Professional Documents
Culture Documents
UNIVERSIDAD DE CUNDINAMARCA
FACULTAD DE INGENIERIA, PROGRAMA DE INGENIERIA INDUSTRIAL
SEDE SOACHA
CUNDINAMARCA, COLOMBIA
2015
DISTRIBUCIONES DE PROBABILIDAD
UNIVERSIDAD DE CUNDINAMARCA
FACULTAD DE INGENIERIA, PROGRAMA DE INGENIERIA INDUSTRIAL
SEDE SOACHA
CUNDINAMARCA, COLOMBIA
2015
TABLA DE CONTENIDO
MARCO TEORICO .......................................................................................................................................... 4
Distribuciones discretas ............................................................................................................................ 5
Distribucin de Poisson......................................................................................................................... 5
Distribuciones continuas........................................................................................................................... 6
Distribucin exponencial...................................................................................................................... 6
Distribucin de Normal ......................................................................................................................... 8
Distribucin de Normal estndar .......................................................................................................... 9
EJERCICIOS DE APLICACIN ........................................................................................................................ 11
Modelos probabilsticos discretos .......................................................................................................... 11
Modelo Poisson................................................................................................................................... 11
Modelos probabilsticos continuos ......................................................................................................... 13
Modelo exponencial ........................................................................................................................... 13
Modelo normal ................................................................................................................................... 15
REFERENCIAS............................................................................................................................................... 18
ANEXO ......................................................................................................................................................... 19
Distribucin de Poisson........................................................................................................................... 19
Desarrollo de la distribucin de Poisson a partir de la Binomial ........................................................ 19
Distribucin exponencial ........................................................................................................................ 20
Desarrollo de la distribucin exponencial a partir de la gamma ........................................................ 20
Desarrollo de la distribucin exponencial a partir de la poisson ........................................................ 20
Demostracin de la fusin de distribucin a partir de la funcin de densidad ................................ 21
Distribucin normal y normal estndar ................................................................................................. 21
[3]
MARCO TEORICO
Las variables aleatorias son definidas a travs de caractersticas cuantificables por conteo o por
medicin para experimentos aleatorios, dicho en otras palabras son variables ya que el valor o
resultado cambia de una variable a otra y son aleatorias debido a que su comportamiento es
impredecible, en la caracterizacin de un fenmeno o proceso natural se establecen los posibles
valores que puede asumir la variable y sus respectivas ocurrencias , el resultado de establecer los
valores que puede asumir la variable genera un nuevo espacio muestral numrico de un
experimento aleatorio, es decir el rango o recorrido espacial y la asignacin de la ocurrencia a
los respectivos valores se efecta haciendo uso de funciones de la probabilidad las cuales
describen el comportamiento de cada resultado de un rango espacial en trminos de
probabilidad. Las variables aleatorias estn categorizadas de acuerdo a su rango espacial, para
variables cuyo rango espacial est definido por un numero finito o infinito de valores se le
denominan variables discretas y para variables cuyo rango espacial est definido por un nmero
infinito de valores dentro de un intervalo dado se le denominan variables continuas,
TIPO DE VARIABLE
ALEATORIA
VARIABLES DISCRETAS
AXIOMAS PROBABILISTICOS
Axioma de
positividad
Axioma de
certidumbre
Axioma de adicin
VARIABLES CONTINUAS
[4]
TIPO DE
VARIABLE
ALEATORIA
PARAMETROS
Media
Varianza
Desviacin estndar
VARIABLES
DISCRETAS
VARIABLES
CONTINUAS
Distribuciones discretas
Distribucin de Poisson
Esta distribucin fue desarrollada por el matemtico francs Simeon Poisson (1781-1840), la
distribucin de Poisson determina la probabilidad de ocurrencia de un resultado en e el tiempo o
en el espacio, esto es medir la probabilidad de ocurrencia de un evento sobre un intervalo de
tiempo o espacio definido.
Caractersticas
1. Los eventos se producen aleatoriamente en un intervalo de tiempo o regin y no en un
nmero definido de repeticiones, en donde el numero de resultados que ocurren en dicho
intervalo o regin dado es independiente del numero de resultados que ocurren en
cualquier otro intervalo de tiempo o regin del espacio disjunto.
