Cálculo aplicado a la física 3

D D S is tr ibuc i ó n de probabilidades
T C PR O BA BILI
IBU ÓN DE PR ADES

R BUCIÓN DE PROBABILIDADES

Semana 06 – Sesión 02
 LOGROS

 Al finalizar la sesión el estudiante

determina valores utilizando las
probabilidades Normal, Binomial y/o
de Poisson
 AGENDA

 Distribución de probabilidades
 Distribución Binomial
 Distribución de Poisson
 Distribución Normal
 Resolución de ejercicios.
 Cierre.
 Distribución de probabilidad
Permite establecer toda la gama de resultados probables de
ocurrir en un experimento determinado. Es decir, describe la
probabilidad de que un evento se realice en el futuro.

Toda distribución de probabilidad se genera por una

variable (debido a que puede tomar diferentes valores)
aleatoria x (porque el valor que se toma es completamente
al azar).

Una variable aleatoria asocia a cada suceso del espacio

muestral un número real.

Una variable aleatoria puede ser discreta o continua. Se llama discreta cuando solo puede
tomar ciertos valores aislados (generalmente un número finito de valores). Es continua cuando
puede tomar todos los valores de un intervalo.
 Distribución de probabilidad
Función de probabilidad (variable discreta)
Es la que asigna a cada uno de los valores de la variable aleatoria discreta
su probabilidad correspondiente. 𝑓 𝑥𝑖 = 𝑃 𝑋 = 𝑥𝑖 = 𝑝𝑖 𝑛

Al tratarse de una fusión de probabilidad debe cumplir: 0 ≤ 𝑓(𝑥 𝑖 ) ≤ 1 ෍ 𝑝𝑖 = 1

𝑖=1
Si 𝑥 no es alguno de los valores de la variable aleatoria, 𝑓 𝑥 = 0
Función de distribución
A partir de la distribución de probabilidad de la variable X se define la función de distribución 𝐹(𝑥),
de dicha variable como sigue: F 𝑥 = 𝑃 𝑋 ≤ 𝑥
A cada valor 𝑥, 𝐹(𝑥) le asigna la probabilidad de que la variable aleatoria tome valores
menores o iguales que 𝑥. La función 𝐹 𝑥 acumula probabilidades: 𝐹 𝑥 = σ𝑥𝑖≤𝑥 𝑓(𝑥𝑖)
Por tanto, si se conoce la función de distribución de una variable aleatoria, es posible determinar la
probabilidad de que tome uno de sus valores, pues:
𝑃 𝑋 = 𝑥𝑖 = 𝐹 𝑥𝑖 − 𝐹(𝑥𝑖−1) 𝑃 𝑋 > 𝑥 = 1 − F 𝑥𝑖
 Distribución Binomial
Se utiliza cuando el fenómeno de estudio queda determinado por dos sucesos
complementarios: si/no; hombre/mujer; nacional/extranjero; etc. En general, esas
dos situaciones pueden considerarse resultados de un experimento aleatorio suelen
llamárseles éxito y fracaso.

Las características básicas de una distribución binomial son:

• Cada prueba del experimento aleatorio presenta dos únicas opciones, que puede
designarse como éxito (E) y fracaso (F).
• Se realizan n ensayos del experimento, independientes unos de otros e idénticos.
• La probabilidad de éxito es constante a lo largo de las n pruebas: ( ) P E p = .
• La probabilidad de fracaso también es constante: 𝑃 𝐹 = 𝑞 = 1 − 𝑝
→ También se le conoce con el nombre de pruebas de Bernuilli.
 Distribución Binomial
La Distribución Binomial se denota y se calcula de la siguiente manera:

PX    C k p (  p
n nk
k

k
Donde: p 1 )
= Probabilidad de éxito del experimento de Bernoulli
n = Número de pruebas o ensayos de Bernoulli
k = Probabilidad de éxito solicitada dentro de las “n”
pruebas
X = Variable Aleatoria (0,1, 2, 3…)
También tenemos:
pq
Donde: q: Probabilidad de fracaso
 Pasos para la solución de ejercicios
PASO 1.- Leer el enunciado, determinar la variable y concluir si se trata un experimento
de Bernoulli.

