UNIVERSIDAD AUTONOMA DE BAJA CALIFORNIA

CITEC UNIDAD VALLE DE LAS PALMAS

PROBABILIDAD Y ESTADISTICA
TAREA 1: DISTRIBUCIONES DE PROBABILIDAD
ALUMNO: IBARRA MUNOZ LUIS GERARDO
MATRICULA: 290304
GRUPO 526
I.E.M. ERNESTO MONTANO PADILLA

Valle de las palmas, Tijuana, Baja California a 09 de Abril De 2014

INDICE
OBJETIVO.........................................................................................................................3
INTRODUCCION...............................................................................................................4
DISTRIBUCION UNIFORME DISCRETA.........................................................................5
DISTRIBUCION BINOMIAL..............................................................................................6
DISTRIBUCION DE POISSON.......................................................................................10
DISTRIBUCION EXPONENCIAL....................................................................................12
DISTRIBUCION NORMAL O DE GAUSS.......................................................................15
DISTRIBUCION HIPERGEOMETRICA..........................................................................17
CONCLUSIONES............................................................................................................19
REFERENCIAS...............................................................................................................20

OBJETIVO.
-

Que el estudiante comprenda los conceptos y las diferencias acerca de las

distribuciones de probabilidad.

Sera capaz de analizar los casos que se presenten y compararlos para poder
analizar la distribucin que mejor se ajuste a la necesidad.

Observar las aplicaciones de las distribuciones de probabilidad en ingeniera

mecnica.

INTRODUCCION.
Las distribuciones de probabilidad nos permiten analizar las probabilidades de que
un evento ocurra dadas las variables aleatorias y los factores que en ella influyen.
Cada evento nos muestra el comportamiento en intervalos de tiempo, en cantidad
de experimentos y lapsos de tiempo donde no ocurre nada pero si existe la
posibilidad entonces hay una probabilidad.
Para ello se analizaran las 6 distribuciones probabilsticas que nos ayudan a
estudiar mejor las variables que influyen en el acontecimiento de un evento para
inferir datos que ayuden a predecir y optimizar procesos o sucesos.
Cada una tiene un proceso distintivo y permite el anlisis para casos en especfico
sin embargo hay una relacin que poseen varias de ellas y ese ser parte del
estudio para reconocer las diferencias que existen entre ellas sin llegar a la
confusin por su similitud.

DISTRIBUCION UNIFORME DISCRETA.

La ms simple de todas las distribuciones de probabilidad discreta es una donde la
variable aleatoria toma cada uno de sus valores con una probabilidad idntica. Tal
distribucin de probabilidad se denomina distribucin uniforme discreta.
Si la variable aleatoria X toma los valores x1, x2,xk, con idnticas probabilidades,
entonces la distribucin uniforme discreta est dada por:
1
f ( x : k )= x=x 1, x 2, xk
k
Utilizamos la notacin f(x; k) en lugar de f(x) para indicar que la distribucin uniforme
depende del parmetro k.
Ejemplo 1 en la vida diaria.
Cuando se selecciona un foco al azar de una caja que contiene un foco de 40 watts,
uno de 60, uno de 75 y uno de 100, cada elemento del espacio muestral S = {40,60, 75,
100} ocurro con probabilidad . Por tanto, tenemos una distribucin uniforme, con:
1
f ( x ; 4 )= . x=40, 60,75, 100.
4
Ejemplo 2 en la vida diaria.
Cuando se lanza un dado, cada elemento del espacio muestral S = {1, 2, 3, 4, 5, 6}
ocurre con probabilidad 1/6. Por tanto, tenemos una distribucin uniforme, con:
1
f ( x ; 6 )= . x=1,2,3,4,5,6.
6
Ingeniera Mecnica.
La distribucin se aplica en factores que afecten el rendimiento de una mquina para
encontrar la probabilidad de falla con idnticas variables, tales como temperatura,
trabajo, etc.
Los procesos de una mquina que trabaja a la par con otras para satisfacer la
necesidad de un producto o un servicio en un determinado intervalo de tiempo.
La representacin grfica de la distribucin uniforme por medio de un histograma
siempre resulta ser un conjunto de rectngulos con alturas iguales.

