UNIVERSIDAD

TCNICA
DE MACHALA
NDICE DE
CONTENIDOS
UNIDAD ACADMICA DE INGENIERA CIVIL
CARRERA DE INGENIERA CIVIL
INTRODUCCIN-------------------------------------------------------5
ESTADSTICA
OBJETIVOS-------------------------------------------------------------6

OBJETIVO GENERAL-----------------------------------------------------------------------6
OBETIVOS ESPECFICO-------------------------------------------------------------------6

MARCO TERICO--------------------------------------------------------------------7
DISTRIBUCIONES DISCRETAS----------------------------------------------------7
DISTRIBUCIN UNIFORME--------------------------------------------------------------7
Distribucin de probabilidad----------------------------------------------------------------------------------7
Media:----------------------------------------------------------------------------------------------------------------7
Varianza:------------------------------------------------------------------------------------------------------------7
Grfico:--------------------------------------------------------------------------------------------------------------8

DISTRIBUCIN DE BERNOULLI---------------------------------------------------------8
Distribucin de probabilidad----------------------------------------------------------------------------------8
Media:----------------------------------------------------------------------------------------------------------------8
Varianza:------------------------------------------------------------------------------------------------------------9
Grfico:--------------------------------------------------------------------------------------------------------------9

DISTRIBUCION BINOMINAL------------------------------------------------------------10
Distribucin de probabilidad de X-------------------------------------------------------------------------10
Media de X--------------------------------------------------------------------------------------------------------10
Varianza de X----------------------------------------------------------------------------------------------------10
Grafic:------------------------------------------------------------------------------------------------------------11

DISTRIBUCIN BINOMIAL NEGATIVA-----------------------------------------------11

Distribucin de probabilidad de X-------------------------------------------------------------------------12
Varianza de X----------------------------------------------------------------------------------------------------12
Grfico:------------------------------------------------------------------------------------------------------------12

DISTRIBUCIN GEOMTRICA---------------------------------------------------------13
Distribucin de probabilidad--------------------------------------------------------------------------------13
Varianza:----------------------------------------------------------------------------------------------------------13
Grfico:------------------------------------------------------------------------------------------------------------14

DISTRIBUCIN HIPERGEOMTRICA-------------------------------------------------14
Distribucin de probabilidad--------------------------------------------------------------------------------15
Media:--------------------------------------------------------------------------------------------------------------15
Varianza:----------------------------------------------------------------------------------------------------------15
Grfico-------------------------------------------------------------------------------------------------------------15

DISTRIBUCIN DE POISSON----------------------------------------------------------16
Distribucin de probabilidad--------------------------------------------------------------------------------16
Media:--------------------------------------------------------------------------------------------------------------16
Varianza:----------------------------------------------------------------------------------------------------------17
Grfico:------------------------------------------------------------------------------------------------------------17

DISTRIBUCIONES CONTNUAS-------------------------------------------------18
DISTRIBUCIN UNIFORME:------------------------------------------------------------18
Funcin densidad-----------------------------------------------------------------------------------------------18
Distribucin de probabilidad--------------------------------------------------------------------------------18
Media:--------------------------------------------------------------------------------------------------------------19
Varianza:----------------------------------------------------------------------------------------------------------19

DISTRIBUCIN GAMMA----------------------------------------------------------------19

Joel A. Vsquez .T

Pgina 1

Funcin densidad-----------------------------------------------------------------------------------------------19
Media:--------------------------------------------------------------------------------------------------------------20
Varianza:----------------------------------------------------------------------------------------------------------20

DISTRIBUCIN EXPONENCIAL--------------------------------------------------------21
Funcin densidad-----------------------------------------------------------------------------------------------21
Media:--------------------------------------------------------------------------------------------------------------21
Varianza:----------------------------------------------------------------------------------------------------------21

DISTRIBUCIN JI-CUADRADA---------------------------------------------------------22
Funcin densidad-----------------------------------------------------------------------------------------------22
Media:--------------------------------------------------------------------------------------------------------------23
Varianza:----------------------------------------------------------------------------------------------------------23

DISTRIBUCIN NORMAL---------------------------------------------------------------23
Funcin densidad-----------------------------------------------------------------------------------------------24
Media:--------------------------------------------------------------------------------------------------------------24
Varianza:----------------------------------------------------------------------------------------------------------24

DISTRIBUCIN BETA--------------------------------------------------------------------25
Funcin densidad-----------------------------------------------------------------------------------------------25
Media:--------------------------------------------------------------------------------------------------------------25
Varianza:----------------------------------------------------------------------------------------------------------25

DISTRIBUCIN WEIBULL---------------------------------------------------------------26
Funcin densidad-----------------------------------------------------------------------------------------------26
Media:--------------------------------------------------------------------------------------------------------------26
Varianza:----------------------------------------------------------------------------------------------------------26

CONCLUSIONES--------------------------------------------------------------------28
BIBLIOGRAFA----------------------------------------------------------------------28

Joel A. Vsquez .T

Pgina 2

NDICE DE GRFICOS
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico
Grfico

1: Distribucin Uniforme----------------------------------------------------------------------8
2: Distribucin de Bernoulli------------------------------------------------------------------9
3: Distribucin Binomial---------------------------------------------------------------------11
4: Distribucin Binomial Negativa--------------------------------------------------------12
5: Distribucin Geomtrica-----------------------------------------------------------------14
6: Distribucin Hipergeomtrica----------------------------------------------------------15
7: Distribucin de Poisson------------------------------------------------------------------17
8: Funcin de densidad del modelo Uniforme----------------------------------------18
9: Funcin de distribucin del modelo Uniforme------------------------------------18
10: Funcin de densidad del modelo Gamma----------------------------------------20
11: Funcin de distribucin del modelo Exponencial-------------------------------22
12: Funcin de distribucin del modelo Ji- Cuadrada-------------------------------23
13: Distribucin Uniforme Continua-----------------------------------------------------24
14: Distribucin Beta-------------------------------------------------------------------------25
15:Distribucin Weibull----------------------------------------------------------------------27

INTRODUCCIN
En el siguiente trabajo se expondr a los tipos de distribuciones de probabilidad, tanto
de la variable aleatoria discreta, como los de la variable aleatoria continua, la cuales
contemplan temas de inters para el estudiante de estadstica. Demostrando con el uso
de ejemplos prcticos las diferencias entre cada una de estas.
Entre los subtemas a tratar estn distribuciones aleatorias discretas tales como:
Uniforme, Bernoulli, Binomial, binomial negativa, Geomtrica, Hipergeomtrica y
Poisson. Para las distribuciones aleatorias continuas estn: Uniforme, Gamma,
Exponencial, Ji Cuadrada, Normal, Beta y Weibull.
Al ser temas de importancia para la comprensin de los distintos aspectos que toma en
cuenta la estadstica, se exhorta al lector analizar los siguientes casos.

Joel A. Vsquez .T

Pgina 3

OBJETIVOS
OBJETIVO GENERAL

Caracterizar cada una de las distribuciones de probabilidad, contrastando sus

diferencias mediante ejemplificaciones para lograr una mejor comprensin del tema.

OBETIVOS ESPECFICO

Ayudar al estudiante a comprender que son las distribuciones de probabilidad.

Ejemplificar cada uno de los casos de distribuciones de probabilidad.
Demostrar mediante el uso de grficos las variaciones entre los tipos de
distribuciones.

Joel A. Vsquez .T

Pgina 4

MARCO TERICO
DISTRIBUCIONES DISCRETAS
DISTRIBUCIN UNIFORME
Una variable aleatoria tiene distribucin discreta uniforme si su espacio muestral tiene n
resultados, y cada uno con igual probabilidad.
Definicin:
Sea X: Variable aleatoria discreta
x = x1, x2, x3,..., xn los valores que puede tomar, con igual probabilidad.
Entonces, la distribucin de probabilidad de X es:
Distribucin de probabilidad

1
f ( x )= n x=x 1 ; x 2 ; ; x n
0 ; otro x
Se obtienen directamente de las definiciones correspondientes
Sea X: variable aleatoria con distribucin discreta uniforme
Media:
n

1
x
n i=1 i
i=1
=E[ X ]=

xf ( x ) = xi f ( x i ) =
x

Varianza:
X

x
x
( i)2
n

n i=1
2=E [ 2 ]=

( i)2 f ( x)=

(1)
Ejemplo.
Joel A. Vsquez .T

Pgina 5

Un experimento consiste en lanzar un dado y observar el resultado.

