DISTRIBUCION DE

PROBABILIDADDES
Una distribucin de probabilidad
proporciona toda la gama de valores que se
pueden presentar en un experimento.

Es similar a una distribucin de frecuencias

relativas, pero, en lugar de describir el
pasado, describe la probabilidad de que un
evento se presente en el futuro

Una distribucin de probabilidad muestra

los posibles resultados de un experimento
y la probabilidad de que cada uno se
presente.
Ejemplo
Suponga que le interesa el nmero de caras
que aparecen en tres lanzamientos de una
moneda. Los posibles resultados son: cero
caras, una cara, dos caras y tres caras.
Cul es la distribucin de probabilidad del
nmero de caras?

Hay 8 posibles resultados

= (2)(2)(2)
Resultado L1 L2 L3 Numero de
Posible caras
1 X X X 0 Numero de P(x)
2 X X C 1 caras (X)
3 X C X 1 0 1/8 = 0.125
4 X C C 2 1 3/8 = 0.375
5 C X X 1 2 3/8 = 0.375
6 C X C 2 3 1/8 = 0.125
7 C C X 2 Total 8/8 = 0.100
8 C C C 3
40.0%
35.0%
30.0%
25.0%
20.0%
15.0%
10.0%
5.0%
0.0%
Cero Una Dos Tres
Variables aleatorias

En cualquier experimento aleatorio, los

resultados se presentan al azar
Algunos experimentos dan origen a
resultados de ndole cuantitativa ($, # de
personas, peso, altura); otros generan
resultados cualitativos (color, genero,
religin)

VARIABLE ALEATORIA Cantidad que

resulta de un experimento que por azar,
puede adoptar diferentes valores.
VARIABLE ALEATORIA DISCRETA
Variable aleatoria que adopta slo valores
claramente separados, normalmente
asociado con contar algo, por ejemplo:
El nmero de caras que se presentan en
tres lanzamientos de una moneda.
El nmero de estudiantes que obtienen A
en clase.
El nmero de empleados de produccin
que se ausentaron hoy en el T2.
El nmero de comerciales de 30 seg. que
pasan en la NBC de las 8 - 11 de la noche.
VARIABLE ALEATORIA CONTINUA
Variable aleatoria adopta valores
claramente normalmente asociados con
medir algo, por ejemplo:
La duracin de cada cancin en el ltimo
lbum de su cantante favorito
El peso de cada estudiante de esta clase
La temperatura ambiente en el horario de
clase.
La suma de dinero que gana cada uno de
los 750 jugadores actuales en la lista de
los equipos de la Liga Mayor de Bisbol.
DISTRIBUCIN
BINOMIAL
Es una distribucin discreta que implica la
posibilidad de obtener x xitos en n
pruebas de un experimento binomial.

Caractersticas:
La distribucin binomial posee cuatro
propiedades esenciales.

a)El experimento consiste en una sucesin

de n intentos o ensayos idnticos.

b)En cada intento o ensayo son posibles dos

resultados, xito o fracaso.
c) La probabilidad de un xito,
representada por p, no cambia de un
intento o ensayo a otro. Por lo tanto, la
probabilidad de un fracaso,
representada por 1-p, no cambia de un
intento a otro.

d) Los intentos o ensayos son

independientes
Un buen ejemplo de un experimento
binomial es el de lanzar una moneda al
aire varias veces. Slo hay dos resultados
posibles en cada prueba tirada de la
moneda (cara escudo), la probabilidad de
obtener cara escudo sigue constante de
una tirada a otra (0.5 para cada una) y las
tiradas son independientes entre s.
Ejemplo:
Cul es la probabilidad de que se obtengan
dos caras al lanzar una moneda tres veces.
 a) El nmero designado de xitos (x).
b) El nmero de ensayos observaciones
(N).
c) La probabilidad de xitos en cada
ensayo (p). El fracaso = q = 1-P.
La frmula a usar es:

n x n x n!
p( X ) n C x p (q)
x
( ) p (q)
n x
p x q n x
x!(n x)!
x
 Continuando con el ejemplo:

3 2 3 2 3!
p( X )3 C 2 0.5 (0.5)
2
( )0.5 (0.5)
3 2
0.520.532
2!(3 2)!
2

El resultado es 0.375
Ejemplo:
US Airways tiene cinco vuelos diarios de
Pittsburgh al Aeropuerto Regional de
Bradford, Pennsylvania. Suponga que la
probabilidad de que cualquier vuelo llegue
tarde sea de 0.20.
Cul es la probabilidad de que ninguno
de los vuelos llegue tarde hoy?
Cul es la probabilidad de que
exactamente uno de los vuelos llegue
tarde hoy?
 Utilizando la formula:
a) P=0.20 ; n=5 ; x=0

