ESTADISTICA APLICADA

DISTRIBUCIONES DE PROBABILIDAD
Departamento de Ciencias
Lic. HECTOR SARAVIA MARQUEZ hector.saravia@upnorte.edu.pe

Objetivos
1. 2. Define el concepto distribución de probabilidad Distingue entre una distribución probabilística discreta y una distribución probabilística continua Elabora una distribución Binomial una distribución de Poisson Determina qué distribución de probabilidad emplea en una situación dada

3. 4.

Es una descripción numérica del resultado de un experimento. Esta descripción genera una función que asocia a cada elemento del espacio muestral, un número real, en nuestro caso la probabilidad.

40% • Asigna a cada posible valor de una variable discreta su probabilidad. 35% 30% 25% 20% 15% 10% 5% 0% 0 1 2 3 . • Ejemplo: Número de caras al lanzar 3 monedas.

Una posible función de probabilidad es: f :   [0.12} la suma de puntos...1)..Sea el experimento “lanzar dos dados”...6). Definamos el espacio muestral E como: E = {(1.(5.(1...1] f (2)  P(X  2 )  P( (1.. .1) )  2 / 36 f (4)  P(X  4 )  P( (1.6)} Definamos la variable aleatoria discreta X como: S = {2..3.3)  (3..2) )  3 / 36 .2)  (2..1) )  1/ 36 f (3)  P(X  3 )  P( (1.(6..1)  (2.6)..(1.2).

6/36 P 4/36 3/36 2/36 1/36 5/36 5/36 4/36 3/36 2/36 1/36 2 3 4 5 6 7 8 9 10 11 12 X .

Son Valores decimales .Variable aleatoria discreta Es la que solo puede tomar una cantidad numerable de valores. Variable aleatoria continua Es aquella que puede tomar infinitos valores dentro de un intervalo de la recta real. Son valores enteros.

Es una lista de todos los posibles resultados numéricos para una variable aleatoria tal que una probabilidad de ocurrencia especifica se asocia con cada resultado. Variable Frecuencia Evento x Probalidad P(x) . A cada característica de la variable de la variable discreta se le asocia una probabilidad.

De Días 40 100 142 66 36 Ejemplo Utilizando los registros de las ventas de los últimos 500 días.Autos vendidos por día 0 1 2 3 4 No. 5 6 7 8 30 26 20 24 9 Total 16 500 . el gerente de Koning Motors. resumió el número de autos vendidos por día de la según de muestra en la distribución de frecuencias de la izquierda: Tomar nota que la variable autos vendidos por día es discreta.

13 0.00 .04 0.20 40 100 Ejemplo 2 3 4 5 142 66 36 30 0.05 0.06 6 7 8 9 26 20 24 16 0.05 0.Autos vendidos por día ( x ) 0 1 Frecuencia P( x ) 0.29 0.08 0.07 0.03 Total 500 1.

20 0.15 0.30 0.00 0 1 2 3 4 5 6 7 8 9 10 AUTOS VENDIDOS POR DÍA PROBABILIDAD .25 0.05 0.10 0.Distribución de Probabilidad de la Venta de autos 0.

Bernoulli definió el proceso conocido por su nombre el cual establece las bases para el desarrollo y utilización de la distribución binomial. .El cálculo de probabilidades tuvo un notable desarrollo con el trabajo del matemático suizo Jacob Bernoulli (1654-1705).

Un tratamiento médico puede ser efectivo o inefectivo. En pruebas de selección múltiple. aunque hay cuatro o cinco alternativas.• • • • • • La distribución binomial se utiliza en situaciones cuya solución tiene dos posibles resultados. En el deporte un equipo puede ganar o perder. . En pruebas de cierto o falso sólo hay dos alternativas. La meta de producción o ventas del mes se pueden o no lograr. se pueden clasificar como correcta o incorrecta. Por ejemplo: Al nacer un/a bebé puede ser varón o hembra.

y no varía de una prueba a otra.p y la representamos por q . La probabilidad de un suceso es constante. 3.Propiedades 1. 2. El resultado obtenido en cada prueba es independiente de los resultados obtenidos en pruebas anteriores. En cada prueba del experimento sólo hay dos posibles resultados: éxitos o fracasos. La probabilidad del complemento es 1. . la representamos por p.

Esta formada por una serie de experimentos de Bernoulli.la probabilidad de éxitos p 3 . .utilizar la función matemática. Para contruirla necesitamos: 1 .La distribución de probabilidad binomial es un ejemplo de distribución de probabilidad discreta.la cantidad de pruebas n 2 . Los resutados de cada experimento son mutuamente excluyentes.

que salga . p .A continuación vemos La función de probabilidad de la distribución Binomial. n .también se le denomina como “q ” k . 1-p . también denominada Función de la distribución de Bernoulli: "cara" al lanzar la moneda.es la probabilidad de éxito. como por ejemplo.es el número de aciertos.es el número de experimentos.

¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces? El número de aciertos k es 6.50 La fórmula quedaría: P (k = 6) = 0.205 Es decir. .5% . que salga "cara" al lanzar la moneda es 50% ó 0. que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20. Esto es x=6 El número de experimentos n son 10 La probabilidad de éxito p. es decir.

que la probabilidad de obtener cuatro veces el números 3 al tirar un dado 8 veces es de 2.6%. 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.¿Cuál es la probabilidad de obtener cuatro veces el número 3 al lanzar un dado ocho veces? El número de aciertos k es 4.026 Es decir.1666) La fórmula queda: P (k = 4) = 0. .

p) . En los ejemplos 1 y 2 los parámetros B(n. n debe ser mayor de 0 y p un valor desde 0 al 1.Utilizando la tabla de probabilidad binomial se pueden resolver los ejemplos anteriores. Este valor se encuentra entre 0 y n. • En el parámetro B(n.p). • k es el número de éxitos que buscamos. .1666) respectivamente.p) son B(10. Para esto debe saber los valores k y B (n.0.50) y B(8.0.

.

La distribución de Poisson se llama así en honor a su creador. . el francés Simeón Dennis Poisson (1781-1840). 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. área. • Se utiliza cuando la probabilidad del evento que nos interesa se distribuye dentro de un segmento n dado como por ejemplo distancia. En otras palabras no se sabe el total de posibles resultados. • 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. volumen o tiempo definido. .

• Las llamadas telefónicas que se reciben en un día. • Los envases llenados fuera de los límites por cada 100 galones de producto terminado. . • Los defectos en manufactura de papel por cada metro producido.Por ejemplo: • La llegada de un cliente al negocio durante una hora.

1. 2. El evento debe considerarse un suceso raro. La probabilidad de observar exactamente un éxito en el segmento o tamaño de muestra n es constante. 3. . El evento debe ser aleatorio e independiente de otros eventos Si repetimos el experimento n veces podemos obtener resultados para la construcción de la distribución de Poisson.

La distribución de Poisson parte de la distribución binomial. Se tiene que cumplir que: p < 0. es aquí donde aplica el modelo de distribución de Poisson.10 p * n < 10 . Cuando en una distribución binomial se realiza el experimento muchas veces. la muestra n es grande y la probabilidad de éxito p en cada ensayo es baja.La distribución de probabilidad de Poisson es un ejemplo de distribución de probabilidad discreta.

área. • λ = Lambda es la ocurrencia promedio por unidad (tiempo. volumen.A continuación veremos la función de probabilidad de la distribución de Poisson. La constante e tiene un valor aproximado de 2. Es igual a p por el segmento dado. Donde: • P(X=K) es la probabilidad de ocurrencia cuando la variable discreta X toma un valor finito k. etc.).711828 • K es el número de éxitos por unidad .

9%.1. entonces. aplicamos el modelo de distribución de Poisson: Al realizar el cómputo tenemos que P(x = 3) = 0.02 por cada día de trabajo. Por lo tanto. .La probabilidad de que haya un accidente en una compañía de manufactura es de 0. Si se trabajan 300 días al año. la probabilidad de tener 3 accidentes laborales en 300 días de trabajo es de 8. y el producto n * p es menor que 10 (300 * 0. ¿cuál es la probabilidad de tener 3 accidentes? Como la probabilidad p es menor que 0.0892.02 = 6).

6%. la probabilidad de que haya 5 productos defectuosos entre 800 recién producidos es de 4.04602 Por lo tanto. por lo que aplicamos el modelo de distribución de Poisson: El resultado es P (x = 5) = 0.012.La probabilidad de que un producto salga defectuoso es de 0.1. . y el producto n * p menor que 10. ¿Cuál es la probabilidad de que entre 800 productos ya fabricados hayan 5 defectuosos? En este ejemplo vemos nuevamente la probabilidad p menor que 0.

. • En el caso de probabilidades puntuales. • Se identifican los valores de n. x y el valor de .¿Cómo usar las tablas? Para usar las tablas se sigue este procedimiento: • Asegurar que la variable sigue un comportamiento Poisson. se localiza el valor de x en la columna de la izquierda y el valor de  o  (media de la distribución de Poisson) en la parte superior de la tabla.

0278.2. x=7.• ¿Cómo usar las tablas? El valor de la probabilidad es el valor que interseca al valor de x con el valor de . la respuesta es 0. Por ejemplo si =3. Esto se muestra en el siguiente segmento de la tabla. .

519. Cue Gallardo.5 PERA 5. 519. Walpole. 519. 519. Rufino. María Josefa. Moya C. Peralta Astudillo. Mario F. Jorge. Estadística.53 CHUE 3. Estadística : problemas resueltos . Probabilidad y estadística para ingeniería y ciencias .5 WALP .5 MOYA 4.Bibliografía 1. Triola.. Ronald .5 TRIO/E 2. 519. Probabilidad e inferencia estadística. Estadística descriptiva y probabilidades.