Taller 4

ESTADÍSTICA: DISTRIBUCION DE PROBABILIDAD
PRESENTADO POR
ALEJANDRA DE LA TORRE REYES
MARIA NARVÉZ CUADRO
AIKEN ORTEGA HEREDIA
PRESENTADO A
WILLIAM WOOD
UNIVERSIDAD DE CARTAGENA
FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA CIVIL
CARTAGENA, BOLÍVAR
OCTUBRE 15 DE 2019
INTRODUCCION
En cualquier experimento, existen numerosas características que pueden ser observadas o

medidas, pero en la mayoría de los casos un experimentador se enfoca en algún aspecto específico
o aspectos de una muestra. Por ejemplo, en un estudio de patrones de viaje entre los suburbios y
la ciudad en un área metropolitana, a cada individuo en una muestra se le podría preguntar sobre
la distancia que recorre para ir de su casa al trabajo y viceversa y el número de personas que lo
hacen en el mismo vehículo, pero no sobre su coeficiente intelectual, ingreso, tamaño de su
familia y otras características. Por otra parte, un investigador puede probar una muestra de
componentes y anotar sólo el número de los que han fallado dentro de 1000 horas, en lugar de
anotar los tiempos de falla individuales. En general, cada resultado de un experimento puede ser
asociado con un número especificando una regla de asociación (p. ej., el número entre la muestra
de diez componentes que no duran 1000 horas o el peso total del equipaje en una muestra de 25
pasajeros de aerolínea). Semejante regla de asociación se llama variable aleatoria, variable porque
diferentes valores numéricos son posibles y aleatoria porque el valor observado depende de cuál
de los posibles resultados experimentales resulte [1]
1. DISTRIBUCION DE PROBABILIDAD: La distribución de probabilidad, se refiere a todos los
resultados posibles que pueda tener una variable aleatoria, es decir, describe el
comportamiento de dicha variable dentro de un intervalo de valores o de posibles resultados.
1.1. Variable aleatoria: Para un espacio muestral dado S de algún experimento, una variable
aleatoria (va, o rv, por sus siglas en inglés) es cualquier regla que asocia un número con cada
resultado en S. En lenguaje matemático, una variable aleatoria es una función cuyo dominio
es el espacio muestral y cuyo rango es el conjunto de números reales. [1]
1.1.1. Variable aleatoria discreta: es una variable aleatoria cuyos valores posibles o constituyen
un conjunto finito o bien pueden ser puestos en lista en una secuencia infinita en la cual
existe un primer elemento, un segundo elemento, y así sucesivamente (“contablemente”
infinita). [1]
1.1.2. Variable aleatoria continua: Una variable aleatoria es continua si ambas de las siguientes
condiciones aplican:
 Su conjunto de valores posibles se compone de o todos los números que hay en un solo
intervalo sobre la línea de numeración (posiblemente de extensión infinita, es decir, desde
-∞ hasta ∞) o todos los números en una unión excluyente de dichos intervalos (p. ej., [0, 10]
[20, 30]).
 Ningún valor posible de la variable aleatoria tiene probabilidad positiva, esto es, P(X c) 0 con
cualquier valor posible de c. [1]
1.2. Parámetro de una distribución de probabilidad: Supóngase que p(x) depende de la

cantidad que puede ser asignada a cualesquiera de varios valores posibles y cada valor
determina una distribución de probabilidad diferente. Tal cantidad se llama parámetro de
distribución. El conjunto de todas las distribuciones de probabilidad con diferentes valores
del parámetro se llama familia de distribuciones de probabilidad. [1]
1.3. Distribución de probabilidad Bernoulli: El experimento más sencillo es aquel que puede
resultar en uno de dos resultados posibles. El experimento con dos resultados posibles se
denomina ensayo Bernoulli.
Ejemplo: Aprobar o reprobar una asignatura, obtener cara o sello al lanzar una moneda, sexo
de un niño al nacer.
Cualquier experimento puede usarse para definir un ensayo Bernoulli, simplemente

denotando algún evento A como éxito y su complemento Ac como fracaso. La distribución de
probabilidad para un ensayo Bernoulli depende sólo de un parámetro p, probabilidad de éxito,
y entonces 1-p es la probabilidad de fracaso (1-p=q), donde 0 <p> 1.
Concepto: Sea Ω el espacio muestral de un experimento, sea A ∁ Ω cualquier evento con

