UNIVERSIDAD NACIONAL JORGE BASADRE GROHMANN TACNA

FACULTAD DE INGENIERIA
ESCUELA ACADEMICO PROFESIONAL DE INGENIERIA DE MINAS

ANALISIS ESTADISTICO DE DATOS MINEROS

PROBABILIDADES

DOCENTE DEL CURSO

MAGISTER SALOMON

ORTIZ Q.
ALUMNO

ELVIS IVAN QUISPE

TICONA
CODIGO

AO

FECHA DE PRESENTACION

TACNA PER
1

2013 - 38941
3 ER AO
JULIO 2015

2015
INTRODUCCION
En la vida cotidiana aparecen muchas situaciones en las que los resultados observados
son diferentes aunque las condiciones iniciales en las que se produce la experiencia sean
las mismas. Por ejemplo, al lanzar una moneda unas veces resultar cara y otro sello.
Estos fenmenos, denominados aleatorios, se ven afectados por la incertidumbre.
En el lenguaje habitual, frases como "probablemente...", "es poco probable que...", "hay
muchas posibilidades de que..." hacen referencia a esta incertidumbre.
La teora de la probabilidad pretende ser una herramienta para modelizar y tratar con
situaciones de este tipo; Por otra parte, cuando aplicamos las tcnicas estadsticas a la
recogida, anlisis e interpretacin de los datos, la teora de la probabilidad proporciona
una base para evaluar la fiabilidad de las conclusiones alcanzadas y las inferencias
realizadas. Debido al importante papel desempeado por la probabilidad dentro de la
estadstica, es necesario familiarizarse con sus elementos bsicos, lo que constituye el
objetivo del presente tema.
Comenzamos con una motivacin sobre la incertidumbre y los distintos grados de
incertidumbre, relacionndolos de manera intuitiva con los enfoques ms tradicionales
para asignar probabilidades. Posteriormente, se introduce el sentido de la probabilidad en
trminos de experimentos aleatorios, espacio muestral, sucesos, etc. , llegando a la
formalizacin axiomtica de la probabilidad y sus principales propiedades, junto con las
expresiones de la probabilidad condicionada y los teoremas de la probabilidad compuesta
o del producto, de la probabilidad total y de Bayes.

La probabilidad es la base sobre la que se construyen los mtodos importantes de la

estadstica inferencial. Como un sencillo ejemplo, suponga que usted hubiera ganado el
premio mayor de la lotera nacional cinco veces seguidas. Habra acusaciones de que
usted hizo trampa de alguna forma. Las personas saben que aun cuando existe la
posibilidad de que alguien gane cinco veces consecutivas, por pura suerte, la posibilidad
es tan increblemente baja, que rechazaran la suerte
Como una explicacin razonable. sta es precisamente la forma de pensar de los
estadsticos: las personas rechazan las explicaciones basadas en probabilidades muy
bajas. Los estadsticos usan la regla del suceso infrecuente.

MARCO TEORICO
1. ORIGEN E HISTORIA DE PROBABILIDADES
El origen de las probabilidades se inicia en el ao de 1654 cuando el matemtico francs
Blaise Pascal hacia un viaje con el apasionado jugador de dados y cartas, conocido como
El Caballero de Mere, quien era noble e ilustrado. Este crea que haba encontrado una
falsedad en los nmeros al analizar el comportamiento de los dados, era diferente cuando
se utilizaba un dado, que cuando se utilizaban dos dados.
Esta presuncin era una comparacin errnea, entre las probabilidades de sacar un seis
en un solo dado o de sacar un seis con dos dados
Los juegos de azar tienen una antigedad de ms de 40000 aos; as por ejemplo, los
dados se utilizaron tanto en el juego como en ceremonias religiosas.

El factor principal impulsor es el conjunto de problemas de astronoma y fsica que surgen

ligados a la contrastacin emprica de la teora de Newton. Estas investigaciones van a
ser de importancia fundamental en el desarrollo de la Estadstica.

