INSTITUTO

TECNOLGICO
SUPERIOR DE VILLA
LA VENTA.
Docente:
Jhonny de la Cruz Ventura.

Asignatura:
Probabilidad y Estadstica
aplicada al Campo Petrolera.
Joceline
Amairany
Integrantes: Dominguez Mora.
Silvia Torruco Montesino.
Ignacio Juarez Cruz.
Luis Alfredo Castellanos
Banda.
Jos
Fernando
Ruiz
Carrera:
Ing. Petrolera

3 semestre

Grupo: P

Introduccin:

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.
La distribucin de probabilidad est completamente especificada por
la funcin de distribucin, cuyo valor en cada x real es la probabilidad de
que la variable aleatoria sea menor o igual que x.
Una distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento si ste se
llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el
futuro, constituye una herramienta fundamental para la prospectiva,
puesto que se puede disear un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenmenos naturales.
Toda distribucin de probabilidad es generada por una variable (porque
puede tomar diferentes valores) aleatoria x (porque el valor tomado es
totalmente al azar

 Distribuciones De Probabilidad
Discretas
Decimos que una variable aleatoria discreta (X) tiene distribucin
uniforme cuando la probabilidad en todos los puntos de masa
probabilstica es la misma; es decir, cuando todos los posibles valores
que puede adoptar la variable (x1, x2,...,xk) tienen la misma
probabilidad. Pongamos el socorrido pero til caso del lanzamiento de un
dado. Si definimos una variable aleatoria (X) como el nmero resultante
tras su lanzamiento, los valores que puede tomar esa variable aleatoria
son {1, 2, 3, 4, 5, 6}. Pues bien, esa variable aleatoria tiene distribucin
uniforme si, como es el caso, la probabilidad es la misma para cada uno
de los resultados posibles.

Funcin
grfica.

de

cuanta.

Representacin

En vista de lo dicho, la funcin de cuanta de una variable aleatoria

discreta con distribucin uniforme ser:

En
nuestro
sencillo ejemplo del lanzamiento de un dado, la funcin de cuanta, es
decir, la probabilidad de que salga un resultado determinado ser:
La representacin grfica de la funcin de cuanta es muy sencilla e
inmediata. Suponiendo que x1 < x2 < x3 <.......< xk.

Funcin de distribucin. Representacin

grfica.
Recordemos el concepto de funcin de distribucin: la funcin de
distribucin mide la probabilidad de que la variable adopte valores
iguales o inferiores a uno dado. Por tanto F(x) = P (X xi) (i= 1, 2, 3,....,
k) En su expresin analtica, la funcin de distribucin vendr dada como

Apliquemos esta frmula a nuestro ejemplo del dado. Para resultados

tericos inferiores al valor 1, la funcin de cuanta, y la de distribucin
valen 0; para resultados iguales a 1 la funcin de cuanta y la de
distribucin valen 1/6; cuando el resultado es 2, la funcin de cuanta
vale 1/6, pero la de distribucin, que es la probabilidad de que la
variable adopte resultados iguales o inferiores a 2, vale 2/6, etc.... Si
generalizamos este razonamiento obtendremos la expresin de m la
funcin de distribucin, que ser:

 Distribuciones
Binomial

De

Probabilidad

Una buena parte de los fenmenos que ocurren en la vida real pueden
ser estudiados como una variable aleatoria discreta con distribucin
binomial, por lo que su estudio puede ser de gran utilidad prctica. Pero
antes de pasar a la consideracin de la Binomial, es conveniente que
nos detengamos un momento a observar el denominado proceso de
Bernouilli, fundamento de la distribucin Binomial, de Poisson y de otras
que no veremos en este curso.

Una distribucin binomial o de Bernoulli tiene

las siguientes caractersticas:
1. En

cada

prueba

del

experimento

slo

son

posibles dos resultados : xito y fracaso.

