Probabilidad

Del Moral Martínez Rodrigo Iván

Ortega García Francisco Javier
Introducción
Distribuciones discretas Famosas
Distribución Bernoulli
Muchos experimentos tienen solo dos posibles resultados por ejemplo el lanzamiento de una moneda, el
género de un bebe etc.
Ejemplos: Lanzar una moneda lanzar un dado urna con bolitas de colores blanca, negra ,rosa ,amarilla
,azul, verde, gris. .
Con probabilidades asociadas P(éxito)= p y P(fracaso)= q de tal manera que “p+q=1” y “1 - p = q”.
La variable aleatoria X: resultado en un ensayo Bernoulli, con valores posibles x= 0, 1. Cero para el
fracaso y uno para el éxito.
La función de probabilidad de la v.a es
Su media o valor esperado es:

Su varianza es:

La función generadora de momentos Bernoulli:

La función generadora de momentos es una suma de variables aleatorias independientes, o es el producto de las
funciones generadoras de momentos individuales.

derivada evaluada en t=0 = p que es la esperanza.

 Distribución Binomial
Un experimento es Binomial si cumple con las dos condiciones siguientes:
i. Consiste en n ensayos Bernoulli independientes.
ii. La probabilidad de éxito p en cada ensayo es constante.
Ejemplo: 1) Lanzar 2 monedas: X: # de caras en 2 lanzamientos
Lanzar n monedas: X: # de caras en n lanzamientos
Ejemplo: 2) Lanzar 10 dados: X: # de veces que cae
Lanzar un dado 10 veces: X: # par en los 10 lanzamientos
Se dice que la variable aleatoria X: número de éxitos en un experimento binomial, con valores posibles x= 0, 1, 2 …, n,
tiene una distribución de probabilidad binomial con parámetros n y p, lo cual se denota como
La función generadora de momentos de una suma de variables aleatorias independientes es el producto de las funciones generadoras de
momentos individuales.
Si independientes

Demostración f.g.m Binomial:

La f.g.m para X es

Así pues, se trata de una función parametrizada sobre una variable real auxiliar t que queda definida como el valor esperado o esperanza de la
función
Por lo tanto, la f.g.m para X es
o bien
Su media o esperanza de la v.a binomial es la primera derivada de la f.g.m evaluada en cero:
con t=0

Una alternativa de sacar la esperanza de la binomial es recordar que la v.a binomial es una suma de n Bernoullis independientes cada una con
media p, y que la esperanza de una suma de variables aleatorias independientes es la suma de las esperanzas.
Para encontrar la varianza se necesita el segundo momento de la v.a por lo tanto se calcula la segunda derivada de la f.g.m evaluada en cero:

con t=0

La varianza de la v.a Binomial también se puede obtener con el hecho de que la varianza de una suma de variables aleatorias independientes es
la suma de las varianzas de las variables aleatorias que se están sumando y recordando que la varianza de Bernoulli es pq.
La función de probabilidad acumulada:
La función de probabilidad para una variable aleatoria X que se distribuye como una binomial es:

Donde:

La grafica de la distribución normal, por ser una distribución discreta, se compone de columnas, donde la altura
representa la probabilidad asociada a cada valor de X. Puede presentar sesgo o ser simétricas, esto según el valor
de p.
 Si p>0.5 la grafica esta sesgada a la izquierda Si p<0.5 la grafica esta sesgada a la derecha
6 6

5 5

4 4

3 3

2 2

1 1

0 0
Categoría 1 Categoría 1
Columna4 Columna3 Columna2 Columna1 Columna5 Columna4 Columna3 Columna2 Columna1 Columna5
Columna6 Columna7 Columna8 Columna9 Columna6 Columna7 Columna8 Columna9

Si p=0.5 la grafica es simetrica, es decir no tiene sesgo.

6

0
Categoría 1
Columna4 Columna3 Columna2 Columna1 Columna5
Columna6 Columna7 Columna8 Columna9
Ejemplos:
 Una moneda con probabilidad de cara 0.6 se lanza nueve veces. ¿Cuál es la probabilidad de obtener un número par de caras?

X: Número de caras.

A: Numero par de caras.

 
 Tres hombres A, B, y C disparan a un blanco. Supón que A dispara 3 veces y la probabilidad de que dé en el blanco
en un disparo concreto es , que B dispara 5 veces y la probabilidad de que dé en el blanco es y C solo dispara 2
veces con probabilidad de dar en el blanco de .
a) ¿Cuál es el número esperado de disparos que darán en el blanco?
b) ¿Cuál es la varianza del número de disparos que darán en el blanco?
Solución:
Numero de disparos de A que dan en el blanco.
Numero de disparos de B que dan en el blanco.
Numero de disparos de C que dan en el blanco.
Número total de disparos que dan en el blanco.
a) El número total de disparos que dan en el blanco es la suma del número de disparos de A, B y C que dan en el blanco.

b) Los tiros son independientes unos de otros, por lo tanto

 Distribución de Poisson
La distribución de Poisson es de las más comunes en la vida real, la cual sirve para representar el número de eventos
de poca frecuencia (a veces se les llama eventos raros) que ocurren en el tiempo o en el espacio.
Como, por ejemplo:
 El número de mensajes recibidos en un teléfono celular en una hora.
 El número de automóviles que llega a un estacionamiento entre las 7 y las 9 de la mañana.
 El número de faltas ortográficas por capitulo.
 El número de manchas por metro cuadrado de tela.
Es una distribución de Poisson necesitamos el número promedio de eventos que ocurren en un intervalo de tiempo o
espacio.
La función de probabilidad de una distribución de Poisson es:

Donde es la probabilidad de x ocurrencias, dado , y

es el número promedio de eventos que ocurren por unidad de tiempo o de espacio.
 Si λ<6 la grafica esta sesgada a la derecha Si λ es cercana a 6, la grafica es casi simetrica.
6 6

5 5

4
4

3
3

2
2

1
1

0
Categoría 1
0 Columna4 Columna3 Columna2 Columna1 Columna5 Columna6 Columna7 Columna8 Columna9
Categoría 1
Columna10 Columna11
Columna4 Columna3 Columna2 Columna1 Columna5 Columna6 Columna7 Columna8 Columna9
Con las definiciones de media y desviación estándar tenemos los conceptos siguientes.
Media O Valor esperado

Dicho con otras palabras, el valor esperado de una distribución de Poisson es el numero promedio de eventos por unidad de
tiempo o espacio.

Varianza y Desviación Estándar

La desviación estándar de una distribución de Poisson se calcula como la raíz cuadrada del número promedio de eventos por
unidad de tiempo o espacio.
La distribución de Poisson tiene esa peculiaridad: su media y su varianza son las mismas.
Ejemplos:
 Volvamos con los Pumas de la UNAM. En el torneo de clausura de 2011, hasta la jornada 16, en promedio, anotaron
1.69 goles por cada 90 minutos. De acuerdo con esto:
a) ¿Cuál es la probabilidad de que Pumas anote dos goles en los próximos 90 minutos?
b) ¿Cuál es la probabilidad de que anote cuando mucho un gol durante el primer tiempo?
Solución:
c) Ya que tenemos la información del número promedio de eventos por unidad de tiempo, que es 90 minutos.
Sean:
La variable aleatoria del número de goles anotados en 90 minutos.
1.69 goles en promedio por 90 minutos.
Sustituyendo nos quedaría:
b) Para resolver esto debemos ver que la unidad de tiempo cambio. Para esto calculamos la correspondiente.
Sean:
La variable aleatoria del número de goles anotados en 45 minutos.
0.0845 goles en promedio por 45 minutos.

Para calcular la nueva solo debemos aplicar

Distribución continua Famosa
Distribución Normal
Entre las funciones de densidad, la distribución normal es la más importante, ya que hay muchas variables asociadas a
fenómenos naturales que siguen un comportamiento que al graficarse tienen forma de campana. Estas variables pueden
referirse a:
 Caracteres sociológicos (consumo de cierto producto, puntuaciones en un examen), psicológicos (cociente intelectual, grado
de adaptación a un medio), morfológicos (caracteres de personas, animales y plantas (talla, peso, altura)), fisiológicos
(efecto de una misma dosis de un fármaco).
 Otras distribuciones como la binomial o la de Poisson pueden aproximarse a una distribución normal.
 Es una distribución asintótica, esto es, cuando x se extiende a -∞ o a +∞, la función tiende a cero.
 Es simétrica respecto a la media, además de que el valor de la media, la moda y la mediana tienen el mismo valor.
 El punto máximo se encuentra en .
 La ubicación de la distribución normal se determina por . f (x)
 La dispersión de la distribución normal se determina . Cola derecha
Cola izquierda
se extiende hasta -∞ se extiende hasta +∞

μ Una sola cima donde media=moda= mediana

Función de densidad de probabilidad:
La función de densidad para una variable aleatoria X que se distribuye normalmente es:

Donde:

En esta gráfica podemos observar varias cosas:

 La gráfica es simétrica respecto a
 Para valores pequeños de los valores de X están más agrupados
respecto a la media
 Para valores más grandes de los valores de X están más dispersos.
Entonces necesitamos conocer la media y la desviación estándar o la varianza para tener definida la distribución normal.
Al ser una distribución normal una función de densidad, el cálculo de probabilidades se traduce en determinar el área bajo la
curva entre dos valores.
Pero no es sencillo integrar la función de densidad normal, para calcular las probabilidades debemos utilizar la distribución
normal estándar.

Distribución Normal Estándar

Esta distribución tiene media igual a cero y desviación estándar igual a uno. Es importante señalar que a la variable aleatoria
distribuida como una normal estándar se le llama Z para diferenciarla de la X.
Función de densidad de probabilidad:
La función de densidad para una variable aleatoria Z que se distribuye como una normal estándar es:

Donde:
Área bajo la curva
El área bajo la curva en estadística es una probabilidad, en calculo es una integral. Entonces para trabajar con la normal
estándar hay que realizar la transformación de variable siguiente:

A este proceso de trasformación de la variable X se le llama

estandarización.
Ejemplo:
Determina las probabilidades siguientes:
 Aproximación de la normal a la binomial
Muchas veces podemos utilizar la distribución normal como una aproximación a distribuciones discretas, por ejemplo, a la
distribución binomial. Para que sea una muy buena aproximación se lleva a cabo una corrección por continuidad. Esto
debido a que la distribución normal es continua y si ponemos rectángulos para calcular el área bajo la curva, quedan
pequeños espacios que no se tienen en cuenta o que sobran, como se advierte en la figura siguiente:

Cuando el histograma de la distribución binomial no esté demasiado

sesgado, la variable aleatoria X se puede distribuir mediante una
normal con y , utilizando un factor de corrección de 0.5 aplicable al
estandarizar la variable, es decir:
 Ejemplo:
Se tiene una variable aleatoria X que
sigue una distribución binomial,
y.
Determina mediante la distribución
binomial y la aproximación de la
normal.
y
� � �− �
� � ( � ; � , � )= � ( � =� )= � �
�
�−�
Z= ( � )
Referencias bibliográficas
WilliamW.Hines; “Probabilidad y Estadística para Ingeniería”; 3ra Edición. Editorial Continental.
México, 1996.

Ana Laura Gutiérrez Banegas; “Probabilidad y Estadística”; 1ª Edición.

Meyer, P. Probabilidad y Aplicaciones Estadísticas. Fondo Educativo Interamericano. S.A. México
1982 págs. 689 ISBN 968-6630-27-9
Ronald E. Walpole y Raymond M. Myers; “Probabilidad y Estadística para Ingeniería y ciencias”; 8ª
Edición. Editorial Pearson. México, 2007. pgs. 815. ISBN: 978-970-26-0936-0

Archivos:
https://www.dropbox.com/s/oxg3p4jphg76ipc/PCF.docx?dl=0
https://www.dropbox.com/s/b648ehnmnvg0vgs/PCF.pptx?dl=0