You are on page 1of 68

Variables aleatorias

Y
Distribuciones de Probabilidades

Enzo Aldo Bravo Burgos


Variables aleatorias
Y
Distribuciones de Probabilidades
DISTRIBUCIONES DE PROBABILIDADES

Variables aleatorias: Definición

X : (, P )  IR
  X ( )  x

Discretas Continuas

Recorrido de X es Recorrido de X es
finito o infinito infinito
numerable
EJEMPLOS:
• X: Numero de huevos que pone una gallina al día.
• X: Cantidad de leche que produce una vaca en un
día.
• X: Ventas diarias de una empresa.
• X: Nº de clientes que llegan diariamente a Plaza
Vea.
• X: Nº de automóviles que llegan a una Estación de
Servicio.
• X: Nº de llamadas telefónicas que recibe una
secretaria.
• X: Edad de las personas.
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso
productivo.
• X: Etc.
Tipos de Variables Aleatorias:

Variable Aleatoria Discreta:


Cuando la variable aleatoria
toma valores discretos
(números anteros) se dice que
es una v.a.d.

Variable Aleatoria Continua.


Cuando la variable aleatoria
toma valores de la recta real
(número reales) se dice que la
variable es una v.a.c. .
Ejercicio:
Un lote de artículos contiene artículos Bueno (B) y defectuoso (D). Se extrae sucesivamente
2 artículos. Definimos como v.a. X : número de artículos defetuosos obtenidos.
Definir el experimento:
Rx = { 0 , 1 , 2 }
E:
Definir el espacio muestral
Ω={BB, BD, DB, DD}
Definir la variable aleatoria. X: v.a. X : Número de artículos
defectuosos obtenidos.
El recorrido de X. Rx= { } Número DISCRETOS
X(BB) = 0
X(BD) = 1
X(DB) = 1
X(DD) = 2
Ejercicio:
Sea X una variable aleatoria que representa el peso en gramos de un espárrago. El
peso es una variable aleatoria continua, pues su espacio muestral (los valores que
pueden tomar) son todos los puntos de un intervalo de la recta real.

Identificar el recorrido de la variable definida anteriormente:

X = {……………………………. … }

Número infinito
DISTRIBUCIONES DE PROBABILIDADES

Distribuciones de probabilidades

p(x) = P[X=x]  X discreta  Función de probabilidad


X
f(x)  X continua  Función de densidad
x1
… X discreta X continua
xk  
0  p( x)  1 f ( x)  0

 p(x)  1  f ( x)dx  1
DISTRIBUCIONES DE PROBABILIDADES

Distribución Acumulada

Caso discreto:

X P[X=x] = p(x)
x1 p1
x2 p2
x3 p3
… …
xk pk
DISTRIBUCIONES DE PROBABILIDADES

Distribución Acumulada

Caso discreto:

X P[X=x] = p(x) F(x)=P[X  x]


x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
DISTRIBUCIONES DE PROBABILIDADES

Distribución Acumulada

Caso discreto: Caso continuo:

X P[X=x] = p(x) F(x)=P[X  x] x


F ( x)  P( X  x)   f ( y )dy
y  
x1 p1 p1
x2 p2 p1+p2
x3 p3 p1+p2+p3
… …
xk pk pi = 1
DISTRIBUCIONES DE PROBABILIDADES

Medidas de resumen de una v.a.


Tendencia central

E ( X )     x p ( x) X discreta
Media x
Valor esperado
Esperanza matemática E ( X )   
 xf ( x)dx
x
X continua

Propiedades:

E[ a ]  a

E[aX  b]  aE[ X ]  b
DISTRIBUCIONES DE PROBABILIDADES

Medidas de resumen de una v.a.


Tendencia central

Mediana x0.5 : P( X  x0.5 )  0.5  P( X  x0.5 )  0.5

xmod : p  ( xmod ) X discreta


Moda
xmod : f  ( xmod ) X continua
DISTRIBUCIONES DE PROBABILIDADES

Medidas de resumen de una v.a.


Posición

Extremos Cuartiles Quintiles Deciles

Percentil    x : P( X  x )  
DISTRIBUCIONES DE PROBABILIDADES

Medidas de resumen de una v.a.


Dispersión
Rango Max ( X )  min ( X )
Varianza Var ( X )   2  E ( X 2 )  E 2 ( X )
Propiedades:

Var (k )  0
Var ( X  k )  Var ( X )
Var(aX  b)  a 2Var ( X )
Desviación estándar d .e.( X )    Var( X )
DISTRIBUCIONES DE PROBABILIDADES

Proceso de estandarización

X v.a.
E( X )   d .e.( X )  

X 
X Z 

E (Z )  0 d .e.( Z )  1
DISTRIBUCIONES DE PROBABILIDADES

Variables aleatorias: Parámetros

PARÁMETRO:

Rasgo, característica, propiedad fija o constante de una población.