DISTRIBUCION BINOMIAL.
Un experimento a menudo consiste en pruebas repetidas. Cada una con dos posibles
resultados que se pueden etiquetar como xito o fracaso. La aplicacin ms obvia tiene
que ver con la prueba de artculos a medida que salen de una lnea de montaje, donde
cada prueba o experimento puede indicar si un artculo esta defectuoso o no. Podemos
elegir definir cualquiera de los resultados como xito. Se puede considerar la extraccin
sucesiva de cartas de una baraja ordinaria y cada baraja se etiqueta como xito o
fracaso, dependiendo de si la carta es de corazones o no. Si cada carta se reemplaza y
el paquete se baraja antes de la siguiente extraccin, los dos experimentos recin
descritos tienen propiedades similares, pues los ensayos que se repiten son
independientes y la probabilidad de xito permanece constante entre cada uno de ellos.
El proceso se denomina proceso de Bernoulli. Cada ensayo se llama experimento de
Bernoulli. Observe en el ejemplo de extraccin de cartas que las probabilidades de
xito para los ensayos que se repiten cambian si las cartas no se reemplazan. Es decir,
la probabilidad de seleccionar una carta de corazones en la primera extraccin es 1/4,
pero la segunda es una probabilidad condicional que tiene un valor de 13/51 o 12/51, lo
cual depende de si aparece una de corazones en la primera extraccin; este, entonces,
ya no se considera como un experimento de Bernoulli.
Proceso de Bernoulli.
S si habla con exactitud, el proceso de Bernoulli debe tener las siguientes
propiedades:
1- El experimento consiste en n pruebas que se repiten.
2- Cada prueba produce un resultado que se puede clasificar como xito o fracaso.
3- La probabilidad de un xito, que se denota con p, permanece constante en cada
prueba.
4- Las pruebas que se repiten son independientes.

Considere el conjunto de experimentos de Bernoulli en el que se seleccionan tres

artculos al azar de un proceso de ensamblaje, se inspeccionan y se clasifican como
defectuoso y no defectuoso. Un artculo defectuoso se designa como un xito. El
nmero de xitos es una variable aleatoria X que toma valores integrales de 0 a 3. Los
ocho resultados posibles y los valores correspondientes de X son:

RESULTADO
NNN
NDN
NND
DNN
NDD
DND
DDN

X
0
1
1
1
2
2
2

DDD

Como los artculos se seleccionan de forma independientes de un proceso que

supondremos produce 25% de artculos defectuosos.
P ( NDN )=P ( N ) P ( D ) P ( N )=

( 34 )( 14 )( 34 )= 649 .

Clculos similares dan las probabilidades para los dems resultados posibles. La
distribucin de probabilidad de X es por tanto:
X
F(X)

0
27/64

1
27/64

2
9/64

3
1/64

El nmero X de xitos en N experimentos de Bernoulli se denomina variable aleatoria

binomial. La distribucin de probabilidad de esta variable aleatoria discreta se llama
distribucin binomial, y sus valores se denotaran como b(x; n, p), pues depende del
nmero de pruebas y de la probabilidad de xito en una prueba dada. De esta forma,
para la distribucin de probabilidad X, el nmero de defectuosos es:

P ( X=2 ) =F ( 2 )=b 2 ;3,

1
9
= .
4 64

Generalicemos ahora la ilustracin anterior para obtener una frmula para b(x; n, p). Es
decir, debemos encontrar una frmula que de la probabilidad de X xitos en N pruebas
para un experimento binomial. Primero, considere la probabilidad de X xitos y N-X
fracasos en un orden especfico. Como las pruebas son independientes, podemos
multiplicar todas las probabilidades que corresponden a los diferentes resultados. Cada
xito ocurre con probabilidad P y cada fracaso con probabilidad q=1-p. Por tanto, la
x
n x
probabilidad para el orden especfico es ( p ) ( q ) . Debemos determinar ahora el
total de nmero total de puntos mustrales en el experimento que tiene X xitos y n-x
fracasos. Este nmero es igual al nmero de particiones de N resultados en dos grupos

con X en un grupo y n-x en otro y se escribe

(nx)

