REPBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA DEFENSA

UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA
DE LA FUERZA ARMADA NACIONAL
UNEFA
NCLEO MIRANDA SEDE LOS TEQUES

PROBABILIDADES Y ESTADISTICAS
(DISTRIBUCIN DE PROBABILIDAD)

INTEGRANTES:

RICARDO MARTNEZ

C.I: V-21.468.577

GABRIEL RODRIGUEZ

C.I: V-21.470.323

CAMILO HERRERA

C.I: V-21.469.925

KEYSI SAYAGO

C.I: V-21.407.927

LOS TEQUES, 20 DE MAYO DEL 2013

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.

DISTRIBUCIN DE PROBABILIDAD

La distribucin de probabilidad nace con el deseo del hombre de conocer con

certeza los eventos futuros. Es por ello que el estudio de probabilidades surge
como una herramienta utilizada por los nobles para ganar en los juegos y
pasatiempos de la poca. El desarrollo de estas herramientas fue asignado a los
matemticos de la corte.

Con el tiempo estas tcnicas matemticas se perfeccionaron y encontraron

otros usos muy diferentes para la que fueron creadas. Actualmente se contino
con el estudio de nuevas metodologas que permitan maximizar el uso de la
computacin en el estudio de las probabilidades disminuyendo, de este modo, los
mrgenes de error en los clculos.

A travs de la historia se han desarrollado tres enfoques conceptuales

diferentes para definir la probabilidad y determinar los valores de probabilidad:

El enfoque clsico: Dice que si hay x posibles resultados favorables a la

ocurrencia de un evento A y z posibles resultados desfavorables a la ocurrencia
de A, y todos los resultados son igualmente posibles y mutuamente
excluyentes (no pueden ocurrir los dos al mismo tiempo).
El enfoque clsico de la probabilidad se basa en la suposicin de que cada
resultado sea igualmente posible. Este enfoque es llamado enfoque a priori
porque permite, (en caso de que pueda aplicarse) calcular el valor de

probabilidad antes de observar cualquier evento de muestra.

El enfoque de frecuencia relativa: Las distribuciones de probabilidad estn
relacionadas con las distribuciones de frecuencias. Una distribucin de
frecuencias terica es una distribucin de probabilidades que describe la forma
en que se espera que varen los resultados.

Debido a que estas distribuciones tratan sobre expectativas de que algo

suceda, resultan ser modelos tiles para hacer inferencias y para tomar
decisiones en condiciones de incertidumbre.

Tambin llamado Enfoque Emprico, determina la probabilidad sobre la base

de la proporcin de veces que ocurre un evento favorable en un nmero de

observaciones. En este enfoque no ese utiliza la suposicin previa de

aleatoriedad. Porque la determinacin de los valores de probabilidad se basa
en la observacin y recopilacin de datos.

El enfoque subjetivo: Dice que la probabilidad de ocurrencia de un evento

es el grado de creencia por parte de un individuo de que un evento ocurra,
basado en toda la evidencia a su disposicin. Bajo esta premisa se puede decir
que este enfoque es adecuado cuando solo hay una oportunidad de ocurrencia
del evento. Es decir, que el evento ocurrir o no ocurrir esa sola vez. El valor
de probabilidad bajo este enfoque es un juicio personal.

Las distribuciones de probabilidad pueden basarse en consideraciones

tericas o en una estimacin subjetiva de la posibilidad. Se pueden basar
tambin en la experiencia.

PARA UNA VARIABLE ALEATORIA

Una distribucin de probabilidad para una variable aleatoria discreta es un

listado mutuamente excluyente de todos los resultados posibles para esa variable
aleatoria, tal que una probabilidad particular de ocurrencia est asociada con cada
resultado.

Las variables aleatorias permiten definir la probabilidad como una funcin

numrica (de variable real) en lugar de como una funcin de un conjunto dado.
Una variable aleatoria es un valor numrico que corresponde al resultado de un
experimento aleatorio, como nmero de carros que pasan por una avenida en un

tiempo determinado, el nmero de caras que se obtienen al lanzar x veces una

moneda, el nmero de mensajes que recibe un telfono en una hora etc.

Las variables son atributos, cualidades, caractersticas observables que poseen

las personas, objetos, instituciones que expresan magnitudes que varan
discretamente o en forma continua.

Establecer la probabilidad de ocurrencia de un evento dado mediante la

estimacin de un valor esperado de una variable discreta usando
Distribucin Binomial y Poisson.

Establecer la probabilidad de ocurrencia de un evento dado mediante la

estimacin del valor esperado de una Variable continua las Distribuciones:
Normal, Gamma,T Student y Chi Cuadrado.

VARIABLES:

Es un smbolo que representa un elemento o cosa no especificada de un

conjunto dado. Dicho conjunto es llamado conjunto universal de la variable,
universo o variar de la variable, y cada elemento del conjunto es un valor de la
variable. Sea x una variable cuyo universo es el conjunto {2,4,6,8,10,12,14};
entonces x puede tener cualquiera de esos valores: 2,4,6,8,10,12,14. En otras
palabras x puede reemplazarse por cualquier entero positivo par menor que 15.
Por esta razn, a menudo se dice que una variable es un reemplazo de cualquier
elemento de su universo.

En otras palabras se puede decir que una variable es un elemento que es

susceptible de adquirir cualquier valor dentro de su universo. Normalmente esta

representada por x o y.

El universo de valores que puede adquirir una variable puede definirse dentro
de un rango o estar limitados por ciertas condiciones de pertenencia.
De acuerdo con esto las variables pueden clasificarse en:

Variables Cualitativas: Son aquellas que solo pueden adquirir valores

nominales y expresan caractersticas o cualidades, en otras palabras se puede
decir que se refieren a caractersticas o cualidades que no pueden ser medidas
con nmeros. Podemos distinguir dos tipos:

Variable cualitativa nominal: Una variable cualitativa nominal presenta

modalidades no numricas que no admiten un criterio de orden. Por ejemplo:
El estado civil, con las siguientes modalidades: soltero, casado, separado,
divorciado y viudo.

Variable cualitativa ordinal o variable cuasicuantitativa: Una variable

cualitativa ordinal presenta modalidades no numricas, en las que existe un
orden. Por ejemplo: La nota en un examen: suspenso, aprobado, notable,
sobresaliente, puesto conseguido en una prueba deportiva: 1, 2, 3
medallas de una prueba deportiva: oro, plata, bronce.

Variables Cuantitativas: Una variable cuantitativa es la que se expresa

mediante nmeros, por lo tanto pueden realizarse operaciones aritmticas con
ella. Por ejemplo: nmero de hijos, edad, volumen de un lquido, resistencia de
un material.

La variable cuantitativa a su vez se divide en: discretas y continuas.

Variables Cuantitativas Discretas: Son aquellas que presentan separaciones

o interrupciones en la escala de valores que puede tomar. Estas separaciones
o interrupciones indican la ausencia de valores entre los distintos valores
especficos que la variable pueda asumir. Por ejemplo: edad, nmero de
alumnos en un saln, nmero de hijos, ciudades de un pais etc.

Variables Cuantitativas Continuas: Son aquellas que pueden adquirir

cualquier valor dentro de un intervalo especfico de valores. Por ejemplo: peso
de una persona, consumo elctrico, estatura de una persona, consumo
electrico etc.

Variables aleatorias: Una variable es aleatoria si su valor est determinado

por el azar. En gran nmero de experimentos aleatorios es necesario, para su
tratamiento matemtico, cuantificar los resultados de modo que se asigne un
nmero real a cada uno de los resultados posibles del experimento.

De este modo se establece una relacin funcional entre elementos del espacio
muestral asociado al experimento y nmeros reales.

En probabilidad y estadstica, una variable aleatoria o variable estocstica es

una variable cuyos valores se obtienen de mediciones en algn tipo de
experimento aleatorio. Formalmente, una variable aleatoria es una funcin, que
asigna eventos (p.e., los posibles resultados de tirar un dado dos veces: (1, 1), (1,
2), etc.) a nmeros reales (p.e., su suma).

Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento an no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de
medicin incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo pero puede tomar diferentes
valores; una distribucin de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores.

Las variables aleatorias suelen tomar valores reales, pero se pueden

considerar valores aleatorios como valores lgicos, funciones... El trmino
elemento aleatorio se utiliza para englobar todo ese tipo de conceptos
relacionados. Un concepto relacionado es el de proceso estocstico, un conjunto
de variables aleatorias ordenadas (habitualmente por orden o tiempo).

