TEMA: ALGUNAS DISTRIBUCIONES

IMPORTANTES
 INTEGRANTES:
• BARZOLA AMARO ASTRID
• DE LA CRUZ BAUTISTA ANGEL
• HUARANCCA SOTO ULISES
• TAPIA PIÑAS VICTOR
 ALGUNAS DISTRIBUCIONES IMPORTANTES

INTRODUCCION:

EL COMPORTAMIENTO DE UNA VARIABLE ALEATORIA QUEDA DESCRITA POR SU

DISTRIBUCIÓN DE PROBABILIDAD.

EN MUCHAS TAREAS ESTADÍSTICAS, SE BUSCA DETERMINAR UNA DISTRIBUCIÓN DE

PROBABILIDAD O MODELO DE PROBABILIDAD QUE SATISFAGA UN CONJUNTO DE
SUPUESTOS, PARA ESTUDIAR LOS RESULTADOS OBSERVADOS DE UN EXPERIMENTO
ALEATORIO.
 7.1 ALGUNAS DISTRIBUCIONES
IMPORTANTES DE VARIABLES ALEATORIAS
DISCRETAS
7.1.1 Distribución de probabilidad de Bernoulli:
Definición. Se denomina prueba o ensayo de Bernoulli a todo experimento
aleatorio que consiste de sólo dos resultados posibles mutuamente
excluyentes, generalmente llamados: EXITO (E) y FRACASO (F). Por
ejemplo, son ensayos de Bernoulli, lanzar una moneda al aire con los
resultados: cara o sello. Elegir al azar un objeto fabricado, con los
resultados: defectuoso o no defectuoso, etc.. El espacio muestra asociado al
experimento aleatorio de Bernoulli se puede escribir como el conjunto: Q =
[E, F)
TEOREMA 7.1.
Si X tiene distribución de Bernoulli de parámetro p, entonces,
a) E{X) = p, b)Var{X) = pq.
PRUEBA.
a) µ= E(X) = 0x(1-p) + 1 x p= p.
b) σ2 = E ( 𝑋 2 )-µ2 =[(0)2 ( l- p ) + (1)2 +( p ) ] - 𝑃2 = p -𝑃2 =pq.
NOTA. la varianza de la distribución de Bernoulli es menor o
igual que 1/4, en efecto,
1 1 1
σ2 =P- 𝑃2 = - (P − )2 + ≤
2 4 4
7.1.2 Distribución Binomial

Definición. Se denomina experimento binomial a un número fijo, n, de

repeticiones independientes de un experimento aleatorio de Bernoullí, y por
lo tanto, se caracteriza por que:
1. Las n pruebas son estadísticamente independientes.
2. Los resultados de cada prueba son dos mutuamente excluyentes, éxito
(E) y fracaso (F).
3. La probabilidad P de éxito es invariante en cada una de las pruebas. El
espacio muestral del experimento binomial es el conjunto
4. El espacio muestral del experimento binomial es el conjunto:
Q = {(w1,w2 ,...,w„)/w1 = E ó F}.
 Si K es cualquier valor del conjunto binomial; el evento [ X=k ] consiste de todo los
elementos del conjunto (Q) que contengan K éxitos (E) y n-k fracaso (F) la probabilidad
de que ocurra cada uno de estos eventos elementos es igual a 𝑝𝑘 𝑞 𝑛−𝑘 . El numero total
de formas que ocurren estos eventos elementales (total de formas de orden nletras de
𝑛 𝑛!
las cuales k son (E) y los (n-k) son (F) igual a C𝑘 =
𝑘!(𝑛−𝑘)!

