Professional Documents
Culture Documents
DISTRIBUCIONES DE
PROBABILIDAD
PRIMERO QUE ES
QUE VEREMOS UNA VARIABLE
EN ESTA ALEATORIA
UNIDAD
ADEMAS
DISTRIBUCIONES DE PROBABILIDAD
BINOMIAL
UNIFORME
BINOMIAL
ACUMULADA EXPONENCIAL
HIPERGEOMETRICA
NORMAL
DE POISSON
APROXIMACION A NORMAL
DETERMINACION
BINOMIAL Y ESTANDARIZADA
DEL VALOR X
POISSON
VARIABLE ALEATORIA
DISCRETAS
LAS VARIABLES
ALEATORIAS,
PUEDEN SER
CONTINUAS
Una variable aleatoria discreta es
aquella que puede asumir una cantidad
numerables de valores.-
EJEMPLOS:
EJEMPLOS:
Definicin:
La funcin de probabilidad P (X = x), de una variable aleatoria
discreta X representa la probabilidad de que X tome el valor x, como
funcin de x:
Veamos un ejemplo:
Supongamos que una empresa que se dedica a las
ventas de autos, durante los ltimos 300 das de ventas,
las ventas muestran que en 54 das no se vendieron
autos, en 117 se vendi 1 auto, en 72 das se vendieron 2
autos, en 42 se vendieron 3 autos, en 12 das se
vendieron 4 autos y en 3 das se vendieron 5
automviles.-
Supongamos adems, que el experimento consiste en
seleccionar un da de operaciones de ventas y definimos
la variable aleatoria de inters como X = nmero de
automviles vendidos en un da.-
Si presentamos la distribucin de probabilidad de esta
variable aleatoria ser:
X fi P (X = x) Una ventaja importante de definir
0 54 0,18 una variable aleatoria y su
distribucin de probabilidad es que
1 117 0,39 una vez conocida esa distribucin es
2 72 0,24 fcil determinar la probabilidad de
varios eventos que pueden interesar
3 42 0,14 a quien toma decisiones.-
4 12 0,04 Por ejemplo, si consultamos la tabla
5 3 0,01 observamos que la cantidad ms
probable de autos que se venden en
300 1,000 1 da es del 39 %.-
p (xi) 0
p (xi) = 1
Si queremos mostrar grficamente la distribucin de
probabilidad de ventas de autos ser:
P (x)
0,20
0,10
Ventas de
0 1 2 3 4 5 auto por da.-
La Funcin de Probabilidad Acumulada, que
simbolizamos con F (x), de una variable aleatoria X representa la
probabilidad de que X tome un valor inferior a x, es decir:
F(x) P (X x) p (x ) i
Xx
X 20 25 30 35
P (X=x) 0.20 0.15 0.25 0.30
X P (X = x)
1000 0.15
1100 0.20
1200 0.30
1300 0.25
Total 0.10
E (x) = = xi * p (xi)
Es un promedio ponderado de
X fi P (X = x) x * p (x) todos los resultados posibles,
0 54 0,18 0 donde las ponderaciones, son las
probabilidades asociadas con
1 117 0,39 0,39 cada uno de los resultados.-
2 72 0,24 0,48
E (X) = = 1,5 automviles
3 42 0,14 0,42
La empresa puede esperar, a la
4 12 0,04 0,16
larga, la venta de un promedio
5 3 0,01 0,05 de 1,5 automviles por da.-
300 1,000 1,50
Si suponemos que la operacin durante un mes equivale a 30 das,
podemos usar el valor esperado de 1,50 para anticipar que las
ventas mensuales promedio son 30 * 1,5 = 45 automviles.-
= (xi - ) * p (xi)
Recordemos que la variancia nos da un valor en unidades de
medida de la variable al cuadrado y por ello es muy difcil explicar,
por lo tanto calculamos una nueva medida que llamamos como
sabemos Desviacin Estndar.- Esta ser:
= Variancia
La desviacin estndar se mide en las mismas unidades de
medidas que la variable aleatoria en estudio
Como calcular la variancia por la frmula de definicin suele ser un
poco engorroso, hay una formula abreviada muy til, que ser la
que usaremos:
= x p (xi) -
X fi P (X = x) x p (xi)
= 3,50 - 1,5 =
0 54 0,18 0
= 3,50 - 2,25 =
1 117 0,39 0,39
2 72 0,24 0,96 = 1,25 auto
3 42 0,14 1,26
4 12 0,04 0,64 = 1,25 = 1.118 autos
5 3 0,01 0,25
300 1,000 3,50
EJEMPLO para que analicen los alumnos.-
Una empresa considera dos inversiones posibles.- Como
aproximacin inicial asigna probabilidades subjetivas a cada uno de
los siguientes eventos: perder un 20% por cada dlar invertido,
