PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
PROBABILIDAD Y DISTRIBUCIONES
DE PROBABILIDAD
Elaboró: Héctor Hernández Primitivo Reyes Aguilar
Septiembre de 2007
Mail: [email protected]
Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Página 1 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
CONTENIDO
1. Introducción
2. Técnicas de conteo
3. Teorema de Bayes
4. Distribuciones de probabilidad
5. Distribuciones de probabilidad discretas
6. Distribuciones de probabilidad continuas
Página 2 de 37
P. Reyes / Sept. 2007
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
1. INTRODUCCIÓN
La probabilidad se refiere al estudio de la aleatoriedad y la incertidumbre en cuaqlquier situación
donde podría ocurrir uno de varios resultados posibles. En algunos casos se utiliza de manera
informal como por ejemplo: hay un 50% de probabilidad de que llueva.
DEFINICIONES

Probabilidad: es la posibilidad numérica de ocurra un evento. Se mide con valores
comprendidos entre 0 y 1, entre mayor sea la probabilidad, más se acercará a uno.

Experimento: es toda acción bien definida que conlleva a un resultado único bien
definido como el lanzamiento de un dado. Es el proceso que produce un evento.

Espacio muestral: es el conjunto de todos los resultados posibles de un experimento.
Para un dado es SS = (1,2,3,4,5,6)

Evento: es cualquier colección de resultados contenidos en el espacio muestral. Es
simple si sólo tiene un resultado y compuesto si tiene varios resultados.
Definición Clásica de Probabilidad. Modelo de frecuencia relativa
La probabilidad de un evento (E), puede ser calculada mediante la relación de el número de
respuestas en favor de E, y el numero total de resultados posibles en un experimento.
P E  
# Favorable E
# Total resultados
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:
1
 .16
6
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:
1 1 1 1 1 1
     1
6 6 6 6 6 6
Página 3 de 37
1
 .5
2
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007
La probabilidad de un evento está comprendida siempre entre 0 y 1. La suma de las
probabilidades de todos los eventos posibles (E) en un espacio muestral S = 1

Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los “n” elementos
relacionados = # Total de resultados posibles.
Probabilidad Compuesta
Es la probabilidad compuesta por dos eventos simples relacionados entre sí.
En la composición existen dos posibilidades: Unión  o Intersección  .

Unión de A y B
Si A y B son eventos en un espacio muestral (S), la unión de A y B  A  B  contiene todos los
elementos de el evento A o B o ambos.

Intersección de A y B
Si A y B son eventos en un espacio muestral S, la intersección de A y B  A  B  está
compuesta por todos los elementos que se encuentran en A y B.
Relaciones entre eventos
Existen tres tipos de relaciones para encontrar la probabilidad de un evento: complementarios,
condicionales y mutuamente excluyentes.
1. Eventos complementarios: El complemento de un evento A son todos los elementos en un
espacio muestral (S) que no se encuentran en A. El complemento de A es:
A  1  P A
Ejemplo 4: En el evento A (día nublado), P(A) = .3, la probabilidad de tener un día despejado
será 1-P(A) = .7
P A  .7 
P(A)=.3
Página 4 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
2. Probabilidad condicional: Para que se lleve a cabo un evento A se debe haber realizado el
evento B. La probabilidad condicional de un evento A dado que ha ocurrido el evento B es:
P A B  
P A  B 
, si B  0
P B 
Ejemplo 5:
Si el evento A (lluvia) y B(nublado) = 0.2 y el evento B (nublado) = 0.3, cual es
la probabilidad de que llueva en un día nublado? Nota: no puede llover si no hay nubes
P A B  
P A  B 
=
P B 
0 .2
 0.67
0 .3
A
P(A/B)=.67
B
Ejemplo 6. Las razones de queja en productos se muestran a continuación:
RAZÓN DE LA
QUEJA
Falla eléctrica
Falla mecánica
Falla apariencia
Total
En garantía
18%
13%
32%
63%
Fuera de
12%
22%
3%
37%
30%
35%
35%
100%
garantía
Total
Si A es el evento de que la queja es por apariencia y que B representa que la queja ocurrió en el
periodo de garantía. Se puede calcular P(Z | B) = P(A y B) / P(B)
P(A | B) = 0.32 / 0.63 = 0.51
Si C es el evento fuera de garantía y D falla mecánica:
Página 5 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
P(C|D) = P(C y D) / P(D) = 0.22 / 0.35 = 0.628

Se dice que dos eventos A y B son independientes si: P(A/B) = P(A) o P(B/A) = P(B).
La probabilidad de la ocurrencia de uno no está afectada por la ocurrencia del otro. De otra
manera los eventos son dependientes.
Un ejemplo de evento independiente es: ¿Cuál es la probabilidad de que llueva en lunes?
El ejemplo de evento dependiente es el ejemplo 5.
3. Eventos mutuamente excluyentes.
Cuando un evento A no contiene elementos en común con un evento B, se dice que estos son
mutuamente excluyentes.
A
B
Eventos mutuamente excluyentes.
Ejemplo 7. Al lanzar un dado: a) cual es la probabilidad de que salga 2 o 3? B) Calcule
P A  B ?
a)
P A  B 
1 1 1
   .33
6 6 3
b) P A  B = 0, ya que al ser conjuntos mutuamente excluyentes la intersección no existe, es
imposible que salga 2 y 3 al mismo tiempo.
Página 6 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Ley aditiva:

Cuando dos eventos no son mutuamente excluyentes:
P A  B  P A  PB  P A  B

Cuando los eventos son mutuamente excluyentes:
P A  B  P A  PB
Ley multiplicativa:

Si los eventos A y B son dependientes:
P A  B  P A  PB A

Si los eventos A y B son independientes:
P A  B  P A  PB
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que
98 de los 100 artículos están en buen estado. La muestra se selecciona de manera tal que el
primer artículo se observa y se regresa antes de seleccionar el segundo artículo (con
reemplazo), a) calcule la probabilidad de que ambos artículos estén en buen estado, b) si la
muestra se toma sin reemplazo, calcule la probabilidad de que ambos artículos estén en buen
estado.
A: El primer artículo está en buen estado.
B: El segundo artículo está en buen estado.
a) Al ser eventos independientes el primero del segundo:
A
 98   98 
P A  B  P A  PB = 

  .9604
 100  100
Página 7 de 37
P(A) =.98
B
P(B) =.98
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
b) Si la muestra se toma “sin reemplazo” de modo que el primer artículo no se regresa antes de
seleccionar el segundo entonces:
 98   97 
P A  B  P A  PB A = 
     .9602
 100  99 
Se observa que los eventos son dependientes ya que para que para obtener el evento B, se
tiene que haber cumplido antes el evento A.
B
P(B/A)=.97
A
P(A) =.98
EJERCICIOS:
1. Tres componentes forman un sistema. Como los componentes del subsistema 2-3 están
conectados en paralelo, trabaja si por lo menos uno de ellos funciona. Para que trabaje el
sistema debe trabajar el componente 1 y el subsistema 2-3.
a) ¿Qué resultados contiene un evento A donde funcionan exactamente dos de los tres
componentes?
b) ¿Qué resultados están contenidos en el evento B en el que por lo menos funcionan dos los
componentes?
c) ¿Qué resultados están contenidos en el evento C donde funciona el sistema?
Página 8 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
d) Listar los resultados de C’, A o C, A y C, B o C y B y C.
2
1
3
2. En una planta los trabajadores trabajan 3 turnos. En los últimos años ocurrieron 200
accidentes. Algunos se relacionan con condiciones inseguras y otros a condiciones de trabajo,
como se muestra a continuación:
Página 9 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
Turno
P. Reyes / Sept. 2007
Condiciones
Condiciones de
Total
inseguras
trabajo
Diurno
10%
35%
45%
Vespertino
8%
20%
28%
Nocturno
5%
22%
27%
Total
23%
77%
100%
Si se elige al azar uno de los 200 informes de accidentes de un archivo y se determina el turno y
tipo de accidente:
a) ¿Cuáles son los eventos simples?
b) ¿Cuál es la probabilidad de que el accidente seleccionado se atribuya a condiciones
inseguras?
c) ¿Cuál es la probabilidad de que no haya ocurrido en el turno diurno?
3. La ruta que usa un automovilista tiene dos semáforos. La probabilidad de que pare en el
primero es de 0.4, la probabilidad de que pare en el segundo es de 0.5 y la probabilidad de que
pare por lo menos en uno es de 0.6. ¿Cuál es la probabilidad de que se detenga
a) En ambos semáforos?
b) En el primero pero no en el segundo?
c) Exactamente en un semáforo?
4. Una empresa construye tres plantas eléctricas en tres lugares diferentes. Se Ai el evento en el
que se termina la planta i en la fecha del contrato. Utilizar las notaciones de unión, intersección y
complemento para describir cada uno de los siguientes eventos, en términos de A1, A2 y A3,
mostrar en diagramas de Venn.
a) Por lo menos una planta se termina en la fecha del contrato.
Página 10 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
b) Todas las plantas se terminan en la fecha del contrato
c) Sólo se termina la planta del sitio 1 en la fecha del contrato
d) Exactamente se termina una planta en la fecha del contrato
e) Se termina ya sea la planta del lugar 1 o las otras dos en la fecha del contrato.
Página 11 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
2. TÉCNICAS DE CONTEO
Supóngase que una persona tiene dos modos de ir de una ciudad A a otra ciudad B; y una vez
llegada a B, tiene tres maneras de llegar a otra ciudad C. ¿De cuántos modos podrá realizar el
viaje de A a C pasando por B?
a pie
CIUDAD A
en avión
en carro
CIUDAD B
en bicicleta
CIUDAD C
en trasatlántico
Evidentemente, si empezó a pie podrá tomar avión, carro o trasatlántico; y si empezó en
bicicleta, también podrá tomar avión, carro o trasatlántico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt.
Que son 6; cada primera oportunidad contó con tres posibilidades.
Se tiene: 2 oportunidades X 3 posibilidades = 6 posibilidades.
PRINCIPIO DE CONTEO: Si un evento puede hacerse de a1 maneras diferentes, y cuando se ha
hecho, puede hacerse un segundo evento (independiente del primero) de a 2 modos diferentes y
luego un tercer evento de a3 maneras también diferentes, y así sucesivamente, entonces el
número de maneras diferentes en que los eventos se pueden realizar , en el orden indicado es
de:
a1  a2  a3 ....an
Ejemplo 9: ¿De cuantos modos podrá vestirse un joven que tiene 3 camisas diferentes, 4
pantalones y dos pares de calzado?
Página 12 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Solución: Primer evento (camisas) a1 = 3
Segundo evento ( pantalones) a2 = 4
Tercer evento (zapatos) a3 = 2
a1  a2  a3  3  4  2  24 modos diferentes.
PERMUTACIONES: Una permutación es un arreglo ordenado de una parte de los elementos, o
de todos los elementos de un conjunto.
Ejemplo 10: Dado el conjunto de las letras o, p, i, escribir todas las permutaciones empleando
las tres letras cada vez.
Solución: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Ejemplo 11: ¿Y tomando dos letras solamente cada vez?
Solución: op, oi, io, ip, pi, po: son seis permutaciones.

En la mayoría de los casos resulta muy complicado hacer las permutaciones
manualmente por lo cual utilizamos la siguiente fórmula:
Prn 
n!
n  r  !
donde:
n = número total de elementos del conjunto
P = Permutaciones
r = número de elementos que se toman a la vez.
! = factorial.
Nota: 0! = 1
Ejemplo 12: ¿Se toman 3 números de lotería de un total de 50, de cuantas formas se pueden
tomar los números?
P350 
50 !
50 !

 (50  49  48)  117,600
50  3 ! 47 !
Página 13 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
COMBINACIONES: Es el número de subconjuntos de r elementos que se puede formar de un
conjunto de n elementos, sin importar el orden de los elementos. Para determinar el número de
combinaciones posibles utilizamos:
Crn 
n!
n  r  ! r !
Ejemplo 13: Un entrenador de basket ball tiene 9 jugadores igualmente hábiles, ¿cuántas
quintetas podrá formar?
C59 
9!
 126
4 ! 5 !
Ejemplo 14: Se extraen 5 cartas de una baraja de 52 cartas. Hallar la probabilidad de extraer (a)
4 ases, (b) 4 ases y un rey (c) 3 dieces y dos jotas,
 4 C4  48 C1  = 1
54145
 52 C5 
 C  C 
b) P (4 ases y 1 rey) = 4 4 4 1 
a) P(4 ases) =
52
c) P (3 dieces y 2 jotas) =
1
649740
C5
 4 C3  4 C2  
52
C5
1
108290
Página 14 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
3. TEOREMA DE BAYES
Mediante el teorema de Bayes podemos calcular la probabilidad de que ocurra un determinado
evento, cuando no tenemos datos inmediatos del mismo mediante la información que tenemos
de otros eventos.
Cuando existen dos eventos posibles A y B, la probabilidad de que ocurra Z se describe
mediante el “teorema de probabilidad total” el cual es:
P(Z )  P A PZ APB PZ B
Mediante el teorema anterior se deduce el teorema de Bayes:
P A Z  
P A  PZ A
P A  PZ APB   PZ B 
Ejemplo 8: En cierta universidad 20% de los hombres y 1% de las mujeres miden más de 1.80m
de altura. Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar
y se observa que mide más de 1.80m ¿Cual es la probabilidad de que sea mujer?
Z > 1.80 m
HOMBRE
MUJER
A = Hombre
B = Mujer
< 1.80
.80
.99
.20
.01
P (A) = .60
P (B) = .40
> 1.80
P (Z/A) = .20
=Z
P (Z/B) = .01
Para encontrar la probabilidad de que sea mujer dado que mide más de 1.80,
Página 15 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Utilizando el teorema de Bayes:
P B Z  
PB  PZ B 
P A PZ APB PZ B
Hombre
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.
Podemos visualizar P(B/Z) en el siguiente diagrama:
Z > .80
P(A/Z)
Mujer
P(B/Z) = .032
Por lo tanto la probabilidad de que sea mujer dado
que mide más de 1.80 es .032 = 3.2 %
EJERCICIOS:
1. Una planta emplea 20 trabajadores en el turno diurno, 15 en el segundo y 10 en la noche. Se
seleccionan 6 para hacerles entrevistas exhaustivas. Suponer que cada uno tiene la misma
probabilidad de ser seleccionado de una urna de nombres.
a) ¿Cuántas selecciones dan como resultado seis trabajadores del turno diurno?
b) ¿Cuál es la probabilidad de que los 6 trabajadores sean seleccionados del mismo turno?
c) ¿Cuál es la probabilidad de que por lo menos dos turnos diferentes estén representados en la
selección?
d) ¿Cuál es la probabilidad de que por lo menos uno de los turnos no esté representado en la
muestra de trabajadores?
2. Una caldera tiene 5 válvulas de alivio idénticas. La probabilidad de que que en algún momento
se abra una de ellas es de 0.95. Si su operación es independiente, calcular la probabilidad de
que por lo menos se abra una de ellas. Y la probabilidad de que por lo menos no se abra una de
ellas.
Página 16 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
