Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algunas Distribuciones de Probabilidad
Algunas Distribuciones de Probabilidad
Algunas distribuciones
importantes de probabilidad
En los temas anteriores se presentaban ejemplos de distintos experimentos aleatorios y de
variables aleatorias que expresan sus resultados. En este tema se estudian algunas distribuciones
de probabilidad para variables aleatorias discretas y continuas que son de uso frecuente y
aplicables a una amplia gama de experimentos o situaciones.
5.1.
Distribuciones discretas
5.1.1.
El modelo de Bernoulli
Denotaremos como xito a la ocurrencia del suceso A y como fracaso a la ocurrencia de A (es
decir, a la no ocurrencia de A).
Definimos la v.a. X como:
X=
1
0
si sucede A
si sucede A
78
5.1.2.
Distribucin Binomial
n x
p (1 p)nx , x = 0, 1, ..., n
x
Adems, E(X) = np y V ar(X) = npq.
P (X = x) =
Nota:
n
n!
=
x
x!(n x)!
Ejemplo 5.1: Una mquina produce artculos defectuosos en un porcentaje del 5 %. Calcular
5.1.3.
10
0,050 0,9510 = 0,401
0
Distribucin Hipergeomtrica
Supongamos que tenemos una urna con N bolas, de las cuales Np son rojas y Nq negras. La
proporcin de bolas rojas es por lo tanto p = Np /N y la proporcin de negras q = 1p = Nq /N.
Si extraemos de la urna n bolas sin reemplazamiento, entonces X =No de bolas rojas obtenidas
sigue una distribucin Hipergeomtrica de parmetros (N, n, p), que denotamos por H(N, n, p).
Su funcin de probabilidad es:
P (X = x) =
Np Nq
x
, Ma
x{0, n Nq }x Mn{n, Np }
Nnx
79
N n
.
N 1
Nota: Cuando se realiza un muestreo, ste puede ser sin o con reemplazamiento. Si es con
Adems, E(X) = np y V ar(X) = npq
reemplazamiento se utiliza la distribucin binomial para contar el nmero de xitos (en este caso
la probabilidad de xito permanece constante en las realizaciones), y si es sin reemplazamiento
se utiliza la distribucin hipergeomtrica (la probabilidad de xito no permanece constante).
Ejemplo 5.2: En una determinada universidad, el 20 % de los alumnos estn a favor de
la L.O.U. y el 80 % restante no lo est. Si un medio de comunicacin realiza una encuesta a 5
alumnos elegidos al azar para exponer su opinin en directo, cul es la probabilidad de que
ninguno de ellos se muestre a favor de la reforma?.
X = No de alumnos en la muestra a favor de la reforma H(100, 5, 0,2)
2080
P (X = 0) =
0 1005
5
5.1.4.
k+x1 k
p (1 p)x , x = 0, 1, 2, ...
P (X = x) =
x
n(1 p)
n(1 p)
.
y V ar(X) =
p
p2
Nota: Existe una relacin entre la distribucin Binomial Negativa y la distribucin Bino-
Adems, E(X) =
mial: sea X =No de fracasos hasta el ksimo xito BN (k, p). Si X = x, hay x fracasos y k
xitos, luego se ha realizado el experimento x + k veces. Si definimos ahora la v.a. Y =No de
xitos en las x + k realizaciones, es claro que Y B(x + k, p) y
P (X x) = P (Y k)
5.1.5.
Distribucin Geomtrica
Dpto.
80
Ejemplo 5.3: La probabilidad de recibir de manera errnea un bit enviado por un canal
de transmisin digital es 0.1. Calcula:
a. La probabilidad de que haya 15 bits correctamente transmitidos anteriores el tercer error
X = No de bits correctamente transmitidos antes del tercero errneo BN (3, 0,1)
17
P (X = 15) =
0,13 0,915
15
b. La probabilidad de que haya como mucho 4 transmisiones correctas anteriores al tercer
error.
P (X 4) =
o bien P (Y 3) siendo Y B(7, 0,1),
4
X
2+x
0,13 0,9x ,
x
x=0
P (Y 3) = 1 P (X 2) = 1 0,9743 = 0,0257
c. Nmero medio de transmisiones correctas hasta que se presente el primer error.