Las medidas de resumen de una variable aleatoria son parámetros.

Los parámetros determinan la distribución de probabilidades.


DISTRIBUCIONES DE PROBABILIDADES

Variables aleatorias: Resumen

• Definición-Contexto-Problema

Discretas • Valores

• Parámetros

Continuas • Función de probabilidad


Función de densidad

• Medidas de resumen

• Distribución Acumulada
MODELOS DE DISTRIBUCIONES
DISCRETAS
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución Bernoulli
Experimento de base:
Todo experimento aleatorio que tenga sólo dos resultados posibles,
mutuamente excluyentes, que pueden denominarse Éxito y Fracaso.

P[Éxito] = p P[Fracaso] = 1 – p = q

Variable aleatoria – Definición:


Número de Éxitos observados en un ensayo.

Usos – aplicaciones:
Muy poco. Electrónica, proceso binarios en general.
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución Bernoulli

Variable aleatoria – Valores:

0y1
Parámetros:

p: Probabilidad de éxito

Notación:
X  Ber(p)
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución Bernoulli
Función de distribución de probabilidades:

X P(X = x) = p(x)
0 1–p p(x) = px(1–p)1-x ; x = 0,1
1 p

Función de distribución acumulativa:

X P(X = x) = p(x) F(x) = P(X  x)


0 1–p 1–p
1 p (1 – p) + p = 1
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución Bernoulli

Propiedades:

X  Ber(p)

E( X )  p Var ( X )  p(1  p)
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución binomial
Experimento de base:
Realización de n ensayos Bernoulli, todos independientes, y cada
uno con probabilidad de Éxito p.

Variable aleatoria – Definición:


Número de Éxitos observados en n ensayos Bernoulli, todos
independientes, y cada uno con probabilidad de Éxito p.

Usos – aplicaciones:
Control de calidad, tratamientos de encuestas …
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución binomial

Valores de la variable:

0, 1, 2, …, n
Parámetros:
n: Número de ensayos
p: Probabilidad de éxito
Notación:
X  bin(n , p)
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución binomial
Función de distribución de probabilidades:

 n x
p( x)    p (1  p) n  x ; x  0,1,2, , n
 x
Función de distribución acumulativa:
k
F (k )  P( X  k )   p ( x)
x 0
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución binomial
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución binomial

Propiedades:

X  bin(n , p)

E ( X )  np Var ( X )  np(1  p)
Ejercicio:
Función de probabilidad
En el almacén de la empresa TEXACO, hay
12 artículos eléctricos de los cuales 3 son  n x
defectuosos. Si se extrae una muestra
P(X  x)  b(x; n, p)   p (1  p)n x
aleatoria de 5 a partir del grupo.  x
Solución:
¿Cuál es la probabilidad de que:
 5
a. P(X  0)  b(0;5,0.25)   0.250 (0.75)5
 0
 Ninguno sea defectuoso. = 0.237
 Exactamente 1 sea defectuoso.  5
b. P(X  1)  b(1;5,0.25)   0.25 (0.75)
1 4

 Menos de 2 sean defectuosos. 1


= 0.396

c. P(X  2)  P(X  1)  P(X  0)  P(X  1)


= 0.633
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución de Poisson
Experimento de base:
Observación de la ocurrencia de eventos en un espacio (intervalo)
determinado (fijo).

Variable aleatoria – Definición:


Número de eventos que ocurren de manera aleatoria e independiente,
a una tasa constante , en un espacio o intervalo determinado.

Usos – aplicaciones:
Fenómenos de espera, fenómenos de transporte …
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución de Poisson

Valores de la variable:

0, 1, 2, …
Parámetros:
: Tasa promedio de ocurrencia de los eventos

Notación:
X  P()
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución de Poisson
Función de distribución de probabilidades:


e  x
p ( x)  ; x  0,1,2,
x!
Función de distribución acumulativa:
k
F (k )  P( X  k )   p ( x)
x 0
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución de Poisson
Cálculo de probabilidades acumulativas:
k
F (k )  P( X  k )   p ( x)
x 0
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Distribución de Poisson

Propiedades:

X  P ()

E( X )   Var ( X )  
DISTRIBUCIONES DISCRETAS DE PROBABILIDADES

Teorema. Sea X una variable con distribución binomial de


parámetros n y p. Si existe una constante  tal que p =  / n,
entonces:

x e  
lim p ( x; n, p )  ; x  0,1, 
n  x!
p 0
Ejercicio:
Función de probabilidad
Si como promedio una central telefónica
recibe 0.05 llamadas por segundo, ¿Cuál e λ λ x
es la probabilidad de que en un PX  x/λ  
determinado minuto: x!
Solución:
a. Reciban exactamente dos Se tiene que λ = 0.05 llamadas por segundo
Entonces: λ = 0.05(60) = 3 llamadas por minuto.
llamadas telefónicas.
e3 32
b. Reciban no más de dos a. PX  2/3   0.224
llamadas telefónicas. 2!
b. PX  2/3  P(X  0)  P(X  1)  P(X  2)
e3 30 e3 31 e3 32
    0.497  0.149  0.224  0.423
0! 1! 2!
MODELOS DE DISTRIBUCIONES
CONTINUAS
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Uniforme

Experimento de base:
Seleccionar aleatoriamente un número en un intervalo real (a,b), y
registrar su valor.

