DISTRIBUCION

EXPONENCIAL Y NORMAL
Distribución de Probabilidad II
Semana 3

CURSO: ESTADÍSTICA APLICADA

Mg. Luis Sakibaru

Distribución de Poisson

 Se utiliza para modelar datos discretos

 Se aproxima a la binomial cuando p es igual o menor a

0.1, y el tamaño de muestra es grande (n > 16) por
tanto np > 1.6

2
Distribución de Poisson

Una Variable aleatoria X tiene distribución Poisson si

toma probabilidades con.


e  x
f ( x)  x  0,1,...
x!
  np
    np
3
DISTRIBUCION DE POISSON
¿Cuándo usar esta distribución?
• Útil para la ocurrencia de eventos por unidad de
tiempo: errores/mes, quejas/semana, defectos/día.
• Para su aplicación, la probabilidad de ocurrencia del
evento debe ser constante en tiempo o espacio y debe
haber independencia de ocurrencia de eventos.
• También se puede usar como una aproximación de la
distribución binomial, cuando el valor de n* es menor
que 5 lo que implica tener muestras grandes y valores
de  pequeños.
• Cuando  está en función del tiempo se debe
multiplicar ese valor de  por el número de unidades
de tiempo, sea que se habla en este caso de =t.
4
DISTRIBUCION DE POISSON
FORMULAS
Función densidad Funcion densidad
x ( t ) x  t
p ( x,  )  * e  p ( x, t )  *e
x! x!
Función acumulada Funcion acumulada
X X
P ( x,  )   p ( xi ,  ) P ( x, t )   p ( xi , t )
i 1 i 1

Valor esperado de la media Valor esperado de la media

    t
Valor esperado de la var ianza Valor esperado de la var ianza
 
2  2
 t 5
DISTRIBUCION DE POISSON

Forma de
la curva

6
DISTRIBUCION DE POISSON
¿Cómo usar las tablas?
Para usar las tablas se sigue este procedimiento:
• Asegurar que la variable sigue un comportamiento
Poisson (prueba de bondad de ajuste).
• Se identifican los valores de n,  y x o el valor de 
si este es dado.
• Se determina el valor de  multiplicando n por ,
en el caso de una aproximación a la binomial.
• En el caso de probabilidades puntuales, se localiza
el valor de x en la columna de la izquierda y el
valor de  o  (media de la distribución de
Poisson) en la parte superior de la tabla.
7
DISTRIBUCION DE POISSON
¿Cómo usar las tablas?
• En el caso de probabilidades acumuladas, se
localiza el valor de  en la columna de la izquierda
y el valor de x en la parte superior de la tabla.
• El valor de la probabilidad es el valor que interseca
al valor de x con el valor de . Esto se muestra en
el siguiente segmento de la tabla. Por ejemplo si
=3.2, x=7, la respuesta es 0.0278.


8
DISTRIBUCION DE POISSON
EJEMPLO
Una compañía vende productos en metros y
se ha caracterizado por tener una tasa
promedio de 4 defectos por cada 200
metros. Si se compran 80 metros, ¿cuál es
la probabilidad de que haya:
1. dos defectos?
2. más de cuatro defectos?

9
DISTRIBUCION DE POISSON
SOLUCION
1. dos defectos?
P(x=2) para n=80. El valor de  es (4/200)*80 =
1.6 defectos. Se usa la tabla densidad de Poisson
con x=2, por lo que el resultado es:
P(x=2)=p(2,1.6)=0.2584
Se puede usar también la tabla Poisson acumulada
con =1.6 defectos.
P(x=2)= P(x2) – P(x1) = P(2,1.6)- P(1,1.6)
P(X=2)=0.783-0.525 = 0.258
La probabilidad de que haya dos defectos es
0.2584. 10
DISTRIBUCION DE POISSON
SOLUCION
• También a manera de ejemplo se puede usar la
fórmula correspondiente, así:
2
1.6
p(2,1.6)  * e 1.6  0.2584
2!

La probabilidad de que haya dos defectos es

0.2584.

11
DISTRIBUCION DE POISSON
SOLUCION
2. más de cuatro defectos?
P(x>4) = 1- P(x4)= 1- P(4,1.6)= 1-0.976=0.024
Se usa la tabla de Poisson acumulada con =1.6
defectos.
P(x4)= 0.976
La probabilidad de que haya más de cuatro
defectos es 0.024.

12
DISTRIBUCION DE POISSON

EJEMPLO 2
Una compañía de ventas por teléfono recibe llamadas
a razón de 5 por segundo. ¿Cuál es la
probabilidad de que reciba:
1. tres llamadas en un segundo?
2. más de cuatro llamadas en dos segundos?

