Clase

Distribucin Normal, Poisson, Binomial

La distribucin normal

Introduccin
Una de las herramientas de mayor uso en las empresas es la utilizacin de la curva normal para describir situaciones donde podemos recopilar datos. Esto nos permite tomar decisiones que vayan a la par con las metas y objetivos de la organizacin. En este mdulo se describe la relacin de la Distribucin normal con la Distribucin normal estndar. Se utilizan ejemplos y ejercicios donde se ensea sobre la determinacin de probabilidades y sus aplicaciones.

Utilidad
Se utiliza muy a menudo porque hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la norma. Caracteres morfolgicos de individuos (personas, animales, plantas,...) de una especie, por ejemplo: tallas, pesos, dimetros, distancias, permetros,... Caracteres fisiolgicos, por ejemplo: efecto de una misma dosis de un frmaco, o de una misma cantidad de abono

Utilidad
Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de individuos, puntuaciones de examen Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un medio,... Errores cometidos al medir ciertas magnitudes Valores estadsticos mustrales como la media, varianza y moda

La funcin de distribucin
Puede tomar cualquier valor (- , + ) Hay ms probabilidad para los valores cercanos a la media m Conforme nos separamos de m , la probabilidad va decreciendo de igual forma a derecha e izquierda (es simtrica). Conforme nos separamos de m , la probabilidad va decreciendo dependiendo la desviacin tpica s.

La funcin F(x)

F(x) es el rea sombreada de la siguiente grfica

Propiedades de la distribucin normal:

El rea bajo la curva aproximado del promedio a ms o menos una desviacin estndar (1) es de 0.68, a ms o menos 2 es de .0 95 y a ms o menos 3 es de 0.99.

(Las propiedades continuan en la prxima lmina)

Propiedades de la distribucin normal:

La forma de la campana de Gauss depende de los parmetros y . Tiene una nica moda que coincide con su media y su mediana. La curva normal es asinttica al eje de X. Es simtrica con respecto a su media . Segn esto, para este tipo de variables existe una probabilidad de un 50% de observar un dato mayor que la media, y un 50% de observar un dato menor.

En resumen
Podemos concluir que hay una familia de distribuciones con una forma comn, diferenciadas por los valores de su media y su varianza. La desviacin estndar ( ) determina el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en torno a la media y la curva ser ms plana. La media indica la posicin de la campana, de modo que para diferentes valores de la grfica es desplazada a lo largo del eje horizontal. De entre todas ellas, la ms utilizada es la distribucin normal estndar, que corresponde a una distribucin de media 0 y varianza 1.

La distribucin normal estndar

Z se la denomina variable tipificada de X, y a la curva de su funcin de densidad se le conoce como la curva normal estndar. Es una distribucin normal con promedio 0 y una desviacin estndar de 1. Todas las variables normalmente distribuidas se pueden transformar a la distribucin normal estndar utilizando la frmula para calcular el valor Z correspondiente.

Caractersticas de la distribucin normal estndar.

No depende de ningn parmetro. Su media es 0, su varianza es 1 y su desviacin estndar es 1. La curva f(x) es simtrica respecto del eje de Y Tiene un mximo en el eje de Y. Tiene dos puntos de inflexin en z=1 y z=-1

Teorema del Lmite Central

Nos indica que, bajo condiciones muy generales, segn aumenta la cantidad de datos, la distribucin de la suma de variables aleatorias tendera a seguir hacia una distribucin normal. En otras palabras el Teorema del Lmite Central garantiza una distribucin normal cuando el tamao de la muestra es suficientemente grande.

Por ejemplo
En el siguiente histograma podemos observar la distribucin de frecuencias por peso de acuerdo a la edad. De acuerdo a este teorema segn aumenten la cantidad de dato se podr trazar una curva que tome cada vez ms formacin en forma campana.

rea bajo la curva normal estndar El rea bajo la curva normal estndar es til para asignar probabilidades de ocurrencia de la variable X. Debemos tomar en cuenta que el rea total bajo la curva es igual a 1. Y que, por ser una grfica simtrica, cada mitad tiene un rea de 0.5.

Pasos para determinar el rea bajo la curva normal estndar Paso 1 - Interpretar grficamente el rea de inters. Paso 2 - Determinar el valor Z Paso 3 - Buscar en la tabla de probabilidades. Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad deseada

Ejemplos y ejercicios
Supongamos que sabemos que el peso de los/as estudiantes universitarios/as sigue una distribucin aproximadamente normal, con una media de 140 libras y una desviacin estndar de 20 libras.

