ESTADISTICA APLICADA

DISTRIBUCIONES DE PROBABILIDAD
Departamento de Ciencias
Lic. HECTOR SARAVIA MARQUEZ hector.saravia@upnorte.edu.pe

Objetivos
1. 2. Define el concepto distribucin de probabilidad Distingue entre una distribucin probabilstica discreta y una distribucin probabilstica continua Elabora una distribucin Binomial una distribucin de Poisson Determina qu distribucin de probabilidad emplea en una situacin dada

3. 4.

Es una descripcin numrica del resultado de un experimento. Esta descripcin genera una funcin que asocia a cada elemento del espacio muestral, un nmero real, en nuestro caso la probabilidad.

40%

Asigna a cada posible valor de una variable discreta su probabilidad. Ejemplo: Nmero de caras
al lanzar 3 monedas.

35% 30% 25% 20% 15% 10% 5% 0% 0 1 2 3

Sea el experimento lanzar dos dados. Definamos el espacio muestral E como: E = {(1,1),(1,2),...(1,6),...,(5,6),(6,6)} Definamos la variable aleatoria discreta X como: S = {2,3,...,12} la suma de puntos. Una posible funcin de probabilidad es:
f : [0,1] f (2) P(X 2 ) P( (1,1) ) 1/ 36 f (3) P(X 3 ) P( (1,2) (2,1) ) 2 / 36 f (4) P(X 4 ) P( (1,3) (3,1) (2,2) ) 3 / 36 ...

6/36

P
4/36 3/36 2/36 1/36

5/36

5/36 4/36 3/36 2/36 1/36

10

11

12

Variable aleatoria discreta Es la que solo puede tomar una cantidad numerable de valores. Son valores enteros. Variable aleatoria continua Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real. Son Valores decimales

Es una lista de todos los posibles resultados numricos para una variable aleatoria tal que una probabilidad de ocurrencia especifica se asocia con cada resultado. A cada caracterstica de la variable de la variable discreta se le asocia una probabilidad.
Variable Frecuencia Evento x Probalidad P(x)

Autos vendidos por da

0 1 2 3 4

No. De Das
40 100 142 66 36

Ejemplo
Utilizando los registros de las ventas de los ltimos 500 das, el gerente de Koning Motors, resumi el nmero de autos vendidos por da de la segn de muestra en la distribucin de frecuencias de la izquierda:
Tomar nota que la variable autos vendidos por da es discreta.

5
6 7 8

30
26 20 24

9
Total

16
500

Autos vendidos por da ( x ) 0 1

Frecuencia

P( x ) 0.08 0.20

40 100

Ejemplo

2
3 4 5

142
66 36 30

0.29
0.13 0.07 0.06

6
7 8 9

26
20 24 16

0.05
0.04 0.05 0.03

Total

500

1.00

Distribucin de Probabilidad de la Venta de autos

0.30
0.25 0.20 0.15 0.10 0.05 0.00 0 1 2 3 4 5 6 7 8 9 10
AUTOS VENDIDOS POR DA

PROBABILIDAD

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. En el deporte un equipo puede ganar o perder. En pruebas de cierto o falso slo hay dos alternativas. 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.

Propiedades 1. 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 .

La distribucin de probabilidad binomial es un ejemplo de distribucin de probabilidad discreta. Esta formada por una serie de experimentos de Bernoulli. Los resutados de cada experimento son mutuamente excluyentes.

Para contruirla necesitamos:

1 - la cantidad de pruebas n 2 - la probabilidad de xitos p 3 - utilizar la funcin matemtica.

A continuacin vemos La funcin de probabilidad de la distribucin Binomial, tambin denominada Funcin de la distribucin de Bernoulli:

"cara" al lanzar la moneda. 1-p - tambin se le denomina como q

k - es el nmero de aciertos. n - es el nmero de experimentos. p - es la probabilidad de xito, como por ejemplo, que salga

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 quedara:

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:

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%.

Utilizando la tabla de probabilidad binomial se pueden resolver los ejemplos anteriores. Para esto debe saber los valores k y B (n,p) . k es el nmero de xitos que buscamos. Este valor se encuentra entre 0 y n. En el parmetro B(n,p), n debe ser mayor de 0 y p un valor desde 0 al 1.
En los ejemplos 1 y 2 los parmetros B(n,p) son B(10,0.50) y B(8,0.1666) respectivamente.

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.

 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.

Por ejemplo: 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.

1. La probabilidad de observar exactamente un xito en el segmento o tamao de muestra n es constante. 2. El evento debe considerarse un suceso raro.
3. El evento debe ser aleatorio e independiente de otros eventos
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 veremos la funcin de probabilidad de la distribucin de Poisson.

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

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%.

La probabilidad de que un producto salga defectuoso es de 0.012. Cul es la probabilidad de que entre 800 productos ya fabricados hayan 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:

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%.

Cmo usar las tablas? Para usar las tablas se sigue este procedimiento: Asegurar que la variable sigue un comportamiento Poisson. Se identifican los valores de n, x y el valor de . En el caso de probabilidades puntuales, se localiza el valor de x en la columna de la izquierda y el valor de o (media de la distribucin de Poisson) en la parte superior de la tabla.

Cmo usar las tablas? El valor de la probabilidad es el valor que interseca al valor de x con el valor de . Esto se muestra en el siguiente segmento de la tabla. Por ejemplo si =3.2, x=7, la respuesta es 0.0278.

Bibliografa
1. Triola, Mario F. Estadstica. 519.5 TRIO/E 2. Cue Gallardo, Jorge. Estadstica descriptiva y probabilidades. 519.53 CHUE 3. Moya C., Rufino. Probabilidad e inferencia estadstica. 519.5 MOYA 4. Peralta Astudillo, Mara Josefa. Estadstica : problemas resueltos . 519.5 PERA 5. Walpole, Ronald . Probabilidad y estadstica para ingeniera y ciencias . 519.5 WALP