ESTADSTICA I ING.

VICTOR SALAZAR POLANCO ESPECIALISTA EN LOGISTICA

Facultad de Ingeniera Universidad del Magdalena Santa Marta - 2011

DISTRIBUCIONES DE PROBABILIDAD
Consiste en seleccionar un modelo para hallar la probabilidad de un evento o eventos de acuerdo a las propiedades que se presenten en cada caso.

Antes de seleccionar un modelo, se debe tener en cuenta si la variable aleatoria que se va a estudiar al momento de hallar la probabilidad es discreta o continua. Pero antes, definamos algunos conceptos:
Variable

Aleatoria o Estocstica: Es una variable cuyos valores se obtienen de mediciones en algn tipo de experimentos aleatorio.

DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA

Variable: Es lo contrario de constante y como tal, puede tomar cualquier valor dentro de sus posibilidades.

Aleatorio: Hace referencia al azar, es decir, el resultado es incierto.

Ilustracin: Al momento de lanzar un dado, este puede tomar cualquier valor entre 1 y 6, por lo tanto su resultado es una variable aleatoria.

DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA

CLASIFICACIN

Variable Aleatoria Discreta: Se consideran as, aquellos valores que slo pueden ser registrados como nmeros enteros positivos. Tal es el caso del nmero de hijos (3), de baos de una casa (2), de estudiantes del saln (47), de trabajadores de una empresa (1596), etc. Como vemos, estos son valores que al momento de registrarlos no es posible colocarlos como: 2,5 baos, 4,1 hijos. Variable Aleatoria Continua: Son valores que s permiten ser fraccionados al momento de su registro, por ejemplo: estatura (1.80 metros), peso (56 kilos), resistencia (1000 libras), etc. Si bien el peso y las libras estn registradas como nmeros enteros, estos valores pueden ser fraccionados o particionados en cualquier momento, a diferencia del ejemplo del nmero de hijos por familia donde su registro siempre debe ser dado como nmero entero.

DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA

Dentro de los modelos de probabilidad con mayor aplicacin correspondiente a variables aleatorias discretas se tienen:

Modelo Binomial Poisson Hipergeomtrico

En cuanto a variable aleatoria continua se considera el modelo de Distribucin Normal.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

Corresponde a una distribucin de variable aleatoria discreta y para su aplicacin hay que tener en cuenta las siguientes propiedades:
1.

2.

Que la prueba se repita n veces. La prueba origina dos resultados, xito y fracaso (p y q), se tiene entonces que:

p + q = 1 100% (La suma de todas las probabilidades deben dar el 100%) Despejando: q = 1 p
3.

Los resultados de las pruebas son independientes, es decir, el resultado de una prueba no afecta el resultado de la prueba siguiente.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

FRMULA

P (x) = nCx. px.qn-x Donde: P: Probabilidad del Experimento p (minscula): xito del experimento. Lo que se busca. q: fracaso del experimento n: muestra x: nmero de xitos de la muestra C: Combinatoria (En la calculadora cientfica corresponde a la tecla nCr)

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

Ejemplo 17: Al lanzar cuatro monedas, se quiere determinar la probabilidad de obtener exactamente dos caras. R/: Para este caso vemos que se cumplen las 4 propiedades del Modelo Binomial, siendo en su orden:
1)

2)

3)

La prueba se repite n veces: En este caso vemos que trabajamos con 4 monedas, lo que hace repetitivo su lanzamiento y prueba. La prueba origina dos resultados (xito y fracaso): Vemos que el xito es obtener cara (p = 1/2 = 0.50 x 100 = 50%), y el fracaso es obtener sello (q = 1/2 = 0.50 x 100 = 50%). Se cumple tambin que p + q = 0.50 + 0.50 = 1 x 100 = 100%. Los resultados de las pruebas son independientes: Al lanzar una moneda, su resultado no afecta la probabilidad del siguiente lanzamiento.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

De lo anterior tenemos que: p = = 0.5 (Probabilidad de obtener cara) q = = 0.5 (Probabilidad de obtener sello) n = 4 monedas x = 2 (nmero de veces que queremos caiga cara al lanzar 4 monedas)

Reemplazando en la frmula: P (x) = nCx. px.qn-x

P (2) = 4C2. (0.5)2. (0.5)4-2 P (2) = 6 (0.25) (0.25) P (2) = 0.375 x 100 = 37.5% Probabilidad de obtener 2 caras en el lanzamiento de 4 monedas.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

Ejemplo 18: El 7% de los envases producidos por una mquina son defectuosos. Se seleccionan 10 de ellos. Cul es la probabilidad de que: a) ninguno, b) dos, c) por lo menos 2, y d) mximo 2; sean defectuosos? R/: En primera instancia se puede cometer el error de poner cmo xito aquellos envases que no son defectuosos. Pero hay que tener en cuenta que el xito probabilstico es lo que se busca con la aplicacin del modelo, y en este caso, el enunciado nos pide la probabilidad de seleccionar los defectuosos. Siendo este el caso tenemos que: p = 7% = 0.07 (Envases defectuosos) q = 1 p = 1 0.07 = 0.93 (Envases sin defectos) n = 10 envases como muestra.
a)

P (x = 0) = 10C0 (0.07)0 (0.93)10-0 = 0.4839 x 100 P (x = 0) = 48.39% Probabilidad de que al seleccionar 10 envases ninguno salga defectuoso.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

b) P (x = 2) = 10C2 (0.07)2 (0.93)10-2 P (x = 2) = 0.1233 x 100 = 12.33% Probabilidad de que al seleccionar 10 envases 2 salgan defectuosos. c) Este punto pregunta: Cul es la probabilidad de que por lo menos 2 envases salgan defectuosos? Al momento de plantear la frmula quedara: P (x 2), indicando que la variable aleatoria puede tomar cualquier valor mayor o igual que 2 hasta 10, ya que ste es el tamao de la muestra. Si bien esto quiere decir que hay que hallar todas las probabilidades reemplazando a x desde el 2 hasta el 10, existe otro mtodo que simplifica su clculo, arrojando el mismo resultado.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

Del modo convencional quedara:
P (x 2) = P(x=2) + P(x=3) + P(x=4) .. + P(x=9) + P(x=10)

Todas estas probabilidades tendramos que hallarlas, luego sumarlas y el resultado sera la probabilidad que nos pide el tercer punto. Sin embargo y aplicando la teora, sabemos que la suma de todas las probabilidades es y debe ser igual al 100%. Esto se puede ilustrar del siguiente modo: P(Xi) = 1 x 100 = 100%

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

P(x=0) + P(x=1) + P(x=2) + P(x=3) + P(x=4) + P(x=5) + P(x=6) + P(x=7) + P(x=8) + P(x=9) + P(x=10)

P(x<2)

P(x 2)
P(x<2) + P(x 2) = 1
Despejando: P(x 2) = 1 - P(x<2) P(x 2) = 1 [P(x=1) + P(x=0)]

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

c) P(x 2) = 1 [P(x=1) + P(x=0)] Primero debemos hallar las probabilidades que se encuentran dentro de los corchetes, sumarlas y luego restarle el 1 que equivale al 100%. P (x = 1) = 10C1 (0.07)1 (0.93)10-1 = 0.3642

P (x = 0) = 10C0 (0.07)0 (0.93)10-0 = 0.4839

P(x 2) = 1 [0.3642 + 0.4839] P(x 2) = 1 0.8481 = 0.1519 P(x 2) = 0.1519 x 100 = 15.19% Probabilidad de que al seleccionar 10 envases por lo menos 2 salgan defectuosos.

DISTRIBUCIONES DE PROBABILIDAD MODELO BINOMIAL

d) Este punto pregunta: Cul es la probabilidad de que mximo 2 envases salgan defectuosos? R/: Para este punto el planteamiento sera: P(x 2), indicando que debemos hallar las probabilidades que encierran ese parntesis, siendo: P(x=2) + P(x=1) + P(x=0). Una vez halladas se suman y el resultado se expresa en porcentaje multiplicndolo por 100%. P(x 2) = P(x=2) + P(x=1) + P(x=0) P (x=2) = 0.1233 P(x=1) = 0.3642 P(x=0) = 0.4839 P(x 2) = 0.1233 + 0.3642 + 0.4839 P(x 2) = 0.9714 x 100 = 97.14% Probabilidad de que al seleccionar 10 envases mximo 2 salgan defectuosos

DISTRIBUCIONES DE PROBABILIDAD MODELO DE POISSON

Cuando en el modelo Binomial n crece mayor de 50 (n>50), la probabilidad de xito p es muy pequea y la de fracaso q se acerca a uno, estamos ante el modelo de Poisson y se puede calcular su probabilidad a partir de la esperanza matemtica llamada tambin Lamda , que es igual a np con la siguiente expresin: P(x) = [x e-] / x! Donde: = n.p = Promedio o Media. e = euler x! = x factorial = 5! = 5x4x3x2x1=120

DISTRIBUCIONES DE PROBABILIDAD MODELO DE POISSON

Ejemplo 19: Dos de cada 10.000 personas son alrgicas a una sustancia empleada en la fabricacin de carnes fras. Cul es la probabilidad al tomar una muestra de 30.000 consumidores de que: a)ninguno, b) entre 3 y 5, c) ms de 3 desarrollen alergias. R/: El ejercicio nos muestra claramente que se encarga de un modelo de Poisson, debido a que n es mayor de 50 (30.000 consumidores) y la probabilidad de xito se acerca a cero, ya que (2/10000 = 0.0002). Partiendo de esto se tiene que: = n.p = 30.000 x 0.0002 = 6 a) P (x=0) = [60 e-6] / 0! P (x=0) = 0.0024787 / 1 = 0.00247 x 100 P (x=0) = 0.24% Es la probabilidad de que en una muestra de 30 mil consumidores ninguno de ellos desarrollen alergias.

