Professional Documents
Culture Documents
DISTRIBUCION DE
PROBABILIDADES
MG( C ) Ing. Ernesto Caldern Yarlequ
TECNICAS DE CONTEO
Combinacin:
Es una seleccin de objetos con independencia
en su ordenamiento.
Ejemplo:
Un empresario dispone de 10 plantas de
produccin para producir harina de pescado.
Slo ocho son necesarias para abastecer el
mercado. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.
151
Permutacin:
Es una distribucin
determinado.
de
objetos
en
un
orden
Ejemplo:
El numero del DNI.
152
PERMUTACION
Clculo del nmero de permutaciones para n objetos
tomados de x
Pxn
n!
donde x n
(n x)!
Ejemplo:
Los nutricionistas de una empresa que produce
alimentos envasados estn interesados en el orden en
que cuatro ribonucletidos adenina (A), uracilo (U),
guanina (G) y citosina (C) se combinan para formar un
catalizador. Cuntas cadenas formadas por dos
nucletidos pueden formarse?
4!
4x3x2x1
4
P2
12
(4 2)!
2x1
153
COMBINACION
Numero de combinaciones de n objetos tomadas de r
n!
donde x n
C
x!(n x)!
n
x
Ejemplo:
45!
45x44x43x42x41! 45x44x43x42
148, 995
4!x41!
4!
4!(45 4)!
154
155
Ejemplo:
Se seleccionan en forma consecutivas dos clientes de
un autoservicio . El nmero de clientes ser:
N de
Resultados Probabilidad
Probabilida
mujeres
0
0,25
V,V
1
0,50
VM,MV
2
0,25
MM
Probabilidad
0.50
0.25
2 N de
mujeres
156
157
Variabl es Aleatorias
Una variable es aleatoria si toma diferentes
valores como resultado de un experimento .
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas
X : variable aleatoria (ej : nmero de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)
158
ESTADISTICA INFERENCIAL
Valor Esperado
E(X) X
n
.P( X i )
i1
Desviacin Estandar
2
))
.P( X i )
(
X
E(
X
i
i
i1
159
0
1
2
3
2 caras
P(x) XP(x)
1/8
3/8
3/8
1/8
0 caras =>x
1 cara
0
3/8
6/8
3/8
( X) =
X.P(
x)
12
8
= 1,5
caras
12/8
160
Ventas
diarias
10
11
12
13
Probabilidad de venta
de cada cantidad
0.15
0.20
0.40
0.25
1.00
161
Tipo de prdidas
(A) Prdidas por mermas (obsolescencia):
oferta > demanda (costo contable)
(B) Prdidas de oportunidad: oferta < demanda
(costo econmico)
Alternativas de
Compra
10
11
12
13
Alternativas de Venta
10
11
12
13
0
30
60
90
20
0
30
60
40
20
0
30
60
40
20
0
Posibles Prdidas
162
10
11
12
13
Prdida
Condicional
0
30
60
90
Probabilidad
que se reciban
estos pedidos
0.15
0.20
0.40
0.25
Prdida
esperada
0.00
6.00
24.00
22.50
ESTADISTICA INFERENCIAL
Distribucin Binomial
n X n -x
P(X) p q
X
n!
P(X)
p X q n -x
x!(n - x)!
P(X)
n!
E( X ) np
np(1 p)
p X (1 p) n -x
x!(n - x)!
Datos
Discretos
164
La distribucin binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de un
procedimiento llamado ensayo de Bernoulli, nombrado
as en honor del matemtico Suizo James Bernoulli
(1654 - 1785).
a) Caractersticas:
El experimento consiste en una serie de ensayos
repetidos.
Cada ensayo slo tiene dos resultados posibles: xito y
fracaso.
165
166
b) Formula:
n!
p xq n-x
P(X = x) =
x!(n - x)!
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Se aplica a la seleccin de una muestra, slo cuando el
resultado de cada solucin es independiente de los
resultados de las selecciones anteriores.
167
c) Aplicacin:
Una muestra de 4 frascos se selecciona sin restitucin
de un lote de 5,000 frascos de cierto laboratorio
farmacutico. Suponiendo que 20% de los frascos de
lote no cumplen con las especificaciones de calidad,
cul es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?
168
BLOGGER.COM
Datos:
n=4
x=2
p = 0,20
q = 0,80
n!
p xq n-x
P(X = x) =
x!(n - x)!
4!