perder un 10% , ni ganar ni perder, ganar un 10% y ganar un 20%.-
Sea X el rendimiento por cada dlar invertido en el primer proyecto e
Y el rendimiento por cada dlar invertido en el segundo proyecto.-
Las probabilidades asignadas son:
Nmeros de 47 48 49 50 51 52 53
clips
Proporcin de 0,04 0,13 0,21 0,29 0,20 0,10 0,03
paquetes
Nmeros de pedidos 0 1 2 3 4 5
Probabilidad 0,10 0,14 0,26 0,28 0,15 0,07
Nmero de Probabilidad
computadoras Porttil Escritorio
0 0.47 0.06
1 0.45 0.56
2 0.06 0.28
3 0.02 0.10
A 1 p
No A 0 1 - p
Cabe sealar que el valor de p se determina segn los enfoques que
hemos visto.- Si se trata de la tirada de una moneda nos basamos en
el enfoque clsico y decimos que p = 1/2.-
Por lo general, la probabilidad p estar dada por la proporcin de
individuos que tienen la caracterstica A en la poblacin o por las
frecuencias relativas de un nmero suficientemente grande de
experimento.-
El modelo matemtico o funcin de probabilidad para la distribucin
bipuntual es:
= E (X) = x px ( 1 - p)1 -x = p
= x p (x) - = p - p = p ( 1 p)
Generalmente a (1 p) = q
= p q
= p q
DISTRIBUCIN
DE
PROBABILIDAD
BINOMIAL.-
La distribucin binomial es una funcin de distribucin de
probabilidad discreta con muchas aplicaciones en la vida
diaria.- La distribucin binomial tiene cuatro propiedades
esenciales:
1.- Las observaciones posibles se pueden obtener mediante dos
mtodos de muestreo.- Se puede considerar que cada observacin se
seleccion ya sea a partir de una poblacin infinita sin reemplazo o a
partir de una poblacin finita con reemplazo.- Se selecciona n
observaciones.-
2.- Cada observacin se puede clasificar en una de dos categora
mutuamente excluyentes y colectivamente exhaustivas que por lo
comn llamamos xitos y Fracasos.-
3.- La probabilidad de que una observacin se clasifique como xito,
p, es constante entre una observacin y otra.- Entonces la
probabilidad de que una observacin sea clasificada como fracaso es
(1-p), es constante en todas las observaciones.-
4.- El resultado (xito o fracaso) de cualquier observacin es
independiente del resultado de cualquier otra observacin.-
Si se cumplen las propiedades 2, 3 y 4, se dice que los intentos se
generan mediante un proceso de Bernoulli y si adems se hacen n
intentos o ensayos entonces es un experimento binomial.-
Veamos un ejemplo:
Supongamos que un vendedor de seguro visita a 10 familias
seleccionadas al azar.- El resultado asociado con cada visita se
clasifica como un xito si la familia compra una pliza de seguro, y
como un fracaso si la familia no lo hace.- De acuerdo con su
experiencia, el vendedor sabe que la probabilidad de que una familia
seleccionada al azar compre una pliza de seguro es de 0,10.- Al
comprobar si se satisfacen las propiedades de un experimento
binomial vemos que:
1.- El experimento consiste en 10 intentos idnticos y cada
experimento implica llegar a una familia.-
2.- En cada intento son posible dos resultados: la familia compra
una pliza (xito) o la familia no la compra (fracaso).-
3.-Se supone que las probabilidades de una compra y de una no
compra son iguales para cada llamada de ventas, siendo,
p = 0,10 1- p = 0,90
4.- Los intentos son independientes porque las familias se
seleccionan aleatoriamente.-
P (X =x) = px (1 -p)1 - x
P (X = x) = px (1 p) n - x
F(x) P (X x) p ( x)
Xx
SU DESVIACION
2.- SUS ESTANDAR
FORMAS
2.- FORMAS.-
= E (x) = n * P
Solucin
De nuevo, compruebe que el procedimiento de muestreo
satisfaga las caractersticas de un experimento
binomial.-
1.- Un ensayo es la seleccin y prueba de una PC del
total de 20.- Este experimento consta de n = 3 ensayos
idnticos.-
2.- Cada ensayo produce uno de dos resultados, ya sea
que una PC est defectuosa (xito) o no defectuosa
(fracaso).-
3.- Suponga que las PC fueron colocadas al azar en el
vagn, de tal modo que cualquiera de las 20
computadoras pudo ser colocada cerca de la puerta
del vagn.- Entonces la probabilidad de sacar una
computadora defectuosa en un ensayo dado sera
2/20.-
4.- La condicin de independencia entre ensayos no se
satisface porque la probabilidad de sacar una PC
defectuosa en el segundo ensayo y tercer ensayo
depende del resultado del primer ensayo.- Por ejemplo,
si en el primer ensayo se obtiene una PC defectuosa,
entonces queda una computadora defectuosa entre las
19 restante del envo.- Por lo tanto:
MEDIANTE UN EJERCICIO:
EJERCICIOS PARA HACER EN CLASE
x P( X = x ) x P( X <= x )
0 0,000977 0 0,00098
1 0,009766 1 0,01074
2 0,043945 2 0,05469
3 0,117188 3 0,17187
4 0,205078 4 0,37695
5 0,246094 5 0,62305
6 0,205078 6 0,82813
7 0,117188 7 0,94531
8 0,043945 8 0,98926
9 0,009766 9 0,99902
10 0,000977 10 1,00000
Para calcular la probabilidad buscada podemos usar
cualquiera de las dos tabla calculadas en Minitab de la
placa anterior:
1.- Si usamos la funcin de densidad de la Binomial,
ser:
P (X 8) = P(8) + P(9) + P(10) =
= 0,43945 + 0.09766 + 0.00977 = 0.05469
LA DISTRIBUCION DE
POISSON SE BASA EN
CIERTOS SUPUESTOS,
QUE DEBEMOS TENER
EN CUENTA:
Supongamos que un intervalo esta dividido en un gran numero de
subintervalos de manera que la probabilidad de que ocurra un
evento de cualquier subintervalo es muy pequea.
Variancia y
la
= E [ (X - ) ] =
Desviacin
Estndar
son:
=
El smbolo e = 2,71828 se puede calcular con una calculadora
cientfica, que debe tener una funcin como e x .-
Para cada valor de x se puede obtener las probabilidades
individuales de la variable aleatoria de Poisson, de la misma manera
que en que procedi para la variable aleatoria binomial.-
De manera alternativa se puede usar la Tabla de la Distribucin de
Poisson del Compendio de Tablas Estadstica, para valores de (x; ).-
Recordemos que como en todas las distribuciones se puede aplicar
la Distribucin acumulada, donde:
P (X x) = P (X = x) para x = 0, 1, 2,
En algunas situaciones nos conviene usar el complemento.- Es
decir,
P (X x) = 1 - P (X x)
Para tener en claro una distribucin de probabilidad es importante
conocer la forma de la distribucin.-
La forma de la distribucin de Poisson es asimtrica a
derecha, dependiendo del valor de .- A medida que se
hace ms grande la distribucin tiende a ser simtrica.-
= 0,5 =6
Ejemplo 1.- El promedio de accidentes de trnsito que ocurren en un
tramo de ruta es de dos por semana.- Suponga que el nmero de
accidente sigue una distribucin de Poisson con = 2.-
a) Obtenga la probabilidad de que ningn accidente ocurra en este
tramo de ruta durante un semana.-
b) Encuentre la probabilidad de que a lo ms ocurran tres
accidentes en este tramo de ruta durante dos semanas.-
Solucin
0 -2
2 e
-2
a) P (X = 0) = ------------------- = e = 0,135335
0!
b) = 2 * 2 =4
P ( X 3) = P (0) + P (1) + P (2) + P (3) =
= 0,018316 + 0,073263 + 0,146525 + 0,195367 =
= 0,433471 43 %
EJERCICIOS PARA HACER EN CLASE
x P( X = x ) x P( X <= x )
0 0,367879 0 0,36788
1 0,367879 1 0,73576
2 0,183940 2 0,91970
3 0,061313 3 0,98101
4 0,015328 4 0,99634
5 0,003066 5 0,99941
6 0,000511 6 0,99992
7 0,000073 7 0,99999
8 0,000009 8 1,00000
9 0,000001 9 1,00000
10 0,000000 10 1,00000
P (X = 0) = 0.367879
P (X = 3) = 0.061313
P (X = 4) = 0,015328
P (X 3) = 1 - P (X 2) =
= 1 - 0,91970 = 0.0803 8 %
EJERCICIOS
VARIADOS
1.- Los clientes llegan a una caja registradora ocupada a
una tasa media de tres por minuto.- Si la llegada sigue
una distribucin de Poisson, halle la probabilidad de que
en un minuto dado lleguen dos clientes o menos.-