Repblica Bolivariana de Venezuela

Universidad Nacional Experimental Politcnica

"Antonio Jos de Sucre"
Vice-rectorado Puerto Ordaz









Profesor: Alumnos:

Emerson Suarez Rafael Burgos; 21.248.769
Omar Guzmn; 24.037.358
Sal Pinto; 25.935.118



Ciudad Guayana, Julio 2013.

2

INDICE

Contenido Pg.
Introduccin 3
1. Distribucin de Probabilidades 4
2. Distribucin Normal de Probabilidades 5
2.1 Propiedades 6
2.2 Formula 7
2.3 Aplicaciones (Ejercicios) 7
3. Distribucin Exponencial de Probabilidades 10
3.1 Propiedades 11
3.2 Aplicaciones (Ejercicios) 11
4. Distribucin Gamma de Probabilidades 12
4.1 Propiedades 13
4.2 Aplicaciones (Ejercicios) 14
5. Aproximaciones de la Distribucin Normal 15
5.1 Distribucin Binomial 15
5.2 Distribucin Poisson 22
6. Conclusin 25
7. Bibliografa 26









3

Introduccin

Desde tiempos ancestrales los anlisis estadsticos han sido de enorme
utilidad para el ser humano; fenmenos de la ms variada gama, desde
gigantescos procesos industriales hasta situaciones particulares en
juegos de azar, son estudiados y comprendidos con gran precisin
gracias a los avances en el campo de la estadstica. A medida que el rea
de estudio se expande la complejidad de los clculos y procedimientos se
hace evidente, tal situacin ha impulsado a los matemticos a plantear
ingeniosas maneras de tratar grandes cantidades de datos con gran
agilidad y sencillez.
En la actualidad existen muchos de fenmenos en los cuales hay infinitos
eventos posibles que deben ser tomados en cuenta para un correcto
anlisis, por lo tanto, el tratamiento tradicional, en el cual a cada evento
se le asigna una probabilidad, es intil, ya que, cada evento por separado
posee una probabilidad infinitesimalmente pequea, de tal manera que,
se hace conveniente trabajar con intervalos de eventos, es decir, no se
trabajar con una situacin particular sino con un conjunto de estas; de
este modo, a cada conjunto de eventos o intervalo se le podr asignar
una probabilidad.
Una variable que posea infinita cantidad de eventos o situaciones posibles
es conocida como variable continua y para realizar un estudio
estadstico de estas se trabaja con distribuciones de probabilidad,
mtodo en el cual se emplean distintas aplicaciones matemticas, entre
ellas el clculo integral. En el presente trabajo se har nfasis especial
en la distribucin normal de probabilidades adems de tratar con
algunos de los ms importantes tipos de aproximaciones de dicha
distribucin.


4

Distribucin de Probabilidades.
En teora de la probabilidad y estadstica, la distribucin de
probabilidad de una variable aleatoria es una funcin que asigna a cada
suceso, definido sobre la variable aleatoria, la probabilidad de que dicho
suceso ocurra. La distribucin de probabilidad est definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el rango de
valores de la variable aleatoria.
Toda distribucin de probabilidad es generada por una variable
(porque puede tomar diferentes valores) aleatoria (porque el valor tomado
es totalmente al azar), y puede ser de dos tipos:
- Variable Discreta.
- Variable Continua.
En este caso solo se trabajar con la Distribucin de Probabilidades de
Variables Continuas.
Una variable aleatoria continua tiene una probabilidad cero de asumir
cualquiera de sus valores exactamente. Consecuentemente, su
distribucin de probabilidad no puede darse de forma tabular. Para ilustrar
esta situacin de manera adecuada se da el siguiente ejemplo en
particular. Considrese una variable aleatoria cuyos valores son las
alturas de todas las personas mayores de 21 aos de edad. Entre
cualquiera de dos valores, sean 163.5 y 164.5 centmetros, hay un
nmero infinito de alturas, una de las cuales es 164 centmetros. Es
remota la probabilidad de seleccionar una persona al azar que tenga una
altura exactamente de 164 centmetros y no otra del infinitamente grande
conjunto de alturas tan cercanas a ese valor, por lo tanto, se asigna una
probabilidad de cero al evento. No obstante, este no es el caso si se habla
acerca de la probabilidad de seleccionar una persona que al menos mida
163 centmetros pero no ms de 165. Ahora se est tratando de un
intervalo ms que de un valor puntual de la variable aleatoria.