Si X es la variable aleatoria correspondiente a los resultados posibles, entonces su
distribucin de probabilidad tiene distribucin discreta uniforme:

1
P ( X=x )=f ( x ) = 6 , x=1,2, . .. , 6
0, para otro x

Grfico:

Grfico 1: Distribucin Uniforme

n

1
x = 1+2+3+6 4+5+ 6 =3,5
n i=1 i

x
91
2
2
( i) = ( 3.5 ) =2.91
6
n
1
2
=
n i=1

DISTRIBUCIN DE BERNOULLI
La distribucin de Bernoulli de parmetro p es el modelo ms simple de probabilidad.
Se aplica a situaciones en las que un cierto atributo aparece con probabilidad p (xito)
y la ausencia de este mismo atributo con probabilidad q = 1 - p (fracaso), como en el
lanzamiento de una moneda. Que puede dar como resultado cara o cruz.
Recprocamente, todo experimento aleatorio que slo admite dos resultados posibles,
(uno llamado por costumbre xito y el otro fracaso) se llama ensayo de Bernoulli y lleva
a la distribucin de Bernoulli.
Definicin:
X: Variable
valores6pueden ser 1: xito, 0: fracaso p:
Joel Sea
A. Vsquez
.T aleatoria cuyosPgina
Valor de probabilidad de que el resultado del ensayo sea xito
Entonces, la distribucin de probabilidad de X es:

Distribucin de probabilidad
f ( x )=

p , x=1
1 p , x=0
0 en cualquier otro caso

Media:

Varianza:

(2)
Grfico:

Grfico 2: Distribucin de Bernoulli

Ejemplo.
Un jugador de bsquetbol est a punto de tirar hacia la parte superior del tablero. La
probabilidad de que anote el tiro es de 0.55
a) Sea X=1 si anota el tiro, si no lo hace X=0 determine la media y la varianza de X.
Eventos
probabilidades
X=1 si anota
1
0.55 (p)= 1(0.55) = 0.55
X=0 si no anota
0
0.45 (1-p)=0(0.45) =__0__
Media= 0.55
(1-0.55)(0.55)=0.1111375
(0-0.55)(0.45)=0.1361255
Varianza=0.2475

Joel A. Vsquez .T

Pgina 7

b) Si anota el tiro su equipo obtiene 2 puntos. Si lo falla su equipo no recibe puntos.

Sea Y el nmero de puntos anotados tiene una distribucin de Bernoulli? Si es

as encuentre la probabilidad de xito, si no explique porque .
Eventos
2
0

Y=2 si anota
Y=0 si no anota

probabilidades
0.55 (p)= 2(0.55)= 1.1
0.45 (2-p)=0(0.45)= 0

No es una distribucin Bernoulli porque los eventos que se presentan no son 1 y 0.

c) Determine la medida y varianza de Y

Y=1 si anota
Y=0 si no anota

Eventos
2
0

probabilidades
0.55 (p)= 2(0.55)= 1.1
0.45 (2-p)=0(0.45)=__0__
Media= 1.1
(2-1.1)(0.55)=0.4455
(0-1.1)(0.45)=0.5445
Varianza=0.99

DISTRIBUCION BINOMINAL
Es una distribucin de probabilidad discreta que mide el nmero de xitos en una
secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad
fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se
caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de
estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con
una probabilidad q = 1 - p.
Caractersticas de un experimento binomial
a)
b)
c)
d)

La cantidad de ensayos que se realizan es finita. Sea esta cantidad n.

Cada ensayo tiene nicamente dos resultados posibles: xito o fracaso
Todos los ensayos realizados son independientes.
La probabilidad de xito en cada ensayo permanece constante. Sea este
valor p.
Definicin:
Sea X: Variable aleatoria discreta cuyo valor representa la cantidad de ensayos
considerados xitos en una serie de n ensayos realizados.
Entonces, la distribucin de probabilidad de X es:
Distribucin de probabilidad de X
f ( x )= n p x (1 p)n x , x=0,1,2, , n
x

()

Joel A. Vsquez .T

Pgina 8

Media de X
= E(X) = np
Varianza de X
2 = V(X) = np( 1 p )
(3)
Grafic:

Grfico 3: Distribucin Binomial

Ejemplo.
La probabilidad de que un alumno de 1 de bachillerato repita el curso es de 0,3.
Elegimos 20 alumnos al azar. Cul es la probabilidad de que haya exactamente 4
alumnos repetidores?

Joel A. Vsquez .T

Pgina 9

DISTRIBUCIN BINOMIAL NEGATIVA

Los parmetros de un modelo de distribucin de probabilidad se refieren a los
valores que pertenecen a un problema particular. Para la distribucin binomial los
parmetros son n y p.
Una vez que est definido el problema, se puede calcular la probabilidad
correspondiente a cualquiera de los valores que puede tomar la variable aleatoria
X.
Definicin:
Sea X: Variable aleatoria discreta con distribucin binomial negativa
(cantidad de ensayos realizados hasta obtener k xitos)
p: Probabilidad de xito. Es un valor constante en cada ensayo
x = k, k+1, k+2, ... (valores que puede tomar la variable X)
Entonces la distribucin de probabilidad de X es:

Distribucin de probabilidad de X
xk
P ( X=x )=f ( x ) = x1 p k ( 1p ) , x =k , k +1, k +2,
k1

( )

Media de X
Joel A. Vsquez .T

Pgina 10

=E [ X ] =

k
p

Varianza de X
2=V [ X ] =

k 1
1
p p

( )

(4)
Grfico:

Grfico 4: Distribucin Binomial Negativa

Ejemplo.
Suponiendo que la probabilidad de que una persona contraiga cierta enfermedad a la
que est expuesta es 30%, calcule la probabilidad que la dcima persona expuesta a la
enfermedad sea la cuarta en contraerla.
Respuesta
Cada persona expuesta a la enfermedad constituye un ensayo. Estos ensayos son
independientes y la probabilidad de xito es constante: 0.3. (Note que xito no
siempre tiene una connotacin favorable)
Por la pregunta concluimos que la variable de inters X tiene distribucin binomial
negativa con k=4, p=0.3.
Sean X: Cantidad de ensayos realizados hasta obtener k xitos (variable aleatoria
discreta) x = 4, 5, 6, . .
P ( X=x )=f ( x ) = x 1 0.34 (10.3) x 4 , x=4,5,6
41

( )

Por lo tanto

Joel A. Vsquez .T

Pgina 11

P ( X=10 ) =f ( 10 )= 101 0.34 (10.3)104=0.08

41

DISTRIBUCIN GEOMTRICA
Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un
xito por primera y nica vez en el ltimo ensayo que se realiza del experimento.
Describe el nmero de experimentos con probabilidad p de xito, que se debe efectuar
hasta obtener un resultado determinado.
Definicin:
Sean X: Variable aleatoria discreta con distribucin geomtrica (cantidad de
ensayos realizados hasta obtener el primer xito)
x = 1, 2, 3, ... (valores factibles para la variable X) p: probabilidad de
xito (constante) en cada ensayo
Entonces la distribucin de probabilidad de X es:
Distribucin de probabilidad
P( X =x)=f (x )= p(1 p) x1 , x=1, 2, 3,...

Media:
=E [ X ] =

1
p

Varianza:
2=V [ X ] =

1 1
1
p p

( )

(5)

Grfico:

Joel A. Vsquez .T

Pgina 12

Grfico 5: Distribucin Geomtrica

Ejemplo.
Calcule la probabilidad que en el quinto lanzamiento de tres monedas se obtengan
tres sellos por primera vez.
Respuesta:
En el experimento de lanzar tres monedas hay 8 resultados posibles.
En cada ensayo la probabilidad que salgan tres sellos es constante e igual a 1/8 y la
probabilidad que no salgan tres sellos es 7/8.
Estos ensayos son independientes, y por la pregunta concluimos que la variable de
inters X tiene distribucin geomtrica con p=1/8,
Sea X: Cantidad de ensayos hasta obtener el primer xito (variable aleatoria
discreta) x = 1, 2, 3, . . .
P(X=x) = f(x) = (1/8)(7/8)x-1 , x=1, 2, 3, ...
Por lo tanto
P(X=5) = f(5) = (1/8)(7/8)5-1 = 0.0733
DISTRIBUCIN HIPERGEOMTRICA
Esta distribucin se refiere a los experimentos estadsticos que consisten en tomar
una muestra sin reemplazo, de un conjunto finito el cual contiene algunos elementos
considerados xitos y los restantes son considerados fracasos.
Tomar una muestra sin reemplazo significa que los elementos son tomados uno a
uno, sin devolverlos. Podemos concluir entonces que los ensayos ya no pueden ser
considerados
independientes porque la probabilidad de xito al tomar cada nuevo
Sean
elemento es afectada por el resultado de los ensayos anteriores debido a que la
N:
dede
elementos
delest
conjunto
del que se toma la muestra.
cantidad
deCantidad
elementos
la poblacin
cambiando.
K: Cantidad de elementos existentes que se consideran xitos
n: Tamao de la muestra
Definicin:
X: Variable aleatoria discreta (es la cantidad de resultados
Joel A. Vsquez .T
Pgina 13
considerados

xitos que se obtienen en la muestra)

x= 0, 1, 2, ..., n (son los valores que puede tomar X)

Entonces, la distribucin de probabilidad de X es

Distribucin de probabilidad
K N K
(
x )( nx )
f ( x )=
, x=1,2,3, , n
N
(n)
Media:
=E [ X ] =n

K
N

Varianza:
2=V [ X ] =

nK
K
1
N
N

)( NN n
1 )

Grfico

Grfico 6: Distribucin Hipergeomtrica

Ejemplo.
En una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la probabilidad
de que 3 sean blancas?
Si aplicamos el modelo:
Joel A. Vsquez .T

Pgina 14

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es

del 35,3%.

DISTRIBUCIN DE POISSON
La frecuencia de aparicin de eventos en un proceso de llegadas, puede formalizarse
al especificar el tiempo entre dos llegadas sucesivas, o especificando el nmero de
eventos de llegada por intervalo.
Variables que definen al proceso:
Nmero de sucesos medio que ocurren en un determinado tiempo o espacio ()
Ejemplos:

Nmero de peces observados en un trayecto.

Nmero de aves avistadas durante una hora.
Nmero de bacterias observadas por campo de microscopio.
El nmero total de defectos de una pieza.
El nmero de veces que un recurso es interrumpido en una unidad de tiempo.

Definicin:
Sea X: Variable aleatoria discreta con distribucin de Poisson (cantidad de
xitos en una regin o intervalo especificados)
x = 0, 1, 2, . . . (valores posibles para la variable X)
: Cantidad promedio de xitos en la regin o intervalo
especificados.
Entonces la distribucin de probabilidad de X es:

Distribucin de probabilidad
f ( x )=

x e
, x=1,2 , e=2.71828
x!

Joel A. Vsquez .T

Pgina 15

Media:
=E [ X ] =
Varianza:
2=V [ X ] =
Grfico:

Ejemplo.

Grfico 7: Distribucin de Poisson

Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10
cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por da
e = 2.718

Joel A. Vsquez .T

Pgina 16

DISTRIBUCIONES CONTNUAS
DISTRIBUCIN UNIFORME:
Definicin:
Es el modelo 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:
Funcin densidad

1
f x ( x )= ba si x ( a , b )
0 si x ( a , b )

Grfico 8: Funcin de densidad del modelo Uniforme

Distribucin de probabilidad

0, si x a
xa
F x ( x )=P ( X x ) =
, si x ( a ,b )
ba
1, si x b

Joel A. Vsquez .T

Pgina 17

Grfico 9: Funcin de distribucin del modelo Uniforme

Media:
E [ X ]=

b+a
2

Varianza:
2

V [ X ]=

(ba)
12

Ejemplo.
El volumen de precipitaciones estimado para el prximo ao en la ciudad de Sevilla va
a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin de distribucin y
la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de
probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:

Su varianza es:
2

(400500)
V [ X ]=
12

Joel A. Vsquez .T

Pgina 18

=833.33

DISTRIBUCIN GAMMA
Es una distribucin de probabilidad continua con dos parmetros k y cuya funcin de
densidad para valores x > 0 es
Funcin densidad

f ( x )=

a 1

x e
, x0
( )
0, x< 0

( ) es la funci n gamma
( )= t

a1 t

e dt

Si es entero positivo ( )=( 1 ) !

El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son:

Media:

E[ X ]=
Varianza:
V [ X ] = 2

Grfico 10: Funcin de densidad del modelo Gamma

Joel A. Vsquez .T

Pgina 19

Ejemplo.
En cierta ciudad el consumo diario de energa elctrica, en millones de kilovatios por
hora, puede considerarse como una variable aleatoria con distribucin GAMMA de
parmetros = 3 y = 0.5.
La planta de energa de esta ciudad tiene una capacidad diaria de 10 millones de
KW/hora.Cul es la probabilidad de que este abastecimiento sea:
a. Insuficiente en un da cualquiera?.
b. Se consuman entre 3 y 8 millones de K. W./Hora?
c. Encuentre E(x) y V(x).

DISTRIBUCIN EXPONENCIAL
En estadstica la distribucin exponencial es una distribucin de probabilidad continua
con un parmetro .
La distribucin exponencial es un caso particular de distribucin gamma con k = 1.
Adems la suma de variables aleatorias que siguen una misma distribucin
exponencial es una variable aleatoria expresable en trminos de la distribucin gamma
Funcin densidad
Definicin:
Sea X una variable aleatoria continua X
X tiene distribucin exponencial si su densidad de probabilidad est dada por

1
f ( x )= e , x >0
0, para otro x

En donde >0, es el parmetro para este modelo

Media:
Joel A. Vsquez .T

Pgina 20

E[ X ]=
Varianza:
V [ X ]=

Ejemplo.
Un sistema usa un componente cuya duracin en aos es una variable aleatoria con
distribucin exponencial con media de 4 aos. Si se instalan 3 de estos componentes y
trabajan independientemente, determine la probabilidad que al cabo de 6 aos, dos de
ellos sigan funcionando.
Solucin
Sea Y: variable aleatoria continua (duracin de un componente en aos) Y tiene
distribucin exponencial con = = 4
Su densidad de probabilidad es f(y) = 41 e y / 4 , y > 0
La probabilidad que un componente siga funcionando al cabo de 6 aos:
P(Y 6)=1 P (Y <6)=1 60 1 / 4 e y / 4 dy=0.2231

Grfico 11: Funcin de distribucin del modelo

Exponencial

Sea X: variable aleatoria discreta (cantidad de componentes que siguen funcionando

luego de 6 aos)
X tiene distribucin binomial con n=3, p=0.2231
Su funcin de distribucin de probabilidad es:
x
n x
x
3x
f ( x )= n p (1 p) = 3 0.2231 (0.7769)
x
x

()

Joel A. Vsquez .T

()

Pgina 21

Entonces,
P( X =2)=f ( 2)= 3 0.22312(0.7769)32=0.1160=11 .6
2

()

MarcadorDePosicin2 \l 12298

CITATION

(4)

DISTRIBUCIN JI-CUADRADA
Este modelo es importante en el estudio de la estadstica inferencial. Se obtiene de la
distribucin gamma con = /2, = 2
Funcin densidad
Definicin:
Una variable aleatoria continua X tiene distribucin Ji-cuadrada si su densidad de
probabilidad est dada por

1
v

(x v2 1) e x2 , x >0

f x= 2 2 v
2
0, para otro x
Media:

()

E[ X ]=v
Varianza:
V [ X ]=2 v

Grfico 12: Funcin de distribucin del modelo Ji- Cuadrada

Joel A. Vsquez .T

Pgina 22

Ejemplo.
El espesor de un semiconductor se controla mediante la variacin estndar no mayor a
s=0.60 mm. Para mantener controlado el proceso se toman muestras aleatoriamente
de tamao de 20 unidades, y se considera que el sistema est fuera de control cuando
la probabilidad de que s2 tome valor mayor o igual al valor de la muestra observado es
que es 0.01. Que se puede concluir si s=0.84mm?

( n 1)s 2 / 2
Solucin. Existe fuera de control si
02.01,19 36.191

Entonces,

con n=20 y =0.60, excede

(n 1)s 2 19 * 0.84 2

37.24
2
0.60 2

Por tanto, el sistema est fuera de control

DISTRIBUCIN NORMAL
La Distribucin Normal es la piedra angular de la teora estadstica moderna. Conocida
y estudiada desde hace mucho tiempo, es utilizada para describir el comportamiento
aleatorio de muchos procesos que ocurren en la naturaleza y tambin realizados por
los humanos.
Funcin densidad
Definicin:
Sea X una variable aleatoria con funcin de densidad de probabilidad
1
f x ( x ; , )=
e
2

(x)

,< x <

tiene una distribucin normal con parmetros , donde

Media:
E[ X ]=
Varianza:
V [ X ]= 2

Joel A. Vsquez .T

Pgina 23

< <

y >0 .