Jakob Bernoulli (1654-1705) Ars Conjectandi (publicado en 1713 aunque escrito sobre
1690) y Auguste De Moivre (1667-1754) contribuyeron de forma importante a este
desarrollo. Jacob Bernoulli proporciona la primera solucin al problema de estimar una
cantidad desconocida a partir de un conjunto de mediciones de su valor que, por el error
experimental, presentan variabilidad.
La necesidad de sortear la incertidumbre nos lleva a estudiar y aplicar la teora de la
probabilidad. Para tener xito en la toma de decisiones, se necesita la capacidad de
tratar sistemticamente con la incertidumbre misma mediante cuidadosas evaluaciones y
aplicaciones de mtodos estadsticos concernientes a las actividades de los negocios.
Las aplicaciones de mtodos estadsticos en las diferentes reas son numerosas.

2. IMPORTANCIA DE LAS PROBABILIDADES

Nuestro cerebro utiliza probabilidades en la mayora de sus razonamientos: ejemplo,
identificar una palabra/ una frase dicha por otra persona. Sin embargo, an as nuestro
cerebro es capaz de identificarla por semejanza (probabilidades) con otras entonaciones
y pronunciaciones que hemos escuchado antes.
3

Esto no es mas que un calculo de la probabilidad de que esta palabra recientemente sea
la misma que hayamos escuchado antes. De la misma forma, para situaciones en las que
no tenemos seguridad en un 100%, al buscar algo parecido o lo mas probable
CONCEPTOS BASICOS:
Con ellos vamos a dar una serie de conceptos para poder desarrollar este tema y los
sucesivos.

FENOMENO DETERMINISTICO: Cuando al repetirlo bajo idnticas condiciones

iniciales se obtienen siempre los mismos resultados.

FENOMENO ALEATORIO: Cuando al repetirlo bajo idnticas condiciones iniciales

no se obtienen siempre los mismos resultados. Ejemplo: cuando lanzamos una
moneda al aire observando la sucesin de caras y cruces que presentan.

EXPERIMENTO ALEATORIO: Operacin que repetimos bajo idnticas condiciones

iniciales y no se obtienen siempre los mismos resultados. Ejemplo: lanzamiento de
un dado observando la sucesin de nmeros que se presentan {1, 2, 3, 4, 5,6}

ESPACIO MUESTRAL: Conjunto de todos los sucesos elementales del

experimento aleatorio y lo designaremos como (E). Ejemplo del dado: {1,2,3,4,5,6}.

SUCESO: Conjunto formado por uno o ms sucesos elementales, es decir, un

subconjunto de resultados elementales del experimento aleatorio. Ejemplo del
dado: nos interesa saber si el resultado a sido un nmero impar A={1, 3,5}.

SUCESO SEGURO: Coincide con el suceso elemental, ya que al realizar el

experimento aleatorio se obtendr con seguridad uno de los posibles resultados o
sucesos elementales, y por tanto ocurrir (E).

DOS SUCESOS: se dice que son iguales, cuando todo suceso elemental de uno
est en el otro, y viceversa.

SUCESO IMPOSIBLE: Es el que no tiene ningn elemento del espacio muestral

(E), y por tanto no ocurrir nunca, y se representa como . Ejemplo: En el
lanzamiento del dado no puede darse el 7.

SUCESO COMPLEMENTARIO A UN SUCESO: Es el suceso que se verifica si,

como resultado del experimento aleatorio, no se verifica A. Se acostumbra a
denotar con el smbolo .

3. DEFINICION DE PROBABILIDADES:
Para definir la probabilidad vamos a dar varias definiciones o conceptos de probabilidad.
Con estas definiciones se pretende expresar de manera objetiva y precisa el grado de
ocurrencia de ciertos resultados de un fenmeno aleatorio.
3.1.

DEFINICION DE LAPLACE:

La probabilidad de cualquier suceso A es igual al cociente entre el nmero de resultados

favorables o resultados que integran el suceso A y el nmero total de elementos o
posibles resultados del espacio muestral E.

3.2.