Variable aleatoria – Definición:


Número real seleccionado aleatoriamente en un intervalo (a,b).

Usos – aplicaciones:
Generación de números aleatorios, informática, …
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Uniforme

Valores de la variable:

x  ( a, b)
Parámetros:

a, b
Notación:
X ~ U ( a, b)
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Uniforme

Función de densidad:

1
f ( x)  I ( a ,b ) ( x ) ; x  ( a , b )
ba

Función de distribución acumulativa:

k xa
F (k )  P( X  k )   f ( x)dx 
xa ba
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Uniforme

Propiedades:

X  U(a , b)

ab a  ab  b
2 2
E( X )  Var ( X ) 
2 3
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

La variable:

Muchas variables continuas relativas a mediciones:

Físicas: Longitud, altitud, temperaturas, velocidad de…


Biológicas: Talla, peso, ritmo cardiaco, presión arterial,
Psicológicas: Inteligencia, habilidades, destrezas, etc.

¡CUIDADO! MUCHO no significa TODO


DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Los valores de la variable:

Depende del problema en estudio.


Teóricamente, cualquier valor real.
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Los parámetros:

Dos parámetros. Se simbolizan por:

 y 
Corresponden a la media y desviación estándar

X ~ N ( , )
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Función de densidad y gráfico:


1  1 2
f ( x |  , )  exp  (x  ) 
2   2 ² 
   x  ;    ;   0



Campana de Gauss
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Función de distribución acumulada:


x 1  1 
F ( x | , )   exp  ( y   ) 2 dy

2   2 ² 

P( X  x)
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

La normal estándar:
X 
X ~ N ( , )  Z  ~ N (0,1)


DISTRIBUCIONES CONTINUAS DE PROBABILIDADES
PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR
Distribución Normal Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z
z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141

Probabilidades acumuladas: 0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990
3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo a una ley normal, se desea saber:

a) Cuántos sujetos hay por debajo de 80 años.


b) Cuántos sujetos hay por encima de 65 años.
c) A partir de qué edad se sitúa el 10% más viejo.
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal
Un ejemplo:
En un estudio sobre longevidad se analizaron las edades de 489
jubilados obteniéndose una media de edad de 72 años con una
desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo con la curva normal, se desea saber:

Solución parte a):


Sea X: Edad de las personas estudiadas

Se tiene: X ~ N (   72 años;   8.6 años )

Se pide: P ( X  80)
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal
Un ejemplo:
X ~ N (   72 años;   8.6 años )

¿ P ( X  80) ?

Opciones de la
Hoja de Cálculo de
OpenOffice
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal
Un ejemplo:
X ~ N (   72 años;   8.6 años )
Pero:
 X  72 80  72 
P ( X  80)  P  
 8.6 8.6 
8
 P( Z  )
8.6
 P ( Z  0.93)
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal PROBABILIDADES ACUMULADAS DE LA NORMAL ESTÁNDAR

Probabilidades acumuladas para algunos valores de la variable aleatoria normal estándar Z


z .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
__________________________________________________________
0.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
0.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
0.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
0.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517

 X  72 80  72 
0.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879

P( X  80)  P 
0.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224

 0.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549

 
0.7 .7580 .7611 .7642 .7673 .7703 .7734 .7764 .7794 .7823 .7852
8.6 8.6 0.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8078 .8106 .8133
0.9 .8159 .8186 .8212 .8238 .8264 .8189 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
8 1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830

 P( Z  ) 1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
8.6 1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .9429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633

 P( Z  0.93) 1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9699 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9772 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9817
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9906 .9911 .9913 .9916

P( X  80)  0.8238  82.38%


2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987 .9987 .9987 .9988 .9988 .9989 .9989 .9989 .9990 .9990

82.38% de 489 son 403 personas 3.1 .9990 .9991 .9991 .9991 .9992 .9992 .9992 .9992 .9993 .9993
3.2 .9993 .9993 .9994 .9994 .9994 .9994 .9994 .9995 .9995 .9995
3.3 .9995 .9995 .9995 .9996 .9996 .9996 .9996 .9996 .9996 .9997
3.4 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9997 .9998
3.5 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998 .9998
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Aproximación de De Moivre Laplace


