Distribución Uniforme

• Distribución uniforme continua:

Distribución de probabilidad para variable aleatorias continuas tales
que para cada miembro de la familia, todos los intervalos de igual
longitud en la distribución en su rango son igualmente probables.
• Distribución uniforme discretas:
Distribución de probabilidad que asume un numero finito de valores
con la misma probabilidad.
Formulas
• La función de densidad debe tomar el mismo valor para todos los puntos dentro
del intervalo (a,b) (Cero fuera del intervalo).

• La función de distribución se obtiene integrando la función de densidad.

Ejemplos
Lanzamiento de una moneda
Lanzamiento de un dado
Lotería
Ruleta
• Distribución uniforme discretas:
Para un dado perfecto, todos los resultados tienen la misma probabilidad 1/6
luego, la probabilidad de que al lanzarlo caiga 4 es de 1/6 .
• Distribución uniforme continua:
El volumen de precipitaciones estimado para el próximo año en la ciudad de Ibagué
va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función de
distribución y la precipitación media esperada.
 Distribución Bernoulli
• Nombrada así por el matemático suizo Jacob Bernoulli.
• Es una distribución de probabilidad discreta, que toma valor 1 para la
probabilidad de éxito (P) y valor 0 para la probabilidad de fracaso
(q = 1 - P).
Si X es una variable aleatoria que mide el "número de éxitos", y se
realiza un único experimento con dos posibles resultados (éxito o
fracaso), se dice que la variable aleatoria X se distribuye como una
Bernoulli de parámetro P.
Formula
Ejemplos
Al lanzar una moneda sesgada con p =P(cruz) una vez.
Definimos una variable X como
X = (1 si sale cruz)
(0 si sale cara)
Es decir que X = el número de cruces.
En este caso, se dice que X tiene una distribución de Bernoulli con parámetro p.
Una variable con solo dos posibles resultados (cruz / cara, éxito / fracaso) donde se
da un valor de 1 en caso de cruz (éxito) y 0 en caso de cara (fracaso) tiene una
distribución de Bernoulli. El experimento se llama un ensayo de Bernoulli.
 DISTRIBUCION BINOMIAL
La distribución binomial puede considerarse como una generalización del modelo de
Bernoulli,(experimento aleatorio éxito-fracaso) en donde el experimento se realiza n veces y se
utiliza en experimentos o eventos que tiene las siguientes características:

 Solo hay 2 posibles resultados.

 Los resultados son independientes.
 La probabilidad de éxito permanece constante en todas las veces que se realice el
experimento
 El experimento se realiza n veces bajo las mismas condiciones y estamos interesados en que
hayan x éxitos.
 Cuando hay extracción de elementos, se debe realizar con reemplazo.
 DISTRIBUCION BINOMIAL

P(x)=
n=de pruebas (ensayos), cada uno de cuyos resultados es uno de dos resultados mutuamente excluyentes (variable dicotómica).
P=La probabilidad de éxito
(1- p) o q =La probabilidad de fracaso es
 DISTRIBUCIÓN POISSON
Esta es otra distribución de probabilidad discreta útil en la que la variable aleatoria representa
el número de eventos independientes que ocurren a una velocidad constante.

Es el principal modelo de probabilidad empleado para analizar problemas de líneas de espera,

confiabilidad y control de calidad

 La variable aleatoria es el numero de veces que ocurre un evento durante un intervalo

definido.
 La probabilidad de que ocurra el evento es proporcional al tamaño del intervalo.
 Los intervalos no se superponen y son independientes.
 DISTRIBUCIÓN POISSON

X =correspondiente al número de ocurrencias en el intervalo es llamada variable aleatoria Poisson.

e= número irracional famoso ,equivale a apro=2,7182
 EJEMPLOS POISSON
NUMERO 1

40*0,08
 EJEMPLOS POISSON
NUMERO 2

=85*0,02
 EJEMPLOS POISSON
En un banco un asesor comercial atiende en promedio a 3 personas por hora ¿Cuál es
la probabilidad que en la siguiente hora atienda a solamente a 2 personas?
DISTRIBUCIÓN BINOMIAL NEGATIVA
La distribución binomial negativa o distribución de Pascal es una
generalización de la distribución geométrica donde la variable aleatoria
X es el número de ensayos Bernoulli efectuados hasta que se tienen r
éxitos, con una probabilidad constante de éxito p. Se dice entonces que
X tiene una distribución binomial negativa con parámetros p y r = 1, 2,
3,…
FORMULAS
EJEMPLOS
DISTRIBUCIÓN HIPERGEOMÉTRICA
Sea N el número de elementos de un conjunto de los cuales k son
determinados como éxitos y N-k como fallas, se trata ahora de
determinar la probabilidad de x éxitos en n ensayos de los N elementos
del conjunto donde k £ N y n £ N. Sea también la variable aleatoria X el
número de éxitos en la muestra. Entonces, X tiene una distribución
hipergeométrica.
FORMULAS
EJEMPLOS
Un lote de 75 quesos contiene cinco en los que la variabilidad de su
peso es inaceptable. Se toma una muestra al azar de 10 quesos, sin
reemplazo. Determine las siguientes probabilidades. Antes de iniciar
con el cálculo de las probabilidades, se debe identificar el tipo de
variable aleatoria que interviene en el problema y sus respectivos
parámetros. Sea X el número de quesos inaceptables en una muestra
de 10, tomados de un lote de 75 quesos de los cuales 5 son
inaceptables. Esto es, X es una variable aleatoria hipergeométrica con
parámetros N=75, k=5 y n=10 y su distribución de probabilidad es:
a) ¿Cuál es la probabilidad que ninguno de los quesos inaceptables
este en la muestra?

b) ¿Cuál es la probabilidad que al menos uno de los quesos

inaceptables este en la muestra?

c) ¿Cuál es la probabilidad que exactamente uno de los quesos

inaceptables este en la muestra?
 DISTRIBUCIÓN NORMAL
• TAMBIÉN CONOCIDA COMO CAMPANA DE GAUSS.
• TOMA EN CUENTA LA MEDIA (Μ) Y LA DESVIACIÓN ESTÁNDAR (Σ).
• ES SIMÉTRICA RESPECTO AL CENTRO.
• PODEMOS USAR LA DISTRIBUCIÓN NORMAL COMO UNA
HERRAMIENTA PARA CALCULAR PROBABILIDADES.
• CUANTO MÁS ALEJADO ES EL VALOR DEL CENTRO DE LA
FUNCIÓN, MENOS PROBABLE ES OBSERVAR ESE VALOR.
• CUANTO MAYOR ES LA DESVIACIÓN ESTÁNDAR MAYOR
ES LA DISPERSIÓN DE LA VARIABLE.
• UNA DISTRIBUCIÓN NORMAL ESTÁNDAR O TIPIFICADA
ES CUANDO LA Μ ES 0 Y LA VARIANZA ES 1.
 FORMULAS

FUNCIÓN DE
DENSIDAD

FUNCIÓN
DISTRIBUCIÓN
ACUMULADA

MEDIA
VARIANZA
Simbología
 EJEMPLO 2

POR MEDIO DE UN TAMIZ DE MALLA DE 8 MM DE DIÁMETRO SE ZARANDEAN 8000 GRANOS DE

MAÍZ. EL DIÁMETRO DEL GRANO DE MAÍZ SIGUE UNA DISTRIBUCIÓN NORMAL CON UNA MEDIA
IGUAL A 9 MM Y UNA DESVIACIÓN ESTÁNDAR DE 1.2 MM.
• A) ¿QUÉ PROPORCIÓN DE GRANOS SERÁN RETENIDOS POR EL TAMIZ?
• B) ¿ QUÉ PROPORCIÓN DE GRANOS NO RETENIDOS, SERÁN RETENIDOS POR UN TAMIZ DE
DIÁMETRO DE MALLA IGUAL A 7.5 MM?
• C) ¿QUÉ PROPORCIÓN DE GRANOS PASARÁ A TRAVÉS DE LOS DOS TAMICES?
 EJEMPLO 3
LA VARIABLE ALTURA DE PLÁNTULAS PARA UNA POBLACIÓN DADA SE DISTRIBUYE NORMALMENTE
CON MEDIA Μ = 170 MM Y Σ = 5 MM. ENCONTRAR LA PROBABILIDAD DE LOS SIGUIENTES
EVENTOS:
• A) PLANTAS CON ALTURAS DE AL MENOS 160 MM.
• B) PLANTAS CON ALTURAS ENTRE 165 Y 175 MM.
 DISTRIBUCIÓN T DE STUDENT
• SURGE DEL PROBLEMA DE ESTIMAR LA MEDIA DE
UNA POBLACIÓN CUANDO ES PEQUEÑA.
• SE UTILIZAN EN MUESTRAS PEQUEÑAS DE 30 O
MENOS ELEMENTOS.
• ES IMPORTANTE EN LA INFERENCIA RESPECTO A LA
MEDIA.
• TIENE UNA GRAFICA SIMILAR A LA DISTRIBUCIÓN
NORMAL PERO MÁS
DISPERSA.
• TIENE UNA DISTRIBUCIÓN SIMÉTRICA EN FORMA DE
CAMPANA, CON LA
MEDIA IGUAL A 0
• TIENE UN ÚNICO PARÁMETRO LLAMADO “GRADO DE
LIBERTAD (K)”.
FORMULAS

