DISTRIBUCIONES DE PROBABILIDAD

VARIABLES ALEATORIAS
2
EJEMPLO: LANZAR DOS MONEDAS
3
TIPOS DE VARIABLE ALEATORIA
4
1. VARIABLE ALEATORIA DISCRETA (V.A.D.)
2. VARIABLE ALEATORIA CONTINUA (V.A.C.)
FUNCIN DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
5
Funcin de probabilidad discreta
6
Ejemplo
7
8
Valor Esperado y Varianza de una
variable Aleatoria Discreta
9
En el Ejemplo Anterior:
10
Distribuciones Discretas especiales
o Entre las distribuciones de probabilidad discretas
ms importantes tenemos:

a) Distribucin Binomial

b) Distribucin Poisson
11
La Distribucin Binomial
12
Un experimento Binomial consiste de una serie de n
pruebas o ensayos fijados antes de realizar el
experimento.

- Las pruebas son idnticas y cada una puede
resultar en uno de dos resultados: xito (P) o
Fracaso (Q).
- Las pruebas son independientes entre si.
- La probabilidad de xito es constante de una
prueba a otra y se denota por p.
Ejemplos:

Lanzar una moneda
Rendir un examen para cubrir una vacante
Observar el sexo de un recin nacido.
Encender una maquina y verificar si funciona, etc.


Ensayos de Bernoulli
13
Esta distribucin tiene las siguientes caractersticas :
1. Su variable aleatoria esta definida como:
X: Numero de xitos en n ensayos.
2. Su recorrido o rango es:
R
x
= {0,1,2,3,4,5, , n}
3. Su funcin de probabilidad esta dada por:


14
n x q p
x
n
x X P x f
x n x
,..., 2 , 1 , 0 , ) ( ) ( =
|
|
.
|

\
|
= = =

Propiedades
15
Media o Valor Esperado
np X E = = ) (
Varianza
npq =
2
o
Desviacin Estndar
npq = o
6. Uso de tabla: Para el uso de la tabla tener
en cuenta lo siguiente:

16
CASO 1. P ( X a ) = Usar directamente la tabla
CASO 2. P ( X < a ) = P (X a - 1 )
CASO 3. P ( X > a ) = 1 - P (X a)
CASO 4. P ( X a ) = 1 - P ( X a - 1)
CASO 5. p (a x b) = P (X b ) - P (X a )
Ejemplo de aplicacin:
o En general, el 45% de los postulantes aprueban en un
examen de seleccin de personal. Cul es la
probabilidad de que en una muestra de 15:

a) Aprueben exactamente 4.


b) Aprueben por lo menos 8.


c) Aprueben ms de 4.
17
18
SOLUCIN:
Sea X= Candidatos que aprueban en un examen de
seleccin de una muestra de 15 candidatos.

n=15 candidatos

p= probabilidad de que un candidato apruebe en un
examen de seleccin.
p= 0.45 q=0.55
Funcin de probabilidad:


a) Aprueben exactamente 4.
P( X=4)=0.078 = 7.8%

b) Aprueben por lo menos 8. Caso 4

( ) ( )
15
15
( ) ( ) 0.45 0.55 , 0,1, 2, 3, 4, 5
x x
f x P X x x
x

| |
= = = =
|
\ .
19
c) Aprueben ms de 4. Caso 3





20
Ejemplo 2
Una compaa que vende por telfono
un solo artculo, ha vendido 20 artculos
en las ltimas 100 llamadas. Si durante
un turno se llaman a 12 clientes, cul
es la probabilidad de:

A. No hacer ninguna venta?


B. Hacer exactamente 2 ventas?


C. Hacer como mximo 2 ventas?


D. Hacer al menos 2 ventas?
21
La Distribucin de Poisson
o Llamada as en honor de Simen Denis Poisson,
probabilista francs del siglo XIX, quien fue el
primero en describirla.

o Esta distribucin se origina en problemas que
consisten en observar la ocurrencia de eventos
discretos en un intervalo continuo (unidad de
medida).
22
Ejemplos
Nmero de manchas en un metro cuadrado de un
esmaltado de un refrigerador.
Nmero de personas que llegan a una tienda de
autoservicios durante una hora.
Nmero de llamadas telefnicas en un da.
Nmero de clientes que llegan a un banco durante las 10 y
12 p.m.
Nmero de bacterias en un cm
3
de agua.
Nmero de solicitudes de seguro procesadas por una
compaa en un tiempo determinado, etc.
23
Esta distribucin tiene las siguientes
caractersticas :
1. Su variable aleatoria esta definida como:
X: Nmero de ocurrencias en t unidades de medida
(volumen, espacio, tiempo, longitud, etc.)
2. Su recorrido o rango es:
R
x
= {0,1,2,3,4,5, .}
3. Su funcin de probabilidad esta dada por:


24
,... 2 , 1 , 0 ,
!
) (
) ( ) ( = = = =

x
x
e
x X P x f
x

4. Su parmetro es que es la tasa de ocurrencia

promedio en t unidades de medida.
5. Su notacin es : X P ( )
6. Uso de tabla: Para el uso de tabla tener en cuenta lo
siguiente:



>
25
CASO 1. P ( X a ) = Usar directamente la tabla
CASO 2. P ( X < a ) = P ( X a - 1)
CASO 3. P ( X > a ) = 1 - P ( X a )
CASO 4. P ( X a ) = 1 P ( X a - 1)
CASO 5. P ( a X b ) = P ( X b ) - P ( X a -1)
Propiedades
26
Media o Valor Esperado
=
Varianza
o =
2
Desviacin Estndar
o =
Ejemplo de aplicacin:
o La central telefnica de una empresa recibe un promedio de
3.4 rdenes de pedido por hora. Estas ocurrencias se
producen al azar. Cul es la probabilidad de que se
produzcan:

a) Exactamente 4 rdenes de pedido en una hora dada.


b) Como mximo 5 rdenes de pedido en una hora.


c) Ms de 5 rdenes de pedido en dos horas.


27
Solucin
3.4 / rdenes de pedido hora =
a) Exactamente 4 rdenes de pedido en una hora
dada.

28
b. Como mximo 5 rdenes de pedido en una hora.



c. Ms de 5 rdenes de pedido en dos horas.



( 5) 0.871 87.1% 1 P X TablaCaso s = =
29
2 6.8
6.8 / 2
( 5) 1 ( 5) 3
1 0.327
0.673 67.3%
En horas rdenes
rdenes horas
P X P X Tabla Caso

=
=
> = s
=
= =
Aproximacin de Poisson a la Binomial
o En problemas de
distribucin binomial
donde n es grande y la
probabilidad de xito p
es bastante pequea,
las probabilidades se
pueden aproximar
usando la distribucin
de Poisson.


Se cumple que:
np =
30
Ejemplo:
o En un proceso en el cual se producen piezas de vidrio, ocurren
defectos o burbujas, ocasionando que la pieza no sea apta
para la venta. Se sabe que en promedio 1 de cada mil piezas
tiene una o ms burbujas. Cul es la probabilidad de que en
una muestra aleatoria de 8000 piezas, menos de 7 de ellas
tengan burbujas?
31
Solucin:
o Datos: n=8000
p=0.001(por dato:1 de cada1000=1/1000=0.001)
ste es por tanto un experimento binomial, pero dado
que : p se acerca a 0 y n es bastante grande, se hace
la aproximacin con la distribucin de Poisson.
Entonces: =np=8000*0.001=8
Nos piden: P( X<7)
Luego: P( X<7)=P( X6) Caso 2 Tabla
De tabla: P( X 6)=0.313=31.3%
32