Instituto Tecnolgico de Quertaro

Unidad Pinal de Amoles

Divisin de Educacin Presencial a Distancia

Materia: Simulacin

Ingeniera en Sistemas Computacionales.

Actividad: Tipos de Distribucin Mas Comunes

Alumno:
Jos Luis Prez Ortega

Asesor: Ing. Carlos Alberto Paredes Orta
cparedes_depad_qro@hotmail.com

Tutor: I.S.C. Lucia Rivera Riv.
lrivera_depad_pin@hotmail.com

Viernes 05-Septiembre-2014


Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 2
DISTRIBUCIN DE PROBABILIDADES
DEFINICIN
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), y puede ser de dos tipos:
VARIABLE ALEATORIA DISCRETA (x).
Porque solo puede tomar valores enteros y un nmero finito de ellos. Por ejemplo:
X Variable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un
grupo de 40 alumnos (1, 2 ,3 los 40).
PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(xi)<1 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero y menores o iguales a 1.
E p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe
ser igual a 1.
EJEMPLO
Para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar slo dos resulatdos: o cara (50%), o cruz (50%).
La siguiente tabla nos muestra los posibles resultados de lanzar dos veces una moneda:
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 3

Al realizar la tabla de distribucin del nmero posible de caras que se obtiene al lanzar una
moneda dos veces, obtenemos:

VARIABLE ALEATORIA CONTINUA (x).
Porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos
dentro de un mismo intervalo. Por ejemplo:
X es la Variable que nos define la concentracin en gramos de plata de algunas muestras de
mineral (14.8 gr, 12.1, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, , n)
PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA (X)
p(x) Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o
iguales a cero. Dicho de otra forma, la funcin de densidad de probabilidad deber tomar solo
valores mayores o iguales a cero.
El rea definida bajo la funcin de densidad de probabilidad deber ser de 1.
ESPERANZA MATEMATICA O VALOR ESPERADO
El valor esperado de una Variable Aleatoria X es el promedio ponderado de todos los valores
posibles de la misma. DNode los pesos son las probabilidades asociadas con los valores.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 4
Para calcular el valor esperado de una variable aleatoria por su correspondiente probabilidad y
luego sumar los trminos resultante.
La esperanza matemtica o valor esperado de una variable aleatoria tiene sus orgenes en los
juegos de azar, debido a que los apostadores deseaban saber cul era su esperanza de ganar
repetidamente un juego, por lo tanto, el valor esperado representa la cantidad de dinero
promedio que el jugador est dispuesto a ganar o perder despus de un nmero grande de
apuestas.

VARIANZA
Es un promedio ponderado de las de las desvaciones al cuadrado.

DISTRIBUCIN BINOMIAL
La distribucin Binomial es un caso particular de probabilidad de variable aleatoria discreta, y por
sus aplicaciones, es posiblemente la ms importante.
Esta distribucin corresponde a la realizacin de un experimento aleatorio que cumple con las
siguientes condiciones:
* Al realizar el experimento slo son posible dos resultados: el suceso A, llamado xito, y el suceso
B , llamado fracaso.
* Al repetir el experimento, el resultado obtenido es independiente de los resultados obtenidos
anteriormente.
* La probabilidad del suceso A es constante, es decir, no vara de una prueba del experimento a
otra.
* En cada experimento se realizan n pruebas idnticas.
Todo experimento que tenga estas caractersticas se dice que sigue el modelo de la distribucin
Binomial o distribucin de Bernoulli.
En general, si se tienen n ensayos Bernoulli con probabilidad de xito p y de fracaso q, entonces la
distribucin de probabilidad que la modela es la distribucin de probabilidad binomial y su regla
de correspondencia es:
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 5

Dnde:
P(X)= es la probabilidad de ocurrencia del evento
p = es la probabilidad de xito del evento (en un intento)
q = es la probabilidad de fracaso del evento (en un intento) (se define como q = 1 p )
X = ocurrencia del evento o xitos deseados
n = nmero de intentos
EJEMPLO
Cul es la probabilidad de obtener exactamente 2 caras al lanzar una misma moneda 6 veces?
Donde:
P(X)= Probabilidad de que ocurra el evento
p = (0.5)
q = (se define como q = 1 p ) (0.5)
X = 2
n = 6

Al sustituir los valores en la frmula obtenemos:
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 6


La posibilidad de obtener dos caras al lanzar una moneda 6 veces es de 0.234375
Como el clculo de estas probabilidades puede resultar algo tedioso se han construido tablas para
algunos valores de n y p que nos facilitan el trabajo (Ver las tablas de la funcin de probabilidad
Binomial).
Para una combinacin de n y p, la entrada indica una probabilidad de obtener un valor especfico
de r.
Para localizar la entrada, cuando p8804;0.50, localice p a lo largo del encabezado de la tabla, y en
la columna correspondiente localice n y r en el margen izquierdo; cuando p8805;0.50, localice el
valor de p en la parte inferior de la tabla, y n y r arriba, en el margen derecho.
Tenemos p = 0.50, n = 6 y r = 2 obteniendo resultado directo de tablas
P(2 caras) = 0.2344
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 7