2.La probabilidad de xito es constante , es decir, que
no vara de una prueba a otra. Se representa por p.
3.La probabilidad de fracaso tambin es constante, Se
representa por q,
q = 1 p
4.El resultado obtenido
es independiente de

en
los

cada
resultados

prueba
obtenidos

anteriormente.
5.La variable aleatoria binomial , X, expresa el nmero
de xitos obtenidos en las n pruebas. Por tanto, los
valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n .
La distribucin bimomial se expresa por B(n, p)

Clculo
de
probabilidades
distribucin binomial

en

una

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
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 afi cionados a la lectura:
1. Cul es la probabilidad de que el grupo hayan ledo la
novela 2 personas?
n = 4
p = 0.8
q = 0.2
B(4, 0.8)

2. Y cmo mximo 2?

Parmetros de la distribucin binomial

Media

Varianza

Desviacin tpica

Ejemplo
La probabilidad de que un artculo producido por una
fbrica sea defectuoso es 0.02. Se envi un cargamento de
10.000

artculos

esperado

de

unos

artculos

desviacin tpica.

almacenes.

defectuosos,

Hallar
la

el

nmero

varianza

la

Distribuciones De Probabilidad Poisson

Se trata de un modelo discreto, pero en el que el conjunto de valores
con probabilidad no nula no es finito, sino numerable. Se dice que una
variable aleatoria X sigue la distribucin de Poisson si su funcin de
densidad viene dada por:

Como vemos, este modelo se caracteriza por un slo parmetro , que

debe ser positivo.

Esta distribucin suele utilizarse para contajes del tipo nmero de

individuos por unidad de tiempo, de espacio, etc.

Propiedades del modelo de Poisson

1) Esperanza: E(X) = .
2) Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.
3) La suma de dos variables aleatorias independientes con distribucin
de Poisson resulta en una nueva variable aleatoria, tambin con
distribucin de Poisson, de parmetro igual a la suma de parmetros:
X1 ~ P( = 1)

X2 ~ P( = 2)

y definimos Z = X1 + X2, entonces,

Z ~ P( = 1 + 2)
Este resultado se extiende inmediatamente al caso de n variables
aleatorias independientes con distribucin de Poisson. En este caso, la
variable suma de todas ellas sigue una distribucin de Poisson de
parmetro igual a la suma de los parmetros.

Caractersticas de la Distribucin de Poisson

Un
modelo
de
caractersticas:

probabilidad

de Poisson tiene

las

siguientes

1.

El espacio muestral se genera por un nmero muy grande (puede

considerarse infinito) de repeticiones de un experimento cuyo
modelo de probabilidad es el de Bernoulli, con probabilidad de xito
muy pequea. Por esta razn, a la distribucin de Poisson suele
llamrsele de eventos raros. Las repeticiones del experimento
de Bernoulli se realizan en cada uno de los puntos de un intervalo de
tiempo o espacio.

2.

El nmero de xitos en el intervalo li es ajeno al nmero de xitos

en el intervalo lk, por lo que li lk = f

3.

La probabilidad de que se tengan dos o ms xitos en el mismo

punto del intervalo es cero.

4.

El nmero promedio de xitos en un intervalo es una constante l,

que no cambia de intervalo a intervalo.