DEFENICION A PARTIR DE FRECUENCIAS RELATIVAS:

Concepto Frecuentista Dado un suceso A que se repite un nmero de veces, si

observamos la frecuencia con que se repite ese suceso, obtendremos las probabilidades
asociadas asignando la frecuencia relativa a cada suceso. Se llama frecuencia absoluta
de un suceso A al nmero de veces que se verifica A al realizar el experimento un nmero
determinado de veces. Se llama frecuencia relativa de un suceso A al cociente entre su
frecuencia absoluta y el nmero de veces que se realiza el experimento, que viene dada
por:

..........las frecuencias

absolutas o relativas mediante

rectngulos. El polgono de frecuencias asociado a un histograma se dibuja uniendo los

puntos medios de las bases superiores de los rectngulos
5

4. COMBINATORIA
El anlisis combinatorio se ocupa de la ordenacin de los objetos dentro de un conjunto.
En este sentido nos facilitar mtodos que sern tiles para determinar el nmero de
resultados posibles de un experimento. Veamos a continuacin de una forma breve las
formulas combinatorias:
4.1.

VARIACIONES SIN REPITICION:

Se llaman Variaciones sin repeticin de n elementos tomados en grupos de m, a cada uno

de los subconjuntos de m elementos que se pueden formar con los n elementos, teniendo
en cuenta el orden. (Importa el orden y no se pueden repetir).

Ejemplo: Sea un conjunto formado por las letras a, b, c. Cuntos grupos de 2

letras se puede obtener, sin repetir los elementos, teniendo en cuenta el orden?

4.2.

VARIACIONES CON REPETICION:

Se llaman Variaciones con repeticin de n elementos tomados en grupos de m, a cada

uno de los subconjuntos de m elementos que se pueden formar con los n elementos,
teniendo en cuenta el orden. Es la misma definicin anterior pero pudiendo repetir los
elementos que intervienen en el grupo.

4.3.

PERMUTACIONES SIN REPETICION:

Se llaman Permutaciones de n elementos a las variaciones sin repeticin pero el nmero

de elementos coincide con el nmero de grupo. (importa el orden y no se pueden repetir).
7

4.4.

COMBINACIONES SIN REPETICION:

Se llaman Combinaciones sin repeticin de n elementos tomados en grupos de m, a cada

uno de los subconjuntos de m elementos que se pueden formar con los n elementos, sin
tener en cuenta el orden. (No importa el orden ni se pueden repetir).

4.5.

COMBINACIONES CON REPETICION:

Se llaman Combinaciones con repeticin de n elementos tomados en grupos de m, a cada

uno de los subconjuntos de m elementos que se pueden formar con los n elementos, sin
tener en cuenta el orden. (No importa el orden pero se pueden repetir).

5. MODELOS DE PROBABILIDAD Y MUESTREO ALEATORIO

5.1.

VARIABLES ALEATRORIAS DISCRETAS:

Una variable aleatoria discreta es una modelizacin de una caracterstica X de tipo

discreto.
Recordemos que una caracterstica X es de tipo discreto cuando puede tomar una serie
de valores claramente separados x1, ..., s. En una muestra concreta de tamao n, cada
uno de estos valores aparece n1, ..., nk veces (frecuencias absolutas). La frecuencia
relativa de cada valor es fi = ni/n.
DEFINICION: Una variable aleatoria, X, decimos que es de tipo discreto cuando
puede tomar los valores x1, ..., xk con probabilidades P(x1), ..., P(xk). Estas
probabilidades reciben el nombre de funcin de masa o funcin de probabilidad.
5.1.1. DATOS MUESTRALES:
Lanzamos el dado n veces, y anotamos los resultados: obtenemos n 1 veces el nmero
1,...,n6 veces el nmero 6. La frecuencia relativa con la que hemos obtenido el valor i es fi
= ni/n. Si lanzamos el dado muchas veces, seguramente las frecuencias relativas sern
todas ellas bastante parecidas a 1/6, si el dado esta equilibrado.
5.1.2. MODELO TEORICO
Consideramos la variable X=Resultado obtenido como una variable aleatoria discreta
que puede tomar los valores 1,...,6, cada uno de ellos con probabilidad 1/6.

