Anda di halaman 1dari 22

DISTRIBUCIONES DE PROBABILIDAD

Variable aleatoria discreta

Dirección de Calidad Educativa


PROPÓSITO
• Explicar y diferenciar las principales distribuciones
de probabilidad para variable aleatoria discreta:
Binomial, Hipergeométrica y Poisson.
• Identificar las condiciones que se deben de tomar
en cuenta para la aplicación de cada una de estas
distribuciones de probabilidad.
• Calcular e interpretar probabilidades haciendo uso
de las distribuciones mencionadas.
• Una distribución de probabilidad puede
expresarse como tabla, gráfico o fórmula.
• En muchas aplicaciones estadísticas se busca
determinar una distribución de probabilidad o
"modelo de probabilidad" que satisfaga un
conjunto de condiciones, para estudiar los
resultados observados en un experimento
aleatorio.
DISTRIBUCIÓN BINOMIAL
Una distribución de probabilidad binomial resulta de un procedimiento que cumple
con todos los siguientes requisitos:
1. El procedimiento tiene un número fijo de ensayos.
2. Los ensayos deben ser independientes. (El resultado de cualquier ensayo
individual no afecta las probabilidades de los demás ensayos).
3. Todos los resultados de cada ensayo deben estar clasificados en dos categorías
(generalmente llamadas éxito y fracaso).
4. La probabilidad de un éxito permanece igual en todos los ensayos.

P  x  n C x  p q x n x
P  x  n C x  p q x n x

E y F (éxito y fracaso) denotan las dos categorías posibles de todos los resultados:
n: denota el número fijo de ensayos.
x: denota un número específico de éxitos en “n” ensayos, de manera que “x”
puede ser cualquier número entero entre 0 y “n” inclusive.
p: denota la probabilidad de éxito en uno de “n” ensayos.
q: denota la probabilidad de fracaso en uno de “n” ensayos.
P(x) : denota la probabilidad de lograr exactamente “x” éxitos en los n ensayos.

La media y varianza de la variable aleatoria binomial son, respectivamente:

  np ;   npq
2
• Ejemplo 1: La probabilidad de que un cliente potencial elegido al azar
realice una compra es de 0,20. Si un agente de ventas visita 6 clientes,
¿cuál es la probabilidad de que realice exactamente 4 ventas?
Éxito Cliente que realiza la compra

Probabilidad de éxito (p) 0,20

Probabilidad de fracaso (q) 0,80

Número de ensayos (n) 6

Número de éxitos en los “n” ensayos (x) 4

P  x  n C x  px qn x

P  x  4   6 C4 (0,20)4 (0,80)6  4
P  x  4   0,0154
• Ejemplo 2: Una casa de empeño informó que el 30% de los préstamos
garantizados con joyería vencieron. Si se toma una muestra aleatoria de
4 préstamos, ¿cuál es la probabilidad de que ninguno esté vencido?
Éxito Préstamo que está vencido

Probabilidad de éxito (p) 0,30

Probabilidad de fracaso (q) 0,70

Número de ensayos (n) 4

Número de éxitos en los “n” ensayos (x) 0 (ninguno)

P  x  n C x  p q x n x

P  x  0   4 C0 (0,30)0 (0,70)4  0
P  x  0   0,2401
• Ejemplo 3: El 18% de los tornillos producidos por una máquina están
defectuosos. Determinar la probabilidad de que de 5 tornillos
seleccionados aleatoriamente por lo menos 3 estén defectuosos.
Éxito Tornillo defectuoso

Probabilidad de éxito (p) 0,18

Probabilidad de fracaso (q) 0,82

Número de ensayos (n) 5

Número de éxitos en los “n” ensayos (x) 3; 4 y 5 (por lo menos 3)