PASO 2.- Determinar la probabilidad de éxito (p) de la variable y la cantidad de veces (n)
que se repite el experimento.

PASO 3.- Enunciar la función de distribución de probabilidad de acuerdo a “éxito”

identificado y teniendo en cuenta si la pregunta hace referencia a = , < , > , ≥ , ≤

PASO 4.- Calcular la probabilidad empleando la fórmula.

 Ejemplo 1.
Si X denota el número de caras en un solo lanzamiento de 4 monedas. Calcule:

a) Que salgan 3 caras 𝑃(𝑥 = 3)

b) Que salgan menos de dos caras 𝑃(𝑥 < 2)
c) Que salgan mínimo 2 caras 𝑃(𝑥 ≥ 2)
d) Que salgan entre 2 y 3 caras 𝑃(1 < 𝑥 ≤ 3)

P X  k  (  p)
n nk
C
k
k
p
 1
 Ejemplo 1.
Tenemos que: p = 50% = 1/2 (éxito)
q = 50% = 1/2 (fracaso) ; n = 4
a) 4
 1 3 
43
1  1  25%
P( X   2
    0.25
 C3 
  4
3) 2 

b) P(
 2) P(  0)  P(  1)
X
 X 1 0  1 X 4  1 1  41
4 1 
 40

P(  2)  2  2
X C 0  2
 
   C1 

2

  

 1  1 1 4 5

P(  2)  1*1*   4*     0.31
X  16  2  2 16
  
 Ejemplo 1.

c) P(  2) P(  2) P(  3) P(  4)
X  X  X  x
Otra forma :
P(  2)  1  P(  2)
X X
P(  2)  1  P(  0) P(  1)
X
 2) X  x
P(
X 

4
d) P(1  X  3)  P( X   2) 
1 2  1 1 3 
P( X 
42
 3) 1
43

4 
  2   2
P(1    C2   C3 
     
3) 2 2
X P(1 

 3)

X
 Distribución de Poisson

Es un experimento aleatorio para lo cual se define la variable aleatoria discreta, X:

Numero de éxitos en un intervalo (tiempo, espacio, área , etc.)

El factor λ es un valor promedio conocido para el intervalo en que esta definida la

variable aleatoria.

Ejemplos:
Cantidad de vehículos que llegan a un grifo durante una hora.
Cantidad de llamadas que llegan a una central telefónica en un minuto.
Cantidad de manchas de pintura en un mural por cada m2.
Cantidad de bacterias en cada cm3 de agua.
 Distribución de Poisson
La Distribución de Poisson se denota y se calcula de la siguiente manera:

P X  x / P :   e .

x= 1, 2, 3, 4, ……
x
Donde:

λ = Valor promedio conocido para el intervalo en que está
definida la variable
X = Variable Aleatoria
x = Cantidad solicitada en la probabilidad, dentro del
parámetro λ
 Distribución de Poisson
PASO 1.- Leer el enunciado, determinar la variable y concluir si esta presenta un promedio
de ocurrencias en una unidad de medida (Parámetro λ) .

PASO 2.- Leer la pregunta y calcular el valor del parámetro λ en la unidad de medida
establecida en la pregunta. (Recordar que la base de medida del enunciado no
necesariamente es la misma que el de la pregunta)

PASO 3.- Enunciar la función de distribución de probabilidad teniendo en cuenta si la

pregunta hace referencia a = , < , > , ≥ , ≤

PASO 4.- Calcular la probabilidad ya sea empleando la fórmula o empleando las Tablas de
Probabilidades.
 Ejemplo 2
Una cajera de un supermercado puede atender en promedio a dos clientes por minuto.
Calcule la probabilidad para que:
a) Pueda atender a 5 clientes en el lapso de dos minutos.
b) Pueda atender por lo menos a dos clientes en el lapso de un minuto.

e .
P( X  x)  x
 Ejemplo 2
a) X= número de clientes por 2
minutos; Si    clientes por minuto
   clientes por 2 minutos

P(
X  5) e
4  0.1563  15.63%
 (4)
5

(5)!

b) X= número de clientes por minuto; e .
   clientes por minuto. P( X  x)   x

P(  e2  (2) 
1



X   1  P(  0
2 (2)
2) X 2)
1  
 Distribución normal
Es una distribución de probabilidad continua asociada (teóricamente) a multitud de
fenómenos naturales y cotidianos (cociente intelectual, talla o peso de las personas;
tamaño de los frutos de cualquier tipo de árbol…), que se caracterizan porque la
mayoría de los resultados tienden a agruparse en torno a su media.
Una variable con distribución normal queda totalmente definida por su media µ y por
su desviación típica σ. Se denota como N(µ, σ).
La expresión analítica de la función de densidad de la distribución normal es

1  x   2
1 
f ( x)  e 2  
 
 2
 Distribución normal
Su gráfica es la conocida “campana de Gauss”.
El área por debajo de la curva vale 1.

El eje de abscisas es una asíntota de la curva.

Está definida para todo número real, es decir, en el intervalo (–∞, +∞): la variable
puede tomar cualquier valor 𝑓(𝑥) > 0 para todo 𝑥
 Distribución normal

Aunque la variable puede tomar cualquier valor entre –∞ y +∞, la probabilidad de que
tome valores alejados de la media es prácticamente nula, pues se cumple que: el área
delimitada por la curva y el eje OX entre µ – σ y µ + σ es 0,6826; entre µ ± 2σ es de
0,9544 y entre µ ± 3σ es de 0,9974. De hecho, a los valores que están a una distancia
superior a 3,5σ de la media se les asigna una probabilidad 0.
 Ejemplo 3.
Supongamos que la estatura de los jóvenes de 20 años de una determinada región es
una variable estadística X, que se distribuye de acuerdo con la normal de media µ = 175
cm y deviación típica σ = 9 cm: N (175, 9). Entonces, puede asegurase, con las
probabilidades que se indican, que:

P(de que un joven mida menos de 175 cm) = P(X < 175) = 0,5 → la mitad de los jóvenes
tiene una estatura por debajo de la media; la otra mitad medirá más de 175 cm.
𝑃 𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎 = 𝑃 175 − 9 < 𝑋 < 175 + 9 = 𝑃 166 < 𝑋 < 184 = 0,6826

(El 68,26% de los jóvenes de esa región tiene una estatura comprendida entre 166 y 184
cm).
𝑃 𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎 = 𝑃 175 − 18 < 𝑋 < 175 + 18 = 𝑃 157 < 𝑋 < 193 = 0,9544
(El 95,44% de los jóvenes de esa región tiene una estatura comprendida entre 157 y 193
cm).
 Ejemplo 3.
La variación de la media y de la desviación típica originan cambios en la curva,
desplazándose a izquierda o derecha o haciéndose más esbelta o más baja
 NO OLVIDAR

 Una distribución de probabilidad es un

modelo teórico que trata de explicar el
comportamiento de un fenómeno real.
 La distribución Binomial Se utiliza cuando
el fenómeno de estudio queda determinado
por dos sucesos complementarios.
 La distribución de Poisson se puede utilizar
como una aproximación de la binomial.
 La distribución normal se caracterizan
porque la mayoría de los resultados tienden
a agruparse en torno a su media.
 BIBLIOGRAFÍA

BÁSICA
Serway, R. y Jewett, J.W.(2015) Física para ciencias e ingeniería. Volumen
I. México. Ed. Thomson.
Sears F., Zemansky M.W., Young H. D., Freedman R.A. (2013) Física
Universitaria Volumen I Undécima Edición. México. Pearson Educación.

COMPLEMENTARIA
Tipler, P., Mosca, G. (2010) Física para la ciencia y la tecnología. Volumen
I. México Ed. Reverté .
Feynman, R.P. y otros. (2005) Física. Vol. I. Panamá. Fondo Educativo
interamericano.
Halliday, D., Resnick, R. y Krane, K.S.(2008) Física. Volumen II. México. Ed.
Continental.