Por lo tanto , la probabilidad de que ocurra k éxitos en n ensayos de Bernoulli es :

P [X=k]= C𝑘𝑛 𝑃𝑘 𝑞 𝑛−𝑘 ; k=0,1,2,3,….,n
Para comprobar que la suma de las probabilidades binomiales es igual a 1 se aplica el
binomio (a+b)n =σ𝑛𝑘=0 C𝑘𝑛 𝑎𝑘 𝑏 𝑛−𝑘

σ𝑛𝑘=0 C𝑘𝑛 𝑃𝑘 (1 − 𝑃)𝑛−𝑘 =(p+(1-p))n = (1)n = 1

DEFINICION: se dice que la variable aleatoria X definida como el numero
de éxitos que ocurren en n pruebas de Bernoulli independiente ; si su
definición de probabilidad es:
F(k)= P [X=k]= C𝑘𝑛 𝑃𝑘 𝑞 𝑛−𝑘 ; k=0,1,2,3,….,n
la función de distribución acumulativa de la variable aleatoria binomial es:
si x < 0
F(x)=P[X≤x]=σ𝑥𝑘=0 C𝑘𝑛 𝑃𝑘 𝑞 𝑛−𝑘 si x ≤ x < i + 1 i = 0,1,2,…..n-1
si x ≥ n
 EJEMPLO N° 1
La probabilidad de que cualquier pieza producida por una maquina pase con éxito
una prueba de control es 0.9. si se controlan 10 escogidos al azar.
A) Defina el modelo de probabilidad de X ¿Que numero de piezas es mas
probable que no pase el control ?
B) Calcule el numero de piezas que se espera no pasan el control. ¿Es cierto que
la desviación estándar de la distribución de X es menor que 0.9 ?
C) Obtenga la función de distribución acumulada F(x) de X y aplicación esta
calcule los cuartiles de la distribución de probabilidades de X
 SOLUCION:
A. Cada una de las 10 piezas puede ser un éxito (E: no pasa la prueba ) con
probabilidad de 0.1 o un fracaso (F: pasa la prueba) con probabilidad 0.9.
La variable aleatoria X = # de éxitos en “ n “ se distribuye según el modelo de la
probabilidad binomial B(n=10 ; p=0.1) y su función de probabilidad es:
f(k)= P [X=k]= C𝑘10 (0.1)10 (0.9)10−𝑘 ; k=0,1,2,3,….,10
B. El numero de piezas que se espera no pasan el control
µ =np=10 x 0.1 = 1
C. La función de distrubucion acumulativa de la binomial es definida por :

si x < 0
F(x)={σ𝑥𝑘=0 C𝑘10 (0.1)𝑘 (0.9)10−𝑘 si x ≤ x < i + 1 i = 0,1,2,…..10-1
si x ≥ 10
 7.1.3 DISTRIBUCIÓN DE PROBABILIDAD
GEOMÉTRICA
 Definición. Se denomina experimento geométrico a las repeticiones
independientes de un experimento aleatorio de Bernoullí hasta obtener el
primer éxito. En cada ensayo de Bernoullí puede ocurrir un éxito (E) con
probabilidad (p) o un fracaso (F) con probabilidad q= 1-p, siendo 0 < p < 1
El espacio muestral del experimento geométrico es el conjunto:
n= {E, FE, FFE, ..., }.
Se dice que la variable aleatoria X que se define como el numero de
repeticiones independientes de un ensayo de Bernoulli hasta que ocurra el
primer éxito, tiene distribución de probabilidad geométrica con parámetro P y
se escriba X~G(p) su función es:
 F(x)= P [X=k]= 𝑞 𝑥−1 p X = 1,2……….etc
7.1.4. distribución de probabilidad pascal o binomial
negativa
 Definición. Se denomina experimento binomial negativo o de Pascal a las
repeticiones independientes de un experimento aleatorio de Bernoullí hasta
obtener el éxito número r. En cada ensayo de Bernoullí puede ocurrir un éxito
con probabilidad p o un fracaso con probabilidad q = 1 - p .
_ _
C𝑟_1𝑘 1 𝑝𝑟−1 𝑞 𝑘−𝑟 = C𝑟_1𝑘 1 𝑝𝑟 𝑞 𝑘−𝑟
Se repite en forma independiente un experimento de Bernoulli, dnd cada
resultado puedes ser un éxito con probabilidad (p) o un fracaso con probabilidad
(q=1-p) se dice que la variable aleatoria X que se defina como el numero de
intentos hasta que se ocurran (r) éxitos, tienes distribución binomial negativa o
de pascal con parámetros (r y p, y) se escribe X~P(r,p función binomial es:
 F(x)= P [Y=k]= C𝑟_1 𝑘 _1𝑝 𝑟 𝑞 𝑘−𝑟 k = r,r+1,r+2……….etc
7.1.5 distribución de probabilidad hipergeométrica