3. Dos bombas conectadas en paralelo fallan en determinado día, sin que haya dependencia
mutua. La probabilidad de que solo falle la bomba más vieja es de 0.10 y de que falle la bomba
más nueva es de 0.05. ¿Cuál es la probabilidad de que fallen ambas bombas al mismo tiempo?
4. Un sistema de componentes conectados como se muestra en la figura. Los componentes 1 y
2 en paralelo hacen que el subsistema funcione con uno uno solo, el sistema funciona solo si
tambiñen trabajan los componentes 3 y 4. Si los componentes son independientes y la
probabilidad de que cada componente funcione es de 0.9, calcular la probabilidad de que
funcione el sistema.
1
1
3
4
Página 17 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
4. DISTRIBUCIONES DE PROBABILIDAD
Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria (VA) es
cualquier regla que relaciona un número con cada resultado en SS.
Variable aleatoria de Bernoulli: Es cualquier variable aleatoria con valores 0 y 1.
Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son enteros.
Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los reales.
Distribución de probabilidad o función de masa de probabilidad: Establece en una tabla,
fórmula o gráfica como se distribuye la probabilidad P(y) asociada a los posibles valores de la
variable aleatoria y.
Debe cumplir con las reglas siguientes:
1. 0 <= P(y) <= 1
2. Suma (P(y)) = 1
y
P(Y=y)
0
1/4
1
1/2
2
1/4
Su fórmula es la siguiente:
3 
P( y)  P(Y  y)   (.5)3 y (.5) y
 y
Página 18 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Función de distribución acumulativa para Y=#de caras
Valor esperado:
Función de distribución acumulativa:
0.9
F(x)
FX ( x)  P( X  x)
0.7
0.5
Con propiedades:
0.3
0  F ( x)  1
-0.2
0
0.3
0.8
1y
1.3
1.8
2
Limx F ( x)  1
Limx F ( x)  0
Valor esperado de una distribución de probabilidad discreta
La media o valor esperado de una variable aleatoria discreta X , denotada como E(X), es
 X  E ( X )   xf X ( x)  xP( X  x)
x
x
La media es el centro de la masa del rango de los valores de X.
Varianza de una distribución de probabilidad discreta
Sea Y una variable aleatoria discreta con distribución de probabilidades P(X=x). Entonces , la
varianza de Y es:
 X 2  E[( X   X )2 ]   ( x   X )2 P( X  x)
x
5. DISTRIBUCIONES DISCRETAS
DISTRIBUCIÓN UNIFORME
Página 19 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
La variable aleatoria toma un numero finito de n valores, cada uno con igual probabilidad.
f ( x)  P( X  x) 
1
n
Con n = 10 se tiene:
Su media y varianza son las siguientes:
(n  1)
X 
2
n2 1
2
X 
12
0.15
0.13
prob
0.11
0.09
0.07
0.05
0
2
4
6
8
1e+001
x
DISTRIBUCIÓN HIPERGEOMÉTRICA
Se aplica cuando la muestra (n) es una proporción relativamente grande en relación con la
población (n > 0.1N). El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x éxitos en una muestra de n elementos tomados
de una población de tamaño N que contiene D éxitos. La función de densidad de distribución
hipergeométrica:
CxDCnNxD
P( x)
CnN
Con
C xn 
La media y la varianza de la distribución hipergeométrica son:
Página 20 de 37
n!
x!(n  x)!
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

nD
N
P. Reyes / Sept. 2007
 nD  D  N  n 
 2   1  

 N  N  N  1 
Ejemplo: De un grupo de 20 productos, 10 se seleccionan al azar para prueba. ¿Cuál es la
probabilidad de que 10 productos seleccionados contengan 5 productos buenos? Los productos
defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x = 5
P(x=5) = 0.0183 = 1.83%
 5!  15! 



5!0!  5!10! 

P (5) 
 0.0183
20!
10!10!
USO DE EXCEL:
N = Tamaño de Población, n = Tamaño de muestra, D= éxitos en la población; x = éxitos en la
muestra.

