Вы находитесь на странице: 1из 79

Aproximacin de la binomial por la

normal
13.5
Distribucin Binomial

Ejemplos

Aproximacin de la distribucin binomial por la normal


Vamos a representar en un sistema de referencia distribuciones binomiales
para distintos valores de n y p=0,3.

Queremos aproximar estas distribuciones a una distribucin normal estndar :

Se puede apreciar en los grficos anteriores como a medida que aumenta n mejora el
parecido de las grficas de barras de las distribuciones binomiales (discretas) a la
grfica de la distribucin normal estndar (continua), pero con el inconveniente de que
se produce un desplazamiento hacia la derecha de la distribucin binomial a medida que
aumenta n.
Este inconveniente se evita, corrigiendo la variable aleatoria, Sj, restando la media (para
corregir el desplazamiento) y dividiendo por la desviacin tpica(para ajustar la
dispersin) :

A la nueva variable, xj le asignamos b(n,p,j). La representacin, para el caso, n = 270 y


p=0,3 , del diagrama de barras de la binomial corregida y de la funcin de densidad de
la distribucin normal estndar es :

Cuando n aumenta, la longitud de las barras disminuye, cosa lgica, porque la suma de
las longitudes de todas las barras es 1 (funcin de probabilidad definida sobre una
variable aleatoria discreta) ; mientras que el rea bajo la funcin de densidad (definida
sobre una variable aleatoria continua) de la distribucin normal estandar, tambin es 1.
Para ajustar ambas funciones, tendramos que conseguir que la suma de las reas de los
rectngulos que forman el diagrama de barras fuera 1. Como la distancia entre las barras
es constante y la suma de las alturas de todas las barras es 1, el rea bajo los rectngulos
del diagrama de barras es igual a la distancia entre barras consecutivas.
La distancia entre barras consecutivas es :

Por tanto, para que la suma de las reas de los ractngulos entre barras consecutivas sea
1, es suficiente multiplicar por la inversa de la distancia entre barras consecutivas ; es
decir, a cada x j , le asignamos :

Si la representamos para el caso n=270 y p=0,3, junto con la funcin de densidad de la


distribucin normal estndar, tenemos :

Como se puede apreciar en la grfica se ajustan bien ambas funciones. En resumen:


Aproximacin de la distribucin binomial por la normal
Una dstribucin binomial B(n,p) se puede aproximar por una distribucin
normal, siempre que n sea grande y p no est muy prxima a 0 o a 1. La
aproximacin consiste en utilizar una distribucin normal con la misma
media y desviacin tpica que la distribucin binomial.

En la practica se utiliza la aproximacin cuando :


En cuyo caso :
Y tipificando se obtiene la normal estndar correspondiente:

DISTRIBUCIN NORMAL
o campana de Gauss-Laplace

Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. 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 grfica
tiene forma de campana.
En otras ocasiones, al considerar distribuciones binomiales, tipo B(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

Caracteres morfolgicos de individuos (personas, animales, plantas,...)


de una especie, p.ejm. tallas, pesos, envergaduras, dimetros,
permetros,...

Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un


frmaco, o de una misma cantidad de abono.

Caracteres sociolgicos, por ejemplo: consumo de cierto producto por


un mismo grupo de individuos, puntuaciones de examen.

Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de


adaptacin a un medio,...

Errores cometidos al medir ciertas magnitudes.

Valores estadsticos muestrales, por ejemplo : la media.

Otras distribuciones como la binomial o la de Poisson son


aproximaciones normales, ...

Y en general cualquier caracterstica que se obtenga como suma de muchos factores.


FUNCIN DE DENSIDAD
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la
funcin de densidad que corresponde a tales distribuciones viene dado por la frmula

Representacin grfica de esta funcin de


densidad

La distribucin normal queda definida por dos parmetros, su media y su desviacin


tpica y la representamos as

FUNCIN DE DISTRIBUCIN

Puede tomar cualquier valor (- , + )

Son ms probables los valores cercanos a uno central que llamamos media

Conforme nos separamos de ese valor , la probabilidad va decreciendo de


igual forma a derecha e izquierda (es simtrica).

Conforme nos separamos de ese valor , la probabilidad va decreciendo de


forma ms o menos rpida dependiendo de un parmetro , que es la desviacin
tpica.