50 50 5!
p ( X ) 5 C 0 0.2 (1 0.2)
0
( )0.2 (0.8)
5 0
0.20 0.85
0!(5 0)!
0

El resultado es 0.3277

b) P=0.20 ; n=5 ; x=1

5 1 5 1 5!
p ( X ) 5 C 10.2 (1 0.2)
1
( )0.2 (0.8)
5 1
0.210.84
1!(5 1)!
1

El resultado es 0.4096
Otro mtodo utilizado es el de la tabla
binomial. La tabla binomial se divide en
bloques uno por cada valor de n, el nmero
de pruebas (usaremos en este curso una
tabla de 15 bloques con sus respectivos
posibles valores de x). Los encabezados de
las columnas representan los valores de p
que van desde 0.1 hasta 0.95. Al leer las
probabilidades en la fila x y la columna p
apropiadas (del bloque n correspondiente)
se evita tener que resolver la frmula
binomial.
En nuestro ejemplo de la moneda buscamos
el bloque n = 3, interceptamos la fila de
x = 2 con la columna correspondiente a
p = 0.5 y obtenemos el mismo 0.375
que hemos obtenido por los otros dos
mtodos.
Propiedades
a) La media = = np. En nuestro
ejemplo = 3 * 0.5 = 1.5.
b) La varianza = = npq .
c) La desviacin estndar = = raz
cuadrados npq.
 Tabla

b
c
Grficos Ilustrativos de La Distribucin
Binomial
Ejemplo: Se tiene un saco con 5 bolas; una
blanca y cuatro rojas. Cuando se extrae
una bola es reemplazada por otra igual.
Cul es la probabilidad que en 3
extracciones sucesivas:
a) Se extraigan 3 bolas blancas
b) Dos bolas blancas
c) Una bola blanca
d) 0 bolas blancas
Los resultados de este ejemplo se obtienen
aplicando la distribucin binomial estudiado
(en este caso p = 0.20)
SERIE 1
x = 0, 1, 2, 3
P (x) = 0.512, 0.384, 0.096, 0.008

Se supone p (x) continua para trazar la grfica con fines ilustrativos.

Si suponemos que n = 8 en este ejemplo, las
extracciones tienen las siguientes
probabilidades:
SERIE 2
X P(X)
0 0.1678
1 0.3355
2 0.2936
3 0.1468
4 0.0459
5 0.0092
6 0.0011
7 0.0001
8 0
La grfica sera la siguiente:
SERIE 3
Comparando las anteriores dos grficas con
la de n = 20 tendramos:
Observaciones:
1. Las curvas son asimtricas a la derecha
si p < q
2. Para n que tiende al infinito la curva es
ms simtrica y tiende a ser como la
curva normal.
3. Si p es constante y n aumenta, la curva
tiende a ser como la curva normal.
INTRODUCCIN:
La probabilidad de Poisson es otra distribucin de
probabilidad discreta y tiene muchas aplicaciones
practicadas como por Ej.
Nmero de llamadas por hora que llegan al
conmutador de una estacin de polica.
Nmero de llegadas de carros al da en un puente de
peaje.
Numero de huelgas industriales importantes al ao en
un pas.
Nmero de reparaciones que necesitan 10 millas de
carretera.
Nmero de fugas en 100 millas de tubera.
Nmero de manchas en una yarda cuadrada de tela.
Nmero de defectos por lote en un proceso de
produccin.

Se usa para modelar situaciones en las que el

nmero de pruebas es muy grande y el nmero de
xitos es muy pequeo.
Un proceso de Poisson existe si podemos observar
eventos discretos en un rea de oportunidad, un
intervalo continuo (de tiempo, longitud, rea, etc.) de
tal manera que si acortamos el rea de oportunidad
intervalo de manera suficiente:

1) La probabilidad de observar exactamente un

xito en el intervalo es estable.
2)La probabilidad de que ocurra un exito es
proporcional al intervalo.
3)La ocurrencia de un xito en cualquier
intervalo es estadsticamente independiente
de aquella en cualquier otro intervalo.
Supongamos que examinamos el nmero de clientes que
llegan durante la hora del almuerzo de 12 a 1 PM en un
banco localizado en el distrito comercial central de una
ciudad grande.
Cualquier llegada de un cliente es un evento discreto en
un punto particular sobre el intervalo continuo de una
hora.
Durante tal intervalo de tiempo puede haber un
promedio de 180 llegadas. Ahora, si tuviramos que
dividir el intervalo de una hora en 3600 intervalo
consecutivos de un segundo.
1) El nmero (o promedio) esperado de clientes que
llegan en cualquier intervalo de segundos sera 0.05.