Ejemplo 1
Determine la probabilidad de que una persona tenga un peso menor o igual a 150 libras

Paso 1 Interpretar grficamente el rea de inters. Grficamente si decimos que a=150 libras, el rea de la curva que nos interesa es la siguiente:

Ejemplo 1
Determine la probabilidad de que una persona tenga un peso menor o igual a 150 libras

Paso 2 - Determinar el valor Z:

X m

150 140 0.50 20

Paso 3 - Buscar en la tabla de probabilidades. Buscamos en la Tabla 1 el valor Z=0.50 y obtenemos el rea de 0.6915 Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad deseada.

Ejemplo 2
Determine la probabilidad de que una persona, elegida al azar, tenga un peso menor o igual a 115 libras
Paso 1 Interpretar grficamente el rea de inters. Grficamente si decimos que a=115 libras, el rea de la curva que nos interesa es la siguiente:

Ejemplo 2
Determine la probabilidad de que una persona, elegida al azar, tenga un peso menor o igual a 115 libras Paso 2 - Determinar el valor Z:

X m

115 140 1.25 20

Paso 3 - Buscar en la tabla de probabilidades. Buscamos en la Tabla el valor Z=-1.25 .

Paso 4 - Hacer la suma o resta de reas para encontrar la probabilidad deseada = 0.1056

a) Ejercicio para resolver

Una fabrica produce unos tarros de fruta que tiene un peso medio de 2.00 Kg. Y una desviacin estndar de 0.05. Cul es la probabilidad de que un determinado tarro pese entre 1.90 y 2.06 Kg.?

b) Ejercicio para resolver

Interpretar grficamente el rea de inters. En un proceso industrial el dimetro de un cojinete es una parte componente importante. El comprador establece especificaciones en el dimetro sean de 30+/-0.01 cm. La implicacin es que ninguna parte caiga fuera de estas especificaciones se aceptar. Se sabe que en el proceso de un cojinete tiene una distribucin normal con media de 30 y una desviacin estndar de 0.005. Qu porcentaje de cojinetes se descartan?

La distribucin binomial

Introduccin
En las empresas tenemos muchas situaciones donde se espera que ocurra o no un evento especfico. ste puede ser de xito o fracaso sin dar paso a un punto medio. Por ejemplo, en la produccin de un artculo, ste puede salir bueno o malo. Casi bueno no es un resultado de inters. Para situaciones como stas se utiliza la distribucin binomial.

En este mdulo se describe el uso de la distribucin binomial para obtener la probabilidad de ocurrencia de ese evento que representa un resultado esperado.

Objetivo general
Esperamos que cuando termines esta presentacin puedas utilizar la distribucin binomial para obtener las probabilidades de aquellas situaciones gerenciales con dos posibles resultados.

Objetivos especficos
Adems, esperamos que puedas:

Identificar las propiedades de una distribucin binomial. Determinar los valores de xitos p y fracasos q para establecer las bases para el cmputo de las probabilidades. Establecer el promedio, la varianza y la desviacin estndar utilizando las variables de la distribucin binomial.

Utilidad
La distribucin binomial se utiliza en situaciones cuya solucin tiene dos posibles resultados. Por ejemplo: Al nacer un/a beb puede ser varn o hembra. En el deporte un equipo puede ganar o perder. En pruebas de cierto o falso slo hay dos alternativas.

Utilidad
Tambin se utiliza cuando el resultado se puede reducir a dos opciones. Por ejemplo: Un tratamiento mdico puede ser efectivo o inefectivo.

La meta de produccin o ventas del mes se pueden o no lograr.

En pruebas de seleccin mltiple, aunque hay cuatro o cinco alternativas, se pueden clasificar como correcta o incorrecta.
Estos ejemplos los podemos considerar como experimentos de Bernoulli

Propiedades de un experimento de Bernoulli

1 - En cada prueba del experimento slo hay dos posibles resultados: xitos o fracasos. 2 - El resultado obtenido en cada prueba es independiente de los resultados obtenidos en pruebas anteriores. 3 - La probabilidad de un suceso es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad del complemento es 1- p y la representamos por q .
Si repetimos el experimento n veces podemos obtener resultados para la construccin de la distribucin binomial.