. Como estas particiones son

mutuamente excluyentes, sumamos las probabilidades de todas las diferentes

x n x
particiones para obtener la formula general o simplemente multiplicamos p q
por
n
x
Un experimento de Bernoulli puede tener como resultado un xito con probabilidad P y
un fracaso con probabilidad q=1-p, entonces la distribucin de probabilidad de la
variable aleatoria binomial X, el nmero de xitos en N pruebas independientes, es:

()

b ( x ; n , p )= n p x q nx , x=0,1,2, , n .
x
Ntese que cuando n=3 y p=1/4, la distribucin de probabilidad de X, el nmero de
defectuosos, se puede escribir como

b x ; 3,

1
1
=3
4
x 4

3
4

3 x

) ( )( ) ( )

, x=0,1,2,3

En lugar de la forma tabular anterior.

Ejemplo 1 de la vida diaria.
La probabilidad de que cierta clase de componentes sobreviva a una prueba de choque
dada es . Encuentre la probabilidad de que sobrevivan exactamente dos de los
siguientes cuatro componentes que se prueben.
Suponga que las pruebas son independientes y como p=3/4 para cada una de las
cuatro pruebas, obtenemos:
3
4 3
b 2; 4, =
4
2 4

4!
32
1 2 2 ! 2!
27
=
=
4
4
128
4

) ( )( ) ( )

La distribucin binomial deriva su nombre del hecho de que los n+1 trminos en la
expansin binomial de (q+p) ^n corresponden a los diversos valores de b(x; n, p) para
x=0, 1, 2,, n. Es decir,

() ()

()

()

n
( q+ p ) = n q n + n p qn1 + n p2 q n2 ++ n pn=b ( 0; n , p ) +b ( 1 ; n , p )+ b ( 2; n , p ) ++ b ( n ; n . p ) .
0
1
2
n

Como p+q=1 vemos que:

b ( x ; n , p )=1
x=0

Condicin que debe ser vlida para cualquier distribucin de probabilidad. Con
frecuencia, nos interesamos en problemas donde se necesita encontrar P(X<r) o
P(a<=X<=b). Por fortuna, disponemos de las sumas binomiales:
r

B ( r ; n , p )= b ( x ; n , p )
x=0

Ejemplo 2 de la vida diaria.

La probabilidad de que un paciente se recupere de una rara enfermedad sangunea es
0.4. Si se sabe que 15 personas contraen esta enfermedad Cul es la probabilidad de
que sobrevivan menos al menos 10? Sobrevivan de 3 a 8 y sobrevivan exactamente
5?
Sea X el nmero de personas que sobrevivan.
9

a)

P ( X 10 ) =1P ( X <10 )=1 b ( x ;15,0.4 )=10.9662=0.0338

k=0

b)
8

X =3

x=0

3 X 8= b ( x ; 15,0.4 )= b ( x ; 15 :0.4 ) b ( x ; 15,0.4 )=0.90500.0271=0.8779 .

x=0

c)

x=0

x=0

P ( X=5 ) =B ( 5 ; 15,0.4 )= b ( x ; 15,0.4 ) b ( x ; 15,0.4 )=0.40320.2173=0.1859

Ingeniera Mecnica.
La distribucin analiza eventos que tienen la probabilidad de fracaso y no fracaso, se
aplica en materiales que indique el porcentaje de durabilidad, resistencia, trabajo, etc.
En componentes que forman la mquina.
Se utiliza en factores probabilsticos de mquinas herramienta, al maquinar piezas que
conformen una estructura y se analice las probabilidades de xito en su composicin.

