Академический Документы
Профессиональный Документы
Культура Документы
SEDE - PIURA
ALGUNAS DISTRIBUCIONES DE
PROBABILIDAD
DISCRETAS.
- Distribucin Binomial.
- Distribucin de Poisson.
- Distribucin Hipergeomtrica.
CONTINUAS:
- Distribucin normal.
- Distribucin normal estndar o Z.
- Distribucin t.
- Distribucin Ji-cuadrada X2.
- Distribucin F.
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
DISTRIBUCION
BINOMIAL
DE UNA
EXPERIENCIA EN
PARTIMOS
LA QUE SLO
CONSIDERAMOS DOS SUCESOS A (XITO) Y SU
COMPLEMENTO AC (FRACASO). SUS PROBABILIDADES SON
P(A)= p y P(AC)= q=1-p
SI REPETIMOS n VECES LA EXPERIENCIA, Y ESTAMOS
INTERESADOS EN EL NMERO DE XITOS, LA VARIABLE
ALEATORIA TOMAR LOS VALORES 0, 1, 2, ...n. ENTONCES
SE LLAMA DISTRIBUCIN BINOMIAL DE PARMETROS n (n
DE REPETICIONES) Y p (PROBABILIDAD DE XITO). SE
DESIGNA B(n, p).
EJ. LA META DE PRODUCCIN O VENTAS DEL MES SE
PUEDEN O NO LOGRAR.
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
CARACTERISTICAS
CADA ENSAYO SOLO TIENE
DOS RESULTADOS POSIBLES
E EXITOS Y F FRACASOS.
LOS
ENSAYOS
SON
INDEPENDIENTES.
LAS PROBABILIDADES p Y q,
PERMANECEN CONSTANTE DE
ENSAYO A ENSAYO.
EL NUMERO DE ENSAYOS ES
FIJO Y NO MUY GRANDE.
= np , V(X) = npq.
SEDE - PIURA
FUNCION DE PROBABILIDAD
n!
P(X = x) =
p xq n-x
x! (n - x)!
donde:
n : nmero de ensayos
x : nmero de xitos
p : probabilidad de xitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : nmero de fracaso en el ensayo
SEDE - PIURA
EJEMPLO 01.
CUL ES LA PROBABILIDAD DE OBTENER 6 CARAS AL
LANZAR UNA MONEDA 10 VECES?
EL NMERO DE ACIERTOS K ES 6. ESTO ES X=6
EL NMERO DE EXPERIMENTOS n SON 10
LA PROBABILIDAD DE XITO p, ES DECIR, QUE SALGA "CARA" AL
LANZAR LA MONEDA ES 50% 0.50
LA FRMULA QUEDARA:
10!
P(X = 6) =
0.506 * 0.50 4
6! (10 - 6)!
P (K = 6) = 0.205
ES DECIR, QUE LA PROBABILIDAD DE OBTENER 6 CARAS AL
LANZAR 10 VECES UNA MONEDA ES DE 20.5% .
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
EJEMPLO 02.
CUL ES LA PROBABILIDAD DE OBTENER CUATRO VECES
EL NUMERO 3 AL LANZAR UN DADO OCHO VECES?
EL NMERO DE ACIERTOS K ES 4. ESTO ES X=4
EL NMERO DE EXPERIMENTOS n SON 8
LA PROBABILIDAD DE XITO p, DE QUE SALGA 3 AL LANZAR UN
DADO ES ( 1/6 = 0.166666)
LA FRMULA QUEDARA:
P(X = 4) =
8!
0.1666..4 * 0.8333.4
4! (8 - 4)!
P (K = 4) = 0.026
ES DECIR, QUE LA PROBABILIDAD DE OBTENER CUATRO VECES
EL NUMERO 3 AL LANZAR UN DADO 8 VECES ES DE 2.6% .
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
Y B
SEDE - PIURA
SEDE - PIURA
SEDE - PIURA
DISTRIBUCION DE POISSON
Cuando
en
una
distribucin Binomial se
realiza el experimento
muchas
veces,
la
muestra n es grande y la
probabilidad de xito p
en cada ensayo es baja,
es aqu donde aplica el
modelo de distribucin
de Poisson.
SEDE - PIURA
UTILIDAD
En situaciones donde los sucesos son impredecibles
o de ocurrencia aleatoria. sea cuando no se sabe
el total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de
un suceso con resultado discreto.
Es muy til cuando la muestra o segmento n es
grande y la probabilidad de xitos p es pequea.
Se utiliza cuando la probabilidad del evento que nos
interesa se distribuye dentro de un segmento n
dado como por ejemplo distancia, rea, volumen o
tiempo definido.
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
APLICACIN DE
POISSON
LA LLEGADA DE UN CLIENTE A LA
EMPRESA DURANTE UNA HORA.
LAS LLAMADAS TELEFNICAS QUE
SE RECIBEN EN UN DA.
LAS
GRIETAS
EN
PISTAS
Y
VEREDAS
POR
CADA
METRO
CUADRADO CONSTRUIDO.
LOS ENVASES LLENADOS FUERA
DE LOS LMITES POR CADA 100
GALONES
DE
UN
PRODUCTO
GASIFICADO TERMINADO.
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
PROPIEDADES DE UN
PROCESO DE
PISSON
SEDE - PIURA
FUNCION DE PROBABILIDAD
DONDE:
P(X=K)
es la probabilidad de ocurrencia cuando la
variable discreta X toma un valor finito k.
= Lambda es la ocurrencia promedio por unidad (tiempo,
volumen, rea, etc.). Es igual a p por el segmento dado. La
constante e tiene un valor aproximado de 2.711828
K es el nmero de xitos por unidad
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
EJEMPLO 01
La probabilidad de que haya un accidente en una
compaa industrial es de 0.02 por cada da de trabajo. Si
se trabajan 300 das al ao, cul es la probabilidad de
tener 3 accidentes?
Como la probabilidad p es menor que 0.1, y el producto n
* p
es menor que 10 (300 * 0.02 = 6), entonces,
aplicamos el modelo de distribucin de Poisson:
SEDE - PIURA
EJEMPLO 02.
La probabilidad de que un producto salga defectuoso es
de 0.012. Cul es la probabilidad de que entre 800
productos ya fabricados hayan 5 defectuosos?
En este ejemplo vemos nuevamente la probabilidad p
menor que 0.1, y el producto n * p (800 * 0.012 = 9.6),
menor que 10, por lo que aplicamos el modelo de
distribucin de Poisson:
El resultado es P (x = 5) = 0.04602
Por lo tanto, la probabilidad de que haya 5 productos defectuosos
entre 800 recin producidos es de 4.6%.
MATERIAL ELABORADO POR: PEDRO MONJA RUIZ
SEDE - PIURA
USO DE TABLA
POISSON
SEDE - PIURA
SEDE - PIURA
SEDE - PIURA
GRACIAS
PROXIMA CLASE
PRACTICA DIRIGIDA