DISTRIBUCIONES DE PROBABILIDAD MODELO DE POISSON

b) Entre 3 y 5: El planteamiento queda: P (3 x 5) = P(x=3) + P(x=4) + P(x=5) P(x=3) = [63 e-6] / 3! = 0.089 P(x=4) = [64 e-6] / 4! = 0.133 P(x=5) = [65 e-6] / 5! = 0.160 P (3 x 5) = 0.089 + 0.133 + 0.160 = 0.382 P (3 x 5) = 0.382 x 100 = 38.2% Es la probabilidad de que en una muestra de 30 mil consumidores entre 3 y 5 desarrollen alergias.

DISTRIBUCIONES DE PROBABILIDAD MODELO DE POISSON

c) Ms de 3: En este el planteamiento quedara de la siguiente forma: P(x>3). Si quisiramos desarrollar exactamente lo que dice el parntesis, tendramos que hallar las probabilidades de todos los casos con los nmeros mayores de 3 hasta 30.000, ya que este es el tamao de la muestra. Sin embargo, estos casos los desarrollamos aplicando la contraria como en el tema anterior. De acuerdo a esto se tiene que:

P(x>3)=1 [P(x=3) + P(x=2) + P(x=1) + P(x=0)]

P(x=3) = [63 e-6] / 3! = 0.089 P(x=2) = [62 e-6] / 2! = 0.044 P(x=1) = [61 e-6] / 1! = 0.014 P(x=0) = [60 e-6] / 0! = 0.002 P(x>3)=1 [0.089 + 0.044 + 0.014 + 0.002] P(x>3)=1 0.149 = 0.851 x 100 = 85.1% Es la probabilidad de que en una muestra de 30 mil consumidores ms de 3 desarrollen alergias.

DISTRIBUCIONES DE PROBABILIDAD MODELO DE POISSON

Ejemplo

20: Si la probabilidad de que una persona adquiera la enfermedad como consecuencia de una vacuna contra la misma es 0.0002, cul es la probabilidad de que la adquieran exactamente 5 personas en una poblacin de 10.000 vacunados? R/: En este caso podemos ver que el enunciado nos ofrece una probabilidad ya calculada, la cual se acerca a Cero. Esta es una propiedad para aplicar Poisson. La segunda propiedad es que la muestra sea mayor de 50 y en este caso es de 10.000. P(x) = [x e-] / x! = n.p = 10.000 x 0.0002 = 2 P(x=5) = [25 e-2] / 5! = 0.036 x 100 P(x=5) = 3.6% Es la probabilidad de que la adquieran exactamente 5 personas en una poblacin de 10.000 vacunados.

DISTRIBUCIONES DE PROBABILIDAD MODELO HIPERGEOMTRICO

Al igual que la Distribucin Binomial y de Poisson corresponde a variables aleatorias discretas. Sus propiedades son:

Se asocia con muestreo aleatorio sin reposicin o reemplazamiento. Las probabilidades de xito p y fracaso q no son constantes. No existe independencia estadstica, es decir, el resultado de una prueba afecta el resultado de la prueba siguiente.

DISTRIBUCIONES DE PROBABILIDAD MODELO HIPERGEOMTRICO

Frmula:

P (x) = ACX Donde:

) [(N A) C (n X)]

/ Cn
N

N: Tamao de la Poblacin A: Nmero de xitos en la poblacin. n: Tamao de la muestra

X: Nmero de xitos en la muestra.

DISTRIBUCIONES DE PROBABILIDAD MODELO HIPERGEOMTRICO

Ejemplo 21: Un profesor dispone en su archivo de 15 preguntas sobre un tema especfico de la materia; seis de ellas son de teora. Si desea preparar un cuestionario de 5 preguntas, cul es la probabilidad de que 2 de las preguntas no sean de teora? Este es un caso en el que para poder determinar la probabilidad se debe aplicar el modelo Hipergeomtrico, ya que sus propiedades se ajustan al caso.

La primera propiedad dice: Se asocia con muestreo aleatorio sin reposicin o reemplazamiento, es decir y para este caso, al momento en que el profesor selecciona una pregunta, sta no puede seleccionarse nuevamente, ya que no va a poner en un examen dos veces la misma pregunta. La segunda propiedad dice: Las probabilidades de xito p y fracaso q no son constantes. Por la razn anterior, la probabilidad que tiene una pregunta en ser seleccionada es distinta a las dems. Para la primera pregunta tendr una probabilidad de 1/15, para la segunda de 1/14, para la tercera de 1/13 y as sucesivamente. La tercera propiedad dice que: No existe independencia estadstica, es decir, el resultado de una prueba afecta el resultado de la prueba siguiente. Como se nota en este caso, el resultado de la primera prueba, afecta el resultado de la segunda y as continuamente.

DISTRIBUCIONES DE PROBABILIDAD MODELO HIPERGEOMTRICO

Las variables aleatorias discretas seran: N = 15 preguntas de un tema especfico. A = 9 preguntas no son de teora. n = 5 preguntas formarn el cuestionario. X=2 P (x) = (ACX) [(N A) C (n X)] / NCn P (x=2) = (9C2) [(15 9) C (5 2)] / 15C5 P (x=2) = 36 (20) / 3003 = 720 / 3003 = 0.2397 P (x=2) = 0.2397 x 100 = 23.97% Es la probabilidad de que 2 de las preguntas no sean de teora.