Está en la página 1de 9

Universidad Tcnica de Ambato

Facultad de Ingeniera en Sistemas


Electrnica e Industrial

Carrera: Ingeniera Industrial en Procesos


de Automatizacin

Modulo: Estadistica y Probabilidad

Docente: Ing. Mg. Franklin Tigre

Nombre: David Herrera


david.herrera1@live.com

Nivel: III B

Periodo acadmico: Octubre 2015- Febrero


2016

Ambato - Ecuador

1. Tema
Distribuciones de probabilidad
2. Objetivos
2.1 General
Conocer que son las distribuciones de probabilidad
2.2 Especifico
2.2.1 Identificar los tipos de distribuciones de probabilidad
existentes
3. Marco teorico

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).
PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(xi)<1 Las probabilidades asociadas a cada uno de los valores que
toma x deben ser mayores o iguales a cero y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de
los valores que toma x debe ser igual a 1.
EJEMPLO
Para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos resulatdos: o
cara
(50%),
o
cruz
(50%).
La siguiente tabla nos muestra los posibles resultados de lanzar dos
veces una moneda:

Al realizar la tabla de distribucin del nmero posible de caras que se obtiene


al lanzar una moneda dos veces, obtenemos:

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)
PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(x) Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad de
probabilidad deber tomar solo valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.
ESPERANZA MATEMATICA O VALOR ESPERADO
El valor esperado de una Variable Aleatoria X es el promedio ponderado de
todos los valores posibles de la misma. Donde los pesos son las probabilidades
asociadas con los valores.
Para calcular el valor esperado de una variable aleatoria por su
correspondiente probabilidad y luego sumar los trminos resultante.

La esperanza matemtica o valor esperado de una variable aleatoria tiene sus


orgenes en los juegos de azar, debido a que los apostadores deseaban saber
cul era su esperanza de ganar repetidamente un juego, por lo tanto, el valor
esperado representa la cantidad de dinero promedio que el jugador est
dispuesto a ganar o perder despus de un nmero grande de apuestas.
E(x) = = E xf (x)

Varianza
Es un promedio ponderado de las de las desviaciones al cuadrado.
Varianza = E ( x - ) f ( x)

Distribucion 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.

Todo experimento que tenga estas caractersticas se dice que sigue el


modelo de la distribucin Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de
fracaso q, entonces la distribucin de probabilidad que la modela es la
distribucin de probabilidad binomial y su regla de correspondencia es:

Donde:
P(X)= es la probabilidad de ocurrencia del
evento
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como q =
1p)
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
Distribucion de Poisson
La distribucin de POISSON es tambin un caso particular de probabilidad de
variable aleatoria discreta, el cual debe su nombre a Simon Denis Poisson
(1781-1840), un francs que la desarroll a partir de los estudios que realiz
durante la ltima etapa de su vida.
Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo
de un intervalo de tiempo o espacio especificado.
Esta distribucin se utiliza para describir ciertos procesos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, pieza, etc:
- Numero de defectos de una tela por m2
- Numero de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- Numero de bacterias por cm2 de cultivo
- Numero de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- Numero 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
e
=
2.718
(base
de
logaritmo
neperiano
o
natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren
por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada y cada producto es independiente de
otro producto dado.
Distribucion Normal
La distribucin normal es tambin un caso particular de probabilidad de
variable aleatoria continua, fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich Gauss (17771855) elabor desarrollos ms profundos y formul la ecuacin de la curva; de
ah que tambin se le conozca, ms comnmente, como la "campana de
Gauss". La distribucin de una variable normal est completamente
determinada por dos parmetros, su media () y su desviacin estndar ().
Con esta notacin, la densidad de la normal viene dada por la ecuacin:

que determina la curva en forma de campana que tan bien conocemos.

Existen 2 razones por las cuales la distribucin normal ocupa un lugar tan
prominente en la estadstica :
Tiene algunas propiedades que la hacen aplicable a un gran nmero de
situaciones en la que es necesario hacer inferencias mediante la toma de
muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales
observadas en muchos fenmenos, incluyendo caractersticas humanas,
resultados de procesos fsicos y muchas otras medidas de inters para los
administradores, tanto en el sector pblico como en el privado.
Propiedad:
No importa cules sean los valores de y &#963; para un distribucin de
probabilidad normal, el rea total bajo la curva siempre es 1, de manera que
podemos pensar en reas bajo la curva como si fueran probabilidades.
Matemticamente es verdad que:
Aproximadamente el 68% de todos los valores de una poblacin normalmente
distribuida se encuentra dentro de 1 desviacin estndar de la media.
Aproximadamente el 95.5% de todos los valores de una poblacin
normalmente distribuida se encuentra dentro de 2 desviaciones estndar de
la media.
Aproximadamente el 99.7% de todos los valores de una poblacin
normalmente distribuida se encuentra dentro de 3 desviaciones estndar de
la media.

4. Conclusiones
La distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento si ste se
llevase a cabo.
Las distribuciones discretas que mas suelen aparecer son las
binomiales y la de Poisson

5.

Bibliografia
[1] Metodoscuantitativo2.galeon.com, "DISTRIBUCIN DE
PROBABILIDADES", 2015. [Online]. Available:

http://metodoscuantitativo2.galeon.com/enlaces2218784.html.
[Accessed: 30- Dec- 2015].