F(x) es el rea sombreada de esta grfica

TIPIFICACIN

Por tanto su funcin de densidad es

y su funcin de distribucin es

siendo la representacin grfica de esta funcin

a la variable Z se la denomina variable tipificada de X, y a la curva de su funcin de


densidad curva normal tipificada.
Caracterstica de la distribucin normal tipificada (reducida, estndar)

No depende de ningn parmetro

Su media es 0, su varianza es 1 y su desviacin tpica es 1.

La curva f(x) es simtrica respecto del eje OY

Tiene un mximo en este eje

Tiene dos puntos de inflexin en z =1 y z = -1

Aproximacin de la Binomial por la Normal (Teorema de De Moivre) :


Demostr que bajo determinadas condiciones (para n grande y tanto p como q no estn
prximos a cero) la distribucin Binomial B(n, p) se puede aproximar mediante una
distribucin normal

Debemos tener en cuenta que cuanto mayor sea el valor de n, y cuanto ms prximo sea
p a 0.5, tanto mejor ser la aproximacin realizada. Es decir, basta con que se verifique

gracias a esta aproximacin es fcil hallar probabilidades binomiales, que para valores
grandes de n resulten muy laboriosos de calcular.
Hay que tener en cuenta que para realizar correctamente esta transformacin de una
variable discreta (binomial) en una variable continua (normal) es necesario hacer una
correccin de continuidad.

MANEJO DE TABLAS. CASOS MS FRECUENTES.


La distribucin de la variable Z se encuentra tabulada

Caso 2: Aproximacin de la Poisson a la


Normal

Anteriormente se ha indicado que:

Aunque para n finito las distribuciones de Poisson y Normal no coinciden, es


posible aproximar la primera por la segunda, de acuerdo a la regla siguiente:

10

aproximar a la Normal de media ,


varianza

< 10

no aproximar, calcular con la


variable original

Por ejemplo una Poisson (16) es aproximadamente una Normal (16, 4).
En el cuadro siguiente se puede explorar de nuevo el error numrico cometido
al aproximar una Poisson mediante una Normal. Se calcula la discrepancia
mxima a lo largo de todo el soporte. Para valores individuales se puede
recurrir a la calculadora estadstica.

1) Desplazar la barra del parmetro .


2) Comparar el comportamiento con y sin
el reescalado.
3) Comparar la desviacin mxima al
aumentar .

Distribucin de probabilidad
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda

La distribucin Normal suele conocerse como la "campana de gauss".

En teora de la probabilidad y estadstica, la distribucin de probabilidad de una


variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad
est definida sobre el conjunto de todos los eventos rango de valores de la variable
aleatoria.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la
distribucin de probabilidad est completamente especificada por la funcin de
distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria
sea menor o igual que x.
Contenido
[ocultar]

1 Definicin de funcin de distribucin

2 Propiedades

3 Distribuciones de variable discreta


o

4 Distribuciones de variable continua


o

3.1 Distribuciones de variable discreta ms importantes

4.1 Distribuciones de variable continua ms importantes

5 Enlaces externos

[editar] Definicin de funcin de distribucin

Dada una variable aleatoria todos son puntos

, su funcin de distribucin,

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice


escribe, simplemente,
.
[editar] Propiedades

Como consecuencia casi inmediata de la definicin, la funcin de distribucin:

Es una funcin continua por la derecha.

Es una funcin montona no decreciente.

Adems, cumple

, es

y se

Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos
son mutuamente excluyentes y su unin es el suceso
que tenemos entonces que:

y
, por lo

y finalmente

Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de
la variable aleatoria x conoceremos completamente la distribucin de probabilidad de la
variable.
Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y sin
embargo para ver una representacin grfica de la probabilidad es ms prctico el uso
de la funcin de densidad.
[editar] Distribuciones de variable discreta

Distribucin binomial.

Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad


slo toma valores positivos en un conjunto de valores de X finito o infinito numerable.
A dicha funcin se le llama funcin de masa de probabilidad. En este caso la

distribucin de probabilidad es el sumatorio de la funcin de masa, por lo que tenemos


entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin


representa la suma de todas las probabilidades desde
hasta el valor x.
[editar] Distribuciones de variable discreta ms importantes

Las distribuciones de variable discreta ms importantes son las siguientes:

Distribucin binomial

Distribucin binomial negativa

Distribucin Poisson

Distribucin geomtrica

Distribucin hipergeomtrica

Distribucin de Bernoulli

Distribucin Rademacher, que toma el valor 1 con probabilidad 1 / 2 y


el valor -1 con probabilidad 1 / 2.

Distribucin uniforme discreta, donde todos los elementos de un


conjunto finito son equiprobables.

[editar] Distribuciones de variable continua

Distribucin normal.

Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la distribucin

de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces


que:

[editar] Distribuciones de variable continua ms importantes

Las distribuciones de variable continua ms importantes son las siguientes:

Distribucin ji cuadrado

Distribucin exponencial

Distribucin t de Student

Distribucin normal

Distribucin Gamma

Distribucin Beta

Distribucin F

Distribucin uniforme (continua)

28

DISTRIBUCION NORMAL

Uso de la tabla de distribucin de probabilidad normal


estndar
Para cualquier distribucin normal de probabilidad, todos
los intervalos que contienen el mismo nmero de
desviaciones estndar a partir de la media contendrn la
misma fraccin del rea total bajo la curva para cualquier
distribucin

de probabilidad normal. Esto hace que


sea posible usar solamente una tabla (Apndice Tabla 1) de
la distribucin de probabilidad normal estndar.
28

29

El valor de z est derivado de la frmula:


En la que:
x = valor de la variable aleatoria que nos preocupa.

= media de la distribucin de la variable aleatoria.


= desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a
la media de la
distribucin. (el uso de z es solamente un cambio de
escala de medicin del
eje horizontal)

DISTRIBUCION NORMAL
Z =x -

Distribucin normal que ilustra la comparacin


de los valores de z y las desviaciones estndar.

29

30

DISTRIBUCION NORMAL / EJEMPLO

Ejemplo 1:
Hay un programa de entrenamiento diseado para mejorar
la calidad de las habilidades de supervisin de los
supervisores de la lnea de produccin. Debido a que el
programa es autoadministrado, los supervisores requieren
un nmero diferente de horas para terminarlo. Un estudio

de los participantes anteriores indica que el tiempo medio


que se lleva completar el programa es de 500 horas, y que
esta variable aleatoria normalmente distribuida tiene una
desviacin estndar de 100 horas. Cul es la probabilidad
de que un candidato elegido al azar requiera ms de 500
horas para completar el programa de entrenamiento?
30

De la grfica podemos observar que la mitad del rea bajo


la curva est localizada a ambos lados de la media de 500
horas. Por tanto, podemos
deducir que la probabilidad de que la variable aleatoria tome
un valor mayor a 500 es el rea sombreada, es decir, 0.5

31

DISTRIBUCION NORMAL / MINITAB


EJEMPLO 1

Para obtener la grfica en minitab


seleccionamos:
Graph / Probability Distribution
Plot
En seguida aparecer una ventana Probability Distribution Plot
(Grfica de Distribucin de Probabilidad) con el puntero
seleccionamos

View Probability (Vista de Probabilidad)


y una vez seleccionado presionamos OK.

32
En seguida aparecer otra una ventana Probability Distribution Plot View
Probability (Grfica de Distribucin de Probabilidad Vista de
Probabilidad).

En la pestaa de Distribution:
En el campo de Distribution: seleccionar Normal
En el campo de Mean (media = ) colocamos 500
(promedio de horas que se lleva completar el programa)
En el campo de Standar deviation colocamos 100
(desviacin estndar de la variable)
Seleccionamos ahora la pestaa de Shaded Area:
Con el puntero seleccionamos Probability
Con el punetro seleccionamos el Right Tail or Left
Tail (trabajaremos con right Tail)
En el campo de Probability: colocamos 0.5 (ya que para este caso la media
ocupa exactamente el punto ms alto de la curva por tanto la probabilidad
es de 0.5)
Una vez alimentado los datos presionamos OK .

