Introduccion A Las Distribuciones de Probabilidad

DISTRIBUCIONES DE
PROBABILIDAD
Alvaro Alfredo Bravo

UNIVERSIDAD DE NARIO
Experimento aleatorio: un experimento es considerado aleatorio si sus
resultados son inciertos.
Variable aleatoria: es aquella cuyos valores surgen asignando nmeros, a los

resultados de un experimento aleatorio.
V. A. Discreta: Solo adopta valores aislados de un intervalo y no

todos los que corresponden a l.
V. A. Contnua: Adopta cualquiera de los valores de un intervalo.
Distribucin de Probabilidad
Puede considerarse como una distribucin de frecuencias relativas

correspondiente a una poblacin.
Las distribuciones de probabilidad son consideradas tericas en el sentido que

se obtienen por un razonamiento lgico, en lugar de experimentos reales.
DISTRIBUCIONES DISCRETAS DE PROBABILIDAD
Una distribucin de probabilidad para una variable aleatoria discreta es un

listado mutuamente excluyente, de todos los resultados numricos posibles,
tal que existe una probabilidad particular de ocurrencia asociada con cada
uno de ellos.
Ejemplo:
El lanzamiento de cuatro monedas.
Cuales son los resultados posibles del experimento si la variable

aleatoria mide el nmero de caras?
Cul es la probabilidad del nmero de caras en el experimento

aleatorio?

Puntos de muestra Nmero de Caras Probabilidad
XXXX 0 1/16
XXXC 1 1/16
XXCX 1 1/16
XCXX 1 1/16
CXXX 1 1/16
CCXX 2 1/16
XCCX 2 1/16
XXCC 2 1/16
CXXC 2 1/16
CXCX 2 1/16
XCXC 2 1/16
CCCX 3 1/16
CCXC 3 1/16
CXCC 3 1/16
XCCC 3 1/16
CCCC 4 1/16
Distribucin de frecuencias relativas y frecuencias relativas
acumuladas del nmero de caras al arrojar cuatro monedas.
Nmero de caras f(xi) F(xi)
0 1/16 1/16
1 4/16 5/16
2 6/16 11/16
3 4/16 15/16
4 1/16 16/16

Distribucin de probabilidad
6/16
6/16
5/16
4/16
f(x i )
3/16
2/16
2/16
1/16
0
0 1 2 3 4
Nmero de caras

Funcin de Probabilidad: f(xi)
Si X es una variable aleatoria que puede asumir valores x1, x2, ...., xn,
con probabilidades asociadas f(x1), f(x2), ...., f(xn), entonces el conjunto
de pares ordenados (xi, f(xi)), i = 1, 2, ...., n, se llama
Funcin de probabilidad o Distribucin de probabilidad de X.
f(x i) P(X xi)
Cual es la probabilidad de que al arrojar cuatro monedas salgan dos

caras?
f(2) = P(X = 2) = 6/16

Requisitos
La funcin f(xi), asume un valor numrico para todas las xi, 1 i n
f(xi) 0 para cualquier valor posible de x.

N
f x 1
i 1
i

Funcin de distribucin acumulada: F(xi)
Si X es una variable aleatoria y, x es un nmero real, la Funcin de

Distribucin Acumulada de x, representada por F(xi), muestra la probabilidad
de que X asuma valores menores o iguales a x, y se expresa:
F(x) P(X xi) f(x )

xi x
i
Cul es la probabilidad de que al arrojar cuatro monedas salgan dos o

menos caras?
F(2) = P(X 2) = 11/16

ESPERANZA MATEMTICA
El valor esperado o esperanza matemtica de una variable aleatoria

discreta es un promedio y se calcula como la suma de cada valor que toma la
variable aleatoria multiplicada por su respectiva probabilidad.
x = E(X) = x1 * f(x1) + x2 * f(x2) + ... + xn * f(xn)

N
E(x) = x * f(x )
i 1
i i
El valor esperado de caras al arrojar cuatro monedas es :
x = E(X) = 0 (1/16) + 1 (4/16) + 2 (6/16) + 3 (4/16) + 4 (1/16) = 2 caras

VARIANZA
La varianza de una variable aleatoria discreta se puede considerar como

la desviacin promedio al cuadrado en torno a la media E(x) tomada sobre
todos los valores.
N
V(X) x i x * f xi
2 2
x
i 1
La varianza de caras al arrojar cuatro monedas es :
V(x) = 2(x) = (0 2)2 (1/16) + (1 2)2 (4/16) + ... + (4 2)2 (1/16) = 1(cara)2
Por consiguiente la desviacin tpica es:
(x) = 1 cara

DISTRIBUCION BINOMIAL

Supongamos que un experimento aleatorio tiene las siguientes caractersticas:
En cada prueba del experimento slo son posibles dos resultados que llamaremos
xito y su contrario fracaso.
El resultado obtenido en cada prueba es independiente de los resultados obtenidos

anteriormente.
La probabilidad de xito es constante, la representamos por p, y no vara de una

prueba a otra. La probabilidad de fracaso es 1- p (generalmente se la representa
por q).
El experimento consta de un nmero finito n de pruebas.
La variable aleatoria mide el nmero de xitos en las n pruebas.
Todo experimento que tenga estas caractersticas diremos que sigue un modelo
Binomial. A la variable X que expresa el nmero de xitos obtenidos en cada prueba
del experimento, la llamaremos variable aleatoria binomial.

La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como
hay que considerar todas las maneras posibles de obtener k-xitos y (n-k)
fracasos debemos calcularlas por combinaciones (nmero combinatorio n
tomando k).
La distribucin Binomial se suele representar por B(n,p) siendo n y p los

parmetros de dicha distribucin.

Funcin de Probabilidad de la variable aleatoria Binomial
Parmetros de la Distribucin Binomial

Funcin de Distribucin Binomial
siendo k el mayor nmero entero menor o igual a xi.
Esta funcin de distribucin proporciona, para cada nmero real xi, la

probabilidad de que la variable X tome valores menores o iguales que xi.

Ejemplo 1
Una mquina fabrica una determinada pieza y se sabe que produce un 7

por 1000 de piezas defectuosas. Hallar la probabilidad de que al
examinar 50 piezas slo haya una defectuosa.
Solucin:
Se trata de una distribucin binomial de parmetros B(50, 0.007) y

debemos calcular la probabilidad p(X=1).

Ejemplo 2
La probabilidad de xito de una determinada vacuna es 0,72. Calcula la

probabilidad de a que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad

b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad
Solucin:
Se trata de una distribucin binomial de parmetros B(15, 0'72)

DISTRIBUCION DE POISSON

Tiene las siguientes caractersticas:
En cada prueba del experimento slo son posibles dos resultados que
llamaremos xito y su contrario fracaso.
El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente.
La variable aleatoria mide el nmero de xitos en las n pruebas.
Se conoce el promedio de xitos por unidad de tiempo o de espacio
La distribucin Poisson tiene conexin con los procesos de Poisson. Se

aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos
fenmenos que ocurren 0, 1, 2, 3, ... veces durante un periodo definido de
tiempo o en un rea o espacio determinados) cuando la probabilidad de
ocurrencia del fenmeno es constante en el tiempo o el espacio.
Ejemplos de estos eventos que pueden ser modelados por la distribucin Poisson
incluyen:
El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente
distantes de los semforos) durante un periodo definido de tiempo.
El nmero de errores de ortografa que se cometen al escribir una pgina.
El nmero de llamadas telefnicas en una central telefnica por minuto.
El nmero de servidores web accedidos por minuto.
El nmero de mutaciones de determinada cadena de ADN despus de cierta cantidad
de radiacin.
El nmero de ncleos atmicos inestables que decayeron en un determinado periodo
de tiempo en una porcin de sustancia radiactiva. La radiactividad de la sustancia se
debilitar con el tiempo, por lo tanto el tiempo total del intervalo usado en el modelo
debe ser significativamente menor que la vida media de la sustancia.
El nmero de estrellas en un determinado volumen de espacio.
La distribucin de receptores visuales en la retina del ojo humano.

En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, pieza, etc:
- Nmero de defectos de una tela por m2

- Nmero de vehculos que pasa por un punto de una va por da, hora, minuto,
etc.
- Nmero de bacterias por cm2 de cultivo
- Nmero de llamadas telefnicas a un conmutador por hora, minuto, etc.
- Nmero de llegadas de clientes a un banco por minuto, hora, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de
tiempo, rea, o producto, la frmula a utilizar sera:

=
!
donde:
P(x) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es
= media o promedio de xitos por unidad de tiempo o espacio
e = 2.718
x = Nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que
ocurren por unidad de tiempo, rea, etc. es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada.
Su media y su varianza son:
Ejemplo:
En la inspeccin de hojalata producida por un proceso electroltico continuo,
se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidad de identificar una imperfeccin en 3 minutos.
Solucin:
x = nmero de imperfecciones en la hojalata por cada 3 minutos
= 0.2 x 3 = 0.6 imperfecciones por cada 3 minutos en la hojalata

DISTRIBUCION
NORMAL

Esta distribucin es frecuentemente utilizada en las aplicaciones
estadsticas. Su propio nombre indica la 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".
La importancia de la distribucin normal se debe principalmente a que hay
muchas variables asociadas a fenmenos naturales que siguen ese
modelo:
- Caracteres morfolgicos de individuos (personas, animales, plantas,...) de

una especie, por ejemplo 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 se pueden

aproximar a la normal, 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.
Caractersticas de la distribucin normal tipificada
- 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 Y
- Tiene un mximo en este eje para z = 0
- Tiene dos puntos de inflexin en z =1 y z = -1

PROPIEDADES DE LA DISTRIBUCIN NORMAL
- Tiene una nica moda, que coincide con su media y su mediana.
- La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor

entre - y + es tericamente posible. El rea total bajo la curva es, por
tanto, igual a 1.
- Es simtrica con respecto a su media. Segn esto, para este tipo de

variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
- La distancia entre la lnea trazada en la media y el punto de inflexin de

la curva es igual a una desviacin tpica (). Cuanto mayor sea, ms
aplanada ser la curva de la densidad.

- El rea bajo la curva comprendida entre los valores situados
aproximadamente a dos desviaciones estndar de la media es igual
a 0.95. En concreto, existe un 95% de posibilidades de observar un
valor comprendido en el intervalo.
- La forma de la campana de Gauss depende de los parmetros

media y desviacin tpica . La media indica la posicin de la
campana, de modo que para diferentes valores de la grfica es
desplazada a lo largo del eje horizontal.
- Por otra parte, la desviacin estndar determina el grado de

apuntamiento de la curva. Cuanto mayor sea el valor de , ms se
dispersarn los datos en torno a la media y la curva ser ms
plana. Un valor pequeo de este parmetro indica, por tanto, una
gran probabilidad de obtener datos cercanos al valor medio de la
distribucin.


Introduccion A Las Distribuciones de Probabilidad

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Introduccion A Las Distribuciones de Probabilidad

Загружено:

Авторское право:

Доступные форматы

DISTRIBUCIONES DE

Alvaro Alfredo Bravo

Variable aleatoria: es aquella cuyos valores surgen asignando nmeros, a los

V. A. Discreta: Solo adopta valores aislados de un intervalo y no

V. A. Contnua: Adopta cualquiera de los valores de un intervalo.

Puede considerarse como una distribucin de frecuencias relativas

Las distribuciones de probabilidad son consideradas tericas en el sentido que

Una distribucin de probabilidad para una variable aleatoria discreta es un

El lanzamiento de cuatro monedas.

Cuales son los resultados posibles del experimento si la variable

Cul es la probabilidad del nmero de caras en el experimento

Alvaro Alfredo Bravo

Nmero de caras f(xi) F(xi)

Alvaro Alfredo Bravo

Alvaro Alfredo Bravo

Funcin de probabilidad o Distribucin de probabilidad de X.

f(x i) P(X xi)

Cual es la probabilidad de que al arrojar cuatro monedas salgan dos

f(2) = P(X = 2) = 6/16

Alvaro Alfredo Bravo

La funcin f(xi), asume un valor numrico para todas las xi, 1 i n

f(xi) 0 para cualquier valor posible de x.

Alvaro Alfredo Bravo

Si X es una variable aleatoria y, x es un nmero real, la Funcin de

F(x) P(X xi) f(x )

Cul es la probabilidad de que al arrojar cuatro monedas salgan dos o

F(2) = P(X 2) = 11/16

Alvaro Alfredo Bravo

El valor esperado o esperanza matemtica de una variable aleatoria

x = E(X) = x1 * f(x1) + x2 * f(x2) + ... + xn * f(xn)

El valor esperado de caras al arrojar cuatro monedas es :

x = E(X) = 0 (1/16) + 1 (4/16) + 2 (6/16) + 3 (4/16) + 4 (1/16) = 2 caras

Alvaro Alfredo Bravo

La varianza de una variable aleatoria discreta se puede considerar como

La varianza de caras al arrojar cuatro monedas es :

Por consiguiente la desviacin tpica es:

Alvaro Alfredo Bravo

Alvaro Alfredo Bravo

El resultado obtenido en cada prueba es independiente de los resultados obtenidos

La probabilidad de xito es constante, la representamos por p, y no vara de una

El experimento consta de un nmero finito n de pruebas.

La variable aleatoria mide el nmero de xitos en las n pruebas.

Alvaro Alfredo Bravo

La distribucin Binomial se suele representar por B(n,p) siendo n y p los

Alvaro Alfredo Bravo

Parmetros de la Distribucin Binomial

Alvaro Alfredo Bravo

siendo k el mayor nmero entero menor o igual a xi.

Esta funcin de distribucin proporciona, para cada nmero real xi, la

Alvaro Alfredo Bravo

Una mquina fabrica una determinada pieza y se sabe que produce un 7

Se trata de una distribucin binomial de parmetros B(50, 0.007) y

Alvaro Alfredo Bravo

La probabilidad de xito de una determinada vacuna es 0,72. Calcula la

a) Ninguno sufra la enfermedad

Alvaro Alfredo Bravo

Alvaro Alfredo Bravo

El resultado obtenido en cada prueba es independiente de los resultados

La variable aleatoria mide el nmero de xitos en las n pruebas.

Se conoce el promedio de xitos por unidad de tiempo o de espacio

La distribucin Poisson tiene conexin con los procesos de Poisson. Se

Alvaro Alfredo Bravo

- Nmero de defectos de una tela por m2