13
DISTRIBUCION DE POISSON
SOLUCION
1. El valor de  es 5 llamadas por segundo y el de x es 3
llamadas en un segundo. Se usa la tabla densidad. Así:
P(x=3)=p(3,5)=0.1404
Se puede usar también la tabla Poisson acumulada de
=5 llamadas por segundo.
P(x=3)= P(x3) – P(x2) = 0.265-0.125 = 0.14
La probabilidad de que haya dos defectos es 0.1404.
2. El valor de  es 5*2=10 llamadas por segundo y el
de x>4 llamadas por segundo. Se usa la tabla Poisson
acumulada de =10 llamadas por segundo.
P(x>4)= 1- P(x4) = 1- 0.029 = 0.971
La probabilidad de que haya dos defectos es 0.971.
14
15
16
DISTRIBUCION
DE POISSON
DENSIDAD
TABLAS
PARA P(X=…)

17
DISTRIBUCION
DE POISSON
ACUMULADA
TABLAS

18
 FUNCIÓN DE DENSIDAD DE UNA V.A. CONTINUA:
La función de densidad de una v.a. continua cumple las siguientes
condiciones:
Sólo toma valores no negativos, f(x) ≥ 0.
El área encerrada bajo la curva es igual a 1.

Función de distribución. Como en el caso de la v.a. discreta, la función de

distribución proporciona la probabilidad acumulada hasta un determinado valor
de la variable, es decir,
F ( x )  P( X  x )
Cumple las siguientes condiciones:
Su valor es cero para todos los puntos situados a la izquierda del menor
valor de la variable.
Su valor es 1 para todos los puntos situados a la derecha del mayor valor
de la variable.
DISTRIBUCION EXPONENCIAL

Esta distribución describe procesos en los que nos

interesa saber el tiempo hasta que ocurre
determinado evento, sabiendo que, el tiempo
que pueda ocurrir desde cualquier instante t,
hasta que ello ocurra en un instante tf, no
depende del tiempo transcurrido anteriormente
en el que no ha pasado.

Es la distribución de la longitud de los intervalos

de una variable continua que transcurren entre 2
sucesos que se distribuyen según la distribución
de Poisson.

[1] es.wikiversity.org
[2] revistapetroleoygas.co
Función de densidad de probabilidad Valor esperado:
exponencial: 1
µ = E[x] = λ
F(x) = λ𝑒 −λ𝑥 (x>0)

Varianza:
Función de distribución acumulada:
1
𝜕2 =
P(X≤ x) = 1-𝑒
−λ
𝑥 λ2
Sirve para…
 Calcular el tiempo transcurrido en un
callcenter hasta recibir la primera llamada
del día.

 Encontrar el intervalo del tiempo entre

terremotos (de una determinada magnitud) .

 Una máquina que produce hilo de alambre,

la cantidad de metros de alambre hasta
encontrar una falla en este.
EJEMPLOS
1. El tiempo de vida de un fusible en cierta
aplicación, tiene un distribución exponencial por una
media de 2 años.

¿Cuál es el valor del parámetro?

x= t de vida µ= 2años
1 1
µ= λ=
λ 2

¿Cuál es la desviación estandar?

1 1
𝜕= 2 = λ=2
λ
2. Suponga que x= t que se tarda en cargar un
camión en el muelle sigue esta distribución. Si el t
para cargarlo es de 15min (λ=15), su función de
densidad es?

f(x)= 15*𝑒 −15𝑥

 Probabilidad de que la carga dure 6min o menos.

6
−15
P(x≤6) = 1- 𝑒 = 0.3297

 Probabilidad de cargar el camión en 18min o

menos.
18
−15
P(x≤ 18) = 1- 𝑒 = 0.6988
 Probabilidad de que la carga tarde entre 6 y 18
min.

0.6988-0.3297 = 0.3691

Así se calcula la probabilidad para cualquier

intervalo.

“La distribución exponencial es un caso particular de

la distribución gamma con K= 1”
 DISTRIBUCION NORMAL

 En estadística y probabilidad se
llama distribución normal, distribución
de Gauss o distribución gaussiana, a una
de las distribuciones de probabilidad
de variable continua que con más
frecuencia aparece aproximada en
fenómenos reales
VARIABLES REPRESENTADAS POR UNA
DISTRIBUCION NORMAL

Caracteres morfológicos de individuos (talla,

peso, diámetros)
[2]

Caracteres fisiológicos (efecto de la misma

dosis de un fármaco)

Caracteres sociológicos (puntuaciones de un

examen) [1]

[1] www.crecerfeliz.es
[2alumnos.cobachbcs.edu.mx
VARIABLES REPRESENTADAS POR UNA
DISTRIBUCION NORMAL

Caracteres psicológicos (cociente

intelectual)
[2]

Errores cometidos al medir ciertas

magnitudes

Valores estadísticos muestrales ( media)

[1] sasasapp.blogspot.com
[2alumnos.cobachbcs.edu.mx
CARACTERISTICAS DE LA DISTRIBUCION
NORMAL

La media aritmética, la
mediana y la moda son
Forma de campana
iguales y se localizan en
el pico

Es simétrica alrededor de
su media
 La distribución normal o gaussiana
Hay muchas v.a. continuas cuya función de densidad tiene forma de
campana.
Ejemplos:
• La variable peso en una población de personas de la misma edad y sexo.
• La variable altura de la población citada.
• Las notas de una asignatura (mito urbano).
Para expresar que una v.a. continua X, tiene una distribución normal de
media  y desviación típica  , escribimos:

X ~ N(,2)
 La distribución normal estándar
De las infinitas distribuciones normales, tiene especial interés la que tiene
media igual a 0 y desviación típica igual a 1, es decir, N(0,1). Esta
distribución recibe el nombre de normal estándar o tipificada.