DISTRIBUCION DE POISSON.
Los experimentos que dan valores numricos de una variable aleatoria X, el nmero de
resultados que ocurren durante un intervalo dado o en una regin especfica, se llaman
experimentos de Poisson.
Propiedades del proceso de Poisson:
1- El nmero de resultados que ocurren en un intervalo o regin especifica es
independiente del nmero que ocurre en cualquier otro intervalo o regin del
espacio disjunto. De esta forma vemos que el proceso de Poisson no tiene
memoria.
2- La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o
en una regin muy 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 o regin.
3- La probabilidad de que ocurra ms de un resultado en tal intervalo cort o que
caiga en tal regin pequea es insignificante.
El numero X de resultados que ocurren durante un experimento de Poisson se llama
variable aleatoria de Poisson y su distribucin de probabilidad se llama distribucin
de Poisson.
La distribucin de probabilidad de la variable aleatoria de Poisson X, que representa el
nmero de resultados que ocurren en un intervalo dado o regin especifica que se
denota con t, es:
p ( x ; t )=
Donde

e t ( t )x
, x=0,1,2, ,
x!
es el numero promedio de resultados por unidad de tiempo o regin y

e=2.71828
Ejemplo 1 de la vida diaria.
Durante un experimento de laboratorio el nmero promedio de partculas radioactivas
que pasan a travs de un contador en un milisegundo es cuatro. Cul es la
probabilidad de que seis partculas entren al contador en un milisegundo dado?
Al usar la distribucin de Poisson con x=6 y
6

p ( 6; 4 )=

t=4 , encontramos en la tabla A2 que:

e4 46
= p ( x ; 4 ) p ( x ; 4 )=0.88930.7851=0.1042 .
6!
x=0
x=0

10

11

Ejemplo 2 de la vida diaria.

El nmero promedio de camiones tanque que llega cada da a cierta ciudad portuaria
es 10. Las instalaciones en el puerto pueden manejar a lo ms 15 camiones tanque por
da. Cul es la probabilidad de que en un da dado los camiones se tengan que
regresar?
Sea X el nmero de camiones tanque que llegan cada da. Entonces, con el uso de la
tabla A2, tenemos:
15

P ( X >5 )=1P ( X 15 )=1 p ( x ; 10 ) =10.9513=0.0487

x=0

Ingeniera Mecnica.
En la fabricacin de neumticos se analizan variables de durabilidad en cierto intervalo
de tiempo. Dichas variables son influenciadas por factores encontrados en el medio
ambiente junto con factores climticos.
Una forma maximizar el rendimiento de sistema es llevando a cabo un estudio que nos
indique la razn de tiempo que produce con el trabajo que realiza, por ejemplo, se tiene
una produccin de 30 botellas de agua en 15 minutos, esta distribucin analizara los
factores que afecten el rendimiento de produccin.
Como la distribucin binomial, la distribucin de Poisson se utiliza para control de
calidad, seguro de calidad y muestreo de aceptacin. Adems, ciertas distribuciones
continuas importantes que se usan en la teora de confiabilidad y teoras de colas
dependen del proceso de Poisson.

12

DISTRIBUCION EXPONENCIAL.
Es una distribucin continua que algunas veces se utiliza para modelar el tiempo que
transcurre antes de que ocurra un evento. A menudo, a aquel se le llama tiempo de
espera. En algunas ocasiones la distribucin exponencial se utiliza para modelar el
tiempo de vida de un componente. Asimismo, hay una relacin cercana entre la
distribucin exponencial y la distribucin de Poisson.
La funcin de densidad de probabilidad de la distribucin exponencial tiene un
cuyo valor determina la
parmetro, que representa una constante positiva
localizacin y forma de la funcin.
La funcin de densidad de probabilidad de la distribucin exponencial con parmetro
>0 es
f ( x )={

ex x >0
0 x0

Relacin con el proceso de Poisson.

Las aplicaciones ms importantes de la distribucin exponencial son situaciones donde
se aplica el proceso de Poisson. El proceso de Poisson permite el uso de la distribucin
discreta llamada distribucin de Poisson. La distribucin de Poisson se utiliza para
calcular la probabilidad de nmeros especficos de eventos durante un periodo o
espacio particular.
Se desarrolla la distribucin de Poisson como una distribucin de un solo parmetro
con parmetro , donde se puede interpretar como el nmero medio de
eventos por unidad de tiempo. Considrese ahora la variable aleatoria descrita por el
tiempo que se requiere para que ocurra el primer evento. Con el uso de la distribucin
de Poisson, encontramos que la probabilidad de que no ocurra algn evento, en el
periodo hasta el tiempo t esta dada por:
et ( t )0 t
p ( 0; t )=
=e .
0!
Podemos ahora utilizar lo anterior y hacer que X sea el tiempo para el primer evento de
Poisson. La probabilidad de que la duracin del tiempo hasta el primer evento exceda X
es la misma que la probabilidad de que no ocurra algn evento de Poisson en X. Esto
t
ltimo, por supuesto, est dado por e .
As la funcin de distribucin acumulada para X est dada por:

13

P ( 0 X x ) =1e x
Ahora bien, a fin de que reconozcamos la presencia de la distribucin exponencial,
podemos diferenciar la funcin de distribucin acumulada anterior para obtener la
funcin densidad
f ( x )= ex
Que es la funcin de densidad de la distribucin exponencial con

=1/

Aplicaciones de la distribucin exponencial.

En lo anteriormente mencionado proporcionamos las bases para la aplicacin de la
distribucin exponencial en el tiempo de llegada o tiempo para problemas de eventos
de Poisson.
Ntese que la media de la distribucin exponencial es el parmetro

, el reciproco

del parmetro en la distribucin de Poisson. Con frecuencia se dice que la distribucin

de Poisson no tiene memoria, lo que implica que las ocurrencias en periodos sucesivos
son independientes. El parmetro importante es el tiempo medido entre eventos.
En teora de confiabilidad, donde la falla de equipo a medida se ajusta a este proceso
de Poisson, se llama tiempo medido entre fallas. Muchas descomposturas de
equipo siguen el proceso de Poisson, y por ello se aplica la distribucin exponencial.
Otras aplicaciones incluyen tiempo de sobrevivencia en experimentos biomdicos y
tiempo de respuesta de computadoras.
Ejemplo 1 de la vida diaria.
Suponga que un sistema contiene cierto tipo de componentes cuyos tiempos de falla en
anos est dado por T . La variable aleatoria T se modela bien mediante la
distribucin exponencial con tiempo medio para la falla

=5 . Si se instalan cinco de

estos componentes en diferentes sistemas, Cul es la probabilidad de que al menos

dos aun funcionen al final de ocho aos?
La probabilidad de que un componente dado an funcione despus de ocho aos est
dada por

1
P (T >8 ) = e 5 dt=e 5 =0.2
5 8
Represntese con X el nmero de componentes que funcionan despus de ocho aos.
Entonces con el uso de la distribucin binomial
14

x=2

x=0

P ( X 2 )= b ( x ; 5,0.2 )=1 b ( x ; b , 0.2 )=10.7373=0.2627

15

Ingeniera Mecnica.
La distribucin exponencial nos dice que no importa el tiempo transcurrido
anteriormente al sucedo por lo tanto es posible analizar la probabilidad de que un
material pueda tener el mismo rendimiento en determinados intervalos de tiempo con
diferentes caractersticas en cada suceso.
En prtesis corporales, como, de brazo, pierna, corazn (marcapasos) se mide el
tiempo de duracin que ofrecen al paciente y as encontrar la razn de tiempo que nos
indique el posible fallo.

16

DISTRIBUCION NORMAL O DE GAUSS.

Es la distribucin continua ms importante en todo el campo de la estadstica. Su
grfica, que se denomina curva normal, es la curva con forma de campana, la cual
describe aproximadamente muchos fenmenos que ocurren en la naturaleza, la
industria y la investigacin. Las mediciones fsicas en reas como los experimentos
meteorolgicos, estudios de lluvia y mediciones de partes fabricadas a menudo se
explican ms que adecuadamente con una distribucin normal. Adems, los errores en
las mediciones cientficas se aproximan extremadamente bien mediante una
distribucin normal.
Una variable aleatoria continua X que tiene la distribucin en forma de campana se
llama variable aleatoria normal. La ecuacin matemtica para la distribucin de
probabilidad de la variable normal depende de los dos parmetros y , su
media y desviacin estndar. De aqu, denotamos los valores de la densidad de X con
n(x; ,).
La funcin de densidad de la variable aleatoria normal X, con media

y varianza

2 , es:
( ) {
1
n ( x ; , )=
e 2
2
1

} ,< x < ,

Donde =3.14159 y e=2.71828

Lo anterior se deduce como:

Z=

Propiedades de la curva normal.