5

La probabilidad de una variable aleatoria continua debe presentarse en
forma de frmulas. Dicha frmula necesariamente debe ser una funcin
de los valores numricos de la variable continua.
En estadstica, esta funcin es conocida como: funcin de densidad de
probabilidad, funcin de densidad, o, simplemente, densidad de una
variable aleatoria continua y describe la probabilidad de que una variable
aleatoria real X sujeta a cierta ley de distribucin de probabilidad, se site
en la zona de valores menores o iguales a x.
Distribucin Normal de Probabilidades
La distribucin normal de probabilidad, distribucin de Gauss o
Campana de Gauss es una distribucin estadstica continua de
probabilidad. La grfica de su funcin de densidad tiene una forma
acampanada y es simtrica respecto de un determinado parmetro
estadstico.
Se sabe que las caractersticas fsicas, psicolgicas y sociales de una
poblacin, adems de otros fenmenos, (inteligencia, peso, belleza,
longevidad, borregusimo, etc.), siguen ms o menos la distribucin
normal de probabilidad.
Por ejemplo, si la estatura se representa en el eje X, entonces se ve
que la mayora de la gente tiene una estatura normal, situada en el centro
de la grfica, mientras que una minora de gente es muy alta y otra
minora muy baja, salindose de lo normal, segn lo mostrado en la
grfica en los extremos izquierdo y derecho. Otro ejemplo es la
inteligencia: La mayora de la gente es de inteligencia normal, mientras
que una minora es muy inteligente y otra es muy poco inteligente. O la
longevidad: La mayora de la gente tiene una esperanza de vida normal,
mientras que unos pocos mueren demasiado pronto o llegan a
centenarios.


6

Propiedades de la Distribucin Normal de Probabilidades.
Al ser una funcin gaussiana cuya grfica tiene forma de campana, la
distribucin normal presenta un conjunto de propiedades bsicas
interesantes:






1. Puede tomar cualquier valor (- ,+ )
2. Son ms probables los valores cercanos al punto central que llamados
media
3. Es simtrica con respecto de su Media, . Conforme nos separamos
de ese valor, la probabilidad va decreciendo de igual forma a derecha
e izquierda
4. La moda y la mediana son ambas iguales a la media,
5. Los puntos de inflexin de la curva se dan para x = y x
= + .
6. Conforma nos separamos de la media, la probabilidad va decreciendo
de forma ms o menos rpida dependiendo de un parmetro s, que
es la desviacin tpica.
7. Distribucin de probabilidad en un entorno de la media:
En el intervalo [ - , + ] se encuentra comprendida,
aproximadamente, el 68,26% de la distribucin.
En el intervalo [ - 2, + 2] se encuentra,
aproximadamente, el 95,44% de la distribucin.

Distribucin de probabilidad alrededor de la media en una
distribucin N (, ).


7

En el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin.
Estas propiedades son de gran utilidad para el
establecimiento de intervalos de confianza. Por otra parte, el
hecho de que prcticamente la totalidad de la distribucin se
encuentre a tres desviaciones tpicas de la media justifica los
lmites de las tablas empleadas habitualmente en la normal
estndar.
8. El rea total bajo la curva del grfico es 1. Esto es, la integral de la
grfica es 1. O dicho de otra forma, la suma total de todas las
probabilidades es 1.

