You are on page 1of 120

Tema N 04: DISTRIBUCIONES DE PROBABILIDAD Ing. Jos Manuel Garca Pantigozo calidadtotal@hotmail.

com

2014 - 0

Objetivos de Aprendizaje
Definir una distribucin de probabilidad. Distinguir entre una distribucin probabilstica discreta y una distribucin probabilstica continua. Calcular la media, la variancia y la desviacin estndar de una distribucin de probabilidad. Elaborar una distribucin Binomial, una distribucin Hipergeomtrica y una distribucin de Poisson. Determinar que distribucin probabilstica emplear en la una situacin dada.
2

DISTRIBUCIONES PROBABILISTICAS
Una distribucin probabilstica es la enumeracin de todos los resultados de un experimento junto con las probabilidades asociadas.

Distribucin Probabilstica
La distribucin de una variable X se define como una descripcin del conjunto de valores posibles de X, junto con la probabilidad asociada con cada uno de estos valores Para una variable aleatoria discreta la distribucin de probabilidad se describe mediante una funcin de probabilidad, representada por f(x). Donde esta funcin define la probabilidad de cada valor de la variable analizada

Condiciones Requeridas Para Una Funcin Discreta


f ( x) P( X x) fx ( x ) 0
n

fx ( x )
i 1

Probabilidad
Cantidad discreta

Funcin de probabilidad Uniforme Discreta


Es la representacin ms sencilla de distribucin de probabilidad, se define como:

f ( x)

x/n

DISTRIBUCIONES PROBABILISTICAS
NMEROS DE CARAS 0 1 2 3 Total PROBABILIDAD DE LOS RESULTADOS 1/8 = 0.125 3/8 = 0.375 3/8 = 0.375 1/8 = 0.125 8/8 = 1

Caractersticas de una distribucin probabilstica: La probabilidad de un resultado siempre debe estar entre 0 y 1. La suma de todos los resultados mutuamente excluyentes siempre es 1.
8

Es una descripcin numrica del resultado de un experimento aleatorio. De acuerdo a lo anterior las podemos clasificar como discretas o continuas. Las discretas son variable aleatorias con un rango finito (o infinito contable). Las continuas son variables que pueden asumir cualquier valor en un intervalo o conjunto de intervalos. Una forma de determinar si una variable es continua o discreta es imaginarse que los valores de esa variable son los puntos en una recta numrica.

Variables aleatorias

VARIABLE ALEATORIA
Una variable aleatoria es un valor numrico determinado por el resultado de un experimento. Ejemplo 1: considere un experimento aleatorio en el que se lanza tres veces una moneda. Sea X el nmero de caras. Sea H el resultado de obtener una cara y T el de obtener una cruz. El espacio muestral para este experimento ser: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH. Entonces, los valores posibles de X (nmero de caras) son x = 0, 1, 2, 3, El resultado ser: cero caras ocurri una vez, una cara ocurri tres veces, dos caras ocurri tres veces y tres caras ocurri una vez. De la definicin de variable aleatoria, la X definida en este experimento, es una variable aleatoria.

VARIABLE ALEATORIA DISCRETA


Una variable aleatoria discreta es
una variable que puede tomar slo ciertos valores diferentes que son

el resultado de la cuenta de alguna


caracterstica de inters. Ejemplo 2: sea X el nmero de

caras obtenidas al lanzar 3 veces


una moneda. Aqu los valores de X son x = 0, 1, 2, 3

FUNCIN DE PROBABILIDAD (V. DISCRETAS)


Asigna a cada posible valor de una variable discreta su probabilidad.
Recuerda los conceptos de frecuencia relativa y diagrama de barras.
40% 35% 30% 25% 20% 15% 10% 5% 0% 0 1 2 3

Ejemplo
Nmero de caras al lanzar 3 monedas.

13

VARIABLE ALEATORIA CONTINUA


Si se mide algo, como el tamao de

una pieza metlica, se dice que es


una variable aleatoria continua. Puede tomar una cantidad infinita de

valores dentro de ciertas limitaciones.


Ejemplo 3: La presin de un neumtico en (lb/pulg2) podra ser

28.0, 28.6, 28.62, 28.624 y as


sucesivamente, dependiendo de la exactitud del medidor.

FUNCIN DE DENSIDAD (V. CONTINUA)


Definicin Es una funcin no negativa de integral 1. Pinsalo como la generalizacin del histograma con frecuencias relativas para variables continuas. Para qu lo voy a usar? Nunca lo vas a usar directamente. Sus valores no representan probabilidades.
15

PARA QU SIRVE LA FUNCION DENSIDAD?


Muchos procesos aleatorios vienen descritos por variables de forma que son conocidas las probabilidades en intervalos. La integral definida de la funcin de densidad en dichos intervalos coincide con la probabilidad de los mismos.

Es decir, identificamos la probabilidad de un intervalo con el rea bajo la funcin de densidad.

16

FUNCIN DE DISTRIBUCIN
Es la funcin que asocia a cada valor de una variable, la probabilidad acumulada de los valores inferiores o iguales. Pinsalo como la generalizacin de las frecuencias acumuladas. Diagrama integral. A los valores extremadamente bajos les corresponden valores de la funcin de distribucin cercanos a cero. A los valores extremadamente altos les corresponden valores de la funcin de distribucin cercanos a uno. Lo encontraremos en los artculos y aplicaciones en forma de p-valor, significacin,
17

FUNCIN DE DISTRIBUCIN
Es la funcin que asocia a cada valor de una variable, la probabilidad acumulada de los valores inferiores o iguales. Pinsalo como la generalizacin de las frecuencias acumuladas. Diagrama integral. A los valores extremadamente bajos les corresponden valores de la funcin de distribucin cercanos a cero. A los valores extremadamente altos les corresponden valores de la funcin de distribucin cercanos a uno. Lo encontraremos en los artculos y aplicaciones en forma de p-valor, significacin,
18

PARA QU SIRVE LA FUNCIN DISTRIBUCIN? Contrastar lo anmalo de una observacin concreta. S que una persona de altura 210cm es anmala porque la funcin de distribucin en 210 es muy alta. S que una persona adulta que mida menos de 140cm es anmala porque la funcin de distribucin es muy baja para 140cm. S que una persona que mida 170cm no posee una altura nada extraa pues su funcin de distribucin es aproximadamente 0,5.
19

PARA QU SIRVE LA FUNCIN DISTRIBUCIN? Relacinalo con la idea de cuantil. En otro contexto (contrastes de hiptesis) podremos observar unos resultados experimentales y contrastar lo anmalos que son en conjunto con respecto a una hiptesis de terminada. Intenta comprender la explicacin de clase si puedes. Si no, ignora esto de momento. Revisita este punto cuando hayamos visto el tema de contrastes de hiptesis.
20

MEDIA DE UNA DISTRIBUCION PROBABILISTICA La media o esperanza matemtica es una medida de localizacin, que indica el valor alrededor del cual flucta la variable aleatoria; si sta es discreta, la media se define como:

= E(X) = [x*P(X)]
21

VARIANCIA DE UNA DISTRIBUCION PROBABILISTICA

La variancia describe el grado dispersin en una distribucin.

de

2 2 = E(X) = [(X - ) *P(X)]

Ejemplo 4
Una persona vende autos nuevos para una empresa. Generalmente negocia el mayor numero de autos los sbados. Ha establecido la siguiente distribucin de probabilidad para el numero de autos que espera vender en un sbado en particular.

NMEROS DE AUTOS VENDIDOS X


0 1 2 3 4 Total

PROBABILIDAD P(X)
0.10 0.20 0.30 0.30 010 1.00

1. Qu tipo de distribucin es esta? 2. En un sbado comn, Cuntos autos desea vender? 3. Cul es la variancia de la distribucin?

23

Ejemplo 4 (continuacin)
1. Es una distribucin de probabilidad discreta (las respuestas son mutuamente excluyentes). 2. El numero medio de autos vendidos: = [x*P(X)]=0(0.1) +1(0.2)+ 2(0.3)+ 3(0.3)+4(0.1)=2.1

NMEROS DE AUTOS VENDIDOS X


0 1 2 3 4 Total

PROBABILIDAD P(X)
0.10 0.20 0.30 0.30 010 1.00

X.P(X)
0.00 0.20 0.60 0.90 0.40 2.10

Ejemplo 4 (continuacin)
NMEROS DE AUTOS VENDIDOS X 0 1 2 3 4 Total PROBABILIDAD (PX) 0.10 0.20 0.30 0.30 010 1.00 X.P(X) 0.00 0.20 0.60 0.90 0.40 E(X) =2.10

3. De nuevo es util una tabla para sistematizar los clculos para la variancia. Su valor es 1.290
NMEROS DE AUTOS VENDIDOS X 0 1 2 PROBABILIDAD P(X) 0.10 0.20 0.30 (X - ) 0 2.1 1 2.1 2 - 2.1 (X - )2 4.41 1.21 0.01 (X - )2. P(X) 0.441 0.242 0.003

3 4
Total

0.30 010
1.00

3 2.1 4 2.1

0.81 3.61

0.243 0.361
2 = 1.290

= 1.136

25

Ejemplo 5: Una empresa ofrece tres tamaos de un refresco (pequeo, mediano y grande) como complemento de pizzas. Las bebidas se venden a 50, 75 y 90 centavos de dlar respectivamente. De los pedidos, 30% son para el tamao pequeo, 50% para el mediano y 20% para el grande. 1.Es esta una distribucin probabilstica discreta? Indique porque si o porque no. 2. Calcule la cantidad media cobrada por el refresco. 3.Cual es la variancia del cobro por la bebida? la desviacin estndar? Solucin 1. Si, la suma de probabilidades es igual a 1.

26

Ejemplo 6: (continua)
X 50 75 90 Solucin 3: X 50 75 90 P(x) 0.30 0.50 0.20 (X - ) -20.5 4.5 19.5 VARIANCIA

Solucin 2. Cantidad media cobrada por el refresco. P(x) 0.30 0.50 0.20 xP(x) 15.00 37.50 18.00 70.50

(X - )*(X - )*P(x) 126.075 10.125 76.05 212.25 14.57


27

DESVIACION

28

DISTRIBUCION PROBABILISTICA BINOMIAL 1ERA CARACTERISTICA: Se ocupa de experimentos en donde cada resultado puede tomar solo una de dos formas. La respuesta de una pregunta del tipo verdadero-falso. Cada resultado es mutuamente excluyente (esto quiere decir que la respuesta no puede ser verdadero y falso al mismo tiempo). Tambin puede ser denotado como xito y fracaso.

DISTRIBUCION PROBABILISTICA BINOMIAL

EJEMPLO DE EXPERIMENTOS: Experimento: seleccionar juguete de una lnea de produccin Resultado: El juguete funciona (xito) El juguete no funciona (fracaso) Experimento: preguntar a un consumidor si le gusta la coca cola Resultado: Le gusta la coca cola (xito) No le gusta la coca cola(fracaso)

DISTRIBUCION PROBABILISTICA BINOMIAL 2DA CARACTERISTICA: Los datos recopilados son resultado de conteos. Es por esta razn que la distribucin binomial se clasifica como discreta.
3RA CARACTERISTICA: Que la probabilidad de un xito permanece igual de un ensayo a otro.

DISTRIBUCION PROBABILISTICA BINOMIAL


Ejemplo 7: La probabilidad que se adivine la 1era pregunta de una prueba de verdadero o falso en forma correcta (xito) es 0.5;la probabilidad de adivinar la 2da pregunta (2do ensayo) es 0.5; la probabilidad de xito en el 3er ensayo es 0.5, y as sucesivamente. La probabilidad que salga 6 al lanzar un dado es 1/6;la probabilidad de que salga 6 de nuevo (2do ensayo) tambin es 1/6; la probabilidad de xito en el tercer ensayo es 0.5, y as sucesivamente.
32

DISTRIBUCION PROBABILISTICA BINOMIAL 4TA CARACTERISTICA: Es que un ensayo es independiente de otro. No existe un patrn rtmico con respecto a los resultados.

33

Ejemplo 8: Experimento aleatorio: n = 3 lanzamientos de una


moneda. Probabilidad de xito en cada lanzamiento (cara) = p. Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.

3 p 2 (1

p)

3 p (1

p) 2

34

DISTRIBUCION PROBABILISTICA BINOMIAL


Para elaborar una distribucin binomial, sea n el nmero de ensayos r el nmero de xitos observados p la probabilidad de xito en cada ensayo q la probabilidad de fracaso, que se obtiene por 1- p.

n! r n-r Pr = (p) (q) r!(n r)!

DISTRIBUCIN BINOMIAL
Funcin de probabilidad
P[ X k] n k pk qn k , 0 k n

Problemas de clculo si n es grande y/o p cercano a 0 o 1.

Media: =n p

Varianza: 2 = n p q
36

Propiedades de la Distribucin Binomial


Promedio Varianza
2

Np
Npq
Npq
q
3

Desviacin Estndar
Coeficiente de Asimetra

p Npq

Curtosis

1 6 pq Npq

Ejemplo 9: Cul es la probabilidad de que en una familia de 4 hijos exactamente 2 sean nias?

p(x) p 0.5;

n x n p ( 1 p) x n 4;

p( 2 )

4 2 4- 2 ( 0.5 ) ( 1-0.5 ) 2
38

Ejemplo10: Si una dcima parte de personas tiene cierto grupo sanguneo, cul es la probabilidad de que entre 100 personas escogidas al azar exactamente 8 de ellas pertenezcan a este grupo sanguneo?

p(x) p 0.1;

n x p (1 x

p)

n x

n 100;

p( 8 )

100 8 92 ( 0.1 ) ( 1-0.1 ) 8


39

Ejemplo 11: Y si la pregunta es 8 como mximo?

p(x 8 )
x 0 8 x 0

n x n p ( 1 p) x
x 100 x

100 x

(0.1) ( 0.9 )

40

Ejemplo 12: Calcula la probabilidad de obtener al menos dos seises al lanzar un dado cuatro veces.
P( k ) n k pk qn
k

(k

0,1,.... n)

p = 1/6, q = 5/6, n = 4 Al menos dos seises, implica que nos valen k = 2, 3, 4. P(2) + P(3) + P (4)

4 2

1 6

5 6

4 3

1 6

5 6

4 4

1 6

1 (6 25 4 5 1) 4 6

171 1296

0.132
41

Ejemplo 13: Supongamos que la probabilidad de encontrar una estrella de masa m* >10 M en un cmulo estelar joven es del 4%. Cul es la probabilidad de que en una muestra escogida al azar, entre 10 miembros del cmulo encontremos 3 estrellas con m* >10 M?

p(x) p

n x n p ( 1 p) x n 10;

0.04;

3 0.043 0.967 0.006


42

p( 3 )

10 ( 0.04 )3( 1-0.04 )10 - 3 3

Ejemplo 14: Elige un nmero entre 1 y 6. Lanzas 3 dados. Si el nmero que has elegido sale en los 3 dados cobras 3 euros. Si sale en 2 cobras 2 euros. Si sale en un dado cobras 1 euro. Y si no sale en ninguno, pagas 1 euro. Es un juego justo?