P ( A )= p , 0< p<1 y sea X la v.a. definida por:
X ( x )=
{01xx∈∈ AA }
c
Entonces X se llama v.a Bernoulli con parámetro p.
La distribución de probabilidad de una v.a Bernoulli es de la siguiente forma:

P ( x=1 )=P ( A )= p
P ( x=0 )=P ( A c ) =1− p=q

X 1 0
La cual se puede resumir de la siguiente forma
F(x) p Q
f ( x )= p x ∙ q 1−x x=0,1 y se denota X ̴Bernoulli (p); ̴representa distribución.
El proceso Bernoulli debe tener las siguientes propiedades:
a. El experimento consiste en n intentos repetidos.

b. Los resultados de cada uno de los intentos pueden clasificarse como un éxito o un fracaso.
c. La probabilidad de éxito, p, permanece constante para todos los intentos.
d. Los intentos repetidos son independientes.
e. E ( x )= p ,Var ( X )= p∙ q
1.4. Distribución de probabilidad binomial: Un experimento que consiste de n ensayos Bernoulli

independientes, cada uno con probabilidad de éxito p, se llama experimento binomial con n
ensayos y parámetro p. La distribución binomial es una distribución de probabilidad discreta
que indica el número de éxitos al realizar una secuencia de n ensayos independientes entre
sí, con una probabilidad fija (p) de ocurrencia del éxito entre esos ensayos.
Ejemplo: 1) La misma moneda se lanza al aire sucesiva e independientemente n veces. De

manera arbitraria se utiliza E para denotar el resultado H (caras) y F para denotar el resultado
T (sellos). Entonces este experimento satisface las condiciones 1–4. El lanzamiento al aire de
una tachuela n veces, con E = punta hacia arriba y F = punta hacia abajo, también da por
resultado un experimento binomial.
Concepto: Sea X el número total de éxitos de un experimento binomial con n ensayos y

parámetro p. Entonces X se llama v.a binomial con parámetro n y p. Luego X ̴ b(n , p) y su
distribución de probabilidad es:
f ( x )= ( nx )∙ p ∙q
x n−x
x=0,1 , … , n
n!
f ( x )=
( x ! ( n−x )! )
x
∙ p ∙q n− x
x=0,1 , … , n
E ( X ) =n ∙ p , Var ( X )=n ∙ p ∙ q Ejemplo: Cinco dados son lanzados una vez.
a) ¿Cuál es la probabilidad de obtener al menos un tres?

b) ¿Cuál es la probabilidad de obtener al menos dos tres?
n=5 X es la v.a que denota el número de tres al lanzar cinco dados
X ={ 0,1,2,3,4,5 }
P (e) =P (obtener un número tres = 1/6
P (f) = P (no obtener un número tres) = 5/6
x 5−x
1 5 1 5
( ) ( )( ) ( ) x =0,1,2,3,4,5a ¿ P ( x ≥ 1)=1− p(x =0)
X ̴ b 5,
6
f ( x )=
x 6 6
0 5−0 5 5
5 1 5 5 5
P ( x=0 )=( )( ) ( ) =( ) P ( x ≥ 1 )=1−( ) =0,5981La probabilidad de obtener al
0 6 6 6 6
menos un tres es de 0,5981
1 5−1
5 1 5
b ¿ P ( x ≥ 2 )=1−P ( x <2 )=1−P ( x=0 )−P(x=1) P ( x=1 )= ( )( ) ( )
1 6 6
=0,4018
P ( x ≥ 2 )=0,5981−0,4018=0,19 La probabilidad de obtener al menos dos tres es de 0,19