Teorema. Sea X una variable con distribución binomial de parámetros
n y p. Entonces, si n tiende a infinito:

X  np
Y ~ N (0,1)
np(1  p)

Nota: La aproximación ya es buena para n>30, y mejor mientras p


sea cercano a 0.5.
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Distribución Normal

Aproximación de De Moivre Laplace

n=30, p=0.4 n=80, p=0.7 n=200, p=0.5


EJERCICIO:
La Empresa AJE está produciendo su producto Agua Cielo litro y medio
en envase de PET. El contenido promedio envasado por unidad es de
1500 mililitros con una desviación estándar de 50 mililitros. Según
resoluciones de Indecopi, si el producto elaborado no alcanza los 1450
mililitros la empresa será penalizada. Según el Inspector de Calidad
las botellas tampoco deben de superar los 1550 mililitros dado a que
puede ocasionar pérdida de líquido al encapsular. Si se envasan
200000 botellas en forma diaria y se selecciona al azar a una unidad
cualquiera.¿Cuál es la probabilidad de que:
a. La empresa sea penalizada?
b. Se pierda contenido?
c. No exista problemas con Indecopi ni al encapsular?
d. Determinar cuantas botellas se derramarán si cada envase
tiene una capacidad de 1575 mililitros?
e. Si control de calidad debe separar a todas las unidades
envasadas con menos de 1450 o más de 1550 mililitros,
probablemente, ¿Cuántas botellas serán separadas?
SOLUCION
Distribución exponencial Exp ()
En un proceso de Poisson donde se
repite sucesivamente un
experimento a intervalos de tiempo
iguales, el tiempo que transcurre
entre la ocurrencia de dos "sucesos
raros" consecutivos sigue un modelo
probabilístico exponencial. Por
ejemplo, el tiempo que transcurre
entre que sufrimos dos veces una
herida importante (o una coz de
burro, recuerda...)
Distribución exponencial Exp ()
 x
f ( x)  e para x  0,   0
2.0
1.8 
1.6
  
 f ( x)dx   e  x
1.4
 dx
1.2  0

 x  
1.0
0.8  e 1
0.6 0
0.4
0.2
0.0
0 1 2 3 4 5 6 7 8

 1
Vida media    xe dx   x
0 
Distribución exponencial Exp ()
x

t t x x
e dt   e 0
 1 e
0

1  e x , x  0
F ( x)  
 0, x0
Relación entre la distribución de Poisson y la
exponencial

Entre las distribuciones de Poisson y Exponencial existen


importantes relaciones.
 Distribución de Poisson: Sea Y una P( ) que representa el número
de llegadas en un intervalo de tiempo fijo. Recuerda que  es la
esperanza de esta distribución.
 Distribución exponencial: En este mismo problema consideramos
ahora el tiempo que transcurre entre dos llegadas. Sea X la v.a
que representa dicho tiempo. Se puede demostrar que entonces
X se distrubuye como una Exponencial().
Propiedad de ‘falta de memoria’ de la distribución
exponencial

 Se dice que la distribución exponencial no tiene


memoria. Esto es
P ( X  s  t | X  t )  P ( X  s ).
para todo s, t  0.
 Interpretación: Supongamos que queremos
determinar la probabilidad de que llegue un cliente
en la próxima media hora. Esta propiedad nos dice
que nos da igual conocer cuando llegó el último
cliente o calcular directamente cuál es la prob. De
que llegue en los prox. 30 min SIN tener en cuenta el
pasado.
Distribución de Erlang Er(n,  )

 n
n 1 x
f ( x)  x e ; n,   0 x  0
(n)

  n
 (t )  E[eitX ]   eitx f ( x)dx   eitx x n 1e x dx 
   ( n)
n 1
 n
  n
  u  1
 ( n)   ( n) 
n 1  (  it ) x u
x e dx    e du 
0 0
   it    it
    
n n n
1  1

n 1 u
u e du   ( n)   
(n) (  it ) n 0 (n) (  it ) n
   it 
DISTRIBUCIONES DE PROBABILIDADES

DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL EL PROBLEMA?

EL DESCONOCIMIENTO
DE LOS PARÁMETROS
DISTRIBUCIONES DE PROBABILIDADES

DISTRIBUCIONES DE
PROBABILIDADES:
¿CUÁL LA SOLUCIÓN?

ESTÁ EN EL MUESTREO
DISTRIBUCIONES CONTINUAS DE PROBABILIDADES

Sugerencias Bibliográficas

1. Daniel W.: Estadística con aplicaciones a las ciencias sociales y a


la educación. McGraw-Hill. Mexico, 1997.
2. Canavos G.: Probabilidad y Estadística. Aplicaciones y métodos. Mc
Graw Hill. México, 1995.
“La inteligencia es una palabra que
todos tenemos, descúbrela.”

GRACIAS POR ESCUCHARME