DISTRIBUCIONES DE PROBABILIDAD DISCRETAS. Entre las distribuciones discretas a tratar en este caso estn: 1. 2. 3. 4. 5. 6. 7. 8.

Binomial Multinomial Hipergeomtrica Hipergeomtrica generalizada Poisson Aproximacin de Poisson a la Binomial Geomtrica Binomial Negativa

1) DISTRIBUCIN BINOMIAL Las caractersticas de esta distribucin son: a) En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito). b) Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. c) Cada uno de los ensayos o repeticiones del experimento son independientes entre s. d) El nmero de ensayos o repeticiones del experimento (n) es constante. A partir de un ejemplo. Desarrollaremos una frmula que nos permita cualquier problema que tenga este tipo de distribucin. Ejemplo: Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que aparezcan 2 guilas. Solucin: Antes de empezar a resolver este problema, lo primero que hay que hacer es identificarlo como un problema que tiene una distribucin binomial, y podemos decir que efectivamente as es, ya que se trata de un experimento en donde solo se pueden esperar dos tipos de resultados al lanzar la moneda, guila o sello, cutas probabilidades de ocurrencia son constantes,

cada uno de los lanzamientos es independiente de los dems y el nmero de ensayos o repeticiones del experimento son constantes, n = 3. Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de rbol, en donde representaremos los tres lanzamientos, de ah se obtendr el espacio muestral y posteriormente la probabilidad pedida, usando la frmula correspondiente.

= AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS Para obtener la frmula, definiremos lo siguiente: n = nmero de lanzamientos de moneda x = nmero de xitos requeridos = nmero de guilas = 2 p = probabilidad de xito= p(aparezca guila) =1/2 q = probabilidad de fracaso= p(aparezca sello) =1/2

Entonces podemos partir de la siguiente expresin para desarrollar la frmula;

P(aparezcan 2 guilas)=(No. De ramas del rbol en donde ap. 2 guilas)(probabilidad asociada a cada rama) Entonces el nmero de ramas en donde aparecen dos guilas se puede obtener; Enumerando las ramas de inters, estas seran: AAS, ASA, SAA, QU TIPO DE ARREGLOS SON ESTOS ELEMENTOS DEL ESPACIO MUESTRAL?, Son permutaciones en donde algunos objetos son iguales, entonces, el nmero de ramas se puede obtener con la frmula correspondiente,

donde n = x1+x2+...+xk sustituyendo en esta frmula, tenemos lo siguiente;

esta frmula puede ser sustituida por la de combinaciones, solo en el caso de dos tipos de objetos, si hay ms de dos tipos de objetos, definitivamente solo se usa la frmula original, como se observar en el caso de la distribucin multinomial, pero porqu vamos a cambiar de frmula?, simplemente porque en todos los libros de texto que te encuentres vas a encontrar la frmula de combinaciones en lugar de la de permutaciones, que es la siguiente,

y sustituyendo valores, nos damos cuenta de que efectivamente son 3 las ramas de inters, que son donde aparecen dos guilas, donde n = 3, x = 2.

Y la probabilidad asociada a cada rama? Probabilidad asociada a cada rama = p(guila)*p(guila)*p(sello)= p*p*q = p2q= = Luego la frmula de la distribucin Binomial sera:

donde: p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad de xito es p Dando solucin al problema de ejemplo tenemos lo siguiente: n = 3, x = 2, p =

Para calcular la media y la desviacin estndar de un experimento que tenga una distribucin Binomial usaremos las siguientes frmulas:

Media o valor esperado.

Donde: n = nmero de ensayos o repeticiones del experimento P = probabilidad de xito o la probabilidad referente al evento del cual se desea calcular la media que se refiere la media Q = complemento de P

Desviacin estndar.

