Distribución Discreta
Distribución Discreta
Distribución Discreta
Unidad IV
Distribuciones Discretas De Probabilidad
1
Índice
Introducción. pág 3
Desarrollo. pág 4
1. Valor esperado o esperanza matemática. Pág 4
2. Distribución Binomial. Pág 5
Características. Pág 5
Uso de tablas. Pág 6
Aplicaciones en el campo administrativo. Pág 7
3. Distribución de Poisson. Pág 9
Características. Pág 9
Uso de tablas. Pág 10
Aplicaciones. Pág 11
Conclusión. Pág 13
Bibliografía. Pág 14
Introducción
2
De acuerdo al estudio de la estadística entre sus objetivos implica conocer de
manera cuantitativa determinada parte de la realidad, por esto se hace necesario
construir un modelo particular del objeto de estudio; en este sentido la
probabilidad se caracteriza en la forma medible de diferentes valores donde se
asigna a cada posible resultado de un experimento aleatorio determinada
probabilidad. Las distribuciones de probabilidad están relacionadas con la
distribución de frecuencias; debido a que la distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos útiles para hacer
inferencias y tomar decisiones de incertidumbre una distribución; por ello la
distribución de frecuencias teórica es una distribución de probabilidades que
describe la forma en que se espera que varíen los resultados. A continuación se
presentará diferentes probabilidades entre ellas, la continua, gamma, erlang,
exponencial, weibull con el objetivo de conocer sus uso, la grafica que representa
y un ejemplo de cada una de ellas.
3
Desarrollo
Ejemplo
Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?
Dado que la moneda solo puede caer en una de esas dos posiciones y
ambas tienen la misma probabilidad de salir, diremos que la esperanza
matemática de que salga cara es una de cada dos, o lo que es lo mismo, el
50% de las veces.
Tiradas y resultado:
1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.
4
10. Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces
ha salido cruz (contamos las X)? 5 veces. La probabilidad de que salga
cara será de 5/10=0,5 o, en porcentaje, del 50%.
2. Distribución binomial
Características.
5
c) La probabilidad de éxito permanece constante en todas las
veces que se realice el experimento.
k es el número de éxitos.
p es la probabilidad de éxito.
q es la probabilidad de fracaso.
Ejemplo
Los tres supuestos que salen en las distribuciones son que cada
prueba tiene la misma probabilidad de ocurrir, sólo puede haber
un resultado para cada ensayo y cada ensayo es un evento
independiente, mutuo y excluyente.
6
Las tablas binomiales a veces se pueden utilizar para
calcular las probabilidades en lugar de utilizar la fórmula
de distribución binomial. El número de ensayos (n) se da
en la primera columna. El número de eventos de éxito (k)
se da en la segunda columna. La probabilidad de éxito en
cada ensayo individual (p) se da en la primera fila en la
parte superior de la tabla.
7
La distribución binomial se utiliza en situaciones cuya solución
tiene dos posibles resultados. Por ejemplo: Al nacer un/a bebé
puede ser varón o hembra. En el deporte un equipo puede ganar
o perder. En pruebas de cierto o falso sólo hay dos alternativas.
7. También se utiliza cuando el resultado se puede reducir a dos
opciones. Por ejemplo: Un tratamiento médico puede ser efectivo
o inefectivo. La meta de producción o ventas del mes se pueden o
no lograr. En pruebas de selección múltiple, aunque hay cuatro o
cinco alternativas, se pueden clasificar como correcta o incorrecta.
Estos ejemplos los podemos considerar como “experimentos de
Bernoulli”
8. 1 – En cada prueba del experimento sólo hay dos posibles
resultados: éxitos 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 varía 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 construcción de la distribución binomial.
9. La distribución de probabilidad binomial es un ejemplo de
distribución 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 éxitos p 3 – utilizar la
función matemática.
10. A continuación vemos La función de probabilidad de la
distribución Binomial, también denominada Función de la
distribución de Bernoulli: k – es el número de aciertos. N – es el
número de experimentos. P – es la probabilidad de éxito, como
por ejemplo, que salga “cara” al lanzar la moneda. 1-p – también
se le denomina como “q ”
11. Un comerciante de verduras tienen conocimiento de que el
10% de la caja está descompuesta. Si un comprador elige 4
verduras al azar, encuentre la probabilidad de que. A) las 4 estén
descompuestas. B) de 1 a 3 estén descompuestas.
12. En pruebas realizadas a un amortiguador para automóvil se
encontró que el 20% presentaban fuga de aceite. Si se instalan 10
de estos amortiguadores, hallar la probabilidad de que, a) 4 salgan
defectuosos, b) más de 5 tengan fuga de aceite. C) de 3 a 6
amortiguadores salgan defectuosos. D) Determine el promedio y
la desviación estándar de amortiguadores con defectos.
8
13. Un ingeniero que labora en el departamento de control de
calidad de una empresa eléctrica, inspecciona una muestra al azar
de 10 alternadores de un lotes. Si el 15% de los alternadores del
lote están defectuosos. Cuál es la probabilidad de que en la
muestra, a) ninguno esté defectuoso, b) uno salga defectuoso, c)
al menos dos salgan defectuosos d) más de tres estén con
defectos.
3. Distribución de Poisson
Características
9
Uso de tablas
Ejemplo
Suponemos que estamos en temporada de invierno y queremos ir
a esquiar antes de diciembre. La probabilidad que abran las
estaciones de esquí antes de diciembre es del 5%. De las 100
estaciones de esquí, queremos saber la probabilidad de que la
estación de esquí más cercana abra antes de diciembre. La
valoración de esta estación de esquí es de 6 puntos.
10
Función de densidad de probabilidad de Poisson
Entonces, la estación más cercana tiene una probabilidad de
14,62% de que abra antes de diciembre.
Aplicaciones
11
Contador de personas. Los contadores de personas que
habitualmente se utilizan en los comercios para saber el número
de personas que entran en su establecimiento durante un periodo
de tiempo (número de clientes en la última hora, por ejemplo).
Otras aplicaciones. Otros ejemplos del uso de esta distribución
son el cálculo de las llamadas de teléfono que se reciben en un día
en una centralita, hallar el número de bacterias que hay en un
volumen de determinado de agua, el número de peticiones de
servicio diarias de un servidor web, establecer el riesgo de crédito
en una operación de financiación, calcular la cantidad de estrellas
en un determinado volumen espacio o el número de accidentes
por año registrados por una compañía de seguros.
La distribución de Poisson también se usa a veces para aproximar
una distribución binomial. También se utiliza en ocasiones una
aproximación de la distribución de Poisson a una distribución
Gaussiana (aunque esta es de probabilidad continua y no
discreta).
12
Conclusión
13
Bibliografía
14