Grfico 13: Distribucin Uniforme Continua

Ejemplo.
Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X
+3)

Es decir, que aproximadamente el 99.74% de los valores de X estn a

menos de tres desviaciones tpicas de la media.
DISTRIBUCIN BETA
Este modelo tiene aplicaciones importantes por la variedad de formas diferentes que
puede tomar su funcin de densidad eligiendo valores para sus parmetros.
Funcin densidad
Definicin:
Una variable aleatoria continua X tiene distribucin beta si su densidad de
probabilidad est dada por

( + ) a1
1
f x = ( ) ( ) x (1x) , 0< x <1
0, para otro x
El dominio de la distribucin beta es el intervalo (0, 1), pero puede adaptarse a otros
intervalos finitos mediante alguna sustitucin.
Joel A. Vsquez .T

Pgina 24

Media:
E[ X ]=

Varianza:
V [ X ]=

( + ) ( + + 1 )
2

Grfico 14: Distribucin Beta

Ejemplo.
Un distribuidor de cierto producto llena su bodega al inicio de cada semana. La
proporcin del artculo que vende semanalmente se puede modelar con la distribucin
beta con =4, =2
a)
b)

Encuentre el valor esperado de la proporcin de venta semanal

Encuentre la probabilidad que en alguna semana venda al menos 90%
Solucin

Sea X: proporcin del artculo que vende semanalmente (variable aleatoria

continua) Su densidad de probabilidad es

( 4 +2 ) 41
21
x (1x ) =20 x3 ( 1x ) , 0< x< 1
( 4) ( 2)

f x =

4
2
=
=
a) = E(X) = + 4+ 2 3

(vende en promedio 2/3 del artculo cada semana)

DISTRIBUCIN WEIBULL
Es una probabilidad continua. Recibe su nombre de Waloddi Weibull, que la describi
detalladamente en 1951, aunque fue descubierta inicialmente por Frchet (1927) y
Joel A. Vsquez .T

Pgina 25

aplicada por primera vez por Rosin y Rammler (1933) para describir la distribucin de
los tamaos de determinadas particulas.
Se emplea para moldear tiempos de proceso. Tambin se emplea para moldear
tiempos de proceso. Tambin se emplea para moldear la confiabilidad de un equipo al
definir el tiempo que transcurre hasta que el equipo falla.
Funcin densidad

( x )

f ( x )= x 1 e
, x0
0, x< 0
Media:

1
E[ X ]=

()

Varianza:

[ ( )] }

2
2
1
1
V [ X ]=
2

()

Grfico 15:Distribucin Weibull

Ejemplo.
Suponga que la vida til de cierto elemento es una variable aleatoria que tiene
distribucin Weibull con?
= 0.5 y
= 0.01. Calcular:

a. La vida media til de ese artculo.

b. La variacin de la vida til.
c. La probabilidad de que el elemento dure ms de 300 horas.
Solucin:
Joel A. Vsquez .T

Pgina 26

Joel A. Vsquez .T

Pgina 27

CONCLUSIONES

El conocer los diferentes tipos de distribuciones de probabilidad, ayuda al

estudiante a relacionarse mejor con la materia de estadstica.
Al proponer en el desarrollo de las distribuciones ejemplos con su respectiva
grfica se hace ms evidente las diferencias entre distribuciones.
El lector se puede guiar con estas definiciones y ejemplificaciones para resolver
sus propios ejercicios.
BIBLIOGRAFA

1.

Devore L. Probabilidad y Estadstica para Ingeniera y Ciencias. 7th ed. Servantes

Gonzles SR, editor. Mexico: Cengage Learning; 2008.

2.

Evans J, Rosenthal JS. Probabilidad yEstadstica la ciencia de la incertidumbre. 1st

ed. Freeman WH, editor. Barcelona: Revert; 2005.

Montgmery DC. Slide Share. [Online].; 2015 [cited 2015 diciembre 6. Available
3. from: http://es.slideshare.net/SuzettCarmona/probabilidad-y-estadstica-aplicadas-ala-ingeniera-montgomery-runger-2-edicin-cap-1-8-40719647.
Rodrigues Ojeda L. Wordpress. [Online].; 2011 [cited 2015 Diciembre 6. Available
4. from: http://es.slideshare.net/SuzettCarmona/probabilidad-y-estadstica-aplicadas-ala-ingeniera-montgomery-runger-2-edicin-cap-1-8-40719647.
5.

Walpole RE. Probabilidad y Estadstica para ingenieros. 6th ed. Roig Vsquez PE,
editor. Mexico: Pearson educacin; 1999.

Joel A. Vsquez .T

Pgina 28