SEP IV

FUNCION DE DISTRIBUCION BINOMIAL (BERNOULLI) Y FUNCION DE DISTRIBUCION DE POISSON.

Andrs Ortiz Parra, Estudiante Ingeniera Elctrica, UPS dortizp@est.ups.edu.ec,

and3_davids@hotmail.com
RESUMEN1 En el presente trabajo se va a tratar acerca de la distribucin binomial o tambin conocida como distribucin de Bernoulli y de la funcin de distribucin de Poisson, se trataran temas como sus formulas para ser calculadas y ejemplos de aplicacin de este tipo de funciones de distribucin. PALABRAS CLAVES Funcin de Distribucin, formulas, ejemplos de aplicacin.

En el deporte un equipo puede ganar o perder. En pruebas de cierto o falso slo hay dos alternativas. Tambin se utiliza cuando el resultado se puede reducir a dos opciones. Por ejemplo: Un tratamiento mdico puede ser efectivo o inefectivo. La meta de produccin o ventas del mes se pueden o no lograr. En pruebas de seleccin mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar como correcta o incorrecta. Todos los ejemplos citados anteriormente se consideran experimentos realizados por Bernoulli. TEORA DE BERNOULLI En cada prueba del experimento slo hay dos posibles resultados: xitos o fracasos. 2. El resultado obtenido en cada prueba es independiente de los resultados obtenidos en pruebas anteriores. 3. La probabilidad de un suceso es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad del complemento es 1- p y la representamos por q. Si se repite el experimento n veces se puede obtener resultados para la construccin de la distribucin binomial. La distribucin de probabilidad binomial es un ejemplo de distribucin de probabilidad discreta. Esta formada por una serie de experimentos de Bernoulli. Los resultados de cada experimento son mutuamente excluyentes. Para construirla se necesita: 1 - la cantidad de pruebas n 2 - la probabilidad de xitos p 3 - utilizar la funcin matemtica. A continuacin se observa la funcin de probabilidad de la distribucin Binomial, tambin denominada Funcin de la distribucin de Bernoulli: 1.

I. I.I

FUNCION DE DISTRIBUCION BINOMIAL INTRODUCCIN

En la ingeniera elctrica como en otras carreras existen muchas situaciones donde se espera que ocurra o no un evento especfico. ste puede ser de xito o fracaso sin dar paso a un punto medio. Por ejemplo, en la produccin de un artculo o producto, ste puede salir bueno o malo. Casi bueno no es un resultado de inters. Para situaciones como stas se utiliza la distribucin binomial. En este trabajo se describe el uso de la distribucin binomial para obtener la probabilidad de ocurrencia de un evento que representa un resultado esperado. I.II DESARROLLO. El clculo de probabilidades tuvo un notable desarrollo con el trabajo del matemtico suizo Jacob Bernoulli (1654-1705). Bernoulli defini el proceso conocido por su nombre el cual establece las bases para el desarrollo y utilizacin de la distribucin binomial. La distribucin binomial se utiliza en situaciones cuya solucin tiene dos posibles resultados. Por ejemplo: Al nacer un/a beb puede ser varn o hembra.

SEP IV, TAREA # 1, 05/10/2012

SEP IV

2 I.IV CARACTERISTICAS DE LA DISTRIBUCION BINOMIAL.

k - es el nmero de aciertos. n - es el nmero de experimentos. p - es la probabilidad de xito, como por ejemplo, que salga "cara" al lanzar la moneda. 1-p - tambin se le denomina como q I.III 1. EJEMPLOS DE APLICACIN. Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

El nmero de aciertos k es 6. Esto es x=6 El nmero de experimentos n son 10 La probabilidad de xito p, es decir, que salga "cara" al lanzar la moneda es 50% 0.50 La frmula queda:

II. FUNCION DE DISTRIBUCION DE POISSON. II.I INTRODUCCIN En este trabajo se describe el uso de la distribucin de Poisson para obtener la probabilidad de ocurrencia de sucesos raros cuyo resultado lo representa una variable discreta. La distribucin de Poisson se llama as en honor a su creador, el francs Simen Dennis Poisson (1781-1840), Esta distribucin de probabilidades fue uno de los mltiples trabajos matemticos que Dennis complet en su productiva trayectoria. II.II DESARROLLO. La distribucin de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el total de posibles resultados. Permite determinar la probabilidad de ocurrencia de un suceso con resultado discreto. Es muy til cuando la muestra o segmento n es grande y la probabilidad de xitos p es pequea. Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado como por ejemplo distancia, rea, volumen o tiempo definido.

