3.

Tipos de distribuciones variables aleatorias discretas y continuas:

3.1Distribucin binomial o de Bernoulli

Un experimento sigue el modelo de la distribucin binomial o de Bernoulli si:

1. En cada prueba del experimento slo son posibles dos resultados: el suceso A
(xito) y su contrario .

2. La probabilidad del suceso A es constante, es decir, que no vara de una

prueba a otra. Se representa por p.

3. El resultado obtenido en cada prueba es independiente de los resultados

obtenidos anteriormente.

La distribucin binomial se suele representar por B(n, p).

n es el nmero de pruebas de que consta el experimento.

p es la probabilidad de xito.

La probabilidad de es 1 p, y la representamos por q.

Variable aleatoria binomial

La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en

cada prueba del experimento.

La variable binomial es una variable aleatoria discreta, slo puede tomar los
valores 0, 1, 2, 3, 4,..., n suponiendo que se han realizado n pruebas.

Ejemplo:

k = 6, al lanzar una moneda 10 veces y obtener 6 caras.

3
CONCEPTO
La distribucin binomial de probabilidad es una distribucin discreta de probabilidad que
tiene muchas aplicaciones. Se relaciona con un experimento de etapas mltiples que
llamamos binomial.
PROPIEDADES
Un experimento binomial tiene cuatro propiedades: El experimento consiste en una
sucesin de n intentos o ensayos idnticos. En cada intento o ensayo son posibles dos
resultados. A uno lo llamaremos xito y al otro fracaso. La probabilidad de un xito
representada por p no cambia de un intento o ensayo a otro. En consecuencia, la
probabilidad de un fracaso, representada por 1-p, no cambia de un intento a otro. Los
intentos o ensayos son independientes. Si existen las propiedades 2, 3 y 4, se dice que los
intentos se generan mediante un proceso de Bernoulli. Si adems existe la propiedad 1, se
dice que se tiene un experimento binomial. En un experimento binomial nos interesa la
cantidad de xitos que suceden en los n intentos. Si hacemos que X represente la
cantidad de xitos en los n intentos vemos que x puede asumirlos valores 0, 1,
2,3 . n . Como la cantidad de valores es finita, x es una variable aleatoria discreta. La
distribucin de probabilidad asociada con esa variable aleatoria se llama distribucin
binomial de probabilidad.
MEDIA Y
VARIANZA DE LA DISTRIBUCION BINOMIAL:
EJEMPLO
Un agente de seguros vende plizas a cinco personas de la misma edad y que disfrutan
de buena salud. La probabilidad de que una persona en estas condiciones viva 30 aos o
ms de 2/3.Hallar la probabilidad de que transcurridos 30 aos vivan: 1.

Las cinco personas

Al menos tres personas.
Exactamente dos personas

Grafica (ejemplo):
3.2Distribucin de Poisson.

La distribucin de Poisson se llama as en honor a Simen Dennis

Poisson (1781-1840), francs que desarroll esta distribucin
basndose en estudios efectuados en la ltima parte de su vida.
Caractersticas generales de la Poisson
El nmero de vehculos que pasan por una caseta de cobro sirve
como ejemplo para mostrar las caractersticas de una distribucin
de probabilidad de Poisson.
Si dividimos las horas de gran trfico en periodos (intervalos) de
un segundo cada uno, encontraremos lo siguiente:
1) La probabilidad de que exactamente un vehculo llegue por
segundo a una caseta individual es un nmero muy pequeo y es
constante para que cada intervalo de un segundo.
2) La probabilidad de que dos o ms vehculos lleguen en un
intervalo de un segundo es tan reducida que podemos asignarle
un valor cero.
3) El nmero de vehculos que llegan en determinado intervalo de
un segundo es independiente del momento en que el intervalo de
un segundo ocurre.
4) El nmero de llegadas en cualquier intervalo de un segundo no
depende del
Nmero de arribos de cualquier otro intervalo de un segundo.
Un sistema que cumple estas caractersticas sigue la Poisson.
Aplicaciones de la Poisson
La distribucin de probabilidad Poisson provee un buen modelo
para la distribucin de probabilidad del nmero X de eventos
raros que ocurren en el espacio, tiempo, volumen o cualquier otra
dimensin, donde es el valor promedio
de X.
Ejemplos de procesos Poisson:
1. Nmero de accidentes de autos por semana.
2. Nmero de accidentes industriales por da.
3. Nmero de llamadas telefnicas que entran a un conmutador
por hora.
4. Nmero de partculas radioactivas que impactan dentro de un
centmetro cuadrado por minuto.
5. Nmero de errores que una secretaria comete por pgina.
La frmula de la distribucin de probabilidad Poisson se enuncia a
continuacin:
= Media de la distribucin Poisson (y tambin es la varianza).
e = base del logaritmo natural (e=2.71828...)

