Académique Documents
Professionnel Documents
Culture Documents
Distribuciones de
Probabilidad:
Discreta y Continua
Integrantes:
Kag-keng Lau
Yerko Muoz
Jorge Vega
Eduardo Villarroel
Felipe Zepeda
Fecha de entrega:
Contenido
Introduccin.................................................................................................................................. 3
Objetivos....................................................................................................................................... 4
Distribucin hipergeomtrica......................................................................................................... 5
Esperanza y varianza................................................................................................................. 5
Aplicaciones de distribucin hipergeomtrica............................................................................ 6
Ejemplos de distribucin hipergeomtrica................................................................................. 6
Ejemplo 1............................................................................................................................... 6
Ejemplo 2............................................................................................................................... 7
Distribucin de Poisson................................................................................................................ 10
Propiedades Distribucin discreta Poisson............................................................................... 10
Esperanza y varianza............................................................................................................... 10
Aplicaciones de la distribucin discreta Poisson....................................................................... 11
Ejemplos de distribucin Poisson............................................................................................. 11
Ejemplo 1............................................................................................................................. 11
Ejemplo 2............................................................................................................................. 12
Distribucin exponencial............................................................................................................. 13
Esperanza y varianza............................................................................................................... 13
Funcin acumulada de la distribucin exponencial..................................................................13
Aplicaciones de distribucin exponencial................................................................................. 13
Propiedad de la distribucin exponencial................................................................................. 14
Relacin entre la Distribucin Poisson y Exponencial...............................................................14
Grfico de distribucin exponencial......................................................................................... 15
Ejemplos de distribucin exponencial...................................................................................... 16
Ejemplo 1............................................................................................................................. 16
Ejemplo 2:............................................................................................................................ 17
Distribucin uniforme continua.................................................................................................... 19
Esperanza y varianza............................................................................................................... 19
Aplicaciones............................................................................................................................. 19
Grafico Distribucin uniforme contina.................................................................................... 20
Ejemplos de la distribucin uniforme....................................................................................... 20
Ejemplo 1............................................................................................................................. 20
Ejemplo 2............................................................................................................................. 21
Conclusiones............................................................................................................................... 22
Bibliografa
...23
Introduccin
Objetivos
Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:
c Mx cnN M
x
P( x)= N x Rx
cn
Dnde:
+/max ( 0, nN + m) x min ( M , n )
x Z 0 N , M , n Naturales
Rx=
Esperanza y varianza
nM
Esperanza =
E ( X )=
N
Nn M M
Varianza =
var ( x )=
N1 ( )
n
N
(1( )
N
)
Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al
lote del que provienen. En esta situacin, la variable que cuenta el nmero de
cpsulas que no cumplen los criterios de calidad establecidos sigue una
distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la
binomial, pero cuando el muestreo se hace sin reemplazo.
Solucin:
M N M 12 5012 12 38
c c c c c c
P ( X )= x Nnx P (3 )= 3 50103 P ( 3 )= 3 50 7 P ( 3 )=0,2702
cn c10 c 10
c Mx c Nnx c 12 5012
c 12
M 38
0 c 100 0 c 10
P ( X )= P ( 0 )= P ( 0 )= P ( 0 ) = 0,046
c Nn c 50
10 c 50
10
P ( X < 4 ) 0,8208
Ejemplo 2
Se define variables x e y
N= 6 total de albailes.
M N M 1 61 1 5
c c c c c c 10
P ( X )= x Nnx P (1 ) = 1 6 41 P ( 1 )= 1 6 3 P ( 1 )= 0.6666
cn c4 c4 15
N= 5total de artesanos.
n= 2 artesanos que se seleccionan.
c My c NnM
y c11c 51
21 c 11c 41 4
P (Y )= N P (1 ) = 5
P ( 1 ) = 5
P ( 1 )= 0.4
cn c2 c2 10
P ( X Y )=P ( X )P ( Y )
10
4
15
P ( X Y )=
10
4
P ( X Y )=
15
Se define variables x e y
N= 6 total de albailes.
N= 5total de artesanos.
M N M 1 51 1 4
c c c c c c 6
P (Y )= y Nn y P ( 0 )= 0 520 P ( 0 )= 0 5 2 P ( 0 ) = 0.6
cn c2 c2 10
X e Y son independientes.
P ( X Y )=P ( X )P ( Y )
5
6
15
P ( X Y )=
10
1
P ( X Y )=
5
Distribucin de Poisson
Es un proceso de conteo de ocurrencias aleatorias a lo largo del tiempo el cual
sigue las siguientes pautas:
k k
Y = x i P
i=1
( )
i=1
i
donde 0< p<1 tambin es una v.a. Poisson con promedio igual
Y = pX P (p)
Esperanza y varianza
Esperanza = E ( x )=
Varianza = Var ( x )=
X =60, =30 x 2
=90, X=0
e (90) 900
P ( X 1, =90 )=1P ( X <1, =90 )=1P ( X =0, =90 )=1 =1 8,1940
0!
