Está en la página 1de 25

Estadística I

Capítulo 5

Algunas Distribuciones
Importantes de Probabilidad
Discreta
Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc. Chap 5-1
Distribución de Probabilidad de
una Variable Aleatoria Discreta
n  La distribución de probabilidad para una variable
aleatoria discreta es una lista mutuamente
excluyente de todos los posibles resultados
numéricos para una variable aleatoria tal que una
probabilidad de ocurrencia específica se asocia
con cada resultado.
Número de clases tomadas Probabilidad
2 0.2
3 0.4
4 0.24
5 0.16

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-2


Ejemplo

Experimento: Lanzar 2 monedas. Let X = # caras.

4 posibles resultados
Distribución de Probabilidad
E E Valor X Probabilidad
0 1/4 = 0.25
E C 1 2/4 = 0.50
2 1/4 = 0.25
C E
0.50
Probabilidad

C C 0.25

0 1 2 X
Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-3
Valor Esperado de una Variable
Aleatoria Discreta
n  Valor esperado (or Media) de una variable
aleatoria discreta (Promedio ponderado)
N
µ = E(X) = ∑ Xi P( Xi )
i=1

X P(X)
n  Ejemplo: Lanzar 2 monedas, 0 0.25
X = # caras, 1 0.50
el valor esperado es: 2 0.25
E(X) = ((0)(0.25) + (1)(0.50) + (2)(0.25))
= 1.0

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-4


Midiendo la Dispersión de Variables
Aleatorias Discretas
n  Varianza
N
σ 2 = ∑ [Xi − E(X)]2 P(Xi )
i=1

n  Desviación Estándar


N
σ = σ2 = [X
∑ i − E(X)]2
P(Xi )
i=1

Donde:
E(X) = valor esperado de la variable aleatoria discreta
Xi = el i-ésimo resultado de X
P(Xi) = Probabilidad de la i-ésima ocurrencia de X

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-5


Midiendo la Dispersión de Variables
Aleatorias Discretas

n  Ejemplo: Lanzar 2 monedas, X = # caras,


calcule la desviación estándar (E(X) = 1)

2
σ= ∑ [X − E(X)] P(X )
i i

σ = (0 − 1)2 (0.25) + (1− 1)2 (0.50) + (2 − 1)2 (0.25) = 0.50 = 0.707

Posible número de caras =


0, 1, or 2

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-6


Distribuciones de Probabilidad
Distribuciones
de
Probabilidad
Distribuciones Distribuciones
De De
Prob. Discreta Prob. Continua

Binomial Normal

Poisson Uniforme

Hipergeométrica Exponencial

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-7


Distribución de Probabilidad
Binomial
n  Existe un número fijo de observaciones, n
n  15 lanzamientos de una moneda; 10 bombillos tomados
de una bodega
n  Cada observación se clasifica en una de dos categorías
mutuamente excluyentes y colectivamente exhaustivas,
normalmente denominadas éxito y fracaso. Cara o escudo en
cada lanzamiento de moneda; bombillo con o sin defect
n  La probabilidad de que una observación se clasifique como
éxito, p, es constante de una observación a otra. De la misma
forma, la probabilidad de que una observación se clasifique
como fracaso, 1 – p, es constante en todas las
observaciones.

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-8


Distribución de Probabilidad
Binomial
El resultado (es decir, el éxito o el fracaso) de
cualquier observación es independiente del
resultado de cualquier otra observación.

Para garantizar la independencia, las


observaciones se deben seleccionar de manera
aleatoria, ya sea de una población infinita sin
reemplazo o de una población finita con
reemplazo.

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-9


Posibles Aplicaciones de una
Distribución Binomial

n  Una planta de manufactura etiqueta sus


productos como aceptables o defectuosos.
n  Una empresa que oferta contratos,
conseguirá un contrato o no.
n  Una empresa de investigación de
mercados recibe respuestas de una
encuesta si compraré o no compraré
n  Los aplicantes a un empleo aceptarán o
recharazan la oferta.
Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-10
Distribución Binomial

n  Supongamos que el evento de interés es obtener caras


en el lanzamiento de una moneda. Se lanzará la
moneda 3 veces. De cuántas maneras se podrán
obtener 2 caras?

n  Posibles maneras: CCE, CEC, ECC, por lo que hay tres
maneras de obtener 2 caras.

n  Esta situación es bien simple. Debemos ser capaces


de contar el número de maneras para situaciones mas
complicadas.