DISTRIBUCION NORMAL / MINITAB


EJEMPLO 1

DISTRIBUCIONES DE PROBABILIDAD

INTRODUCCIN
Las variables aleatorias estn ligadas a experimentos aleatorios. Y se dice
que se ha definido una variable aleatoria cuando a cada elemento del espacio
muestral se le ha asociado un nmero.
Si una variable real, X, es una variable aleatoria sus valores dependen del
azar.
Por ejemplo, si se lanzan dos dados y X es el nmero de veces que sale un 6,
entonces X es una variable aleatoria, y toma, al azar, uno de los valores 0, 1
2.
El estudio de las distribuciones de probabilidad es similar al de la variable
estadstica, el equivalente de la frecuencia relativa en la variable aleatoria
es la probabilidad.
1. Variables aleatorias
Consideremos un experimento aleatorio y sea E el espacio muestral
asociado, S = conjunto de sucesos
p = probabilidad asociada a cada suceso, a la terna (E, S, p) le llamamos
espacio probabilstico
Definicin 1. Llamamos variable aleatoria o variable estocstica, X, a toda
aplicacin que asocia a cada elemento del espacio muestral, E, un nmero
real x.
Dicho de manera informal: es el valor numrico que de alguna manera se
asigna a un suceso.
El conjunto imagen de la aplicacin se llama recorrido de la variable. Suele
confundirse variable aleatoria con recorrido.
Ejemplo 1. Si lanzamos tres monedas al aire y X es el nmero de caras que
salen, los valores que toma X son 0, 1, 2 y 3.
Ejemplo 2. Si de una camada de 6 cachorros se cuenta el n de hembras que
se obtienen la variable aleatoria toma los valores x =0, x=1,....x =6Ejemplo 3. Al extraer una bombilla de una poblacin y observar si es o no
defectuosa, X tomara los valores 1 y 0 segn sea o no defectuosa.
En los ejemplos anteriores se habla de variable aleatoria discreta (toma
valores discretos)
Ejemplo 4. Si se toma como X la estatura de los soldados de un reemplazo X
puede tomar todos los valores, (dentro de unos lmites)
Ejemplo 5. Si se toma como variable la longitud de un tornillo X puede tomar
todos los valores de un intervalo.
En estos casos ltimos se hablar de variable aleatoria continua.
Estudiaremos dos modelos de variable aleatoria: uno discreto
la binomial
otro continuo la normal
Estudiaremos en primer lugar las distribuciones discretas de probabilidad.

2. Funcin de probabilidad y de distribucin


Una funcin de probabilidad no es ms que la asignacin a cada valor de la
variable de la probabilidad que le corresponde. Es decir:
Definicin 2. La funcin de probabilidad, f, se define as: f(x i)= P(X=xi)
Ejemplo 6. En el ejemplo de la introduccin:

f(0)=P(X =0)=p(no salga ningn 6)=

, f(1)=P(X =1)=

, f(2)=P(X

=2)=
.Observacin: Se verifica, al igual que con la probabilidad, que
f(0)+f(1)+f(2)= 1
Propiedades
Por ser una probabilidad se verifica :
1) f(xi) >0; 2) la suma de todas las f(xi) es 1, es decir
Definicin 3. Sea X una variable aleatoria. Se llama funcin de distribucin,
F, a la funcin definida por F(x)= P(X x)
En el caso de que X sea una variable discreta se tiene: F(x)=
F est comprendido entre 0 y 1.
Ejemplo 7. En el ejemplo anterior F(1)=P(X 1)= P(no salga ningn seis, o
salga un seis)= P(X=0)+P(X=1)
3. Media o esperanza de una variable aleatoria
Sea X una variable aleatoria discreta, que toma los valores x 1, x2, x3.....xn con
funcin de probabilidad f.
Definicin 4. Se llama media o esperanza (o valor esperado) de X a:
E(X)=x1f(x1)+x2f(x2)+......+xnf(xn)

Observacin. Es anloga a la definicin de la media para una distribucin de


frecuencias.
Ejemplo 8. Un jugador lanza un dado corriente. Si sale un nmero impar gana
dicho nmero de euros, pero si sale par entonces pierde esa cantidad en
euros. Estudiar si el juego es equitativo.
Solucin
Los resultados posibles xi (euros que gana o pierde al lanzar el dado) y sus
respectivas probabilidades son:
xi

-2

-4

-6

f(xi)

1/6

1/6

1/6

1/6

1/6

1/6

Los nmero negativos indican el hecho de perder cuando sale par.


E(X) =

luego no es equitativo.

