Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Clase Normal Binomial Poisson
Clase Normal Binomial Poisson
La distribucin normal
Introduccin
Una de las herramientas de mayor uso en las empresas es la
utilizacin de la curva normal para describir situaciones donde
podemos recopilar datos. Esto nos permite tomar decisiones que
vayan a la par con las metas y objetivos de la organizacin.
En este mdulo se describe la relacin de la Distribucin normal
con la Distribucin normal estndar. Se utilizan ejemplos y
ejercicios donde se ensea sobre la determinacin de
probabilidades y sus aplicaciones.
Utilidad
Se utiliza muy a menudo porque hay muchas
variables asociadas a fenmenos naturales
que siguen el modelo de la norma.
Caracteres morfolgicos de individuos
(personas, animales, plantas,...) de una
especie, por ejemplo: tallas, pesos, dimetros,
distancias, permetros,...
Caracteres fisiolgicos, por ejemplo: efecto de
una misma dosis de un frmaco, o de una
misma cantidad de abono
Utilidad
Caracteres sociolgicos, por ejemplo:
consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen
Caracteres psicolgicos, por ejemplo: cociente
intelectual, grado de adaptacin a un medio,...
Errores cometidos al medir ciertas magnitudes
Valores estadsticos mustrales como la
media, varianza y moda
La funcin de distribucin
Puede tomar cualquier valor (- , + )
Hay ms probabilidad para los valores cercanos a la
media m
Conforme nos separamos de m , la probabilidad va
decreciendo de igual forma a derecha e izquierda
(es simtrica).
Conforme nos separamos de m , la probabilidad va
decreciendo dependiendo la desviacin tpica s.
La funcin F(x)
Propiedades de la
distribucin normal:
El rea bajo la curva aproximado del promedio a ms o
menos una desviacin estndar (1) es de 0.68, a ms o
menos 2 es de .0 95 y a ms o menos 3 es de 0.99.
Propiedades de la
distribucin normal:
La forma de la campana de Gauss depende de los parmetros y .
Tiene una nica moda que coincide con su media y su mediana.
La curva normal es asinttica al eje de X.
Es simtrica con respecto a su media . Segn esto, para este tipo de
variables existe una probabilidad de un 50% de observar un dato mayor
que la media, y un 50% de observar un dato menor.
En resumen
Podemos concluir que hay una familia de distribuciones con
una forma comn, diferenciadas por los valores de su media
y su varianza.
La desviacin estndar ( ) determina el grado de
apuntamiento de la curva. Cuanto mayor sea el valor de ,
ms se dispersarn los datos en torno a la media y la curva
ser ms plana.
La media indica la posicin de la campana, de modo que
para diferentes valores de la grfica es desplazada a lo
largo del eje horizontal.
De entre todas ellas, la ms utilizada es la distribucin
normal estndar, que corresponde a una distribucin de
media 0 y varianza 1.
La distribucin normal
estndar
Z se la denomina variable tipificada de X, y a
la curva de su funcin de densidad se le
conoce como la curva normal estndar.
Es una distribucin normal con promedio 0 y
una desviacin estndar de 1.
Todas las variables normalmente distribuidas
se pueden transformar a la distribucin normal
estndar utilizando la frmula para calcular el
valor Z correspondiente.
Caractersticas de la
distribucin normal estndar.
No depende de ningn parmetro.
Su media es 0, su varianza es 1 y su
desviacin estndar es 1.
La curva f(x) es simtrica respecto del eje
de Y
Tiene un mximo en el eje de Y.
Tiene dos puntos de inflexin en z=1 y z=-1
Por ejemplo
En el siguiente histograma podemos observar la distribucin de
frecuencias por peso de acuerdo a la edad. De acuerdo a este
teorema segn aumenten la cantidad de dato se podr trazar
una curva que tome cada vez ms formacin en forma campana.
Ejemplos y ejercicios
Supongamos que sabemos que el peso de
los/as estudiantes universitarios/as sigue una
distribucin aproximadamente normal, con
una media de 140 libras y una desviacin
estndar de 20 libras.
Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras
Ejemplo 1
Determine la probabilidad de que una persona tenga un
peso menor o igual a 150 libras
X m
150 140
0.50
20
Ejemplo 2
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar grficamente el rea de inters.
Grficamente si decimos que a=115 libras, el rea de la curva que nos interesa es
la siguiente:
Ejemplo 2
Determine la probabilidad de que una persona, elegida al
azar, tenga un peso menor o igual a 115 libras
Paso 2 - Determinar el valor Z:
X m
115 140
1.25
20
Una fabrica produce unos tarros de fruta que tiene un peso medio de 2.00 Kg.
Y una desviacin estndar de 0.05. Cul es la probabilidad de que un
determinado tarro pese entre 1.90 y 2.06 Kg.?
La distribucin binomial
Introduccin
En las empresas tenemos muchas situaciones donde se espera
que ocurra o no un evento especfico. ste puede ser de xito o
fracaso sin dar paso a un punto medio. Por ejemplo, en la
produccin de un artculo, ste puede salir bueno o malo. Casi
bueno no es un resultado de inters. Para situaciones como
stas se utiliza la distribucin binomial.
Objetivo general
Esperamos que cuando termines esta presentacin
puedas utilizar la distribucin binomial para obtener
las probabilidades de aquellas situaciones gerenciales
con dos posibles resultados.
Objetivos especficos
Adems, esperamos que puedas:
Utilidad
La distribucin binomial se utiliza en situaciones cuya solucin
tiene dos posibles resultados.
Por ejemplo:
Al nacer un/a beb puede ser varn o hembra.
