Está en la página 1de 16

Tarea #1: Distribuciones de Probabilidad

Asignatura: Modelación de Procesos Industriales

Días/Hora/Sección: 1/3, 7:30pm, 2723.

Martes 17 de Octubre del 2017


San Pedro Sula, Cortés, Honduras.
Introducción

A continuación se presentará información acerca de la distribuciones de probabilidad


más comunes la cual debemos interpretar como la gama de valores que pueden
presentarse de un experimento si éste se llevase a cabo, es decir, describir la
probabilidad de que un evento se realice en el futuro ya que constituye una herramienta
fundamental para la prospectiva.

Distribución de Bernoulli
Consiste en realizar un experimento aleatorio una sóla vez y observar si cierto suceso
ocurre o no, siendo p la probabilidad de que esto sea así (éxito) y q=1-p el que no lo
sea (fracaso). En realidad no se trata más que de una variable dicotómica, es decir que
únicamente puede tomar dos modalidades, es por ello que el hecho de llamar éxito o
fracaso a los posibles resultados de las pruebas obedece más una tradición literaria o
histórica, en el estudio de las v.a., que a la situación real que pueda derivarse del
resultado. Podríamos por tanto definir este experimento mediante una v.a.
discreta Xque toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y

que se denota

Un ejemplo típico de este tipo de variables aleatorias consiste en lanzar una moneda al
aire y considerar la v.a.
Para una v.a. de Bernouilli, tenemos que su función de probabilidad es:

y su función de distribución:

Su función característica es:

Los principales momentos de la X los podemos calcular directamente


o bien usando la función característica y la proposición de la página :
Distribución geométrica
Consideremos el siguiente experimento: Partimos de un experimento de Bernoulli
donde la probabilidad de que ocurra un suceso es p (éxito) y la probabilidad de que no
ocurra q = 1- p (fracaso). Repetimos nuestro experimento hasta conseguir el primer
éxito. Definimos la variable aleatoria X, como el número de fracasos hasta que se
obtiene el primer éxito. Entonces:

La

probabilidad de que una muestra de aire contenga una molécula rara es 0.01. Si se
supone que las muestras son independientes respecto a la presencia de la molécula.
Determine cuál es la probabilidad de que sea necesario analizar 125 muestras antes de
detectar una molécula rara 125 1 fx(125;0.01) (1 0.01) 0.01 0.0029

Distribución binomial
La distribución binomial aparece cuando estamos interesados en el número de veces
que un suceso A ocurre (éxitos) en n intentos independientes de un experimento. P. ej.:
# de caras en n lanzamientos de una moneda. Si A tiene probabilidad p (probabilidad
de éxito) en un intento, entonces 1-p es la probabilidad de que A no ocurra
(probabilidad de fracaso).
Experimento aleatorio: n = 3 lanzamientos de una moneda. Probabilidad de éxito en
cada lanzamiento (cara) = p. Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p
=q

Supongamos que el experimento consta de n intentos y definamos la variable aleatoria:


X = Número de veces que ocurre A. En nuestro ejemplo: X = Número de veces que
sale cara. Entonces X puede tomar los valores 0, 1, 2, ... n. Si consideramos uno de
estos valores, digamos el valor x , i.e. en x de los n intentos ocurre A y en n - x no.
Entonces la probabilidad de cada posible ordenación es px qn-x y existen idénticas
ordenaciones.
La función de probabilidad P(X = x) será la distribución binomial:

Distribución uniforme discreta

Es la distribución de probabilidad se asocia a variables cuyos posibles valores tienen


todos la misma probabilidad. Si una variable aleatoria X cuyos posibles valores son
x1, . . . , xn, tiene distribución uniforme discreta entonces

Intuitivamente, esta variable está asociada al experimento similares al de elegir al azar


un número entre 1 y n sin disponer de ninguna información adicional
Distribución de Poisson

La distribución de Poisson suele emplearse para representar experimentos en los que


se analiza el número de veces que ocurre cierto suceso en un intervalo (en general de
tiempo). Los requisitos que deben verificar estas experiencias son las siguientes:
1. Las condiciones experimentales deben ser constantes a lo largo de todo el intervalo.
2. Los resultados del experimento deben ser independientes cuando se refieren a
intervalos disjuntos.