Cuando trabajbamos con variables discretas en Estadstica Descriptiva, podamos

calcular la media muestal y la varianza muestral. Si obtenamos los valores x 1, ..., xk,
n1, ..., nk veces, respectivamente, tenamos:
9

5.1.3. MEDIA Y VARIANZA:

Las definiciones de media y varianza para una variable aleatoria discreta siguen la misma
filosofa, sustituyendo frecuencias relativas por probabilidades.
DEFINICION: Consideramos una variable aleatoria discreta X que puede tomar
los valores x1, ..., xk con probabilidades P(x1), ..., P(xk).
LA MEDIA O ESPERANZA DE X SE DEFINE COMO:

LA VARIANZA DE X SE DEFINE COMO:

5.2.

VARIABLES ALEATORIAS CONTINUAS:

Una variable aleatoria continua es una modelizacin de una caracterstica X de tipo

continuo. Recordemos que una caracterstica X es de tipo continuo cuando puede tomar
cualquier valor en un intervalo de la recta real. En una muestra concreta de tamao n, los
valores obtenidos se pueden representar grficamente, en un diagrama de tallos y hojas o
en un histograma, obteniendo as el perfil de los datos.

Los parmetros de la distribucin son la media y la desviacin tpica, y ,

respectivamente. Como consecuencia, en una variable normal, media y desviacin tpica
10

no deben estar correlacionadas en ningn caso (como desgraciadamente ocurre en la

inmensa mayora de las variables aleatorias reales que se asemejan a la normal.

La curva normal cumple las siguientes propiedades:

1)

El mximo de la curva coincide con la media.

2)

Es perfectamente simtrica respecto a la media (g1 = 0).

3)

4)

La curva tiene dos puntos de inflexin situados a una desviacin tpica de la

media. Es convexa entre ambos puntos de inflexin y cncava en ambas colas.

Sus colas son asintticas al eje X.

11

5.2.1. MEDIA Y VARIANZA:

La media y la varianza de una variable aleatoria continua se definen como en el caso
discreto, sustituyendo las probabilidades por la funcin de densidad:

DEFINICIONES: Consideramos una variable aleatoria continua X con funcin de

densidad f(x).

LA MEDIA O ESPERANZA DE X SE DEFINE COMO:

LA VARIANZA DE X SE DEFINE COMO:

La siguiente tabla resume y compara los conceptos que utilizamos, tanto cuando
disponemos de datos muestrales, como cuando recurrimos al modelo terico (en los dos
casos, discreto y continuo):
12

5.3.

MEDIANA
DEFINICIONES: Consideramos una variable aleatoria continua X con funcin
de densidad f(x).

LA MEDIANA DE X SE DEFINE COMO EL VALOR M QUE VERIFICA:

5.4.

MODELOS DE PROBABILIDAD MS IMPORTANTES:

En esta seccin, presentaremos los modelos de probabilidad ms interesantes desde el

punto de vista de las aplicaciones.
5.4.1. MODELO DE BERNULLI
Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados son
agrupados en dos conjuntos excluyentes que llamaremos xito (E) y fracaso (F), con P(E)
= p y P(F) = 1 p.
Esta divisin en xito y fracaso puede ser algo que viene dado de manera Natural o una
divisin artificial que a nosotros nos interesa realizar. Vemos a continuacin algunos
ejemplos sencillos:
En el lanzamiento de una moneda podemos tomar E = {Cara} y F = {Cruz}.

13

En el lanzamiento de un dado podemos tomar, por ejemplo, E = {1, 2} y F = {3, 4, 5, 6}.

Al elegir una persona al azar en una poblacin podemos considerar, por ejemplo, E =
{Altura _ 180 cm} y F = {Altura < 180 cm}.
Al estudiar la duracin de unas determinadas piezas podemos considerar, por ejemplo, E
= {Duracin _ 1000 horas} y F = {Duracin <1000 horas}.