Distribuciones De Probabilidad
Hipergeometrica
Hasta ahora hemos analizado distribuciones que modelizaban
situaciones en las que se realizaban pruebas que entraaban una
dicotoma (proceso de Bernouilli) de manera que en cada experiencia la
probabilidad de obtener cada uno de los dos posibles resultados se
mantena constante. Si el proceso consista en una serie de extracciones
o selecciones ello implicaba la reposicin de cada extraccin o
seleccin , o bien la consideracin de una poblacin muy grande. Sin
embargo si la poblacin es pequea y las extracciones no se remplazan
las probabilidades no se mantendrn constantes . En ese caso las
distribuciones anteriores no nos servirn para la modelizar la situacin.
La distribucin hipergeomtrica viene a cubrir esta necesidad de
modelizar procesos de Bernouilli con probabilidades no constantes (sin
reemplazamiento) .
La distribucin hipergeomtrica es especialmente til en todos
aquellos casos en los que se extraigan muestras o se realizan
experiencias repetidas sin devolucin del elemento extrado o sin
retornar a la situacin experimental inicial.
Modeliza , de hecho, situaciones en las que se repite un nmero
determinado de veces una prueba dicotmica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la
siguiente prueba uno u otro resultado. Es una distribucin .fundamental
en el estudio de muestras pequeas de poblaciones .pequeas y en el
clculo de probabilidades de, juegos de azar y tiene grandes
aplicaciones en el control de calidad en otros procesos experimentales
en los que no es posible retornar a la situacin de partida.
La distribucin hipergeomtrica puede derivarse de un proceso
experimental puro o de Bernouilli con las siguientes caractersticas:
El proceso consta de n pruebas , separadas o separables de
entre un conjunto de N pruebas posibles.
Cada una de las pruebas puede dar nicamente dos resultados

mutuamente excluyentes: A y no A.

 En la primera prueba las probabilidades son :P(A)= p y P(A)=

q ;con p+q=l.
Las probabilidades de obtener un resultado A y de obtener un resultado
no A varan en las sucesivas pruebas, dependiendo de los resultados
anteriores.
(Derivacin de la distribucin) . Si estas circunstancias a
leatorizamos de forma que la variable aleatoria X sea el nmero de
resultados A obtenidos en n pruebas la distribucin de X ser una
Hipergeomtrica de parmetros N,n,p

as

Un tpico caso de aplicacin de este modelo es el siguiente :

Supongamos la extraccin aleatoria de n elementos de un conjunto
formado por N elementos totales, de los cuales Np son del tipo A y Nq
son del tipo
(p+q=l) .Si realizamos las extracciones sin devolver los
elementos extrados , y llamamos X. al nmero de elementos del tipo A
que extraemos en n extracciones X seguir una distribucin
hipergeomtrica de parmetros N , n , p
Funcin de cuanta.
La funcin de cuanta de una
corresponder a cada valor de la
probabilidad del suceso "obtener
resultados del tipo no A en las n
posibles.

distribucin Hipergeomtrica har

variable X (x = 0,1,2, . . . n) la
x resultados del tipo A ", y (n-x)
pruebas realizadas de entre las N

Veamos:

Hay un total de

formas distintas de obtener x resultados del

tipo
A
y
n-x
del
tipo
,
si partimos de una poblacin formada por Np elementos del tipo A y Nq
elementos del tipo

Por otro lado si realizamos n pruebas o extracciones hay un total de

posibles muestras (grupos de n elementos) aplicando la regla de Laplace
tendramos

que para valores de X comprendidos entre el conjunto de enteros 0,1,

. .n ser la expresin de la funcin de cuanta de una distribucin ,
Hipergeomtrica de parmetros N,n,p .
Media y varianza.
Considerando que una variable hipergeomtrica de parmetros N, n, p
puede considerarse generada por la reiteracin de un proceso
dicotmico n veces en el que las n dicotomas NO son independientes ;
podemos considerar que una variable hipergeomtrica es la suma de n
variables dicotmicas NO independientes.
Es bien sabido que la media de la suma de variables aleatorias (sean
stas independientes o no) es la suma de las medias y por tanto la
media de una distribucin hipergeomtrica ser , como en el caso de la
binomial :
En cambio si las variables sumando no son independientes la varianza
de la variable suma no ser la suma de las varianzas.
Si se evala el valor de la varianza para nuestro caso se obtiene que la
varianza de una distribucin hipergeomtrica de parmetros N,n,p es :
si

