Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE INGENIERA
ESCUELA ACADMICO PROFESIONAL DE INGENIERA MECNICA
TEMA:
DISTRIBUCIONES DE
PROBABILIDAD
CURSO:
ELABORACIN DE PROYECTOS
PROFESOR:
Mg. ZAVALETA VALVERDE, Hugo
CICLO:
IX
ESTUDIANTES:
AMARO GUTIRREZ, Jordan
AYALA DIONICIO, Nelson
MOYA DELGADO, Gustavo
16/06/14
NDICE
INTRODUCCIN ........................................................................................................................ 3
DISTRIBUCIONES DE PROBABILIDADES ...................................................................................... 4
CONCEPTOS PRELIMINARES ...................................................................................................... 4
1.
2.
VARIABLE ALEATORIA............................................................................................... 4
1.2.
2.2.
3.
4.
4.2.
4.3.
4.4.
Covarianza............................................................................................................... 10
INTRODUCCIN
DISTRIBUCIONES DE PROBABILIDADES
CONCEPTOS PRELIMINARES
1. VARIABLES ALEATORIAS
1.1.
VARIABLE ALEATORIA
Definicin:
Funcin que asocia un nmero real a cada resultado del espacio muestral de un
experimento aleatorio.
Las Variables Aleatorias se denotan con una letra mayscula, (X,Y,etc) y los valores
puntuales que asumen con una letra minscula (x,y,etc); Ejemplo: P(X=x)
(Probabilidad de que la variable X asuma el valor x).
El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de
rango de X.
Algunos ejemplos son: nmero de caras obtenidas al lanzar seis veces una moneda,
nmero de llamadas que recibe un telfono durante una hora, tiempo de falla de
un componente elctrico, etc.
Ejemplo 1:
Normalmente, los resultados posibles (espacio muestral S) de un experimento
aleatorio no son valores numricos. Por ejemplo, si un experimento consiste en
lanzar de modo ordenado tres monedas al aire, para observar el nmero de caras
(c) y sellos (s) que se obtienen, el espacio muestral asociado a dicho experimento
aleatorio sera:
E = {ccc, ccs,csc,css,scc,scs,ssc,sss}
En Clculo de Probabilidades resulta ms fcil utilizar valores numricos en lugar de
trabajar directamente con los elementos de un espacio muestral como el anterior.
As, se prefiere identificar los sucesos {css,scs,ssc} con el valor numrico 1 que
representa el nmero de caras obtenidas al realizar el experimento.
2. DISTRIBUCIN DE PROBABILIDAD
Es un modelo terico que describe la forma en que varan los resultados de un experimento
aleatorio, es decir, nos da todas las probabilidades de todos los posibles resultados que
podran obtenerse cuando se realiza un experimento aleatorio. Se clasifican como discretas o
continuas. En la distribucin de probabilidad discreta est permitido tomar slo un nmero
limitado de valores. En la continua, llamada funcin de densidad, la variable que se est
considerando puede tomar cualquier valor dentro de un intervalo dado.
2.1.
P (X=xi) = f (xi)
f (x) 0 para toda x
2.2.
c)
F(x) Fx
Para estudiar la funcin de distribucin distinguiremos entre el caso discreto y el caso
continuo.
CASO DISCRETO
La funcin de distribucin acumulada de una variable aleatoria discreta X asociada a
un espacio probabilstico, denotada por F(x), es:
Para una variable aleatoria discreta X, F(x) satisface las propiedades siguientes:
a) F(x) = P(X x) =
b) 0 F(x) 1
c) Si x y, entonces F(x) (y)
Ejemplo: Continuando con el ejemplo 1, cuya distribucin de probabilidad era:
x
0
1
2
3
f(x) 1/8 3/8 3/8 1/8
(0 caras, 1/8); (1 cara, 3/8); (2 caras, 3/8); (3caras, 1/8),
Calcula la probabilidad de obtener menos dos caras.