Nota. Se dice que un juego de dinero es legal o equitativo si E =0 y


desfavorable si E<0
Propiedades. Si X e Y son variables aleatorias, del mismo espacio muestral,
y k un nmero real
1) E(X +k)=E(X)+k
2) E(kX)= kE(X)
3) E(X +Y)= E(X)+E(Y) (la esperanza de la suma es la suma de las
esperanzas)
4. Varianza y desviacin estndar (o tpica)
Al igual que para las variables estadsticas la esperanza mide, en cierto
sentido, el valor promediode X. El concepto siguiente, el de la varianza, va
a medir la dispersin o distanciamiento de X, respecto de la media.
Definicin 5. Sea X una variable discreta que toma los valores, x1, x2, ......xn
con funcin de probabilidad f. Se llama varianza de X y se designa por
var(X) a:
=E(X2)-E(X)2
Es decir, la media de la variable al cuadrado menos el cuadrado de la media.
La desviacin estndar o tpica se define como la raz cuadrada de la
varianza.
Ejemplo 9. Consideremos la variable X que asigna la suma de dos nmeros
que se muestran en un par de dados. La distribucin de X es:
xi
f(xi
)

2
1/3
6

3
2/3
6
xi
2
3
4
5
6

4
3/3
6

5
4/3
6
f(xi)
1/36
2/36
3/36
4/36
5/36

6
5/3
6

7
6/3
6
xif(xi)
2/36
6/36
12/36
20/36
30/36

8
5/3
6

9
4/3
6
xi 2
4
9
16
25
36

10
3/3
6
xi2f(xi)
4/36
18/36
48/36
100/36
180/36

11
2/3
6

12
1/3
6

7
8
9
10
11
12

6/36
5/36
4/36
3/36
2/36
1/36
1

La varianza, Var (X)= E(X2)-E(X)2=

42/36
40/36
36/36
30/36
22/36
12/36
7

49
64
81
100
121
144

294/36
320/36
324/36
300/36
242/36
144/36
1974/36

=54,83-49=5,83

La desviacin tpica
Propiedades. Si X es una variable aleatoria y k un nmero real
1) Var(X +k)=Var(X)
2) Var(kX)=k2Var(X)
Consecuencia:

Observacin 1. Hay una interpretacin fsica de la media y la varianza.


Supngase que para cada punto xi sobre el eje X se coloca con una unidad
con masa f(xi). Entonces la media es el centro de gravedad y la varianza es
el momento de inercia del sistema.
Observacin 2. Muchas variables aleatorias dan origen a la misma
distribucin, de ah que se hable de la media y desviacin tpica de una
distribucin, en vez de una v.a.
5. Normalizacin o tipificacin de una variable aleatoria
Sea X una variable aleatoria con media, la variable aleatoria X* normalizada
que corresponde a X se define por:
Se verifica E(X*)=0y Var(X*)=1
6. Distribucin binomial
Partimos de una experiencia en la que slo consideramos dos sucesos A y su
contrario Ac. Sus probabilidades son P(A)= p y P(Ac)= q=1-p
El suceso A es el suceso favorable, se le suele llamar xito, al contrario
fracaso.
Si repetimos n veces la experiencia, y estamos interesados en e nmero de
xitos, la variable aleatoria X indicar stos y tomar los valores 0, 1, 2, ...n.
Se trata de una distribucin de probabilidad discreta, que se llama

distribucin binomial de parmetros n (n de repeticiones) y p 8probabilidad


del xito). Se designa B(n, p)
La probabilidad de obtener k xitos es p(X= k)=

pk qn-k

Ejemplo 10. Un jugador de tenis tiene una probabilidad de ganar una


partida de 0,25. Si juega 4 partidas, calcula la probabilidad de que gane mas
de la mitad.
Solucin
Es una binomial con n=4 y p=0,25, lo que piden es que calculemos
P(X=3)+P(X=4) donde:

P(X=3)=

, P(X=4)=

(terminarle)

Ejemplo 11. Una mquina fabrica tornillos y se ha comprobado que el 2% de


los mismos son defectuosos. Si se vende en paquetes de de 29, se pide:
a) Cul es la funcin de probabilidad de la variable aleatoria n de tornillos
defectuosos en un paquete?
b) Cul es la probabilidad de que al comprar un paquete haya en el mismo 2
defectuosos?
Solucin
a) Es una binomial de parmetros n = 20 y q = 0, 02.
Su funcin de probabilidad es p(X =k)=
b) P(X =2)=
PARMETROS

(0,02) (0,98)

20-k

(comprobarlo)

La media es
, la varianza
y la desviacin tpica
Observacin: Cuando n. p>5 se puede considerar que la distribucin es
normal (la vemos despus).
Ejemplo 12. La probabilidad de que en una empresa haya un empleado
enfermo es de 0,02. Sabiendo que hay 300 empleados hallar la esperanza
matemtica y la varianza de la distribucin correspondiente.
Solucin
Como se trata de una distribucin binomial de parmetros n= 300 y p= 0,02,
se verifica:
E(X)= n.p = 300.(0,02) =6, Var(X)= n.p.q= 300.(0,02).(0,98)= 5,88

Distribucin de probabilidades
Enviado por Ral Castro Vidal
Anuncios Google:
Gestin del Mantenimiento
Crea y Gestiona un plan de mantenimiento para tu empresa | www.seas.es
MBAs Politcnica Madrid
Mejor relacin calidad-precio MBA Internacional y MBA Tecnologas | www.ienpolitecnica.es
"Master Recursos Humanos"
Doble Titulacin Europea Becas hasta el 75%. Ultimas Plazas! | www.eude.es

1.

Resumen

2.
3.

Teora

4.

Aplicacin

5.

Conclusiones

6.

Bibliografa

RESUMEN
En este trabajo se realiza la aplicacin de las distribuciones discretas, para realizar el
clculo y anlisis correspondientes se ha tomado como datos algunos sucesos que ocurren
dentro del quehacer acadmico en los laboratorios de la FIEE de la UNAC, reportados por
el personal encargado.
1 INTRODUCCIN.
Una distribucin de probabilidad indica toda la gama de valores que pueden representarse
como resultado de un experimento. Una distribucin de probabilidad es similar al
distribucin de frecuencias relativas .Si embargo, en vez de describir el pasado, describe la
probabilidad 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.
Las decisiones estadsticas basadas en la estadstica inferencial son fundamentales en la
investigacin que son evaluadas en trminos de distribucin de probabilidades.
En el presente trabajo, se estudia de manera gil los diverso tipos de distribucin
probabilstica, caracterizaremos cada distribucin, la fundamentacin matemtica de los
diversos resultados no se enfocaran en el presente trabajo; slo me limitar al estudio
descriptivo de la distribucin de probabilidades discretas.
2 TEORIA
Qu es una distribucin de probabilidad?

Muestra todos los resultados posibles de un experimento y la probabilidad de cada


resultado.
Cmo generamos una distribucin de probabilidad?
Supongamos que se quiere saber el numero de caras que se obtienen al lanzar cuatro veces
una moneda al aire?
Es obvio que, el hecho de que la modena caiga de costado se descarta.
Los posibles resultados son: cero caras, una cara, dos caras, tres caras y cuatro caras.
Si realizamos el experimento obtenemos el siguiente espacio muestral:

NUMERO DE CARA
0
1
2
3
4

OBSERVACION
1.

La probabilidad de cada resultado especifico va desde cero hasta uno inclusive


2 VARIABLE ALEATORIA.-Cantidad que es resultado de un experimento y debido
al azar, puede tomar valores diferentes.
Variable aleatoria discreta:- Toma valores claramente separados, generalmente se
produce por conteo.
2.1Variable aleatoria continua:-Cantidades que toman infinitos valores, dentro
de un rango permitido, generndose una distribucin de probabilidades continuas.
2.2Media de una Distribucin de Probabilidades.-Valor promedio a largo
plazo de la variable aleatoria, tambin es conocido como valor esperado. Esta media
es un promedio ponderado, en el que los valores posibles se ponderan mediante sus
probabilidades correspondientes de ocurrencia, se calcula con la formula:

Donde P(X) es la probabilidad que puede tomar la variable aleatoria X.


