DISTRIBUCIN DE PROBABILIDAD

Una distribucin de probabilidad indica toda la gama de valores que pueden

representarse como resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de 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
Toda distribucin de probabilidad es generada por una variable (porque puede
tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al
azar), y puede ser de dos tipos:

VARIABLE ALEATORIA DISCRETA (x).

Porque solo puede tomar valores enteros y un nmero finito de ellos. Por
ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos (1, 2 ,3 los 40).

VARIABLE ALEATORIA CONTINUA (x).

Porque puede tomar tanto valores enteros como fraccionarios y un nmero
infinito de ellos dentro de un mismo intervalo. Por ejemplo:
x es la Variable que nos define la concentracin en gramos de plata de algunas
muestras de mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, ,
n)
DISTRIBUCIN BINOMIAL
La distribucin Binomial es un caso particular de probabilidad de variable
aleatoria discreta, y por sus aplicaciones, es posiblemente la ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio que
cumple con las siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A,
llamado xito, y el suceso B, llamado fracaso.

* Al repetir el experimento, el resultado obtenido es independiente de los

resultados obtenidos anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba
del experimento a otra.
* En cada experimento se realizan n pruebas idnticas.
Formula:

Ejemplo:

DISTRIBUCION NORMAL
La Normal es la distribucin de probabilidad ms importante. Multitud de
variables
aleatorias
continuas
siguen
una
distribucin
normal
o
aproximadamente normal. Una de sus caractersticas ms importantes es que
casi cualquier distribucin de probabilidad, tanto discreta como continua, se
puede aproximar por una normal bajo ciertas condiciones.
La distribucin de probabilidad normal y la curva normal que la representa,
tienen las siguientes caractersticas:

La curva normal tiene forma de campana y un solo pico en el centro de

la distribucin. De esta manera, la media aritmtica, la mediana y la
moda de la distribucin son iguales y se localizan en el pico. As, la mitad
del rea bajo la curva se encuentra a la derecha de este punto central y
la otra mitad est a la izquierda de dicho punto.

La distribucin de probabilidad normal es simtrica alrededor de su

media.

La curva normal desciende suavemente en ambas direcciones a partir

del valor central. Es asinttica, lo que quiere decir que la curva se acerca
cada vez ms al eje X pero jams llega a tocarlo. Es decir, las colas de
la curva se extienden de manera indefinida en ambas direcciones.

Ejemplo:

DISTRIBUCIN CHI CUADRADO

La distribucin de Pearson, llamada tambin ji cuadrada(o) o chi cuadrado(a)

(), es una distribucin de probabilidad continua con un parmetro k que
representa los grados de libertad de la variable aleatoria

Donde
son variables aleatorias normales independientes de media cero y varianza uno. El
que la variable aleatoria
tenga esta distribucin se representa habitualmente as:
.
EJEMPLO:

1. Encuentre la probabilidad de que una muestra aleatoria de 25

observaciones, de una poblacin normal con varianza
, tenga una varianza muestral:
a. Mayor que 9.1
b. Entre 3.462 y 10.745
Solucin.
a. Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24 grados de libertad nos da un

rea a la derecha de 0.05. Por lo que la P(s2 >9.1) = 0.05
1. Se calcularn dos valores de ji-cuadrada:

y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de
libertad. Al buscar el valor de 13.846 se encuentra un rea a la derecha
de 0.95. El valor de 42.98 da un rea a la derecha de 0.01. Como se est
pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos
0.01 quedando 0.94.

Por lo tanto la P(3.462

s2

10.745) = 0.94

DISTRIBUCION GAMMA

Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones,

se utiliza para modelar variables que describen el tiempo hasta que se
produce p veces un determinado suceso.
Su funcin de densidad es de la forma:

Como vemos, este modelo depende de dos parmetros positivos: y p. La

funcin (p) es la denominada funcin Gamma de Euler que representa la
siguiente integral:

que verifica (p + 1) = p(p), con lo que, si p es un nmero entero

positivo, (p + 1) = p!
El siguiente programa permite visualizar la forma de la funcin de
densidad de este modelo (para simplificar, se ha restringido al caso en
que p es un nmero entero).

EJEMPLO:

DISTRIBUCION DE PROBABILIDAD BETA

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros

definida en el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo
para fracciones, tal como la proporcin de impurezas en un producto qumico o la
fraccin de tiempo que una maquina est en reparacin.

Funcin de densidad probabilidad:

, 0;0 y 1
y 1 (1 y ) 1
f ( y) {
B ( , )

En cualquier otro punto donde

B( , ) y 1 (1 y ) 1 dy

( ) ( )
( )

Ejemplo:

DISTRIBUCION DE PROBABILIDAD EXPONENCIAL

A partir de un proceso de Poisson, la distribucin de una v.a.

definida como el tiempo
transcurrido entre la ocurrencia de dos eventos consecutivos, se denomina exponencial y se
denota por

. Observe que se ha dado un salto cualitativo, puesto que la variable

definida es continua, tomando valores en el intervalo

. Se verifica que:

y por tanto:

derivando se obtiene la funcin de densidad de

(figura

):

Los parmetros de la distribucin son:

EJEMPLO:

Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una

distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a
una persona a la que se le ha implantado este marcapasos se le deba reimplantar
otro antes de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos
en un paciente, cul es la probabilidad de que haya que cambiarlo antes de
aos?
Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos en
una persona. Tenemos que

Entonces

En segundo lugar

DISTRIBUCION DE BERNULLI

Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados

se agrupan en dos conjuntos excluyentes que llamaremos xito (E) y fracaso
(F), con respectivas probabilidades: p = P(E) y 1 p = P(F).
Ejemplo.

1) Tenemos cartas que estn enumeradas del 1 al 9 Cul es la probabilidad de

sacar la carta 9?
La probabilidad de que obtengamos la carta 9.
P(x=1) = (1/9) 1 * (8/9) 0 = 1/9 = 0.111

 La probabilidad de que NO obtengamos la carta 9.

P(x=0) = (1/9)0 * (8/9)1 = 8/9 = 0.888

DISTRIBUCIN DE PROBABILIDAD DE POISSON

En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, 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, rea o producto
= 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Ejemplo.- 1 Si ya se conoce que solo el 3% de los alumnos de contabilidad son
muy inteligentes Calcular la probabilidad de que si tomamos 100 alumnos al azar
5 de ellos sean muy inteligentes:

n= 100
P=0.03
=100*0.03=3
x=5

DISTRIBUCION DE PROBABILIDAD GEOMETRICA

Esta distribucin es un caso especial de la Binomial, ya que se desea que

ocurra un xito por primera y nica vez en el ltimo ensayo que se
realiza del experimento, para obtener la frmula de esta distribucin,
haremos uso de un ejemplo.
la frmula a utilizar cuando se desee calcular probabilidades con esta
distribucin sera;

Donde:
p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y
nica vez
p = probabilidad de xito
q = probabilidad de fracaso
EJEMPLO

Los registros de una compaa constructora de pozos, indican que la probabilidad de

que uno de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de
0.20. Cul es la probabilidad de que el quinto pozo construido por esta compaa en
un ao dado sea el primero en requerir reparaciones en un ao?.

Solucin:
x = 5 que el quinto pozo sea el primero que requiera reparaciones en un
ao
p = 0.20 = probabilidad de que un pozo requiera reparaciones en el
trmino de un ao
q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el
trmino de un ao

p(x = 5) =

DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA

Los experimentos que tienen este tipo de distribucin tienen

las siguientes caractersticas:
a)

Al realizar un experimento con este tipo

distribucin, se esperan dos tipos de resultados.

b)

Las probabilidades asociadas a cada uno de los

resultados no son constantes.

c)

Cada ensayo o repeticin del experimento no es

independiente de los dems.

d)

El nmero de repeticiones del experimento (n) es

constante.

Luego;

de

donde:

p(x,n) = probabilidad de obtener x objetos defectuosos

de entre n seleccionados

muestras de n objetos en donde hay x que

son defectuosos y n-x buenos

todas las muestras posibles de seleccionar

de n objetos tomadas de entre N objetos en total =
espacio muestral

EJEMPLO

De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3

proyectiles defectuosos que no explotarn, cul es la probabilidad de que , a) los 4
exploten?, b) al menos 2 no exploten?

Solucin:
a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero
de proyectiles que explotan entre la muestra que se dispara

b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan
p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3;
n=4) =