DEFINICION: Realizamos una prueba de Bernoulli con P(E) = p. El modelo de

Bernoulli de parmetro p, que representaremos abreviadamente por Bern (p), es el
modelo de probabilidad de la variable aleatoria que obtenemos al codificar el xito
con uno y el fracaso con cero:

Sus probabilidades son:

De manera ms compacta y ms til para algunos clculos, podemos escribir:

5.4.2. MODELO BINOMIAL:

DEFINICIN: Realizamos n pruebas de Bernoulli independientes, con P(E) = p en

cada prueba. El modelo binomial con parmetros n y p, que representaremos
abreviadamente por B(n; p), es el modelo de probabilidad de la variable aleatoria.
X = Nmero de xitos obtenidos en las n pruebas. Los valores posibles para
esta variable son x = 0, 1, . . . , n, y su funcin de probabilidad es:

14

El hecho de que una variable aleatoria X tenga distribucin B(n; p) lo representaremos.

Abreviadamente por X _ B(n; p). El mismo tipo de notacin se utilizara para otros modelos
de probabilidad.
La esperanza y la varianza de una variable aleatoria con distribucin binomial se obtienen
fcilmente utilizando las propiedades de las esperanzas y las varianzas. Para esto,

definimos:
De esta forma, tenemos que X1, . . . ,Xn son variables aleatorias independientes con
distribucin de Bernoulli y, adems, X = X1 + . . . + Xn. Por lo tanto:

Calcular probabilidades correspondientes a la distribucin binomial no es nada

complicado mediante una calculadora. Puede utilizarse tambin la Tabla correspondiente
a esta distribucin.
El modelo de Poisson es otro de los modelos ms utilizados en Probabilidad y Estadstica.
La forma ms sencilla e intuitiva de presentarlo es como Lmite de la distribucin binomial
B(n; p), cuando n y p 0. Veamos, para esto, cual es el lmite de las probabilidades
binomiales, cuando n 1, p 0 y n p (0 < < 1):

Este resultado es el que motiva la siguiente definicin para el modelo de probabilidad de

Poisson:

5.4.3. MODELO DE POISSON:

15

 DEFINICION: El
representaremos.

modelo

de

Poisson

de

parmetro

>

0),

que

Abreviadamente por Poisson (), es un modelo de probabilidad que surge como

lmite del modelo binomial (en las condiciones que se acaban de indicar). Los
valores posibles para esta variable son x = 0, 1, y su funcin de probabilidad

La funcin de distribucin de la variable normal tipificada est tabulada y,

simplemente, consultando en las tablas se pueden calcular probabilidades en cualquier
intervalo que nos interese.
De forma anloga a lo pasaba con las variables Poisson, la suma de variables
normales independientes es otra normal.

Histograma de una normal idealizada

Histograma de una muestra de una

variable norma

16

PRACTICA DE LABORATORIO
1. PRIMERA PRACTICA DE LABORATORIO PROBABILIDADES:
x

f(x)

F (X)

m'1

m'2

m'3

m'4

0.06

0.06

0.25

0.31

0.25

0.25

0.25

0.25

0.38

0.69

0.75

1.5

0.25

0.94

0.75

2.25

6.75

20.25

0.06

1.00

0.25

16

sumatoria

1.00

3.00

14

42.5

TABLA DE VALORES:
media=u=m'1

clculos de la varianza
var=u2

m'2-(m'1)^2

momento de tercer orden

u3=u'3-3uu'2+2u^3

momento de cuarto orden

u4=u'4-4uu'3+6u^2u'2-3u^4

2.5

coeficiente de asimetra
u3/(u2)^3/2=

coef. Curtosis
u4/u2=

2.5
17

 GRAFICAS DE LAS TABLAS DE PROBABILIDADES:

HISTOGRAMA DE LA COLUMNA DE PROBABILIDAD

0.38

0.25

0.25

0.06

0.06

18

HISTOGRAMA DE PROBABILIDAD

19

distribucion acumulada

20

DISTRIBUCION ACUMULADA

2. SEGUNDA PRACTICA MODELO BINOMIAL (BERNULLI)

PROBLEMA:
21

15 DE 50 PROYECTOS DE VIVIENDA no tiene licencia de construccin

cul es la probabilidad de que un inspector del municipio , que seleccione
aleatoriamente a 4 de ellas
a) todas la casas tienen licencia de construccin
b)una no tiene licencia de construccin
c)dos no tienen licencia de construccin
d) al menos tres no tienen licencia de construccin
SOLUCION:
n=

p=

0.3

x=v.a. no tienen licencia

x
0
1
2
3
4
sumatori
a

f(x)
0.2401
0.4116
0.2646
0.0756
0.0081
1

F(x)
0.2401
0.6517
0.9163
0.9919
1

a) todas la casas tienen licencia de construccin

0.2401

b)una no tiene licencia de construccin

0.4116

c)dos no tienen licencia de construccin

0.2646

d) al menos tres no tienen licencia de

construccin

0.0837

MEDIA

np=

1.2

VARIANZA

np(1-p)

0.84
22

0.0837

trabajo con la formula

f(x)=nCx*p^x(1-p)^(n-x)
Casos de dos que no tienen licencia
f(x)=

0.2646

GRAFICOS:

distribucion de probabilidad acumulada binomial

distrubucion de probabilidad binomial

23

3. TERCERA PRACTICA MODELO DE DISTRIBUCION DE POISSON

PROBLEMA 1: las llamadas de emergencia a una estacin de polica ingresan a
razn de 10 por hora en un fin de semana cualquiera se puede aproximar
mediante la distribucin de poisson
a) calcular la probabilidad de 2 llamadas
b) como mnimo 3 llamadas
c) a lo ms 5 llamadas
SOLUCION
=
10
a) calcular la probabilidad de 2 llamadas
p(x=2)=
0.00227
F(x<=2)=
0.0027694
b) como mnimo 3 llamadas
P(X>= 3)= 1-P(X<=2)=
0.9972306
c) a lo ms 5 llamadas
P(x<= 5)=
0.06708596

0.23%

6.71%

PROBLEMA 2: a mantenimiento mina llega un promedio de 6 volquetes por da.

generar un modelo de simulacin de la probabilidades tericas de diferentes
24

llegadas
y contrastar con el modelo real
SOLUCION:
x
=

6
MAX=16
MIN=1

0
1
2
3
4
5
6

VALORES
7
8
9
10
11X
120
1
13
2
14
3
15
4
16
5
17
6
18
7
19
20

SUMATORI
A

PRACTICA
f(x)

0.0024787
5
0.0148725
1
0.0446175
4
0.0892350
8
0.1338526
2
0.1606231
4
0.1606231
4
0.1376769
8
0.1032577
3
0.0688384
9
0.0413030
terico
9
0.0225289
f
6
0
0.0112644
8
4
0.0051989
9
24
0.0022281
4
50
0.0008912
6
67
0.0003342
2
89
0.0001179
6
76
3.932E-05
66
1.2417E05
3.7251E25
06

1.2393760
9
7.4362565
3
22.308769
6
44.617539
2
66.926308
8
80.311570
5
80.311570
5
68.838489

0
5.6322400
1
0.007984
2.5994953
03
9
0.047904
1.1140694
19
5
0.099800
0.4456277
4
8
0.133732
0.1671104
53
2
0.177644
0.0589801
71
5
0.151696
0.0196600
61
5
0.131736
0.0062084
53
4
0.0018625
3

0.9999985
4

499.99927
2

51.628866
8
34.419244
5
20.651546
7
11.26448
f(x)

TOMADOS
ALEATORIAMENTE

43

39

10

20

11

14

12

13

14

15

SUMATORI
A

501

GRAFICOS:

26

0.085828
34
0.077844
31
0.039920
16
0.027944
11
0.005988
02
0.007984
03
0.001996
01
0.001996
01

TEORICO

PRACTICO

27

CONCLUSIONES

La probabilidad mide la frecuencia con la que se obtiene un resultado (o conjunto

de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos
los resultados posibles, bajo condiciones suficientemente estables.
La probabilidad constituye un importante parmetro en la determinacin de las
diversas casualidades obtenidas tras una serie de eventos esperados dentro de un
rango estadstico.
La probabilidad constituye un importante parmetro en la determinacin de las
diversas casualidades obtenidas tras una serie de eventos esperados dentro de un
rango estadstico.