DISTRIBUCIN DE POISSON
La distribucin de POISSON es tambin un caso particular de probabilidad de variable aleatoria
discreta, el cual debe su nombre a Simon Denis Poisson (1781-1840), un francs que la desarroll
a partir de los estudios que realiz durante la ltima etapa de su vida.
Es til cuando tratamos con cantidades de ocurrencia de un evento a lo largo de un intervalo de
tiempo o espacio especificado.
Esta distribucin se utiliza para describir ciertos procesos.
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo,
pieza, etc:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm2 de cultivo
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 8
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la
frmula a utilizar sera:

Dnde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es
/
/= media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718 (base de logaritmo neperiano o natural)
X = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de
tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de
otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es
independiente de otro producto dado.
EJEMPLO
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que
reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos
das consecutivos? (e= 2.718281828)
Resolviendo para :
a) x = 4; / = 6 cheques sin fondo por da
Comprobando (sustituyendo en la frmula):
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 9



Por lo tanto la probabilidad de que el banco reciba cuatro cheques sin fondo en un da dado es de
0.133853 (13.39%)
Valores directos para determinar probabilidades de Poisson.
Para un valor dado de /, la entrada indica la probabilidad de obtener un valor especfico de X
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 10
Para el ejemplo, inciso a) que estamos viendo: Cul es la probabilidad de que el banco reciba
cuatro cheques sin fondo en un da dado?
Tenemos x = 4; / = 6 cheques sin fondo por da; obteniendo resultado directo de tablas:

DISTRIBUCIN NORMAL
La distribucin normal es tambin un caso particular de probabilidad de variable aleatoria
contnua, fue reconocida por primera vez por el francs Abraham de Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y formul la
ecuacin de la curva; de ah que tambin se le conozca, ms comnmente, como la "campana de
Gauss". La distribucin de una variable normal est completamente determinada por dos
parmetros, su media () y su desviacin estndar (&#963;). Con esta notacin, la densidad de la
normal viene dada por la ecuacin:

Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 11
Que determina la curva en forma de campana que tan bien conocemos.
Existen dos razones bsicas por las cuales la distribucin normal ocupa un lugar tan prominente en
la estadstica:
Tiene algunas propiedades que la hacen aplicable a un gran nmero de situaciones en la que es
necesario hacer inferencias mediante la toma de muestras.
La distribucin normal casi se ajusta a las distribuciones de frecuencias reales observadas en
muchos fenmenos, incluyendo caractersticas humanas, resultados de procesos fsicos y muchas
otras medidas de inters para los administradores, tanto en el sector pblico como en el privado.
Propiedad:
No importa cules sean los valores de y &#963; para un distribucin de probabilidad normal, el
rea total bajo la curva siempre es 1, de manera que podemos pensar en reas bajo la curva como
si fueran probabilidades. Matemticamente es verdad que:
Aproximadamente el 68% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 1 desviacin estndar de la media.
Aproximadamente el 95.5% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 2 desviaciones estndar de la media.
Aproximadamente el 99.7% de todos los valores de una poblacin normalmente distribuida se
encuentra dentro de 3 desviaciones estndar de la media.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 12
Relacin entre el rea bajo la curva de distribucin normal de probabilidad y la distancia a la media
medida en desviaciones estndar.
Estas grficas muestran tres formas diferentes de medir el rea bajo la curva normal. Sin embargo,
muy pocas de las aplicaciones que haremos de la distribucin normal de probabilidad implican
intervalos de exactamente (ms o menos) 1, 2 3 desviaciones estndar a partir de la media. Para
estos casos existen tablas estadsticas que indican porciones del rea bajo la curva normal que
estn contenidas dentro de cualquier nmero de desviaciones estndar (ms o menos) a partir de
la media.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 13
Afortunadamente tambin podemos utilizar una distribucin de probabilidad normal estndar
para encontrar reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o la
probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas distancias
a partir de la media. Estas distancias estn definidas en trminos de desviaciones estndar.
USO DE LA TABLA DE DISTRIBUCIN NORLAM
DE PROBABILIDAD NORMAL STANDAR
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo
nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea total
bajo la curva para cualquier distribucin de probabilidad normal. Esto hace que sea posible usar
solamente una tabla (Apndice Tabla 1) de la distribucin de probabilidad normal estndar.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 14
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 15

El valor de z est derivado de la frmula:

En la que:
x = valor de la variable aleatoria que nos preocupa.
= media de la distribucin de la variable aleatoria.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 16
&#963; = desviacin estndar de la distribucin.
z = nmero de desviaciones estndar que hay desde x a la media de la
distribucin. (el uso de z es solamente un cambio de escala de medicin del
eje horizontal)
Distribucin normal que ilustra la comparacin de los valores de z y las desviaciones estndar
EJEMPLO.
Partiendo de la misma premisa, = 500
y &#963; = 100. Cul es la probabilidad de que un candidato elegido al azar se tome entre 500 y
650 horas en completar el programa de entrenamiento?

Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 17

Si buscamos Z=1.5 (refirase a la tabla), encontramos una probabilidad de 0.4332.
Por lo tanto, la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas
para terminar el programa de entrenamiento es de 0.4332
DISTRIBUCIONES DE PROBABILIDAD
VARIABLES ALEATORIAS
Las variables aleatorias son una transformacin o funcin que asignan uny slo un valor numrico
a cada resultado de un experimento.
Variables aleatorias discretas: comprenden reglas o modelos de probabilidad para asignar o
generar slo valores diversos (no mediciones fraccionarias).
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 18
Variables aleatorias continuas:
DISTRIBUCION BINOMIAL
Una distribucin de probabilidad ampliamente utilizada de una variable aleatoria discreta es la
distribucin binomial. Esta describe varios procesos de inters para los administradores.
Describe datos discretos, resultantes de un experimento denominado proceso de Bernoulli en
honor del matemtico suizo Jacob Bernoulli, quien vivi en el siglo XVII.
Empleo del proceso de Bernoulli.
Podemos servirnos de los resultados de un nmero fijo de lanzamientos de una moneda como
ejemplo de un proceso de Bernoulli. Este proceso lo describimos as:
1. Cada ensayo ( cada lanzamiento, en nuestro caso) tiene slo dos resultados posibles: lado A o
lado B, s o no, xito o fracaso.
2. La probabilidad del resultado de cualquier ensayo (lanzamiento) permanece fija con el tiempo.
Tratndose de una moneda la probabilidad de que salga de el lado A sigue siendo de 0.5 en cada
lanzamiento, cualquiera que sea el nmero de veces que la moneda sea arrojada.
3. Los ensayos son estadsticamente independientes, es decir, el resultado de un lanzamiento no
afecta al de cualquier otro lanzamiento.
Cada proceso de Bernoulli tiene su propia probabilidad caracterstica. Pongamos el caso en que
siete dcimas partes de las personas que solicitaron cierto tipo de empleo pasaron la prueba.
Diremos entonces que la probabilidad caracterstica fue de 0.7 pero podemos describir los
resultados de la prueba como un proceso de Bernoulli slo si tenemos laseguridad de que la
proporcin de los que fueron aprobados permaneci constante con el tiempo.
Des de luego, la otra caracterstica del proceso de Bernoulli tambin deber ser satisfecha. Cada
prueba deber arrojar tan slo dos resultados (xito o fracaso= y los resultados de
las pruebas habrn de ser estadsticamente independientes.
En un lenguaje ms formal, el smbolo p representa la probabilidad de un xito y el smbolo q ( 1- p
) representa la probabilidad de un fracaso. Para representar cierto nmero de xitos, utilizaremos
el smbolo r y para simbolizar el nmero total de ensayos emplearemos el smbolo n.
Entonces tenemos que :
P Probabilidad de xito.
Q Probabilidad de fracaso.
r Nmero de xitos deseados.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 19
n Nmero de ensayos efectuados.

Existe una frmula binomial:
Probabilidad de r xitos en n ensayos es :
N! / R! (N-R)! PR QN-R
Recordemos que el smbolo factorial! Significa por ejemplo que es 3! = 3*2*1 = 6
Los matemticos definen 0! = 1.
DISTRIBUCION NORMAL
La Distribucin Normal: una distribucin de una variable aleatoria continua.
Una muy importante distribucin continua de probabilidad es la distribucin normal. Varios
matemticos intervinieron en su desarrollo entre ellos figura el astrnomo del siglo XVIII Karl
Gauss, a veces es llamada en sus honor la distribucin de Gauss.
Caractersticas de la distribucin normal de la probabilidad.
1. La curva tiene un solo pico, por consiguiente es unimodal. Presenta una forma de campana.
2. La media de una poblacin distribuida normalmente se encuentra en el centro de su curva
normal.
3. A causa de la simetra de la distribucin normal de probabilidad, la mediana y la moda de la
distribucin tambin se hallan en el centro, por tanto en una curva normal, la media, la mediana y
la moda poseen el mismo valor.
4. Las dos colas (extremos) de una distribucin normal de probabilidad se extienden de manera
indefinida y nunca tocan el eje horizontal.
reas bajo la curva normal.
El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las reas bajo la
curva son probabilidades.
El valor de Z.
Z= Nmero de desviaciones estndar de x respecto a la media de esta distribucin.
Z= x-m / s
X=valor de la variable aleatoria que nos interesa.
Simulacin
Unidad Pinal de Amoles




J o s L u i s P r e z O r t e g a

Pgina 20
m = media de la distribucin de esta variable aleatoria.
s = desviacin estndar de esta distribucin.
Las variables aleatorias distribuidas en forma normal asumen muchas unidades diferentes
de medicin, por lo que hablaremos de forma estndar y les daremos el smbolo de Z.
Referencias
Galen (S/F). Distribucin de probabilidades. Consultado el 01 de septiembre de 2014.
Recuperado de: http://metodoscuantitativo2.galeon.com/enlaces2218784.html
Romero, Luz Carolina (Noviembre de 2005). Estadstica Bsica. Consultado el 01 de septiembre de
2014. Recuperado de: http://www.monografias.com/trabajos30/estadistica-basica/estadistica-
basica.shtml#distrib#ixzz3C5lynvFY