1.5. Distribución de posibilidad de Poisson: Los experimentos que resultan en valores
numéricos de una v.a X y que representan el número de resultados durante un intervalo de
tiempo dado o en una región específica frecuentemente se llaman experimentos Poisson. El
intervalo de tiempo dado puede ser de cualquier duración, por ejemplo, un minuto, un día,
una semana, un mes o inclusive un año. Se dice que una v.a X tiene una distribución de
Poisson con parámetro μ( μ> 0) si la función masa de probabilidad de X es:
e− μ μ x
p ( x ; μ )= x=0,1,2 , … ; Donde m=E(X)=lt
x!
Ejemplo: El número promedio de partículas radioactivas que pasan a través de un

contador durante un milisegundo en un experimento de laboratorio es 4. ¿Cuál es la
probabilidad de que entren 6 partículas al contador en un milisegundo determinado?
μ=4 X=N° de partículas que entran en el contador
X ̴ P (4 )
e−4 ( 4 )x
f ( X )= x=0,1,2, … .
x!
e−4 (4)6
P ( x=6 )= =0,1042
6!
Por tanto, la posibilidad de que entren 6 partículas al contador en un milisegundo

determinado es de 0,1042.
CONCLUSION
Después de un extenso trabajo investigativo, se llegó a conocer muy a fondo la temática expuesta;
tal como son las distribuciones de probabilidad, las más usadas y sus formas de uso. Además, fue
posible identificar, conocer y afianzar de manera profunda el uso de cada tipo de distribución de
frecuencia, y a su vez se pudo llegar a conocer y desarrollar ejemplos de claros de cada uno de
estos. Por último es necesario recalcar que se pudo establecer una relación de estas, con los
respectivos campos de aplicación en la industria y mas allá, sus campos de estudio y de desarrollo;
puesto que al llegar a conocer esto se puede llevar más a fondo el estudio de esta temática en la
ingeniería, que es el campo de aplicación que se busca.
Bibliografía
[1] Devore.Thomson, J. L. (2005). PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y CIENCIAS.
Mexico: Sexta edicion.
Mordecki, E. (8 de Junio de 2007). Probabilidad. Obtenido de

http://www.cmat.edu.uy/~mordecki/notas_probabilidad.pdf
Rincón, L. (Diciembre de 2007). Curso elemental de PROBABILIDAD Y ESTADISTICA. Obtenido de

https://www.cimat.mx/~pabreu/LuisRinconI.pdf

Taller 4

Cargado por

Copyright:

Formatos disponibles

Taller 4

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Taller 4

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA: DISTRIBUCION DE PROBABILIDAD

En cualquier experimento, existen numerosas características que pueden ser observadas o

1.2. Parámetro de una distribución de probabilidad: Supóngase que p(x) depende de la

Cualquier experimento puede usarse para definir un ensayo Bernoulli, simplemente

Concepto: Sea Ω el espacio muestral de un experimento, sea A ∁ Ω cualquier evento con

Entonces X se llama v.a Bernoulli con parámetro p.

La distribución de probabilidad de una v.a Bernoulli es de la siguiente forma:

P ( x=0 )=P ( A c ) =1− p=q

f ( x )= p x ∙ q 1−x x=0,1 y se denota X ̴Bernoulli (p); ̴representa distribución.

El proceso Bernoulli debe tener las siguientes propiedades:

a. El experimento consiste en n intentos repetidos.

1.4. Distribución de probabilidad binomial: Un experimento que consiste de n ensayos Bernoulli

Ejemplo: 1) La misma moneda se lanza al aire sucesiva e independientemente n veces. De

Concepto: Sea X el número total de éxitos de un experimento binomial con n ensayos y

E ( X ) =n ∙ p , Var ( X )=n ∙ p ∙ q Ejemplo: Cinco dados son lanzados una vez.

a) ¿Cuál es la probabilidad de obtener al menos un tres?

n=5 X es la v.a que denota el número de tres al lanzar cinco dados

P ( x ≥ 2 )=0,5981−0,4018=0,19 La probabilidad de obtener al menos dos tres es de 0,19

Ejemplo: El número promedio de partículas radioactivas que pasan a través de un

μ=4 X=N° de partículas que entran en el contador

Por tanto, la posibilidad de que entren 6 partículas al contador en un milisegundo

Mordecki, E. (8 de Junio de 2007). Probabilidad. Obtenido de

Rincón, L. (Diciembre de 2007). Curso elemental de PROBABILIDAD Y ESTADISTICA. Obtenido de

También podría gustarte