UNIVERSIDAD NACIONAL DEL CENTRO DEL PERU

FACULTAD DE INGENIERIA DE MINAS

CURSO: ESTADISTICA

DISTRUCION DE PROBABILIDADES

Ing. Eli Teobaldo Caro Meza

HUANCAYO 2019 – II
ALGUNAS DISTRIBUCIONES
DE PROBABILIDAD
IMPORTANTES
 INTRODUCCION
• En muchas tareas o análisis de aplicación
estadística, se busca determinar una
distribución de probabilidad o modelo de
probabilidad que satisfaga un conjunto de
supuestos, para estudiar los resultados
observados de un experimento aleatorio
• Se puede definir muchas distribuciones de
probabilidad tanto de variables aleatoria
discreta como de variable aleatoria continua,
pero no todos son modelos importantes.
 DISTRIBUCIONES IMPORTANTES DE
VARIABLE ALEATORIA DISCRETA
1) DISTRIBUCION DE PROBABILIDAD DE
BERNOULLI.
DEFINICION: Se denomina prueba o ensayo de
Bernoulli a todo experimento aleatorio que
consiste de solo dos resultados posibles
mutuamente excluyentes, generalmente
llamados: éxito (E) y fracaso (F).
El espacio muestral asociado al experimento
aleatorio de Bernoulli se puede escribir como el
conjunto:
Ω = {E, F}
DEFINICION: La variable aleatoria X definida en Ω
de manera que atribuye a E el valor 1 y a F el
valor 0, se denomina variable aleatoria de
Bernoulli.
DEFINICION: Si al éxito E se asigna la
probabilidad p = P[X = 1] donde 0<p<1,
entonces, el fracaso F tiene probabilidad
P[X=0]= 1 – p. Luego, la distribución de
probabilidad de Bernoulli de parámetro p esta
definida por:
X x=0 x=1
f(x) = P[X = x] 1–p p
• En forma resumida por la ecuación o
modelo (donde usamos por comodidad q
= 1 – p)
f(x) = P[X = x] = pxq1-x, donde: x = 0, 1
• La función de distribución acumulativa
de Bernoulli es definida en la siguiente
tabla:
X x<0 0≤x<1 x≥1

f(x) = P[X = x] 0 1–p 1

 DISTRIBUCIÓN BINOMIAL
Definición
La v.a.d. X binomial es el número de éxitos en n pruebas
independientes con dos resultados posibles (éxito y fracaso) con
probabilidad constante π de éxitos y (1–π) de fracasos.

Función de probabilidad

n x
f ( x)  f ( x; n,  )     (1   ) n  x ; x  0, 1, 2, ..., n
 x
X es B(n, π)

Medidas de resumen:

Media:  = np

Varianza: 2 = np(1–p)
 Aplicaciones de la distribución binomial

• Representación de variables discretas

con RX = {0, 1, 2, …, n}

• Pruebas de hipótesis sobre una proporción con muestras pequeñas.

• Validez a través de juicio de expertos.

Propiedades de la distribución binomial

• Es simétrica cuando π = 0,5.

• Es asimétrica positiva cuando π < 0,5.

• Es asimétrica negativa cuando π > 0,5.

Ejemplo 1:

Distribución binomial B(10; 0,6) (n = 10 y π = 0,6)

Función de probabilidad

10  x 10  x
f ( x)  f ( x; 10; 0,6)    0,6 0, 4 ; x  0, 1, 2, ..., 10
x 
X es B(10; 0,6)

Medidas de resumen:

 = 6; 2 = 2,4;  = 1,5492; CV = 25,82%

Funciones de probabilidad y de distribución
x f(x) Fa(x)

0 0,0001 0,0001 Función de probabilidad de la distribución B(10; 0,6)

0,2508
1 0,0016 0,0017 0,25

0,215
2 0,0106 0,0123 0,2007
0,20
3 0,0425 0,0548
0,15
4 0,1115 0,1662

f(x)
0,1209
0,1115
5 0,2007 0,3669 0,10

6 0,2508 0,6177
0,05 0,0425 0,0403
7 0,2150 0,8327
0,0106 0,006
0,0001 0,0016
8 0,1209 0,9536 0,00
0 1 2 3 4 5 6 7 8 9 10
x
9 0,0403 0,9940

10 0,0060 1,0000

Otras medidas de resumen

Me = 6; Mo = 6
Cálculo de probabilidades

1) P(X ≤ 5) = Fa(5) = 0,3669

2) P(2 < X ≤ 7) = Fa(7) – Fa(2) = 0,8204

3) P(3 ≤ X < 6) = Fa(5) – Fa(2) = 0,3546

4) P(X > 5) = 1 – Fa(5) = 0,6331

5) P(X ≤ 15) = 1

6) P(X  20) = 0
 DISTRIBUCION DE
PROBABILIDAD DE POISSON
• Básicamente un experimento aleatorio de
POISSON es un proceso que consiste en
observar un numero X de veces que ocurre
un evento en una unidad de longitud dada.
• Por ejemplo, observar el numero de
llamadas xi que recibe un celular en
periodos de 1 hora como se muestra:
x1 x2 … etc. Tiempo
Definición
La v.a.d. X de Poisson es el número de eventos
independientes que ocurren en un intervalo de tiempo, en
una región plana o en un volumen (con un promedio dado).

