es tericamente posible. El rea total bajo la curva es, por tanto, iguala 1.
9. El rea bajo la curva da la distribucin normal son probabilidades.

La distribucin de una variable normal est completamente determinada por dos


parmetros, su media y su desviacin estndar, denotadas generalmente por y . La
funcin de densidad de la distribucin normal se define de la siguiente manera:

Definicin: Se dice que una variable aleatoria X tiene una distribucin de probabilidad
normal con media y varianza 2, se representa por X N(, 2) si y solo si, la funcin
de densidad de X es:
Funcin de densidad:
~(, 2
1 2
1 ( )
() = 2
2

Esperanza y Varianza:
[] = [] = 2

Distribucin Gamma:
En estadstica la distribucin gamma es una distribucin de probabilidad continua
con dos parmetros k y cuya funcin de densidad para valores x>0 es:
()1
() =
()
Aqu e es el nmero e y T es la funcin gamma. Para valores la funcin
gamma es T(k)=(k-1)! (el factorial de k-1).

Momentos:
(+)
= [ ] = ,
()

Esperanza y Varianza:

[] = = [] = = 2
2

Distribucin Beta:
En estadstica la distribucin Beta es una distribucin de probabilidad continua con
dos parmetros a y b cuya funcin de densidad para valores 0 x 1 es:
~(, ); , > 0
1
= (, ) = 0 1 (1 )1
Momentos:
(+)(+)
= [ ] = ,
(++)()

Esperanza y Varianza:

[] = [] = (+)2 (++1)
+
Ejercicios

Distribucin Bernoulli:
1. Se sabe que una maquina produce un 3% de piezas defectuosas. Elegimos una
pieza al azar para comprobar si no presenta defectos. Cmo se distribuye la
variable X que vale 1 si la pieza no es defectuosa y 0 si es defectuosa?
Sol:
La variable:
1,
={
0,
Sigue una distribucin Bernoulli con parmetro 0,97. Es decir ~( = 0,97)

2. Se sabe que una maquina produce un 3% de piezas defectuosas. Elegimos una


pieza al azar para comprobar si no presenta defectos. Cuales son su Esperanza
y su Varianza?
Sol:
[] = = 0,97
[] = (1 ) = (0,97)(0,03) = 0,0291

Distribucin Binomial:
1. En una noche en el HULA se registro el sexo de los primeros 10 bebes que
nacieron. Cul es la probabilidad de que de esos bebes hayan nacido 7 o ms
varones?
Sol.:
n=10 p=0,5
X=n de varones

( 7) = ( = 7) + ( = 8) + ( = 9) + ( = 10)

( 7) = 1 ( < 7)
1 ( 6)
1 (6)
1 [( = 1) + ( = 2) + ( = 3) + ( = 4) + ( = 5) + ( = 6)]
10
( = 7) = ( ) (0,5)7 (0,5)3 = 0,117
7
10
( = 8) = ( ) (0,5)8 (0,5)2 = 0,0439
8
10
( = 9) = ( ) (0,5)9 (0,5)1 = 0,00976
9
10
( = 10) = ( ) (0,5)10 (0,5)0 = 0,00097
10

( 7) = 0,117 + 0,0439 + 0,00976 + 0,00097 = 0,17163

() = = 10(0,5) = 5

2. Una maquina fbrica una determinada pieza y se sabe que de casa 1000 piezas
produce 7 defectuosas. Hallar la probabilidad de que al examinar 50 piezas solo
haya una defectuosa.
Sol:
7
Sea X={Nmero de piezas defectuosas en las 50 seleccionadas}. Como n=50 y = 1000 =

0,007, entonces ~(50,0,007). Por lo tanto,


50
( = 1) = ( ) (0,007)1 (1 0,007)501 = 0,248
1

Distribucin Poisson:
1. Un libro de 520 pginas contiene 390 errores. Suponiendo que el nmero de
errores por pagina es una variable Poisson. Cul es la probabilidad de que 4
pginas seleccionadas al azar ests libres de errores?
Sol:
X=n de errores por pgina

390
= = 0,75 /
520

~( = 0,75)
Probabilidad de que 4 pginas estn libres de errores: hallamos el nuevo
0,75 1 4 0,75
= =3
4 1

3 30
( = 0) = = 0,0498
0!

2. 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. Menos de 3 cheques sin fondos en un da cualquiera?
Sol:
Sea X=El nmero de cheques sin fondo que llegan al banco en un da cualquiera, = 6
cheques sin fondo por da, por lo tanto, ~( = 6). As,
6 64 (0,00248)(1296)
a) ( = 4) = 4!
= 24
= 0,13392
6 60 6 61 6 62
b) ( < 3) = ( = 0) + ( = 1) + ( = 2) = + + =
0! 1! 2!