3. La tasa media de aparición del suceso, en cualquier intervalo de longitud uno, es


constante y se representa por λ.
4. La probabilidad de que el suceso ocurra una sola vez en un intervalo de amplitud h
suficientemente pequeña, debe ser aproximadamente λ h.
5. La probabilidad de dos o má ocurrencias del suceso, en un intervalo suficientemente
peque˜no, debe ser pr´acticamente cero. Bajo las anteriores condiciones la variable X =
n´umero de veces que ocurre el suceso, se dice que sigue una distribuci´on de Poisson
de par´ametro λ, X ≡ P(λ).
Los valores de la variable son {0, 1, 2, . . . k . . .} con probabilidades: Pr(X = k) = e −λ λ
k k! si k = 0, 1, 2,
La función de masa o probabilidad de la distribución de Poisson es;
Ejemplo: Sea X el número de clientes que han entrado en una tienda de alimentación a
lo largo de un mes. Para poder suponer que X sigue una distribución de Poisson
tendríamos que verificar que,
1) La probabilidad de entrar en la tienda es la misma a lo largo del periodo (suponemos
entonces, que no han abierto/cerrado otras tiendas de la competencia, etc). Esto es
equivalente a comprobar que el número medio de clientes en un mes es más o menos
constante.
2) Además tiene que ocurrir que el número de clientes en un determinado mes, por
ejemplo, octubre, sea independiente del número de clientes que hubo en otro mes, por
ejemplo, septiembre. (En este caso sería suponer que no hay clientela fija).
3) Supongamos que el número medio de clientes es 400 al mes. Entonces si X es
Poisson se ha de cumplir que el número medio de clientes a los dos meses es 800 y el
número medio de clientes a la semana es 100.
Distribución Normal
Es la más importante de las distribuciones continuas ya que permite describir un
número muy grande de fenómenos aleatorios, como por ejemplo aquellos en los que
intervienen un número elevado de factores no controlables, que actúan de manera
independiente y con efectos pequeños. Una v.a. se dice que sigue una distribución
normal X ≡ N(µ; σ), si su función de densidad es:
Propiedades

Distribución t de Student

Es una distribución de probabilidad que surge del problema de estimar la media de


una población normalmente distribuida cuando el tamaño de la muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la determinación de
las diferencias entre dos medias muestrales y para la construcción del intervalo de
confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce
la desviación típica de una población y ésta debe ser estimada a partir de los datos de
una muestra.

La distribución t de Student es la distribución de probabilidad del cociente

Donde
Conclusiones

La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La


probabilidad involucrada es una porción o fracción cuyo valor varía entre cero y uno
exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es decir, el
evento nulo), tiene una probabilidad de cero, mientras que un evento que seguramente
ocurrirá (es decir, el evento cierto), tiene una probabilidad de uno.

La regla más evidente para las probabilidades es que deben variar en valor de 0 a 1.
Un evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad de
ocurrencia de un evento simple.

Una distribución de probabilidad para una variable aleatoria discreta es un listado


mutuamente excluyente de todos los resultados posibles para esa variable aleatoria, tal
que una probabilidad particular de ocurrencia esté asociada con cada resultado.
Bibliografía

 http://www.dmae.upm.es/WebpersonalBartolo/Probabilidad/5_DistribucionesDisc
retas.pdf
 https://es.slideshare.net/yovana93/tipos-de-12071948
 http://virtual.uptc.edu.co/ova/estadistica/docs/libros/ftp.bioestadistica.uma.es/libr
o/node69.htm
 https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
 https://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
 http://personales.unican.es/gonzaleof/Itop/teoria/Teoria_distribuciones.pdf

Anexos