Media de la distribucin Poisson (y tambin es la varianza).

e = base del logaritmo natural (e=2.71828...)

Grafica:
3.7 Hipergeometrica

Distribucin Hipergeomtrica
Suponga que est seleccionando una muestra de elementos de
una poblacin y anota si cada uno posee cierta caracterstica o
no. Usted est registrando los datos caractersticos de "xito"
"fracaso" encontrados en el experimento binomial.
Si el nmero de elementos en la poblacin es grande en relacin
con el nmero en la muestra, la probabilidad de seleccionar un
xito en un solo ensayo es igual a la proporcin p de xitos en la
poblacin. Debido a que la poblacin es grande con respecto al
tamao de la muestra, esta probabilidad permanecer constante
(para fines prcticos) de un ensayo a otro, y el numero x de xitos
en la muestra seguir una distribucin de probabilidad binomial.
Sin embargo, si el nmero de elementos en la poblacin es
pequeo con respecto al tamao de la muestra (n/N 2>05), la
probabilidad de un xito para un ensayo dado depende de los
resultados de ensayos anteriores. Entonces el numero x de xitos
sigue una distribucin de probabilidad hipergeomtrica.
Es fcil visualizar la variable aleatoria hipergeomtrica x si se
piensa en un recipiente que contiene M pelotas rojas y N
-
M pelotas blancas, para un total de N pelotas en el recipiente.
Usted selecciona n pelotas del recipiente y anota x, el nmero de
pelotas rajas que ve. Si ahora define que una pelota raja es un
"xito", tiene un ejemplo de variable aleatoria hipergeomtrica x.
La frmula para calcular la probabilidad de exactamente k xitos
en n ensayos se da a continuacin.
DISTRIBUCIN DE PROBABILIDAD HIPERGEOMTRICA
Una poblacin contiene M xitos y N
-M fracasos. La probabilidad de exactamente
K xitos en una muestra aleatoria de tamao n es
Caractersticas de la distribucin hipergeomtrica

La distribucin hipergeomtrica se utiliza en lugar de la binomial

cuando n es relativamente grande en comparacin de N.
Un experimento hipergeomtrico cumple con las siguientes dos
caractersticas:
1. Una muestra aleatoria de tamao n se escoge de una
poblacin de tamao N.
2. S de las N entidades se clasifican como xitos y N
-S se clasifican como fracasos.
Nota: Para usar la distribucin hipergeomtrica en lugar de la
binomial, recuerde Qu:(N/n < 10)
La frmula de la distribucin de probabilidad hipergeomtrica se
enuncia a continuacin:
La distribucin de probabilidad hipergeomtrica.
(N/n < 10)

N
= Tamao de la poblacin.
n = Tamao de la muestra.
S = Nmero de xitos en toda la poblacin.
X = Nmero de xitos en el experimento.
Media de la distribucin hipergeomtrica:
Varianza de la distribucin hipergeomtrica
:

Grafica

3.8 Normal y Logaritmico.normal

Distribucin lognormal
Utilice la distribucin lognormal si el logaritmo de la variable aleatoria est distribuida
normalmente. Utilcese cuando las variables aleatorias sean mayores que 0. Por ejemplo, la
distribucin lognormal se usa para el anlisis de fiabilidad y en aplicaciones financieras,
como modelar el comportamiento de las acciones.

La distribucin lognormal es una distribucin continua que se define por sus parmetros de
ubicacin y escala. La distribucin lognormal de 3 parmetros se define por sus parmetros
de ubicacin, escala y valor umbral.

La forma de la distribucin lognormal es similar a la forma de las distribuciones loglogstica y de

Weibull. Por ejemplo, la siguiente grfica ilustra la distribucin lognormal para escala=1.0,

Ubicacin=0.0 y valor umbral=0.0.