Está en la página 1de 40

Distribuciones de probabilidad

Distribución Binomial:
 Los datos pueden ser trazados en un gráfico.

La forma exacta de una distribución particular depende de los


valores de 'n' y 'p'.
Distribuciones de probabilidad
Distribución Binomial:
 En una muestra de 20 extraída de un lote que es defectuoso en un 5%, ¿cuál
es la probabilidad de obtener exactamente 3 elementos defectuosos?
Distribuciones de probabilidad
Distribución binomial - Ejemplo:
 Al tomar muestras, normalmente queremos aceptar un lote si hay (digamos) 1
o menos defectuosos en la muestra, y rechazarlo si hay 2 o más.
 Para determinar la probabilidad de aceptación, se suman las probabilidades
individuales de 0 y 1 defectos:
P (1 o menos) = P(0) + P(1)
= 0.358 + 0.377 = 0.735
 Así que la probabilidad de rechazo es:
1 – 0.735 = 0.265
Distribuciones de probabilidad
Distribución binomial - Otros ejemplos:
 ¿Cuál es la probabilidad de obtener exactamente 2 caras en los 5
lanzamientos?
 ¿Cuál es la probabilidad de que en una muestra aleatoria de 10 latas haya
exactamente 3 unidades defectuosas, sabiendo que en promedio hay un 5% de
productos defectuosos?
 ¿Cuál es la probabilidad de que una muestra aleatoria de 4 unidades tendrá
exactamente 1 unidad defectuosa, sabiendo que ese proceso producirá un 2%
unidades defectuosas en promedio?
Distribuciones de probabilidad
Distribución Binomial:
 En Excel, puedes calcular las probabilidades binomiales usando la Función
BINOM.DIST. Simplemente escribe:
Distribuciones de probabilidad
Distribución Binomial:
 Supongamos que queremos saber la posibilidad de obtener exactamente 4
caras de 10 lanzamientos. En lugar de usar la fórmula del binomio, podríamos
saltar directamente a la fórmula de Excel.
 En Excel, simplemente escribimos:

 El valor del resultado será 0,205078125.


 Esto significa que hay una probabilidad del 20,5% de que 10 lanzamientos de
monedas producirán exactamente 4 caras.
Distribuciones de probabilidad
Distribución Hipergeométrica:
 Una muy similar a la distribución binomial.
 La única diferencia es que una distribución hipergeométrica hace no utilizar
el reemplazo entre los ensayos.
 Se suele utilizar para muestras de poblaciones relativamente pequeñas.
Distribuciones de probabilidad
Distribución Hipergeométrica:
 Supongamos que hay 5 monedas de oro y 25 monedas de plata en una caja.
 Puedes cerrar los ojos y sacar 2 monedas sin reemplazo.
 Haciendo esto muchas veces, tendrás un conjunto de datos que tiene la forma
de la distribución hipergeométrica.
 Entonces puedes responder a preguntas como:
 ¿Cuál es la probabilidad de que saques una moneda de oro?
 Obsérvese que la probabilidad de éxito en cada ensayo no es el mismo que el
tamaño de los restantes la población cambiará a medida que retire las
monedas.
Distribuciones de probabilidad
Distribución de Poisson:
 No siempre es apropiado clasificar el resultado de una prueba simplemente
como aprobar o reprobar.
 A veces, tenemos que contar el número de defectos donde puede haber varios
defectos en un solo artículo.
 La distribución de Poisson es una probabilidad discreta distribución que
especifica la probabilidad de un cierto número de ocurrencias en un intervalo
determinado.
 Como el tiempo o cualquier otro tipo de mediciones.
Distribuciones de probabilidad
Distribución de Poisson:
 Con la distribución de Poisson, puedes examinar una unidad de producto o
recoger datos durante un intervalo de tiempo determinado.
 Tendrá un número de éxitos (cero o más).
 Se puede repetir el ejercicio, en el que también tendrá una serie de éxitos.
 Haciendo esto muchas veces, tendrás un conjunto de datos que tiene la forma
de la distribución de Poisson.
Distribuciones de probabilidad
Distribución de Poisson:
 Esta prueba tiene una amplia gama de aplicaciones, como:
 Contar el número de defectos encontrados en un solo producto.
 Contar el número de accidentes por año en una fábrica.
 Contar el número de fallas por mes para un equipo específico.
 Contar el número de llamadas entrantes por día a un centro de llamadas de
emergencia.
 Contar el número de clientes que entran en una tienda durante las vacaciones.
Distribuciones de probabilidad
Distribución de Poisson:
 La distribución de Poisson es apropiada cuando se aplican las siguientes
condiciones:
 Los sucesos tienen lugar dentro de un intervalo o área de oportunidad definidos
(por muestra, por unidad, por hora, etc.).
 Las ocurrencias tienen lugar a una tasa constante, donde la tasa es proporcional a
la longitud o tamaño del intervalo.
 La probabilidad de ocurrencia no se ve afectada por qué parte del intervalo se
selecciona (por ejemplo, la hora del día).
 Las ocurrencias tienen lugar al azar, por separado e independientemente de cada
uno de ellos.
Distribuciones de probabilidad
Distribución
   de Poisson:
 La probabilidad de que ocurra "r" viene dada por la fórmula de Poisson:

 La distribución de Poisson está totalmente definida si conocemos el valor de λ


Distribuciones de probabilidad
Distribución de Poisson:
 Los datos pueden ser trazados en un gráfico.

 La forma exacta de una distribución particular depende únicamente del valor


de λ.
Distribuciones de probabilidad
Distribución de Poisson Ejemplo:
 ¿Cuál es la probabilidad de que al menos 1
accidente ocurra en una semana determinada?
 En otras palabras, ¿cuál es la probabilidad de
que ocurran 1 o más accidentes?
 Podemos sumar las probabilidades por encima
de 0 o utilizar el método del complemento.
 P(1 o más accidentes) = 1 - P (0 accidentes)
 = 1 – 0.607 = 0.393
Distribuciones de probabilidad
Distribución de Poisson – Otro ejemplo:
 Cuál es la probabilidad de ensamblar una pieza con menos de 3 defectos,
sabiendo que un estudio ha determinado que en promedio hay 3 defectos por
ensamblaje.
Distribuciones de probabilidad
Distribución de Poisson:
 En Excel, puedes calcular las probabilidades de Poisson usando la función
POISSON.DIST. Simplemente escribe:
Distribuciones de probabilidad
Distribuciones continuas:
 Se relaciona con los datos continuos.
 Puede tomar cualquier valor y puede ser
medido con cualquier grado de precisión.
 La distribución continua más común y útil es la
distribución normal.
 Hay otras distribuciones de probabilidad
continuas que se utilizan para modelar datos
no normales.
Distribuciones de probabilidad
Distribución uniforme:
 Todos los eventos tienen exactamente la misma
probabilidad de ocurrir en cualquier lugar dentro
de un intervalo fijo.
 Cuando se muestra como un gráfico, cada barra
tiene aproximadamente el a la misma altura.
 A menudo se describe como la distribución del
rectángulo.
 No ocurre a menudo en la naturaleza.
 Sin embargo, es importante como distribución de
referencia.
Distribuciones de probabilidad
Distribución exponencial:
 Se utiliza a menudo en el control de calidad y el
análisis de fiabilidad.
 Principalmente se ocupa de la cantidad de tiempo
hasta que algún se produce el evento.
 Calculando la probabilidad de que una parte de la
computadora dure menos de seis años.
 Su forma está muy sesgada hacia la derecha.
 Hay un área mucho mayor debajo de la media que
encima de ella.
Distribuciones de probabilidad
Distribución normal:
 Una distribución de probabilidad simétrica.
 La mayoría de los resultados están situados en el
centro y pocos se extienden por ambos lados.
 Tiene la forma de una campana.
 Puede describirse completamente por su media y
desviación estándar.
 La normalidad es un supuesto importante cuando
se realiza análisis estadístico para que puedan ser
aplicados en el derecho la manera.
Distribuciones de probabilidad
Distribución bimodal:
 Tiene dos modos (o picos).
 Dos valores ocurren con más frecuencia que los otros valores.
 Se puede ver en el análisis del tráfico donde el tráfico alcanza su punto máximo
durante la hora punta de la mañana y luego otra vez en la hora punta de la
tarde.
Distribuciones de probabilidad
Distribución bimodal:
 También puede ocurrir si las
observaciones se toman de dos
poblaciones diferentes.
 - Esto puede verse cuando se
toman muestras de dos turnos
diferentes o recibiendo materiales
de dos proveedores diferentes.
 - En realidad hay un modo para los
dos conjuntos de datos.
Distribuciones de probabilidad
Distribución bimodal:
 Distribución bimodal:
 El bimodal se considera una Distribución
Multimodal ya que tiene más de un pico.
 Esto puede indicar que su muestra tiene
varios patrones de respuesta, o se ha tomado
de más de una población.
 Las distribuciones multimodales pueden
verse en la distribución diaria de agua ya
que la demanda de agua llega a su punto
máximo durante diferentes períodos del día.
Distribuciones de probabilidad en Minitab
 - Existen diferentes formas, modelos y clasificaciones de las distribuciones de
probabilidad.
 Siempre es una buena práctica conocer la distribución de sus datos antes de
proceder a su análisis.
 Una vez que encuentre el modelo apropiado, puede entonces realizar su análisis
estadístico de la manera correcta.
 Se puede usar Minitab para encontrar la distribución de probabilidad apropiada
de sus datos.
Distribuciones de probabilidad en Minitab
 -Puede utilizar la identificación de
distribución individual en confirmar
que una distribución particular se
ajusta mejor a sus datos actuales.
 Permite comparar fácilmente cuán
bien sus datos se ajustan a varias
distribuciones diferentes.
 Veamos un ejemplo en el que un
hospital está tratando de detector
la presencia de altos niveles de
glucosa en los pacientes en el
momento de la admisión.
Distribuciones de probabilidad en Minitab
 -Recuerde copiar los datos de la hoja de trabajo de Excel y Pégalo en la hoja de
trabajo de Minitab.
 Para averiguar la distribución de probabilidad que mejor se ajusta a los datos:
 Seleccione Stat > Quality Tools > Individual Distribution Identification.
 Especifique la columna de datos a analizar.
 Especifique la distribución para comprobar la datos en contra.
 Luego haga clic en OK.
Distribuciones de probabilidad en Minitab
 El gráfico resultante si sólo se ha seleccionado la distribución normal:

 Minitab también puede crear una serie de gráficos que proporcionan


 la mayor parte de la misma información junto con las gráficas de probabilidad.
Distribuciones de probabilidad en Minitab
 -Una distribución dada es un buen ajuste si los datos apuntan aproximadamente
sigue una línea recta y el valor p es mayor de 0,05.
 Distribuciones de probabilidad en Minitab
 Un buen lugar para empezar es mirar los valores p más altos en la ventana de la
sesión
 En nuestro caso, los datos no parecen seguir una línea recta
Distribuciones de probabilidad en
minitab
 • Puede transformar los datos no normales utilizando los métodos de
transformación de Box-Cox o Johnson para que sigan una distribución normal.
 • Luego puede usar los datos transformados con cualquier análisis que
suponga que los datos siguen una distribución normal.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad en minitab
 También puede usar los Gráficos de distribución de probabilidad para
comunicar claramente la información de distribución de probabilidad de una
manera que los que no son expertos puedan entenderlo fácilmente.
 Seleccione Gráfico> Gráfico de distribución de probabilidad y luego elija una
de las siguientes opciones:
• Vista única para mostrar un único diagrama de distribución
de probabilidad.
• Variar parámetros para ver cómo los cambios
en los parámetros afectarán la distribución.
• Dos distribuciones para comparar la forma
de Las curvas en función de diferentes parámetros.
• Ver probabilidad para ver dónde caen los valores
objetivos en una distribución.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad en minitab
 • Aquí hay un ejemplo de un proceso con una media de 100, una desviación
estándar de 10 y un límite de especificación superior de 120.
 • La siguiente captura de pantalla muestra el área sombreada debajo de la
curva que está por encima del límite de especificación superior:

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
• Una distribución truncada es una distribución de probabilidad que tiene una
sola cola.
• puede ser truncada a la derecha o a la izquierda.
• Se produce cuando no hay capacidad para saber o registrar datos por debajo
de un umbral o fuera de un cierto rango.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
• Una distribución pico-borde es donde hay un pico fuera de lugar en el borde
de la distribución.
• Esto generalmente significa que los datos se han recopilado o trazado
incorrectamente, a menos que sepa con seguridad que su conjunto de datos
tiene un conjunto esperado de valores atípicos.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
• Una distribución en peine se llama así porque la distribución se parece a
un peine, con picos alternos altos y bajos.
• Una forma de peine puede ser causada por el redondeo.
• si más de una persona está tomando los datos o si se usa más de
un instrumento.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
 Distribución T-Student:
• Una distribución de probabilidad en forma de campana que tiene
forma simétrica.
• Generalmente mucho más plano y ancho que la distribución normal
(tiene más probabilidad en las colas).
• Hay una distribución t-student para cada tamaño de muestra
de n> 1.
• Apropiado cuando se construyen intervalos de confianza
basados en muestras pequeñas (n <30) de poblaciones con
varianzas desconocidas.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
o Distribución T-Student:
• Definido por un solo parámetro, los grados de
libertad (gl).
• Los grados de libertad se refieren al número de
observaciones independientes en un conjunto
de datos.

• Es igual al número de observaciones de muestra menos uno:


 La distribución del estadístico t a partir de muestras de tamaño 8
se describiría mediante una distribución t con 7 grados de libertad.
Kit de herramientas de mejora continua.www.citoolkit.com
Distribuciones de probabilidad
 Más información:
 Distribución F:
• Una distribución de probabilidad continua que ayudará en la prueba de si dos
muestras normales tienen la misma varianza.
• Se utiliza para calcular valores de probabilidad en el análisis de
varianza (ANOVA) y la validez de una ecuación de
regresión múltiple.
• Un ejemplo de una distribución positivamente
sesgada son los ingresos del hogar.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
 F-Distribución:
•Tiene dos propiedades importantes:
 Se define solo para valores positivos.
 No es simétrico acerca de su media. en cambio, está
positivamente sesgado.
•El pico de la distribución ocurre justo a la derecha de cero.
•Cuanto mayor sea el valor F después de ese punto,
menor será la curva.

Kit de herramientas de mejora continua.www.citoolkit.com


Distribuciones de probabilidad
 Más información:
 o Distribución F:
• Al igual que la distribución t-Student, la probabilidad está determinada
por los grados de libertad.
• A diferencia de la distribución t-Student, la distribución F se caracteriza
por dos tipos diferentes de grados de libertad:
 Numerador (gln).
 Denominador (gld).
• La forma depende de los valores de los grados de libertad del
numerador y del denominador.

Kit de herramientas de mejora continua.www.citoolkit.com

También podría gustarte