2. La frecuencia de ocurrencia de un evento es tan baja con relacin a la frecuencia de no
ocurrencia que se considera como sucesos raros y para la probabilidad de que ocurra un
solo resultado durante un intervalo de tiempo muy corto o en una regin pequea es
proporcional a la longitud del intervalo o al tamao de la regin, y no depende del
nmero de resultados que ocurren fuera de este intervalo de tiempo o regin.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo de tiempo corto que
caiga en tal regin pequea es insignificante.
La probabilidad de ocurrencia es constante par
Su aproximacin a la binomial sucede cuando es muy cercano a cero , o superior
a
,
[5]
Funcin de probabilidad
Donde
Nmero de xitos en la unidad de tiempo o de espacio considerado
Media aritmtica de la variable
Constante (base de los logaritmos naturales)
Distribuciones continuas
Distribucin exponencial
Una variable aleatoria
tiene una distribucion exponencial y se conoce como una variable
aleatoria exponencial,
Caractersticas
1. Se utiliza para modelar tiempos de espera hasta la ocurrencia de un cierto evento de
inters, se utiliza con frecuencia para modelar tiempos de funcionamiento (tiempo de
vida), es decir el tiempo que transcurra antes de que ocurra un fallo, aparte de la
modelacin de tiempo entre eventos tambin se puede modelar distancia entre eventos,
volumen entre eventos entre otros.
2. Para un evento que ocurre al azar varias veces a lo largo del tiempo, los tiempo de inter
ocurrencia son independientes uno del otro y todos tienen una distribucin
Sea
Entonces
Relacin entre la distribucin exponencial y la distribucin de Poisson
[6]
Funcin de densidad
Funcin de distribucin
Donde
t= lapso de tiempo
Promedio de ocurrencia
Constante (base de los logaritmos naturales)
[7]
Distribucin de Normal
La distribucin normal fue desarrollada en 1733 por el matemtico francs Abraham De Moivre
(1667-1754) la curva que genero las variables aleatorias De Moivre la llamo curva exponencial
con forma de campana, esta fue demostrada en 1809 por el cientfico alemn Karl Friedrick
Gauss (1777-1855) como resultado la curva con forma de campana fue denominada campana o
curva Gaussiana .
Propiedades de la distribucin normal1
1. El rea total que encierra la curva y el eje X es igual a 1.
, ya que
slo depende de
4.
para todo
5. Tiene al eje como una asntota horizontal, ya que
6. Tiene puntos de inflexin
el intervalo
y
, por tanto, es cncava hacia abajo en
, y cncava hacia arriba en cualquier otra parte.
CORDOVA, M. Estadstica Descriptiva e inferencial: aplicaciones 5 ed. , Per, editorial MOSHERA S.R.L , 2003 ,
290p.
[8]
Funcin de densidad
Funcin de distribucin
Donde
Variable aleatoria distribuida normalmente
Media aritmtica de la variable
Varianza de la variable
constante (base de los logaritmos naturales)
constante
[9]
Se representa como
, la variable
Transformacin de
en
y de
[10]
EJERCICIOS DE APLICACIN
Modelos probabilsticos discretos
Modelo Poisson
1. Un corredor de bolsa llama a sus 20 ms importantes clientes cada maana. Si la
probabilidad de que efecte una transaccin como resultado de dichas llamadas es de uno
a tres, cules son las posibilidades de que maneje 10 o ms transacciones?
=6,6667 clientes
[11]
a) ms de 5 veces?
=5 pedidos
b) ninguna vez?
c) Entre 3 y 5, inclusive?
4. Un proceso de fabricacin utilizado para hacer artefactos plsticos Incas presenta una
tasa de defectos de 5 por cada 100 unidades se envan a los distribuidores en lotes de
200, Si la probabilidad de que ms de 3 salgan defectuosos supera al 30%, usted planea
vender en su lugar, camisetas Grateful Dead. Cul articulo agregar usted al inventario?
[12]
Agregara las camisetas Grateful Dead.al inventario ya que la proporcin de defectos para
los artefactos plsticos presentan un incremento del 98,97% cuando son ms de 3
defectos.
5. Usted compra partes para bicicleta de un proveedor en Toledo que tiene 3 defectos por
cada 100 partes. Usted esta en el mercado para comprar 150 partes pero no aceptara una
probabilidad de ms del 50% de que mas de dos partes sean defectuosas Usted le
comprara a dicho proveedor?
[13]
Cul es la probabilidad de que el computador este fuera de lnea por cualquier periodo
de dos semanas?
3. Durante un da de trabajo tpico de 8 horas. Los computadores utilizados para vigilar la
etapa de enfriamiento en la produccin de neumticos para autos seala que la
temperatura no se mantiene de forma apropiada en 30 oportunidades. El Sr Radial,
director ejecutivo de la compaa, est por hacer una inspeccin de la planta durante 30
minutos.
Cul es la probabilidad de que este all cuando se active la seal del computador?
4. Ejemplo 7.215 :El tiempo durante el cual cierta marca de batera trabaja en forma efectiva
hasta que falle (tiempo de falla) se distribuye segn el modelo exponencial con un tiempo
promedio de fallas igual a 360 das.
Sea
el tiempo que trabaja la batera hasta que falle. El tiempo promedio de falla es de
360 das. Entonces,
su funcin de densidad es:
a) Qu probabilidad hay que el tiempo de falla sea mayor que 400 das?. Esta
Probabilidad es conocida tambin como confiabilidad de la batera.
CORDOVA, M. Estadstica Descriptiva e inferencial :aplicaciones 5 ed. , Per, editorial MOSHERA S.R.L , 2003 ,
304p.
[14]
Modelo normal
1. Los paquetes de cereal Cheerios de General Mills vienen en cajas de 36 onzas que tienen
una desviacin estndar de 1.9 onzas. Se piensa que los pesos estn distribuidos
normalmente. Si se selecciona una caja aleatoriamente, cual es la probabilidad de que la
caja pese.
a) Menos de 34.8 onzas ?
b) Ms de 34.8 onzas?
Si podra cargar una bolsa ya que hay una probabilidad de 2.7% que es pequea de que
pueda levantar ms de 60 libras
[15]
3. Se publica que los frenos de los nuevos autos de la marca Lambourginis duran un
promedio de 35.000 millas con una desviacin estndar de 1,114 millas. Cual es la
probabilidad de que los frenos del auto que usted acaba de comprar le duren:
a) Ms de 35,000 millas?
=US$
b) Ms que el 30% de todos los empleados?
=US$
[16]
=US$
d) Ms que el 50% de todos los empleados?
=US$
6. Los empleados en Coopers-Price and Lybrand trabajan un promedio de 55.8 horas por
semana, con una desviacin estndar de 9.8 horas. Los ascensos son ms probables para
los empleados que estn dentro del 10% de los que pasan ms tiempo trabajando.
Cunto debe trabajar usted para mejorar sus oportunidades de ascenso?
Debera trabajar 40.344 horas o ms por semana para que mejoren las oportunidades de
ascenso.
7. Los registros muestran que 45% de todos los automviles producidos por Ford Motor
Company contiene partes de Japn Cul es la probabilidad de que los prximos 200
carros, 115 contengan partes japonesas?
[17]
REFERENCIAS
Astrometra: (2011) Consultado [8 de May. Del 2015 ] Disponible en<
http://www.oac.uncor.edu/documentos/materias/clases.pdf >.
[18]
ANEXO
Distribucin de Poisson
Desarrollo de la distribucin de Poisson a partir de la Binomial
Al dejar que
cuando
Sabemos ahora
Donde es el nmero de ocurrencia del evento de inters en una unidad de espacio (o tiempo)
para cualquier otro valor del espacio (o tiempo) la funcin de probabilidad ser:
[19]
el numero de veces
Distribucin exponencial
Desarrollo de la distribucin exponencial a partir de la gamma
Cuando
Consideremos a hora a
por
esta dada
p(0) = es e- I' es que sta es la probabilidad de que el tiempo para la primera ocurrencia
sea mayor que t. AI considerar este tiempo como una variable aleatoria t, al considerar
este tiempo se tiene
Por consiguiente si dejamos que ahora que el tiempo vari y consideramos la aleatoriedad
como el tiempo para la ocurrencia, entonces
Y, puesto que
[20]
b)
=
Se deriva usando la regla de la cadena
Cambio de variable
Entonces
[21]