La distribucin binomial
La distribucin de probabilidad binomial es un ejemplo de distribucin de probabilidad discreta. Esta formada por una serie de experimentos de Bernoulli. Los resutados de cada experimento son mutuamente excluyentes.

Para contruirla necesitamos:

1 - la cantidad de pruebas n 2 - la probabilidad de xitos p 3 - utilizar la funcin matemtica.

La funcin P(x=k)
A continuacin vemos La funcin de probabilidad de la distribucin Binomial, tambin denominada Funcin de la distribucin de Bernoulli:

"cara" al lanzar la moneda. 1-p - tambin se le denomina como q

k - es el nmero de aciertos. n - es el nmero de experimentos. p - es la probabilidad de xito, como por ejemplo, que salga

Ejemplo1 de la funcin F(x=k)

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:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una moneda es de 20.5% .

Ejemplo 2 de la funcin F(x=k)

Cul es la probabilidad de obtener cuatro veces el nmero 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 (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0.1666) La frmula queda:

P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el nmeros 3 al tirar un dado 8 veces es de 2.6%.

Tabla de probabilidad binomial

Utilizando la tabla de probabilidad binomial se pueden resolver los ejemplos anteriores. Para esto debe saber los valores k y B (n,p) . k es el nmero de xitos que buscamos. Este valor se encuentra entre 0 y n. En el parmetro B(n,p), n debe ser mayor de 0 y p un valor desde 0 al 1.
En los ejemplos 1 y 2 los parmetros B(n,p) son B(10,0.50) y B(8,0.1666) respectivamente.

Tabla de probabilidad binomial

Obtenga ms informacin de cmo asignar probabilidades utilizando las tablas.

Ejemplo 3
B(n,p)
Busque en la tabla de probabilidad binomial En una fbrica de cmaras el 5% sale con defectos. Determine la probabilidad de que en una muestra de 12 se encuentren 2 cmaras defectuosas. Solucin : Se trata de una distribucin binomial de parmetros B(12, 0.05). Debemos calcular la probabilidad de que x sea igual a k que en este caso es 2. Esto es P (k=2).

Busque en la parte izquierda de la tabla n=12, luego en la parte superiror p=0.05 . La probabilidad estar en x=2
El resultado es 0.0988

Ejemplo 4 B(n,p)
Compruebe el cmputo utilizando una calculadora de probabilidad binomial En una oficina de servicio al cliente se atienden 100 personas diarias. Por lo general 10 personas se van sin recibir bien el servicio. Determine la probabilidad de que en una encuesta a 15 clientes 3 no hayan recibido un buen servicio. Solucin :

Se trata de una distribucin binomial de parmetros B(15, 0.10). Debemos calcular la probabilidad P(X=3).
El resultado es 0.1285

En resumen
En este mdulo hemos determinado la probabilidad binomial mediante el uso de la funcin binomial, tablas de distribucin y la calculadora del enlace. Adems, aprendimos que:

La distribucin binomial se forma de una serie de experimentos de Bernoulli La media () en la distribucin binomial se obtiene con el producto de nxp La desviacin estndar ( ) en la distribucin binomial se obtiene del producto de n * p * q El valor de q es el complemento de p y se obtiene con 1 p.

Ejercicio para resolver

De acuerdo a estadstica de una planta de produccin se tienen fallas en 90 piezas de 600 producidas. Se toma una muestra de 20 piezas
a) Cul es la probabilidad de que hallan 7 fallas. b) Cul es la probabilidad de que existan entre 2 a 5 fallas.

c) Cul es la probabilidad de tener ms de 4 piezas falladas.

d) Determine la desviacin estndar de amortiguadores con defectos.

Glosario de trminos

xitos Es la ocurrencia del evento de inters como cantidad de defectos, llamadas recibidas, servicios completados.

Fracasos Es el complemento de los xitos. Es la ocurrencia del evento que no es de inters.

Resultados mutuamente excluyentes Son resultados que no pueden ocurrir al mismo tiempo. Si un producto sale bueno, no puede salir defectuoso al mismo tiempo.

La distribucin de Poisson

Introduccin
En este mdulo se describe el uso de la distribucin de Poisson para obtener la probabilidad de ocurrencia de sucesos raros cuyo resultado lo representa una variable discreta. Se recomienda haber estudiado primero los mdulos de las Reglas de probabilidad, el de Distribucin normal y luego el de Distribucin Binomial.

Objetivos especficos
Adems, esperamos que puedas: 1. 2. Identificar las propiedades de una distribucin Poisson. Determinar los valores de frecuencia p y segmento n para establecer las bases para el cmputo de las probabilidades. Determinar el promedio, la varianza y la desviacin estndar utilizando las variables de la distribucin de Poisson.

3.

Utilidad
La distribucin de Poisson se utiliza en situaciones donde los sucesos son impredecibles o de ocurrencia aleatoria. En otras palabras 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.

Ejemplos de la utilidad
La llegada de un cliente al negocio durante una hora. Las llamadas telefnicas que se reciben en un da. Los defectos en manufactura de papel por cada metro producido. Los envases llenados fuera de los lmites por cada 100 galones de producto terminado.
La distribucin de Poisson se emplea para describir procesos con un elemento en comn, pueden ser descritos por una variable aleatoria discreta.

Propiedades de un proceso de Poisson

1. 2. 3. La probabilidad de observar exactamente un xito en el segmento o tamao de muestra n es constante. El evento debe considerarse un suceso raro. El evento debe ser aleatorio e independiente de otros eventos
Si repetimos el experimento n veces podemos obtener resultados para la construccin de la distribucin de Poisson.

La distribucin de Poisson
La distribucin de probabilidad de Poisson es un ejemplo de distribucin de probabilidad discreta. La distribucin de Poisson parte de la distribucin binomial. 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.
Se tiene que cumplir que:
p < 0.10 p * n < 10

La funcin P(x=k)
A continuacin veremos la funcin de probabilidad de la distribucin de Poisson.

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

Ejemplo1 de la funcin F (x=k)

La probabilidad de que haya un accidente en una compaa de manufactura 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:

Al realizar el cmputo tenemos que P(x = 3) = 0.0892 Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 das de trabajo es de 8.9%.

Ejemplo 2 de la funcin F(x=k)

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 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%.

Tablas de probabilidad de Poisson

Utilizando la tabla de probabilidad de Poisson se pueden resolver los ejemplos anteriores. Para esto, usted debe saber los valores X y .

X es el nmero de xitos que buscamos. Este es el valor K. es el nmero promedio de ocurrencias por unidad (tiempo, volumen, rea, etc.). Se consigue multiplicando a p por el segmento dado n.
Del ejemplo 1: Del ejemplo 2:

= 0.02 * 300 = 6
= 0.012 * 800 = 9.6

Tabla de probabilidad de Poisson

Obtenga ms informacin de cmo asignar probabilidades utilizando las tablas.

Ejemplo 3 uso de tablas

Busque en los tres enlaces las tablas de probabilidad de Poisson Resuelva el ejercicio 1 y el 2 por medio de las tablas.

Para el Ejemplo 1: = 6 y k = 3 accidentes Para el Ejemplo 2: = 9.6 y k=5 defectos

En resumen
En este mdulo hemos determinado la probabilidad de Poisson mediante el uso de la funcin de Poisson, las tablas de distribucin y la calculadora del enlace. Adems, aprendimos que:
1. La distribucin de Poisson se forma de una serie de experimentos de Bernoulli. La media

2.

o valor esperado en la distribucin de Poisson es igual a

3. 4.

La varianza (2 ) en la distribucin de Poisson tambin es igual a . La desviacion estndar es la raz de .

Ejercicio 1
Un comerciante de verduras tiene conocimiento de que el 3% de la caja est descompuesta. Si un comprador elige 100 verduras al azar, encuentre la probabilidad de que, a) las 4 estn descompuestas.

b) de 1 a 3 estn descompuestas
Para resolver la pregunta b repase el mdulo de las reglas de probabilidad. En este caso se resuelve sumando las probabilidades P(x=1) + P(x=2) + P(x=3) = 0.1494 + 0.2240 + 0.2240

Ejercicio para resolver

La probabilidad de que un dispositivo electrnico falle es de 0.0025. Si se toman 3000 dispositivos para un anlisis, hallar la probabilidad de que fallen: a) 8 dispositivos b) De 4 a 7 dispositivos c) Ms de 9 dispositivos d) Hallar la desviacin estndar