UNIVERSIDAD DE EL SALVADOR.

FACULTAD MULTIDISCIPLIANRIA DE OCCIDENTE.

DEPARTAMENTO DE INGENIERIA Y ARQUITECTURA.
GRUPO TERICO NMERO UNO.

PROBABILIDAD Y ESTADISTICA.
DISTRIBUCIONES DE PROBABILIDAD.

PARA: ING. EDUARDO ANTONIO MARROQUN ESCOTO.

DE:
MELARA HERNANDEZ, ANDREA ALEJANDRA.
GUERRA PORTILLO, IVAN ARMANDO.
BARRIENTOS HERNANDEZ, RICARDO ALBERTO.

FECHA DE ENTREGA: VIERNES 29 DE MAYO DE 2015

NDICE.

DISTRIBUCIN MULTINOMIAL.
Este modelo se puede ver como una generalizacin del Binomial en el que, en
lugar de tener dos posibles resultados, tenemos r resultados posibles.
Propiedades del experimento multinomial:
1. Son

pruebas ensayos repetidos e idnticos (con reposicin).

2. En cada prueba ensayo se pueden producir

resultados.

3. Las probabilidades de cada uno de los resultados

permanecen constantes en todas las pruebas ensayos. Donde p1 + p2 + +pk=1
4. Son pruebas ensayos independientes.
5. El inters se centra en contar los
ensayos de cada una de las

Si

una

prueba

xitos que se producen en los

categoras posibles de observar cada vez.

intento

puede

dar

posibles
con probabilidades
multinomial dar la probabilidad de que:

En

Y donde:

cualquiera

de

los

resultados

, entonces la distribucin

pruebas independientes.

Como son pruebas independientes, cualquier orden especfico que produzca

Ocurrir con

de probabilidad.

El nmero de rdenes arreglos que pueden producir resultados similares ser:

Combinando los dos componentes, se tiene entonces que:

Con

La esperanza matemtica del suceso i observado en n pruebas es:

La varianza es:

Ejemplo.
Se sabe que las bombas de gasolina para autos existentes en el mercado se
pueden clasificar en:
De rendimiento excelente
De rendimiento bueno

De rendimiento regular
De rendimiento malo

.
.

Se selecciona una muestra de

bombas mediante proceso aleatorio. Cul

ser la probabilidad de que quede conformada por:

DISTRIBUCIN HIPERGEOMETRICA.

En teora de la probabilidad la distribucin hipergeomtrica es una distribucin

discreta relacionada con muestreos aleatorios y sin reemplazo. La distribucin
hipergeomtrica considera el caso en el cual una poblacin finita se divide en dos
grupos, uno de los cuales se considera "xitos" y el otro "Fracasos. La
distribucin hipergeomtrica es aplicable a muestreos sin reemplazo en una
poblacin finita.
Frmula.
La frmula que se debe emplear para la distribucin hipergeomtrica es:

Siendo:

P(x)= probabilidad hipergeomtrica que se va a calcular para un valor dado

de x.
N= Tamao de la poblacin.
A= Numero de xitos en la poblacin
n= Tamao de la muestra
x= Numero de xitos en la muestra

Es necesario tener en cuenta que x no pude exceder a A ni a n.

Recordemos que:

Media, varianza y desviacin estndar.

Varianza

Ejemplo.
En una jaula hay 30 pericos rusos y 20 pericos chinos, si extraemos 10 pericos al
azar. Cul es la probabilidad de que 3 de ellos hablen chino?

DISTRIBUCIN DE PROBABILIDAD POISSON.

Ejemplo.
En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos.
Solucin:
a)
x = variable que nos define el nmero de imperfecciones en la hojalata por
cada 3 minutos = 0, 1, 2, 3,...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

b)
X = variable que nos define el nmero de imperfecciones en la hojalata por
cada 5 minutos = 0, 1, 2, 3,...., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata

=1-(0.367918+0.367918) = 0.26416

c)
X = variable que nos define el nmero de imperfecciones en la hojalata por
cada 15 minutos = 0, 1, 2, 3,....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

0.0498026 + 0.149408 = 0.1992106

DISTRIBUCIN DE PROBABILIDAD UNIFORME

La distribucin de probabilidad uniforme es un ejemplo de una distribucin de
probabilidad es continua. Una distribucin de probabilidad es continua cuando los
resultados posibles del experimento son obtenidos de variables aleatorias
continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor, y
que resultan principalmente del proceso de medicin.

Ejemplos de variables aleatorias continuas son:

La estatura de un grupo de personas
El tiempo dedicado a estudiar
La temperatura en una ciudad
Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las
mismas para todos los posibles resultados, desde el mnimo de a hasta el mximo
de b. El experimento de lanzar un dado es un ejemplo que cumple la distribucin
uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de
ocurrencia.