1- La moda, que es el punto sobre el eje horizontal donde la curva es un mximo,
ocurre en x=
2- La curva es simtrica alrededor de un eje vertical a travs de la media
3- La curva tiene sus puntos de inflexin en

x= , es cncava hacia abajo si

< X < + , es cncava hacia arriba en cualquier otro punto.

4- La curva normal se aproxima al eje horizontal de manera asinttica conforme
nos alejamos de la media en cualquier direccin.
5- El rea total bajo la curva y sobre el eje horizontal es igual a 1.
17

Aplicaciones de la distribucin normal.

Ejemplo 1 de la vida diaria.
Cierto tipo de batera de almacenamiento dura, en promedio, 3 aos, con una
desviacin estndar de 0.5 aos. Suponga que las duraciones de la batera se
distribuyen normalmente, encuentre la probabilidad de que una batera dada dure
menos de 2.3 aos.
Se construye un diagrama que muestre la distribucin dada de las duraciones de la
batera y el rea que se desea. Para encontrar la P(X<2.3), necesitamos evaluar el
rea bajo la curva normal a la izquierda de 2.3. Esto se logra al encontrar el rea a la
izquierda del valor x correspondiente, de aqu encontramos que:
z=

2.33
=1.4
0.5

Y entonces con el uso de la tabla A3 tenemos

P ( X <2.3 )=P ( Z<1.4 )=0.0808
Ejemplo 2 de la vida diaria.
Una empresa elctrica fabrica focos que tienen una duracin, antes de fundirse, que se
distribuye normalmente con media igual a 800 horas y una desviacin estndar de 40
horas. Encuentre la probabilidad de que un foco se funda entre 778 y 834 horas
Los valores

que corresponden a
z 1=

x 1=778

778800
=0.55 Y
40

x 2=834

z 2=

son

834800
=0.85
40

De aqu:
P (778< X <834 )=P (0.55< Z <0.85 ) =P ( Z <0.85 )P ( Z<0.55 ) =0.80230.2912=0.5111
Ingeniera Mecnica.
Esta distribucin es la ms verstil porque analiza todas las variables con todos los
factores correspondientes y se toma la misma probabilidad para ellas. Con esto se
obtiene la probabilidad de que un cohete despegue en el mismo intervalo de tiempo
todas las veces posibles, sin cambiar sus caractersticas.
Si cambiamos sus caractersticas el factor principal que se alterara seria el tiempo pero
las variables aleatorias que incluyen en el serian tomando la misma probabilidad
porque se cambian conjuntamente.
18

19

DISTRIBUCION HIPERGEOMETRICA.
La manera ms simple de ver la diferencia entre la distribucin binomial y la distribucin
hipergeometrica est en la forma en que se realiza el muestreo. Los tipos de
aplicaciones de la distribucin hipergeometrica son muy similares a los de la binomial.
Nos interesamos en el clculo de probabilidades para el nmero de observaciones que
caen en una categora particular. Pero en el caso de la binomial, se requiere la
independencia entre las pruebas. Como resultado, si se aplica la binomial a, digamos,
tomar muestras de un lote de artculos, el muestreo se debe efectuar con reemplazo de
cada artculo despus de que se observe. Por otro lado, la distribucin hipergeometrica
no requiere independencia y se basa en el muestreo que se realiza sin reemplazo.
Las aplicaciones de la distribucin hipergeometrica se encuentran en muchas reas,
con gran uso en muestreo de aceptacin, pruebas electrnicas y garantas de calidad.
Obviamente, para muchos de estos campos el muestreo se realiza a expensas de
artculo que se prueba. Es decir, el artculo se destruye y por ello no se puede
reemplazar en la muestra. As, el muestreo sin reemplazo es necesario.
La distribucin de probabilidad de la variable aleatoria hipergeometrica X, el nmero de
xitos en una muestra aleatoria de tamao n que se selecciona de N artculos de los
que K se denomina xito y N-K fracaso, es
k Nk
(
x )( nx )
h ( N ; n , k )=
, x=0,1,2, , n.
N
( n)
Ejemplo 1 de la vida diaria.
Lotes de 40 componentes cada uno se denominan aceptables si no contienen ms de
tres defectuosos. El procedimiento para muestrear el lote es la seleccin de cinco
componentes al azar y rechazar el lote si se encuentra un componente defectuoso.
Cul es la probabilidad de que se encuentre exactamente un defectuoso en la
muestra si hay tres defectuosos en todo el lote?
Si se utiliza la distribucin hipergeometrica con n=5, N=40, k=3 y x=1 encontramos que
la probabilidad de obtener un defectuoso es
3 37
(
1)( 4 )
h ( 1; 40,5,3 )=
=0.3011
40
(5)
Su media y desviacin estndar est dada por:
20