Para demostracin de esta expresin vase Wilks S. ,Mathematical

Statistics,1962

Esta forma resulta ser la expresin de la varianza de una binomial (n, p)

afectada por un coeficiente corrector [N-n/N-1] , llamado coeficiente de
exhaustividad o Factor Corrector de Poblaciones Finitas (F.C.P.F.) y que da
cuenta del efecto que produce la no reposicin de los elementos
extrados en el muestreo.
Este coeficiente es tanto ms pequeo cuanto mayor es el tamao
muestral (nmero de pruebas de n ) y puede comprobarse como tiende
a aproximarse a 1 cuando el tamao de la poblacin N es muy grande .
Este ltimo hecho nos confirma lo ya comentado sobre la irrelevancia de
la reposicin o no cuando se realizan extracciones sucesivas sobre una
poblacin muy grande. Con una poblacin muy grande se cual fuere el
tamao de n , el factor corrector sera uno lo que convertira , en cierto
modo a la hipergeomtrica en una binomial (ver D. Binomial) . As
Lmite de la distribucin hipergeomtrica cuando N tiende a
infinito.
Hemos visto como la media de la distribucin hipergeomtrica
[H{N,n,p)], tomaba siempre el mismo valor que la media de una
distribucin binomial [B{n,p)] tambin hemos comentado que si el valor
del parmetro N creca hasta aproximarse a infinito el coeficiente de
exhaustividad tenda a ser 1, y, por lo tanto, la varianza de la
hipergeomtrica se aproximaba a la de la binomial : puede probarse
asimismo , cmo la funcin de cuanta de una distribucin
hipergeomtrica tiende a aproximarse a la funcin de cuanta de una
distribucin binomial cuando
Puede comprobarse en la representacin grfica de una hipergeomtrica
con N =100000 como sta ,es idntica a la de una binomial con los
mismos parmetros restantes n y p , que utilizamos al hablar de
la binomial

Moda de la distribucin
hipergeomtrica
De manera anloga a como
se obtena la moda en la
distribucin binomial es fcil
obtener la expresin de sta para la distribucin hipergeomtrica. De
manera que su expresin X0 sera la del valor o valores enteros que
verificasen.

Distribuciones De Probabilidad
Continuas

Es aquella que puede asumir cualquier valor en un intervalo especfico;

significa entonces que entre cualquiera de dos valores que puede tomar
la V. A. continua, existe un nmero infinito de valores.

Naturaleza de la distribucin de una variable continua

Consideremos la representacin grfica del histograma polgono de
frecuencias de una muestra de tamao n. Qu sucede cuando
aumentamos el tamao de la muestra (n), es decir cuando el nmero de
valores de la V. A. continua es muy grande, con:

el nmero de intervalos de clase (K)?

la amplitud () de los intervalos de clase??

Consecuencias:

El polgono de frecuencias se aproxima a una curva suave que sirve para

representar grficamente las distribuciones de probabilidad de una V. A.
continua.

El rea total bajo la curva es igual a 1 y, es equivalente al rea bajo el

histograma.

La frecuencia relativa (probabilidad para n ! ") de ocurrencia para los

valores entre dos puntos especficos del eje de las x, es igual rea total
delimitada por la curva, el eje de las abcisas y las rectas perpendiculares
levantadas sobre ambos puntos.

La probabilidad de cualquier valor especfico de la variable es cero, por

lo que slo podremos hablar de probabilidad dentro de intervalos.

El clculo de probabilidad se basa en el clculo integral del rea bajo la

curva entre dos puntos cualesquiera del eje de abcisas, generndose la
funcin de densidad de probabilidad.

FUNCIN DE DENSIDAD DE PROBABILIDAD

Para variables aleatorias continuas, la distribucin

terica o FUNCION DE DENSIDAD DE PROBABILIDAD (FDP) puede
representarse por una curva continua.

Por DENSIDAD entendemos

la
concentracin
probabilidad dentro de un intervalo de valores de la variable x.

de

Esta PROBABILIDAD puede ser interpretada como

un AREA (integral) bajo la curva f(x), llamada CURVA DE DENSIDAD,
limitada por las ordenadas en dos puntos de un intervalo.
Entonces
Una funcin y = f(x) es una funcin de densidad de una variable
aleatoria continua si cumple las siguientes condiciones:

o
o

Es positiva en todo su dominio (0" f( x) "1)

El calculo directo de la porcin de rea bajo la curva requiere
la integracin de la funcin de densidad que es especifica para cada
modelo:
P (a " X " b) =
FUNCION DE DISTRIBUCION ACUMULADA (FDA)
En general, la funcin de distribucin acumulada (FDA) de una variable
aleatoria continua X, es el modelo terico de la curva de frecuencias
acumuladas que se espera obtener para X.
La probabilidad de que una variable aleatoria continua X, asuma un
valor menor o igual a xi, se llama FDA y se representa por:
F (x) = P (X " xi)

Para a < b : P (a " x " b) = F (b) - F (a)

F (-") = P (x " -") = 0

F (+") = P (x " +") =1

Funcin de densidad de probabilidad (fx)

Funcin de distribucin acumulada (FDA)

DISTRIBUCIN DE PROBABILIDAD NORMAL
PROPIEDADES
Una distribucin normal es simtrica y tiene forma de campana, con
parmetros y .
La media , divide al rea en dos mitades, pues se localiza en el
centro, coincidiendo con el modo y la mediana.
El rea por debajo de la curva y sobre el eje de las x es la unidad en
trminos de probabilidad.
En teora la distribucin se extiende desde -" a +" a lo largo del eje
de las abscisas. Esto significa que una variable X ~ N (, ), puede tomar
cualquier valor, ya sea grande o pequeo, aunque los valores alejados
de 3, son poco probables.
Un cambio en el valor de desplaza la distribucin a la derecha o a la
izquierda. Un cambio en el valor de altera su forma, sin moverla de
izquierda a derecha.

6. 1 la curva representa el 68% del rea total.

2 la curva representa el 95% del rea total.
3 la curva representa el 99,7% del rea total.

7.-La funcin de probabilidad normal esta representada por:

DISTRIBUCIN NORMAL ESTNDAR

Una distribucin de una variable aleatoria normal con media, =

0 y varianza, = 1, se llama distribucin normal estndar y es el
miembro ms importante de la familia de distribuciones
normales.

Esta distribucin se obtiene creando una variable aleatoria Z

Cada valor z es el nmero de desviaciones estndar separado de la

media.

Distribucin Normal Estndar

Distribuciones de probabilidad normal

La Normal es la distribucin de probabilidad ms importante. Multitud de

variables aleatorias continuas siguen una distribucin normal o
aproximadamente normal. Una de sus caractersticas ms importantes
es que casi cualquier distribucin de probabilidad, tanto discreta como
continua, se puede aproximar por una normal bajo ciertas condiciones.
La distribucin de probabilidad normal y la curva normal que la
representa,
tienen
las
siguientes
caractersticas:
La curva normal tiene forma de campana y un solo pico en el centro de
la distribucin. De esta manera, la media aritmtica, la mediana y la
moda de ladistribucin son iguales y se localizan en el pico. As, la mitad
del rea bajo la curva se encuentra a la derecha de este punto central y
la
otra
mitad
est
a
la
izquierda
de
dicho
punto.
La distribucin de probabilidad normal es simtrica alrededor de su
media.
La curva normal desciende suavemente en ambas direcciones a partir
del valor central. Es asinttica, lo que quiere decir que la curva se acerca
cada vez ms al eje X pero jams llega a tocarlo. Es decir, las colas de
la curva se extienden de manera indefinida en ambas direcciones.

Para indicar que una variable aleatoria (v.a.) sigue una distribucin
normal de media y desviacin estndar usaremos la expresin: X
N(,).

Distribuciones de probabilidad T student

En probabilidad y estadstica,
la distribucin
t (de
Student)
es
una distribucin
de
probabilidad que
surge
del
problema
de estimar la media de una poblacin normalmente distribuida cuando
el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias muestrales y para la
construccin del intervalo de confianza para la diferencia entre las
medias de dos poblaciones cuando se desconoce la desviacin tpica de
una poblacin y sta debe ser estimada a partir de los datos de una
muestra.