Función de probabilidad

X es P()

Medidas de resumen:

Media:  = 

Varianza: 2 = 
 Aplicaciones de la distribución de Poisson

Representación de variables discretas con RX = {0, 1, 2, …}

 Número de llamadas por minuto.

 Número de accidentes por día.

 Número de clientes por hora.

 Número de bacterias en un m2.

 Número de bacterias en un vaso de agua.

Propiedades de la distribución de Poisson

La media y la varianza son iguales.

Ejemplo 1:
Distribución de Poisson P(1) ( = 1)

Función de probabilidad

e 11x
f ( x)  f ( x; 1)  ; x  0, 1, 2, ...
x!
X es P(1)

Medidas de resumen:
 = 1; 2 = 1;  = 1; CV = 100%
Funciones de probabilidad y de distribución

Función de probabilidad de la distribución P(1)

x f(x) Fa(x)
0,4
0,3679 0,3679
0 0,3679 0,3679

1 0,3679 0,7358 0,3

2 0,1839 0,9197

f(x)
0,2 0,1839

3 0,0613 0,9810
0,1
4 0,0153 0,9963 0,0613

5 0,0031 0,9994 0,0153

0,0031 0,0005 0,0001
0,0
0 1 2 3 4 5 6 7
6 0,0005 0,9991 x

7 0,0001 1,0000

Otras medidas de resumen

Me = 1; Mo = 0 y 1
Cálculo de probabilidades

1) P(X ≤ 4) = Fa(4) = 0,9963

2) P(1 < X ≤ 4) = Fa(4) – Fa(1) = 0,2605

3) P(2 ≤ X < 4) = Fa(3) – Fa(1) = 0,2452

4) P(X > 5) = 1 – Fa(5) = 0,0006

5) P(X ≤ 10) = 1

6) P(X  15) = 0
NOTA: (Extensión o reducción del
intervalo unitario)
• La probabilidad de que ocurra k eventos
de Poisson en un intervalo de tiempo (o
en una región de tamaño) t es:

Donde:
 : es el numero promedio de ocurrencias por
unidad de periodo o región
t: es el numero promedio de ocurrencias de
eventos en el periodo (o región) de tamaño t
PROBLEMAS
Ejemplo 1:
La probabilidad de que cualquier pieza producida
por una maquina pase con éxito una prueba de
control es 0,9. Si se controlan 10 de tales piezas y
si X denota el numero de piezas que no pasan la
prueba de control de los 10 escogidos al azar:
a) Defina el modelo de probabilidad de X. ¿Qué
numero de piezas es mas probable que no pase el
control?
b) Calcule el numero de piezas que se espera no
pasen el control. ¿Es cierto que la distribución
estándar de la distribución de X es menor que 0,9?
c) Determine la función de distribución acumulativa
F(x) de X y aplicando esta, calcule la probabilidad
de que mas de 7 piezas pero no mas de 9, no
pasen la prueba de control.
SOLUCION:
Ejemplo 2:
• En una tienda de alquiler de automóviles,
cada vez que un cliente alquile un automóvil
debe pagar como mínimo $4. Además, si
alquila un auto tipo A debe pagar $15 mas, y
si alquila un auto tipo no A debe pagar $5
mas. La probabilidad de que cualquier cliente
alquile un auto tipo A es constante e igual a
0,7. Si cada uno de 5 clientes alquila un auto
en esta tienda:
a) Determine la distribución de probabilidades del
numero de clientes que alquilen automóviles
tipo A
b) Defina la función utilidad y calcule la utilidad
que espera la tienda si cada vez alquila 5
automóviles.
Ejemplo 3:
Suponga que llegan en forma aleatoria
una serie de llamadas a una central
telefónica con un promedio de tres
llamadas en intervalos de un minuto.
a) Calcule la probabilidad de que en cualquier
periodo de un minuto:
i. No ocurra llamada alguna
ii. Ocurran al menos 4 llamadas
b) Si cada llamada cuesta S/.0,50 ¿Cuánto es
el costo esperado por llamada?
Ejemplo 4:
• La empresa “T&C” produce un tipo de tela en
rollos de 100 metros. El numero de defectos que
se puede encontrar al desenrollar la tela es una
variable aleatoria de Poisson con un promedio de
4 defectos por cada 20 metros de tela.
a) ¿Qué probabilidad hay de que al desenrollar un
rollo de tela cualquiera se encuentre menos de tres
defectos en los primeros 50 metros?
b) Calcule la probabilidad de que al desenrollar la tela
no se encuentre defectos en el primer segmento de
5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar,
¿Cuál es la probabilidad de que no se encuentre
defectos en el primer segmento de 5 metros de tela
en al menos dos de ellos?