Sesión7 - Distribuciones de Probabilidades - 2022 - II

ESTADÍSTICA I
SESIÓN 7: Distribuciones de probabilidad
AUTORES : Lic. Jessica Elizabeth Chalco Suárez

: Mtro. Wilbert Colque Candia
Distribuciones de Probabilidad ESTADÍSTICA I
DISTRIBUCIONES DE PROBABILIDAD
Variable aleatoria:
Sea E un experimento aleatorio y Ω un espacio muestral asociado a este experimento. Una
función X ∶ Ω → ℝ tal que a cada elemento de Ω le asocia un número real, se llama variable
aleatoria.
Una variable aleatoria es esencialmente un número aleatorio. En cualquier caso, el azar
proviene de una experiencia concreta que es la que dicta la frecuencia de los diversos valores
que nos interesan, una variable aleatoria siempre se concentra en el comportamiento general
de toda la población. Una variable aleatoria se estudia para:
- Hallar una medida de centralización (Valor esperado)
- Hallar la medida de dispersión de los valores (Varianza)
- Calcular probabilidades para valores o rangos específicos
Tipos de variable aleatoria

Según el tipo de rango que se genere, las variables aleatorias se clasifican en:
➢ Variable aleatoria discreta
➢ Variable aleatoria continúa
VARIABLE ALEATORIA DISCRETA
1.1 DISTRIBUCIÓN DE BERNOULLI

Es una probabilidad discreta, que toma valor 1 para la probabilidad de éxito (p) y valor
0 para la probabilidad de fracaso (q = 1 − p)
Si 𝑋 es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable aleatoria
𝑋se distribuye como una Bernoulli de parámetro 𝑝.
Se escribe: 𝑋~𝐵𝑒(𝑝)
Su distribución de probabilidades:
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝑝𝑥(1 − 𝑝)1−𝑥 𝑐𝑜𝑛 𝑥 = 0,1
Su función de distribución viene definida por:
𝑝 𝑠𝑖 𝑥=1
𝑓(𝑥) = { 𝑞 𝑠𝑖 𝑥 = 0 𝑜 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Propiedades:
Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 2

➢ Valor esperado:
𝐸(𝑋) = 𝑝 ➢
Varianza:
𝑉𝑎𝑟(𝑋) = 𝑝(1 − 𝑝) = 𝑝 ∗ 𝑞
➢ Desviación estándar:
𝜎
𝐸(𝑋) − 𝜎(𝑋) ≤ 𝐸(𝑋) ≤ 𝐸(𝑋) + 𝜎(𝑋)
1.2 DISTRIBUCIÓN BINOMIAL

La distribución binomial es una distribución de probabilidad discreta que mide el
número de éxitos en una secuencia de n ensayos de Bernoulli independientes entre sí, con una
probabilidad fija p de ocurrencia del éxito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotómico, esto es, sólo son posibles dos resultados. A uno de estos se
denomina éxito y tiene una probabilidad de ocurrencia 𝑝 y al otro, fracaso, con una
probabilidad 𝑞 = 1 − 𝑝
En la distribución binomial cada ensayo se repite n veces, de forma independiente, y se
trata de calcular la probabilidad de un determinado número de éxitos. Para n = 1, la
distribución binomial se convierte, de hecho, en una distribución de Bernoulli
Si 𝑋es una variable aleatoria que sigue una distribución binomial de parámetros n y p, se
escribe: 𝑋~𝐵(𝑛, 𝑝)
Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta
distribución:
✓ Se lanza un dado diez veces y se cuenta el número de veces que sale el número
tres:
entonces 𝑋~𝐵(10 , 1/6)
✓ Se lanza una moneda dos veces y se cuenta el número de caras obtenidas:
entonces 𝑋~𝐵(2 , 1/2)
Su distribución de probabilidades:
𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝𝑥(1 − 𝑝)𝑛−𝑥 𝑐𝑜𝑛 𝑥 = 0,1,2 ⋯ , 𝑛

Propiedades:

➢ Valor esperado:
𝐸(𝑋) = 𝑛 ∗ 𝑝
➢ Varianza:
𝑉𝑎𝑟(𝑋) = 𝑛𝑝(1 − 𝑝) = 𝑛 ∗ 𝑝 ∗ 𝑞
𝜎
𝐸(𝑋) − 𝜎(𝑋) ≤ 𝐸(𝑋) ≤ 𝐸(𝑋) + 𝜎(𝑋)
Ejemplo:
Supongamos que se lanza un dado 7 veces y queremos conocer la probabilidad de que el
número 3 salga 2 veces
En este caso tenemos una 𝑋~𝐵(𝑛, 𝑝) con 𝑥 = 0, 1, 2, ⋯ ,7
𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝𝑥(1 − 𝑝)𝑛−𝑥
Nos pide: 𝑃(𝑋 = 2) = 𝐶27(1/6)2(5/6)5 = 23.44%
La función de probabilidad para el número de veces que puede salir el número tres es:
x 𝑷(𝑿 = 𝒙𝒊)
0 𝑃(𝑋 = 0) = 𝐶07(1/6)0(5/6)7 = 0.27908165 = 27.91%
1 𝑃(𝑋 = 1) = 𝐶17(1/6)1(5/6)6 = 0.39071431 = 39.07%
2 𝑃(𝑋 = 2) = 𝐶27(1/6)2(5/6)5 = 0.23442858 = 23.44%
3 𝑃(𝑋 = 3) = 𝐶37(1/6)3(5/6)4 = 0.07814286 = 7.81%
4 𝑃(𝑋 = 4) = 𝐶47(1/6)4(5/6)3 = 0.01562857 = 1.56%
5 𝑃(𝑋 = 5) = 𝐶57(1/6)5(5/6)2 = 0.00187543 = 0.18%
6 𝑃(𝑋 = 6) = 𝐶67(1/6)6(5/6)1 = 0.00012503 = 0.01%
7 𝑃(𝑋 = 7) = 𝐶77(1/6)7(5/6)0 = 0.0000035722
∑ 𝑷(𝑿 = 𝒙𝒊) = 𝟏

Ejemplo:
Un supervisor inspecciona 10 obras, se sabe por inspecciones anteriores que el 55% de las
obras presentan demora en su culminación. Calcular la probabilidad de que:
a) Exactamente cuatro obras presenten demora 𝑃(𝑋 = 4)
b) Ninguna de las obras presente demora 𝑃(𝑋 = 0)
c) Al menos cuatro presenten demora
d) Cuantas obras se espera que presenten demora, calcular la desviación estándar

𝐸(𝑋) 𝑦 𝜎(𝑋)
Solución: ¿

1.3 DISTRIBUCIÓN DE POISSON

Es una de las distribuciones de variable discreta más importante. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en la que nos interesa
determinar el número de hechos de cierto tipo que se pueden producir en un intervalo de
tiempo o de espacio, bajo supuestos de aleatoriedad. En este tipo de experimentos los éxitos
buscados son expresados por unidad de área, tiempo, pieza, etc. Por ejemplo:
✓ Número de defectos de una tela por m2

✓ Número de aviones que aterrizan en un aeropuerto por día, hora,
minuto, …
✓ Número de bacterias por cm2 de cultivo
✓ Número de llamadas telefónicas a un conmutador por hora, minuto, …
✓ Número de llegadas de embarcaciones a un puerto por día, mes, … Para
determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, … Su
distribución de probabilidad es:
𝜆𝑥 ∙ 𝑒−𝜆
𝑃(𝑋 = 𝑥𝑖) = 𝑐𝑜𝑛 𝑥 = 0,1,2,3, ⋯
𝑥!
Donde:
𝑃(𝑋 = 𝑥𝑖) Probabilidad de que ocurran 𝑥 éxitos, cuando el número promedio de ocurrencia de
ellos es 𝜆
𝜆:Media o promedio de éxitos por unidad de tiempo, área o producto e=
2.718…
𝑥: Variable que nos denota el número de éxitos que se desea que ocurra
Propiedades:
➢ Valor esperado:
𝐸(𝑋) = 𝜆
➢ Varianza:
𝑉𝑎𝑟(𝑋) = 𝜆
𝜎
𝐸(𝑋) − 𝜎(𝑋) ≤ 𝐸(𝑋) ≤ 𝐸(𝑋) + 𝜎(𝑋)

Hay que notar que en esta distribución el número de éxitos que ocurren por unidad de tiempo,
área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro
intervalo dado, así como cada área es independiente de otra área dada y cada producto es
independiente de otro producto dado.
Nota: 𝝀 siempre debe de estar en función de 𝒙 , dicho de otra forma, debe “hablar” de lo
mismo que 𝒙
Ejemplo:
Si un Banco recibe en promedio 6 cheques sin fondo por día, cuáles son las probabilidades de
que reciba
a) Cuatro cheques sin fondo en un día dado
b) Diez cheques sin fondos en cualquiera de dos días consecutivos
c) Para el caso
d) calcule la E(X) y la V(X)
Ejemplo:
El número de fallas de un instrumento de prueba debido a partículas contaminantes de un
producto es una variable Poisson con media (λ) igual a 1 fallas por día
a) ¿Cuál es la probabilidad de que el instrumento falle una vez en una jornada de doce
horas?
b) ¿Cuál es la probabilidad de que el número de veces que falle el instrumento en una
jornada de 100 horas sea mayor o igual a tres?
c) Para el caso b) calcule la E(X) y la V(X)

Sesión7 - Distribuciones de Probabilidades - 2022 - II

Cargado por

Copyright:

Formatos disponibles

Sesión7 - Distribuciones de Probabilidades - 2022 - II

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

Sesión7 - Distribuciones de Probabilidades - 2022 - II

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA I

SESIÓN 7: Distribuciones de probabilidad

AUTORES : Lic. Jessica Elizabeth Chalco Suárez

Tipos de variable aleatoria

VARIABLE ALEATORIA DISCRETA

1.1 DISTRIBUCIÓN DE BERNOULLI

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 2

1.2 DISTRIBUCIÓN BINOMIAL

𝑓(𝑥) = 𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝𝑥(1 − 𝑝)𝑛−𝑥 𝑐𝑜𝑛 𝑥 = 0,1,2 ⋯ , 𝑛

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 3

número 3 salga 2 veces

En este caso tenemos una 𝑋~𝐵(𝑛, 𝑝) con 𝑥 = 0, 1, 2, ⋯ ,7

𝑃(𝑋 = 𝑥) = 𝐶𝑥𝑛 𝑝𝑥(1 − 𝑝)𝑛−𝑥

Nos pide: 𝑃(𝑋 = 2) = 𝐶27(1/6)2(5/6)5 = 23.44%

0 𝑃(𝑋 = 0) = 𝐶07(1/6)0(5/6)7 = 0.27908165 = 27.91%

1 𝑃(𝑋 = 1) = 𝐶17(1/6)1(5/6)6 = 0.39071431 = 39.07%

2 𝑃(𝑋 = 2) = 𝐶27(1/6)2(5/6)5 = 0.23442858 = 23.44%

3 𝑃(𝑋 = 3) = 𝐶37(1/6)3(5/6)4 = 0.07814286 = 7.81%

4 𝑃(𝑋 = 4) = 𝐶47(1/6)4(5/6)3 = 0.01562857 = 1.56%

5 𝑃(𝑋 = 5) = 𝐶57(1/6)5(5/6)2 = 0.00187543 = 0.18%

6 𝑃(𝑋 = 6) = 𝐶67(1/6)6(5/6)1 = 0.00012503 = 0.01%

7 𝑃(𝑋 = 7) = 𝐶77(1/6)7(5/6)0 = 0.0000035722

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 4

b) Ninguna de las obras presente demora 𝑃(𝑋 = 0)

c) Al menos cuatro presenten demora

d) Cuantas obras se espera que presenten demora, calcular la desviación estándar

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 5

1.3 DISTRIBUCIÓN DE POISSON

✓ Número de defectos de una tela por m2

𝐸(𝑋) − 𝜎(𝑋) ≤ 𝐸(𝑋) ≤ 𝐸(𝑋) + 𝜎(𝑋)

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 6

b) Diez cheques sin fondos en cualquiera de dos días consecutivos

d) calcule la E(X) y la V(X)

Lic. Jessica Chalco Suárez – Mtro. Wilbert Colque Candia 7

También podría gustarte