28

BIBLIOGRAFA

ESTADSTICA/ NOVENA EDICIN, 2004/ MARIO F. TRIOLA

WALPOLE, RONALD; PROBABILIDAD Y ESTADSTICA PARA INGENIEROS;
PEARSON; 6 ED; MXICO 1999
LARSON, HAROLD J; INTRODUCCIN A LA TEORA DE PROBABILIDADES E
INFERENCIA ESTADSTICA; LIMUSA-NORIEGA; MXICO 1995.
FREUND, JOHN E. MILLER, IRWIN Y MILLER MARYLEES; PROBABILIDAD Y
ESTADSTICA PARA INGENIEROS; PRENTICE-HALL; 4A ED; MXICO 1992.

PGINA WEB

http://ciberconta.unizar.es/leccion/probabil/
polgono de frecuencias para datos agrupados. El INE (Instituto Nacional de
Estadstica)
https://www.google.com.pe/search?q=PROBABILIDAD
%09VARIACIONES+SIN+REPETICI%C3%
https://www.google.com.pe/search?q=PROBABILIDAD
%09VARIACIONES+SIN+REPETICIN:&rlz

ANEXO:

DISTRIBUCIONES DE PROBABILIDAD

I.- MODELO BINOMIAL.-

29

Es una de las distribuciones discretas de probabilidad. Su rea de aplicacin

incluye inspecciones de calidad, ventas, mercadotecnia, medicina, investigacin de
operaciones, etc.
A menudo estaremos interesados solamente en el nmero total de xitos E
obtenidos en un proceso de n ensayos de Bernoulli, al margen del orden en que se
presentan. El espacio muestral de los n ensayos, tiene 2^n elementos o sucesos los
cuales son, una sucesin de n smbolos E y F.

= { EEFFEF ... EFE, ... }

n letras

1.- LEY BINOMIAL O FUNCION DE PROBABILIDAD.-

Si n es un valor general, P la probabilidad de ocurrencia, entonces tenemos

la siguiente funcin de probabilidad.

P (x=k) = n (P^k) (1-P)^(n-k) para todo k=0, 1, 2,... n

K
Pk =
0 para todo otro valor

PARMETROS: n, P

Clculo de la distribucin de probabilidad de la variable aleatoria binomial x

:

30

a) La probabilidad que en los n ensayos no ocurre ningn xito es :

Es decir

(1-P)^(n).

P[X = 0] = P[{ F F ... F}] = ( 1 P )^n , por ser independientes

n veces F

b) La probabilidad que en los n ensayos ocurra un xito total es : P^n. Es decir

P[X = n] = P[{ E E ... E}] = P^n

n veces E

2.- LA FUNCION DE DISTRIBUCIN ACUMULADA.-

La funcin de distribucin acumulada est dada por :

n
F(x) = P (k)
i=1

3.- APLICACIONES.- METODOLOGIA, DATOS Y RESULTADOS

* Ejemplo 01 :

31

a) Funcin De Densidad De Probabilidad:

V.A. Discreta

P (x=k) = n (P^k) (1-P)^(n-k) para todo k=0, 1, 2,... 5

K
P(k,n,p)=
0 para todo otro valor

PARMETROS: n=5

P=0.2

b) Generacin De Datos:

Ponemos los valores en K que va desde 0 hasta 5, para hallar los

valores de P(x) lo hacemos mediante el comando [DISTR.BINOM.], ya que esto
se realiza en la hoja de clculo del EXCEL, que lo describo a continuacin:

Ejemplo:

