Probabilidad DISCRETA Y

CONTINUA
CURSO:

I N V E S T I G AC I N O P E RAT I VA I I

DOCENTE:

D R. S O S A PA LO M I N O A L C I B A D E S

ALUMNO:

E S C O B A R S O LO Z A R N O C E S A R

GONZALES MANRIQUE JESUS

ZORRILLA BLAS EDER

M A N R I Q U E L E Z A M E TA M A D E L E I N E

PAT R I C I O V E N T O C I L L A YO E L

P E A C A R R I L LO D I E G O

PA S T O R TA N TA L E A N S E R G I O

INTRODUCCION
Unas de las preocupaciones ms grande del tema que vamos a tratar para el
mundo de los cientficos es calcular probabilidades para ciertos modelos de
distribucin el comportamiento de ciertos fenmenos fundamentarlos y
plantearlos al mundo real. Su determinada presentacin es modelar lo
observable siempre es una necesidad bsica.
En este tema estudiaremos algunas distribuciones asociadas a variables
aleatorias discretas y continuas, que puedan ajustarse a una gran diversidad
de problemas y campos cientficos en los que se pueden aplicar. Podemos
establecer la siguiente clasificacin:

VARIABLES ALEATORIAS

Es una variable estadstica es una caractersticas (cualitativa o cuantitativa)

que se mide y observa en una poblacin .

Se denomina variable aleatoria a una variable estadstica cuantitativa definida

en un espacio muestral.

Las variables aleatorias son variables cuantitativas , por lo tanto se clasifican

en discretas y continuas.
Modelos de distribuciones discretas.
Modelos de distribuciones continuas.

ELO DE DISTRIBUCIN DISCRETA

STRIBUCIN DE BERNOULLI
Se denomina prueba o ensayo de Bernoulli a todo experimentado aleatorio que
consiste de solo dos resultados posibles mutuamente excluyentes, generalmente
llamados: Exitos(E) y Fracaso(F).
Por ejemplo:
Un tratamiento mdico puede ser efectivo o inefectivo.
La meta de produccin o ventas del mes se pueden o no lograr. En pruebas de
seleccin mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar
como correcta o incorrecta.
Su frmula es:
p[X = X] = px (1 p)1-x, X=0,1

MODELO BINOMIAL

Es un modelo discreto, es decir, la variable toma valores conocidos y finitos. Es

utilizado en grficos de control para anlisis de nmero o porcentaje defectuoso,
adicionalmente se utiliza para calcular probabilidades de aceptacin o rechazo de

lotes en muestreo de aceptacin, de ah su importancia.

Propiedades

La muestra se compone de un nmero fijo de observaciones n.

Cada observacin se clasifica en una de dos categoras, mutuamente excluyentes (los eventos no pueden
ocurrir de manera simultnea. Ejemplo: Una persona no puede ser de ambos sexos) y colectivamente
exhaustivos (uno de los eventos debe ocurrir. Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces
ocurre cara). A estas categoras se las denomina xito y fracaso.

La probabilidad de que una observacin se clasifique como xito, p, es constante de una observacin u otra. De
la misma forma, la probabilidad de que una observacin se clasifique como fracaso, 1-p, es constante en todas
las observaciones.

La variable aleatoria binomial tiene un rango de 0 a n.

Se define por formula:

stribucin
Poisson
ELO DE de
DISTRIBUCIN

DISCRETA

ISTRIBUCIN DE POISSON
Basicamente un experimento aleatorio de poisson es un proceso que consiste
en observar el numero X de veces que ocurre un evento en una unidad de
longitud dada.
Ejemplo:
Observar el numero de llamdas Xi que recibe un celular en peridos de 1 hora
.
Numero de accidentes de trabajo que ocurren en una fabrica durante una
semana.

Ejemplo 1
en la ciudad de huacho se encuentra un almacn de entrega de peridicos llega un cierto
promedio
de cantidad de peridicos dependiendo de la noticia. y se reparten 50 peridicos cada 40
min a cada empleado.
cual es la probabilidad en un lapso de 40 min se repartan
a 3 empleados
cual es la probabilidad en un lapso de 40 min se repartan
a 6 empleados
cual es la probabilidad en un lapso de 40 min se repartan
por lo menos a 2 empleados
cual es la probabilidad en un lapso de 40 min se repartan
como mucho a 5 empleados

Solucin

=
f(x=3) = P (X=3)=
P (X2)=1- 0 + x 1)
(x
1-(

1 0,6446358=0,3553642

f(x=6) = P (X=6)=

P (X<5)=

0,286504+0,358130+0,223831+0,093263+0,
029144=0,990872

ELO DEMODELO
DISTRIBUCIN
CONTINUA
DE DISTRIBUCIN
CONTINUA
Es parte del tema del tema estudiado donde vemos las distribuciones continuas ms
comunes que se pueden aplicar a diversas situaciones en las que se estudian
problemas de naturaleza continua. Para describir este tipo de variables aleatorias
basta proporcionar la funcin densidad.

MODELO DE DISTRIBUCIN NORMAL

Es elmodelo de distribucin ms utilizadoen la prctica, ya que

multitud de fenmenos se comportan segn una distribucin
normal.
Esta

distribucin

de

caracteriza

porque

los

valores

se

distribuyen formando unacampana de Gauss, en torno a un

valor central que coincide con el valor medio de la distribucin:

RIBUCIN DE LA PROBABILIDAD NORMAL ESTNDAR

Valor z: diferencia de un valor elegido ,denotado x y la medida () dividida

entre la divisin estndar()

Variable normal estndar

Z=
Ejemplo 2
En la calle av.28 de julio hay una tienda llamada TopiTop durante las temporadas de
estaciones(Primavera ,Verano , Otoo o Invierno) hemos hecho un sondeo con todas las 80 prendas
de vestir por temporada y tenemos los siguientes resultados

a) Cul es la probabilidad de que en 2 semanas se vendan todas

las prendas de vestir ?

b) Cual es la probabilidad de que en medio mes se vendas todas las

prendas de vestir ?
c) graficar las distribuciones normales estndar de cada pregunta?
) Solucin
) Media==14.37
) Desviacin estndar = -0,97
) X =14
a) 0,38
) Media==14,37
) Desviacin estndar = -0,97
) X =30
b)

Verificando la tabla de probabilidad normal

estndar encontramos que 0,38 se encuentra el
resultado de 0,6480

Verificando la tabla de probabilidad normal

estndar encontramos que -0,64 se encuentra el