P (k = 6) = 0.205 Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20.5%. Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces? El nmero de aciertos k es 4. Esto es x=4 El nmero de experimentos n son 8 La probabilidad de xito p (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0.1666) La frmula queda: 2.

P (k = 4) = 0.026 Es decir, que la probabilidad de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces es de 2.6%.

EJEMPLOS DE UTILIDAD: La llegada de un cliente al negocio durante una hora. Las llamadas telefnicas que se reciben en un da. Los defectos en manufactura de papel por cada metro producido. Los envases llenados fuera de los lmites por cada 100 galones de producto terminado.

La distribucin de Poisson se emplea para describir procesos con un elemento en comn, pueden ser descritos por una variable aleatoria discreta.

SEP IV, TAREA # 1, 05/10/2012

SEP IV PROPIEDADES DE UN PROCESO DE POISSON. 1. 2. 3. La probabilidad de observar exactamente un xito en el segmento o tamao de muestra n es constante. El evento debe considerarse un suceso raro. El evento debe ser aleatorio e independiente de otros eventos 2. Ejemplo1 de la funcin F (x=k) La probabilidad de que un producto salga defectuoso es de 0.012. Cul es la probabilidad de que entre 800 productos ya fabricados haya 5 defectuosos? En este ejemplo vemos nuevamente la probabilidad p menor que 0.1, y el producto n * p menor que 10, por lo que aplicamos el modelo de distribucin de Poisson:

Si repetimos el experimento n veces podemos obtener resultados para la construccin de la distribucin de Poisson. La distribucin de probabilidad de Poisson es un ejemplo de distribucin de probabilidad discreta. La distribucin de Poisson parte de la distribucin binomial. Cuando en una distribucin binomial se realiza el experimento muchas veces, la muestra n es grande y la probabilidad de xito p en cada ensayo es baja, es aqu donde aplica el modelo de distribucin de Poisson. Se tiene que cumplir que: p < 0.10 p * n < 10 A continuacin se observa la funcin de probabilidad de la distribucin de Poisson.

El resultado es P (x = 5) = 0.04602 Por lo tanto, la probabilidad de que haya 5 productos defectuosos entre 800 recin producidos es de 4.6%. II.IV CARACTERISTICAS DE LA DISTRIBUCION BINOMIAL.

Donde: P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor finito k. = Lambda es la ocurrencia promedio por unidad (tiempo, volumen, rea, etc.). Es igual a p por el segmento dado. La constante e tiene un valor aproximado de 2.711828 K es el nmero de xitos por unidad II.III EJEMPLOS DE APLICACIN. CONCLUSIONES La distribucin de Poisson se forma de una serie de experimentos de Bernoulli. La media o valor esperado en la distribucin de Poisson es igual a . La varianza (2) en la distribucin de Poisson tambin es igual a . La desviacin estndar es la raz de . La distribucin binomial se forma de una serie de experimentos de Bernoulli. La media () en la distribucin binomial se obtiene con el producto de n x p La desviacin estndar () en la distribucin binomial se obtiene del producto de n x p x q. El valor de q es el complemento de p y se obtiene con 1 p.

1. Ejemplo1 de la funcin F (x=k) La probabilidad de que haya un accidente en una compaa de manufactura es de 0.02 por cada da de trabajo. Si se trabajan 300 das al ao, cul es la probabilidad de tener 3 accidentes? Como la probabilidad p es menor que 0.1, y el producto n * p es menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de distribucin de Poisson:

Al realizar el cmputo tenemos que P(x = 3) = 0.0892 Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 das de trabajo es de 8.9%.

SEP IV, TAREA # 1, 05/10/2012

SEP IV REFERENCIAS
[1] Anderson, S. (2006). Estadsticas para administracin y economa. (8tva ed.). Mxico:Thomson. [2]Newbold P. (2003). Statistics for Business And Economics. (2003). (5ta. Ed.). New Jersey: Prentice Hall. [3]Bluman, A. G. (2007). Statistics. (6ta ed.). New York: Mc Graw Hill. [4] http://cyber.gwc.cccd.edu/faculty/jmiller/Binom_Tab.pdf [5]http://stattrek.com/Tables/poisson.aspx#calculator [6]http://www.udc.es/dep/mate/estadistica2/documentos-pdf/dmtablas.pdf [7]http://karnak.upc.es/teaching/estad/MC/taules/com-usar-taules.pdf [8]http://www.capdm.com/demos/software/html/capdm/qm/poissondist/u sage.html [9]http://www.uv.es/zuniga/09_La_distribucion_de_Poisson.pdf [10]http://www.matematicas.net/paraiso/download.php?id=formula/fr_p oisson.zip

SEP IV, TAREA # 1, 05/10/2012