32

Cuando lanza una moneda al aire, slo puede obtener dos resultados: cara
o cruz. La probabilidad de que la primera vez que la lance resulte en cara
es 0,5 y la probabilidad de que exactamente 6 de 10 intentos resulten en
cara es:
DISTR.BINOM(6;10;0,5;FALSO) igual a 0,205078125

Luego de hallar P(x), hallamos los valores de F(x), entonces se genera

el cuadro que presento a continuacin:

P (x)
0.3276
8
0.4096

0.2048

0.0512

0.0064

0.0003
2

c) Diseo De Grfico.-

33

F(X)
0.3276
8
0.7372
8
0.9420
8
0.9932
8
0.9996
8
1

GRAFICO DE PROBABILIDAD

GRAFICO ACUMULADO
0.94

0.99

0.74

0.33

34

* Ejemplo 02:

Ahora trabajemos con los parmetros siguientes: n=30

Entonces tenemos lo siguiente:

K
0
1
2
3
4

P(x)
0.0423911
6
0.141303
86
0.227656
22
0.236087
93
0.177065
95
35

F(X)
0.0423911
6
0.183695
02
0.4113512
4
0.647439
17
0.824505
12

P=0.1

5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

0.102304
77
0.047363
32
0.018043
17
0.005763
79
0.001565
47
0.000365
28
7.3793E05
1.2982E05
1.9973E06
2.6947E07
3.1937E08
3.3268E09
3.0441E10
2.4428E11
1.7143E12
1.0476E13
5.5429E15
2.5195E16
9.7372E18
3.1556E19
8.4148E21
1.798E-22
2.9597E24
3.5235E36

0.926809
89
0.974173
21
0.992216
38
0.997980
17
0.999545
64
0.999910
92
0.999984
72
0.999997
7
0.999999
69
0.999999
96
1
1
1
1
1
1
1
1
1
1
1
1
1
1

29
30

26
2.7E-28
1E-30

1
1

GRAFICO DE PROBABILIDAD

GRAFICO ACUMULADO

37

GRAFICO ACUMULADO

=5

=2

=5

= 0.5

=8

=2

* Anlisis De Los Grficos:

Una vez que se especifican y , la curva normal se determina completamente.
Por ejemplo, si = 5 y = 2, entonces las ordenadas n(x;5,2) pueden calcularse
fcilmente para varios valores de x y puede dibujarse la curva. En el grfico
anterior, se grafican dos curvas normales que tienen la misma desviacin estndar
pero diferentes medias. Las dos curvas son idnticas en forma pero se centran en
diferentes posiciones a lo largo del eje horizontal.
En el mismo grfico, se muestran dos curvas normales con la misma
media pero con diferentes desviaciones estndar. En este caso se ve que las dos
curvas estn centradas exactamente en la misma posicin sobre el eje horizontal,
pero la curva con la desviacin estndar ms grande es ms baja y est ms
extendida hacia los lados. Recurdese que el rea bajo una curva de probabilidad
debe ser igual a 1 y, por lo tanto, entre ms variado sea el conjunto de las
observaciones ms baja y ms extendida ser la curva correspondiente.
Las curvas que muestran los resultados de graficar dos curvas normales
que tienen diferentes medias y diferentes desviaciones estndar. Claramente se
observa que estn centradas en diferentes posiciones sobre el eje horizontal y
sus formas reflejan los dos diferentes valores de .
38

A partir de un anlisis de estas figuras y del examen de la primera y

segunda derivadas de n(x; , ), se encuentran las siguientes propiedades de la
curva normal:

1. La moda, que es el punto sobre el eje horizontal donde la curva tiene su

mcimo, ocurre en x = .
2. La curva es simtrica alrededor de su eje vertical donde se tiene la media .
3. La curva tiene sus puntos de inflexin en x = , es cncava hacia abajo si
su - < X < + , y es cncava hacia arriba en cualquier otro punto.
4. La curva normal se acerca al eje horizontal en forma asinttica en cualquiera
de las dos direcciones, alejndose de la media.

5. El rea total bajo la curva y arriba del eje horizontal es igual a 1.

39