Ejemplos: 1. Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que; a) dos de los accidentes se atribuyan a errores humanos, b) como mximo 1 de los accidentes se atribuya a errores de tipo humano, c) tres de los accidentes no se atribuyan a errores humanos. Solucin: a) n = 5 x = variable que nos define el nmero de accidentes debidos a errores humanos x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano p = p(xito) = p(un accidente se deba a errores humanos) = 0.75 q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25

b)

c) En este caso cambiaremos el valor de p; n =5 x = variable que nos define el nmero de accidentes que no se deben a errores de tipo humano x = 0, 1, 2,...,5 accidentes debidos a errores humanos p = p(probabilidad de que un accidente no se deba a errores humanos) = 0.25 q = p(probabilidad de que un accidente se deba a errores humanos) = 1-p = 0.75

2. DISTRIBUCIN MULTINOMIAL. Caractersticas: a) Al llevar a cabo un experimento con esta distribucin se esperan ms de dos tipos de resultados. b) Las probabilidades asociadas a cada uno de los resultados son constantes.

c) Cada uno de los ensayos o repeticiones del experimento son independientes. d) El nmero de repeticiones del experimento, n es constante.

Al igual que hicimos con la distribucin binomial, en este caso partiremos de un ejemplo para obtener la frmula general para resolver problemas que tengan este tipo de distribucin. Ejemplo: Se lanza al aire un dado normal, 5 veces, determine la probabilidad de que aparezca dos nmeros uno, dos nmeros tres y un nmero cinco. Solucin: Si pensamos en la forma que se han resuelto otros problemas, lo primero que se me ocurre es trazar un diagrama de rbol que nos muestre los 5 lanzamientos del dado; esto sera muy laborioso, y se muestra parte del mismo a continuacin;

Del diagrama de rbol se obtendra el espacio muestral y enseguida se determinaran las probabilidades requeridas. En lugar de lo anterior, obtendremos una frmula a partir de la siguiente expresin:

p(aparezcan dos unos, dos tres y un cinco)=(nmero de ramas en donde haya dos unos, dos tres y un cinco)(probabilidad asociada a cada una de las ramas) Para esto definiremos lo siguiente: n = nmero de lanzamientos del dado x1 = nmero de veces que aparece el nmero 1 = 2 x2 = nmero de veces que aparece el nmero 2 = 0 x3 = nmero de veces que aparece el nmero 3 = 2 x4 = nmero de veces que aparece el nmero 4 = 0 x5 = nmero de veces que aparece el nmero 5 = 1 p1 = probabilidad de que aparezca el nmero 1 = 1/6 p2 = probabilidad de que aparezca el nmero 2 = 1/6 p3 = probabilidad de que aparezca el nmero 3 = 1/6 p4 = probabilidad de que aparezca el nmero 4 = 1/6 p5 = probabilidad de que aparezca el nmero 5 = 1/6 p6 = probabilidad de que aparezca el nmero 6 = 1/6 Luego, cmo obtendremos el nmero de ramas donde aparecen dos nmeros 1, dos nmeros 3 y un nmero 5? Enunciando algunas de las ramas, tenemos lo siguiente; (1, 1, 5, 3, 3), (5, 1, 1, 3, 3), (1, 3, 3, 1, 5), ... etc, etc. Qu tipo de arreglos son estos, combinaciones, permutaciones o que? SON PERMUTACIONES EN DONDE HAY OBJETOS IGUALES. Por tanto el nmero de ramas se puede obtener de la siguiente manera:

El nmero de ramas = Y en forma general,

Luego la probabilidad asociada a cada una de las ramas, sera; p(asociada a cada una de las p(#1)p(#1)p(#3)p(#3)p(#5)=p1*p1*p3*p3*p5= =p12*p32*p5 Por tanto la frmula general ser:

ramas)

donde: p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del primer tipo, x2 objetos del segundo tipo.......y xk objetos del ltimo tipo. n = x1+x2+....xk Resolviendo el ejemplo; n=5 x1 = nmero de veces que aparece el nmero 1 = 2 x2 = nmero de veces que aparece el nmero 3 = 2 x3 = nmero de veces que aparece el nmero 5 = 1 p1= probabilidad de que aparezca el nmero 1 = 1/6 p2 = probabilidad de que aparezca el nmero 2 = 1/6 p3 = probabilidad de que aparezca el nmero 3 = 1/6

Ejemplos:

1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un delegado llegue por aire a una cierta convencin, llegue en autobs, en automvil o en tren. Cul es la probabilidad de que entre 9 delegados seleccionados aleatoriamente en esta convencin a) 3 hayan llegado por aire, 3 en autobs, 1 en auto y 2 en tren?, b) 4 hayan llegado por aire, 1 en autobs y 2 en auto?, c) 5 hayan llegado en auto? Solucin: a) n = 9 x1= # de delegados que llegan por aire = 3 x2= # de delegados que llegan en autobs = 3 x3= # de delegados que llegan en auto = 1 x4= # de delegados que llegan en tren = 2 p1 = probabilidad de que un delegado llegue por aire = 0.40 p2 = probabilidad de que un delegado llegue en autobs = 0.20 p3 = probabilidad de que un delegado llegue en auto = 0.30 p4 = probabilidad de que un delegado llegue en tren = 0.10

b) n=9 x1 = 4 por aire; x2 = 1 en autobs; x3 = 2 en auto; x4 = 2 en tren;

p1 = 0.40 p2 = 0.20 p3 = 0.30 p4 = 0.10

c) n=9 x1= 5 lleguen en auto; p1 = 0.30 x2 = 4 (lleguen por aire o autobs o tren); p2 = 0.40+0.20+0.10 = 0.70

3) DISTRIBUCIN HIPERGEOMTRICA.

Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) Las probabilidades asociadas a cada uno de los resultados no son constantes. c) Cada ensayo o repeticin del experimento no es independiente de los dems. d) El nmero de repeticiones del experimento (n) es constante.

Ejemplo: En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos? Solucin: Luego;

donde: p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

muestras de n objetos en donde hay x que son defectuosos y nx buenos todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos? Solucin: N = 10 objetos en total a = 3 objetos defectuosos n = 4 objetos seleccionados en muestra x = 2 objetos defectuosos deseados en la muestra

donde:

probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son constantes

formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes.

Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:

Ejemplos: 1. Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?. Solucin: a) N = 9+6 =15 total de tabletas a = 6 tabletas de narctico

n = 3 tabletas seleccionadas x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas

p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)

otra forma de resolver;

p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las tabletas seleccionadas no haya una sola de narctico)

b)

p(no sea arrestado por posesin de narcticos)

4) DISTRIBUCIN HIPERGEOMETRICA GENERALIZADA. Caractersticas: Al realizar un experimento con este tipo de distribucin, se esperan ms de dos tipos de resultados. Las probabilidades asociadas a cada uno de estos resultados no son constantes. Los ensayos o repeticiones del experimento no son independientes entre s. El nmero de repeticiones del experimento n, es constante. Entonces en este caso se tienen ms de dos tipos de objetos, por lo que la frmula a utilizar sera:

a) b) c) d)

donde: N = x + y + z = total de objetos a = total de objetos del primer tipo b = total de objetos del segundo tipo c = N-a-b = total de objetos del tercer tipo n = objetos seleccionados en la muestra x = objetos del primer tipo en la muestra y = objetos del segundo tipo en la muestra z = n-x-y = objetos del tercer tipo en la muestra Ejemplos:

1.En un lote de productos se tienen 20 productos sin defectos, 3 con defectos menores y 2 con defectos mayores, se seleccionan al azar 5 productos de este lote, determine la probabilidad de que a) 3 de los productos seleccionados no tengan defectos y 1 tenga defectos menores, b) 4 de los productos seleccionados no tengan defectos y 1 tenga defectos menores. Solucin: a)N= 20+3+2 =25 total de artculos a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 3 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5-3-1 = 1 producto con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra

b)N= 25 a=20 productos sin defectos b= 3 productos con defectos menores N-a-b= 2 productos con defectos mayores n= 5 productos seleccionados en la muestra x = 4 productos sin defectos en la muestra = variable que nos define el # de productos sin defectos en la muestra y = 1 producto con defectos menores en la muestra = variable que nos define el # de productos con defectos menores en la muestra z = n-x-y = 5-4-1 = 0 productos con defectos mayores en la muestra = variable que nos define el # de productos con defectos mayores en la muestra

5) DISTRIBUCIN DE POISSON. Caractersticas: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc,: - # de defectos de una tela por m2 - # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. - # de bacterias por cm2 de cultivo - # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc. - # de llegadas de embarcaciones a un puerto por da, mes, etc, etc. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

donde: p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es l l = media o promedio de xitos por unidad de tiempo, rea o producto e = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado.

Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. l = 6 cheques sin fondo por da e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos

Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

6) APROXIMACIN DE POISSON A LA BINOMIAL.

En este caso se determinarn probabilidades de experimentos Binomiales, pero que dadas sus caractersticas, es posible aproximarlas con la distribucin de Poisson, estas caractersticas son, n pequea), por lo que:

La expresin anterior solo se cumple cuando n y esto no se cumple, la aproximacin no se puede llevar a efecto, por lo que la frmula a utilizar en este caso sera:

Donde:

n = nmero de repeticiones del experimento p = probabilidad de xito = p(xito)

Ejemplos: 1. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones defectuosas. Determine la probabilidad de que 2 de 100 libros encuadernados en ese taller, tengan encuadernaciones defectuosas, usando, a) la frmula de la distribucin Binomial, b) la aproximacin de Poisson a la distribucin Binomial.

Solucin: a) n = 100 p = 0.05 = p(encuadernacin defectuosa) = p(xito) q = 0.95 = p(encuadernacin no defectuosa) = p(fracaso) x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas

b)n = 100 encuadernaciones p = 0.05

= np = (100)(0.05)= 5 x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas

Al comparar los resultados de las probabilidades con una y otra distribucin, nos damos cuenta de que la diferencia entre un clculo y otro es de tan solo 0.0031, por lo que la aproximacin de Poisson es una buena opcin para calcular probabilidades Binomiales.

7. DISTRIBUCIN GEOMTRICA.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza del experimento, para obtener la frmula de esta distribucin, haremos uso de un ejemplo. Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la probabilidad de que en el ltimo lanzamiento aparezca una guila.

Solucin: Si nosotros trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, observaremos que la nica rama de ese rbol que

nos interesa es aquella en donde aparecen 7 sellos seguidos y por ltimo una guila; como se muestra a continuacin:

SSSSSSSA

S denotamos; x = el nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y nica vez = 8 lanzamientos p = probabilidad de que aparezca una guila = p( xito) = 2/3 q = probabilidad de que aparezca un sello = p(fracaso) = 1/3

Entonces la probabilidad buscada sera;

P(aparezca una guila en lanzamiento)=p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(S)*p(A) =

el

ltimo

=q*q*q*q*q*q*q*p = Luego, la frmula a utilizar cuando se desee calcular probabilidades con esta distribucin sera;

Donde: p(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez p = probabilidad de xito

q = probabilidad de fracaso

Resolviendo el problema de ejemplo; x = 8 lanzamientos necesarios para que aparezca por primera vez una guila p = 2/3 probabilidad de que aparezca una guila q = 1/3 probabilidad de que aparezca un sello

p(x=8) =

Ejemplos: 1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin sometidos a prueba sea el primero en mostrar una desviacin excesiva?, b) el sptimo de estos dispositivos de medicin sometidos a prueba, sea el primero que no muestre una desviacin excesiva?. Solucin: a) x = 6 que el sexto dispositivo de medicin probado sea el primero que muestre una variacin excesiva p = 0.05 =probabilidad de que un dispositivo de medicin muestre una variacin excesiva q = 0.95 =probabilidad de que un dispositivo de medicin no muestre una variacin excesiva

p(x = 6) =

b) x = 5 que el quinto dispositivo de medicin probado, sea el primero que no muestre una desviacin excesiva p = 0.95 = probabilidad de que un dispositivo de medicin no muestre una variacin excesiva q = 0.05 = probabilidad de que un dispositivo de medicin muestre una variacin excesiva

p(x = 5) =

8) DISTRIBUCIN BINOMIAL NEGATIVA. Esta tambin es un caso especial de la distribucin Binomial, ya que en este caso se trata de que al llevar a efecto varias veces un experimento binomial, se desea determinar la probabilidad de que ocurran r xitos, solo que el ltimo de ellos debe ocurrir en el k-simo ensayo o repeticin del experimento que es el ltimo.

Para encontrar una frmula que nos permita calcular probabilidades con esta distribucin, partiremos de un ejemplo.

Ejemplo: Se lanza al aire una moneda cargada 8 veces, de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3, Determine la probabilidad de que aparezcan tres guilas, y la ltima que aparezca sea en el ltimo lanzamiento.

Solucin: S trazamos un diagrama de rbol que nos represente los 8 lanzamientos de la moneda, encontraremos que las ramas que nos interesan son aquellas en donde

aparecen 3 guilas y la ltima de ellas aparece en el ltimo lanzamiento; ejemplos de una rama que nos interesa sera; SAASSSSA, SSASSSAA, ASSASSSA, etc., etc.

Entonces la probabilidad se puede determinar de la siguiente forma:

(Probabilidad de que aparezcan Tres guilas, donde la ltima de ellas aparece en el ltimo lanzamiento de la moneda)=(# de ramas del rbol en donde la tercera guila que aparece est en el octavo lanzamiento)(probabilidad asociada a cada rama)

Luego, definiendo algunos trminos a utilizar;

Y = k = nmero de lanzamientos necesarios para que se obtenga una guila por r-sima vez = 8 lanzamientos r = nmero de veces que aparece un xito = 3 guilas p = probabilidad de xito = p(aparezca guila) = 2/3 q = probabilidad de fracaso = p(aparezca sello) = 1/3

Luego, el nmero de ramas que nos interesan del rbol se podra determinar de la siguiente forma:

# de ramas =

Cual es la razn de que se tomen k-1 ensayos y r-1 xitos al momento de calcular el nmero de ramas que nos interesan?

Lo anterior se debe a que en el ltimo ensayo siempre va a haber un xito, por lo que como ste no se va a mover como lo hacen los xitos anteriores, entonces no se toma en cuenta para el clculo de las ramas que nos interesan. Y la probabilidad asociada a cada rama sera; Probabilidad asociada a cada rama = p(S)*p(A)*p(A)*p(S)*p(S)*p(S)*p(S)*p(A)= = q*p*p*q*q*q*q*p =

Por lo tanto, la frmula a utilizar sera:

Donde: P(Y=k) = probabilidad de que ocurran r xitos en k ensayos y que el ltimo de ellos que es el r-simo, ocurra en el k-simo ensayo que es el ltimo. r = nmero de xitos k = nmero de ensayos para obtener r xitos p = p(xito) = p(aparezca guila) q = p(fracaso) = p(aparezca sello) = 1-p Ejemplos: 1. S la probabilidad de que un cierto dispositivo de medicin muestre una desviacin excesiva es de 0.05, cul es la probabilidad de que; a) el sexto de estos dispositivos de medicin sometidos a prueba sea el tercero en mostrar una desviacin excesiva?, b) el sptimo de estos dispositivos de medicin sometidos a prueba, sea el cuarto que no muestre una desviacin excesiva?. Solucin: a) k = 6 dispositivos de medicin

r = 3 dispositivos que muestran desviacin excesiva p = p(dispositivo muestre una desviacin excesiva) = 0.05 q = p(dispositivo no muestre una desviacin excesiva) = 0.95

p(Y = 6) =

b)

k = 7 dispositivos de medicin r = 4 dispositivos que no muestran una desviacin excesiva p = p(dispositivo no muestre una desviacin excesiva) = 0.95 q = p(dispositivo muestre una desviacin excesiva) = 0.05

p(Y = 7) =

DISTRIBUCIONES DE PROBABILIDAD CONTINUAS Entre las distribuciones a tratar en esta unidad seran: 1. Distribucin Normal 2. Aproximacin de la Normal a la Binomial 3. Exponencial