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-11


Fórmula de la Distribución
Binomial
n! X n -
X
P(X) =
p (1-p)
X! (n -
X) !

P(X) = probabilidad de X éxitos, dadas n y p


Ejemplo: Lance una
X = número de éxitos en la muestra, moneda 4 veces, x = #
(X = 0, 1, 2, ..., n) caras:
n = número de intentos u observaciones n=4
p = probabilidad de éxito p = 0.5
1 - p = (1 - 0.5) = 0.5
X = 0, 1, 2, 3, 4

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-12


Ejemplo Distribución Binomial
Cuál es la probabilidad de 1 éxito en 5
observaciones si la probabilidad de que ocurra
un evento es 0.1?
X = 1, n = 5, and p = 0.1

n!
P(X = 1) = p X (1! p)n!X
X!(n ! X)!
5!
= (0.1)1 (1! 0.1)5!1
1!(5 !1)!
= (5)(0.1)(0.9)4
= 0.32805

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-13


Ejemplo Distribución Binomial
Suponga que la probabilidad de comprar una
computadora defectuosa es 0.02. Cuál es la
probabilidad de comprar 2 computadoras defectousas
de un grupo de 10?
X = 2, n = 10, and p = 0.02
n!
P(X = 2) = p X (1! p)n!X
X!(n ! X)!
10!
= (.02)2 (1!.02)10!2
2!(10 ! 2)!
= (45)(.0004)(.8508)
= .01531

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-14


Forma de una Distribución
Binomial

n  La forma depende de los P(X) n = 5 p = 0.1


.6
valores de p y n. .4
.2
0
n  Para, n = 5 and p = 0.1 0 1 2 3 4 5 X

P(X) n = 5 p = 0.5
.6
.4
.2
0
n  Para, n = 5 and p = 0.5 0 1 2 3 4 5 X

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-15


Uso de las Tablas de
Distribución Binomial
n = 10
x … π=.20 π=.25 π=.30 π=.35 π=.40 π=.45 π=.50
0 … 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010 10
1 … 0.2684 0.1877 0.1211 0.0725 0.0403 0.0207 0.0098 9
2 … 0.3020 0.2816 0.2335 0.1757 0.1209 0.0763 0.0439 8
3 … 0.2013 0.2503 0.2668 0.2522 0.2150 0.1665 0.1172 7
4 … 0.0881 0.1460 0.2001 0.2377 0.2508 0.2384 0.2051 6
5 … 0.0264 0.0584 0.1029 0.1536 0.2007 0.2340 0.2461 5
6 … 0.0055 0.0162 0.0368 0.0689 0.1115 0.1596 0.2051 4
7 … 0.0008 0.0031 0.0090 0.0212 0.0425 0.0746 0.1172 3
8 … 0.0001 0.0004 0.0014 0.0043 0.0106 0.0229 0.0439 2
9 … 0.0000 0.0000 0.0001 0.0005 0.0016 0.0042 0.0098 1
10 … 0.0000 0.0000 0.0000 0.0000 0.0001 0.0003 0.0010 0

… π=.80 π=.75 π=.70 π=.65 π=.60 π=.55 π=.50 x

Ejemplos:
n = 10, p = .35, x = 3: P(x = 3|n =10, p = .35) = .2522
n = 10, p = .75, x = 2: P(x = 2|n =10, p = .75) = .0004
Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-16
Características de la Distribución
Binomial

n  Media
µ = E(x) = np
n  Varianza y Desviación Estándar

! 2 = np(1-p)

! = np(1-p)
Donde n = tamaño de la muestra
p = probabilidad de éxito en cualquier intento
(1 – p) = probabilidad de fracaso en cualquier intento