2.3Varianza.- Mide el grado de dispersin de la distribucin de probabilidades,
siendo la formula:
...............................................(2)

Tambin se aplica la frmula:


................................................. (3)
Desviacin Estndar.-Es la raz cuadrad del varianza, luego:
..................................... (4)
3 DISTRIBUCIN DE LA PROBABILIDAD BINOMIAL
Esta distribucin es la que mejor se ajusta a la distribucin de probabilidades de
variable discreta.
Si lanzamos dos monedas al aire, se tiene el siguiente espacio maestral:

Si p es la probabilidad de obtener una cara(c) al considerar una sola moneda y q la


probabilidad de que salga sello(s); entonces p=q= ; luego:

Con el binomio de Newton deducimos lo siguiente:

(5)
Luego, la distribucin de probabilidad binimial esta dada por:
.. (6)
Donde:
p: Probabilidad de xito de cada ensayo.
n: Nmero de ensayos.
x: Nmero de exitos.
OBSERVACIN

(1)
(2)Si p=q=1/2, el histograma de las distribuciones binomiales son simtricas.

2.
3.

Si el experimento se repite r veces con n ensayos ; entonces se tiene:

. (7)
Luego se deduce que:
. (8)
3.1 MEDIA DE LA DISTRIBUCIN BINOMIAL
Esta dada por:
. (9)
3.2VARIANZA DE LA DISTRIBUCIN BINOMIAL
. (10)
4DISTRIBUCIN DE PROBABILIDAD ACUMULADA
Estos son similares a las distribuciones acumuladas, as aplicamos para las distribuciones
binomiales.

P(x<=2)=P(x=0)+P(x=1)+P(x=2)
5 DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA
Esta distribucin se aplica cuando el muestreo se realiza sin repeticin y la probabilidad de
xito no permanece constante de un ensayo a otros calcula mediante la frmula:

(12)
Donde:
N: Tamao de la poblacin
S: Cantidad de xitos en la poblacin

X: Nmero de xitos en la muestra.


n : Tamao de la muestra.
n>=0.05N
6 DISTRIBUCIN DE PROBABILIDAD DE POISSON
Describe la cantidad de veces que ocurre un evento en un intervalo determinado (tiempo,
volumen, temperatura, etc...).La distribucin se basa en dos supuestos:
1) La probabilidad es proporcional a la extensin del intervalo.
2) Los intervalos son independientes.
Esta distribucin es una forma lmite de la distribucin binomial,cuando la probabilidad de
xito es bien pequea y n es grande ,a esta distribucin se llama "Ley de eventos
improbables", lo cual significa que la probabilidad de p es bien pequea .La probabilidad de
Poisson es una probabilidad discreta; puesto que se forma por conteo
. (13)

(14)
Donde:
Media del nmero de ocurrencias.
: Constante de Euler.
x : Nmero de ocurrencias
6.1Media:-Esta dado por:

.
7 APLICACIN DE LA DISTRIBUCION DE PROBABILIDAD.
En el Laboratorio de Control y Automatizacin de la FIEE de la UNAC se tiene 16
computadoras, el Jefe de dicho laboratorio reporta el siguiente informe:

El jefe de laboratorio desea saber cual es la distribucin de probabilidad de falla de las


mquinas, para tomar acciones de mantenimiento.
N de

Distrib. Pr

mquina
1
2
3
4
5
6
7
8
9
10
11

12
13
14
15
16

7.1 CONCLUSIONES
El jefe del laboratorio, segn la distribucin de probabilidades que tienden a cero solo har
algunos ajustes.
8 APLICACION DE LA DISTRIBUSION BINOMIAL.
El almacenero del laboratorio de Ingeniera Electrnica reporta que de las treinta puntas de
prueba de osciloscopios el 20% estn malogradas, l desea saber la distribucin de
probabilidad de que estn malogradas 4 puntas de prueba.
Se aplica la frmula (6).
P(x=4) =0.13252245.
BIBLIOGRAFIA
1.

2.

Probabilidad y Estadistica para Ingenieria, William W, Douglas C, David M, CECSA,


1. Mexico 2005
Probabilidad, Elizabeth Meza,del Castillo, CONCYTEC, Lima Peru, 1984

Proporciones: intervalo de probabilidad


Distribucin para proporciones

12.4

Recuerda

Ejemplo

Distribucin
binomial

Aproximacin binomial normal

Tabla normal
N(0,1)

Intervalo de probabilidad para la proporcin muestral

Ejemplos