Frmula de la funcin: Distribucin Normal de
Probabilidad

Donde:
: Media.
: Desviacin Tpica

2
:Varianza
x: Abscisa

Aplicaciones de la Distribucin Normal
En los siguientes ejemplos se tratan algunos de los muchos problemas
para los cuales es aplicable la distribucin normal




8

Ejercicio #1
Se sabe que el peso de una determina poblacin sigue una
distribucin aproximadamente normal con una media de 80Kg y una
desviacin estndar de 10Kg Cual es la probabilidad de que una
persona elegida al azar tenga un peso superior a 100Kg?
SOLUCION
Datos:
= 10Kg, = 80Kg
Se debe realizar una transformacin en donde se llegue a una
distribucin aleatoria normal con media cero y variancia 1 (Distribucin
normal estndar)


Sabiendo que P(X >100) = 1 - P(X<100), con la transformacin
P(X >100) = P(Z > 2) la expresin queda:
P(Z > 2) = 1 - P(Z < 2); gracias a la transformacin, para el valor z = 2
existe un valor de probabilidad (rea bajo la curva) tabulado, en este
caso 0.9772.
De esta manera:

P(Z > 2) = 1 - P(Z < 2)
P(Z > 2) = 1 0,9772
P(Z > 2) = 0,0228

9

Ejercicio #2
Dada una distribucin normal con un = 50 y = 10, encuentre la
probabilidad de que X asuma un valor entre 45 y 62.
SOLUCION
Los valores de z correspondientes a x
1
=45 y x
2
=62 son:



Por lo tanto: P(45 < X < 62) = P(-0,5 < Z < 1,2)
La P(-0,5 < Z < 1,2) est dada por el rea de la regin sombreada en la
figura. Esta rea puede encontrarse restando el rea a la izquierda de la
ordenada z = -0,5 del rea total a la izquierda de z = 1,2. A partir de la
tabla se obtiene:

P(45 < X < 62) = P(-0,5 < Z < 1,2)
P(45 < X < 62) = P(Z < 1,2) - P(Z< -0,5)
P(45 < X < 62) = 0,8849 0,3085
P(45 < X < 62) = 0,5764

10

Distribucin exponencial

Definicin: Diremos que una variable aleatoria X, de tipo continuo,
sigue una distribucin exponencial de parmetro a , siendo a e9 y a >0,
X~Exp( a ), si su funcin de densidad es
f(x)=
, x>0
0 , x 0
ax
a e

Esta distribucin es un caso particular de la distribucin (p, a ) para
p=1, hecho que tendremos en cuenta para el estudio de sus
caractersticas.
Est relacionada con la de Poisson, as pues si el nmero de sucesos
que ocurren en un determinado intervalo sigue una distribucin de
Poisson, entonces la variable aleatoria que representa el tiempo entre
ocurrenciade sucesos sigue una distribucin exponencial. As, por
ejemplo, si el nmero de ventas semanales de un cierto modelo de coche
sigue una distribucin de Poisson, entonces el tiempo transcurrido entre
las ventas seguir una distribucin exponencial.
Tambin se pueden modelizar mediante la distribucin exponencial las
siguientes situaciones:
- la duracin de la prestacin de un servicio.
- el tiempo entre llegadas sucesivas a una cola o punto de servicio.
- el tiempo de duracin de algunos equipos, etc.



11

PROPIEDADES:
1. Funcin de distribucin
1 , x>0
( ) ( )
0 , x 0
ax
e
f x P X x


= s =

2. Media : E[X]=1/a
3. Varianza : Var(X)=1/a
4. Pr[T > (t + h) | T t] = Pr[T > h].

Esta probabilidad solo depende de la amplitud del intervalo [t, t +
h), pero no del valor concreto de t y nos referiremos a ella diciendo que la
distribucin exponencial no tiene memoria.
Para comprender el signicado intuitivo de esta propiedad
supongamos que estamos analizando una variable que representa el
tiempo transcurrido hasta que un sistema Falla, como por ejemplo el
tiempo de semi-desintegracin de una materia radiactiva o la vida de una
persona. Si esta variable se ajustase a una distribucin exponencial,
Significaria que la probabilidad de que el sistema dure diez aos
ms, es independiente de lo antiguo que sea. Esto puede ser cierto para
una materia radiactiva, pero suele resultar falso para una persona.