P(X = 2) =
0.22
2!(4 - 2)!
0.802
0,1536
169
d) La distribucin
Cierto proceso de control de calidad se repite cuatro
veces. Suponga que existe la probabilidad de 0.50
que el proceso resulte deficiente. En cuatro
repeticiones se puede obtener 0,1,2,3 4 procesos
deficientes. Se puede calcular la probabilidad de
cada uno de estos posibles resultados mediante la
distribucin binomial.
170
X
(Nmero de procesos
deficientes)
P(X = x)
4! 1 1 1
16
0!4! 2
2
4! 1 1 4
16
1!3! 2 2
4! 1 1 6
16
2!2! 2 2
4! 1 1 4
16
3!1! 2 2
4! 1
4!0! 2
1
116
2
X
P(X = x)
La media
0
1
2
3
4
1/16 4/16 6/16 4/16 1/16
= XP(x)
172
X
0
1
2
3
4
P(x)
1/16
4/16
6/16
4/16
1/16
XP(x)
0
4/16
12/16
12/16
4/16
32/16
32
XP( x) 16
= 2 procesos
Tambin:
= np
= 4( 12) 2
La desviacin estndar
(x )
P( x)
P( x)
(x )
(x ) 2
(x ) 2 P( x)
0
1
2
3
4
1/16
4/16
6/16
4/16
1/16
-2
-1
0
+1
+2
4
1
0
1
4
4/16
4/16
0
4/16
4/16
16/16
174
16
(X ) P( x)
16
2
(X ) P( x)
2
Tambin:
16
1 proceso deficiente
16
npq
4(0,5)(0,5) 1
175
Ejemplo:
Supngase que en cierta poblacin el 52 por ciento de
todos los nacimientos que se registraron son varones.
Si aleatoriamente se escogen cinco registros de
nacimientos dentro de esa poblacin, cul es la
probabilidad de que exactamente tres de ellos
pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5
P(3,5)
5!
0.523 0.48 (53) 0.32 32%
3!(5 3)!
r=3
176
VSEE.COM
Uso de Tablas
Solucionando el problema anterior usando la tabla de probabilidades
binomiales
tabla de probabilidades binomiales
p
n
0.37
0.38
0.39
0.40
0.41
0.42
0.43
0.44
0.45
0.46
0.47
0
1
2
3
4
5
0.48
0.49
0.50
0.62
0.61
0.60
0.59
0.58
0.57
0.56
0.55
0.54
0.53
0.52
5
4
3
2
1
0 5
0.0380
0.1755
0.3240
0.2990
0.1380
0.0255
0.63
0.51
0.50
ESTADISTICA INFERENCIAL
Distribucin de Poisson
e x
P(X)
X!
e 2.71828
Datos
Discretos
178
Distribucin de Poisson:
Es una distribucin muy usada en administracin. Se deriva
del proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un xito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o
de espacio muy pequea.
179
180
P(X = x) =
e
x!
donde
x!
181
Ejemplo:
Supongamos que estamos investigando la seguridad de
un autoservicio, los registros indican una media de 5
intentos mensuales por tienda. El nmero de intentos de
robos esta distribuido de acuerdo con una distribucin de
Poisson y el departamento de seguridad desea que
calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 intentos de robo.
X = 3 robos/mes
= 5 robos/mes
P( x3)
53 2.71835
0.14042 14.04%
3!
182
Uso de Tablas
Solucionando el problema anterior usando la tabla de
distribucin de probabilidades de Poisson:
x
0
1
2
3
4
5
4.1
.........
4.5
..........
4.9
5
0.006
7
0.033
70.140
0.084
4
0.175
25
La probabilidad de tener
exactamente 3 intentos
de robo en un mes
cualquiera es 0.1404
0.175
5
183
Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, cul es la probabilidad de
tener 2 nmero equivocado?
Solucin:
p = 0.03
n = 100
=3
3 2 (2.71828)
P(X = 2) =
2!
= 02240
184
La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la
probabilidad de que X = 3 utilizando la formula binomial,
podemos encontrar la probabilidad exacta de la forma
siguiente:
100!
(0,02)3 (0,98)97
P(X = 3) =
3!97!
0,1823
185
P(X = 3) =
xe
x!
186
np = 100 (0,02) = 2
(2) 3(2,71828)
3!
6 (2,71828) 2
0,1805
p 0.05 y n 20
187
ESTADISTICA INFERENCIAL
Distribucin Hipergeomtrica
N-X t X t
n -x x
P(x/N, X ,t n)
N
n
Datos
Discretos
188
La distribucin Hipergeomtrica
Se utiliza para describir variables discretas
P(X =
a)Caractersticas
La informacin de la muestra se obtiene sin
reposicin de una poblacin finita, por lo tanto la
probabilidad de xito vara.
donde:
b) Formula
M : nmero de xitos en la poblacin
N M
M
k : nmero de xitos en la muestra
N : tamao de la poblacin
k) = k nNk N-M: nmero de fracasos en la
poblacin
n : tamao de la muestra
n
n-k : nmero de fracasos en la
muestra
189
Aplicacin
Calcular la probabilidad de obtener 10 CHIPS
defectuosos en una muestra de 20 CHIPS de radio
tomados sin reemplazo de un lote de 30 CHIPS, de los
cuales 15 son defectuosos.
Datos:
k = 10
15 3015
n = 20
10
20 10
N= 30
P(X = 10) = 30
M= 15
20
9018009
(3003)(3003)
=
30045015
30045015
= 0,3001
190
20!
1
P(X = x)
10!(20 -10)! 2
184756
1048576
10
1
2
10
0,1762
d) Forma
Puede ser simtrica o sesgada. Cada vez que p = 0.5, la
distribucin hipergeomtrica ser simtrica sin tener en
cuenta qu tan grande o pequeo sea el valor de n; sin
embargo, cuando p 0,5 la distribucin ser sesgada. El
grado de sesgo variar, dependiendo de la proximidad del p
a 0,5 y del tamao de n.
192
E(X) np
La desviacin estndar:
np(1 p)
N n
N 1
N n
N 1
Donde
es un factor de correccin de poblacin
finita que se produce debido al proceso de muestreo sin
reposicin de poblaciones finitas.
193
ESTADISTICA APLICADA
DISTRIBUCION DE
PROBABILIDADES
MG( C ) Ing. Ernesto Caldern Yarlequ
TECNICAS DE CONTEO
Combinacin:
Es una seleccin de objetos con independencia
en su ordenamiento.
Ejemplo:
Un empresario dispone de 10 plantas de
produccin para producir harina de pescado.
Slo ocho son necesarias para abastecer el
mercado. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.
151
Permutacin:
Es una distribucin
determinado.
de
objetos
en
un
orden
Ejemplo:
El numero del DNI.
152
PERMUTACION
Clculo del nmero de permutaciones para n objetos
tomados de x
Pxn
n!
donde x n
(n x)!
Ejemplo:
Los nutricionistas de una empresa que produce
alimentos envasados estn interesados en el orden en
que cuatro ribonucletidos adenina (A), uracilo (U),
guanina (G) y citosina (C) se combinan para formar un
catalizador. Cuntas cadenas formadas por dos
nucletidos pueden formarse?
4!
4x3x2x1
4
P2
12
(4 2)!
2x1
153
COMBINACION
Numero de combinaciones de n objetos tomadas de r
n!
donde x n
C
x!(n x)!
n
x
Ejemplo:
45!
45x44x43x42x41! 45x44x43x42
148, 995
4!x41!
4!
4!(45 4)!
154
155
Ejemplo:
Se seleccionan en forma consecutivas dos clientes de
un autoservicio . El nmero de clientes ser:
N de
Resultados Probabilidad
Probabilida
mujeres
0
0,25
V,V
1
0,50
VM,MV
2
0,25
MM
Probabilidad
0.50
0.25
2 N de
mujeres
156
157
Variabl es Aleatorias
Una variable es aleatoria si toma diferentes
valores como resultado de un experimento .
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas
X : variable aleatoria (ej : nmero de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)
158
ESTADISTICA INFERENCIAL
Valor Esperado
E(X) X
n
.P( X i )
i1
Desviacin Estandar
2
))
.P( X i )
(
X
E(
X
i
i
i1
159
0
1
2
3
2 caras
P(x) XP(x)
1/8
3/8
3/8
1/8
0 caras =>x
1 cara
0
3/8
6/8
3/8
( X) =
X.P(
x)
12
8
= 1,5
caras
12/8
160
Ventas
diarias
10
11
12
13
Probabilidad de venta
de cada cantidad
0.15
0.20
0.40
0.25
1.00
161
Tipo de prdidas
(A) Prdidas por mermas (obsolescencia):
oferta > demanda (costo contable)
(B) Prdidas de oportunidad: oferta < demanda
(costo econmico)
Alternativas de
Compra
10
11
12
13
Alternativas de Venta
10
11
12
13
0
30
60
90
20
0
30
60
40
20
0
30
60
40
20
0
Posibles Prdidas
162
10
11
12
13
Prdida
Condicional
0
30
60
90
Probabilidad
que se reciban
estos pedidos
0.15
0.20
0.40
0.25
Prdida
esperada
0.00
6.00
24.00
22.50
ESTADISTICA INFERENCIAL
Distribucin Binomial
n X n -x
P(X) p q
X
n!
P(X)
p X q n -x
x!(n - x)!
P(X)
n!
E( X ) np
np(1 p)
p X (1 p) n -x
x!(n - x)!
Datos
Discretos
164
La distribucin binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadstica aplicada. La distribucin se deriva de un
procedimiento llamado ensayo de Bernoulli, nombrado
as en honor del matemtico Suizo James Bernoulli
(1654 - 1785).
a) Caractersticas:
El experimento consiste en una serie de ensayos
repetidos.
Cada ensayo slo tiene dos resultados posibles: xito y
fracaso.
165
166
b) Formula:
n!
p xq n-x
P(X = x) =
x!(n - x)!
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
Se aplica a la seleccin de una muestra, slo cuando el
resultado de cada solucin es independiente de los
resultados de las selecciones anteriores.
167
c) Aplicacin:
Una muestra de 4 frascos se selecciona sin restitucin
de un lote de 5,000 frascos de cierto laboratorio
farmacutico. Suponiendo que 20% de los frascos de
lote no cumplen con las especificaciones de calidad,
cul es la probabilidad de que la muestra contenga
exactamente 2 frascos malos?
168
BLOGGER.COM
Datos:
n=4
x=2
p = 0,20
q = 0,80
n!
p xq n-x
P(X = x) =
x!(n - x)!
4!
P(X = 2) =
0.22
2!(4 - 2)!
0.802
0,1536
169
d) La distribucin
Cierto proceso de control de calidad se repite cuatro
veces. Suponga que existe la probabilidad de 0.50
que el proceso resulte deficiente. En cuatro
repeticiones se puede obtener 0,1,2,3 4 procesos
deficientes. Se puede calcular la probabilidad de
cada uno de estos posibles resultados mediante la
distribucin binomial.
170
X
(Nmero de procesos
deficientes)
P(X = x)
4! 1 1 1
16
0!4! 2
2
4! 1 1 4
16
1!3! 2 2
4! 1 1 6
16
2!2! 2 2
4! 1 1 4
16
3!1! 2 2
4! 1
4!0! 2
1
116
2
X
P(X = x)
La media
0
1
2
3
4
1/16 4/16 6/16 4/16 1/16
= XP(x)
172
X
0
1
2
3
4
P(x)
1/16
4/16
6/16
4/16
1/16
XP(x)
0
4/16
12/16
12/16
4/16
32/16
32
XP( x) 16
= 2 procesos
Tambin:
= np
= 4( 12) 2
La desviacin estndar
(x )
P( x)
P( x)
(x )
(x ) 2
(x ) 2 P( x)
0
1
2
3
4
1/16
4/16
6/16
4/16
1/16
-2
-1
0
+1
+2
4
1
0
1
4
4/16
4/16
0
4/16
4/16
16/16
174
16
(X ) P( x)
16
2
(X ) P( x)
2
Tambin:
16
1 proceso deficiente
16
npq
4(0,5)(0,5) 1
175
Ejemplo:
Supngase que en cierta poblacin el 52 por ciento de
todos los nacimientos que se registraron son varones.
Si aleatoriamente se escogen cinco registros de
nacimientos dentro de esa poblacin, cul es la
probabilidad de que exactamente tres de ellos
pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5
P(3,5)
5!
0.523 0.48 (53) 0.32 32%
3!(5 3)!
r=3
176
VSEE.COM
Uso de Tablas
Solucionando el problema anterior usando la tabla de probabilidades
binomiales
tabla de probabilidades binomiales
p
n
0.37
0.38
0.39
0.40
0.41
0.42
0.43
0.44
0.45
0.46
0.47
0
1
2
3
4
5
0.48
0.49
0.50
0.62
0.61
0.60
0.59
0.58
0.57
0.56
0.55
0.54
0.53
0.52
5
4
3
2
1
0 5
0.0380
0.1755
0.3240
0.2990
0.1380
0.0255
0.63
0.51
0.50
ESTADISTICA INFERENCIAL
Distribucin de Poisson
e x
P(X)
X!
e 2.71828
Datos
Discretos
178
Distribucin de Poisson:
Es una distribucin muy usada en administracin. Se deriva
del proceso de Poisson en honor al matemtico francs
Simeon Denis Poisson (1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El nmero promedio de veces () que ocurre un xito por
cada unidad de tiempo o de espacio es constante.
La probabilidad de un suceso es una unidad de tiempo o
de espacio muy pequea.
179
180
P(X = x) =
e
x!
donde
x!
181
Ejemplo:
Supongamos que estamos investigando la seguridad de
un autoservicio, los registros indican una media de 5
intentos mensuales por tienda. El nmero de intentos de
robos esta distribuido de acuerdo con una distribucin de
Poisson y el departamento de seguridad desea que
calculemos la probabilidad de que en cualquier mes
ocurra exactamente 3 intentos de robo.
X = 3 robos/mes
= 5 robos/mes
P( x3)
53 2.71835
0.14042 14.04%
3!
182
Uso de Tablas
Solucionando el problema anterior usando la tabla de
distribucin de probabilidades de Poisson:
x
0
1
2
3
4
5
4.1
.........
4.5
..........
4.9
5
0.006
7
0.033
70.140
0.084
4
0.175
25
La probabilidad de tener
exactamente 3 intentos
de robo en un mes
cualquiera es 0.1404
0.175
5
183
Aplicacin
La probabilidad de nmero equivocado a pesar de
haber marcado correctamente es 0,03. Si se toma una
muestra de 100 llamadas, cul es la probabilidad de
tener 2 nmero equivocado?
Solucin:
p = 0.03
n = 100
=3
3 2 (2.71828)
P(X = 2) =
2!
= 02240
184
La aproximacin de Poisson a la
distribucin Binomial
Consideremos una distribucin binomial con p=0.02 y n =
100. Supongamos que nos interesa calcular la
probabilidad de que X = 3 utilizando la formula binomial,
podemos encontrar la probabilidad exacta de la forma
siguiente:
100!
(0,02)3 (0,98)97
P(X = 3) =
3!97!
0,1823
185
P(X = 3) =
xe
x!
186
np = 100 (0,02) = 2
(2) 3(2,71828)
3!
6 (2,71828) 2
0,1805
p 0.05 y n 20
187
ESTADISTICA INFERENCIAL
Distribucin Hipergeomtrica
N-X t X t
n -x x
P(x/N, X ,t n)
N
n
Datos
Discretos
188
La distribucin Hipergeomtrica
Se utiliza para describir variables discretas
P(X =
a)Caractersticas
La informacin de la muestra se obtiene sin
reposicin de una poblacin finita, por lo tanto la
probabilidad de xito vara.
donde:
b) Formula
M : nmero de xitos en la poblacin
N M
M
k : nmero de xitos en la muestra
N : tamao de la poblacin
k) = k nNk N-M: nmero de fracasos en la
poblacin
n : tamao de la muestra
n
n-k : nmero de fracasos en la
muestra
189
Aplicacin
Calcular la probabilidad de obtener 10 CHIPS
defectuosos en una muestra de 20 CHIPS de radio
tomados sin reemplazo de un lote de 30 CHIPS, de los
cuales 15 son defectuosos.
Datos:
k = 10
15 3015
n = 20
10
20 10
N= 30
P(X = 10) = 30
M= 15
20
9018009
(3003)(3003)
=
30045015
30045015
= 0,3001
190
20!
1
P(X = x)
10!(20 -10)! 2
184756
1048576
10
1
2
10
0,1762
d) Forma
Puede ser simtrica o sesgada. Cada vez que p = 0.5, la
distribucin hipergeomtrica ser simtrica sin tener en
cuenta qu tan grande o pequeo sea el valor de n; sin
embargo, cuando p 0,5 la distribucin ser sesgada. El
grado de sesgo variar, dependiendo de la proximidad del p
a 0,5 y del tamao de n.
192
E(X) np
La desviacin estndar:
np(1 p)
N n
N 1
N n
N 1
Donde
es un factor de correccin de poblacin
finita que se produce debido al proceso de muestreo sin
reposicin de poblaciones finitas.
193