Professional Documents
Culture Documents
Distribuciones
Alumno:
Sanabria Snchez Jos Daniel.
Grupo: 4CM9
Matemticas IV
Profesor: Garca Hernndez Apolinar
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
donde :
n=numero de pruebas
()
P ( x=k )= n p qnk
k
donde :
n=numero de pruebas
q= probabilidad de fracasos
k =numero de exitos
p= probabilidad de exitos
q = 0.2
p = 0.8
k=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 !
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
k =probabilidad de exitos
n=numero de ensayos
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
Donde :
k
k!
k =numero de exitos
p=0.02
k =3
P ( x=3 )=e6
6
3!
P ( x=3 )=0.0892=8.92
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
a+b
2
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
75
=2
1
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