Documentos de Académico
Documentos de Profesional
Documentos de Cultura
LA INVESTIGACIÓN
DISTRIBUCIONES DE PROBABILIDADES PARA
VARIABLES DISCRETAS
www.usat.edu.pe
CONTENIDO
o Variable aleatoria
o Distribuciones de Probabilidad
www.usat.edu.pe
Logro de la sesión:
Al término de la sesión, el estudiante resuelve
problemas de situaciones reales considerando
variables aleatorias y distribución de probabilidad
discreta, con orden en el procedimiento y exactitud en
el resultado.
www.usat.edu.pe
DEFINICIONES PRELIMINARES:
I. VARIABLE ALEATORIA:
• Se denota por una X.
• Es aquella que puede tomar diferentes valores a
través del tiempo o de sujeto a sujeto.
• Si una variable, es una variable aleatoria, entonces
tiene una distribución de probabilidad.
EJEMPLOS:
• X: Nº de casas vendidas en Trujillo.
• X: Nº de ingenieros reconocidos a nivel nacional.
• X: Ventas diarias de una empresa.
• X: Nº de clientes que llegan diariamente a Plaza Vea.
• X: Nº de automóviles que llegan a una Estación de Servicio.
• X: Nº de llamadas telefónicas que recibe una secretaria.
• X: Edad de las personas.
• X: Tiempo de vida de un neumático.
• X: Nº de artículos defectuosos de un proceso productivo.
www.usat.edu.pe
II. FUNCION DE PROBABILIDAD:
• Es una fórmula matemática que nos permite calcular
probabilidades.
• Una función de probabilidad, calcula la probabilidad para
cada valor individual de la variable aleatoria X.
• Se denota por:
f (x) = P[ X = x ]
EJEMPLOS:
n
P[X x] p x q n x
x
Distribución Binomial:
F(x) = P[ X ≤ x ]
Por ejemplo:
Distribución Poisson
www.usat.edu.pe
DISTRIBUCIÓN BINOMIAL
CARACTERISTICAS:
P(X x) C xn p x (1 p ) n x , x 0,1,2,......n
EJERCICIO:
1° paso
Número de ensayos
o tamaño de muestra
(n)
2° paso
Probabilidad de éxito
(p)
A.
A. PP((XX≤≤aa))==Usar
Usarprobabilidades
probabilidadesacumuladas
acumuladasde deMegastat
Megastat
B.
B. PP((XX>>aa)) ==11-- PP((XX≤≤aa))
C.
C. PP((XX≥≥aa)) ==11-- PP((XX≤≤aa--11))
D.
D. PP((XX==aa)=)=Usar
Usarprobabilidades
probabilidadessimples
simplesde deMegastat
Megastat
E. P ( a ≤ X ≤ b ) = P ( X ≤ b ) - P ( X ≤ a-1
E. P ( a ≤ X ≤ b ) = P ( X ≤ b ) - P ( X ≤ a-1 ) )
F.
F. PP((aa≤≤XX<<bb))==PP((XX≤≤b-1b-1))--PP((XX≤≤a-1
a-1))
G.
G.PP((aa<<XX<<bb))==PP((XX≤≤b-1 b-1))--PP((XX≤≤aa))
H.
H.PP(X (X<<aa))==PP((XX≤≤a-1
a-1))
I.I. PP((aa<<XX≤≤bb))==PP((XX≤≤bb))––PP((XX≤≤aa))
En general, el 45% de los postulantes fallan en una prueba de
selección de personal. ¿Cuál es la probabilidad de que en una
muestra de 15:
a) Fallen exactamente 4.
b) Fallen por lo menos 8.
c) Fallen más de 4.
www.usat.edu.pe
SOLUCIÓN:
X = Candidatos que fallan en una prueba de selección
Parámetros:
n = 15 candidatos
p = probabilidad que un candidato falle en una prueba de
selección.
p = 0.45; q = 0.55
Función de probabilidad:
15 x
P(X x) C 15
x (0.45) x
( 0. 55) , X 0,...,15
a) Fallen exactamente 4.