Ѵ=N -1
 EJEMPLO 2

LOS VALORES DE LAS MATRICULAS DE ESTUDIANTES EN UNA UNIVERSIDAD PRIVADA TIENEN UN

COMPORTAMIENTO APROXIMADAMENTE NORMAL, DONDE EL PROMEDIO ES DE 2.100.000. SE
SELECCIONAN 8 LIQUIDACIONES, SIENDO LOS VALORES LOS SIGUIENTES: 1.950.000, 2.100.000,
2.250.000, 1.890.000, 2.250.000, 1.950.000, 2.050.000, 2.350.000. DETERMINE LA
PROBABILIDAD DE QUE:
• EL PROMEDIO SEA MENOR DE 2.000.000.
• EL PROMEDIO SE ENCUENTRE ENTRE 2.000.000 Y 2.200.000
• EL PROMEDIO SEA MAYOR O IGUAL A 2.500.000
 EJEMPLO 3

LOS PUNTAJES DE UN GRUPO DE ESTUDIANTES SE COMPORTAN NORMAL, CON PROMEDIO DE

50, SIN EMBARGO, NO SE CONOCE LA DESVIACIÓN. SE TOMÓ UNA MUESTRA ALEATORIA DE 9
ESTUDIANTES ENCONTRANDO UNA VARIANZA DE 36 Y UN PROMEDIO DE 52. CUÁL ES LA
PROBABILIDAD DE QUE EL PROMEDIO:
• SEA MAYOR DE 54?
• SEA MENOR QUE 54?
• ESTÉ COMPRENDIDO ENTRE 48 Y 52 PUNTOS?
 DISTRIBUCIÓN EXPONENCIAL
• ESTA DISTRIBUCIÓN SE UTILIZA COMO MODELO PARA LA DISTRIBUCIÓN DE TIEMPOS ENTRE LA
PRESENTACIÓN DE EVENTOS SUCESIVOS.
• EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO.
POR EJEMPLO, LA DISTRIBUCIÓN EXPONENCIAL SE PUEDE UTILIZAR PARA ORGANIZAR:
• CUÁNTO TIEMPO TARDA EN FALLAR UN COMPONENTE ELECTRÓNICO
• EL INTERVALO DE TIEMPO ENTRE LAS LLEGADAS DE CLIENTES A UNA TERMINAL
• EL TIEMPO QUE ESPERAN LOS CLIENTES EN FILA HASTA RECIBIR SERVICIO
• EL TIEMPO HASTA QUE SE DECLARA EL INCUMPLIMIENTO DE UN PAGO (MODELOS DE RIESGO DE
CRÉDITO).
• EL TIEMPO PARA DESINTEGRACIÓN DE UN NÚCLEO RADIACTIVO
 FORMULAS

FUNCIÓN DE
DENSIDAD

FUNCIÓN
DISTRIBUCIÓN
ACUMULADA

MEDIA

VARIANZA
X ~ e(λ)
Simbología
 EJEMPLOS 1

EL TIEMPO DE REVISIÓN DEL MOTOR DE UN AVIÓN SIGUE UNA DISTRIBUCIÓN EXPONENCIAL

CON MEDIA 22 MINUTOS.
• A) ENCONTRAR LA PROBABILIDAD DE QUE EL TIEMPO DE REVISIÓN SEA MENOR
A 10 MINUTOS.
• B) ¿CUÁL ES EL TIEMPO DE REVISIÓN DE UN MOTOR SUPERADO POR EL 10% DE LOS TIEMPOS
DE REVISIÓN?
 EJEMPLO 2

EL TIEMPO DE VIDA DE UNA LÁMPARA ESPECIAL SIGUE UNA DISTRIBUCIÓN EXPONENCIAL CON
MEDIA 100 HS.
• A) ¿CUÁL ES LA PROBABILIDAD DE QUE UNA LÁMPARA DURE POR LO MENOS 30 HORAS?
 APROXIMACIÓN DE LA BINOMIAL A LA NORMAL

Se utiliza la aproximación Normal para evaluar probabilidades Binomiales

siempre que p no esté cercano a 0 o 1. La aproximación es excelente
cuando n es grande y bastante buena para valores pequeños de n si p está
razonablemente cercana a ½. Una posible guía para determinar cuando puede
utilizarse la aproximación Normal es tener en cuenta el cálculo de np y nq. Sí
ambos, np y nq son mayores o iguales a 5, la aproximación será buena.
Cual es la probabilidad de aprobar como máximo 10 preguntas en un
examen de 20 preguntas de opción múltiple con 3 alternativas cada
una resuelta al azar. n=20
x=10 Normal
Binomial p=1/3 Tendría que cumplirse lo siguiente:
q=2/3
n*p ≥5-------------20*(1/3)=6,66
n*q ≥5-------------20*(2/3)=13,33
 EJEMPLOS
NUMERO 1
 EJEMPLOS
NUMERO 2
 EJEMPLOS
NUMERO 3