2) La probabilidad de que ms de un cliente llegue en

cualquier intervalo de un segundo es 0.

3) La llegada de un cliente en cualquier intervalo de un

segundo no tiene efecto sobre (es decir, es
estadsticamente independiente) la llegada de
cualquier otro cliente en cualquier otro intervalo de
un segundo.
 EL MODELO MATEMATICO
La expresin matemtica para la distribucin de Poisson
para obtener X xitos, dado que se esperan xitos es:
e x
P( X x )
x!
Donde:
P (X = x = )Probabilidad de X = dado que se conoce .
= Nmero esperado de xitos.
e = Constante matemtica aproximada por 2.71828.
x = Nmero de xitos por unidad.
Observe que solo se necesita una medida para calcular la
probabilidad de un valor dado de x: ( nmero esperado
de xitos)

CARACTERSTICAS
Forma: Cada vez que se especfica el parmetro puede
generarse una distribucin de probabilidad de Poisson
especfica. Una distribucin e Poisson estar sesgada a
la derecha cuando es pequea, y se aproxima a la
simetra (con un pico al centro) al crecer .
La media y la desviacin estandar: Una propiedad
interesante de la distribucin de Poisson es que la media
y la varianza son iguales al parmetro .
Ejemplo 1:
Regresando al ejemplo que estamos manejando, = 0.05
clientes llegan por segundo Cul es la probabilidad de
que en un minuto dado lleguen exactamente dos
clientes?
Para resolver debemos convertir los segundos en
minutos.
Llegadas por minuto = (0.05) 60 = 3
Usando la ecuacin tenemos:
3 2
e (3.0) 9
P(2) 3
0.2240
2! (2.71828) (2)
Ejemplo 2:
Supongamos que pocas veces se pierde equipaje en Delta
Airlines. En la mayora de los vuelos no se pierden
maletas; en algunos se pierde una; en unos cuantos se
pierden dos; pocas veces se pierden tres, etc.
Si en una muestra aleatoria de 1000 vuelos arroja un total
de 300 maletas perdidas.
De esta manera la media del numero de maletas
perdidas por vuelo es de 0.3, que se calcula al dividir
300/1000. Si el numero de maletas perdidas se rige por
una distrubucion de poisson con = 0.3, las diversas
probabilidades se pueden calcular por formula:
En otras palabras, en el 74% de los vuelos no habr
maletas perdidas.
La probabilidad que se pierda una maleta es de:

Por consiguiente, se espera que en el 22% de los vuelos se

pierda exactamente una maleta.

En que momento debe sospechar el supervisor de que en

un vuelo se estan perdiendo demasiadas maletas?
La distribucin de Poisson se ha resuelto para cientos de
valores se ha compilado en tablas. Los resultados por
esta va sera:

X P (x)
0 0.7408
1 0.2222
2 0.0333
3 0.0033
4 0.0003
5 0.0000
6 0.0000
7 0.0000

En consecuencia un supervisor no deberia sorprenderse

que se pierda una maleta, pero deberia esperar con
menos frecuencia mas de una maleta perdida.
Tabla
a

c
 Longitud o distancia
Ocurrencia de defectos grandes en un tramo de
carretera, un mes despus de su entrega.

La probabilidad de un defecto en el tramo es igual para

los otros dos cualesquiera, de igual longitud.

Que la ocurrencia o no ocurrencia de un defecto en

cualquier intervalo no depende de lo que pase en el otro
intervalo .

Bajo estas premisas, se puede utilizar la distribucin de

Poisson.
 Longitud o distancia
Se observa que los defectos grandes se presentan con una
frecuencia promedio de dos por milla. Vamos a
determinar la probabilidad de que no existan
defectos grandes en un tramo de tres millas.
No. De defectos grandes en 3 millas== (2 defectos/milla)(3 millas)= 6

Probabilidad de ningn defecto importante:

e 6 (6) 0
P(0) 0.0025
0!
La probabilidad de al menos 1 defecto grande en 3 millas
es de:
1-0.0025=0.9975