CASO CONTINUO
Sea X una variable aleatoria continua con funcin de densidad f(x), se define la funcin
de distribucin, F(x), como:
F(x) = P(Xx) =
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad viene dada por f (X),
calcular su funcin de distribucin:
X/2
0x2
f (x )=
0
en otro caso
"
0
F(X) =
/4
x<0
0 x 2
x>2
4.1.
&'
4.2.
0.
1
8
1.
3
8
2.
3
8
3.
1
8
12
8
3
2
&
Tanto para el caso discreto como para el caso continuo, la esperanza matemtica
presenta las siguientes propiedades:
Si C es una constante, E(C) = C
a, b R, E(aX + b) = aE(X) + b
Si g(X) es una funcin de X, entonces:
Si X es discreta, (12 3 2
Si X es continua, (12
) (
5'
5'
&
.
&
&
&
5'
&
1 0 .
1
8
1 .
3
8
2 .
3
8
1 3
3 .
8 2
0.75
:(
: 4
4.4.
Covarianza
Sean X e Y dos variables aleatorias, se define la covarianza entre estas dos variables
como,
10
DISTRIBUCIONES DISCRETAS
DISTRIBUCIONES DE BERNOULLI
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos
soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad
de ser admitido en una universidad (o te admiten o no te admiten); probabilidad de acertar una
quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de sucesos complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p+q=1
Ejemplos:
Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:
Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
11
<
< 1
<
DISTRIBUCIN BINOMIAL
Es una de las distribuciones de mayor aplicacin en el mbito industrial. A travs de la Binomial se
modelan procesos de muestreo de aceptacin por lotes (si se clasifica al producto como
defectuoso o no defectuoso), estudios de mercado o de nivel de aceptacin de un candidato.
Caractersticas del Proceso Binomial o Bernoulli
El procedimiento consiste en una serie de n ensayos repetidos (n es fijo).
Cada ensayo es independiente, de modo que la probabilidad de ocurrencia de uno de los
ensayos no afecta la probabilidad de ocurrencia del ensayo siguiente.
Cada ensayo puede resultar en un xito con probabilidad p o en un fracaso con
probabilidad q=1-p. Esta caracterstica de dualidad o dicotoma es clave para identificar un
proceso Binomial (El xito no est necesariamente relacionado con algo bueno, es
arbitrario y lo fija el investigador dependiendo de cmo defina la variable. Por ejemplo si
mi variable es nmero de respuestas malas en un examen de verdadero o falso, cada
respuesta incorrecta representa un xito para el investigador)
Las probabilidades de xito permanecen constante a lo largo del experimento.
NOTA: Es til la revisin de la teora de Eventos Independientes como base para la comprensin
del proceso Binomial.
12
n
b( x, n, p ) = P ( X = x ) = p x q n x ; x = 0,1,2,..., n
x
Dnde:
X representa la V.A Binomial: Nmero de xitos en n intentos.
p: Probabilidad de xito (permanece constante a lo largo del experimento).
q=1-p: Probabilidad de que ocurra un fracaso, es la probabilidad complementaria de p
n: Nmero de ensayos
)!
! )
10
A B 0.5D 1
6
0.5
$ D
Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una moneda.
13
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho
veces?
"x" (nmero de aciertos) toma el valor 4
"n" toma el valor 8
"p" (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)
La frmula queda:
8
A B 0.166E 1
4
4
Luego,
0.166
F E
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al tirar un dado
8 veces.
La esperanza matemtica o valor medio de la distribucin binomial se calcula:
&
G<
G< 1
G<
DISTRIBUCIN HIPERGEOMTRICA
La distribucin hipergeomtrica es el modelo que se aplica en experimentos del siguiente tipo:
En una caja hay bolas de dos colores (blancas y negras), cul es la probabilidad de que al sacar 2
bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay tan slo dos
posibles resultados: o sale blanca o no sale. Pero se diferencia de la distribucin binomial en
que los distintos ensayos son dependientes entre s:
Si en una caja con 5 bolas blancas y 3 negras en un primer ensayo saco una bola blanca, en el
segundo ensayo hay una bola blanca menos por lo que las probabilidades son diferentes (hay
dependencia entre los distintos ensayos).