En Fx Estadísticas seleccionar

=distr.hipergeom(x, n, D, N)
USO DE MINITAB:

Calc > Probability distributions > Hypergeometric

Probability (densidad) o Cumulative probability (acumulada)

N, D, n y en Input constant introducir x.
EJERCICIO:
1. Se compran 10 transformadores y se toma una muestra de 4. Si se encuentra uno o más
defectuosos se rechaza el lote de 10.
a) Si el lote tiene un defectuoso, ¿Cuál es la probabilidad de que se acepte el lote?
b) Cuál es la probabilidad de aceptar el lote si contiene 3 defectuosos.
Página 21 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
DISTRIBUCIÓN BINOMAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. Éxito o fracaso.
Donde la probabilidad de éxito se denota por p
Suponga se realizan n experimentos Bernoulli independientes. Suponga que la variable X de
interés es el numero de éxitos. X toma valores 0,1,2,...,n
La distribución binomial se utiliza para modelar datos discretos y se aplica para poblaciones
grandes (N>50) y muestras pequeñas (n<0.1N). El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporción defectiva es mayor o igual a 0.1.
La binomial es una aproximación de la hipergeométrica
La distribución normal se paroxima a la binomial cuando np > 5
La variable aleatoria x tiene una distribución binomial como sigue:
 n
f ( x)  P( X  x)    p x (1  p) n x
 x
x  0,1,...,n
Con media y varianza:
E ( X )   X  np
V ( X )   X2  np(1  p)
Ejemplo: Un equipo requiere a lo más 10% de servicios en garantía. Para comprobarlo se
compran 20 de estos equipos y se someten a pruebas aceleradas de uso para simular el uso
durante el periodo de garantía. Obtener la probabilidad para P(x<=4).
Rechazar la afirmación de que falla menos del 10% si se encuentra que X>=5.
P(X>=5) = 1- P(X<=4) =1 - distr.binom(4,20,0.1,1) = 1 – 0.9568 = 0.0432 lo cual es bajo.
Página 22 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
USO DE EXCEL:
x = éxitos en la muestra, p = probabilidad de éxito, n = tamaño de muestra.

En Fx Estadísticas seleccionar

=distr.binom(x, n, p, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:

Calc > Probability distributions > Binomial

Probability (densidad) o Cumulative probability (acumulada)

n = number of trials, p = probability of success y en Input constant introducir x.
Página 23 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
EJERCICIOS:
1. Un panel solar tiene una vida útil de 5 años con una probabilidad de 0.95. Se toman 20
páneles solares y se registró la vida útil.
a) ¿Cuál es la probabilidad de que exactamente 18 tengan su vida útil de 5 años?
b) ¿Cuál es la probabilidad de que cuando mucho 10 tengan esa vida útil?
c) ¿Si solo 10 paneles tienen una vida útil de 5 años, que debería pensarse sobre el valor
verdadero de P?
2. 20% de los teléfonos se reparan cuando todavía está vigente la garantía. De estos el 60% se
reparan mientras que el 40% se reemplazan. Si una empresa compra 10 de estos teléfonos,
¿Cuál es la probabilidad de que exactamente sean reemplazados 2 en periodo de garantía?.
3. Suponga que solo 25% de los automovilistas se detienen por completo en un alto con luz roja
intermitente cuando no está visible otro automóvil. ¿Cuál es la probabilidad de que de 20
automovilistas seleccionados al azar se detengan:
a) A lo sumo 6 se detengan por completo
b) Exactamente 6 se detengan por completo?
c) Al menos 6 se detengan por completo?
d) Cuántos de los siguientes 20 automovilistas se espera que se detengan por completo?
4. De todas las plantas sólo el 5% descargan residuos por sobre la norma. Si se muestrean 20
plantas ¿Cuál es la probabilidad de que estén fuera de la ley:
a) Menos que una planta?
b) Menos de dos plantas
c) Exactamente 3
d) Más de una
Página 24 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
DISTRIBUCIÓN BINOMIAL NEGATIVA
Se basa en los mismos principios de la distribución binomial.
1. El experimento consiste de una secuencia de ensayos independientes.
2. Cada ensayo produce un éxito o un fracaso.
3. La probabilidad de éxito es constante de un ensayo a otro, P(éxito en el ensayo i) = p
4. El experimento continua hasta completar r ensayos.
La variable de interés es X = número de fracasos que preceden al r-ésimo éxito. X se llama
variable aleatoria binomial negativa, ya que en contraste con la distribución binomial, el
número de éxitos es fijo y el número de ensayos aleatorio.
Su función de distribución es:
 x  r  1 r
 p (1  p) x
nb( x; r; p) 
 r 1 
con X = 0, 1, 2, …..
Ejemplo: Se quieren reclutar 5 personas para participar en un nuevo programa. Si p = 0.2 la
probabilidad de que las personas quieran participar. ¿Cuál es la probabilidad de que se les deba
preguntar a 15 personas antes de encontrar a 5 que estén de acuerdo en participar?. Es decir si
S=(de acuerdo en participar),
¿Cuál es la probabilidad de que ocurran X=10 fracasos antes del r=quinto éxito?.
r = 5, p = 0.2 y x = 10, se tiene:
14
nb(10;5;0.2)   0.2 5 0.810  0.034
4 
La probabilidad de que a lo sumo ocurran 10 fracasos (F) se les pregunte a lo sumo a 10
personas es:
10
10  x  4 
0.8 x  0.164
P( X  10)   nb( x,5,0.02)  0.2 5 X 0 
x 0
4

Su media y varianza son las siguientes:
Página 25 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
r (1  p)
p
r (1  p)
V ( x)
p2
E ( x)
USO DE EXCEL:
=NEGBINOMDIST(10,5,0.2) y SUMA (X=0 hasta 10) =NEGBINOMDIST(X,5,0.2)
Otra forma:
Sea y el número de intentos hasta que el r-ésimo éxito es observado.
 y  1  r y r
 p q
p ( y ) 
 y  r
r

p
rq
2  2
p
P = probabilidad de éxito en un solo intento
Q = 1-p
Y = Número de intentos hasta que se obtienen los r éxitos
P(15) = combinat(14, 10) 0.2^5*0.8^10 = 0.0343941
Ejemplo: Un fabricante utiliza fusibles en un sistema eléctrico comprados en lotes grandes. Se
prueban secuecialmente hasta que se observa el primero con falla. Asumiendo que el lote
contiene 10% de fusibles defectivos.
a) ¿Cuál es la probabilidad de que el primer fusible defectuoso sea uno de los primeros 5
probados?
Página 26 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
P= 0.1 q= 0.9
P(y) = p*(q^y-1) = (.1)*(0.9^y-1)
Para y = 1 hasta 5:
P(y<=5) = p(1) + p(2) +………+ p(5) = 0.41..
b) Encontrar la media, varianza y desviación estándar para y el número de fusibles probados
hasta que el primer fusible con falla es observado.
Media = 1/p = 1/0.1 = 10
Varianza = q/p^2 = 0.9/(0.1^2) = 90
Sigma = 9.49
Página 27 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
DISTRIBUCIÓN DE POISSON
La distribución de Poisson se utiliza para modelar datos discretos como aproximación a la
Binomial dada la dificultad que existía de encontrar tablas Binomiales adecuadas cuando n es
grande y p pequeña. La distribución de probabilidad de Poisson proporciona buenas
aproximaciones cuando np <= 5.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamaño de muestra es grande (n
> 16) por tanto np > 1.6.
Una Variable aleatoria X tiene distribución Poisson si toma probabilidades con.
e   x
f ( x) 
x!
x  0,1,...
Con media y varianza:
  np
    np
Ejemplo 1. Suponga que una compañía de seguros asegura las vidas de 5000 hombres de 42
años de edad. Si los estudios actuariales muestran que la probabilidad de que un hombre muera
en cierto año es 0.001, entonces la probabilidad de que la empresa pague exactamente 4
indeminizaciones y= 4 en un cierto año es:
P( y  4)  p(4) 
5000!
(0.001) 4 (0.999 ) 4996
4!*4996!
El valor de esta expresión no aparece en tablas y su cálculo era difícil, no así con Excel.
Página 28 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Aproximando con la distribución de Poisson, se toma la tasa media de sucesos = np =
(5000)*(0.001)= 5, teniendo:
P( y  4) 
4 e  
4!

5 4 e 5
 0.1745
4!
Ejemplo 2. Una planta tiene 20 máquinas, si la probabilidad de que falla una en cierto día es
0.05. Encuentre la probabilidad de que durante un día determinado fallen dos máquinas.
np = 20 *0.05 = 1.0
P( y  2) 
12 e1
 0.184
2!
Si se calcula con la distribución Binomial se tiene:
P( y  2)  p(2) 
20!
(0.05) 2 (0.95)18  0.188
2!*18!
La aproximación es mejor conforme se aproxima a np = 5.
La distribución de Poisson además de ser útil como aproximación de las probabilidades
Binomiales, constituye un buen modelo para experimentos donde Y representa el número de
veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio. Por ejemplo:
Número de llamadas recibidas en un conmutador durante un día, conociendo el promedio por
día.
Número de reclamaciones contra una empresa de seguros por semana, conociendo el prom.
Sem.
Número de llegadas a una estación de servicio durante un minuto dado, conociendo el
prom./min.
Número de ventas hechas por un agente de ventas en un día, conociendo el promedio por día.
Sólo se requiere que los eventos sean independientes.
Página 29 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
USO DE EXCEL:
x = éxitos en la muestra, np = media.

En Fx Estadísticas seleccionar

=Poisson(x, np, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:

Calc > Probability distributions > Poisson

Probability (densidad) o Cumulative probability (acumulada)

n*p = mean y en Input constant introducir x.
Página 30 de 37
P. Reyes / Sept. 2007
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
EJERCICIOS:
1. El 20% de los choferes son mujeres, si se seleccionan 20 al azar para una encuesta:
Usando la distribución binomial y la distribución de Poisson
a) ¿Cuál es la probabilidad de que dos choferes sean mujeres ?
b) ¿Cuál es la probabilidad de que al menos cuatro sean mujeres?
2. Se tienen 8 recepcionistas, estan ocupadas en promedio el 30% del tiempo, si 3 clientes
llaman ¿la prob. De que estén ocupadas es mayor al 50%?
3. Un proveedor de partes de bicicleta tiene 3% de defectos. Se compran 150 partes y si la
probabilidad de que 3 o más partes sean defectuosas excede al 50%, no se hace la compra.
¿Qué sucede en este caso?.
4. En una universidad las llamadas entran cada 2 minutos
a) ¿Cuál es la cantidad esperada de llamadas en una hora?
b) ¿Cuál es la probabilidad de 3 llamadas en los sig. 5 minutos?
c) ¿Cuál es la probabilidad de no llamadas en los sig. 5 minutos?
d) ¿cuál es la prob. de recibir 10 llamadas en los sig. 15 minutos?
5. Un proceso de manufactura produce 1.2 defectos por cada 100 unidades producidas,
¿Cuál es la probabilidad de que las siguientes 500 unidades presenten X=3 defectos?
6. 40 trabajadores tienen nuevas computadoras, 26 con MMX. Si se seleccionan 10 al azar,
¿Cuál es la prob. De que 3 tengan la tecnología MMX?.
7. De un grupo de 20 productos, se toman 10 al azar,
¿Cuál es la probabilidad de contengan las 5 mejores unidades?
8. De 9 empleados diurnos sólo 6 están calificados para hacer su trabajo, si se seleccionan
aleatoriamente 5 de los 9 empleados, Cuál es la probabilidad de que:
a) Los 5 estén calificados
b) 4 esten calificados
c) Por lo menos 3 estén calificados
Página 31 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
6. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
Se diferencian de las distribuciones de probabilidad discretas en que su función de distribcuón
acumulativa (F(yo)) para una variable aleatoria y es igual a la probabilidad F(yo) = P(y<=y0).
Si F(y) es la función de distribución acumulada para una variable aleatoria continua entonces su
función de densidad f(y) para y es:
f(y) = dF(y) / dy
Sus propiedades son que:
1. f(y) >= 0
2. Integral desde menos infinito a más infinito de f(y) d(y) = F(  ) = 1
f(y)
F(yo)
yo
y
Función de distribución acumulativa
Entre las distribuciones continuas más comunes se encuentran la distribución normal y la
distribución exponencial.
Página 32 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
DISTRIBUCIÓN EXPONENCIAL
Se usa para modelar artículos con una tasa de falla constante y está relacionada con la
distribución de Poisson. Si una variable aleatoria x se distribuye exponencialmente, entonces el
recíproco de x,
y = 1/x sigue una distribución de Poisson y viceversa.
La función de densidad de probabilidad exponencial es: Para x >= 0
f ( x)
1

e

x

 e x
Donde Lambda es la tasa de falla y theta es la media.
La función de densidad de la distribución exponencial
El modelo exponencial, con un solo parámetro, es el más simple de todos los modelos de
distribución del tiempo de vida. Las ecuaciones clave para la exponencial se muestran:
Página 33 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
CDF : F (t )  1  e
 t
CONFIABILIDAD : R(t )  e

PDF : f (t )  e t
MEDIANA :
Función de Densidad de Probabilidad Exponencial
0.0035
0.0025

0.0020

= 0.003, MEDIA = 333
0.0030
1
ln 2
VARIANZA :
t
f(t)
MEDIA : m 
P. Reyes / Sept. 2007
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
0.0015

0.693
0.0010

0.0005
1
0.0000
0
2
500
1,000
Tiempo
1,500
2,000
TASA DE FALLA : h (t )  
Si el número de ocurrencias tiene Distribución de Poisson, el lapso entre ocurrencias tiene
distribución exponencial. Su función de distribución acumulada es la siguiente:
P( X  x)  1  e t
Cuando X = 0 la distribución de Poisson se convierte en el segundo término de la distribución
exponencial.
Probabilidad de que el tiempo entre la ocurrencia de dos eventos cualquiera sea <= t
F(x)
t
Aquí se desea saber de que no transcurra más de cierto tiempo entre dos llegadas, sabiendo
que se tiene una tasa de llegadas .
Ejemplo: El tiempo de respuesta de un departamento es de 5 minutos promedio y se distribuye
exponencialmente. La probabilidad de que el tiempo de respuesta a lo sumo de 10 minutos se
determina como sigue:
Página 34 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
P(X<=10) = F(10; 1/5) = 1- exp(-0.2*10) = 0.865
La probabilidad entre el tiempo de respuesta de 5 y 10 minutos es:
P(5<=X<=10) = F(10;1/5) – F(5; 1/5) = 0.233
USO DE EXCEL:
Lamda = 1/ media.