EJEMPLOS:
A. El tiempo transcurrido entre la llegada de dos clientes consecutivos
al departamento de ventas de un concesionario de una
determinada marca de automviles, es de 20 minutos. Calcular la
probabilidad de que el tiempo transcurrido entre la llegada de dos
clientes consecutivos no supere la media hora.
Solucin:
E[X]=1/a=20 luego a= 0,05. P(X 30 s )=0,7769.


12

B. El tiempo que transcurre la llegada de dos empleados a una tienda
de comida para su turno de trabajo es de 5 minutos. Calcular la
probabilidad de que el tiempo transcurrido entre la llegada de los
dos empleados no superelos 20 minutos.
Solucin:
E[X]=1/a=5 luego a=0,2. P(X 20 s )=.

Distribucin gamma
Previamente vamos a definir la funcin gamma como una funcin del
anlisis matemtico y que despus utilizaremos en varios modelos o
distribuciones probabilsticas de tipo continuo.
As pues, definimos la funcin gamma de p , (p) como:
(p)=
1
0
,
p x
x e dx

}
p>0
Integrando por partes se tendr: (p)=(p-1)!
Dos casos particulares son: (1)=1 , (1/2)= t (para p no entero
pero si positivo)
Una vez que hemos definido esta funcin gamma, la vamos a aplicar
para definir la distribucin de probabilidad gamma, pues son muchas las
aplicaciones de esta distribucin a experimentos o fenmenos aleatorios
que tienen asociadas variables aleatorias que siempre son no negativas y
cuyas distribuciones son sesgadas a la derecha, es decir, el rea bajo la
funcin de densidad disminuye a medida que nos alejamos del origen.


13

Definicin: Diremos que una variable aleatoria X, de tipo continuo,
sigue una distribucin gamma de parmetros p y a, siendo p,ae9 y p>0 y
a>0, X~(p,a), si su funcin de densidad es :
1
, 0
( ) ( )
0 , 0
p
p ax
a
x e x
f x p
x

>

= I

Esta distribucin se aplica para representar las siguientes distribuciones:
- Intervalos de tiempo entre dos fallos de un motor.
- Intervalos de tiempo entre dos llegadas de automviles a una
gasolinera.
- Tiempos de vida de sistemas electrnicos, etc.

PROPIEDADES:

1. Funcin de distribucin
1
0
, 0
( ) ( ) ( )
0, 0
x p
p ax
a
x e dx x
F x P X x p
x

>

= s = I

}


El valor de esta expresin no es fcil de obtener, aunque cuando p es
entero positivo , la integral se puede calcular por partes y las
probabilidades se obtienen de forma aproximada. Con el fin de simplificar
el clculo de estas probabilidades Pearson tabul la funcin gamma
incompleta para diferentes valores del parmetro p, que viene dada por :
* 1
0
1
( ) , 0
( )
y
p y
F y y e dy y
p

= >
I
}


14

2. Media: E[X]=p/a
3. Varianza: Var(X)=p/a
4. Propiedad reproductiva
Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes, distribuidas
segn una ( ,
i
p a ), para i=1,...,n. Entonces la variable aleatoria Y=
1 2
...
n
X X X + + + sigue una distribucin (
1
...
n
p p + + , a).

EJEMPLO:
A. Sea X una variable aleatoria con distribucin gamma con p=2 y
a=50. Cul es la probabilidad de que X tome un valor menor al
valor de la media?.
Solucin: 0,594












15

Aproximaciones de la distribucin normal:
Para calcular probabilidades de distribuciones discretas con
nmeros grandes, es preciso sumar muchos trminos, lo cual puede
resultar poco prctico. Sin embargo las caractersticas de algunas
distribuciones, como la binomial y la Poisson, permiten muy buenas
aproximaciones mediante la distribucin normal. Y como la distribucin
normal se puede obtener de una tabla, el problema de sumar una gran
cantidad de trminos queda reducido a buscar uno o dos valores en una
tabla.
A continuacin se presentan los mtodos y justificaciones de cmo
efectuar tales aproximaciones
Distribucin Binomial:
La distribucin normal a menudo es una buena aproximacin a una
distribucin discreta cuando la ltima adquiere una Forma de campana
simtrica. Desde el punto de vista lgico, algunas distribuciones
Convergen a la normal conforme sus parmetros se aproximan a ciertos
lmites.
La distribucin normal no solo proporciona una aproximacin muy
precisa para valores grandes de n y p, no est extremadamente cercana
de 0 o 1 (como Poisson), sino que tambin proporciona una aproximacin
bastante buena aun cuando n es pequea y p est razonablemente
cercana a .
Esto es:

conforme n , es la distribucin normal estndar n(z;0,1

16

Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
s = = desviacin estndar de la distribucin Binomial


Cuando ocurren las condiciones anteriores, la grfica de la
distribucin Binomial, es muy parecida a la distribucin Normal, por lo
que es adecuado calcular probabilidades con la Normal en lugar de
con la Binomial y de una forma ms rpida.

En resumen, se utiliza la aproximacin Normal para evaluar
probabilidades Binomiales siempre que p no est cercano a 0 o 1. La
aproximacin es excelente cuando n es grande y bastante buena para
valores pequeos de n si p est razonablemente cercana a . Una
posible gua para determinar cuando puede utilizarse la aproximacin
Normal es tener en cuenta el clculo de np y nq. S ambos, np y
nq son mayores o iguales a 5, la aproximacin ser buena.





La lnea verde es la distribucin normal (funcin densidad)


17

Resumiendo:





Antes de empezar a resolver problemas con la aproximacin
Normal, es bueno aclarar que se estn evaluando probabilidades
asociadas a una variable discreta x, con una distribucin que evala
variables de tipo continuo como es la Normal,


18

Por lo que z sufre un pequeo cambio como se muestra a
continuacin:

(

Ejercicios propuestos:

Ejemplos:

1. La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es de 0.4. Si se sabe que 100 personas
han contrado esta enfermedad, Cul es la probabilidad de que al
menos 30 sobrevivan?

Solucin:
a)
n=100
p= p (paciente se recupere)=0.40
q=p (paciente no se recupere) = 1 p= 1 0.40 =0.60
= np = (100)(0.40)= 40 pacientes se recuperan
= = = 4.899 pacientes que se recuperan
x= variable que nos define el nmero de pacientes que recuperan
x= 0, 1,2., 100 pacientes que se recuperan







19

Entonces:
x=
(

=
(

= - 2.1433
p( z= -2.14) = 0.4838
p( x >= 30) = p( z= -2.14) + 0.5 = 0.4838 + 0.5= 0.9838
a)



z=

= 1.33

p( z= 1.33) = 0.4082
p( x>46) = 0.5 p(z=1.33) = 0.5 0.4082 = 0.0918














20

2. Si 35% de los productos manufacturados en cierta lnea de produccin
es defectuoso, cul es la probabilidad de que entre los siguientes 1000
productos manufacturados en esa lnea a) menos de 354 productos sean
defectuosos?, b) entre 342 y 364 productos sean defectuosos?,

Solucin:

a)
n = 1000
p = p(un producto sea defectuoso) = 0.35
q = p(un producto no sea defectuoso) = 1- p = 0.65
= np = 1000(0.35) = 350 Productos defectuosos
15.0831 productos defectuosos
x = nmero de productos defectuosos que se manufacturan en la lnea
= 0, 1, 2,..., 1000


z =

= 0.2320
p( z = 0.23) = 0.091
p (x<354) = 0.5 + p(z=0.23) = 0.5+0.091 = 0.5091



21

b)


Z=

= -0.5635 = -0.56 ; p( z= - 0.56) = 0.2123

Z* =

= 0.9613
p(Z*=0.96) = 0.3315
P (342 <= x >=364) = p(Z) + p(Z*) = 0.2123 + 0.3315 ) = 0.5438