1) DISTRIBUCIN NORMAL. Caractersticas:

a)

Es generada por una variable de tipo continuo, denominada x; x

b)

La funcin que nos define esta distribucin es:

Al dar a la funcin los valores de , 2 y valores a x, obtendremos la distribucin en cuestin, la que tiene forma de campana, por lo que tambin se le conoce como campana de Gauss. Hay un nmero infinito de funciones de densidad Normal, una para cada combinacin de y media mide la ubicacin de la distribucin y la desviacin estndar dispersin. c) Es simtrica con respecto a su eje vertical. d) Es asinttica con respecto a su eje horizontal; esto quiere decir que jams va a tocar el eje de las equis. e) El rea total bajo la curva es 1. f) S sumamos a los datos se encuentran bajo la curva, si sumamos a datos estar entre esos lmites y si sumamos a datos caer dentro de esos lmites. Esta caracterstica es a la vez una forma emprica y rpida de demostrar si los datos que se analizan tienen una distribucin Normal; ya que para trabajar los datos con esta distribucin, debe verificarse que efectivamente as se distribuyen, ya que de no hacerlo, las decisiones que en un momento dado se tomarn de un anlisis de los datos con la distribucin Normal, seran errneas.

Cmo se determinan probabilidades con la distribucin Normal? De acuerdo a como se trataron las distribuciones de probabilidad continuas en 2 ), se integre entre los lmites de la variable x; esto es,

La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b, que corresponde o es igual a la probabilidad buscada. Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea necesario, lo que se hace es tipificar el valor de la variable x, esto es, x se transforma en un valor de z, de la siguiente manera:

Este valor de z es buscado en una tabla donde vienen reas asociadas a este valor, y haciendo uso de los valores tabulados, se determina la probabilidad requerida. La tabla que es usada para calcular las probabilidades es la que nos d el rea que se muestra a continuacin:

Ejemplos: 1. El acero que se utiliza para tuberas de agua a menudo se recubre internamente con un mortero de cemento para evitar la corrosin. En un estudio de los recubrimientos de mortero de una tubera empleada en un proyecto de transmisin de agua en California (Transportation Engineering Journal, Noviembre de 1979) se especific un espesor de 7/16 pulgadas para el mortero. Un gran nmero de mediciones de espesor dieron una media de 0.635 pulgadas y una desviacin estndar de 0.082 pulgadas. S las mediciones de espesor, tenan una distribucin Normal, qu porcentaje aproximado fue inferior a 7/16 de pulgada? Solucin: x = variable que nos define el espesor del mortero en pulgadas = 0.635 pulgadas

= 0.082 pulgadas

p(z = -2.41) = 0.492 p(x 7/16 pulgadas) = 0.5- p(z = -2.41) = 0.5-0.492 = 0.008 Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen un espesor menor de 7/16 pulgadas

2) APROXIMACIN DE LA NORMAL A LA BINOMIAL. En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy aproximada con la distribucin Normal, esto puede llevarse a cabo si y p = p(xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde: x = variable de tipo discreto; solo toma valores enteros = np = media de la distribucin Binomial = = desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la Normal en lugar de con la Binomial y de una forma ms rpida. En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales siempre que p no est cercano a 0 o 1. La aproximacin es excelente

cuando n es grande y bastante buena para valores pequeos de n si p est razonablemente cercana a . Una posible gua para determinar cuando puede utilizarse la aproximacin Normal es tener en cuenta el clculo de np y nq. S ambos,np y nq son mayores o iguales a 5, la aproximacin ser buena. Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se estn evaluando probabilidades asociadas a una variable discreta x, con una distribucin que evala variables de tipo continuo como es la Normal, Por lo que z sufre un pequeo cambio como se muestra a continuacin:

Porqu vamos a sumar o a restar a x? Este es un factor de correccin debido a que se est evaluando una variable discreta con una distribucin continua, por lo que hay que delimitar claramente desde que punto se va a evaluar la variable, dicho de otra forma, en que lmite de la barra (inferior o superior) nos debemos posicionar para determinar la probabilidad requerida, cada barra de probabilidad a evaluar tiene como base la unidad, ese es el porqu del .

Ejemplos:

1. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es de 0.4. Si se sabe que 100 personas han contrado esta enfermedad, Cul es la probabilidad de que: a) al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de 50 no sobrevivan? Solucin: a) n = 100 p = p(paciente se recupere) = 0.40 q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60 = np = (100)(0.40) = 40 pacientes se recuperen = = pacientes que se recuperan x = variable que nos define el nmero de pacientes que se recuperan x = 0, 1, 2,....,100 pacientes que se recuperan

X = 29.5

= 40

p( z = -2.14) =0.4838 p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838

a)

p(z = 1.33) = 0.4082 p(x 46) = 0.5 p(z = 1.33) = 0.5 0.4082 = 0.0918

b) n = 100 p = p(paciente no sobreviva) = 0.60 q = p(paciente sobreviva) = 1 p = 0.40 pacientes que no se recuperan pacientes que no se recuperan x = variable que nos define el nmero de pacientes que no sobreviven x = 0, 1, 2, ....,100

p( z = -2.14) = 0.4838 p(x 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162

3) DISTRIBUCIN EXPONENCIAL.

A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma y algunas otras como la weibull, etc., etc., de momento solo trataremos sobre el uso de la exponencial.

Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de problemas.

La variable aleatoria x tiene una distribucin exponencial, con parmetro funcin de densidad es:

,x 0

; f(x) = 0 en cualquier otro caso

donde

La media y la variancia de la distribucin exponencial son:

Relacin con el proceso de Poisson. Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante un perodo o espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el tiempo T entre

llegadas en una interseccin congestionada durante la hora de salida de trabajo en una gran ciudad. Una llegada representa el evento de Poisson. La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una distribucin de un solo parmetro puede interpretarse como el nmero promedio de eventos por unidad de tiempo . Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por: ;

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma que la probabilidad de que no ocurra un evento de Poisson en x. Esto ltimo por supuesto est dado por . Como resultado, P(X x) =

Entonces, la funcin de distribucin acumulada para x es:

P(0 X x) = 1 -

Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la distribucin acumulada anterior para obtener la funcin de densidad:

f(x) =

La cual es la funcin de densidad de la distribucin exponencial con

Ntese que la media de la distribucin exponencial es el parmetro , el recproco del parmetro en la distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de Poisson no tiene memoria, lo cul implica que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu el parmetro importante es el tiempo promedio entre eventos. En teora de la confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas. Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es aplicable. En el siguiente ejemplo se muestra una aplicacin simple de la distribucin exponencial en un problema de confiabilidad. La distribucin binomial tambin juega un papel importante en la solucin.

Ejemplos: 1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla . S 5 de estos componentes se instalan en diferentes sistemas, cul es la probabilidad de que al menos 2 continen funcionando despus de 8 aos? Solucin: La probabilidad de que un determinado componente est funcionando an despus de 8 aos es:

la | nos indica que la integral se va a evaluar desde 8 hasta

Sea x el nmero de componentes funcionando despus de 8 aos. Entonces mediante la distribucin Binomial, n=5 p = 0.20 = probabilidad de que un componente est funcionando despus de 8 aos q = 1-p = 0.80 = probabilidad de que un componente no funcione despus de 8 aos

P(x 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 p(x = 0, 1)