You are on page 1of 39

DISTRIBUCIONES DE PROBABILIDAD

A N Á L I S I S E S TA D Í S T I C O I I
INGENIERÍA EN PREVENCIÓN DE RIESGOS

09/09/2015

Material Apoyo

1

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD
INTRODUCCIÓN
Una de las preocupaciones de los científicos ha sido construir modelos de distribuciones
de probabilidad que pudieran representar el comportamiento teórico de diferentes
fenómenos aleatorios que aparecían en el mundo real. La pretensión de modelar lo
observable ha constituido siempre una necesidad básica para el científico empírico,
dado que a través de esas construcciones teóricas, los modelos, podía experimentar
sobre aquello que la realidad no le permitía. Por otra parte, un modelo resulta
extremadamente útil, siempre que se corresponda con la realidad que pretende
representar o predecir, de manera que ponga de relieve las propiedades más
importantes del mundo que nos rodea, aunque sea a costa de la simplificación que
implica todo modelo. En esta sección se analizarán los modelos probabilísticos
discretos más comunes y de mayor aplicación práctica.

09/09/2015

Material Apoyo

2

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD
MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.
MODELO DE BERNOUILLI
Corresponde a experimentos como el lanzamiento de una moneda. Sirve de modelo
para muchas situaciones en las que sólo puede haber dos posibles resultados
complementarios (A y no A): uno de ellos con probabilidad p y el otro con probabilidad
(1-p).
Ejemplos:
• Inspeccionar un objeto para ver si es o no es defectuosos.
• Preguntar a una persona si tiene o no tiene trabajo
• Comprobar si una empresa está o no está en quiebra

• Ver si un alumno apruebe o no aprueba un examen

09/09/2015

Material Apoyo

3

y el número de permutaciones. ya se puede calcular la probabilidad de que se den k éxitos con n ensayos: n k f ( x)  P( X  k )    p (1  p ) n  k k  La esperanza matemática será: La varianza será: 09/09/2015 V ( x)  npq E ( x)  np donde Material Apoyo p  q 1 4 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. LA DISTRIBUCIÓN BINOMIAL Se repite n veces de forma independiente un experimento de Bernouilli con probabilidad de éxito igual a p. La variable aleatoria x que expresa el número de “éxitos” obtenidos en este proceso sigue una distribución binomial con parámetros n y p: B(n.p). Una vez se tiene la probabilidad de que suceda k.

LA DISTRIBUCIÓN BINOMIAL Ejemplo: Un vendedor de seguros de vida afirma que el 30% de las veces que sale a la caza de clientes concreta una venta. ¿Cuál es la probabilidad de que en las 10 próximas visitas realice al menos una venta? Solución: Entonces.3)100  0.3 (1  0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.9717 09/09/2015 Material Apoyo 5 . la probabilidad de obtener al menos una venta en las próximas diez visitas será P( x  1)  1  P( x  1)  1  P( x  0) 10  0 P( x  0)   0.0282 0 P( x  1)  1  P( x  1)  1  P( x  0)  1  0.0282  0.

¿Y cómo máximo 2? Solución: A. Un grupo de 4 amigos son aficionados a la lectura.8 (1  0. LA DISTRIBUCIÓN BINOMIAL Ejemplo: La última novela de un autor ha tenido un gran éxito. ¿Cuál es la probabilidad de que el grupo hayan leído la novela 2 personas? B. A.8) 4 2  0. hasta el punto de que el 80% de los lectores ya la han leído.1536  2 La probabilidad es del 15.36% 09/09/2015 Material Apoyo 6 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.  4 2 P( x  2)   0.

0256  0.8) 40  0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.0016  0.1536  0.8 (1  0. LA DISTRIBUCIÓN BINOMIAL ¿Y cómo máximo 2? Solución B.0256 1  4 P( x  2)   0.1808 09/09/2015 Material Apoyo 7 .1536  2 P( x  2)  0. P( x  2)  P( x  0)  P( x  1)  P( x  2)  4 0 P( x  0)   0.82 (1  0.0016 0  4 1 P( x  1)   0.8) 42  0.8) 41  0.8 (1  0.

LA DISTRIBUCIÓN BINOMIAL Ejemplo: La probabilidad de que un artículo producido por una fabrica sea defectuoso es 0. E ( x)  np  10. la varianza y la desviación típica.000 artículos a unos almacenes.02.000  0.98  196 DS ( x)  npq  196  14 09/09/2015 Material Apoyo 8 .02  0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.02  200 V ( x)  npq  10.000  0. Se envió un cargamento de 10. Hallar el número esperado de artículos defectuosos.

