Este documento presenta información sobre diferentes tipos de distribuciones de probabilidad, incluyendo Bernoulli, binomial, Poisson, log-normal, gamma y T de Student. Explica las características y fórmulas de cada distribución y proporciona ejemplos numéricos para ilustrar su aplicación.

1. PROCESOS DE PRODUCCIÓN ÁREA DE MANUFACTURA
MATERIA: Probabilidad y estadísticas
Unidad # 2
Temas:
 Bernoulli
 Binomial
 Poisson
 Log Normal
 Gamma
 T de Student
ALUMNA: Ma. Guadalupe Martínez Vega.
GRADO Y SECCION: 2.- “D
DOCENTE: Lic. G. Edgar Mata Ortiz
Fecha: 18/03/2012

2. Introducción:
El desarrollo de este trabajo nos habla un poco sobre
diferentes tipos de distribuciones comúnmente usadas como:
A. Bernoulli
B. Binomial
C. Poisson
D. Log Normal
E. Gamma
F. T de Student
Viene pasos como hacer cada uno se las distribuciones y 5
ejemplos de cada uno de ellos, con su definición.

3. Bernoulli
La distribución de Bernoulli (o distribución dicotómica), nombrada así por el
matemático y científicosuizoJakob Bernoulli, es una distribución de
probabilidaddiscreta, que toma valor 1 para la probabilidad de éxito ( ) y valor 0
para la probabilidad de fracaso ( ).
Si es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la
variable aleatoria se distribuye como una Bernoulli de parámetro .
La fórmula será:
Su función de probabilidad viene definida por:
Un experimento al cual se aplica la distribución de Bernoulli se conoce como
Ensayo de Bernoulli o simplemente ensayo, y la serie de esos experimentos como
ensayos repetidos.

4. Ejemplo
"Lanzar una moneda, probabilidad de conseguir que salga cruz".
Se trata de un solo experimento, con dos resultados posibles: el éxito (p) se
considerará sacar cruz. Valdrá 0,5. El fracaso (q) que saliera cara, que vale (1 - p)
= 1 - 0,5 = 0,5.
La variable aleatoria X medirá "número de cruces que salen en un lanzamiento", y
sólo existirán dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1
(una cruz).
Por tanto, la v.a. X se distribuirá como una Bernoulli, ya que cumple todos los
requisitos.
5 ejercicios:
Un jugador de basquetbol esta a punto de tirar hacia la parte superior del tablero.
La probabilidad de que anote el tiro es de 0.55
a) X = 1 si anota
X = 0 si no
M =?
x =?
Eventos probabilidad
1 0.55 (p) = 1(0.55) = 0.55
0 0.45 (1-P)= 0(0.45) = 0.00
0.55
Media = 0.55 (1-0.55)² (0.55) = 0.111375
x = 0.247500 (0-0.55)² (0.45) = 0.136125
0.247500

5. b) Si anota el tiro, su equipo obtiene dos puntos: si lo falla, su equipo no recibe
puntos. Sea Y el numero de puntos anotados. ¿Tiene una distribución de
Bernoulli? Si es así, encuentre la probabilidad de éxito. Si no, explique porque.
Eventos probabilidad
2 0.55 no, porque siempre tiene que ser 1 y 0 en éxito o
fracaso.
0 0.45
c) Determina la media y varianza Y
Media: Varianza
2(0.55) = 1.1 (2-1.1)² (0.55) = 0.4455
0(0.45) = 0 (0.11)² (0.45) = 0.5445
1.1 0.9900
En un restaurante de comida rápida, 25% de las órdenes para beber es una
bebida pequeña, 35% una mediana y 40% una grande. Sea x = 1 si se escoge
aleatoriamente una orden de una bebida pequeña y x = 0 en cualquier otro caso.
Sea y = 1 si la orden es una bebida mediana y Y = 0 en cualquier otro caso.
Sea z = 1 si la orden es una bebida pequeña o mediana y z = 0 para cualquier
otro caso.
a) M = 0.25
b) M= 0.35
c) M = 0.60
d) No es posible solo una de ellas puede ser igual a 1
e) Si
f)

6. Cuando se aplica cierto barniz a una superficie de cerámica 5% es la probabilidad
de que se decolore, 20% de que se agriete o ambas. Sea X = 1 su se produce una
decoloración y X = 0 en cualquier otro caso. Y = 1 si hay alguna grieta y Y = 0 en
cualquier otro caso. Z = 1 si hay decoloración o grieta o ambas y Z = 0 en
cualquier otro caso.
a) 0.05
b) 0.20
c) 0.23
d) Si
e) No
f) No
Sean X y Y variables aleatorias de Bernoulli. Sea Z = X – Y
a) .
b) .
c) .
Se lanza al aire una moneda de 1 y de 5 centavos. Sea X = 1 si sale cara en la
moneda de 1 centavo y X = 0 en cualquier otro caso, sea Y = 1 si sale cara en la
moneda de 5 centavos y Y = 0 en cualquier otro caso. Sea Z = 1 si sale cara en
ambas y Z = 0 en cualquier otro caso.
a) ½
b) ½
c) ¼
d) Si
e) Si

7. Binomial
La distribución binomial es una distribución de probabilidad discreta que mide el
número de éxitos en una secuencia de n ensayos de Bernoulli independientes
entre sí, con una probabilidad fija p de ocurrencia del éxito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotómico, esto es, sólo son
posibles dos resultados. A uno de estos se denomina éxito y tiene una
probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En
la distribución binomial el anterior experimento se repite n veces, de forma
independiente, y se trata de calcular la probabilidad de un determinado número de
éxitos. Para n = 1, la binomial se convierte, de hecho, en una distribución de
Bernoulli.
Características analíticas
Su función de probabilidad es
Donde
Siendo las combinaciones de en ( elementos tomados
de en )
Ejemplo
Supongamos que se lanza un dado 50 veces y queremos la probabilidad de que el
número 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la
probabilidad sería P(X=20):

8. 5 Ejemplos:
Sea x~Bin(8,0.4) Determine:
X P
0 0.01679616 a) 0.20901888
1 0.08957952 b) 0.23224320
2 0.20901888 c) 0.08957952
3 0.27869184 d) 0.00786532
4 0.23224320 e) 3.2
5 0.12386304 f) 1.92
6 0.04128768
7 0.00786432
8 0.00065536
1
Si se toma una muestra de cinco elementos de una población grande en la cual
10% de los elementos esta defectuoso.
X P
0 0.59049a) 0.00001
1 0.32805 b) 0.07290
2 0.07290 c)0.59049
3 0.00810 d) 0.00045
4 0.00045
5 0.00001
1

9. Se lanza una moneda 10 veces.
X P
0 0.000976562 a) 0.117187500
1 0.009765625 b) 5
2 0.043945312 c) 2.5
30.117187500 d) 1.57
4 0.205078125
5 0.246093750
6 0.205078125
7 0.117187500
8 0.043945312
9 0.009765625
10 0.000976562
0.999999997
En un cargamento grande de llantas de automóvil, 5% tiene cierta imperfección.
Se elige aleatoriamente cuatro llantas para instalarlas en el automóvil
X P
0 0.773780937 a)0.000005937
10.162901250 b) 0.162901250
2 0.012860625 c) 0.773780937
3 0.000451250
4 0.000005937
0.999999997
En un patrón aleatorio de ocho bits utilizado para probar un microcircuito, cada bit
tiene la misma probabilidad de ser 0 o 1. Supongamos que los valores de los bits
son independientes.

10. Poisson
La distribución de Poisson es una distribución de probabilidaddiscreta que expresa, a
partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado
número de eventos durante cierto periodo de tiempo.
Ejemplos
Si el 2% de los libros encuadernados en cierto taller tiene encuadernación defectuosa, para
obtener la probabilidad de que 5 de 400 libros encuadernados en este taller tengan
encuadernaciones defectuosas usamos la distribución de Poisson. En este caso concreto, k
es 5 y , λ, el valor esperado de libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto,
la probabilidad buscada es
Este problema también podría resolverse recurriendo a una distribución binomial de
parámetros k = 5, n = 400 y =0,02.
5 Ejemplos:
Si X Poisson (3), calc7ule (X=2), P(X=10), P(X=0), P(X=-1) y P(X=0.5)
Cuando se usa la funision de masa de probailiodad (4.9), con =3, se obtiene:
P=(X=2)= 0.2240
P=(X=10)=0.0008
P=(X=0)= 0.0498
P=(X=1)= O
P(X=O.5)=O