3 1 3 6 3 1 1 6
1

5 6
2

3 1 3 0

3 2 5 6

1 6
3

5 6

2 0.08
43

5 6

( 1)

44

45

46

47

Supongamos que un experimento aleatorio tiene las siguientes caractersticas:


En cada prueba del experimento slo son posibles dos resultados: el suceso A (xito) y su contrario`A (fracaso). El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente. La probabilidad del suceso A es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad de `A es 1- p y la representamos por q . El experimento consta de un nmero n de pruebas.

Todo experimento que tenga estas caractersticas diremos que sigue el modelo de la Distribucin Binomial. A la variable X que expresa el nmero de xitos obtenidos en cada prueba del experimento, la llamaremos Variable Aleatoria Binomial.
48

La variable binomial es una variable aleatoria discreta, slo puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay que considerar todas las maneras posibles de obtener kxitos y (n-k) fracasos debemos calcular stas por combinaciones (nmero combinatorio n sobre k). La distribucin Binomial se suele representar por B(n,p) siendo n y p los parmetros de dicha distribucin.

49

CARACTERSTICAS DE LA DISTRIBUCIN BINOMIAL


Media
= E(X) = n p
P(X) .6 .4 .2 0

n = 5 p = 0.1
X

= 5 0.1 = 0.5
= 5 0.5 = 0.25

Desviacin estndar
P(X)

np(1 p) 5 0.1 (1 0.1) 5 0.5 (1 0.5) 0.67 1.1

.6 .4 .2 0 0

n = 5 p = 0.5
X 1 2 3 4 5
50

Parmetros de la Distribucin Binomial

Funcin de Distribucin de la v.a. Binomial

51

Sea X una variable aleatoria discreta correspondiente

a una distribucin binomial.

52

Ejemplo 15: Una mquina fabrica una determinada pieza y se sabe que produce un 7 por 1000 de piezas defectuosas. Hallar la probabilidad de que al examinar 50 piezas slo haya una defectuosa. Solucin : Se trata de una distribucin binomial de parmetros B(50, 0'007) y debemos calcular la probabilidad p(r=1).

Ejemplo 16: La probabilidad de xito de una determinada vacuna es 0,72. Calcula la probabilidad de a que una vez administrada a 15 pacientes:
a)Ninguno sufra la enfermedad b)Todos sufran la enfermedad c)Dos de ellos contraigan la enfermedad Solucin : Se trata de una distribucin binomial de parmetros B(15, 0'72)

55

Ejemplo 17: La probabilidad de que el carburador de un coche salga de fbrica defectuoso es del 4 por 100. Hallar: a) El nmero de carburadores defectuosos esperados en un lote de 1000 b) La varianza y la desviacin tpica. Solucin :

56

Ejemplo 18: 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) r = variable que nos define el nmero de accidentes debidos a errores humanos.
57

r = 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 Solucin a) P(r) = 5! (0.752)(0.255-2) = 0.08789 2!(5 2)!
58

Solucin b) P(r) = 5! (0.750)(0.255-0) + 0!(5 0)!

5! (0.751)(0.255-1) = 0.015624 1!(5 1)!


Solucin c) En este caso cambiaremos el valor de p; n =5 r = variable que nos define el nmero de accidentes que no se deben a errores de tipo humano

r = 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

P(r) =

5! (0.753)(0.255-3) = 0.08789 3!(5 3)!


60

Ejemplo 19 Si la probabilidad de que el vapor se condense en un tubo de aluminio de cubierta delgada a 10 atm de presin es de 0.40, si se prueban 12 tubos de ese tipo y bajo esas condiciones, determine la probabilidad de que: a) el vapor se condense en 4 de los tubos, b) en ms de 2 tubos se condense el vapor, c) el vapor se condense en exactamente 5 tubos.
Solucin a)

n =12 r = variable que nos define el nmero de tubos en que el vapor se condensa r = 0, 1, 2, 3,...,12 tubos en el que el vapor se condensa 61

r = 0, 1, 2, 3,...,12 tubos en el que el vapor se condensa p =p(se condense el vapor en un tubo de Al a 10 atm)= 0.40 q = p(no se condense el vapor en un tubo de Al a 10 atm) = 1-p=0.60
Solucin a)

12! P(r) = (0.404)(0.6012-4) = 0.21284 4!(12 4)!

62

Solucin b)
p(r=3,4,..,12,n=12,p=0.4)=p(r=3)+p(r=4)+.+p(r=12)=1-p(r=0,1,2) = P(r)= 1 12! 0!(12 0)! 12! 2!(12 2)! (0.750)(0.2512-0) + 12! 1!(12 1)! = 0.91656 (0.751)(0.2512-1) +

(0.752)(0.2512-2)

Solucin c)
P(r) = 12! 5!(12 5)! (0.405)(0.6012-5) = 0.22703

Ejemplo 20: La probabilidad de que el nivel de ruido de un amplificador de banda ancha exceda de 2 dB (decibeles) es de 0.15, si se prueban 10 amplificadores de banda ancha, determine la probabilidad de que; a) en solo 5 de los amplificadores el nivel de ruido exceda los 2 dB, b) por lo menos en 2 de los amplificadores, el ruido exceda de 2 dB, c)que entre 4 y 6 amplificadores no se excedan de los 2 dB, d)encuentre el nmero esperado de amplificadores que se exceden de un nivel de ruido de 2dB y su desviacin estndar.

Solucin a) n =10 r =variable que nos define el nmero de amplificadores de banda ancha que su nivel de ruido excede de 2 dB. r = 0, 1, 2,...,10 amplificadores en los que el nivel de ruido excede de los 2 dB p = P(un amplificador exceda su nivel de ruido de 2 dB) = 0.15 q = p(un amplificador no exceda su nivel de ruido de 2 dB =1-p= 0.85
P(r) = 10!

5!(10 5)!

(0.155)(0.8510-5) = 0.00849

Solucin b)
p(r=2,3,4,5,6,7,8,9,10, n=10, p=0.15)= 1- p(x = 0,1) = 10! 0!(10 0)! P(r) = 0.455705 (0.150)(0.8510-0) + 10! 1!(10 1)!

P(r)= 1-

(0.151)(0.8510-1)

Solucin c) n=10 r= variable que nos define el nmero de amplificadores de banda ancha que su nivel de ruido no excede de 2 dB

r= 0, 1, 2,...,10 amplificadores que su nivel de ruido no excede de los 2 dB p = p(un amplificador no exceda su nivel de ruido de 2 dB) = 0.85 q = p(un amplificador exceda su nivel de ruido de 2 dB) = 1- p = 0.15
Solucin c) P(r)= 10! (0.854)(0.1510-4) + 10! 5!(10 5)! (0.855)(0.1510-5) +

4!(10 4)! 10! 6!(10 6)!

(0.856)(0.1510-6)

= 0.01374897

Solucin d)

n=10, p=0.15, q=1-p=0.85

= np = (10)(0.15) = 1.5 = 2 amplificadores

Ejemplo 21: El gerente de una gran tienda necesita determinar cual es la probabilidad de que 2 de tres clientes que ingresan a la tienda hagan una compra. l sabe que la probabilidad de que un cliente compre es de 0.3

3 2
2

3! 3 2! 3 2 !
(3 1)

Cantidad de resultados experimentales


Probabilidad de cada resultado experimental en donde 2 de los tres clientes compran

0.3 (1 p)

0.063

Luego 30.063 = 0.189, probabilidad de que de 3 clientes que ingresan a la tienda 2 compren

Ejemplo 22: 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% .

Ejemplo 23: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un dado ocho veces? Solucin: 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%.

Ejemplo 24: En una fbrica de cmaras el 5% sale con defectos. Determine la probabilidad de que en una muestra de 12 se encuentren 2 cmaras defectuosas.
Solucin :
Se trata de una distribucin binomial de parmetros B(12, 0.05). Debemos calcular la probabilidad de que x sea igual a k que en este caso es 2. Esto es P (k=2). Busque en la parte izquierda de la tabla n=12, luego en la parte superior p=0.05 . La probabilidad estar en x=2 El resultado es 0.0988

Ejemplo 25: En una oficina de servicio al cliente se atienden 100 personas diarias. Por lo general 10 personas se van sin recibir bien el servicio. Determine la probabilidad de que en una encuesta a 15 clientes 3 no hayan recibido un buen servicio. Solucin : Se trata de una distribucin binomial de parmetros B(15, 0.10). Debemos calcular la probabilidad P(X=3).

El resultado es 0.1285

Ejemplo 26: Los reportes de quejas de clientes indican que el producto XYZ tiene una probabilidad de cumplir con su funcin del 90%. Si se enva un lote de 18 productos, cul es la probabilidad de encontrar: 2 que no cumplen? Solucin: n=18, =0.10. Los envos de lotes son
independientes. 2 que no cumplen? P(x=2)=?

n! x n x b( x, n, ) * * (1 ) x!(n x)! 18! 2 18 2 b(2,18,0.1) * 0.1 * 0.9 2!(18 2)!