¿cuál es la probabilidad de obtener x objetos defectuosos? 09/09/2015 Material Apoyo 9 . LA DISTRIBUCIÓN HIPERGEOMÉTRICA Los experimentos que tienen este tipo de distribución tienen las siguientes características: • Al realizar un experimento con este tipo de distribución. • Cada ensayo o repetición del experimento no es independiente de los demás. y sin reemplazo. se esperan dos tipos de resultados. • Las probabilidades asociadas a cada uno de los resultados no son constantes. • El número de repeticiones del experimento (n) es constante. Ejemplo: En una urna o recipiente hay un total de N objetos. entre los cuales hay una cantidad a de objetos que son defectuosos.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. si se seleccionan de esta urna n objetos al azar.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. LA DISTRIBUCIÓN HIPERGEOMÉTRICA  N1  N 2     x n  x P( X  x)    N   n ESPERANZA MATEMÁTICA Varianza 09/09/2015 V (X )  n  E( X )  n  N1 N N1 N 2 N  n   N N N 1 Material Apoyo 10 .

b) ¿Cuál es la probabilidad de que no sea arrestado por posesión de narcóticos?. un viajero ha colocado 6 tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que son similares en apariencia. a) ¿Cuál es la probabilidad de que el viajero sea arrestado por posesión de narcóticos?. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas. LA DISTRIBUCIÓN HIPERGEOMÉTRICA Ejemplos: Para evitar que lo descubran en la aduana. 2. o 3 tabletas de narcótico = variable que nos indica el número de tabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas 09/09/2015 Material Apoyo 11 . Solución: a) N = 9+6 =15 total de tabletas a = 6 tabletas de narcótico n = 3 tabletas seleccionadas x = 0. 1.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

4747 P ( X  1)  15    3     6  9     2 1 P ( X  2)      0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. LA DISTRIBUCIÓN HIPERGEOMÉTRICA  6  9   1   2       0.8143 Material Apoyo 12 .0439 15    3 09/09/2015 0.2967 15    3  6  9     3 0 P ( X  3)      0.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.1846 P ( X  0)  15    3    09/09/2015 Material Apoyo 13 . LA DISTRIBUCIÓN HIPERGEOMÉTRICA b) p(no sea arrestado por posesión de narcóticos)  6  9   0   3       0.

Si el lote contiene 3 proyectiles defectuosos que no explotarán. a) los 4 exploten?. 3 o 4 proyectiles que explotan = variable que nos define el número de proyectiles que explotan entre la muestra que se dispara 09/09/2015 Material Apoyo 14 . 1. ¿cuál es la probabilidad de que . 4 se seleccionan al azar y se disparan. 2. LA DISTRIBUCIÓN HIPERGEOMÉTRICA Ejemplos: De un lote de 10 proyectiles.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. b) al menos 2 no exploten? Solución: a) N = 10 proyectiles en total N1 = 7 proyectiles que explotan n = 4 proyectiles seleccionados x = 0.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.1666 P ( X  4)  10    4     P( x  2)  P( x  2)  P( x  3)  0. LA DISTRIBUCIÓN HIPERGEOMÉTRICA  7  3    4  0       0.0333 P ( X  3)  10    4   09/09/2015 Material Apoyo   15 .3333  7  3    2   2       0.30 P ( X  2)  10    4      7  3   1   3       0.

Esta distribución de probabilidades fue uno de los múltiples trabajos matemáticos que Dennis completó en su productiva trayectoria. Es muy útil cuando la muestra o segmento n es grande y la probabilidad de éxitos p es pequeña. Permite determinar la probabilidad de ocurrencia de un suceso con resultado discreto. La distribución de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria. el francés Simeón Dennis Poisson (1781-1840). 09/09/2015 Material Apoyo 16 . Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado como por ejemplo distancia. área. volumen o tiempo definido. En otras palabras no se sabe el total de posibles resultados. DISTRIBUCIÓN DE POISSON La distribución de Poisson se llama así en honor a su creador.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

Es igual a p por el segmento dado.). DISTRIBUCIÓN DE POISSON A continuación veremos la función de probabilidad de la distribución de Poisson. Donde: e   k P( X  k )  k! P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor finito k. La constante e tiene un valor aproximado de 2.711828 K es el número de éxitos por unidad 09/09/2015 Material Apoyo 17 . etc. área. volumen.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. λ = Lambda es la ocurrencia promedio por unidad (tiempo.

obtener la probabilidad de que existan 4 televisores con defectos. 71. si se toma un lote o muestra de 85 televisores.7 09/09/2015 e 1.02 X=4 lambda = 1. DISTRIBUCIÓN DE POISSON Ejemplo 1 :La producción de televisores en SAMSUNG trae asociada una probabilidad de defecto del 2%.7 4 P( X  4)   0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.0635 4! Material Apoyo 18 . n = 85 P = 0.

DISTRIBUCIÓN DE POISSON Ejemplo 2 :En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 pericos al azar 3 de ellos hablen ruso.15 X=3 lambda =3 09/09/2015 e 3 33 P( X  3)   0.2240 3! Material Apoyo 19 . n = 20 p = 0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

4 6 ( 6 ) ( 2 . etc. a) cuatro cheques sin fondo en un día dado. ¿cuáles son las probabilidades de que reciba. 3. 1.  6 )    0. DISTRIBUCIÓN DE POISSON Ejemplo 3 :Si un banco recibe en promedio 6 cheques sin fondo por día. 2. 718 ) ( 1296 )( 0. 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 = 0.00248 )  = 6 cheques sin fondo por día p( x  4.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.13392 4! 09/09/2015 Material Apoyo 24 20 .

etc. debe “hablar” de lo mismo que x..  12 )  09/09/2015 ( 12 )10( 2. .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS... DISTRIBUCIÓN DE POISSON b) x= variable que nos define el número de cheques sin fondo que llegan al banco en dos días consecutivos = 0.191736410 )( 0. 3.. p( x  10.. 1.000006151 )   0.. 2.  = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos Nota:  siempre debe de estar en función de x siempre o dicho de otra forma.718 )12 ( 6.104953 10! 3628800 Material Apoyo 21 .

c) cuando más una imperfección en 15 minutos. se identifican 0. 09/09/2015 Material Apoyo 22 .2 imperfecciones en promedio por minuto. b) al menos dos imperfecciones en 5 minutos. DISTRIBUCIÓN DE POISSON Ejemplo 4: En la inspección de hojalata producida por un proceso electrolítico continuo. Determine las probabilidades de identificar a) una imperfección en 3 minutos.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

DISTRIBUCIÓN DE POISSON 09/09/2015 Material Apoyo 23 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. el experimento consiste de una serie de pruebas. sólo puede tomar dos valores (éxito o fracaso). es decir. en la distribución geométrica lo que se busca es el número de pruebas necesarias para que ocurra un éxito. DISTRIBUCIÓN GEOMÉTRICA • La variable aleatoria al igual que en la distribución binomial. • La probabilidad de éxito es p y se mantiene constante de prueba en prueba. mientras que en la distribución binomial se buscaba el número de éxitos que ocurrían en “n” pruebas. 09/09/2015 Material Apoyo 24 . Sin embargo. • Las pruebas son también idénticas e independientes entre sí. las cuales concluyen cuando un éxito es observado.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. definida realizaciones como el numero de o repeticiones (independientes) en un experimento de Bernoulli hasta conseguir el primer éxito y que toma los valores discretos superiores o iguales a 1 (x≥1). La función de cuantía de la distribución Geométrica Ge (p) 0< p<1 ( p es la probabilidad de obtener éxito) viene dada por : Esperanza Matemática 09/09/2015 P ( X  x)  (1  p ) 1 E( X )  p Material Apoyo Varianza x 1 p 1 p V (X )  p2 25 . DISTRIBUCIÓN GEOMÉTRICA Función de probabilidad o cuantía: Se a X una V.A.

05. sea el primero que no muestre una desviación excesiva?. a) el sexto de estos dispositivos de medición sometidos a prueba sea el primero en mostrar una desviación excesiva?. 09/09/2015 Material Apoyo 26 . DISTRIBUCIÓN GEOMÉTRICA Ejemplo 1: Sí la probabilidad de que un cierto dispositivo de medición muestre una desviación excesiva es de 0. b) el séptimo de estos dispositivos de medición sometidos a prueba.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. ¿cuál es la probabilidad de que.

03869 27 .05  0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. DISTRIBUCIÓN GEOMÉTRICA Solución: a) x = 6 que el sexto dispositivo de medición probado sea el primero que muestre una variación excesiva p = 0.05 =probabilidad de que un dispositivo de medición muestre una variación excesiva q = 0. P ( X  6)  (1  0.95 =probabilidad de que un dispositivo de medición no muestre una variación excesiva.05) 09/09/2015 6 1 Material Apoyo  0.

sea el primero que no muestre una desviación excesiva p = 0.05) 09/09/2015 5 1  0.0000059 Material Apoyo 28 .95  0.95 = probabilidad de que un dispositivo de medición no muestre una variación excesiva q = 0. DISTRIBUCIÓN GEOMÉTRICA Solución: b) x = 5 que el quinto dispositivo de medición probado.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.05 = probabilidad de que un dispositivo de medición muestre una variación excesiva P ( X  6)  (0.

DISTRIBUCIÓN GEOMÉTRICA Ejemplo 2: Los registros de una compañía constructora de pozos.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.20. ¿Cuál es la probabilidad de que el quinto pozo construido por esta compañía en un año dado sea el primero en requerir reparaciones en un año?. 09/09/2015 Material Apoyo 29 . indican que la probabilidad de que uno de sus pozos nuevos. requiera de reparaciones en el término de un año es de 0.

08192 Material Apoyo 30 . DISTRIBUCIÓN GEOMÉTRICA Solución : x = 5 que el quinto pozo sea el primero que requiera reparaciones en un año p = 0.20 = probabilidad de que un pozo requiera reparaciones en el término de un año q = 0.80 = probabilidad de que un pozo no requiera reparaciones en el término de un año P ( X  6)  (0.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.80) 09/09/2015 5 1  0.20  0.

en una serie de repeticiones de la experiencia aleatoria en condiciones independientes. cuando X representa el número de veces que se da Ac (ausencias. Este modelo queda definido por dos parámetros p (la probabilidad de A: p = P(A)) y r (el número de veces que debe producirse A para que detengamos la experiencia). fallos.) hasta que se produce r veces el suceso A. Nótese que. Así. etc. cuando r = 1. dado un suceso A y su complementario Ac. tenemos exactamente el modelo geométrico. decimos que X sigue la distribución Binomial negativa.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. DISTRIBUCIÓN BINOMIAL NEGATIVA Puede definirse como una generalización del modelo Geométrico o de Pascal. 09/09/2015 Material Apoyo 31 .

DISTRIBUCIÓN BINOMIAL NEGATIVA La función de densidad viene dada por:  x  1 r  p (1  p ) x  r f ( x)  P( X  x)    r  1 Esperanza Matemática Varianza 09/09/2015 r E( X )  p r  (1  p ) V (X )  p2 Material Apoyo 32 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS.  5  1 1 2 1 5 2 27  (1  )  f ( x)  P( X  5)    0. Ejemplo: Encuentre la probabilidad de que una persona que lanzares monedas obtenga solo caras o solo sellos por segunda vez en el quinto lanzamiento.1054 4 256  2  1 4 09/09/2015 Material Apoyo 33 .

lo que ocurre con probabilidad de 7/11. ¿Cuál es el valor esperado de intervenciones que se espera que deba padecer el paciente? ¿Cuál es la probabilidad de que se necesiten 10 intervenciones? 09/09/2015 Material Apoyo 34 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. el lóbulo queda definitivamente sano. Se practicará la cirugía hasta que 4 de sus 5 lóbulos funcionen correctamente. pero si no es así se deberá esperar el tiempo suficiente para intentarlo posteriormente de nuevo. Ejemplo: Para tratar a un paciente de una afección de pulmón han de ser operados en operaciones independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que si todo va bien.

E( X )  r 4 44    6.MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. y éste es el criterio que se utiliza para detener el proceso.0318 11  4  1  11 09/09/2015 Material Apoyo 35 .285 7 p 7 11 10  1 7 4 7  f ( x)  P( X  10)   (1  )10 4  0. ya que se realizan intervenciones hasta que se obtengan 4 lóbulos sanos. Solución: Este es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa.

Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas. un viajero ha colocado 6 tabletas de narcótico en una botella que contiene 9 píldoras de vitamina que son similares en apariencia. 09/09/2015 Material Apoyo 36 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. Ejercicios: Para evitar que lo descubran en la aduana. 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?.

o 3 tabletas de narcótico = variable que nos indica el número de tabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas  6  9     0 3 P( x  1)  1  P( x  0)  1      1  0.8153 15    3 09/09/2015 Material Apoyo 37 .MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. 6 tabletas de narcótico. n = 3 tabletas seleccionadas. x = 0. 2. 1.1846  0. Solución: a) N = 9+6 =15 total de tabletas.

MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD MODELOS DE DISTRIBUCIÓN DE PROBABILIDAD DISCRETOS. Solución: p(no sea arrestado por posesión de narcóticos)  6  9     0  3   P( x  0)   0.1846 15    3 09/09/2015 Material Apoyo 38 .

ANÁLISIS ESTADÍSTICO II INGENIERÍA EN PREVENCIÓN DE RIESGOS MATERIAL DE APOYO REALIZADO POR ALEJANDRO PIÑEIRO CARO 09/09/2015 Material Apoyo 39 .