Existen tablas que permiten calcular probabilidades de la distribución

N(0,1).

Por ello cuando tenemos una v.a. X que sigue una distribución normal de
media  y desviación típica  pasamos a otra variable Z que sigue una
distribución N(0,1) mediante la siguiente transformación:

X 
Z

 DISTRIBUCION NORMAL

[1] proteux.com
 DISTRIBUCION NORMAL
La forma de campana de Gauss depende de los parámetros µ y σ. La media
indica la posición de la campana en el eje horizontal y la desviación estándar
determina el grado de apuntamiento de la curva, a mayor valor σ la curva
será mas plana.

f(X)

μ X
 FUNCION DENSIDAD
La probabilidad de que una variable aleatoria X tome un valor entre dos
números reales a y b coincide con el área encerrada por la función densidad de
probabilidad de la distribución normal, N(µ,σ) siendo µ la media y σ la
desviación estándar.

𝑥−𝜇 2
𝑒 −12( 𝜎 )
𝑓 𝑥 =
𝜎√2𝜋

𝑏
P (a ≤ x ≤ b)= 𝑎
𝑓 𝑥 𝑑𝑥
FAMILIA DE DISTRIBUCIONES NORMALES

Al variar los parámetros μ and σ, obtenemos diferentes distribuciones

normales
DISTRIBUCION NORMAL ESTANDAR
Al existir un numero infinito de distribuciones normales
posibles con diferente media y desviaciones estándar se
estandariza ha una distribución con media =0 y
desviación estándar =1; N (0,1). Existen tablas donde se
lee el área bajo la curva desde la media hasta otro valor
de la distribución ya normalizada.

𝑋 −𝜇
𝑍=
𝜎

Z= Desviación normal

X= Valor de la variable aleatoria

La distribución normal estándar

Z se la denomina variable tipificada de X, y a la curva de su función de

densidad se le conoce como la curva normal estándar

Es una distribución normal con promedio 0 y una desviación estándar de

1.

Todas las variables normalmente distribuidas se pueden transformar a la

distribución normal estándar utilizando la fórmula para calcular el valor
Z correspondiente
Características de la distribución normal
estándar.
 No depende de ningún parámetro.
 Su media es 0, su varianza es 1 y su desviación estándar es 1.
 La curva f(x) es simétrica respecto del eje de Y
 Tiene un máximo en el eje de Y.
 Tiene dos puntos de inflexión en z=1 y z=-1
 EJERCICIO DE APLICACION

1.Una empresa de bombas de cavidades progresivas tienen un promedio de

150 bombas PCP por cada cliente, con una desviación estándar de 15 bombas.
Las bombas parecen estar distribuidas normalmente; para estimar de manera
apropiada la demanda del cliente y maximizar utilidades, se debe determinar
que tan probable es que algunos servicios de la compañía se presten; el
director de la compañía desea que usted estime la probabilidad de que una
empresa petrolera instale o monitoree:

a) Entre 125 y 150 bombas

b) Menos de 125 bombas
c) Entre 145 y 155 bombas

[1] [2] repositorio.uis.edu.co

Solución
Solución
Solución
Desviaciones de la Normal

 En la colección de datos pueden darse desviaciones de

las características de la normal
 Cambios en la Kurtosis o concentración los datos en
torno a la media
 Cuando los datos están muy concentrados en torno a la
media se dice que la distribución es leptocúrtica
 Cuando los datos están muy dispersos se llama distribución
platiocúrtica.
Variaciones de la Normal
Asimetrias

 Cuando en la distribución normal no coinciden la media

y la moda, y no se encuentran centradas se dice que
hay sesgo
 El sesgo positivo es cuando la concentración de los datos
es a la derecha de la media
 El sesgo negativo es cuando la mayoría de los datos
están por arriba de la media
Sesgo Positivo
 CONCLUSIONES
 La desviación estándar (σ ) determina el
grado de apuntamiento de la curva. Cuanto
mayor sea el valor de σ, más se dispersarán
los datos en torno a la media y la curva será
más plana.
 La media indica la posición de la campana,
de modo que para diferentes valores de μ la
gráfica es desplazada a lo largo del eje
horizontal.
 De entre todas ellas, la más utilizada es la
distribución normal estándar, que
corresponde a una distribución de media 0 y
varianza 1.
CONCLUSIONES
 La distribución exponencial tiene una gran utilidad
práctica ya que podemos considerarla como un
modelo adecuado para la distribución de
probabilidad del tiempo de espera entre dos hechos
que sigan un proceso de Poisson. En el lenguaje de
las aplicaciones también se utiliza la distribución
exponencial para modelar tiempo entre eventos,
distancia entre eventos, volumen entre eventos.

 En el lenguaje de las aplicaciones también se

utiliza la distribución exponencial para modelar
tiempo entre eventos, distancia entre eventos,
volumen entre eventos