La distribucin hipergeomtrica sigue el siguiente modelo:
H=IJ > =)IK >L
=I)>
14
Dnde:
M
A B
A
G
M!
! M
M!
! M
G
G
M
A B
G
M!
G! M G !
As:
N: es el nmero total de bolas en la caja
N1: es el nmero total de bolas blancas
N2: es el nmero total de bolas negras
x: es el nmero de bolas blancas cuya probabilidad se est calculando
n: es el nmero de ensayos que se realiza
Veamos un ejemplo:
En una caja hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad de que 3 sean
blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; x = 3; n = 4
Si aplicamos el modelo:
3
H=N*> =O>L
=E>
Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del 35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se aplica con
experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al azar Cul
es la probabilidad de que las 3 sean solteras?
3
H=D*> = $E>L
= *$>
Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean solteras es tan
slo del 1,75%.
15
G<
5'
G< 1
G<
DISTRIBUCION DE GEOMTRICA
Considrese un experimento aleatorio que est muy relacionado con el que se emple para definir
una Distribucin Binomial. De nuevo, supngase una serie de ensayos Bernoulli independientes
con una probabilidad constante de xito p en cada ensayo. Sin embargo, en lugar de tener un
nmero fijo de ensayos, ahora stos se realizan hasta que se obtiene un xito. Sea X el nmero de
ensayos realizados hasta obtener el primer xito.
Ejemplos:
Hemos visto que si se tira una moneda (con p = P(cara)) n veces, entonces el nmero de caras se
distribuye como binomial.
Consideramos otro experimento relacionado. Vamos a seguir tirando la moneda hasta que
veamos la primera cara? Cuntas tiradas necesitamos?
Sea X el nmero de tiradas.
Luego
P(X = 1) = p
P(X = 2) = (1 p) p
3
< <
<
... = ...
<
<
< ;
1,2,
16
(
4
1/<
1
< /<
Ejemplo
La probabilidad de que una muestra de aire contenga una molcula extraa es 0.01. Si se supone
que las muestras son independientes con respecto a la presencia de la molcula extraa, Cul es
la probabilidad de que sea necesario analizar exactamente 125 muestras antes de detectar una
molcula extraa?
Sea X el nmero de muestras analizadas hasta que se detecta la presencia de la molcula extraa.
Entonces X es una variable geomtrica con p = 0.01. La probabilidad pedida es:
125
0.99
0.01
0.0029
DISTRIBUCION DE POISSON
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que ocurren
en una regin del espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es independiente
de lo que ocurra en cualquier otro tiempo o espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es proporcional al tamao de
este y no depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del tiempo o del espacio
tiende a cero a medida que se reducen las dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en las que se
cuentan sucesos raros.
La funcin de probabilidad de una variable Poisson es:
T
0,1, , , T
2,71828
17
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que se
presenten serias dificultades para verificar los postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin
binomial cuando n tiende a
y p tiende a 0 (P < 0.1), siendo np constante (y menor que 10); en
esta situacin sera difcil calcular probabilidades en una variable binomial y, por tanto, se utiliza
una aproximacin a travs de una variable Poisson con media = n p.
" p " < 0,10
" p * n " < 10
La esperanza matemtica o valor medio de la distribucin de Poisson se calcula:
&
G<
5'
G<
Ejemplo:
La contaminacin es un problema en la fabricacin de discos de almacenamiento ptico. El
nmero de particular contaminante que aparece en un disco ptico tiene una distribucin Poisson,
y el nmero promedio de partculas por centmetro cuadrado de superficie del medio de
almacenamiento es 0,1. El rea de un disco bajo estudio es 100 centmetros cuadrados.
a) Encuntrese la probabilidad de encontrar 12 partculas en el rea del disco.
b) Encuntrese la probabilidad de que no haya partculas contaminantes en el rea del disco.