Caracteristicas :
La distribucin t de Student es la distribucin de probabilidad del
cociente

donde
Z es una variable aleatoria distribuida segn una normal tpica (de
media nula y varianza 1).
V es una variable aleatoria que sigue una distribucin con
grados de libertad.
Z y V son independientes

Si es una constante no nula, el cociente

es una variable
aleatoria que sigue la distribucin t de Student no central con
parmetro de no-centralidad .

Funcin de densidad de probabilidad

Funcin de distribucin de
probabilidad

2.2.3 Distribuciones de probabilidad Chi

cuadrada

La distribucin Chi-Cuadrada (chi squared en ingls, se pronuncia Kay

Cuadrada skuerd) es una de las distribuciones ms empleadas en todos
los campos. Su uso ms comn es cuando se quiere probar si unas
mediciones que se hayan efectuado siguen una distribucin esperada,
por ejemplo la normal o cualquier otra.

Supongamos que se efecta el siguiente experimento estadstico.

Seleccionamos una muestra aleatoria de tamao n de una poblacin con
distribucin normal, con desviacin estandar igual a . De la muestra
encontramos que la desviacin estandar es igual a s. Con estos datos

podemos calcular una estadstica, que llamamos

Cuadrada, por medio de la siguiente ecuacin:

Chi-Cuadrada

Si repetimos el experimento un nmero infinito de veces, obtendramos

una distribucin muestral n muestral para la estad para la estadstica
chi-cuadrada cuadrada. Pero la distribucin final que tendramos se
puede definir por la siguiente ecuacin:

Donde Y 0 es una constante que depende del nmero de grados de

libertad ( = n 1, n es el tamao de la muestra), 2 es el valor de chicuadrada cuadrada y e es el llamado nmero natural (aproximadamente
2.71828). Y0 se define de forma que el rea bajo la curva sea igual a 1.
rea bajo la curva sea igual a 1.
Si graficamos curvas para diferentes valores de n, encontramos que la
forma de la distribucin chi cuadrada cambia dependiendo del nmero
de grados de libertad.

Distribuciones de probabilidad F
Fisher
La distribucin F de Fisher es una distribucin que depende de dos
parmetros. Es una distribucin que aparece, con frecuencia, como
distribucin de un estadstico de test, en muchos contrastes de hiptesis
bajo las suposiciones de normalidad. Por ejemplo, todos los contrastres
ANOVA (Ver Herbario de tcnicas).

Distribuciones de probabilidad
Gama
Se le conoce, tambin, como una generalizacin de la distribucin
exponencial, adems de la distribucin de Erlang y la distribucin Jicuadrada [8]. Es una distribucin de probabilidad continua adecuada
para modelizar el comportamiento de variables aleatorias con asimetra
positiva y/o los experimentos en donde est involucrado el tiempo.
Definicin 2.2 Una variable aleatoria tiene una distribucin gamma si su
funcin de densidad est dada por:

Distribuciones de probabilidad
Weibull

Se trata de un modelo continuo asociado a variables del tipo tiempo de

vida, tiempo hasta que un mecanismo falla, etc. La funcin de densidad
de este modelo viene dada por:

que, como vemos, depende de dos parmetros: > 0 y > 0, donde

es un parmetro de escala y es un parmetro de forma (lo que
proporciona una gran flexibilidad a este modelo).
La funcin de distribucin se obtiene por la integracin de la funcin de
densidad y vale:

El siguiente programa permite visualizar la forma de la funcin de

densidad de este modelo y el valor de la funcin de distribucin:
Propiedades de la distribucin Weibull
1. Si tomamos = 1 tenemos una distribucin Exponencial.
2. Su esperanza vale:

Su varianza vale:

donde
(x)
representa
anteriormente.

la funcin

Gamma

de

Euler definida

Distribucion Normal Como

Aproximacion De La Normal
En este caso se estarn calculando probabilidades de experimentos
Binomiales de una forma muy aproximada con la distribucin Normal,
esto puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0
y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto
es,

Dnde:
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 npy nq. S ambos, np y
nq son mayores o iguales a 5, la aproximacin ser buena.
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,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Por qu vamos a sumar o a restar a x?