22

Distribucin de Poisson
La variable de Poisson se utiliza para modelar el nmero de veces
que ocurre determinado fenmeno puntual a lo largo de un intervalo
continuo de tiempo. Por ejemplo: nmero de accidentes de trco en
determinada rea durante un mes. Nmero de grandes inundaciones que
se producen en un rea tropical en un ao. Nmero de clientes que entran
en un supermercado en una maana...
Es una variable discreta porque el nmero de veces que ocurre algo
es un nmero entero siempre. Sin embargo es completamente diferente
de la binomial porque los fenmenos ocurren a lo largo de un intervalo
continuo de tiempo, no como resultado de un nmero nito de
experimentos.
La funcin de masa de la distribucin de Poisson es:

Donde:
- k es el nmero de ocurrencias del evento o fenmeno (la funcin nos
da la probabilidad de que el evento suceda precisamentek veces).
- es un parmetro positivo que representa el nmero de veces que se
espera que ocurra el fenmeno 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 distribucin de Poisson con = 104 = 40.
- e es la base de los logaritmos naturales (e = 2,71828...)




23

Aproximacin normal

Como consecuencia del teorema central del lmite, para valores
grandes de , una variable aleatoria de Poisson X puede aproximarse por
otra normal dado que el cociente

Converge a una distribucin normal de media nula y varianza 1
Ejemplo #1
Se tiene una variable aleatoria x: pois( = 60). Cul es la probabilidad
de que X sea menor a 70?; Podramos hacer:
P(X<70) = =

Lo cual demandara sumar 70 trminos y arroja el resultado 0.88821.
Sin embargo, y a menos que se necesite el resultado exacto, podemos
usar la aproximacin normal para resolver el problema. Estamos
buscando P(X<70); lo cual es igual a:
P(0 <= X <= 69) lo cual es aproximadamente, P(- 0.5 <= X <= 69.5)
Tomamos el cambio de variable
Y=

Con lo cual Y tendr una distribucin aproximadamente normal estndar.
Dejamos X en funcin de Y:
X =

.Y +

24

Luego remplazamos X por su definicin en trminos de Y en la
probabilidad que estamos buscando:
P( - 0.5<= X <= 69.5) = Fy(1.23) Fy(-7.81)
Como estamos considerando Y una normal estndar entonces:
Fy(1.23) Fy(-7.81) = (1.23)-(-7.81)
= (1.23)-(1-(7.81))
= (1.23) + (7.81) -1
= 0.89065 + 1 1 = 0.89065
Observemos que el resultado aproximado 0.89065 es prcticamente igual
al resultado exacto 0.88821
Ejemplo #2
Por determinado punto de una calle en el que se instala un control pasa
una media de 4 vehiculos por minuto.
Cul es la probabilidad de que en un determinado minuto pasen
exactamente 2 coches?
Si un fenmeno aleatorio puntual ocurre a lo largo de un periodo de
tiempo, el numero X de veces que ocurre ese fenmeno en una unidad de
tiempo tiene la siguiente funcin de probabilidad:
P(X=x) =

, donde X = 0, 1, 2, 3 Donde es el numero medio

de veces que ocurre por unidad de tiempo.
En ejemplo: P( X=2) =

lo que es aproximadamente 0.1465

25

Conclusin
Concluido el trabajo de Investigacin ha quedado en evidencia la
amplia utilidad que tienen las distribuciones de probabilidad en el campo
de la estadstica al momento de estudiar fenmenos en los que
intervienen variables continuas.
Es importante destacar que cada una de las distribuciones aqu
mencionadas lleva consigo un exhaustivo desarrollo matemtico el cual
no ha sido plasmado en su totalidad.
















26

Bibliografa
WARPOLE MYERS, Probabilidad y Estadstica. 4ta Edicion. Mc
Graw Hill.
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
http://www.monografias.com/trabajos10/dino/dino.shtml
http://qbitacora.wordpress.com/2011/02/28/la-distribucion-normal-
de-probabilidad/
http://metodoscuantitativo2.galeon.com/enlaces2218784.html
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_Poisson
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_distribuci%C3%B3
n
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_densidad
http://es.wikipedia.org/wiki/Teorema_del_l%C3%ADmite_central
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_Gamma
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial