Instituto Politcnico Nacional

Escuela Superior de Ingeniera y Arquitectura

Unidad Zacatenco

Distribuciones

Alumno:
Sanabria Snchez Jos Daniel.

Grupo: 4CM9

Matemticas IV
Profesor: Garca Hernndez Apolinar

Distribuciones Discretas de Probabilidad

Este tipo de distribuciones son aquellas en las que la variable puede tomar un
nmero determinado de valores (variable discreta)

1. Distribucin Binomial
En cada prueba del experimento solo pueden existir dos resultados: xito o
fracaso.
La probabilidad de xito es constante, al igual que de la fracaso, esta ultima
dominada por la siguiente ecuacin:
q=1 p

donde :

q= probabilidad de fracaso

p= probabilidad de exito

La probabilidad de obtener al menos un xito est regida por:

Probabilidad de un exito=1q

donde :

n=numero de pruebas

La probabilidad desfavorable, de no tener xitos se da por:

Probabilidad desfavorable=q

La distribucin se representa como:

()

P ( x=k )= n p qnk
k

donde :

n=numero de pruebas

q= probabilidad de fracasos

k =numero de exitos

p= probabilidad de exitos

Ejemplo: La ltima novela de un autor ha tenido un gran xito, hasta el punto de

que el 80% de los lectores ya la han ledo. Un grupo de 4 amigos son aficionados
a la lectura: Cul es la probabilidad de que el grupo hayan ledo la novela 2
personas?
n=4

q = 0.2

p = 0.8

k=2

()

P ( x=2 )= 4 0.8 0.242

2

P=0.1536=15.36

2. Distribucin Multinomial
Es otra forma de hacer la distribucin binomial, solo que para este caso el nmero
de posibles resultados no son dos (xito y fracaso), si no, que son n numero de
resultados.
La distribucin se representa como:
P ( X 1=x 1, X 2=x 2, X 3=x 3, )=

Donde :

x1

n!
p 1 p 2x 2 p 3 x3
x 1 !x 2 !x 3 !

X 1=x 1:indica que el suceso X 1 aparezca x 1 veces

n :indica el nmero de vecesque se ha repetidoel suceso

p1 :es la probabilidad del suceso X 1

Ejemplo: A unas elecciones se presentaron 4 partidos polticos: el PRI obtuvo un

40% de los votos, el PAN el 30%, el PRD el 20% y el PT el 10% restante. Cul es
la probabilidad de que al elegir 5 ciudadanos al azar, 3 hayan votado al PRI, 1 al
PRD y 1 al PT?

P ( X 1=3, X 2=0, X 3=1, X 4=1 ) =

3
5!
0.4 0.30 0.21 0.11
3 !0 !1 !1!

P=0.0256=2.56

3. Distribucin Geomtrica
Definamos una variable aleatoria X como el nmero de ensayos de Bernoulli,
independientes, necesarios para obtener el primer xito donde la probabilidad de
xito es p.
Definamos una variable aleatoria X como el nmero de ensayos de Bernoulli,
independientes, necesarios para obtener el primer xito, donde la probabilidad de
xito es p. Se puede definir como el nmero de intentos hasta obtener un xito.
Se representa como:

P ( x )= p q

x1

4. Distribucin de Pascal
Esta distribucin nos sirve para definir una variable aleatoria X como el nmero de
ensayos necesarios para obtener exactamente K xitos, tambin es conocida
como binomial negativa.
Se representa como:

( )

P ( x )= x1 p q xk
k1
Ejemplo: La probabilidad de un lanzamiento exitoso es igual a 0.8. Suponga que
se hacen ensayos de lanzamiento hasta que 3 de ellos sean exitosos. Cul es la
probabilidad de que sean necesarios 6 intentos?

( )

P ( x )= 61 0.8 0.263
31

P ( x )=0.0496=4.96

5. Distribucin Hipergeomtrica
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo
hay tan slo dos posibles resultados: o sale exito o no sale. Pero se diferencia de
la distribucin binomial en que los distintos ensayos son dependientes entre s.
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola
blanca, en el segundo ensayo hay una bola blanca menos por lo que las
probabilidades son diferentes (hay dependencia entre los distintos ensayos).
Se representa como:
N1 N 2
(
k ) (nk )
P ( x=k )=
( Nn )

donde :

N=Tamao de poblacion

N 1, N 2=Elementos de la poblacion orignial que pertenecen a una categoria

k =probabilidad de exitos

n=numero de ensayos

Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3

personas al azar Cul es la probabilidad de que las 3 sean solteras?
N = 20; N1 = 6; N2 = 14; k = 3; n = 3
6 14
(
3 ) ( 33 )
P ( x=3 )=
(203)

P ( x=3 )=0.0175=1.75

6. Distribucin de Poisson
Esta distribucin deriva de la distribucin binomial, cuando en la distribucin
binomial se realiza un experimento un nmero n elevado de veces y las
probabilidades de xito p disminuyen progresivamente, se usa la distribucin de
Poisson.
Se debe cumplir que:
p<0.10

pn<10

La distribucin se representa como:

P ( x=k )=e

Donde :

k
k!

=np (numero de ensayosprobabilidad de exitos)

k =numero de exitos

Ejemplo: La probabilidad de tener un accidente de trfico es de 0.02 cada vez que

se viaja, si se realizan 300 viajes, Cul es la probabilidad de tener 3 accidentes?
Como la probabilidad "p" es menor que 0.1, y el producto "n*p" es menor que 10,
entonces se aplica el modelo de distribucin de Poisson.
n=300

p=0.02

k =3

P ( x=3 )=e6

6
3!

P ( x=3 )=0.0892=8.92

Distribuciones Continuas de Probabilidad

Este tipo de distribuciones son aquellas en las que la variable puede tomar un
nmero infinito de valores enteros y fraccionarios. (variables continuas)

1. Distribucin Uniforme
La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad, tiene como grafica un segmento
de recta horizontal, situado sobre el eje de las x, el rea comprendida entre el
segmento y el eje x es igual a 1.
Es una distribucin continua porque puede tomar cualquier valor y no nicamente
un nmero determinado (como ocurre en las distribuciones discretas).
f ( x )=

1
ba

Donde:

b=extremo superior

a=extremo inferior

El valor medio esperado se representa como:

E ( x )=

a+b
2

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.

f ( x )=

1
=0.01=1
500400

E ( x )=

500+ 400
=450
2

2. Distribucin Normal
Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de
fenmenos se comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una
campana de Gauss, en torno a un valor central que coincide con el valor medio de
la distribucin

Un 50% de los valores estn a la derecha de este valor central y otro 50% a la
izquierda.
Cuando la media de la distribucin es 0 y la varianza es 1 se denomina "normal
tipificada", y su ventaja reside en que hay tablas donde se recoge la probabilidad
acumulada para cada punto de la curva de esta distribucin.
Z=

xM

Ejemplo: el salario medio de los empleados de una empresa se distribuye segn

una distribucin normal, con media 5 millones de ptas. y desviacin tpica 1 milln
de ptas. Calcular el porcentaje de empleados con un sueldo inferior a 7 millones
de ptas.
Z=

75
=2
1

Se busca en las tablas el valor para 2:

P (7 )=0.9772=97.72

Distribucin Exponencial
Se utiliza como modelo para representar el tiempo de funcionamiento o de espera.
Tiene como funcin expresar tambin el tiempo transcurrido entre eventos que se
contabilizan por medio de la distribucin de Poisson.
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se cumple
la condicin que la probabilidad de producirse un fallo en un instante no depende
del tiempo transcurrido .Aplicaciones en fiabilidad y teora de la supervivencia.
ax

f ( x )=1e
Cuando hay valores mayores a x
f ( x )=1(1eax )

Ejemplo: Se sabe que el tiempo de espera de una persona que llama al centro de
atencin al pblico para ser atendido por un asesor es una variable aleatoria
exponencial con 5 min. Encuentre la probabilidad de que una persona que llame al
azar en un momento dado tenga que esperar:
a) A los sumo 5 min.
P( x <5)=f ( 5 ) =( 1e1 )=0.6321=6.321
b) Al menos 10 min.
P(x >5) f ( 5 )=1( 1e 2) =0.1353=1.353