Este es un factor de correccin debido a que se est evaluando una

variable discreta con una distribucin continua, por lo que hay que
delimitar claramente desde que punto se va a evaluar la variable,
dicho de otra forma, en que lmite de la barra (inferior o superior) nos
debemos posicionar para determinar la probabilidad requerida, cada
barra de probabilidad a evaluar tiene como base la unidad, ese es el
porqu del .

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: a)
al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de
50 no 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

m = np = (100)(0.40) = 40 pacientes se recuperen

s=
=
pacientes que se recuperan
x = variable que nos define el nmero de pacientes que se recuperan
x = 0, 1, 2,....,100 pacientes que se recuperan

X = 29.5

m = 40

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

p(z = 1.33) = 0.4082

p(x > 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918
b)
n = 100
p = p(paciente no sobreviva) = 0.60
q = p(paciente sobreviva) = 1 p = 0.40
pacientes que no se recuperan
pacientes que no se recuperan
x = variable que nos define el nmero de pacientes que no sobreviven
x = 0, 1, 2, ....,100

p( z = -2.14) = 0.4838
p(x < 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162

Conclusiones:
Con los grandes avances tecnolgicos hemos ahorrado tiempo para el
anlisis estadstico, sin embargo la comprensin de la lgica que se
utiliza para llegar a la resolucin del mismo es algo que nos ha llevado a
este estudio.
Con el desarrollo de este proyecto y gracias a la comprensin de
conceptos entendimos que es una poderosa herramienta
estadstica que bien aplicada nos podr ayudar a facilitar los
clculos para la solucin de problemas. Lo cual contina con el
propsito esencial: Ahorro de costos y mejora continua en cualquier
mbito en que nos desarrollemos.
Aprendimos que no es limitativa el rea en que nos desempeemos en
nuestro trabajo ya que tanto en
Ingeniera como Materiales, en
Recursos Humanos como en un Negocio Propio, en Comercio o en
Industria, o bien por puro pasatiempo en el panorama de la
probabilidad estadstica, estas herramientas sern siempre de gran
utilidad.
Para esta presentacin aprendimos la aplicacin y manejo de las
Distribuciones de Probabilidades ms comunes, la Binomial, la de
Poisson y finalmente la distribucin Normal as como todas las que se
vio a lo largo de este trabajo.

 Bibliografa:
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private
/002APROXIMACION%20%20DE%20%20LA%20%20NORMAL%20%20A
%20%20LA%20%20BINOMIAL.htm
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
https://mx.search.yahoo.com/search?
fr=mcafee&type=C214MX662D20160124&p=2.1.3+Distribuciones+de+
Probabilidad+Hipergeometrica+-+See+more+at%3A+http%3A%2F
%2Fwww.mitecnologico.com%2Fipe%2FMain
%2FProbabilidadYEstadisticaAplicadaAlCampoPetrolero
%23sthash.J8DJOtuq.dpuf
https://www2.ulpgc.es/hege/almacen/download/4/4759/Tema_1.pdf

Ejercicios
.

Distribucion de Probabilidades Discretas

Se lanza un par de dados. Se define la variable aleatoria X como la suma
de las puntuaciones obtenidas. Hallar la funcin de probabilidad, la
esperanza matemtica y la varianza
x
2
3
4
5
6
7
8
9
10
11
12

p
1/36
2/36
3/36
4 /36
5/36
6/36
5/36
4 /36
3/36
2/36
1/36

xp

2/36
6/36
12/36
20/3 6
30/36
42/36
40/36
36/36
30/36
22/36
12/36

x 2 pi

4/36
18/36
48/36
100/36
180/36
294/36
320/36
324/36
300/36
242/36
144/36
7

54.83

Distribucin de probabilidades binomial

La ultima novela de un autor ha tenido un gran xito,hasta e punto de
que el 80% de los lectores ya la han leido. Un grupo de 4 amigos son
aficionados a la lectura:
1. Cul es laprobabilidad de que en elgrupo hayan leido la novela 2
personas?