Solucin:
a) Sea X: el nmero de partculas en el rea del disco. Dado que el nmero promedio de
partculas es 0,1 de stas por cm2,
E(X) = 100 cm2 x 0,1 partculas/cm2
= 10 partculas
Por consiguiente,
12
10
12!
0,095
As
4,54 10 O
18
6*
3!
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%
Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de que entre
800 recin nacidos haya 5 pelirrojos?
5
X,D
9,6O
5!
Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recin nacidos es del 4,6%.
La Esperanza Matemtica o valor medio de la distribucin de Poisson se calcula:
&
G<
5'
G<
19
DISTRIBUCIONES CONTINUAS
DISTRIBUCION NORMAL
Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se
comportan segn una distribucin normal.
Esta distribucin se caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:
Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda. Esta
distribucin viene definida por dos parmetros:
X: N (,
, YZ )
[\ :
YZ\ :
es la varianza. Indica si los valores estn ms o menos alejados del valor central: si la varianza
es baja los valores estn prximos a la media; si es alta, entonces los valores estn muy dispersos.
Cuando la media de la distribucin es 0 y la varianza es 1 se denomina "normal estndar", y su
ventaja reside en que hay tablas donde se recoge la probabilidad acumulada para cada punto de la
curva de esta distribucin.
Adems, toda distribucin normal se puede transformar en una normal estndar:
Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media 10 y
varianza 4. Transformarla en una normal estndar.
X: N (10, 4)
20
Para transformarla en una normal estndar se crea una nueva variable (Z) que ser igual a la
anterior (X) menos su media y dividida por su desviacin estndar (que es la raz cuadrada de la
varianza)
&
]
5
]
'
Esta nueva variable se distribuye como una normal estandarizada, permitindonos, por tanto,
conocer la probabilidad acumulada en cada valor.
Z: N (0, 1)
La distribucin normal estndar tiene la ventaja, como ya hemos indicado, de que las
probabilidades para cada valor de la curva se encuentran recogidas en una tabla.
Z
0,00
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,7580
0,7881
0,8159
0,8416
0,8643
0,8849
0,9032
0,9192
0,9332
0,9452
0,9554
0,9641
0,9713
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,5040
0,5438
0,5832
0,6217
0,6591
0,6950
0,7291
0,7611
0,7910
0,8186
0,8438
0,8665
0,8869
0,9049
0,9207
0,9345
0,9463
0,9564
0,9649
0,9719
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,5080
0,5478
0,5871
0,6255
0,6628
0,6985
0,7324
0,7642
0,7939
0,8212
0,8461
0,8686
0,8888
0,9066
0,9222
0,9357
0,9474
0,9573
0,9656
0,9726
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,5120
0,5517
0,5910
0,6293
0,6664
0,7019
0,7357
0,7673
0,7967
0,8238
0,8485
0,8708
0,8907
0,9082
0,9236
0,9370
0,9484
0,9582
0,9664
0,9732
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,5160
0,5557
0,5948
0,6331
0,6700
0,7054
0,7389
0,7704
0,7995
0,8264
0,8508
0,8729
0,8925
0,9099
0,9251
0,9382
0,9495
0,9591
0,9671
0,9738
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,5199
0,5596
0,5987
0,6368
0,6736
0,7088
0,7422
0,7734
0,8023
0,8289
0,8531
0,8749
0,8944
0,9115
0,9265
0,9394
0,9505
0,9599
0,9678
0,9744
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,5239
0,5636
0,6026
0,6406
0,6772
0,7123
0,7454
0,7764
0,8051
0,8315
0,8554
0,8770
0,8962
0,9131
0,9279
0,9406
0,9515
0,9608
0,9686
0,9750
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,5279
0,5675
0,6064
0,6443
0,6808
0,7157
0,7486
0,7794
0,8078
0,8340
0,8577
0,8790
0,8980
0,9147
0,9292
0,9418
0,9525
0,9616
0,9693
0,9756
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,5319
0,5714
0,6103
0,6480
0,6844
0,7090
0,7517
0,7813
0,8106
0,8365
0,8599
0,8810
0,8997
0,9162
0,9306
0,9429
0,9535
0,9625
0,9699
0,9761
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,5359
0,5723
0,6141
0,6517
0,6879
0,7224
0,7549
0,7852
0,8133
0,8389
0,8621
0,8830
0,9015
0,9177
0,9319
0,9441
0,9545
0,9633
0,9706
0,9767
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
21
Esta nueva variable se distribuye como una normal estndar. La variable Z que corresponde a una
variable X de valor 7 es:
7 5
2
]
1
22
4
1,22
23
b) Nivel de ingresos a partir del cual se sita el 10% de la poblacin con renta ms elevada.