P(X = 4) = 0.078 = 7.8%
b) Fallen por lo menos 8.
P(X ≥ 8) = 1 - P(X ≤ 7) = 1 - 0.6535 = 0.3465 = 34.65%
c) Fallen más de 4.
P(X > 4) = 1 - P(X ≤ 4)= 1 - 0.1204 = 0.8796 = 87.96%
www.usat.edu.pe
DISTRIBUCIÓN POISSON
Es otra de las distribuciones discretas
más importantes del cálculo de
probabilidades.
Se utiliza cuando se quieren evaluar
variables aleatorias discretas pero
ocurridos en espacios continuos.
Estos espacios continuos pueden ser el
tiempo, volumen, espacio, etc.
Función de probabilidad
e λ λ x
PX x/λ
x!
Donde λ = Número esperado de éxitos. Simeon Poisson
e = Constante matemática.
x = Número de éxitos por unidad.
Parámetro: λ
– Número de manchas en un metro cuadrado de un
esmaltado de un refrigerador.
– Número de personas que llegan a una tienda de
autoservicios durante una hora.
– Número de llamadas telefónicas en un día.
– Número de clientes que llegan a un banco durante las 10 y
12 p.m.
– Número de bacterias en un cm3 de agua.
– Número de solicitudes de seguro procesadas por una
compañía en un tiempo determinado, etc.
www.usat.edu.pe
Función de probabilidad
e λ λ x
PX x/λ
x!
Se conoce que el número promedio de llamadas para solicitar una consulta a la
central de Essalud, es de 3 llamadas por minuto.
Calcular las siguientes probabilidades:
a.Se den exactamente dos llamadas en un minuto.
b.Se den a lo más 2 llamdas en un minuto.
Solución:
e 3 32
a. Se tiene que λ = 3 llamadas por minuto. P X 2 0.224
2!
www.usat.edu.pe
La central telefónica de una empresa recibe un promedio de 3.4
órdenes de pedido por hora. Estas ocurrencias se producen al azar.
¿Cuál es la probabilidad de que se produzcan:
a) Exactamente 4 órdenes de pedido en una hora dada.
b) Como máximo 5 órdenes de pedido en una hora.
c) Más de 5 órdenes de pedido en dos horas.
www.usat.edu.pe
Solución
3.4 órdenes de pedido / hora
a) Exactamente 4 órdenes de pedido en una hora dada.
www.usat.edu.pe
MANEJO DE MEGASTAT:
1° paso
Lamda (promedio)
()
2° paso
Valor máximo
(opcional)
cumulative
X P(X) probability Poisson distribution (µ = 3.4)
0 0.03337 0.03337 0.25
1 0.11347 0.14684
2 0.19290 0.33974
3 0.21862 0.55836 0.20
4 0.18582 0.74418
5 0.12636 0.87054
6 0.07160 0.94215 0.15
7 0.03478 0.97693
P(X)
8 0.01478 0.99171
9 0.00558 0.99729 0.10
10 0.00190 0.99919
11 0.00059 0.99978
0.05
12 0.00017 0.99994
13 0.00004 0.99999
14 0.00001 1.00000 0.00
posibles valores que15 0.00000 1.00000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
puede tomar “X” 16 0.00000 1.00000 X
17 0.00000 1.00000
18 0.00000 1.00000
1.00000
Variable aleatoria
Principales Distribuciones de
Probabilidad discretas: Bernoullí,
Binomial y Poisson. Características y
uso de tablas
www.usat.edu.pe
Estimado estudiante, puedes revisar los siguientes textos que se encuentran en
tu biblioteca:
519.5 LEVINE-KREHBIEL-
2 ESTADÍSTICA PARA ADMINISTRACIÓN. 2006
LEVI/P BERENSON
WILLIAM W. HINES
519.2 DOUGLAS C. MONTGOMERY PROBABILIDAD Y ESTADÍSTICA PARA
3 2011
HINE DAVID M. GOLDSMAN INGENÍERIA
CONNIE M. BORROR
www.usat.edu.pe