Universidad Técnica Estatal de Quevedo

Facultad De Ciencias De La Ingeniería

INGENIERÍA INDUSTRIAL

Módulo VII

TEMA: Distribuciones de probabilidades comunes

ING.MANUEL NAVARRETE
GRUPO#3

INTEGRANTES:
⇨ Giraldo Tigua Liliana.
⇨ Lucas Domínguez Thalía.
⇨ Simba Morán David

2017-2018 1
DISTRIBUCIÓN DE POISSON La distribución de
Poisson se utiliza en
situaciones donde los
sucesos son
Esta distribución fue impredecibles o de
descubierta por Siméon ocurrencia aleatoria.
En otras palabras no se
Denis Poisson (1781-1840) sabe el total de
y publicada, junto con su posibles resultados
teoría de probabilidades ,
en 1838.

Permite determinar la
probabilidad de
ocurrencia de un
suceso.

Se utiliza cuando la
probabilidad del
evento que nos
interesa se distribuye
dentro de un segmento
n dado como por
ejemplo distancia,
área volumen o tiempo
definido.
 Sus principales aplicaciones
hacen referencia a la
modelización de situaciones
en las que nos interesa
Esta distribución es una
determinar el número de
de las más importantes
hechos de cierto tipo que se
distribuciones
pueden producir en un
de variable discreta.
intervalo de tiempo o de
espacio, bajo presupuestos
de aleatoriedad y ciertas
circunstancias restrictivas.

Otro de sus usos

Hay varias En cualquier serie de
frecuentes es la
distribuciones que son medidas, se espera que
consideración límite de
aplicadas en la la frecuencia de
procesos reiterados un
apreciación estadística ocurrencia de valores
gran número de veces si la
e interpretación de particulares siga alguna
probabilidad de obtener un
datos nucleares. ley de distribución.
éxito es muy pequeña .
Ejemplo
Los clientes llegan a un banco o a una
tienda de abarrotes de una forma
“totalmente aleatoria”; es decir, las
horas de llegada no pueden
predecirse con anticipación.

La función de probabilidad que

describe el número de llegadas •k es el número de ocurrencias del evento o
durante un lapso de tiempo específico fenómeno (la función nos da la probabilidad
es la distribución de Poisson.
de que el evento suceda
precisamente k veces).
•λ es un parámetro positivo que representa
Sea x el número de eventos (por
ejemplo, llegadas) que ocurren el número de veces que se espera que
durante un lapso de tiempo específico ocurra el fenómeno durante un intervalo
(a saber, un minuto, o una hora). dado.

Dado que l es una constante

conocida, la función de densidad de
probabilidad de Poisson se define
como:
Ejemplo
A un taller de reparación de motores pequeños llegan trabajos
de reparación a razón de 10 por día.
a) ¿Cuál es la probabilidad de que no lleguen trabajos durante
cualquier hora, suponiendo que el taller está abierto 8 horas
al día?

El número promedio de trabajos recibidos por día es igual a l 5 10 trabajos

por día. Para calcular la probabilidad de que lleguen trabajos por hora,
tenemos que calcular la tasa de llegadas por hora; es decir, trabajos de
reparación por hora .Por lo tanto.

10trabajos/8horas
de trabajo) =1.25
(𝜆ℎ𝑜𝑟𝑎 )0 𝑒 −𝜆
𝑃(𝑛𝑜 ℎ𝑎𝑦 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠 𝑝𝑜𝑟 ℎ𝑜𝑟𝑎) =
0!

(1.25)0 𝑒 −1.25
𝑃= 𝑃 = 0.2865
0!
Distribución Exponencial
Distribución de Poisson

X eventos en un intervalo de tiempo

Distribución Exponencial
Distribución Continua

 Describe el tiempo y este tiempo puede

tomar cualquier valor y toma como
parámetro a λ (landa).

 λ = numero promedio de eventos que

ocurren en una unidad de tiempo.
Función : f(t) = λe - λt

 El área bajo la curva nos da la

probabilidad de que la variable
aleatoria sea ≤ O a un valor t o > a un
valor de t .
≤
›
 P 𝑡 ≤ 𝑐 = 1 − 𝑒 −λ𝑐

P 𝑡 > 𝑐 = 𝑒 −λ𝑐

Calculo de la probabilidad sin tener λ

1
λ= Inverso de la media
β
1
− 𝑐
P 𝑡 ≤𝑐 =1−𝑒 β
1
− 𝑐
P 𝑡>𝑐 =𝑒 β
Distribución Exponencial
Distribución Sin Memoria

• El tiempo que transcurre

desde un cierto evento hasta
que sucede el evento no
depende de lo que ocurrió
antes del intervalo de tiempo .
 EJEMPLO :

• Se sabe que el tiempo de vida útil de un tractor sigue una

distribución exponencial con medida de 8 años .

• ¿ Cual es la probabilidad de que un tractor de este tipo se tenga

que reemplazar antes de 12 años ?.
 Distribución Normal
Descubierta en 1733 por el francés Moiure, descrita
también por Laplace y Gauss (sinónimo de la forma
gráfica de esta distribución).

