Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de Probabilidad
Discreta
5-1
Situaciones
Un fabricante recibe de su proveedor un lote de componentes cada semana. El
contrato estipula un máximo de 5% de componentes defectuosos por lote. El
departamento de control de calidad toma muestras aleatorias fijas de 20
componentes de cada lote. ¿Cuántos componentes defectuosos debe esperarse
por lote, si el contrato se cumple? ¿Qué debe concluirse si una muestra contiene 3
componentes defectuosos?
Respuestas: Usar distribución binomial
¿De cuántos cajeros automáticos debe disponer la nueva sucursal del banco? Si se
decide por 4 cajeros, ¿tendrán un tiempo de espera muy alto los clientes? ¿Habrá
exceso de capacidad y mal uso del espacio?
Respuestas: Usar distribución Poisson
Un gerente tiene que promover a 3 ejecutivos de 10 candidatos igualmente
calificados, suponga que ninguna de las 6 candidatas mujeres es promovida, ¿se
puede hablar de discriminación de género?
Respuestas: Usar distribución hipergeométrica
5-2
Las distribuciones de probabilidad discreta son un
instrumento importante para el análisis de
situaciones inciertas.
5-3
Objetivos
5-4
Introducción a Distribuciones de
Probabilidad
Variable aleatoria
Representa un posible valor númerico de un evento
aleatorio
Puede variar de prueba a prueba
Variables
Aleatorias
5-5
Variable Aleatoria Discreta
Una variable aleatoria discreta es una variable
que puede tomar solamente un número
contable de valores
Muchos valores posibles:
Número de reclamos por día
Número de televisores en una casa
Número de timbradas antes que el teléfono sea
contestado
Dos valores posibles:
Género: Masculino o femenino
Defectuoso: Si o no
5-6
Variable Aleatoria Continua
Una variable aleatoria continua es una variable
que puede tomar cualquier valor de un intervalo
(puede tomar un número incontable de valores)
Peso de un artículo
Tiempo requerido para completar una tarea
Temperatura de una solución
Altura, en pulgadas
5-7
Variable Aleatoria Discreta
Puede tomar un número contable de valores
Ejemplos:
S S x (Valor) Probabilidad
0 1/4 = 0.25
S C 1 2/4 = 0.50
2 1/4 = 0.25
C S
Probabilidad
0.50 HISTOGRAM
C C 0.25
0 1 2 x
5-9
Distribución de Probabilidad
Discreta
Una lista de todos los pares posibles [xi, P(xi)]
xi = imo valor de la variable aleatoria
P(xi) = Probabilidad asociada al imo valor
xi’s son mutuamente excluyentes (no se traslapan)
xi’s son colectivamente exhaustivos (cubren todo)
0 P(xi) 1 para cada xi
La probabilidad de xi está entre 0 y 1
P(xi) = 1
La suma de todas las probabilidades en el espacio
muestral = 1
5-10
Variable Aleatoria Discreta:
Media
Valor Esperado (Media) de una distribución discreta
(Promedio Ponderado)
E(x) = xP(x)
Ejemplo: Lanzar 2 monedas,
x P(x)
x = # de caras, 0 0.25
Cálculo del valor esperado de x: 1 0.50
2 0.25
E(x) = (0 x 0.25) + (1 x 0.50) + (2 x 0.25)
= 1.0
5-11
Variable Aleatoria Discreta:
Desviación Estándar
Desviación Estándar de una distribución
discreta
σx (x E(x)) 2
P(x)
donde:
E(x) = Valor esperado de la variable aleatoria
x = Valores de la variable aleatoria
P(x) = Probabilidad de que la variable aleatoria
tome el valor x
5-12
Variable Aleatoria Discreta:
Desviación Estándar
(continuación)
Ejemplo: Lanzar 2 monedas, x = # de caras.
Calcular la desviación estándar (se sabe: E(x)=1)
σx (x E(x)) 2
P(x)
5-13
Distribuciones de Probabilidad
Tema 5 Tema 6
Distribuciones Distribuciones
de Probabilidad de Probabilidad
Discreta Continua
Binomial Normal
Poisson Uniforme
Hipergeométrica Exponencial
5-14
Distribución Binomial
P(éxito ó fracaso)
Características de la Distribución Binomial:
Se realizan un número finito de n pruebas idénticas de
un experimento.