0.2835

Ejemplo 27: Representar la calidad de fumador; - Y=1, adulto actualmente fumador - Y=2, adulto no fumador Los dos resultados son excluyentes y exhaustivos. mutuamente

En 1987, 29% de los adultos de EEUU fumaban cigarros, puros o pipas

Se puede enumerar las probabilidades asociadas con los respectivos resultados de Y de la siguiente manera:

P(Y=1) = p
= 0.29 P(Y=0) = 1 p = 1.00 - 0.29 = 0.71

SI FUMA

NO FUMA

Segn los clculos, se determina que el 29% de las poblacin adulta de estados unidos en 1987 es fumadora, y el 71% de ella no lo es.

77

Se aplica al muestreo sin reposicin de una poblacin finita, cuyos elementos pueden ser clasificados en dos categoras:Defectuosos (S) y no defectuosos (N-S).

N-S

78

DISTRIBUCION HIPERGEOMETRICA

Pr =

(sCr)*(N-SCn-r)

(NCn)

N S r n C

Tamao de la poblacin Nmero de xitos en la poblacin Nmero de xitos que interesan (0,1,2,3,...) Tamao de la muestra Smbolo de la combinacin
79

ESPERANZA MATEMATICA DE UNA VARIABLE HIPERGEOMETRICA

= E(X) =

n*S N

VARIANZA DE UNA VARIABLE HIPERGEOMETRICA

2= E[(X - )2]
80

Ejemplo 1:

Una empresa durante la semana fabric 50 DVDs (N=50). Operaron sin problemas 40 (S=40) y 10 tuvieron al menos un defecto. Se selecciona al azar una muestra de 5 (n=5). Utilizando la frmula hipergeomtrica Cul es la probabilidad que cuatro (r=4) de los cinco operarn sin problemas? (Observar que se hace sin reposicin y que el tamao de muestra de 5 es de 10% de la poblacin. Esto es mayor que la condicin de 5%).
81

Solucin:
N S r n = 50 = 40 =4 =5 Pr = (40C4)*(50-40C5-4) = 0.431
PROBABILIDAD

(50C5)
0 1 2 3 4 5 0.000 0.004 0.044 0.210 0.431 0.311

NMERO QUE FUNCION CORRECTAMENTE

82

DISTRIBUCION HIPERGEOMETRICA
0.5000 0.4000 0.3000
P

0.2000 0.1000 0.0000 1 2 3


x

6
83

Ejemplo 2:
Una empresa durante la semana fabric 50 DVDs (N=50). Operaron sin problemas 40 (S=40) y 10 tuvieron al menos un defecto. Se selecciona al azar una muestra de 5 (n=5). Utilizando la frmula hipergeomtrica Cul es la probabilidad que cuatro (r=3) de los cinco operarn sin problemas? (Observar que se hace sin reposicin y que el tamao de muestra de 5 es de 10% de la poblacin. Esto es mayor que la condicin de 5%).

Solucin:

N=50;S= 40;r= 3; n = 5 (40C3)*(50-40C5-3) = 0.210


84

Pr =

(50C5)

Ejemplo 3:

Se acaba de recibir un embarque de 10 TV. Poco despus de recibirlos, el fabricante llam para informar que por descuido se haban enviado tres aparatos defectuosos. Se decidi probar dos de estos Cul es la probabilidad que ninguno de los dos este defectuoso?
85

Solucin:
N S r n = 10 = 7 = 2 = 2 Pr = (7C2)*(10-7C2-2) = 0.466667

(10C2)

NMERO QUE FUNCION CORRECTAMENTE

PROBABILIDAD

0 1 2

0.0666667 0.466667 0.466667


86

Ejemplo 4:

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?

87

Solucin:
N S r n = 10 = 3 = 4 = 2 Pr =

(3C2)*(10-3C4-2)
(10C4)

= 0.30

NMERO QUE FUNCION CORRECTAMENTE

PROBABILIDAD

0
1 2

0.166667
0.500000 0.300000
88

Ejemplo 5:
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?.
89

Solucin: a)
N = 15; S = 6 ; r = 1,2,3; n = 3 (6C1)*(15-6C6-1)+ (6C2)*(15-6C6-2)+ (6C3)*(15-6C6-3) Pr = (15C3)
NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

SUMAMOS Y
b) (6C0)*(15-6C3-0) = 0.184615 Pr = (15C3)

0 1 2 3

0.184615 0.474725 0.296703 0.043956 0.815384

90

Ejemplo 6:
De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solucin:
N = 10; S= 7 ; r = 4 ;n = 4 a) Pr = (35)*(1) (210)
91

=0.16667

b)

(3C2)*(10-3C4-2) + (3C3)*(10-3C4-3) Pr = (10C4) Pr = Pr = (3)*(21) + (1)*(7)

(210) 63 + 7
210

= 0.333333

92

Ejemplo 7: a)Cul es la probabilidad de que una


mesera se rehse nicamente a dos aleatoriamente solo estudiantes, de los suficiente?, b) Cal mximo 2 de las menores de edad? a servir bebidas alcohlicas menores de edad si verifica 5 identificaciones de entre 9 cuales 4 no tienen la edad es la probabilidad de que como identificaciones pertenezcan a

Solucin: N = 9;S a)

= 4 ;r

= 2;n = 5

(4Cr)*(9-4C5 - 2) Pr = = 0.47619 (9C5)


93

b) N= 9; S = 4; r = 0,1 y 2; n = 5

(4C0)*(9-4C5-0) + (4C1)*(9-4C5-1) + (4C2)*(9-4C5Pr = ) 2 ( 9C 5)


NMERO QUE FUNCION CORRECTAMENTE PROBABILIDAD

1
2

SUMAMOS Y

0.00793 0.15873 0.47619 0.64285


94

EjERCICIO PROPUESTO:
Una compaa manufacturera utiliza un esquema para la aceptacin de los artculos producidos antes de ser embarcados. El plan es de dos etapas. Se preparan cajas de 25 para embarque y se selecciona una muestra de 3 para verificar si tienen algn artculo defectuoso. Si se encuentra uno, la caja entera se regresa para verificarla al 100%. Si no se encuentra ningn artculo defectuoso, la caja se embarca. a)Cul es la probabilidad de que se embarque una caja que tiene tres artculos defectuosos?, b)Cul es la probabilidad de que una caja que contiene solo un artculo defectuoso se regresa para verificacin?
95

96

DISTRIBUCIN DE POISSON
Tambin se denomina de sucesos raros. Se obtiene como aproximacin de una distribucin binomial con la misma media, para n grande (n>30) y p pequeo (p<0,1). Queda caracterizada por un nico parmetro (que es a su vez su media y varianza.) Funcin de probabilidad:

P[ X

k] e

k!

, k

0,1,2,...

DISTRIBUCIN DE POISSON Distribucin de Probabilidad Discreta

p( X )

e X!

Propiedades de la distribucin Poisson


Promedio
Varianza Desviacin Estndar Coef. De Asimetra Curtosis
2

1
3
4

EJEMPLOS DE VARIABLES DE POISSON


El nmero de individuos que ser atendido un da cualquiera en el servicio de urgencias del hospital clnico universitario. En Mlaga hay 500.000 habitantes(n grande) La probabilidad de que cualquier persona tenga un accidente es pequea, pero no nula. Supongamos que es 1/10.000 Bin (n=500.000,p=1/10.000) Poisson(=np=50)

EJEMPLOS DE VARIABLES DE POISSON


Sospechamos que diferentes hospitales pueden tener servicios de traumatologa de diferente calidad (algunos presentan pocos, pero creemos que an demasiados, enfermos con secuelas tras la intervencin). Es dificil compararlos pues cada hospital atiende poblaciones de tamaos diferentes (ciudades, pueblos,) Tenemos en cada hospital n, n de pacientes atendidos o n individuos de la poblacin que cubre el hospital. Tenemos p pequeo calculado como frecuencia relativa de secuelas con respecto al total de pacientes que trata el hospital, o el tamao de la poblacin, Se puede modelar mediante Poisson(=np) 101

CARACTERSTICAS DE POISSON En este tipo de experimentos los xitos buscados se expresan por unidad de rea, tiempo, pieza, etc,: # de defectos de una tela por m2 # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc. # de bacterias por cm2 de cultivo # de llamadas telefnicas a un conmutador por hora, minuto, etc. # de llegadas de barcos a un puerto por da, etc. 102

CARACTERSTICAS DE POISSON Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

x P(x)=
X!e

103

Ejemplo 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. = 6 cheques sin fondo por da e = 2.718

P(x)=

x X!e

64
4!e6

= 0.13392
104

Solucin: 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. = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

P(x)=

x X!e

1210 10!e12

= 0.104953

105

Ejemplo 2:
En la inspeccin de hojalata producida por un proceso electroltico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15 minutos. Solucin: a) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc. = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

P(x)=

0.61

= 0.329307
106

X!e

1!e0.6

Solucin: b) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc. = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata.

P(x)= 1 -

10 0!e1 +

11 1!e1

= 0.26416

107

Solucin: c) x = variable que nos define el nmero de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata

P(x)= 1 -

30 0!e3

31

1!e3

= 0.1992106

108

Ejemplo 3: Cierta enfermedad tiene una probabilidad de ocurrir,


p=1/100.000. Calcular la probabilidad de que en una ciudad con 500.000 habitantes haya ms de 3 personas con dicha enfermedad.

Solucin :
Si consideramos la v.a. X que contabiliza el nmero de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo de Poisson, de modo que

X->B (n=500000,p=1/100000) ->X ->Poi(=5)


As el nmero esperado de personas que padecen la enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una gran dispersin, y no sera extrao encontrar que en realidad hay muchas ms personas o menos que estn enfermas. La probabilidad de que haya ms de tres personas enfermas es:
109

Solucin : (continua) P [X>3] = 1 P[ X 3 ]


P [X>3] = 1 P[ X = 0] - P[X=1] - P[ X = 2 ] - P[ X = 3 ] P [X>3] = 1 - e-5*0 e-5*1 - e-5*2 e-5*3 3! 0! 1! 2! P [X>3] = 0,735

110

Ejemplo 4: El nmero de enfermos que solicitan atencin de


urgencia en un hospital durante un periodo de 24 horas tiene una media de m = 43.2 pacientes. Unas obras en las instalaciones mermarn las capacidades de atencin del servicio, el cual se sabe que colapsar si el nmero de enfermos excede de 50. Cual es la probabilidad de que colapse el servicio de urgencias del hospital? .