11. Si X Poisson (4), calcuyle P(X< 2) y P(X>1).
P(X< 2)= 0.2381
P(X>1)= 0.9084
Sea X Poisson(4). Determine:
P(X=1)0.0733
P(X=0)0.0183
P(X<2)000916
P(X>1)0.9084
Suponga que 0.03% de los contenedores plasticos producidos en cierto procesos
tiene pequeños agujeros que lso dejan inservibles. X representa el numero de
contenedores en una muestra aleatoria de 10000 que tienen este defecto.
Determine:
P(X=3)0.2240
P(X<3)0.4232
P(1<X<4)0.5974
Una ariable aletoria X tiene una distribucion binomial y una variable aleatoria Y
tiene una distribucion de Poisson.
Tanto X como Y tiene medias iguales a 3. ¿es posible determinar que variable
aleatoria tiene la varianza mas grande? Elija una de las siguientes respuestas:
a) Si, X tiene la varaianza mas grande.
b) Si, Y tiene ka varianza mas grande
c) No, se necesita cono cer el numerop de ensayos, n, para X
d) No, se necesita conocer la probailidad de éxito, p, para X
e) No, se necesita conocel el valor de X para Y

12. Log normal
la distribución log-normal es una distribución de probabilidad de cualquier variable
aleatoria con su logaritmonormalmente distribuido (la base de una función
logarítmica no es importante, ya que logaX está distribuida normalmente si y sólo
si logbX está distribuida normalmente). Si X es una variable aleatoria con una
distribución normal, entonces exp(X) tiene una distribución log-normal.
Log-normal también se escribe log normal o lognormal.
Una variable puede ser modelada como log-normal si puede ser considerada
como un producto multiplicativo de muchos pequeños factores independientes. Un
ejemplo típico es un retorno a largo plazo de una inversión: puede considerarse
como un producto de muchos retornos diarios.
La distribución log-normal tiende a la función densidad de probabilidad
para , donde y son la media y la desviación estándar del logaritmo de
variable. El valor esperado es
y la varianza es
Ejemplo
En un trayecto urbano hay dos semáforos consecutivos de modo que 2.5 minutos
después de que el primero se ponga verde se pone rojo el segundo. Ambos se
cierran cada 2 minutos, permaneciendo cerrados 30 segundos.
Un conductor se ha detenido en el primero y el tiempo en recorren la distancia
entre ambos semáforos es una U(1,4). ¿Cuál es la probabilidad de que se pare en
el segundo?

13. Del enunciado se deduce que deberá parar si emplea entre 2.5 y 3 minutos en ir
del primero al segundo, es decir,
p[2.5 < X < 3]= F(3) - F(2.5) = (3-1) / 3 - (2.5-1) / 3 = 0.166.
5 ejemplos:

14. T de student
La distribución t (de Student) es una distribución de probabilidad que surge del problema
de estimar la media de una poblaciónnormalmente distribuida cuando el tamaño de la
muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la determinación de las
diferencias entre dos medias muestrales y para la construcción del intervalo de confianza
para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviación
típica de una población y ésta debe ser estimada a partir de los datos de una muestra.

15. 5 Ejemplos:
Cual es la probabilidad de que una variable t de Student de 6 grados de libertad
deja a la izquierda de -1,45:
los valores negativos no vienen en la tabla, pero según lo anterior:
en la tabla encontramos:
por tanto:
con lo que obtenemos:
Cual es la probabilidad acumulada a la derecha de 2,45, en una variable t de
Student de 15 grados de libertad.
según lo anterior:
por la tabla tenemos que:
que sustituyéndolo en la expresión, resulta:

16. que da como resultado:
Cual es la probabilidad:
según lo anterior:
buscando el valor en la tabla, tenemos que:
Cual es la probabilidad acumulada de una variable t de Student de 25 grados de
libertad, se encuentre entre: 0,75 y 1,25.
según lo anterior, tenemos:
en la tabla las probabilidades, tenemos los valores:
sustituyendo tenemos:
realizando la operación:
Calcular la probabilidad acumulada a la izquierda de 0,87 de una variable t
Student de 10 grados de libertad:

17. el valor 0,87 no viene en la tabla, pero los valores 0,85 y 0,90 sí:
según la expresión:
sustituyendo los valores numéricos, tenemos:
operando:
esto es:
dando como resultado:
que es la solución al problema planteado: