Tema Nº 04: DISTRIBUCIONES DE PROBABILIDAD Ing. José Manuel García Pantigozo calidadtotal@hotmail.

com

2014 - 0

Objetivos de Aprendizaje
Definir una distribución de probabilidad. Distinguir entre una distribución probabilística discreta y una distribución probabilística continua. Calcular la media, la variancia y la desviación estándar de una distribución de probabilidad. Elaborar una distribución Binomial, una distribución Hipergeométrica y una distribución de Poisson. Determinar que distribución probabilística emplear en la una situación dada.
2

DISTRIBUCIONES PROBABILISTICAS
Una distribución probabilística es la enumeración de todos los resultados de un experimento junto con las probabilidades asociadas.

Distribución Probabilística
La distribución de una variable X se define como una descripción del conjunto de valores posibles de X, junto con la probabilidad asociada con cada uno de estos valores Para una variable aleatoria discreta la distribución de probabilidad se describe mediante una función de probabilidad, representada por f(x). Donde esta función define la probabilidad de cada valor de la variable analizada

Condiciones Requeridas Para Una Función Discreta
f ( x) P( X x) fx ( x ) 0
n

fx ( x )
i 1

1

Probabilidad
Cantidad discreta

Función de probabilidad Uniforme Discreta
Es la representación más sencilla de distribución de probabilidad, se define como:

f ( x)

x/n

DISTRIBUCIONES PROBABILISTICAS
NÚMEROS 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

Características de una distribución probabilística: 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 descripción numérica 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 numérica.

Variables aleatorias

VARIABLE ALEATORIA
Una variable aleatoria es un valor numérico 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 número de caras. Sea H el resultado de obtener una cara y T el de obtener una cruz. El espacio muestral para este experimento será: TTT, TTH, THT, THH, HTT, HTH, HHT, HHH. Entonces, los valores posibles de X (número de caras) son x = 0, 1, 2, 3, El resultado será: “cero caras” ocurrió una vez, “una cara” ocurrió tres veces, “dos caras” ocurrió tres veces y “tres caras” ocurrió una vez. De la definición 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 sólo ciertos valores diferentes que son

el resultado de la cuenta de alguna
característica de interés. Ejemplo 2: sea X el número de

caras obtenidas al lanzar 3 veces
una moneda. Aquí los valores de X son x = 0, 1, 2, 3

FUNCIÓN 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
– Número de caras al lanzar 3 monedas.

13

VARIABLE ALEATORIA CONTINUA
Si se mide algo, como el tamaño de

una pieza metálica, se dice que es
una variable aleatoria continua. Puede tomar una cantidad infinita de

valores dentro de ciertas limitaciones.
Ejemplo 3: La presión de un neumático en (lb/pulg2) podría ser

28.0, 28.6, 28.62, 28.624 y así
sucesivamente, dependiendo de la exactitud del medidor.

FUNCIÓN DE DENSIDAD (V. CONTINUA)
• Definición – Es una función no negativa de integral 1. • Piénsalo como la generalización del histograma con frecuencias relativas para variables continuas. • ¿Para qué lo voy a usar? – Nunca lo vas a usar directamente. – Sus valores no representan probabilidades.
15

¿PARA QUÉ 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 función de densidad en dichos intervalos coincide con la probabilidad de los mismos.

• Es decir, identificamos la probabilidad de un intervalo con el área bajo la función de densidad.

16

FUNCIÓN DE DISTRIBUCIÓN
• Es la función que asocia a cada valor de una variable, la probabilidad acumulada de los valores inferiores o iguales. • Piénsalo como la generalización de las frecuencias acumuladas. Diagrama integral. • A los valores extremadamente bajos les corresponden valores de la función de distribución cercanos a cero. – A los valores extremadamente altos les corresponden valores de la función de distribución cercanos a uno. – Lo encontraremos en los artículos y aplicaciones en forma de “p-valor”, significación,…
17

FUNCIÓN DE DISTRIBUCIÓN
• Es la función que asocia a cada valor de una variable, la probabilidad acumulada de los valores inferiores o iguales. • Piénsalo como la generalización de las frecuencias acumuladas. Diagrama integral. • A los valores extremadamente bajos les corresponden valores de la función de distribución cercanos a cero. – A los valores extremadamente altos les corresponden valores de la función de distribución cercanos a uno. – Lo encontraremos en los artículos y aplicaciones en forma de “p-valor”, significación,…
18

¿PARA QUÉ SIRVE LA FUNCIÓN DISTRIBUCIÓN? • Contrastar lo anómalo de una observación concreta. • Sé que una persona de altura 210cm es “anómala” porque la función de distribución en 210 es muy alta. • Sé que una persona adulta que mida menos de 140cm es “anómala” porque la función de distribución es muy baja para 140cm. • Sé que una persona que mida 170cm no posee una altura nada extraña pues su función de distribución es aproximadamente 0,5.
19

¿PARA QUÉ SIRVE LA FUNCIÓN DISTRIBUCIÓN? • Relaciónalo con la idea de cuantil. • En otro contexto (contrastes de hipótesis) podremos observar unos resultados experimentales y contrastar lo “anómalos” que son en conjunto con respecto a una hipótesis de terminada. – Intenta comprender la explicación de clase si puedes. Si no, ignora esto de momento. Revisita este punto cuando hayamos visto el tema de contrastes de hipótesis.
20

MEDIA DE UNA DISTRIBUCION PROBABILISTICA La media o esperanza matemática es una medida de localización, que indica el valor alrededor del cual fluctúa la variable aleatoria; si ésta es discreta, la media se define como:

µ = E(X) = Σ[x*P(X)]
21

VARIANCIA DE UNA DISTRIBUCION PROBABILISTICA

La variancia describe el grado dispersión en una distribución.

de

2 2 σ = E(X) = Σ[(X - µ) *P(X)]

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

NÚMEROS 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. ¿Qué tipo de distribución es esta? 2. En un sábado común, ¿Cuántos autos desea vender? 3. ¿Cuál es la variancia de la distribución?

23

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

NÚMEROS 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 (continuación)
NÚMEROS 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 cálculos para la variancia. Su valor es 1.290
NÚMEROS DE AUTOS VENDIDOS X 0 1 2 PROBABILIDAD P(X) 0.10 0.20 0.30 (X - µ) 0 – 2.1 1 – 2.1 2 - 2.1 (X - µ)2 4.41 1.21 0.01 (X - µ)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 σ = 1.290

σ= 1.136

25

Ejemplo 5: Una empresa ofrece tres tamaños de un refresco (pequeño, mediano y grande) como complemento de pizzas. Las bebidas se venden a 50, 75 y 90 centavos de dólar respectivamente. De los pedidos, 30% son para el tamaño pequeño, 50% para el mediano y 20% para el grande. 1.¿Es esta una distribución probabilística 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 desviación estándar? Solución 1. Si, la suma de probabilidades es igual a 1.

26

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

Solución 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 - µ)*(X - µ)*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). • También puede ser denotado como éxito y fracaso.

DISTRIBUCION PROBABILISTICA BINOMIAL

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

DISTRIBUCION PROBABILISTICA BINOMIAL 2DA CARACTERISTICA: • Los datos recopilados son resultado de conteos. Es por esta razón que la distribución binomial se clasifica como discreta.
3RA CARACTERISTICA: • Que la probabilidad de un éxito 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 (éxito) es 0.5;la probabilidad de adivinar la 2da pregunta (2do ensayo) es 0.5; la probabilidad de éxito en el 3er ensayo es 0.5, y así sucesivamente. • La probabilidad que salga 6 al lanzar un dado es 1/6;la probabilidad de que salga 6 de nuevo (2do ensayo) también es 1/6; la probabilidad de éxito en el tercer ensayo es 0.5, y así sucesivamente.
32

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

33

Ejemplo 8: Experimento aleatorio: n = 3 lanzamientos de una
moneda. Probabilidad de éxito 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 distribución binomial, sea n el número de ensayos r el número de éxitos observados p la probabilidad de éxito en cada ensayo q la probabilidad de fracaso, que se obtiene por 1- p.

n! r n-r Pr = (p) (q) r!(n – r)!

DISTRIBUCIÓN BINOMIAL
• Función de probabilidad
P[ X k] n k pk qn k , 0 k n

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

• Media: μ =n p

• Varianza: σ2 = n p q
36

Propiedades de la Distribución Binomial
Promedio Varianza
2

Np
Npq
Npq
q
3

Desviación Estándar
Coeficiente de Asimetría

p Npq

Curtosis

4

3

1 6 pq Npq

Ejemplo 9: ¿Cuál es la probabilidad de que en una familia de 4 hijos exactamente 2 sean niñas?

p(x) p 0.5;

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

x

x

2

p( 2 )

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

Ejemplo10: Si una décima parte de personas tiene cierto grupo sanguíneo, ¿cuál es la probabilidad de que entre 100 personas escogidas al azar exactamente 8 de ellas pertenezcan a este grupo sanguíneo?

p(x) p 0.1;

n x p (1 x

p)

n x

n 100;

x

8

p( 8 )

100 8 92 ( 0.1 ) ( 1-0.1 ) 8
39

Ejemplo 11: ¿Y si la pregunta es 8 como máximo?

8

p(x 8 )
x 0 8 x 0

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

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

2

5 6

2

4 3

1 6

3

5 6

4 4

1 6

4

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 cúmulo estelar joven es del 4%. ¿Cuál es la probabilidad de que en una muestra escogida al azar, entre 10 miembros del cúmulo encontremos 3 estrellas con m* >10 M?

p(x) p

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

x

0.04;

x

3 0.043 0.967 0.006
42

p( 3 )

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

Ejemplo 14: Elige un número entre 1 y 6. Lanzas 3 dados. Si el número 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

3

5 6
2

0

3 1 3 0

3 2 5 6

1 6
3

2

5 6

2 0.08
43

5 6

( 1)

44

45

46

47

• Supongamos que un experimento aleatorio tiene las siguientes características:
– En cada prueba del experimento sólo son posibles dos resultados: el suceso A (éxito) 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 varía de una prueba a otra. La probabilidad de `A es 1- p y la representamos por q . – El experimento consta de un número n de pruebas.

• Todo experimento que tenga estas características diremos que sigue el modelo de la Distribución Binomial. A la variable X que expresa el número de éxitos obtenidos en cada prueba del experimento, la llamaremos Variable Aleatoria Binomial.
48

• La variable binomial es una variable aleatoria discreta, sólo 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 kéxitos y (n-k) fracasos debemos calcular éstas por combinaciones (número combinatorio n sobre k). • La distribución Binomial se suele representar por B(n,p) siendo n y p los parámetros de dicha distribución.

49

CARACTERÍSTICAS DE LA DISTRIBUCIÓN 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

0

1

2

3

4

5

Desviación estándar
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

Parámetros de la Distribución Binomial

Función de Distribución de la v.a. Binomial

51

Sea X una variable aleatoria discreta correspondiente

a una distribución binomial.

52

Ejemplo 15: Una máquina 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 sólo haya una defectuosa. Solución : Se trata de una distribución binomial de parámetros B(50, 0'007) y debemos calcular la probabilidad p(r=1).

• Ejemplo 16: La probabilidad de éxito 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 Solución : Se trata de una distribución binomial de parámetros B(15, 0'72)

55

• Ejemplo 17: La probabilidad de que el carburador de un coche salga de fábrica defectuoso es del 4 por 100. Hallar: a) El número de carburadores defectuosos esperados en un lote de 1000 b) La varianza y la desviación típica. Solución :

56

• Ejemplo 18: Se dice que el 75% de los accidentes de una planta se atribuyen a errores humanos. Si en un período de tiempo dado, se suscitan 5 accidentes, determine la probabilidad de que; a) dos de los accidentes se atribuyan a errores humanos, b) como máximo 1 de los accidentes se atribuya a errores de tipo humano, c) tres de los accidentes no se atribuyan a errores humanos. Solución a) r = variable que nos define el número de accidentes debidos a errores humanos.
57

r = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano p = p (éxito) = 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 Solución a) P(r) = 5! (0.752)(0.255-2) = 0.08789 2!(5 – 2)!
58

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

5! (0.751)(0.255-1) = 0.015624 1!(5 – 1)!
Solución c) En este caso cambiaremos el valor de p; n =5 r = variable que nos define el número 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 presión 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 más de 2 tubos se condense el vapor, c) el vapor se condense en exactamente 5 tubos.
Solución a)

n =12 r = variable que nos define el número 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
Solución a)

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

62

Solución 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)

Solución 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 número esperado de amplificadores que se exceden de un nivel de ruido de 2dB y su desviación estándar.

Solución a) n =10 r =variable que nos define el número 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

Solución 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)

Solución c) n=10 r= variable que nos define el número 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
Solución 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

Solución d)

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

µ = 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. Él 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 3·0.063 = 0.189, probabilidad de que de 3 clientes que ingresan a la tienda 2 compren

Ejemplo 22: ¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

El número de aciertos k es 6. Esto es x=6
El número de experimentos n son 10

La probabilidad de éxito p, es decir, que salga "cara" al lanzar la moneda es 50% ó 0.50 La fórmula quedaría:
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: ¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho veces? Solución: El número de aciertos k es 4. Esto es x=4 El número de experimentos n son 8 La probabilidad de éxito p (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0.1666) La fórmula queda:

P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el números 3 al tirar un dado 8 veces es de 2.6%.

Ejemplo 24: En una fábrica de cámaras el 5% sale con defectos. Determine la probabilidad de que en una muestra de 12 se encuentren 2 cámaras defectuosas.
Solución :
Se trata de una distribución binomial de parámetros 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 estará 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. Solución : Se trata de una distribución binomial de parámetros 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 función del 90%. Si se envía un lote de 18 productos, ¿cuál es la probabilidad de encontrar: 2 que no cumplen? Solución: n=18, =0.10. Los envíos 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

Según los cálculos, se determina que el 29% de las población adulta de estados unidos en 1987 es fumadora, y el 71% de ella no lo es.

77

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

N-S

S

78

DISTRIBUCION HIPERGEOMETRICA

Pr =

(sCr)*(N-SCn-r)

(NCn)

• • • • •

N S r n C

Tamaño de la población Número de éxitos en la población Número de éxitos que interesan (0,1,2,3,...) Tamaño de la muestra Símbolo de la combinación
79

ESPERANZA MATEMATICA DE UNA VARIABLE HIPERGEOMETRICA

µ = E(X) =

n*S N

VARIANZA DE UNA VARIABLE HIPERGEOMETRICA

σ2= E[(X - µ)2]
80

Ejemplo 1:

Una empresa durante la semana fabricó 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 fórmula hipergeométrica ¿Cuál es la probabilidad que cuatro (r=4) de los cinco operarán sin problemas? (Observar que se hace sin reposición y que el tamaño de muestra de 5 es de 10% de la población. Esto es mayor que la condición de 5%).
81

Solución:
• • • • 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

NÚMERO QUE FUNCIONÓ CORRECTAMENTE

82

DISTRIBUCION HIPERGEOMETRICA
0.5000 0.4000 0.3000
P

0.2000 0.1000 0.0000 1 2 3
x

4

5

6
83

Ejemplo 2:
Una empresa durante la semana fabricó 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 fórmula hipergeométrica ¿Cuál es la probabilidad que cuatro (r=3) de los cinco operarán sin problemas? (Observar que se hace sin reposición y que el tamaño de muestra de 5 es de 10% de la población. Esto es mayor que la condición de 5%).

Solución:

• 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 después de recibirlos, el fabricante llamó para informar que por descuido se habían enviado tres aparatos defectuosos. Se decidió probar dos de estos ¿Cuál es la probabilidad que ninguno de los dos este defectuoso?
85

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

(10C2)

NÚMERO QUE FUNCIONÓ 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, ¿cuál es la probabilidad de que 2 sean defectuosos?

87

Solución:
• • • • N S r n = 10 = 3 = 4 = 2 Pr =

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

= 0.30

NÚMERO QUE FUNCIONÓ 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 narcótico en una botella que contiene 9 píldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas. a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de narcóticos?. b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?.
89

Solución: 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)
NÚMERO QUE FUNCIONÓ 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 explotarán, ¿cuál es la probabilidad de que , a) los 4 exploten?, b) al menos 2 no exploten?

Solución:
• 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)¿Cuál es la probabilidad de que una
mesera se rehúse únicamente a dos aleatoriamente solo estudiantes, de los suficiente?, b) ¿Cúal máximo 2 de las menores de edad? a servir bebidas alcohólicas 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

Solución: • 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)
NÚMERO QUE FUNCIONÓ CORRECTAMENTE PROBABILIDAD

0

1
2

SUMAMOS Y……

0.00793 0.15873 0.47619 0.64285
94

EjERCICIO PROPUESTO:
Una compañía manufacturera utiliza un esquema para la aceptación de los artículos 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 algún artículo defectuoso. Si se encuentra uno, la caja entera se regresa para verificarla al 100%. Si no se encuentra ningún artículo defectuoso, la caja se embarca. a)¿Cuál es la probabilidad de que se embarque una caja que tiene tres artículos defectuosos?, b)¿Cuál es la probabilidad de que una caja que contiene solo un artículo defectuoso se regresa para verificación?
95

96

DISTRIBUCIÓN DE POISSON
• También se denomina de sucesos raros. • Se obtiene como aproximación de una distribución binomial con la misma media, para ‘n grande’ (n>30) y ‘p pequeño’ (p<0,1). • Queda caracterizada por un único parámetro μ (que es a su vez su media y varianza.) • Función de probabilidad:

k

P[ X

k] e

k!

, k

0,1,2,...

DISTRIBUCIÓN DE POISSON • Distribución de Probabilidad Discreta

X

p( X )

e X!

X

Propiedades de la distribución Poisson
Promedio
Varianza Desviación Estándar Coef. De Asimetría Curtosis
2

1
3
4

3

1

EJEMPLOS DE VARIABLES DE POISSON
• El número de individuos que será atendido un día cualquiera en el servicio de urgencias del hospital clínico universitario. – En Málaga hay 500.000 habitantes(n grande) – La probabilidad de que cualquier persona tenga un accidente es pequeña, pero no nula. Supongamos que es 1/10.000 – Bin (n=500.000,p=1/10.000)≈ Poisson(μ=np=50)

EJEMPLOS DE VARIABLES DE POISSON
• Sospechamos que diferentes hospitales pueden tener servicios de traumatología de diferente “calidad” (algunos presentan pocos, pero creemos que aún demasiados, enfermos con secuelas tras la intervención). Es dificil compararlos pues cada hospital atiende poblaciones de tamaños diferentes (ciudades, pueblos,…) – Tenemos en cada hospital n, nº de pacientes atendidos o nº individuos de la población que cubre el hospital. – Tenemos p pequeño calculado como frecuencia relativa de secuelas con respecto al total de pacientes que trata el hospital, o el tamaño de la población,… – Se puede modelar mediante Poisson(μ=np) 101

CARACTERÍSTICAS DE POISSON • En este tipo de experimentos los éxitos buscados se expresan por unidad de área, tiempo, pieza, etc,: • # de defectos de una tela por m2 • # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc. • # de bacterias por cm2 de cultivo • # de llamadas telefónicas a un conmutador por hora, minuto, etc. • # de llegadas de barcos a un puerto por día, etc. 102

CARACTERÍSTICAS DE POISSON • Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar sería:

µx P(x)=
X!eµ

103

Ejemplo 1:
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos? Solución: a) x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc. µ = 6 cheques sin fondo por día e = 2.718

P(x)=

µx X!eµ

=

64
4!e6

= 0.13392
104

Solución: b) • x = variable que nos define el número de cheques sin fondo que llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc. • µ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos • Nota: µ siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo mismo que x.

P(x)=

µx X!eµ

=

1210 10!e12

= 0.104953

105

Ejemplo 2:
En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5 minutos, c) cuando más una imperfección en 15 minutos. Solución: a) x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc. µ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata

P(x)=

µx

=

0.61

= 0.329307
106

X!eµ

1!e0.6

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

P(x)= 1 -

10 0!e1 +

11 1!e1

= 0.26416

107

Solución: c) x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc. µ= 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 más de 3 personas con dicha enfermedad.

Solución :
• Si consideramos la v.a. X que contabiliza el número 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(λ=5)
• Así el número esperado de personas que padecen la enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más personas o menos que están enfermas. La probabilidad de que haya más de tres personas enfermas es:
109

Solución : (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 número de enfermos que solicitan atención de
urgencia en un hospital durante un periodo de 24 horas tiene una media de m = 43.2 pacientes. Unas obras en las instalaciones mermarán las capacidades de atención del servicio, el cual se sabe que colapsará si el número de enfermos excede de 50. ¿Cual es la probabilidad de que colapse el servicio de urgencias del hospital? .

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

Pr(X>50) = 1 – Pr(X≤50) = 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. ¿Cuál es la probabilidad de que ese equipo funcione por menos de 800hs?

Solución :
• Sea XA la cantidad de tiempo que funciona la máquina A, con distribución exponencial negativa y λA=1/400 y XB la cantidad de tiempo que funciona la máquina B, con distribución exponencial negativa y λB=1/600 . De aquí en adelante, podemos resolver el problema de al menos dos maneras:
112

Opción 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 unión debe expresarse como la suma de la probabilidad de cada una, menos la intersección (como son independientes, la intersección se calcula como el producto).

Opción b: Como la duración del equipo viene dada por la del
componente que se rompa primero, la distribución de su duración es la del mínimo entre . La probabilidad de que se rompa antes de las 800hs sería integrar eso entre 0 y 800. Al buscar la fórmula para obtener la distribución del mínimo, 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 distribución de Poisson, con una media de 4 pedacitos/galleta; los blancos también tienen una distribución de Poisson pero la media es de 3 pedacitos/galleta. Un paquete de estas galletitas trae 8 unidades. ¿Cuál es la probabilidad de que en el mismo paquete haya al menos 2 galletitas sin ningún pedacito de chocolate?

Solución :
•Se puede considerar un proceso Bernoulli el agarrar una galletita y comprobar si tiene algún copito o no. La p de que no tenga copitos es la P de que no tenga blancos Y no tenga negros. Son independientes, así que esa intersección es el producto de ambas probabilidades . Otra opción es considerar una variable que represente el total de copitos ( ); su distribución también será de Poisson y su media 114 será la suma de las media.

Solución :
• En este caso,

• El número 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 población de 10,000 que se involucra en un accidente vehicular cada año. Solución: El número de personas implicadas sería la siguiente la cual también es la varianza:

np (10000 )( 0.00024 ) 2 .4

La probabilidad de que nadie en esta población tenga un accidente en un año en particular es

P( X

0)

e

2.4

(2.4) 0!

0

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

P( X

1)

e

2.4

( 2.4) 1 !

1

0.218

De manera análoga,

P( X

2)

e

2.4

(2.4) 2!

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 número de llamadas que

llegan a cierta Central Telefónica en determinado periodo de tiempo sigue un proceso de Poisson de tasa 180 llamadas la hora. La capacidad de la Central Telefónica permite atender un máximo 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 número medio de minutos por hora en que la Central Telefónica podrá atender todas las llamadas recibidas. e) La probabilidad de que no se produzca saturación en ningún minuto a lo largo de una hora. 119

Tema Nº 04: DISTRIBUCIONES DE PROBABILIDAD Ing. José Manuel García Pantigozo calidadtotal@hotmail.com

2014 - 0

Sign up to vote on this title
UsefulNot useful