Ingeniera en Sistemas

Cuarto Ciclo

Probabilidad Estadstica

TEMA:

7 de Abril del 2,015

Trabajo de investigacin.

Tabla de contenido
INTRODUCCIN............................................................................................ I
DISTRIBUCIONES DISCRETAS........................................................................1

DISTRIBUCIN BINOMIAL O BERNOULLI..................................................1

DISTRIBUCIN DE POISSON....................................................................2

DISTRIBUCIN HIPERGEOMTRICA.........................................................2

DISTRIBUCIONES CONTINUAS.......................................................................4

DISTRIBUCIN NORMAL.........................................................................4

DISTRIBUCIN UNIFORME......................................................................5

TEOREMA DEL LMITE CENTRAL....................................................................6

CONCLUSIN.............................................................................................. II
BIBLIOGRAFA............................................................................................III

Introduccin
La probabilidad es aquella que mide la frecuencia con la que aparece un

determinado resultado, cuando se realiza un experimento. Una distribucin de

probabilidad indica toda la gama de valores que pueden representarse como
resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede
disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales.

Distribuciones Discretas
Las distribuciones discretas son aquellas en las que la variable puede tomar un
nmero determinado de valores

Distribucin Binomial o Bernoulli

Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:
1. En

cada

prueba

del

experimento

slo

son

posibles dos

resultados: xito y fracaso.

2. La probabilidad de xito es constante, es decir, que no vara de una prueba
a otra. Se representa por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q.
q = 1 p

4. El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente.
5 . La variable aleatoria binomial, X,

expresa

el nmero

de

obtenidos en las n pruebas.

La distribucin binomial se expresa por B(n, p).

Clculo de probabilidades en una distribucin

binomial

xitos

n e s e l nme r o de pr ue bas.

k es el nme ro de xito s.

p es la pr o babili dad de xito.

q es la pr o babili dad de fracaso.

El n mer o co mbin ato r io

Distribucin de Poisson
Se trata de un modelo discreto, pero en que el conjunto de valores con
probabilidad no nula, no es finito, sino numerable. Se dice que una variable
aleatoria X sigue la distribucin de Poisson si su funcin de densidad viene dada
por:

Como vemos, este modelo se caracteriza por un slo parmetro , que debe ser
positivo.

Distribucin Hipergeomtrica
En la distribucin Hipergeomtrica

cantidad de resultados xitos en una

muestra aleatoria (sin reposicin) de tamao , tomada de una poblacin de

tamao

y de la cual

del muestreo y

satisface una caracterstica o propiedad (xito) antes

no la satisface (fracaso).

Criterios o propiedades que la caracterizan.

1. La poblacin

del conjunto de unidades elementos es de orden fnito, de

los cuales una parte:

"son xitos", y otra parte:

son "fracasos".

2. Cada elemento puede ser caracterizado como xito fracaso.

3. Se obtiene una muestra aleatoria de

elementos todos a la vez (sin

reemplazamiento) y no de forma independiente. No son pruebas repetidas.

4. El tamao de la muestra aleatoria

es grande relativamente en

comparacin con el tamao de la poblacin. Generalmente:

5. Se busca la probabilidad de
resultados elementos y

nmero de xitos a partir de los

fracasos a partir de los

clasificados, al obtener una muestra aleatoria de tamao

elementos asi

Distribuciones Continuas
Distribucin normal
Una variable aleatoria continua, X, sigue una distribucin normal de media
y desviacin tpica , y se designa por N(, ), si se cumplen las siguientes
condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:

Curva de la distribucin normal

o
o
o
o
o
o

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.

El rea del recinto determinado por la funcin y el eje de abscisas es igual a la

unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.

p( - < X + ) = 0.6826 = 68.26 %

p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %

Distribucin Uniforme
La distribucin Uniforme es el modelo (absolutamente) continuo ms simple.
Corresponde al caso de una variable aleatoria que slo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos de
una misma longitud (dentro de (a, b)) tienen la misma probabilidad. Tambin
puede expresarse como el modelo probabilstico correspondiente a tomar un
nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe tomar el
mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir,

Propiedades del modelo Uniforme

Su esperanza vale (b + a)/2

Su varianza es (b a)2/12

Teorema del lmite central

El Teorema Central del Lmite dice que si tenemos un grupo numeroso de
variables independientes y todas ellas siguen el mismo modelo de distribucin
(cualquiera que ste sea), la suma de ellas se distribuye segn una distribucin
normal.
Este teorema se aplica tanto a suma de variables discretas como de variables
continuas.
Los parmetros de la distribucin normal son:
Media: n * (media de la variable individual multiplicada por el nmero de
variables independientes)
Varianza: n * (varianza de la variable individual multiplicada por el nmero de
variables individuales)

Se aproxima a la de una variable normal tipificada N(0,1), mejorndose la calidad

de la aproximacin a medida que n aumenta.
Este resultado prueba que el estadstico o estimador media muestral

Con carcter general, o al menos en los modelos de probabilidad clsicos, se

admite una aproximacin aceptable al modelo normal siempre que n sea mayor o
6

igual que 30, a pesar de que esta cifra es insuficiente en determinados casos y
excesiva en otros; por lo que debemos ser cautelosos en su aplicacin. En el
enlace modelos de probabilidad, se establece una relacin de algunos modelos,
con aproximaciones particulares, que en la mayora de los casos derivan del
teorema del lmite central.

Conclusin
Una distribucin de probabilidad indica todo el conjunto de valores que pueden
representarse como resultado de un experimento si el mismo se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede
disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales.

Bibliografa
http://e-stadistica.bio.ucm.es/glosario2/teor_limite_central.html
http://www.vitutor.com/estadistica/inferencia/intervalos.html
http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/05Distr
%20Poisson.htm