 Importancia práctica de esta distribución teórica:

 Muchos fenómenos distribuidos suficientemente
 Es la base de gran parte de la teoría estadística
usada por los biólogos.
 Distribución de promedios.
 Distribución de errores.

La distribución normal básicamente dice que hay pocos

valores extremos y que la mayor frecuencia se encuentra
en los valores centrales.
¿Qué tiene Distribución Normal?
 Caracteres morfológicos de individuos (personas,
animales, plantas,...) de una especie, p.ejm. tallas,
pesos, envergaduras, diámetros, perímetros,...
 Caracteres fisiológicos, por ejemplo: efecto de una
misma dosis de un fármaco, o de una misma cantidad
de abono.
 Caracteres sociológicos, por ejemplo: consumo de
cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
 Caracteres psicológicos, por ejemplo: cociente
intelectual, grado de adaptación a un medio,...
 Errores cometidos al medir ciertas magnitudes.
 Valores estadísticos muéstrales, por ejemplo : la
media.
 Y en general cualquier característica que se obtenga
como suma de muchos factores.
Características
 Área bajo la curva entre 2 puntos representa probabilidad que
ocurra un hecho entre esos dos puntos
 Su dominio va de menos infinito a más infinito;
 Es simétrica con respecto a su media;
 Tiene dos colas y es asintótica al eje x por ambos lados;
 El valor del área debajo de toda la curva es igual a 1;
 El centro de la curva está representado por la media poblacional
().
D. Normal Tipificada (estandarizada)
 Distribución especial que representa a todas las variables aleatorias
normales y que es la distribución de otra variable normal llamada
Z:

x -
Z=
s
 Z se la conoce como variable aleatoria estandarizada.
 Esta función se caracteriza por tener media igual a cero y
desviación tipificada igual a uno : N(0,1)
 Representa a todas las distribuciones Normales. Igual densidad de
probabilidad, si medimos desviaciones de media en base a s.
 Valores obtenidos de tabla Normal válidos para todas las
distribuciones Normal de media =  y varianza =s2.
EJEMPLO

Paula obtiene las siguientes notas en las distintas

asignaturas además de conocer la nota, sabemos cómo se
comportó todo el curso de Paula en esas asignaturas :

 MATEMATICA : 5.8 y el curso tuvo una media de 5.7 y

una desviación estándar de 0.5

 LENGUAJE : 6.1 y el curso tuvo una media de 6.2 y

una desviación estándar de 0.7

 CIENCIAS : 5.6 y el curso tuvo una media de 5.0 y una

desviación estándar de 1.1

En términos absolutos, Paula obtiene mejor nota en

Lenguaje, luego en Matemática y finalmente en Ciencias.
EJEMPLO

Ahora podemos comparar las notas en términos de

puntuaciones estándar Z, asumiendo que las medias = 0 y las
desviaciones estándar = 1, utilizando la fórmula:
x
Zx 
s
MATEMÁTICA : x= 5.8 ; media= 5.7 y ds= 0.5
Puntaje Z5.8= 0.2
LENGUAJE : x= 6.1 ; media= 6.2 y ds= 0.7
Puntaje Z6.1= -0.14

CIENCIAS : x= 5.6 ; media= 5.0 y ds= 1.1

Puntaje Z5.6= 0.54

Distribuciones Empíricas

Las secciones precedentes abordaron las fdp y las FDA de cinco

distribuciones comunes: uniforme, binomial, de Poisson, exponencial y
normal. ¿Cómo se reconocen estas distribuciones en la práctica?

La base para identificar cualquier fdp son los datos sin procesar que
reunimos sobre la situación que estamos estudiando. Esta sección muestra
cómo los datos muestreados pueden convertirse en una fdp.

• Paso 1. Resuma los datos sin procesar en la forma de un histograma de

frecuencia apropiado para determinar la fdp empírica asociada.
1
• Pasó 2. Use la prueba de bondad de ajuste para evaluar si la fdp empírica
resultante se muestrea a partir de una fdp teórica conocida.
2
Histograma De Frecuencias.

Este histograma se construye con datos sin procesar dividiendo el rango de

éstos (valor mínimo a valor máximo) en clases que no se traslapan. La
frecuencia en cada clase es la cuenta de los valores de los datos sin
procesar que quedan comprendidos dentro de los límites designados de la
clase.
Ejemplo:
Los siguientes datos representan el tiempo de servicio (en minutos) en una
instalación de servicio de una muestra de 60 clientes.
Histograma De Frecuencias.

La siguiente tabla resume la información en forma de histograma de la

muestra dada. La columna de frecuencias relativas f i, se calcula dividiendo
las entradas de la columna de frecuencias observadas o i en el total de
observaciones (n 5 60). Por ejemplo. La columna de frecuencias
acumuladas F i, se genera al sumar los valores de f i de manera recursiva.
Histograma De Frecuencias.

Los valores de f i y F i proporcionan una versión “discretizada”de la fdp y la

FDA en el tiempo de servicio. Podemos convertir la FDA resultante en una
función continua si unimos los puntos resultantes con segmentos de línea.
La figura 14.6 proporciona la fdp empírica y la FDA para el ejemplo. La
FDA, como la presenta el histograma, aparece definida en los puntos
medios de las clases.