Tipos de Variables Aleatorias: Para comprender de una manera ms amplia y

rigurosa los tipos de variables, es necesario conocer la definicin de conjunto
discreto. Un conjunto es discreto si est formado por un nmero finito de
elementos, o si sus elementos se pueden enumerar en secuencia de modo que
haya un primer elemento, un segundo elemento, un tercer elemento, y as
sucesivamente.

Variable aleatoria discreta: La variable aleatoria X se dice que es discreta si

los nmeros asignados a los sucesos elementales de E son puntos aislados.
Sus posibles valores constituyen un conjunto finito o infinito numerable.

Por ejemplo, supongamos el experimento consistente en lanzar tres veces

una moneda no trucada; si consideramos la variable aleatoria X=nmero de
caras obtenidas en los tres lanzamientos, los valores que puede tomar esta
variable aleatoria son finitos (0,1,2,3).

Variable aleatoria contina: La variable aleatoria X ser continua si los

valores asignados pueden ser cualesquiera, dentro de ciertos intervalos, es
decir, puede tomar cualquier valor de R. Por ejemplo, si consideramos el
experimento aleatoria consistente en medir el nivel de agua en un embalse y
tomamos la variable aleatoria X=nivel de agua, esta puede tomar valores
entre 0 y ms infinito.

Variables Independientes: Son las que el investigador escoge para

establecer agrupaciones en el estudio, clasificando intrnsecamente a los casos
del mismo. Un tipo especial son las variables de control, que modifican al resto
de las variables independientes y que de no tenerse en cuenta adecuadamente
pueden alterar los resultados por medio de un sesgo.

Es aquella caracterstica o propiedad que se supone ser la causa del

fenmeno estudiado. En investigacin experimental se llama as a la variable
que el investigador manipula.

Variables Dependientes: es afectada por los cambios que ocurren en otra

variable. La dependencia de una variable respecto a otra, es la que explica las
relaciones de causalidad entre dos o ms variables involucradas en el
problema de estudio.

Funcin de probabilidad de una Variable Aleatoria: La relacin entre los

sucesos del espacio muestral y el valor numrico que se les asigna se
establece a travs de variable aleatoria. Una variable aleatoria es una funcin
que asigna un valor numrico a cada suceso elemental del espacio muestral.

La funcin de densidad de probabilidad (FDP) o, simplemente, funcin de

densidad, representada comnmente como f(x), se utiliza con el propsito de
conocer cmo se distribuyen las probabilidades de un suceso o evento, en
relacin al resultado del suceso.

La FDP es la derivada (ordinaria o en el sentido de las distribuciones) de la

funcin de distribucin de probabilidadF(x), o de manera inversa, la funcin de
distribucin es la integral de la funcin de densidad:

La funcin de densidad de una variable aleatoria determina la concentracin de

probabilidad alrededor de los valores de una variable aleatoria continua.

La funcin de densidad o la distribucin de probabilidad de una variable

aleatoria contienen exhaustivamente toda la informacin sobre la variable. Sin
embargo resulta conveniente resumir sus caractersticas principales con unos
cuantos valores numricos. Estos son, fundamentalmente la esperanza y la
varianza.

La esperanza matemtica (o simplemente esperanza) o valor esperado de una

variable aleatoria es la suma del producto de la probabilidad de cada suceso por el

valor de dicho suceso.

Si todos los sucesos son de igual probabilidad la esperanza es la media

aritmtica.

Para una variable aleatoria discreta con valores posibles y sus probabilidades
representadas por la funcin de probabilidadp(xi) la esperanza se calcula como:

Para una variable aleatoria continua la esperanza se calcula mediante la

integral de todos los valores y la funcin de densidad:

La esperanza tambin se suele simbolizar con (O): El concepto de esperanza

se asocia comnmente en los juegos de azar al de beneficio medio o beneficio
esperado a largo plazo.
Dada una variable aleatoria discreta X llamaremos funcin de probabilidad a
aquella que asocia una probabilidad a cada valor de la variable aleatoria.

P [X = xi]

As si la variable aleatoriaX toma los valores x1,...,xi,...,xnla funcin de

probabilidad asociada a cada xi una probabilidad pi, verificndose siempre que:

pi =1

DISTRIBUCIN BINOMIAL:

La distribucin binomial es una distribucin de probabilidades que surge al

cumplirse cuatro condiciones:

Existe una serie de N ensayos.

En cada ensayo hay slo dos posibles resultados, xito o fracaso.

En cada ensayo, los dos resultados posibles son mutuamente excluyentes.

Las probabilidades de ambas posibilidades han de ser constantes en todos los

experimentos (se denotan como p y q o p y 1-p).

Distribucin binomial:

Donde:

f(X) = probabilidad de X xitos dados los parmetros n y p

n = tamao de la muestra

p = probabilidad de xito

1 p = probabilidad de fracaso

X = numero de xitos en la muestra ( X = 0, 1, 2, n)

Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo

son posibles dos resultados. A uno de estos se denomina xito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En
la distribucin binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado nmero de
xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de
Bernoulli.

En otras palabras es una distribucin de variable discreta que se utiliza en

situaciones donde los posibles resultados del ensayo se reducen a dos opciones:
xito o fracaso.

Ejemplo:

Un estudiante puede aprobar o reprobar un examen.

Un producto salido de una fbrica puede ser defectuoso o no defectuoso.

En el lanzamiento de una moneda puede salir cara o sello.
Un cazador al disparar puede acertar o fallar.
Del ensayo de algn material puede resultar que cumple o no cumple con
determinada especificacin.

DISTRIBUCIN DE POISSON:

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

distribucin de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos
durante cierto periodo de tiempo.

Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su

trabajo Recherches sur la probabilit des jugements en matires criminelles et
matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).

Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy

elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida,
entonces se aplica el modelo de distribucin de Poisson. Este modelo posee las
siguientes caractersticas:

La probabilidad de observar exactamente un xito en el segmento o tamao de

muestra n es constante.

El evento debe considerarse un suceso raro. Los mismos ocurren dentro de un

continuo (espacio o tiempo) y ocupan una parte infinitesimal del mismo.

El

evento

debe

ser

aleatorio

independiente

de

otros

eventos

Distribucin Poisson:

Donde:
f(X) = probabilidad de X xitos
= promedio de eventos esperados
e = base logaritmo natural = 2.71828
X = numero de xitos en la muestra ( X = 0, 1, 2, n)

La distribucin de Poisson se utiliza en situaciones donde los sucesos son

impredecibles o de ocurrencia aletaoria con resultado discreto.

Adems es muy til cuando la probabilidad del evento que nos interesa se
distribuye dentro de una distancia, rea, volumen o tiempo definido.

Algunos ejemplos son:

Defectos de una tela por m2

Aviones que aterrizan en un aeropuerto por da, hora, minuto.
Bacterias por cm2 de cultivo
Llamadas telefnicas a una central por hora o minuto.
Llegadas de embarcaciones a un puerto por da o mes.
La distribucin de Poisson es el caso lmite de la distribucin binomial. De

hecho, si los parmetros n y de una distribucin binomial tienden a infinito y a cero

de manera que se mantenga constante, la distribucin lmite obtenida es de
Poisson.

Distribucin Normal

Una de las distribuciones tericas ms estudiadas y ms utilizada en la prctica

es la distribucin normal, tambin llamada distribucin gaussiana. Este nombre lo
debe a Johann Carl Friedrich Gauss (1777-1855) a quien no se le atribuye su
descubrimiento ms si la difusin y aplicacin de su uso en los aos 1800.

Su importancia se debe fundamentalmente a la frecuencia con la que distintas

variables

asociadas

fenmenos

aproximadamente, esta distribucin.

naturales

cotidianos

siguen,

EJEMPLOS:

1.-

DISTRIBUCIN BINOMIAL:

Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma

moneda 6 veces?

Donde:

P(X)= Probabilidad de que ocurra el evento

p = (0.5)
q = (se define como q = 1 p ) (0.5)
X=2
n=6

Al sustituir los valores en la frmula obtenemos:

La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375

2.-

DISTRIBUCIN DE POISSON:

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) 10
cheques sin fondos en cualquiera de dos das consecutivos? (e= 2.718281828)

Resolviendo para :

a) x = 4; / = 6 cheques sin fondo por da

Comprobando (sustituyendo en la frmula):

Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo
en un da dado es de 0.133853 (13.39%)