P  x  n C x  p q x n x

P  x  3   5C3 (0,18)3 (0,82)53  0,0392


P  x  4   5C4 (0,18)4 (0,82)5 4  0,0043
P  x  5   5C5 (0,18)5 (0,82)5 5  0,0002
0,0437
• Ejemplo 4: La probabilidad de encontrar un pantalón con algún
desperfecto de la producción total de una máquina remalladora es de
0,24. Si se extrae una muestra de 4 pantalones, calcule la media y la
varianza de la distribución.
Éxito Pantalón con desperfecto

Probabilidad de éxito (p) 0,24

Probabilidad de fracaso (q) 0,76

Número de ensayos (n) 4

  np ;   npq
2

Media:    4  0, 24   0,96
Varianza:  2   4  0, 24  0, 76   0, 7296
DISTRIBUCIÓN HIPERGEOMÉTRICA
Una distribución de probabilidad hipergeométrica resulta de un procedimiento que
cumple con todos los siguientes requisitos:
1. El procedimiento tiene un número fijo de ensayos.
2. Los ensayos deben ser dependientes. (El resultado de cualquier ensayo
individual sí afecta las probabilidades de los demás ensayos).
3. Todos los resultados de cada ensayo deben estar clasificados en dos categorías
(generalmente llamadas éxito y fracaso).
4. La probabilidad de un éxito no permanece igual en todos los ensayos.

r Cx Nr Cn x
Px   ; (x  0;1;2;...;n)
N Cn
r Cx Nr Cn x
Px   ; (x  0;1;2;...;n)
N Cn
E y F (éxito y fracaso) denotan las dos categorías posibles de todos los resultados:
r: Número de éxitos en la población.
x: Número de éxitos en la muestra.
N: Número de elementos de la población.
n: Número de elementos de la muestra.
P(x) : Probabilidad de obtener exactamente “x” éxitos al extraer la muestra de
tamaño “n”.

La media y varianza de la variable aleatoria hipergeométrica son, respectivamente:

 r  N n
  np  p  ; q  1 p  ;   npq
2
 N  N 1
• Ejemplo 1: Una caja de 10 focos contiene 2 defectuosos y 8 no
defectuosos. Si se eligen al azar y sin reposición 3 focos de la caja, ¿cuál
es la probabilidad de que la muestra contenga exactamente un foco
defectuoso?
Éxito Foco defectuoso
Número de elementos de la población (N) 10
Número de elementos de la muestra (n) 3
Éxitos en la población (r) 2
Éxitos en la muestra (x) 1

r Cx Nr Cnx
Px  
N Cn

2 C1 10 2 C31
P  X  1   0,4667
10 C3
• Ejemplo 2: En una caja de 25 vasos, 7 tienen rajadura. Si se venden 6
vasos al azar, ¿cuál es la probabilidad de que en esa muestra todos los
vasos estén rajados?

Éxito Vaso rajado


Número de elementos de la población (N) 25
Número de elementos de la muestra (n) 6
Éxitos en la población (r) 7
Éxitos en la muestra (x) 6 (todos)

r Cx Nr Cnx
Px  
N Cn

7 C6 257 C6 6
P X  7   0,0000395
25 C6
• Ejemplo 3: De 14 obreros, 6 cuentan con equipos de protección
personal durante toda la jornada laboral. Si de este grupo de 14 se elige
aleatoriamente una cuadrilla de 5 obreros, ¿qué probabilidad hay de
que a lo más 3 cuenten con equipos de protección personal?
Éxito Cuenta con equipo de protec.
Número de elementos de la población (N) 14
Número de elementos de la muestra (n) 5
Éxitos en la población (r) 6
Éxitos en la muestra (x) 0; 1; 2 y 3 (A lo más 3)

6 C014 6 C5 0
PX  0   0,0280
C
14 5
C  C
P  X  1   6 1 14 6 51  0,2098
14 C 5
C  C
P  X  2   6 2 14 6 52  0,4196
14 C 5
C  C
P  X  3   6 3 14 6 53  0,2797
14 C 5

0,9371
• Ejemplo 4: Se tiene una caja de 10 focos con 2 defectuosos y 8 no
defectuosos. Se han extraído al azar y sin devolución 3 focos de la caja.
Calcule la cantidad media de focos defectuosos que se espera obtener y
la varianza.
Éxito Foco defectuoso
Número de elementos de la población (N) 10
Número de elementos de la muestra (n) 3
Éxitos en la población (r) 2

Media Varianza

 r  N n
  np  p  ; q  1  p    npq
2
 N  N 1
 2  2 2  2  8  10  3
  3   p  ; q  1    2   3   
 10   10 10   10  10  10  1
  0, 6  2  0,3733
DISTRIBUCIÓN POISSON
Una distribución de probabilidad Poisson resulta de un procedimiento que cumple
con todos los siguientes requisitos:
1. El experimento consiste en contar el número “x” de veces que ocurre un
evento en particular durante una unidad de tiempo dada, o en un área o
volumen dado.
2. La probabilidad de que un evento ocurra en una unidad dada de tiempo, área o
volumen es la misma para todas las unidades.
3. El número de eventos que ocurren en una unidad de tiempo, área o volumen es
independiente del número de los que ocurren en otras unidades.


 .e X
Px   ; e  2,7183
x!

 .e X
Px   ; e  2,7183
x!
 : Número medio de eventos que ocurren en una unidad dada de tiempo, área
o volumen.
x: Número de eventos que ocurren durante una unidad dada de tiempo, área
o volumen.
e: Constante matemática “épsilon”
x! : Factorial de “x”
P(x) : Probabilidad de que ocurran “x” eventos en una unidad dada de tiempo,
área o volumen.

La media y varianza de la variable aleatoria Poisson son, respectivamente:

  ;   2
• Ejemplo 1: En un centro telefónico de atención a clientes se reciben en
promedio 5 llamadas por hora. ¿Cuál es la probabilidad de que en una
hora seleccionada aleatoriamente se reciban exactamente 3 llamadas?

Media () 5 llamadas por hora


Número de eventos esperados (x) 3 llamadas en una hora

X .e
Px   ; e  2,7183
x!

53.e5
P  X  3 
3!
P  X  3   0,1404
• Ejemplo 2: En una tienda departamental, en la sección de
electrodomésticos, un promedio de 12 personas por hora le hacen
preguntas al encargado. ¿Cuál es la probabilidad de que exactamente 3
personas se acerquen al encargado a hacer preguntas en un periodo de
10 minutos?
Media () 12 personas en una hora 2 personas en 10 minutos
Número de eventos esperados (x) 3 personas en 10 minutos 3 personas en 10 minutos

12 personas  60 minutos 
 n  2 personas
n  10 minutos 

X .e
Px   ; e  2,7183
x!
23.e2
P  X  3 
3!
P  X  3   0,1804
• Ejemplo 3: Un libro de 500 páginas tiene 200 errores de impresión
distribuidos aleatoriamente. Calcule la probabilidad de que cualquier
página elegida al azar tenga un error.
Media () 200/500 = 0,40
Número de eventos esperados (x) 1 página (cualquier página)

X .e
Px   ; e  2,7183
x!
0,401.e0,40
P  X  1 
1!
P  X  1   0,2681
• Luego calcule la media y la varianza de esta distribución.
 2
;  
   2  0, 40
3) ¿Para qué
1) ¿Qué aprendí?
aprendí?

Distribuciones de probabilidad Para calcular probabilidades


de variable aleatoria discreta haciendo uso de modelos
probabilísticos de variable
aleatoria discreta.

4) ¿Qué me falta
2) ¿Cómo aprendí?
aprender?

Identificando características ¿Cómo se calculan


Analizando probabilidades haciendo uso
Calculando de modelos probabilísticos de
Transformando valores variable aleatoria continua?
Interpretando
GRACIAS POR SU ATENCIÓN