Una prueba tiene solamente dos posibles resultados–
“éxito” o “fracaso”.
Las pruebas del experimento son independientes una
a la otra.
La probabilidad de éxito, p, permanece constante de
prueba a prueba.
Si p representa la probabilidad de éxito, entonces
(1-p) = q representa la probabilidad de fracaso.
5-15
Distribución Binomial: Ejemplos
5-16
Cálculo
Sea:
n = 4 el número de pruebas o lanzamientos de la moneda
x = 1 el número de éxitos o caras de los lanzamientos
p = 0.5 la probabilidad de éxito o de cara en una prueba
q = 1 – p = 0.5 la probabilidad de no éxito o fracaso en una prueba
5-17
Cálculo
Formas en que se pueden obtener una sola cara:
Por lo tanto,
5-18
¿Formas de obtener x éxitos de n pruebas?
5-19
Regla de Conteo para
Combinaciones
Una combinación es un resultado de un experi-mento. El
número de combinaciones en que x objetos pueden ser
seleccionados de un grupo de n objetos es:
n!
C n
x
x! (n x )!
Donde:
Cxn = Número de combinaciones de x objetos seleccionados de n objetos
n! = n(n - 1)(n - 2) . . . (2)(1)
x! = x(x - 1)(x - 2) . . . (2)(1)
5-20
Distribución Binomial: Fórmula
n! x nx
P(x) p q
x ! (n x ) !
5-21
Distribución Binomial: Medidas
de Resumen
Media
E(x) np
Varianza y Desviación Estándar
npq
2
npq
Donde n = número de pruebas
p = Probabilidad de éxito
q = (1 – p) = Probabilidad de fracaso
5-22
Distribución Binomial
La forma de la distribución binomial depende del valor
de p y n
Mean .6
P(X) n = 5 p = 0.1
.4
.2
Para n = 5 y p = 0.1
0 X
0 1 2 3 4 5
.6
P(X) n = 5 p = 0.5
.4
Para n = 5 y p = 0.5 .2
0 X
0 1 2 3 4 5
5-23
Distribución Binomial: Medidas
de Resumen
Ejemplos
np (5)(0.1) 0.5
Mean P(X) n = 5 p = 0.1
.6
.4
npq (5)(0.1)(1 .1) .2
0.6708 0 X
0 1 2 3 4 5
5-24
Formas de la Distribución Binomial
5-25
Distribución Binomial: Ejemplo
Ejemplo: 35% de los votantes apoyan la propuesta
“A”. Si una muestra aleatoria de 10 votantes es
encuestada. ¿Cuál es la probabilidad de que 3 de ellos
apoyen la propuesta “A”?
Es decir: Hallar P(x = 3) si n = 10 y p = 0.35:
n! x n x 10!
P(x 3) p q (0.35)3 (0.65)7 0.2522
x!(n x)! 3!7!
5-26
Usando Tablas de Distribución
Binomial Acumulada
Si una muestra aleatoria de 10 votantes es encuestada. ¿Cuál es la
probabilidad de que al menos 3 de ellos apoyen la propuesta “A”?
n = 10
x p=.15 p=.20 p=.25 p=.30 p=.35 p=.40 p=.45 p=.50
0 0.1969 0.1074 0.0563 0.0282 0.0135 0.0060 0.0025 0.0010
1 0.5443 0.3758 0.2440 0.1493 0.0860 0.0464 0.0233 0.0107
2 0.8202 0.6778 0.5256 0.3828 0.2616 0.1673 0.0996 0.0547
3 0.9500 0.8791 0.7759 0.6496 0.5138 0.3823 0.2660 0.1719
4 0.9901 0.9672 0.9219 0.8497 0.7515 0.6331 0.5044 0.3770
5 0.9986 0.9936 0.9803 0.9527 0.9051 0.8338 0.7384 0.6230
6 0.9999 0.9991 0.9965 0.9894 0.9740 0.9452 0.8980 0.8281
7 1.0000 0.9999 0.9996 0.9984 0.9952 0.9877 0.9726 0.9453
8 1.0000 1.0000 1.0000 0.9999 0.9995 0.9983 0.9955 0.9893
9 1.0000 1.0000 1.0000 1.0000 1.0000 0.9999 0.9997 0.9990
10 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
5-28
En muchas situaciones se pueden contar las ocurrencias de éxitos,
pero no las de fracaso, esto es, la cantidad total de pruebas no se
puede saber (Se conoce x, pero no n).
Ejemplos:
Se desea estimar el número de baches que pueden presentarse en
una milla determinada de una carretera. Se pueden considerar los
baches, pero no los no-baches.
Se desea estimar el número de emergencias por hora que se
5-30
Supuestos de la Distribución Poisson
Se conoce λ, el número promedio de éxitos por segmento.
(Se tiene un promedio de 8 emergencias por hora (λ=8), un promedio de 15 baches por
milla en la autopista (λ=15)).
La probabilidad de x éxitos en un segmento es la misma para todos los segmentos de
igual tamaño.
(La distribución de probabilidades del número de emergencias es la misma para
cualquier período de una hora).
Lo que ocurre en un segmento no tiene influencia sobre ningún otro segmento que no
se traslape.
(El número de emergencias que ocurre entre las 9.30pm y 10.30pm no influye en el
número de emergencias que ocurren entre 11.00pm y 12 de la noche).
Suponga el segmento subdividido en diminutos sub segmentos. La posibilidad de más
de un éxito en un sub segmento es insignificante y la posibilidad de un éxito es igual a λ
veces la longitud del sub segmento; esto es, λt, si t es la longitud del sub segmento.
(La posibilidad de dos emergencias en el mismo segundo es, básicamente cero. Si λ=8
emergencia por hora, la posibilidad de una emergencia en un segundo dado es
8*(1/3,600) = 0.0022)
5-31
Distribución Poisson: Fórmula
t
( t ) e x
P( x )
x!
Donde:
t = Tamaño del segmento de interés
x = Número de éxitos
= Número esperado (promedio) de éxitos por segmento
unitario
e = Base del logaritmo natural (2.71828...)
5-32
Distribución Poisson: Medidas
de Resumen
Media
μ λt
Varianza y Desviación Estándar
σ 2 λt
σ λt
Donde = Número promedio de éxitos por segmento unitario
t = Tamaño del segmento de interés
5-33
Probabilidades de Poisson:
Gráfico
0.70
Gráficamente: 0.60
= .05 y t = 10 0.50
t = P(x) 0.40
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
x
5 0.0002
6 0.0000
P(x = 2) = 0.0758
7 0.0000
5-34
Formas de la Distribución
Poisson
La forma de la Distribución de Poisson
depende de los parámetros y t:
t = 0.50
0.70
0.60
0.50
0.40
P(x)
0.30
0.20
0.10
0.00
0 1 2 3 4 5 6 7
5-35
Uso de Tablas de Poisson
t
0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90
X
5-36
Distribución Hipergeométrica
Las distribuciones binomial y Poisson, por su utilidad, son de uso
ampliamente difundido; sin embargo, se dan circunstancias en que
estas distribuciones no son apropiadas. Estas situaciones se dan
especialmente cuando no se tiene independencia entre las pruebas del
experimento, lo cual es frecuente en situaciones donde la población es
bastante reducida y se efectúa muestreo sin remplazamiento, en cuyo
caso se pierde la condición de independencia.
5-37
Distribución Hipergeométrica
Ejemplo: 3 focos fueron seleccionados de 10. De los 10, hay 4 defectuosos.
¿Cuál es la probabilidad de que 2 de los 3 sean defecuosos?
5-38
Distribución Hipergeométrica
5-39
Distribución Hipergeométrica:
Formula
(Dos posibles resultados por prueba: éxito o fracaso)
N X . X
C C
P( x ) n x
N
x
C n
Donde
N = Tamaño de la población
X = Número de éxitos en la población
n = Tamaño de la muestra
x = Número de éxitos en la muestra
n – x = Número de fracasos en la muestra
5-40
Distribución Hipergeométrica:
Ejemplo
■ Ejemplo: 3 focos fueron seleccionados de 10. De los
10, hay 4 defectuosos. ¿Cuál es la probabilidad de que
2 de los 3 sean defectuosos?
N = 10 n=3
X=4 x=2
N X X 6 4
C C C C (6)(6)
P(x 2) n x
N
x
1
10
2
0.3
C n C3 120
5-41
Resumen
5-42