Vemos en la tabla el valor de la variable estandarizada cuya probabilidad acumulada es el
0,9 (90%), lo que quiere decir que por encima se sita el 10% superior.
Ese valor corresponde a Z = 1,282 (aprox.). Ahora calculamos la variable normal X
equivalente a ese valor de la normal estndar:
1,282
4
1,22
Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con ingresos superiores a
5,57 millones de $ constituyen el 10% de la poblacin con renta ms elevada.
c) Nivel de ingresos mnimo y mximo que engloba al 60% de la poblacin con renta media
Vemos en la tabla el valor de la variable estndar Z cuya probabilidad acumulada es el 0,8
(80%). Como sabemos que hasta la media la probabilidad acumulada es del 50%, quiere
decir que entre la media y este valor de Z hay un 30% de probabilidad.
Por otra parte, al ser la distribucin normal simtrica, entre -Z y la media hay otro 30% de
probabilidad. En definitiva, el segmento (-Z, Z) engloba al 60% de poblacin con renta
media.
El valor de Z que acumula el 80% de la probabilidad es 0,842 (aprox.), por lo que el
segmento viene definido por (-0,842, +0,842). Ahora calculamos los valores de la variable X
correspondientes a estos valores de Z.
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con ingresos superiores a 2,97
millones de $ e inferiores a 5,03 millones de $ constituyen el 60% de la poblacin con un
nivel medio de renta.
Ejercicio 2: La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se
hace un estudio en una pequea ciudad de 10.000 habitantes:
a) Cuntas personas superarn previsiblemente los 75 aos?
b) Cuntos vivirn menos de 60 aos?
24
Solucin:
a) Personas que vivirn (previsiblemente) ms de 75 aos
Calculamos el valor de la normal estndar equivalente a 75 aos
]
75
Por lo tanto
68
1,4
60
68
1,6
DISTRIBUCIN EXPONENCIAL
Esta distribucin se utiliza como modelo para la distribucin de tiempos entre la
presentacin de eventos sucesivos.
Existe un tipo de variable aleatoria que obedece a una distribucin exponencial la cul se
define como EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL
PRIMER SUCESO.
Se dice que una variable aleatoria continua tiene una distribucin exponencial con
parmetro > 0 si:
25
Su varianza es:
Sea X una distribucin exponencial, entonces: P(X > a+t | X > a)=P( X >t )
Supongamos que la duracin de cierto componente en estado slido X es exponencial.
Entonces la probabilidad de que X dure t unidades despus de haber durado a unidades es
la misma que la probabilidad de que X dure t unidades cuando X estaba nuevo.
Suponga que el tiempo de respuesta X en cierta terminal de computadora en lnea (el
tiempo transcurrido entre el fin de la consulta del usuario y el principio de la respuesta del
sistema a esa consulta) tiene una distribucin exponencial con tiempo esperado de
respuesta igual a 5 s. Cul es la probabilidad de que el tiempo de respuesta sea a lo sumo
10 s?
