TEORÍA DE PROBABILIDADES

CONFERENCIA # 6 Distribuciones de probabilidad asociadas a variables aleatorias

discretas
TEMA III. Distribuciones más utilizadas
CONTENIDO. Funciones de probabilidad Binomial, Hipergeométrica y Poisson. Uso de
Tablas.

Introducción
En la teoría de probabilidades se presentan muchos problemas que consisten en la
utilización de pruebas independientes de un experimento, cuyas pruebas resultadas solo
pueden clasificarse en las categorías que se denominan suceso a esto y al otro se le
denomina falla o proceso. A este tipo de prueba se le llaman pruebas de tipo bernoulli.
S={e,f}
Ej.
Los calibradores del tabaco pasa o no pasa, le lanzamiento de una moneda.
La probabilidad de un suceso se denota con p, p(éxito))p y la probabilidad de una talla se
denotan q, p(total))q, donde p+q)1, son exhaustivos y mutuamente excluyente.
La independencia nos da que el hecho que recurra a un éxito no tiene que ser con una
prueba son independientes a los resultados de otra prueba.
En n pruebas independientes de bernoulli, donde el espacio muestral esta compuesto por
todas los posibles resultados del fenómeno aleatorio, estará compuesto por s=2n puntos
muéstrales o posibles resultados.
Si la muestra aleatoria de éxitos que estén en loas n pruebas, entonces obtenemos una
función probabilistica que se denomina distribución binomial cuya expresión es:
n pxqn-x para x=0,1,2,…,n
P(x)= x p+q=1

0 para otros valores

Donde
N, es él # de pruebas independientes utilizadas.
X, es él numero d éxitos.
P, es la probabilidad de ocurrencia de un éxito.
x-B(n,p)
se lee x es una VA que sigue (-) una distribución binomial con parámetros n ,y p.
Pregunta 1
¿Qué Ud. Interpreta por pruebas de bernoulli?
Propiedades.
Mx(t)=(et*p+q)n
E(x)=np
2(x)=npq
 (x)=raiz de npq

al calcular probabilidades utilizando la distribución binomial se presentan diferentes

__________, exactamente en binomial en un pto que obtenemos evaluando discretamente
en función de probabilidad en dicho pto, o también calcular en probabilidad es un conjunto
de ptos para cual debemos sumar probabilidad de cada una de ellos.
Un aspecto que debe considerarse al explicar la distribución binomiales aquel que esta
relacionado con las características que deben cumplir las VA con la distribución binomial
son:
En cada prueba del experimento solo hay dos posibles resultados: éxito y falla.
Las pruebas del experimento son independientes.

Ej #1
El 98% de los rodamientos de un lote recibido en la Empresa textil”desembarco del
Granma” cumple las especificaciones de calidad. Si se prueban que 50 de ello
seleccionados aleatoriamente de lote cumple:
probabilidad de que él # de rodamiento que no cumple las especificaciones este entre 2 y 4
(ambos inclusive)
Probabilidad de que exactamente 3 no cumplan las especificaciones.
la cantidad de rodamientos que como promedio no cumplen las especificaciones en los
lotes.

Solución x: VA del numero de rodamientos que no cumplen las especificaciones.

Se comienza el análisis por la binomial al tratarse de pruebas de 2 resultados. Verificamos
los requisitos>
Las pruebas tienen 2 posibles resultados (cumplen o no cumplen (falla y éxito)).
Cada prueba es independiente al chequearse la calidad de cada rodamiento.
P(éxito)=1-p(falla)=1-0,98=0,02=cont

x-B(n,p)
x-(50;0,02)
a)p(2x4)=p(x=2)+p(x=3)+p(x=4)

Ejemplo de la pp 302.
De las tablas.
Las tablas para este tipo de distribución aparecen las ___ de diferentes libros como:
Hanbook of Quality control (Juran)
Introducción al análisis estadístico (dixon y hassey)
Industrial ingineering tables (S. Elion)
Tablas y resumenes estadísticos (A, Rguez)
Pero para esto el uso Uds. se encuentra más asequible en las tablas y resúmenes estadísticos
de Aída Rodríguez, donde aparecen tablas tanto para las distribuciones que vamos a
estudiar en esto ____ como para asignaturas como estadísticas I y estadística II
Entretanto en su primera tabla, o sea, la de la dist. Binomial fuimos a describirla y no sus
primeras características.
Los parámetros que caracterizan es la dist. Binomial con n y p
n- # de pruebas independientes de bernoulli tamaño de muestra)
p- probabilidad de éxito

estas tablas aparecen los valores de probabilidades ____ desde cualquier valor de x hasta n,
es decir de la forma:
p(xx)=pkqn-k

Carateristicas de las tablas

la tabla se ha confeccionado por bloqueo correspondiente a cada valor de n, y dentro de
cada bloque las columnas estas asociadas a los valores n, y dentro de cada bloque las
columnas están asociados a los valores de p, y las filas a laos valores de k.
Las tablas están calculadas para valores _____ de n de o al 20, para n=50 y n=100, si
necesitamos calcular valores de probabilidad para valores no contemporáneos en la tabla
analice la probabilidad de utilizar una aproximación a la distribución poisson o normal
En todas el bloque de estas tablas los valores de p máximo son 0,5. En cosas en que p
sea mayor que 0,5 es necesario buscar en otras tablas más completas.

Veamos algunos ejemplos:

#1 Sea x-B(10;0,25)
calcular p(x4)
este tipo de probabilidad aparece discretamente en la tabla, ya que es de la forma () y
p(0,25)<0,25
Para la búsqueda se toma primero el valor de n=10 y se toma el bloque con este
encabezamiento, después dentro del bloque se fija la columna correspondiente q p=0,25,
por ultimo entrando por la fila con el valor de x=4 se obtiene.
P(x4)=0,2241
#2 Sea x-(10; 0,25)
calcular p(x3)
Este tipo de probabilidad no puede determinar directamente en la tabla, porque no
corresponde con la forma p(xt). Pero como se cumple que:
p(x3)=1-p(z>3)
=1-p(x4)
=1-0,2241
=0,7759

¿qué parámetros se utiliza para el calculo de la p(x) por tabla con x-B(n,p)?
Distribución hipergeométrica.
La función de probabilidad denominada hipergeométrica se utiliza en él calculo de
probabilidades cuando se hace un muestreo sin reposición de tamaño n, es una población
finita de N elementos.
Los resultados también pueden ser clasificados en 2 grandes categorías: éxitos y fallas.
La distribución binomial se obtiene considerando los resultados de n pruebas
independientes de un experimento dado, sin embargo si el experimento consiste en
seleccionar una muestra de una población ___, utilizando muestreos si repetición, las
pruebas son serán independiente.
En las grandes poblaciones finitas, el error que se comete al muestrear y supones que p es
contante y las pruebas son independientes, es despreciable, pero la población es pequeña y
se utiliza muestreo sin reposición, el error que se induce al realizar las consideraciones
anteriores es mayor, y no resulta apropiado el empleo de la distribución binomial. Es fin,
esta razón, que se requiere el empleo de otra distribución lo cual se conoce con el nombre
de distribución hipergeométrica.
Analizaremos la siguiente situación para obtener la expresión de la función de probabilidad
hipergeométrica.
Tenemos una función de N elementos, es la cual extraemos una muestra de tamaño n, sin
reposición. En dicha población existen D electos que tiene cierta propiedad, por lo que el
resto de los elementos no las poseen (N-D)

Para estudiar la cantidad de elementos de la muestra que poseen la propiedad, se define la

VA.
X- # de electos en la muestra que posee la propiedad dada.
El problema consistirá en de. la función de probabilidad x, es decir calcular:

# de muestras de tamaño n de la población, que tienen alfa elementos,

los cuales poseen la población dada
P(x=x)=.

# Total de n que se pueden extraer de la población de N elementos.

Funcion de probabilidad hipergeométrica.

D N-D para n=1,2,3, N

X n-x
x=0,1,2, n
N
n ==p(x)

0
para otras valores
Notación: x-H(N,D,n)

# De elementos en la población que poseen la característica dada.

N- # de elementos en la población
n- tamaño de la muestra
X-# de elementos en la muestra que poseen la propiedad dada (éxitos).
Propiedades.
E(x)=np
2(x)=npq
 (x)= npq

P-4 como se aplica una distribución hipergeométrica.

Ejemplo 2. Un pescador captura 10 paces de los cuales 3 tienen menos pesos de los que
permite la ley, si un inspector pesa dos de los pescados seleccionándolo aleatoriamente sin
reposición.
Cual es la probabilidad de que ambos estén por debajo del peso permitido.
Exactamente un pescado este por debajo del peso permitido.
Al menos uno este por debajo del peso permitido.

Solución.
X- # de pescados por debajo del peso permitido.
x-H(N,D,n)
x-H(10,3,2)
a)p(x=2)=(32)(102-32)=(32)(70)
(102)

p(x=2)= 3!/2!(3-2)-1!/0!(1-0)

10!/2!(10-2)!

Al hacer ________ intima podemos utilizar tablas de la distribución binomial con:

P=D/N y n
Ejemplo. 3 En una caja se han envasado 8 bombillos. Entre ellos hay 3 que son
defectuosos. Si se seleccionan aleatoriamente dos bombillos sin reposición ¿cuál es la pro?
De que en dicha muestra?
uno sea defectuoso
los dos sean defectuosos
Solución.
X-# de bobillos defectuosos.
x-(N,D,n)
x-H(8,3,2)
p(x=1)=(31)(82-31)=(31)(51)=(3)(5)
(82) (82) 28
p(x=1)=15/28
p(x=1)=53,57%
Aplicando las entidades de aproximacion:
n<100 - se cumple.
n/N<0,1 – 2/8=0,25___0,1

p(x=1)=p(x1)-p(x2)
p(x=1)=0,6156-0,1444
p(x=1)=0,4712=47,12%
p(x=2)=(22)(0,37)2(0,63)
p(x=2)=2!/2!(2-2)!(0,13)
p(x=2)=0.1369

Si buscamos en la tabla vemos que nos da igual debido a que la tabla acumula hasta 2.
Muchas veces el número de repeticiones de un experimento de una variable aleatoria
binomial es muy grande y la solución de sus probabilidades se hace muy laboriosa. Cuando
esto ocurre existen dos distribuciones teóricas que se aproximan a la distribución Binomial,
una de ellas es cuando p es muy pequeña, la cual se conoce como la distribución Poisson y
se define por:

e   x
p( x) 
x!

donde x = 0, 1, 2, …….
Se puede comprobar que la distribución de Poisson es una buena aproximación a la
Binomial, haciendo en la función de probabilidad binomial el valor de n grande y el de p
muy pequeño, de forma tal que μ = n p permanezca constante; en este caso λ = np que es
también la media de la distribución Poisson y a la vez la varianza.
  E ( x)   2 ( x)    np
 ( x)  
La distribución Poisson tiene sus características propias que la hacen muy útil, con
frecuencia, en diferentes fenómenos prácticos, entre ellos podemos citar los siguientes:
 el número de llamadas telefónicas en una central durante distintas horas del día.
 El número de roturas de cierto equipo en determinados períodos de tiempo.
 El número de barcos que llegan a un puerto durante un determinado tiempo.
 El número de artículos defectuosos en un ahora de producción, etc.
La práctica plantea que la disribución Poisson es una buena aproximación de la Binomial
cuando:
np  5 yn  5 o >p 0.10

Resumiendo la Distribución Poisson es un distribución teórica de una variable aleatoria

discreta. Puede se usada como aproximación de la Binomial si cumple los requisitos de
aproximación anteriormente expuestos y es una distribución muy útil cuando la variable
aleatoria discreta está asociada a un ente físico (tiempo, longitud, volumen, área, etc.), su
único parámetro es λ.
  
donde θ: razón de llegadas o de arribos
τ: transformador que permite expresa λ en el mismo ente físico que la probabilidad
deseada
Ej #1
Supongamos que estudiamos el arribo de automóviles a una estación de servicios. La razón
de llegada de estos es de 24 autos /hora, cual es la probabilidad de que:
a. no suceda arribo en un intervalo de 5 minutos
b. sucedan mas de dos arribos en un minuto

Solución x: VA del número de autos que arriban a una estación de servicio en una hora.
Se comienza el análisis por la distribución que se ajusta dicha variable.
Es una variable discreta y está asociada a un ente físico, en este caso tiempo ( 1 hora)
En el inciso a se desea calcular la probabilidad en 5 minutos, por lo que λ tiene que estar
expresada en 5 minutos.
x-P(λ)
λ= 24 autos/h 1h/60min 5min = 2
x-P(2)
e 2 2 0
a) p(x=0)=
2!
b) El ente físico es 1 minuto
λ= 24 autos/h 1h/60min = 0.4
P(x>2)= P(x≥3) = 1 – P(x≤2) = 1- ( P(x=0) + P(x=1) + P(x=2))

De las Tablas
Como se aprecia en el ejercicio cuando se desea calcular probabilidades ≤ o ≥ los cálculos
se hacen engorrosos, para facilitarlos existen en diversas bibliografías, incluida su libro de
texto: Probabilidades y Estadística para Ingenieros, Tablas Estadísticas que facilitan dichos
cálculos. En este libro se brindan las funciones de distribución, o sea, las P(X ≤ x).
Esta Tabla es de doble entrada: en la primera fila superior de cada bloque se busca el valor
de λ y en la primera columna el valor de x

Conclusiones

Concluyendo, podemos decir que hoy tratamos lo suficiente a las distribuciones de la VA

discretas binomial, hipergeométrica y Poisson, vimos como asociadas solo a dos tipos de
resultado (suceso fallos), la D. binomial esta basada en un proceso independiente donde p
es la probabilidad de éxito y q=1-p es la probabilidad de fallo, a estas pruebas se le llama
pruebas independientes de Bernoulli, la distribución hipergeométrica estaba asociado ala
tarea de un tamaño de muestra, de una población finita N, dependientes con un muerto sin
reposición, vimos su expresiones de calculo, así como los valores esperados, Barinas y
desviación típica para cada una. Estudiamos también el uso de las tablas en el caso de la
distribución binomial, como método de agilizar él calculo de las probabilidades. Por ultimo
vimos lo concerniente al criterio de aproximaciones de la hipergeométrica a la binomial.
Preguntas de comprobación final.
Diga las expresiones de calculo del valor esperado, Barinas y desavino típica para cada tipo
de distribución.
Diga las condiciones que tiene que cumplir una VA-B(n,p)
Diga las características principales de las tablas.
____ utilizando la distribución hipergeométrica
Diga los criterios de aproximación de la H-B

Orientación para el estudio individual. (2h)

Teso pp. 299-305 (b) y pp.305-307 (h)
Estudiar las notas de la conferencia y analizar los ejemplos resueltos en la misma.
Estudio independiente.
El 85% de las herramientas fabricadas por un taller del SIME, tiene buen cumplimiento de
los parámetros de la calidad, si se selecciona aleatoriamente una muestra de 10
herramientas, halle la probabilidad de que en dicha muestra encontremos:
Ninguno defectuoso.
Mas de 4 defectuosos

Motivación.
¿Cómo podríamos calcular la probabilidad de arribos de autos a un garaje si conocemos su
razón de arribo?
Esto lo podremos resolver en la próxima conferencia, y además comenzaremos el estudio
ya, de las distribuciones asociadas a variables aleatorias continuas.