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-17


Características de la
Distribución Binomial
Ejemplos P(X) n = 5 p = 0.1
.6
µ = np = (5)(.1) = 0.5
.4
.2
! = np(1-p) = (5)(.1)(1!.1)
0
= 0.6708 0 1 2 3 4 5 X

P(X) n = 5 p = 0.5
! = np = (5)(.5) = 2.5 .6
.4
! = np(1-p) = (5)(.5)(1!.5) .2
0
= 1.118
0 1 2 3 4 5 X

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-18


Distribución de Poisson
n  Se utiliza la distribución de Poisson cuando nos
interesa el número de veces que ocurre un
evento dentro de un área de oportunidad.
n  El área de oportunidad es una unidad continua o
intervalo de tiempo, volumen, o área en donde se
puede presentar más de un evento.
n  El número de rayones en la pintura de un vehículo.
n  El número de picaduras de mosquitos en una persona.
n  El número de fallas en la red (o en el sistema) en un
día.

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-19


Distribución de Poisson
n  Se utiliza la distribución de Poisson cuando:
n  Le interesa contar las veces que se presenta un evento en
particular dentro de un área de oportunidad determinada.
El área de oportunidad se define por tiempo, extensión,
área, etcétera.
n  La probabilidad de que un evento se presente en un área
de oportunidad dada es igual para todas las áreas de
oportunidad.
n  • El número de eventos que ocurren en un área de
oportunidad es independiente del número de eventos que
se presentan en cualquier otra área de oportunidad.
n  • La probabilidad de que dos o más eventos se presenten
en un área de oportunidad tiende a cero a medida que esa
área de oportunidad se vuelve menor.

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-20


Fórmula de Distribución de
Poisson

−λ x
e λ
P( X) =
X!
donde:
P(X) = la probabilidad de X eventos en un área de oportunidad
X = número de eventos
λ = número de eventos esperado
e = constante, base de logaritmo natural aprox. igual a
2.71828…

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-21


Características de la Distribución
de Poisson

n  Media
µ=λ
n  Varianza y Desviación Estándar

σ2 = λ
σ= λ
donde λ = número de eventos esperado

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-22


Usando Tablas de Poisson
λ

X 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90

0 0.9048 0.8187 0.7408 0.6703 0.6065 0.5488 0.4966 0.4493 0.4066


1 0.0905 0.1637 0.2222 0.2681 0.3033 0.3293 0.3476 0.3595 0.3659
2 0.0045 0.0164 0.0333 0.0536 0.0758 0.0988 0.1217 0.1438 0.1647
3 0.0002 0.0011 0.0033 0.0072 0.0126 0.0198 0.0284 0.0383 0.0494
4 0.0000 0.0001 0.0003 0.0007 0.0016 0.0030 0.0050 0.0077 0.0111
5 0.0000 0.0000 0.0000 0.0001 0.0002 0.0004 0.0007 0.0012 0.0020
6 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0002 0.0003
7 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000

Ejemplo: Encuentre P(X = 2) si λ = 0.50

e − λ λ X e −0.50 (0.50)2
P(X = 2) = = = 0.0758
X! 2!
Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-23
Gráfico de las Probabilidades
de Poisson
0.70

Gráficamente: 0.60

λ = 0.50 0.50

λ= 0.40

P(x)
X 0.50
0.30
0 0.6065
0.20
1 0.3033
2 0.0758 0.10

3 0.0126 0.00
0 1 2 3 4 5 6 7
4 0.0016
5 0.0002 x
6 0.0000
P(X = 2) = 0.0758
7 0.0000

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-24


Forma de la Distribución de
Poisson

n  La forma depende del parámetro λ :

0.70
λ = 0.50 0.25
λ = 3.00
0.60
0.20
0.50

0.15
0.40

P(x)
P(x)

0.30 0.10

0.20
0.05
0.10

0.00 0.00
0 1 2 3 4 5 6 7 1 2 3 4 5 6 7 8 9 10 11 12

x x

Basic Business Statistics, 11e © 2009 Prentice-Hall, Inc.. Chap 5-25