Distribucin Geomtrica:
1. Si un jugador tiene probabilidad de 0,40 de encestar una pelota. Cul es la
probabilidad de que deba lanzar ms de 3 veces para encestar por primera vez?
Sol:
X=n de lanzamientos; P=0,40

( > 3) = 1 ( 3) = 1 (3) = 1 [( = 1) + ( = 2) + ( = 3)
( = 1) = (0,4)1 (0,6)0 = 0.4
( = 2) = (0,4)2 (0,6)1 = 0,096
( = 3) = (0,4)3 (0,6)2 = 0,023

( > 3) = 1 [0,4 + 0,096 + 0,023] = 0,48


Distribucin Binomial Negativa:
1. Cul es la probabilidad de tener que lanzar 5 veces un dado para obtener dos 4?
Sol:
r=2 p=1/6
X=n de lanzamientos

51
( = 5) = ( ) (1/6)2 (5/6)3 = 0,064
21

2. De una urna que contiene el 60% de bolas negras y el 40% de bolas blancas, se
extraen bolas de forma sucesiva y con reemplazo. Calcular:
a. Probabilidad de extraer 5 bolas blancas antes de la tercera negra
b. Probabilidad de que haya que extraer 10 bolas para obtener 3 negras.
Sol:
Probabilidad de xito: p=0,6
Numero de xitos buscados: k=3
X= n de bolas blancas antes de la tercera
~(3,0.6)

5+31
a) [ = 5] = ( ) 0.63 0.45
5
7+31
b) [ = 7] = ( ) 0.63 0.47
7

Distribucin Hipergeomtrica:
1. Una fbrica de motores los empaca en cajas de 50. Un inspector escoge 5
motores y los examina. Si los 5 motores estn en buen estado, se acepta la caja.
Delo contrario, se examinan todos los motores de la misma. Cul es la
probabilidad de tener que inspeccionar toda la caja?
Sol:
X=n de motores daados
N=50
n=5
k=3
3 47
( )( )
( 1) = 1 ( < 1) = 1 [( = 0)] = 1 [ 0 5 ] = 0,276
50
( )
5

( < 2) = ( = 0) + ( = 1)
3 47
( )( )
( = 0) = 0 5 = 0,724
50
( )
5
3 47
( )( )
( = 1) = 1 4 = 0,2525
50
( )
5
( < 2) = 0,724 + 0,2525 = 0,9765

2. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de


narcticos en una botella que contiene 9 pldoras de vitamina que son similares en
apariencia si el oficial de la aduana selecciona 3 tabletas aleatoriamente para
analizarlas.
a. Cul es la probabilidad de que el viajero sea arrestado por posesin de
narcticos?
b. Cul es la probabilidad de que no sea arrestado por posesin de
narcticos?
Sol:
Sea X=n de tabletas de narctico seleccionadas
N=9+6=15
r=6
n=3
~(15,3,6)
6 9
( )( )
0 3
a) ( 1) = 1 ( = 0) = 1 15 = 1 0,184615 = 0,815385
( )
3
6 9
( )( )
0 3
b) ( = 0) = 15 = 0,184615
( )
3
Distribucin Normal:
1. Suponga que la estatura en cm de los hombres de la facultad de ingeniera es una
normal con media 172,72 y desviacin estndar 6,35. Encuentre el porcentaje de
hombres que miden 167,64cm y 180,34cm.
Sol:
=172,72
= 6,35
(167,64 180,34)

167,64 180,34 180,34 172,72


=( ) ( )
6,35 6,35
= (0,80 1,20) = (1,20) (0,80) = 0,8849 0,2119 = 0,673

2. El gobierno plantea un programa de bienestar social para otorgar un subsidio al


15% de las familias con menores ingresos. El ingreso promedio es de 13500BsF
con una desviacin estndar de 4500. hasta qu nivel de ingreso se debe otorgar
el subsidio asumiendo que los ingresos se distribuyen normalmente?
Sol:
=13500
= 4500
=
~(13500; 4500)

( < ) = 0,15

= (1,04)(4500) + 13500 = 8820


Distribucin Uniforme:
1. Sea X el momento elegido al azar en que un estudiante recibe clases en un
determinado da entre las siguientes horas: 7:00 8:00 9:00 10:00 11:00
12:00 13:00.
a. Cul es la funcin de densidad de la variable X?
a=7; b=13
1 1
() = = = 0,167
13 7 6

b. Calcule la Esperanza
7 + 13
() = = = 10
2

c. Calcule la varianza
(13 7)2 (6)2 36
2 = = = =3
12 12 12
Por lo tanto la desviacin estndar es: = 2 = 3 = 1,732

d. Calcular la probabilidad de que llegue en la primera media hora


30
= 0,5 7: 30 = 7,5
60
2 1
(1 2 ) =
= 7.5 7 = 0.5

e. Si recibe clases de estadstica de 10:00 a 12:15, calcularla probabilidad de


recibir esta asignatura.
15
= 0,25 12: 15 = 12,25
60
2 1 12,25 10 2,25
(1 2 ) = = = = 0,375
13 7 6