La funcin de densidad de una distribucin uniforme (altura de cada rectngulo en

la grfica anterior) es:

Dnde:
a = mnimo valor de la distribucin
b = mximo valor de la distribucin
b a = Rango de la distribucin
La media, valor medio esperado o esperanza matemtica de una distribucin
uniforme se calcula empleando la siguiente frmula:

La varianza de una distribucin uniforme se calcula empleando la siguiente

frmula:

De donde

la desviacin estndar es

( ba )
= =
12
2

La probabilidad de que una observacin caiga entre dos valores se calcula de la

siguiente manera:

Ejemplo.
1. Un reloj de manecillas se detuvo en un punto que no sabemos. Determine la
probabilidad de que se haya detenido en los primeros 25 minutos luego de sealar
la hora en un punto.
Solucin
Intervalo [0-60]
f ( x)=1/(600)=1/ 60
25

P ( x )=P ( 0 x 25 )=
0

1
5
dx=
60
12

LA DISTRIBUCIN GAMMA
Este modelo es una generalizacin del modelo Exponencial ya que, en ocasiones,
se utiliza para modelar variables que describen el tiempo hasta que se produce p
veces un determinado suceso.
Su funcin de densidad es de la forma:

Como vemos, este modelo depende de dos parmetros positivos: y p. La funcin

(p) es la denominada funcin Gamma de Euler que representa la siguiente
integral:

Que verifica (p + 1) = p(p), con lo que, si p es un nmero entero positivo, (p +

1) = p!

Propiedades de la distribucin Gamma

Su esperanza es p.
Su media es =p

Su varianza es p2

su desviacin tpica o estndar es

La distribucin Gamma (, p = 1) es una distribucin Exponencial de

parmetro . Es decir, el modelo Exponencial es un caso particular de la
Gamma con p = 1.

Dadas dos variables aleatorias con distribucin Gamma y parmetro

comn

pa

X ~ G(, p1) y Y ~ G(, p2)

Se cumplir que la suma tambin sigue una distribucin Gamma
X + Y ~ G (, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables
aleatorias con distribucin Exponencial de parmetro (comn) e independientes,
la suma de todas ellas seguir una distribucin G (, k).

Ejemplo:

DISTRIBUCIN EXPONENCIAL
Notacin:

En estadstica la distribucin exponencial es una distribucin de

probabilidad continua con un parmetro
cuya funcin de densidad es:

Su funcin de distribucin acumulada es:

Donde

representa el nmero e.

El valor esperado (media) y la varianza de una variable aleatoria X con distribucin

exponencial son:

La mediana es:

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.
Antes de introducir la variable exponencial puede mirarse un origen natural de sta
a partir de una variable aleatoria Poisson, la cual indica el nmero de veces que
ocurre un evento en una unidad de tiempo. Si se escribe la funcin de probabilidad
Poisson de la siguiente manera:

La probabilidad de que no ocurra algn evento, en el periodo hasta el tiempo

est dada por:

De esta manera, puede definirse ahora una variable aleatoria continua

que
mide el tiempo que tarda en ocurrir el primer evento de Poisson. Es decir,

Lo que permite construir la funcin de distribucin acumulada as:

Al derivar, con respecto a

se tiene la funcin de densidad de la variable

aleatoria exponencial .
Observaciones:
1. En la definicin de la variable aleatoria exponencial, sta se plantea como
tiempo que tarda en ocurrir el primer evento Poisson. Sin embargo, esta definicin
puede hacerse extensiva a las dems unidades de medicin consideradas en los
eventos de Poisson, por ejemplo, cantidad de metros de carretera que deben

recorrerse hasta que aparezca el primer bache, cantidad de

que deben
inspeccionarse en una hacienda hasta que aparezca el primer cafetal de broca,
etc.
2. En el lenguaje de las aplicaciones tambin se utiliza la distribucin exponencial
para modelar tiempo entre eventos, distancia entre eventos, volumen entre
eventos
Ejemplo.
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla
en aos est dado por la variable aleatoria T, distribuida exponencialmente con
tiempo promedio de falla
. S 5 de estos componentes se instalan en
diferentes sistemas, cul es la probabilidad de que al menos 2 continen
funcionando despus de 8 aos?

Solucin:
La probabilidad de que un determinado componente est funcionando an
despus de 8 aos es:

La | nos indica que la integral se va a evaluar desde 8 hasta

Sea x el nmero de componentes funcionando despus de 8 aos. Entonces
mediante la distribucin Binomial,
n=5
p = 0.20 = probabilidad de que un componente est funcionando despus de 8
aos
q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8
aos
P(x 2) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)

BIBLIOGRAFA.

http://www.aulafacil.com/cursos/l11243/ciencia/estadisticas/estadisticas/distribucio
nes-discretas-multinomial (25/05/15)
http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_228_70.html
(25/05/15)
http://es.slideshare.net/sistemas2013/estadstica-hipergeometrica (25/05/12)
http://habitantedelinfinito.blogspot.com/2014/01/distribucion-hipergeometrica.html
(27/05/2015)
http://www.monografias.com/trabajos86/distribucion-probabilidaduniforme/distribucion-probabilidad-uniforme.shtml#ixzz3bNuoRzX1
http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1
t7.htm
http://www.monografias.com/trabajos94/distribucion-gamma/distribuciongamma.shtml
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial
http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_235_77.html
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Distribu
cion%20Exponencial.htm