 Definición. Un experimento hipergeométrico consiste en escoger al azar

una muestra de tamaño n , uno a uno sin restitución, de N elementos o
resultados posibles, donde r de los cuales pueden clasificarse como
éxitos, y los N - r restantes como fracasos. En cada extracción, la
probabilidad de que el elemento sea un éxito es diferente, ya que la
extracción es sin reposición. Se denomina variable aleatoria
hipergeometrica al numero de éxitos que ocurren de n elementos.
 La probabilidad de que ocura k éxitos es:
 La variable aleatoria X tiene distribución hipergeométricay se escribe X – H(N,n,r), si
su función de probabilidad es :
7.1.6 DISTRIBUCIÓN PROBABILIDAD DE
POISSON
 Es un proceso que consiste en observar el numero X de
veces que ocurre un evento en una unidad de longitud dada.
 Se dice que la variable aleatoria X, cuyos valores posibles
son 0,1,2,..etc, tiene distribución de Poisson con parámetro λ
y se escribe X-P(λ), si su función de probabilidad es:
 EJEMPLO 7.9. Suponga que llegan en forma aleatoria una serie de llamadas a una
central telefón.ca con un promedio de tres llamadas por minuto.
 a) Calcular la probabilidad de que en el periodo de un minuto
a1) no ocurra llamada alguna,
a2) ocurran al menos 4 llamadas
b) Si cada llamada cuesta S/.0.50, ¿cuánto es el costo esperado por llamada?
7.2 ALGUNAS DISTRIBUCIONES
IMPORTANTES DE VARIABLES ALEATORIAS
CONTINUAS
7.2.1 Distribución de probabilidad uniforme
 Definición. Se dice que la variable aleatoria continua, X, tiene
distribución uniforme (o rectangular) en el intervalo [a, b], a < b, y se
describe por X ~ U[a,b], si su función de densidad de probabilidad es:

 Funcion de distribución del modelo uniforme

NOTA: Si [c,d] С [a,b], la probabilidad de que X tome valores en
el intervalo [c,d] es:
𝒅−𝒄
P[c≤X≤d]=
𝒃−𝒂
EJEMPLO 7.12: Dos gerentes A y B deben encontrarse en cierto lugar entre las 7 p.m. y 8
p.m. para firmar un contrato. Cada uno espera al otro a lo más 10 minutos, ¿cuál es la
probabilidad de que no se encuentren sabiendo que A llega a las 7.30 p.m.?.
SOLUCION.
 Sea la variable aleatoria X el tiempo de llegada de B, que puede hacerlo en cualquier
instante aleatorio entre las 7 p.m. y las 8 p.m. o entre 0 y 60 minutos. Entonces, X ~ í/[0,60]
y su función de densidad de probabilidad es:

 Puesto que A llega a las 7.30 p.m. o a los 30 minutos después de las 7 p.m. y espera a lo
más 10 minutos, B no se encontrará con A si B llega de 7 p.m. a menos de 7.20 p.m. o si
llega de después de las 7.40 p.m.. Luego, la probabilidad de que A y B no se encuentres es
7.2.2 LA DISTRIBUCIÓN NORMAL

 Definición. Se dice que la variable aleatoria continua X, tiene

distribución de probabilidad normal con parámetros µ y σ2 y se
denota por X – N(µ, σ2), si su función densidad es:
7.2.2.1 PROPIEDADES DE LA
DISTRIBUCIÓN NORMAL
1. El area total que encierra la cuerva y el eje X es igual a 1
2. Su grafico tiene forma de campana y es simetrica con respect0 al
eje vertical X=µ
1
3. Toma su valor maximo en x=µ . Este valor maximo es: 𝑓 µ =
𝜎√2𝜋
4. Tiene al eje x como una asíntota horizontal
5. Tiene puntos de inflexion en x=µ-σ, y x=µ+σ
7.2.2.2 DISTRIBUCIÓN NORMAL
ESTÁNDAR Y USO DE LA TABLA NORMAL
 Si la variable aleatoria X tiene distribución normal entonces, la variable
aleatoria estándar tiene distribución normal N(0,1). En efecto, la
variable estándar Z tiene media igual a cero y varianza igual a uno, esto es,
E(Z) = 0 y Var(Z) = 1
7.2.2 TABULACION DE LA DISTRIBUCIÓN
DE PROBABILIDAD NORMAL
 Esta dada por:
𝑏 1 2
 𝑃 𝑎 ≤ 𝑍 ≤ 𝑏 = ‫𝑎׬‬ 𝑒 −𝑧 Τ2 𝑑𝑧
2𝜋

 No se puede calcular por métodos de integración directa

 La tabla de áreas de la normal de apéndice de este libro contiene las
probabilidades acumuladas de Z definidas por:
= 1 −𝑡2ൗ
 𝜙 𝑧 =𝑃 𝑍≤𝑧 = ‫׬‬−∞ 2𝜋 𝑒 2 𝑑𝑡.
Grafico de φ(Z):

Propiedades:
1. 𝑃 𝑎 ≤𝑍 ≤𝑏 =𝜙 𝑏 −𝜙 𝑎
2. 𝜙 −𝑍 = 1 − 𝜙 𝑍 , es simétrica respecto a la vertical Z=0
3. 𝑃 −𝑎 ≤ 𝑍 ≤ 𝑎 = 𝜙 𝑎 − 𝜙 −𝑎 = 𝜙 𝑎 − 1 − 𝜙 𝑎 = 2𝜙 𝑎 − 1
4. Si la variable aleatoria X tiene distribución N(µ,σ2), entonces la variable aleatoria 𝑍 =
(𝑋−𝜇)
tiene distribución N(0,1)
𝜎

Por lo tanto:
𝑎−𝜇 𝑏−𝜇 𝑏−𝜇 𝑎−𝜇
𝑃 𝑎≤𝑋≤𝑏 =𝑃 ≤𝑍≤ =𝜙 −𝜙 .
𝜎 𝜎 𝜎 𝜎
Ejemplo:
 El ingreso monetario mensual por hogar en una región se distribuye según el
modelo de la probabilidad normal com media $600 y desviación estándar $100.
a) ¿Qué porcentaje de hogares de la región tiene ingresos menores de $400?
b) Si todos los hogares ubicados en el 5% superior de los ingresos están obligados
a pagar un impuesto ¿ A partir de que ingresos están obligados?
c) Si todos los hogares de la región paga un bono de seguridad ciudadana que
consiste en .25% de sus ingreso mas $4dólares,¿Qué porcentaje de los hogares
paga mas de $5.125?
SOLUCIÓN:

 Sea X la variable que define la población de los ingresos monetarios por hogar. Se sabe que X –
N(600,(100)2)
400−600
a) 𝑃 𝑋 < 400 = 𝑃 𝑍 < = 𝑃 𝑍 < −2 = 0.0228, entonces 2.28% de los hogares de la región
100
tienen ingresos menores de $400
b) Se debe calcular el percentil 95 de la distribución de ingresos. Esto es, se debe hallar el valor de k de
X talque P[X≤k]=0.95. Entonces, se tiene que:
𝑘−600 𝑘−600
0.95 = 𝑃 𝑋 ≤ 𝑘 = 𝑃[𝑍 < entonces, = 1,645, 𝑘 = 764.5
100 100

c) El monto del bono esta dado por B=0.0025X+4, Entonces:

450 − 600
𝑃 𝐵 > 5,125 = 𝑃 𝑋 > 450 = 𝑃 𝑍 > = 𝑃 𝑍 > −1.5 = 0.9332
100
7.2.3 DISTRIBUCIONES GAMMA,
EXPONENCIAL Y CHI-CUADRADO
 7.2.3.1 Función Gamma.
La función gamma se define para todo número real positivo
∞
𝑟 𝛼 = න 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0

PROPIEDADES DE LA FUNCION GAMMA

7 .2 .3 .2 LA DISTRIBUCIÓN DE
PROBABILIDAD GAMMA
 DEFINICION: Se dice que es la variable aleatoria continua X tiene
distribucion de probabilidad gamma, con parámetro α, β y se representa
por X-r(α, β), si su función de densidad es:
7.2.3.3 DISTRIBUCIÓN DE PROBABILIDAD
EXPONENCIAL

 DEFINICION: Se dice que la variable aleatoria continua X tiene distribucion exponencial

con parámetro β y se describe X-Exp(β), si su función de densidad es :
 EJEMPLO
 El número de automóviles que llegan a un surtidor de gasolina se distribuyen
según el modelo de Poisson con un promedio de 2 autos por minuto. ¿Qué
probabilidad hay de que transcurran hasta dos minutos hasta que llegue el
segundo auto, después de haber puesto en marcha el surtidor?.
7.2.3.4 DISTRIBUCIÓN CHI-CUADRADO
 DEFINICION: Se dice que la variable aleatoria continua X tiene distribución chi-cuadrado
con r grados de libertad. Y se denota por X-x2(r), si su función de densidad es:
7.2.4: DISTRIBUCIÓN DE PROBABILIDAD T
DE STUDENT
 Definición. Se dice que una variable aleatoria continua T se distribuye
según t- student (más brevemente según t) con r grados de libertad y se
representa por T ~ t(r), si su función de densidad esta dada por .
 Uso de la tabla t-Student:
Las probabilidades que origina la distribución t-Student, T-t(r) se puede obtener de programas de
computo estadístico, de calculadoras con estadística avanzada o de una tabla de probabilidades.
Como indica la figura
7.2.5 DISTRIBUCIÓN DE PROBABILIDAD F
7.2.5 DISTRIBUCIÓN DE
PROBABILIDAD F
 Se dice que la variable aleatoria continua X
se distribuye según el modelo de probabilidad
F con r1 y r2 grados de libertad y se representa
por X- F(r1,r2), si su función de densidad es:
7.3 TEOREMA DEL LÍMITE CENTRAL

 Uno de los teoremas sobre límite que justifica la importancia que tiene la distribución
normal es denominado teorema del límite central. Este teorema nos permite aproximar
a la distribución normal sumas finitas de variables aleatorias independientes que
pueden tener cualquier clase de distribución con medias y varianzas conocidas.|
7.3.1 APROXIMACIONES A LA
DISTRIBUCIÓN NORMAL
 7.3.1.1 Aproximación de la binomial a la normal
 7.3.1.2 APROXIMACIÓN DE LA
HIPERGEOMÉTRICA A LA NORMAL
Sea X la variable aleatoria hipergeométrica. esto es, el número de éxitos que se encuentran
en una muestra de tamaño n escogida al azar una a una sin reposición de N elementos dc
los cuales r son clasificados como éxitos y el resto N — r como fracasos. La media y la
varianza de la variable son respectivamente:
EJEMPLO 7.36 Los 1000 sacos de café de un quintal cada uno, producto de la última
cosecha en Chanchamayo, se envían a una empresa exportadora para su venta a USA. La
empresa exportará el producto si una muestra aleatoria de 80 sacos (revisados uno por uno)
revela a lo más 12.5% de sacos que no cumplen las especificaciones, en caso contrario no lo
exportará. Calcular la probabilidad de no exportar el producto cuando realmente el porcentaje
de sacos que no cumplen las especificaciones es 10% del total.
7.3.1.3 APROXIMACIÓN DE LA POISSON A
LA NORMAL
Sean X,,X2,...,X n , n, variables aleatorias independientes e idénticamente
distribuidas como Poisson cada una con promedio X en un intervalo dado. Es
decir en el mismo intervalo cada X¡, ocurre con media y varianza iguales a A..
Entonces, para n suficientemente grande la variable:
 EJEMPLO 7.37 El promedio del número de accidentes de trabajo cn una fábrica es 2
cada semana. Calcule la probabilidad de que se produzcan al menos 115 accidentes
durante 50 semanas.
7.3.1.4 APROXIMACIÓN DE LA CHI-
CUADRADO A LA NORMAL
GRACIAS!!!!!!