2. Y como maximo 2?

Distribucin de probabilidades Poisson

El 8% de los registros contables de una empresa presentan algun
problema, si un auditor toma una muestra de 40 registros Cacular
probabilidad de que existan 5 registros con problemas?

Distibucion de probabilidades Hipergeometricas

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?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3

personas sean solteras es tan slo del 1,75%.

Distribucion de probabilidades Continua

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:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros

tiene un 1% de probabilidades; que est entre 401 y 402 litros, otro 1%,
etc.
El valor medio esperado es:

Es decir, la precipitacin media estimada en Sevilla para el prximo ao

es de 450 litros.

Distribucion de probabilidades normal

La renta media de los habitantes de un pas es de 4 millones de
ptas/ao, con una varianza de 1,5. Se supone que se distribuye segn
una distribucin normal. Calcular:

a) Porcentaje de la poblacin con una renta inferior a 3 millones de ptas.

b) Renta a partir de la cual se sita el 10% de la poblacin con mayores
ingresos.
c) Ingresos mnimo y mximo que engloba al 60% de la poblacin con
renta media.

a) Porcentaje de la poblacin con una renta inferior a 3 millones

de ptas.
Lo primero que tenemos que hacer es calcular la normal tipificada:

El valor de Y equivalente a 3 millones de ptas es -0,816.

P (X < 3) = P (Y < -0,816)

Ahora tenemos que ver cul es la probabilidad acumulada hasta ese

valor. Tenemos un problema: la tabla de probabilidades (ver leccin 35)
slo abarca valores positivos, no obstante, este problema tiene fcil

solucin, ya que la distribucin normal es simtrica respecto al valor

medio.

Por lo tanto:

P (Y < -0,816) = P (Y > 0,816)

Por otra parte, la probabilidad que hay a partir de un valor es igual a 1

(100%) menos la probabilidad acumulada hasta dicho valor:

P (Y > 0,816) = 1 - P (Y < 0,816) = 1 - 0,7925 (aprox.) = 0,2075

Luego, el 20,75% de la poblacin tiene una renta inferior a 3 millones

ptas.

b) Nivel de ingresos a partir del cual se sita el 10% de la

poblacin con renta ms elevada.

Vemos en la tabla el valor de la variable tipificada cuya probabilidad

acumulada es el 0,9 (90%), lo que quiere decir que por encima se sita
el 10% superior.

Ese valor corresponde a Y = 1,282 (aprox.). Ahora calculamos la variable

normal X equivalente a ese valor de la normal tipificada:

Despejando X, su valor es 5,57. Por lo tanto, aquellas personas con

ingresos superiores a 5,57 millones de ptas. constituyen el 10% de la
poblacin con renta ms elevada.

c) Nivel de ingresos mnimo y mximo que engloba al 60% de la

poblacin con renta media

Vemos en la tabla el valor de la variable normalizada Y cuya probabilidad

acumulada es el 0,8 (80%). Como sabemos que hasta la media la
probabilidad acumulada es del 50%, quiere decir que entre la media y
este valor de Y hay un 30% de probabilidad.
Por otra parte, al ser la distribucin normal simtrica, entre -Y y la media
hay otro 30% de probabilidad. En definitiva, el segmento (-Y, Y) engloba
al 60% de poblacin con renta media.
El valor de Y que acumula el 80% de la probabilidad es 0,842 (aprox.),
por lo que el segmento viene definido por (-0,842, +0,842). Ahora
calculamos los valores de la variable X correspondientes a estos valores
de Y.

Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con
ingresos superiores a 2,97 millones de ptas. e inferiores a 5,03
millones de ptas. constituyen el 60% de la poblacin con un nivel
medio de renta.