En el deporte un equipo puede ganar o perder.
En pruebas de cierto o falso slo hay dos alternativas.
Utilidad
Tambin se utiliza cuando el resultado se puede reducir a dos
opciones.
Por ejemplo:
Un tratamiento mdico puede ser efectivo o inefectivo.
Propiedades de un
experimento de Bernoulli
1 - En cada prueba del experimento slo hay dos posibles
resultados: xitos o fracasos.
2 - El resultado obtenido en cada prueba es independiente de los
resultados obtenidos en pruebas anteriores.
3 - La probabilidad de un suceso es constante, la representamos
por p, y no vara de una prueba a otra. La probabilidad del
complemento es 1- p y la representamos por q .
Si repetimos el experimento n veces podemos
obtener resultados para la construccin de la
distribucin binomial.
La distribucin binomial
La distribucin de probabilidad binomial es un ejemplo de
distribucin de probabilidad discreta.
Esta formada por una serie de experimentos de Bernoulli. Los
resutados de cada experimento son mutuamente excluyentes.
La funcin P(x=k)
A continuacin vemos La funcin de probabilidad de la distribucin
Binomial, tambin denominada Funcin de la distribucin de
Bernoulli:
k - es el nmero de aciertos.
n - es el nmero de experimentos.
p - es la probabilidad de xito, como por ejemplo, que salga
Ejemplo1 de la funcin
F(x=k)
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
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 2 de la funcin
F(x=k)
Cul es la probabilidad de obtener cuatro veces el nmero 3 al
lanzar un dado ocho veces?
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 3
B(n,p)
Ejemplo 4
B(n,p)
Compruebe el cmputo utilizando una calculadora
de probabilidad binomial
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 :
En resumen
En este mdulo hemos determinado la probabilidad binomial mediante el
uso de la funcin binomial, tablas de distribucin y la calculadora del
enlace. Adems, aprendimos que:
Glosario de trminos
La distribucin de Poisson
Introduccin
En este mdulo se describe el uso de la distribucin de
Poisson para obtener la probabilidad de ocurrencia de
sucesos raros cuyo resultado lo representa una
variable discreta.
Se recomienda haber estudiado primero los mdulos
de las Reglas de probabilidad, el de Distribucin
normal y luego el de Distribucin Binomial.
Objetivos especficos
Adems, esperamos que puedas:
1.
2.
3.
Utilidad
La distribucin de Poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el
total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un suceso con
resultado discreto.
Es muy til cuando la muestra o segmento n es grande y la probabilidad
de xitos p es pequea.
Se utiliza cuando la probabilidad del evento que nos interesa se
distribuye dentro de un segmento n dado como por ejemplo distancia,
rea, volumen o tiempo definido.
Ejemplos de la
utilidad
La llegada de un cliente al negocio durante una hora.
Las llamadas telefnicas que se reciben en un da.
Los defectos en manufactura de papel por cada metro producido.
Los envases llenados fuera de los lmites por cada 100 galones de
producto terminado.
La distribucin de Poisson se emplea
para describir procesos con un elemento
en comn, pueden ser descritos por una
variable aleatoria discreta.
Propiedades de un
proceso de Poisson
1.
2.
3.
La distribucin de Poisson
La distribucin de probabilidad de Poisson es un ejemplo de
distribucin de probabilidad discreta.
La distribucin de Poisson parte de la distribucin binomial.
Cuando en una distribucin binomial se realiza el experimento
muchas veces, la muestra n es grande y la probabilidad de
xito p en cada ensayo es baja, es aqu donde aplica el
modelo de distribucin de Poisson.
Se tiene que cumplir que:
p < 0.10
p * n < 10
La funcin P(x=k)
A continuacin veremos la funcin de probabilidad de la
distribucin de Poisson.
Donde:
P(X=K) es la probabilidad de ocurrencia cuando la variable discreta
X toma un valor finito k.
Ejemplo1 de la funcin
F (x=k)
La probabilidad de que haya un accidente en una compaa de
manufactura es de 0.02 por cada da de trabajo. Si se trabajan 300
das al ao, cul es la probabilidad de tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto n * p es
menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de
distribucin de Poisson:
Ejemplo 2 de la funcin
F(x=k)
La probabilidad de que un producto salga defectuoso es de
0.012. Cul es la probabilidad de que entre 800 productos ya
fabricados hayan 5 defectuosos?
En este ejemplo vemos nuevamente la probabilidad p menor
que 0.1, y el producto n * p menor que 10, por lo que
aplicamos el modelo de distribucin de Poisson:
El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos
defectuosos entre 800 recin producidos es de 4.6%.
= 0.02 * 300 = 6
Del ejemplo 2:
Ejemplo 3
uso de tablas
Busque en los tres enlaces las tablas de probabilidad de Poisson
Resuelva el ejercicio 1 y el 2 por medio de las
tablas.
En resumen
En este mdulo hemos determinado la probabilidad de Poisson mediante
el uso de la funcin de Poisson, las tablas de distribucin y la calculadora
del enlace. Adems, aprendimos que:
1.
2.
La media
3.
4.
Ejercicio 1
Un comerciante de verduras tiene conocimiento de que el 3%
de la caja est descompuesta. Si un comprador elige 100
verduras al azar, encuentre la probabilidad de que,
a) las 4 estn descompuestas.
b) de 1 a 3 estn descompuestas
Para resolver la pregunta b repase el
mdulo de las reglas de probabilidad.
En este caso se resuelve sumando las
probabilidades P(x=1) + P(x=2) + P(x=3)
= 0.1494 + 0.2240 + 0.2240