X = No de bits correctamente transmitidos antes del primero errneo G(0,1)
E(X) =
5.1.6.
q
0,9
=
=9
p
0,1
Distribucin de Poisson
e x
, x = 0, 1, 2, ...
x!
81
determinada franja horaria y pocos en otra, o no estar los defectos igualmente distribuidos en
el material, la distribucin de Poisson no sera apropiada.
Ejemplo 5.4: Una central telefnica recibe una media de 480 llamadas por hora. Si el
nmero de llamadas se distribuye segn una Poisson y la central tiene una capacidad para
atender a lo sumo 12 llamadas por minuto, cul es la probabilidad de que en un minuto
determinado no sea posible dar lnea a todos los clientes?
X = No de llamadas por minuto P (8)
P (X > 12) = 1 P (X 12) = 1 0,9362 = 0,0638
5.2.
Distribuciones continuas
5.2.1.
Distribucin Uniforme
Una v.a. X tiene una distribucin Uniforme en el intervalo [a, b], y lo denotamos por X
U (a, b), si su funcin de densidad es:
f (x) =
1
ba
si a x b
en otro caso
5.2.2.
a+b
(b a)2
y V ar(X) =
.
2
12
Distribucin Normal
u n
n
n
X
X
uX
ai Xi N
ai i , t
a2i 2i ,
Y =
i=1
Dpto.
i=1
i=1
82
0,4
0,1
0,3
0,2
0,1
0
-5
-3
-1
X
N (0, 1)
0,4
0,1
0,3
/2
0,2
/2
0,1
0
-5
-3
-1
-Z1/2
Figura 5.2:
Z1/2
83
Ejemplo 5.5: Una empaquetadora automtica se programa para producir paquetes de 500
g. Un estudio concluye que el peso en gramos de un paquete de la produccin es una variable
aleatoria X normal de media 498 g. y varianza 16. Sabemos que producir un gramo de producto
cuesta a la empresa 0.05 euros, mientras que lo vende a 0.09 euros. Llamemos B a la variable
beneficio de la empresa por paquete vendido.
a. Cul es la probabilidad de que un paquete presente un peso inferior a 490 g?.
X N (498, 4)
P (X 490) = P
X 498
490 498
4
4
= P (Z 2) = 0,0228
20 19,92
> 20) = P Z >
= P (Z > 0,5) =
0,16
= 1 P (Z 0,5) = 1 0,6915 = 0,3085
Dpto.
84
bmax 19,92
P Z
= 0,95
0,16
bmax 19,92
= 1,65
z0,95 =
0,16
bmax = 20,1840
5.2.3.
Distribucin Exponencial
Presenta la propiedad de falta de memoria: Sea X una v.a. con distribucin Exp(), y
1
= 3000 = = 0,0003
b. Calcula la probabilidad de que una componente se rompa antes de llevar 1000 horas de
funcionamiento.
P (X 1000) =
1000
Z
0,0003e0,0003x dx = 0,2592
85
c. Si las componentes tienen una garanta de un mes, calcula la probabilidad de que una
componente se rompa estando en garanta. En un lote de 50 componentes, cuntas se
esperan que se devuelvan estando en garanta?
Z720
P (X 720) =
0,0003e0,0003x dx = 0,1943
0
Y =No de componentes del lote que fallan estando en garanta B(50, 0,1943)
E(Y ) = 50 0,1943 ' 10
5.2.4.
Distribucin Gamma
Una v.a X sigue una distribucin Gamma de parmetros , , X G(, ), si su f.d.d. es:
f (x) =
donde
1 x
e
, x 0, , > 0,
x
()
+
Z
() =
x1 ex dx.
0
5.2.5.
Distribucin Chi-cuadrado
n
X
i=1
En adelante llamamos
2,n
bilidad , es decir, si X 2n ,
Xi 2n
P (X 2,n ) =
Dpto.
86
0,1
10
0,08
0,06
0,04
0,02
0
0
10
20
30
40
5.2.6.
Distribucin Beta
( + ) 1
(1 x)1 , 0 < x < 1, , > 0
x
()()
5.2.7.
y V ar(X) =
.
+
( + )2 ( + + 1)
Distribucin t de Student
n
, n > 2.
n2
87
En adelante llamamos t,n al valor de la variable tn que deja por debajo de l una probabilidad , es decir,
P (T t,n ) =
0,4
10
0,3
0,2
0,1
T ,n
0
-6
-4
-2
5.2.8.
Distribucin F de Snedecor
f (x) =
(n1 + n2 )n1 1 n2 2
( n21 )( n22 )
n1 2
2
(n1 x + n2 )
n1 +n2
2
, x>0
n2
n2 (2n2 + 2n1 4)
, n2 > 2. y V ar(X) = 2
, n2 > 4
n2 2
n1 (n2 2)2 (n2 4)
al valor de la variable F que deja por debajo de l una
P (F F,n1 ,n2 ) =
Delia Montoro Cazorla.
Dpto.
88
0,8
10,10
0,6
0,4
0,2
0
0
5.3.
1
F1,n2 ,n1
89
5.4.
3
= 2142h.
0,0014
Condicin
B(n, p) P (np)
P () N (, )
np < 5
> 10
n
N
H(N, n, p) B(n, p)
< 0,1
Observacin: Sea Xd una variable discreta cuya distribucin es aproximada por una la de
una continua Xc . Entonces, la aproximacin de probabilidades en Xd por probabilidades en Xc
exige lo que se llama una correccin por continuidad:
P (a Xd b) P (a 0,5 Xc b + 0,5)
Ejemplo 5.8: Un cuestionario de opcin mltiple contiene 200 preguntas, cada una de ellas
con cuatro respuestas posibles, y de ellas slo una es la correcta. Cul es la probabilidad de
que por simple conjetura el alumno obtenga entre 25 y 30 respuestas correctas para 80 de las
200 preguntas cuya respuesta ignora por completo?.
Definimos X =No de respuestas correctas por suerte B(80, 0,25) N (20, 3,87)
P (25 XB 30) P (24,5 XN 30,5),
donde XB hace referencia a la Binomial y XN a la Normal.
P (24,5 XN 30,5) = P (1,163 Z 2,713) = 0,9966 0,8770 = 0,1196
5.5.
Sean X1 , ..., Xn v.a. independientes con idntica distribucin (no especificada), con media
y varianza finita 2 . Entonces:
X1 + ... + Xn
X=
n
Dpto.
N ,
n
(n)
90
Ejemplo 5.9: Un oleoducto se forma uniendo tuberas cuya longitud vara aleatoriamente
segn una distribucin de media 10m y varianza 1m2 . Calcula la probabilidad de que uniendo
100 tuberas de manera independiente se complete un recorrido superior a 1025m.
Llamamos Xi =Longitud de la tubera i, i = = 10, 2i = 2 = 1, para i = 1, ..., 100.
100
X
Xi , y se verifica que
La longitud de 100 tuberas ser
i=1
X1 + ... + X100
1
X=
N 10,
100
100
Por lo tanto,
100
!
P
Xi > 1025
= P 100X > 1025 = P X > 10,25
i=1
5.6.
Ejercicios
91
5.6. Ejercicios
4. Se supone que el nmero medio de defectos en rollos de tela de cierta industria textil es
una variable aleatoria Poisson con una media de 0.1 defectos por metro cuadrado.
a. Cul es la probabilidad de encontrar un defecto en un metro cuadrado de tela?
b. Cuntos defectos se esperan en 10 m de tela?.
5. Los resultados obtenidos de 266 muestras de aire se clasifican de acuerdo con la presencia
de dos molculas raras. En 212 muestras de aire no hay ninguna de estas molculas, en 24
est solo presente la molcula 1, en 18 slo la molecula 2 y en 12 las dos simultneamente.
Suponiendo que las muestras de aire son independientes con respecto a la presencia de
la molculas, calcular la probabilidad de que si se analizan otras 50 muestras de aire al
menos dos contengan las molculas raras.
6. Una persona pasa todas las maanas a la misma hora por un semforo que est en verde el
20 % de las veces. Cul es la probabilidad de que en 5 maanas consecutivas se encuentre
el semforo en verde tan solo un da?.
7. La escala electrnica de un proceso de llenado automtico detiene la lnea de produccin
despus de haber detectado 3 paquetes con un peso menor que el especificado. Suponga
Delia Montoro Cazorla.
Dpto.
92
que la probabilidad de llenar un paquete con un peso menor es de 0.001 y que cada
operacin de llenado es independiente.Calcula
a. Probabilidad de que la lnea de produccin se detenga despus de haber llenado el
dcimo paquete.
b. Nmero esperado de operaciones de llenado antes de que se detenga la linea de
produccin.
8. El siguiente sistema est formado por 4 componentes idnticas con funcionamiento independiente y exponencialmente distribuido. Se estima que el tiempo de fallo de una
componente es de 1000 horas.
Calcula:
a. Probabilidad de que una componente falle antes de las 1000 horas de funcionamiento.
b. Si una componente lleva funcionando 800 horas, cul es la probabilidad de que
funcione 200 horas ms?.
c. Probabilidad de que el sistema falle despus de las 3000 horas de funcionamiento.
9. El tiempo entre llegadas consecutivas de mensajes al mvil de un individuo sigue una
distribucin exponencial con media 30 minutos.
a. Si un individuo enciende el mvil a las 10 de la maana y no ha recibido ningn
mensaje, cul es la probabilidad de que entre las 10 y las 12 reciba al menos uno?.
b. Si el mvil no puede almacenar ms de 15 mensajes en memoria, qu tiempo medio
transcurrir desde que el individuo limpia la memoria hasta que sta se satura?.
10. El tiempo de baja por enfermedad de los empleados de una empresa en un mes tiene
distribucin normal con media 100 horas y desviacin estndar 20 horas. Calcula:
93
5.6. Ejercicios
a. Probabilidad de que el tiempo de baja del siguiente mes est entre 50 y 80 horas.
b. Canto tiempo de baja deber planear la empresa para que la probabilidad de excederlo sea slo de 0.1
11. Supngase que en la deteccin de una seal digital el rudo de fondo tiene una distribucin
normal con media 0 voltios y desviacin estndar 0.45 voltios. Si el sistema supone que se
ha transmitido un uno digital cuando el voltaje es superior a 0.9 (deteccin falsa), cul es
la probabilidad de detectar un uno digital cuando en realidad no se ha enviado ninguno?.
12. El funcionamiento de un sistema se clasifica en correcto y deteriorado. El tiempo que
transcurre hasta el fallo del sistema (en horas) cuando su funcionamiento es correcto sigue
una distribucin exponencial de parmetro c = 0,001, y una distribucin exponencial
de parmetro d = 0,02 cuando su funcionamiento est deteriorado. Los datos de una
muestra de este tipo de sistemas indican que de cada 100 horas que el sistema opera, 80
lo hace correctamente y el resto en estado deteriorado.
Si en un instante de tiempo t el sistema est operativo (funciona),
a. calcula la probabilidad de que su funcionamiento est deteriorado.
b. calcula la probabilidad de que falle 1000 horas despus de ese instante t.
13. El nmero de toneladas de mineral que produce una mina semanalmente es una variable
aleatoria con media 10 y desviacin tpica 16. Si se observa la produccin durante 50
semanas, calcula:
a) Probabilidad de que el nmero medio de toneladas por semana est entre 6 y 14.
b) Probabilidad de que la produccin de 50 semanas sea superior a 60 toneladas.
14. El nmero medio de automviles que llega a una estacin de sumunistro de gasolina es
de 210 por hora. Si dicha estacin puede atender a un mximo de 10 automviles por
minuto, determinar la probabilidad de que en un minuto dado lleguen a la gasolinera ms
automviles de los que se pueden atender.
15. Se sabe que la concentracin de amoniaco en sagre venosa de individuos sanos se distribuye
segn una Normal con media 110 microgramos/mm3 y varianza desconocida.
Delia Montoro Cazorla.
Dpto.
94
95
5.6. Ejercicios
Dpto.