Solucin :
Bajo las condiciones del modelo de Poisson, se trata de una distribucin P(43.2). La probabilidad solicitada es

Pr(X>50) = 1 Pr(X50) = 1 F(50)


Pr(X>50) = 0.1343
111

Ejemplo 5: Un equipo tiene dos componentes: A y B. El

componente A se rompe, en promedio, cada 400hs; el componente B, cada 600hs. El equipo deja de funcionar cuando se rompe cualquiera de esos dos componentes. Cul es la probabilidad de que ese equipo funcione por menos de 800hs?

Solucin :
Sea XA la cantidad de tiempo que funciona la mquina A, con distribucin exponencial negativa y A=1/400 y XB la cantidad de tiempo que funciona la mquina B, con distribucin exponencial negativa y B=1/600 . De aqu en adelante, podemos resolver el problema de al menos dos maneras:
112

Opcin a: La probabilidad de que el sistema dure menos de


800hs es P((XA<800)) U (XB . Esto se debe a que el sistema trabaja en serie. Las dos situaciones NO son disjuntas, por lo que la unin debe expresarse como la suma de la probabilidad de cada una, menos la interseccin (como son independientes, la interseccin se calcula como el producto).

Opcin b: Como la duracin del equipo viene dada por la del


componente que se rompa primero, la distribucin de su duracin es la del mnimo entre . La probabilidad de que se rompa antes de las 800hs sera integrar eso entre 0 y 800. Al buscar la frmula para obtener la distribucin del mnimo, tener en cuenta que son dos variables independientes con distinta tasa de falla.

El resultado final es 0,9643.


113

Ejemplo 6: Unas galletitas tienen pedacitos de chocolate blanco y pedacitos de chocolate negro. Los pedacitos negros tienen una distribucin de Poisson, con una media de 4 pedacitos/galleta; los blancos tambin tienen una distribucin de Poisson pero la media es de 3 pedacitos/galleta. Un paquete de estas galletitas trae 8 unidades. Cul es la probabilidad de que en el mismo paquete haya al menos 2 galletitas sin ningn pedacito de chocolate?

Solucin :
Se puede considerar un proceso Bernoulli el agarrar una galletita y comprobar si tiene algn copito o no. La p de que no tenga copitos es la P de que no tenga blancos Y no tenga negros. Son independientes, as que esa interseccin es el producto de ambas probabilidades . Otra opcin es considerar una variable que represente el total de copitos ( ); su distribucin tambin ser de Poisson y su media 114 ser la suma de las media.

Solucin :
En este caso,

El nmero de veces que se lleva a cabo el experimento es 8 (n=8). Como piden que AL MENOS 2 no tengan copitos, conviene sacar la P de que ninguna tenga copitos y la de que 1 no tenga copitos, sumarlas, y restarlas a 1.

Resultado: 5,44x10-5

115

Ejemplo 7: Determinar la cantidad de personas de una poblacin de 10,000 que se involucra en un accidente vehicular cada ao. Solucin: El nmero de personas implicadas sera la siguiente la cual tambin es la varianza:

np (10000 )( 0.00024 ) 2 .4

La probabilidad de que nadie en esta poblacin tenga un accidente en un ao en particular es

P( X

0)

2.4

(2.4) 0!

0.091
La probabilidad de que exactamente una persona tenga como uno es de

P( X

1)

2.4

( 2.4) 1 !

0.218

De manera anloga,

P( X

2)

2.4

(2.4) 2!

0.261
Debido a que los resultados de X mutuamente excluyentes y exhaustivos
P( X 7) 1 P( X 7)

son

1 (0.091 0.218 0.261 0.209 0.125 0.060 0.024) 0.012

Ejercicio Propuesto: El nmero de llamadas que

llegan a cierta Central Telefnica en determinado periodo de tiempo sigue un proceso de Poisson de tasa 180 llamadas la hora. La capacidad de la Central Telefnica permite atender un mximo de 5 llamadas por minuto. Calcular: a) La probabilidad de que en un minuto determinado se reciban mas llamadas de las que se pueden atender. b) La probabilidad de que en un intervalo de 5 minutos se produzcan mas de 10 llamadas. c) La probabilidad de que en 2 minutos se produzcan exactamente 4 llamadas. d) El nmero medio de minutos por hora en que la Central Telefnica podr atender todas las llamadas recibidas. e) La probabilidad de que no se produzca saturacin en ningn minuto a lo largo de una hora. 119

Tema N 04: DISTRIBUCIONES DE PROBABILIDAD Ing. Jos Manuel Garca Pantigozo calidadtotal@hotmail.com

2014 - 0

You might also like