NOMBRE: ESTALIN PINTADO

FECHA: 01/04/2016
MATERIA: ESTADISTICA II

CLASIFICACION DE DISTRIBUCIONES DE PROBABILIDAD

DEFINICION:

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.

Se clasifican en los siguientes:

1. DISTRIBUCIN DE BERNOULLI

La distribucin de Bernoulli de parmetro p es el modelo ms simple de probabilidad.

Se aplica a situaciones en las que un cierto atributo aparece con probabilidad p (xito) y la
ausencia de este mismo atributo con probabilidad q=1-p (fracaso), como en el lanzamiento de
una moneda. Que puede dar como resultado cara o cruz.

Es una distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito y
valor 0 para la probabilidad de fracaso.

Su frmula es:

Ejemplo:

Un jugador de basquetbol est a punto de tirar hacia la parte superior del tablero. La
probabilidad de que anote el tiro es de 0.55
Sea X=1 si anota el tiro. Si no lo hace X=0. Determine la media y la varianza de X.
Si anota el tiro, su equipo obtiene 2 puntos. Si lo falla su equipo no recibe puntos. Sea Y el
nmero de puntos anotados tiene una probabilidad de Bernoulli? Si es as, encuentre la
probabilidad de xito. Si no explique.
Determine la media y varianza de Y.

Media Px=(0)(1-0.55)+(1)(0.55)= PX=0.55

Varianza V2M=(0-0.55)2 (0.55)(0-0.55)2 (0.45)=

V2X =0.2475

No, una variable aleatoria de Bernoulli tiene valores positivos de 0 y 1 mientras que los valores
de Y son 0 y 2.
X P XP

1 0.55 1.1
0 0.45 0

(Y-M) 2 *P

(2-1.1) 2 (0.55)(0-1.1) 2 (0.45)= 0.99

2. DISTRIBUCIN BINOMIAL

La distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de

xitos en una secuencia de n ensayos de BERNOULLI independientes entre s, con una
probabilidad fija p de ocurrencia del xito entre los ensayos.

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

Ejemplo:

Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan de
buena salud. Segn las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 aos o ms es 2/3. Hllese la probabilidad de que, transcurridos 30 aos,
vivan:

Las cinco personas

B(5, 2/3) p = 2/3 q = 1/3

Al menos tres personas

Exactamente dos personas

3. DISTRIBUCION POISSON

Se trata de un modelo discreto, pero en el que el conjunto de valores con probabilidad no nula
no es finito, sino numerable.

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

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:

El nmero de mensajes recibidos por el tablero computado de anuncios es una variable

aleatoria de Poisson con una razn media de ocho mensajes por hora.

a) Cul es la probabilidad de que se reciban cinco mensajes en una hora?

b) Cul es la probabilidad de que se reciban diez mensajes en 1.5 horas?

a) Cul es la probabilidad de que se reciban cinco mensajes en una hora?

85
P(X=3)= e-8* 5!
32768
P(X=3)= 3.354626279x10-4 * 120
P(X=3)= 3.354626279x10-4 * 273.0666667
P(X=3)= 0.09160366

b) Cul es la probabilidad de que se reciban diez mensajes en 1.5 horas?

1210
P(X=10)= e-12* 10!
6.1917364231010
P(X=10)= 6.144212353x10-6 * 3628800
P(X=10)= 6.144212353x10-6 * 17062.76571
P(X=10)= 0.104837255
 4. DISTRIBUCIN NORMAL

Es un modelo matemtico que rige muchos fenmenos. La experiencia demuestra que las
distribuciones de la mayora de las muestras tomadas en el campo de la industria se aproximan
a la distribucin normal si el tamao de la muestra es grande.

La tabl a nos da las p r o babi l i dades d e P( z k) , siendo z la variable tipificada.

Estas probabilidades nos dan la fu n ci n d e di st r i bu ci n ( k) .

( k) = P( z k )

Ejemplo:

En una ciudad se estima que la temperatura mxima en el mes de junio sigue una
distribucin normal, con media 23 y desviacin tpica 5. Calcular el nmero de das del mes
en los que se espera alcanzar mximas entre 21 y 27

5. DISTRIBUCIN GAMMA

En estadstica la distribucin gamma es una distribucin de probabilidad continua con dos

parmetros k y cuya funcin de densidad para valores x > 0 es

Ejercicio

El nmero de pacientes que llegan a la consulta de un mdico sigue una distribucin de Poisson
de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de una hora
hasta la llegada del segundo paciente.
Debe tenerse en cuenta que la variable aleatoria tiempo que transcurre hasta la llegada del
segundo paciente sigue una distribucin Gamma (6, 2).

Clculo de probabilidades. Distribuciones continuas

Gamma (a p)

a : Escala 60000

p : Forma 20000

Punto X 10000
Cola Izquierda Pr[X<=k] 0,9826
Cola Derecha Pr[X>=k] 0,0174
Media 0,3333
Varianza 0,0556
Moda 0,1667

La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es
0,98.

6. DISTRIBUCIN T STUDENT

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad

que surge del problema de estimar la media de una poblacin normalmente distribuida
cuando el tamao de la muestra es pequeo.

La prueba t-Student fue desarrollada en 1899 por el qumico ingls William Sealey Gosset
(1876-1937), mientras trabajaba en tcnicas de control de calidad para las destileras Guiness
en Dubln

Ejercicio:

La duracin de un ventilador, en horas , que se usa en un sistema computacional tiene una

distribucin de Weibull con = . = .

Cules la probabilidad de que un ventilador dure mas de 10 000 horas?

1.5 1.5
P(T>10 000 ) =1 (1- [(0.0001)(10 000)] ) = [(0.0001)(10 000)] = 0.3679

Cul es la probabilidad de que un ventilador dure menos de 5000 horas?

1.5
P(t<5000) =P(T 5000) = 1 [(0.0001)(5000)] = .

BIBLIOGRAFIA

Yovana Marin. (2012). Tipos de Distribuciones.2016, de SlideShare Sitio web:

http://es.slideshare.net/yovana93/tipos-de-12071948
Adrian Fernandez. (2012). Distribuciones. 2016, de vitutor Sitio web:
http://www.vitutor.com/pro/3/a_3.html
Fernando Pazmio. (2012). Distribucin de Bernoulli y Distribucin Binomial.
2016,deblospotSitioweb:http://fernando725.blogspot.com/2012/11/distribucion-de-
bernoulli.html