Datos:
E ( X ) = 1 / = 5 seg.
as =0.2
$. $
10
10
0.865
0.865
26
10
10
0.233
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, est dado por:
Entonces:
T
=1
VT
>
Comparacin
La distribucin de Poisson en un experimento nos dice la frecuencia con la que puede ocurrir un
determinado error y la exponencial nos dice luego de que evento-tiempo ocurre este error.
27
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernoulli. Si lanzamos la
moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre s) se
distribuye segn una distribucin normal.
Este teorema se aplica tanto a suma de variables discretas como de variables continuas.
Los parmetros de la distribucin normal son:
Media: n* (media de la variable individual multiplicada por el nmero de variables
independientes)
Varianza: n* 2 (varianza de la variable individual multiplicada por el nmero de variables
individuales)
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el valor 0. Cada
lanzamiento es una variable independiente que se distribuye segn el modelo de Bernoulli, con
media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salga ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, segn una
distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal
estandarizada equivalente:
]
60 50
5,0
2,00
Por lo tanto:
P (X > 60) = P (Z > 2,0) = 1- P (Z < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salga ms de 60 caras es tan slo del
2,28%
28
Ejercicio 1: La renta media de los habitantes de un pas se distribuye uniformemente entre 4,0
millones $ y 10,0 millones de $. Calcular la probabilidad de que al seleccionar al azar a 100
personas la suma de sus rentas supere los 725 millones $.
Cada renta personal es una variable independiente que se distribuye segn una funcin uniforme.
Por ello, a la suma de las rentas de 100 personas se le puede aplicar el Teorema Central del
Lmite.
La media y varianza de cada variable individual es:
= (4 + 10 ) / 2 = 7
2 = (10 - 4)^2 / 12 = 3
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza son:
Media: n * = 100 * 7 = 700
Varianza: n * 2 = 100 * 3 = 300
Para calcular la probabilidad de que la suma de las rentas sea superior a 725 millones $,
comenzamos por calcular el valor equivalente de la variable normal tipificada:
]
725 700
17,3
1,44
Luego:
P (X > 725) = P (Z > 1,44) = 1 - P (Z < 1,44) = 1 - 0,9251 = 0,0749
Es decir, la probabilidad de que la suma de las rentas de 100 personas seleccionadas al azar supere
los 725 millones de pesetas es tan slo del 7,49%
Ejercicio 2: En una asignatura del colegio la probabilidad de que te saquen a la pizarra en cada
clase es del 10%. A lo largo del ao tienes 100 clases de esa asignatura. Cul es la probabilidad de
tener que salir a la pizarra ms de 15 veces?
Se vuelve a aplicar el Teorema Central del Lmite.
Salir a la pizarra es una variable independiente que sigue el modelo de distribucin de Bernoulli:
"Salir a la pizarra", le damos el valor 1 y tiene una probabilidad del 0,10
"No salir a la pizarra", le damos el valor 0 y tiene una probabilidad del 0,9
29
Por tanto, la suma de las 100 variables se distribuye segn una normal cuya media y varianza son:
Media: n *= 100 * 0,10 = 10
Varianza: n * 2 = 100 * 0,09 = 9
Para calcular la probabilidad de salir a la pizarra ms de 15 veces, calculamos el valor equivalente
de la variable normal tipificada:
]
15 10
3,0
1,67
Luego:
P (X > 15) = P (Z > 1,67) = 1 - P (Z < 1,67) = 1 - 0,9525 = 0,0475
Es decir, la probabilidad de tener que salir ms de 15 veces a la pizarra a lo largo del curso es tan
slo del 4,75%.
A la suma de las 80 apuestas se le aplica el Teorema Central del Lmite, por lo que se distribuye
segn una normal cuya media y varianza son:
30
50
38,8
4,5
2,50
Luego:
P (X > 50) = P (Z > 2,50) = 1 - P (Z < 2,50) = 1 - 0,9938 = 0,0062
Es decir, la probabilidad de doblar el dinero es tan slo del 0,62% (as, que ms vale que nos
pongamos a trabajar).
31