=np

2=np(1 p)(

Nn
)
N1

21

Ejemplo 2 de la vida diaria.

De 50 edificios en un parque industrial, 12 no cumplen con el cdigo elctrico. Si se
seleccionan aleatoriamente diez edificios para inspeccionarlos, Cul es la probabilidad
de que exactamente tres de los diez no cumplan el cdigo?
Sea X el nmero de edificios seleccionados que violan el cdigo. Entonces X
H (50, 12, 10). Se debe determinar P(X=3).
12 38
(
3 )( 7 ) ( 220 ) ( 12 620256 )
P ( X=3 )=
=
=0.2703
10 272 278170
50
(10)
Ingeniera Mecnica.
La distribucin hipergeometrica analiza los casos de control de calidad, es muy
aplicada en procesos que requieran una estricta calidad en cuanto a sus productos.
Todo proceso mecnico est controlado por variables que influyen indirectamente en el
producto que produce, por ejemplo, una lnea de produccin opera con maquinaria que
est construida por un conjunto de partes que a su vez forman la estructura que
termina el producto final, en este caso, gaseosas.

22

CONCLUSIONES.
Las distribuciones de probabilidad estudiadas anteriormente son muy aplicadas en la
vida diaria, en ramas de ingeniera y estudios cientficos.
La distribucin normal tambin llama de Gauss es la ms aplicada en el ramo de la
estadstica ya que permite analizar infinidad de variables con una alta confiabilidad.
La distribucin binomial va de la mano de la llama distribucin de Gauss porque
analizan casos de variables que se llevan a cabo sin reemplazo. La distribucin
binomial analiza experimentos y solo tenemos dos posibles resultados que se clasifican
como xito y/o fracaso y sus probabilidades con independientes.
La distribucin hipergeometrica difiere con la binomial en cuanto a su tcnica de
muestreo, mientras que en la binomial las pruebas son independientes y existe
reemplazo en la hipergeometrica sus pruebas no son independientes y la muestra ya
no se puede reemplazar porque se destruye en el experimento. Ambas analizan el
clculo de probabilidades que puede adquirir una variable que cae en una categora
especfica.
Por otro lado, la distribucin exponencial se utiliza para probabilidades de variables que
ocurren en un determinado tiempo de espera, por ejemplo, en fenmenos
meteorolgicos. Su probabilidad no depende el tiempo transcurrido anteriormente.
La distribucin de Poisson se liga con la distribucin exponencial ya que nos describe
la cantidad de veces que ocurre un fenmeno en un determinado intervalo de tiempo.
Mientras que en la distribucin exponencial analiza el tiempo que ocurre hasta que se
produce un suceso.
En el caso de la distribucin uniforme, es la ms sencilla y simple, y su variable
aleatoria puede tomar cualquier valor con idntica probabilidad lo que nos indica que
entre todos los factores siempre se manejara la misma probabilidad para todos.
En efecto, todas las distribuciones son muy tiles para
variables, de acuerdo a los experimentos que se susciten
Conocerlas y conocer sus efectos es muy importante para
estudios ms especializados que puedan tener

analizar distintos tipos de

podemos elegir una u otra.
las actividades cotidianas y
una repercusin global.

23

24

REFERENCIAS.

Walpole, R., Myers, R., Myers, S. (1999). Probabilidad y estadstica para

ingenieros
(6ta
ed.).
Mxico:
Prentice
Hall
Hispanoamericana.

Navidi, W. (2006). Estadstica para ingenieros y cientficos. Mxico: McGrawHill/Interamericana Editores S.A. de C.V.

25