En Fx Estadísticas seleccionar

=distr.exp(x, lamda,1) = distr.exp(10,0.2,1) = 0.865
USO DE MINITAB:

Calc > Probability distributions > Exponential

Probability (densidad) o Cumulative probability (acumulada)

Indicar Threshold = 0 y en Scale indicar la media 5

En Input constant indicar la X del tiempo.
Exponential with mean = 5
x
P( X <= x )
10
0.864665
La Distribución Exponencial es usada como el modelo, para la parte de vida útil de la curva de la
bañera, i.e., la tasa de falla es constante. Los sistemas complejos con muchos componentes y
múltiples modos de falla tendrán tiempos de falla que tiendan a la distribución exponencial
Desde una perspectiva de confiabilidad, es la distribución más conservadora para predicción.
Página 35 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
Las fallas ocurren en los sistemas con una distribución denominada Curva de la Bañera:
Fallas diseño
  tasa.de. falla.  constante
Fallas infantiles
Fallas aleatorias
Senectud
Fallas por desgaste
La zona de tasa de fallas constantes, es modelada con La Distribución exponencial, muy
aplicada a la Confiabilidad, que es la probabilidad de que un equipo o componente sobreviva sin
falla hasta un periodo t bajo condiciones normales de operación:
R(t) = Confiabilidad de un sistema o componente
R(t )  et
Donde  es la tasa media de falla y su inverso es el tiempo medio entre fallas (MTBF), o sea:

1
MTBF
Ejemplo: El MTBF de un foco es de 10 semanas, por tanto = 0.1 fallas/semana y la
probabilidad de que el foco no falle o continúe en operación hasta las 15 semanas es:
R(15)  e0.1*15  0.223
y la probabilidad de que falle dentro de las 15 semanas es:
P(15)  1  e0.1*15  0.777
Página 36 de 37
PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
EJERCICIOS:
1. Sea X el tiempo entre dos solicitudes de servicio sucesivas a un departamento, si X tiene una
distribución exponencial con media = 10, calcular:
a) El tiempo esperado entre dos solicitudes sucesivas.
b) La desviación estándar de esas llegadas
c) P(X<=15)
d) P(8<=X<=14)
2. Las falla de los ventiladores de un equipo tiene un tiempo promedio de 25,000 Horas, ¿cuál es
la probabilidad de que
a) Un ventilador seleccionado al azar dure por lo menos 20,000 horas?
b) A lo sumo 30,000 horas?
c) Entre 20,000 y 30,000 horas?
3. Un fabricante de equipos electrónicos ofrece un año de garantía. Si el equipo falla en ese
periodo por cualquier razón se reemplaza. El tiempo hasta una falla está modelado por la
distribución exponencial:
f(x) = 0.125 exp(-0.125*x)
a) ¿Qué porcentaje de los equipos fallarán dentro del periodo de garantía?
b) El costo de fabricación del equipo es de $500 y la ganancia es de $250 ¿Cuál es el efecto de
la garantía por reemplazo sobre la ganancia?
4. El tiempo entre fallas de un componente de equipo es importante para proveer de equipos de
respaldo. Un generador eléctrico tiene una vida promedio de 10 días.
a) ¿Cuál es la probabilidad de que falle dentro de los siguientes 14 días?
b) ¿Cuál es la probabilidad de que opere por más de 20 días?
Página 37 de 37
Descargar

PROBABILIDAD Y DISTRIBUCIONES - Contacto: 55-52-17-49-12

TEMA 5: DISTRIBUCIONES DE PROBABILIDAD

TEMA 5: DISTRIBUCIONES DE PROBABILIDAD

Variable aleatoria discretaExperimento aleatorioFunción de distribuciónEsperanza matemáticaModelos: binomial y de PoissonEstadística

Estadísitca descriptiva y probabilidad

Estadísitca descriptiva y probabilidad

EncuestasInferenciaParámetrosInvestigaciónCálculoDistribuciones unidimensionales y bidimensionalesEconometríaProbabilidad

INSTITUTOUNIVERSITARIO DE TECNOLOGIA INDUSTRIAL

INSTITUTOUNIVERSITARIO DE TECNOLOGIA INDUSTRIAL

MedianaVariables aleatorias discretasGlosarioModaDatosEstadísticaDistribuciónMedia

CURSO DE METODOS CUANTITATIVOS ACTIVIDADES A DESARROLLAR ACTIVIDAD No. 4

CURSO DE METODOS CUANTITATIVOS ACTIVIDADES A DESARROLLAR ACTIVIDAD No. 4

Desviación típicaVarianzaDistribuciónVariablesProbabilidadMétodos cuantitativosMedia

Taller de Estadística I

Taller de Estadística I

Diagrama de CajaMedianaGastosRangoMedia GeométricaPercentilesMediaMedia armónicaDesviaciónQuartilesRecorrido intercuartílicoEstadísticaVarianza

Probabilidad Espacio muestral: es el conjunto de todos los resultados del experimento “Ω”.

Probabilidad Espacio muestral: es el conjunto de todos los resultados del experimento “Ω”.

AproximaciónVariables aleatorias discretasCombinacionesVariables Cleatorias ContinuasDistribucion de probabilidad conjuntaRegla de multiplicaciónPermutacionesLey de probabilidad totalEspacio muestralTeorema de Bayes