40
E =1
c) Cuntos vasos de cerveza se esperan que sean pedidos entre las 9 P.M. y la
1 A.M.? Y cul es la desviacin estndar?
=30 x 4=120
Ejemplo 2.
En la inspeccin de hojalata producida por un proceso electroltico
continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine
las probabilidades de identificar:
x = 1, = 0.2 x 3 =0.6
1 0,6
(0.6) x (2,718) ( 0,6 ) x (0,548845)
P ( x=1, =0,6 )= = =0,329307
1! 1
x2 , =0,2 X 5=1
x 1, =0.2 X 15=3
( 3 )0 ( 2,718 )3 ( 3 )1 ( 2,718 )3
+
0! 1!
0.0498026+0.149408=0.1992106
Distribucin exponencial
Es una de las distribuciones continuas ms importantes.
{
x
1
e x 0
f ( x )=
0 C.o.c
Dnde:
Esperanza y varianza
Esperanza = E ( X )=
Varianza = var ( x )= 2
F ( x )=1ex/
{
x
et( t )
P ( X ( t ) =x ) =Px( t ) ( x )=f ( x )= ,x Z 0 0,x 0
x!
Por lo tanto, la probabilidad de que en un lapso de tiempo t, no haya
Solucin:
T
T U=
1 5
e
5 8
5
dt=
1
du= dt 5 du=dt
5
[ ] 8
T
1
eU 5 du= e U du= e 5
5 8 8
8
5
e + e 5 =0+0,20189 0,2
n=5
5 0 5 5 1 4
= [1C0 ( 0 , 2 ) ( 0 , 8 ) +C 1 ( 0 ,2 ) ( 0 .8 ) ]
= 1 0, 7373 = 0, 2627
Ejemplo 2:
La duracin de una lmpara est distribuida en forma exponencial con una
media de 300 horas. Calcule la probabilidad de que la lmpara:
Solucin:
{
x
1
e x 0
f ( x )=
0 C.o.c
E ( X )=300 horas
E ( X )= =300
Con lo cual:
x
1
P ( X >100 )= f ( x )= e dx
100 100
x 100
1 300
e dx =e 300 0,71653131 horas
100 300
P ( X <100 ) = 0,28346869
( X> 500 )
P ( X >400 )
X> 500
P ( P ( X >400 ) )
=
P ( X > 400 )
P
x
1
e dx
500
x
1
e
dx
400
500
300
e
400
0,71653131
300
e
1
f x ( x )= , a x b , ( a , b ) R , a< b , mientras que es 0 en cualquier otro caso.
ba
xa
F x ( x )= , a x <b
ba
Esperanza y varianza
a+b
Esperanza =
E ( x )=
2
2
(ba)
Varianza = Var ( x )=
12
Aplicaciones
Se la utiliza mucho en problemas de simulacin estadsticas. Con frecuencia, la
distribucin uniforme se utiliza para modelar eventos aleatorios cuando cada
instancia o resultado potencial tiene la misma probabilidad de ocurrencia.
Grafico Distribucin uniforme contina
a=0 y b=20
100
P ( x <10 ) =F x ( 10 ) = =0,5
200
a=0 y b=20
50
P (5< x<10 )=F x ( 10 )F x ( 5 ) =0,5 =0,25
200
a=0 y b=20
0+20
E ( x )= =10[mA ]
2
Ejemplo 2
Un grupo de estudiantes de la carrera de informtica desarrollan un
programa en el laboratorio de computacin, donde ingresan desde las 7:00 am
hasta las 12:00pm. Calcular:
a=7 y b=12
1
f x ( x )= =0,2
127
b) El valor esperado
a=7 y b=12
7+ 12
E ( x )= =9,5
2
c) La varianza
a=7 y b=12
2
( 127)
Var ( x )= =2,08
12
a=7 y b=12
Se debe convertir los 30 minutos y 15 minutos a datos enteros o reales.
30 15
=0,5 y =0,25
60 60
11,257 9,57
P ( 9,5 x 11,25 )=F x ( 11,25 )F x ( 9,5 )= =0,850,5=0,35
127 127
Conclusiones
Como podemos observar las distribuciones continuas pueden tomar cualquier
valor y no nicamente un nmero determinado como ocurre en las
distribuciones discretas. Tambin decimos que una variable es continua cuando
uno de los infinitos valores posibles tendr probabilidad cero y solo se podr
hablar de pr????
http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones%20discretas.pdf
http://halweb.uc3m.es/esp/Personal/personas/icascos/esp/resumen_distribuciones.pdf
http://help.arcgis.com/es/arcgisdesktop/10.0/help/index.html#//0017000000t5000000
https://www.youtube.com/watch?v=6mf8auuW128
http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Distribucion
%20Exponencial.htm
http://www.slideshare.net/monicamantillahidalgo/distribucion-exponencial
http://distribucionuniformeiuty3305.blogspot.com/
http://www.slideshare.net/monicamantillahidalgo/distribucion-uniforme-continua1