Professional Documents
Culture Documents
PROBABILIDAD
INTRODUCCION
DISTRIBUCIÓN BINOMIAL
En estadística, la distribución binomial es una distribución de probabilidad discreta
que cuenta 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.
Ejemplo
1) Supongamos que se lanza un dado 51 veces y queremos conocer la
probabilidad de el número 3 salga 20 veces. En este caso tenemos
1
una 𝐵~(51, 6) entonces la probabilidad seria 𝑝(𝑥) = 20.
Solución
Datos
𝑛 = 51
𝑝 = 1/6
𝑞 = 1 − 1/6
P(x=20)=???
Entonces:
𝑝(𝑥 = 20) = (𝑛𝑥)𝑝 𝑥 (1 − 𝑝)𝑛−𝑥
1
𝑝(𝑥 = 20) = (51
20
)( )20 (1 − 1/6)51−20
6
Ejercicios
1) De un salón de clases el 60% de los alumnos son hombre, calcular la
probabilidad de extraer el 1er hombre a la cuarta ocasión que extraemos
un alumno.
Solución
𝑥=4
𝑝 = 0.60
𝑞 = 0.40
𝑝(𝑥 = 4) =? ?
𝑝(𝑥) = 𝑝𝑞 𝑥−1
𝑝(𝑥 = 4) = (0.60)(0.40)4−1
𝑝(𝑥 = 4) = 0.0384
DISTRIBUCION DE PASCAL
Definamos una experiencia aleatoria cuyo resultado solo puede ser el suceso A o su
complementario 𝐴𝑐 , y que se repite secuencialmente hasta que aparase el suceso A
por primera vez.
Definamos la variable aleatoria X como el número de veces que repetimos la
experiencia en condiciones independientes hasta que se dé A por primera vez. Bajo
estas condiciones, decimos que la variable X sigue una distribución geométrica o de
pascal de parámetro 𝑝 = 𝑃(𝐴).
La función de densidad puede deducirse fácilmente de la definición:
𝑓(𝑘) = 𝑃[𝑋 = 𝑘] = (1 − 𝑝)𝑘 𝑝 𝑘 = 0, 1, 2, …
Propiedades del modelo geométrico o de pascal
Esperanza: 𝐸(𝑋) = (1 − 𝑝)/𝑝
Varianza:𝑉(𝑋) = (1 − 𝑝)/𝑝2
DISTRIBUCION DE POISSON
Es una distribución de probabilidad discreta que expresa, a partir de una frecuencia
de ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto periodo de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos
raros.
La función de masa o probabilidad de la distribución de Poisson es:
𝑒 −𝜆 𝜆𝑘
𝑓(𝑘, 𝜆) =
𝑘!
Donde:
K es el número de ocurrencias del evento o fenómeno (la función nos da la
probabilidad de que el evento suceda precisamente k veces).
𝜆 es un parámetro positivo que representa el número de veces que se espera
que ocurra el fenómeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados
en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribución de Poisson con 𝜆 = 10 ∗ 4 = 40.
𝑒 es la base de los logaritmos naturales (e=2,71828…)
EJEMPLOS
1) Si el 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa, para obtener la probabilidad de que 5 de 400 libros
encuadernados en este taller tenga encuadernaciones defectuosas usamos
la distribución de Poisson. En este caso concreto, k es 5 y 𝜆, el valor
esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto,
la probabilidad buscada es.
Solución:
𝑒 −𝜆 𝜆𝑘
𝑓(𝑘, 𝜆) =
𝑘!
𝑒 −8 85
𝑝(8,5) =
5!
= 0.09160
DISTRIBUCION MULTINOMIAL
Función de probabilidad
Propiedades
𝐸(𝑥𝑖 ) = 𝑛𝑝𝑖
𝑉(𝑥𝑖 ) = 𝑛𝑝𝑖 (1 − 𝑝𝑖 ).
EJEMPLO
20!
= 5!10!5! 𝑥0.155 𝑥0.4010 𝑥0.455 = 0.41
DISTRIBUCIONES CONTINUAS
DISTRIBUCION UNIFORME
La distribución uniforme es el modelo continuo más simple. Corresponde al caso de
una variable aleatoria que solo puede tomar valores comprendidos entre dos extremos
a y b, de manera que todos los intervalos de una misma longitud (dentro de (a, b))
tiene la misma probabilidad. También puede espesarse como el modelo probabilístico
correspondiente a tomar un número al azar dentro de un intervalo (a, b).
De la anterior definición se desprende que la función de densidad debe tomar el
mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo). Es decir.
1
𝑠𝑖 𝑥𝜖(𝑎, 𝑏)
𝑓𝑥 (𝑥) = {𝑏 − 𝑎
0 𝑠𝑖 𝑥 ∉ (𝑎, 𝑏)
La función de distribución se obtiene integrando la función de densidad y viene dada
por:
0 𝑠𝑖 𝑥 ≤ 𝑎
𝑥−𝑎
𝐹𝑥 (𝑋) = 𝑃(𝑋 ≤ 𝑥) = { 𝑠𝑖𝑥𝜖(𝑎, 𝑏)
𝑏−𝑎
1 𝑠𝑖 𝑥 ≥ 𝑏
EJEMPLO
Que como vemos, depende de los parámetros u (que puede ser cualquier calor real) y
𝜎(que ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma
abreviada que una variable X sigue el modelo Normal así: 𝑋~𝑁(𝑢, 𝜎) Por ejemplo,
si nos referimos a una distribución normal con u=0 y 𝜎 = 1 lo abreviaremos 𝑁(0, 1)
a continuación presentaremos la gráfica de esta función de densidad (donde se puede
cambiar los parámetros):
Como se puede ver, la función del modelo normal tiene forma de campana, la que
habitualmente se denomina campana de Gauss. De hecho, a este modelo, también se
le conoce con el nombre de distribución gaussiana.
Propiedades del modelo Normal
a. Su esperanza es u
b. Su varianza es 𝜎 2 y, por tanto, su desviación típica es 𝜎.
c. Es simétrica respecto a su media u, como se puede apreciarse en la
representación anterior.
d. Media, moda y mediana coinciden (u).
EJEMPLO
1. Si X es una variable aleatoria de una distribución 𝑁(𝑢, 𝜎), hallar: 𝑝(𝑢 −
3𝜎 ≤ 𝑥 ≤ 𝑢 + 3𝜎)
𝑥−𝑦
Solución: sabemos que 𝑧 = ; como 𝑥1 = 𝑢 − 3𝜎 y 𝑥2 = 𝑢 + 3𝜎 entonces la
𝜎
BINOMIAL
HIPERGEOMETRICA
Para la aproximación de la distribución normal mediante la distribución hipergeométrica
𝒙 ± 0.5 − 𝑛𝐴/𝑁
𝒁=
𝒏𝑨(𝑵 − 𝑨)(𝑵 − 𝑵)
√
𝑵. 𝑵. 𝑵(𝑵 − 𝟏)
POISSON
𝑿 ± 𝟎, 𝟓 −
𝒁=
√
Donde:
X: La variable
: Es el parámetro
EJEMPLOS
Solución:
= 52 ∗ 2 = 104
Donde: