UNIVERSIDAD

TECNICA DE
MANABI
PROBABILIDAD
Trabajo de exposicin de Control de
Calidad y Procesos I

Ing. Ernesto Rosero

Vicky Alejandra Mendoza Pico

Mara Elena Palacios Antn
Mendoza

Bryan Fernando Rivadeneira

Ral Fernando Quionez Carvajal

7 NIVEL PARALELO F

TEMA:

PROBABILIDADES
o Tipos de Distribucin:
Distribucin Geomtrica
Distribucin Hipergeometrica
Distribucin Poisson
Distribucin Binomial

OBJETIVO:

Conocer los distintos tipos de distribuciones probabilsticas que existes y sus

principales caractersticas

INTRODUCCION:

Los valores de una variable sirven para describir o clasificar individuos o distinguir
entre ellos. La mayora de nosotros hacemos algo ms que simplemente describir,
clasificar o distinguir, porque tenemos ideas respecto a las frecuencias relativas de los
valores de una variable. En estadstica decimos que la variable tiene una funcin de
probabilidad, una funcin de densidad de probabilidad o simplemente una funcin de
distribucin (Badii & Castillo, 2007).
Las distribuciones de probabilidad estn relacionadas con la distribucin de frecuencias.
De hecho, podemos pensar en la distribucin de probabilidad como una distribucin de
frecuencias terica. Una distribucin de frecuencias terica es una distribucin de
probabilidades que describe la forma en que se espera que varen los resultados. Debido
a que estas distribuciones tratan sobre expectativas de que algo suceda, resultan ser
modelos tiles para hacer inferencias y tomar decisiones de incertidumbre (Badii et al.,
2007a, 2007b).

PROBABILIDADES
Tipos de Distribuciones

Distribucin binomial:

Una distribucin de probabilidad de una variable aleatoria discreta utilizada

ampliamente es la distribucin binomial. Esta distribucin es apropiada para una
variedad de procesos que describe datos discretos, que son resultado de un experimento
(Badii et al., 2007d) conocido como proceso de Bernoulli en honor al matemtico Suizo
Jacob Bernoulli (1654-1705), el cual nos llevar a uno de slo dos resultados posibles
que son mutuamente exclusivos, tales como muerto o vivo, enfermo o saludable, etc., en
donde la obtencin del resultado deseado se considera como xito "p" y el resultado no
deseado como fracaso "q", donde, q = 1 p (Badii et al., 2007c).

El experimento de lanzar al aire una moneda es un ejemplo sencillo de una importante

variable aleatoria discreta llamada variable aleatoria binomial. Muchos experimentos
prcticos resultan en datos similares a que salgan cara o cruz al tirar la moneda. Por
ejemplo, considere las encuestas polticas que se emplean para predecir las preferencias
de los votantes en elecciones. Cada votante entrevistado se puede comparar a una
moneda porque el votante puede estar a favor de nuestro candidato (una cara) o no
(una cruz). Casi siempre, la proporcin de votantes que estn a favor de nuestro
candidato no es igual a 1/2, es decir, la moneda no es imparcial. De hecho, la encuesta
est diseada exactamente para determinar la proporcin de votantes que estn a favor
de nuestro candidato. Cada persona muestreada es anloga a lanzar al aire una moneda,
pero la probabilidad de una cara no es necesariamente igual a 1/2. Aun cuando estas
situaciones tienen diferentes objetivos prcticos, todas exhiben las caractersticas
comunes del experimento binomial. (Robert Beaver, 2008)
Caractersticas de una Distribucin Binomial:
1. El experimento consiste en n intentos idnticos.
2. Cada intento resulta en uno de dos resultados. Por falta de un mejor nombre, el
resultado uno se llama xito, S, y el otro se llama fracaso, F.
3. La probabilidad de xito en un solo intento es igual a p y es igual de un intento a
otro. La probabilidad de fracaso es igual a (1 _ p) _ q.
4. Los intentos son independientes.
5. Estamos interesados en x, el nmero de xitos observado durante los n intentos,
para x =0, 1, 2,, n.
Si p y 1-p son las probabilidades de xito y fracaso respectivamente en cada ensayo,
entonces, la probabilidad de obtener x xitos y n-x fracasos en algn orden especfico se da
por la siguiente ecuacin: px(1-p)n-x; entonces el nmero de formas en que podemos
obtener x xitos en n ensayos es el nmero de combinaciones de x objetos seleccionados de
un conjunto de n objetos (n/x) as llegamos al siguiente resultado (Badii et al., 2007c).
n x n x
P( x)=
P q , Para x=0,1,2,3, , n
x

()

Donde,
n = nmero de ensayos realizados.
p = probabilidad de xito.
q = (1-p) = probabilidad de fracaso.
n - x = nmero de fracasos deseados.
Px = probabilidad favorable.
Recordando la frmula de combinaciones, la ecuacin anterior se transformar a la
siguiente:
n!
x n x
P ( x )=
P q
x ! ( nx ) !
Ejemplo. Se lanza una moneda corriente 6 veces, donde llamamos cara a un xito. Por
consiguiente n = 6 y p = q = 1/2. Solo pueden ocurrir dos cosas (p o q) por lo tanto la
probabilidad de que ocurra 1 de ellas es la mitad, es decir .
a) La probabilidad de que suceda 2 caras exactamente (o sea x = 2) es:

P ( 2 )=

6!
1
2 ! ( 62 ) 2

4321

( 21 )
1 4 6 ! 1 6 654321
=
( )=

2
2! 4 ! 2

( )( )

b) La probabilidad de conseguir por lo menos cuatro caras (o sea x = 4, 5 o 6) es:

6! 1
4 ! 2 ! 16

( )( 14 )+ 5!64! ! ( 321 )( 12 )+ 66 !! ( 641 )= 3211

Propiedades de la distribucin binomial

a) la media: = np
b) la varianza: 2 = npq
c) el coeficiente de sesgo:
d) desviacin tpica:

qp
npq

= npq

e) cuando p es menor que 0.5, la distribucin binomial est sesgada hacia la derecha.
f) conforme p aumenta, el sesgo es menos notable.
g) cuando p = 0.5, la distribucin binomial es simtrica.
h) cuando p es mayor que 0.5, la distribucin esta sesgada hacia la izquierda. (Badii et al.,
2007c).

Distribucin Geomtrica
Se recordar que en un experimento binomial se tiene una serie de
eventos idnticos e independientes, y que cada uno origina un xito E
o un fracaso F, con p (E) = p y p (F) = 1- p = q. Si se interesa el
nmero x de pruebas hasta la observacin del primer xito, entonces x
posee una distribucin de probabilidad geomtrica. Ntese que el
nmero de pruebas podra seguir indefinidamente y que x es un ejemplo
de variable aleatoria discreta que puede tomar un nmero infinito (pero
contable) de valores. Las frmulas para la distribucin geomtrica son:

p ( x )= p q x1
Donde,
x = nmero de pruebas independientes hasta la ocurrencia del primer xito.
p = probabilidad de xito en una sola prueba, q = 1 p.

Media:

1
p

Varianza:

=1

p
p2

Desviacin estndar:

= 1

p
p2

La distribucin de probabilidad geomtrica es un modelo para el intervalo de tiempo que un

jugador (o inversionista) tiene que esperar hasta ganar. Por ejemplo, si la ganancia media en
una serie de apuestas idnticas en la ruleta (o en alguna otra serie de pruebas idnticas), no
es una buena medida para su prospectiva de ganar, podra tener una racha de mala suerte y
quedarse sin dinero antes de tener la posibilidad de recuperar sus prdidas.
La distribucin de probabilidad geomtrica tambin proporciona un modelo discreto para el
lapso, digamos el nmero x de minutos, antes de que un consumidor en una fila o lnea de
espera (en un supermercado, servicio de reparaciones, hospital, etc.) reciba la atencin
[ntese que el lapso o intervalo de tiempo es una variable aleatoria continua. La distribucin
de probabilidad geomtrica es una analoga discreta de (una aproximacin para) una
distribucin de probabilidad continua particular, conocida como distribucin exponencial].
Este modelo discreto para la distribucin de probabilidad de tiempo de espera x se basa en
la suposicin de que la probabilidad de recibir el servicio durante cualquier minuto es
idntica e independiente del resultado durante cualquier otro minuto y que x se mide en
minutos enteros, es decir, x = 1, 2, 3.
Ejemplo. Los registros indican que una cierta vendedora tiene xito en formular venta en
30% de sus entrevistas. Supngase que una venta en una entrevista es independiente de una
venta cualquier otro momento.
a) Cul es la probabilidad de que esta vendedora tenga que tratar con 10 personas antes
de hacer su primera venta?
b) Cul es la probabilidad que la primera venta se realice antes o en la dcima
oportunidad?
Solucin:
a) La probabilidad de realizar una venta en un solo contacto o entrevista
es p = 0.3 Entonces la probabilidad de que necesita exactamente x = 10
contactos antes de hacer su primera venta es:
p(x) = pqx-1
O bien p (10) = (0.3)(0.7)9 = 0.012
b) La probabilidad de que se realice la primera venta antes de o en la dcima entrevista, es
P(x = 10) = p (0) + p (1) + p (2) +.+ p (10)
La manera ms sencilla de hallar esta probabilidad es expresarla como el complemento de
una serie infinita, es decir:
P(x = 10) = 1- P(x > 10)
Donde,
P(x > 10) = p (11) + p (12) + p (13) +
10
11
= pq + pq
+

La suma de una serie geomtrica infinita es igual a a / (1 - r), donde a es el primer trmino
de la serie, r es la razn, comn, y r2 < 1. Utilizando este resultado, tenemos.

P ( x=10 )=1 p ( x >10 )=

1 p q 10
10
=1q 10 =1( 0.7 ) =0.072
1q

Por lo tanto existe una alta probabilidad (0.972) de que la vendedora realice primera venta
antes de o en el dcimo contacto.

Distribucin Hipergeometrica:

Recurdese que si se selecciona una muestra aleatoria de n

consumidores de una poblacin de N consumidores, el nmero x de
usuarios que favorecen un producto especfico tendra una distribucin
binomial cuando el tamao muestra n es pequeo respecto al nmero de
N de consumidores en la poblacin, el nmero x a favor del producto
tiene una distribucin de probabilidad Hipergeometrica, cuya frmula es:

P ( x )=

Nr
C rx Cn
x
N
Cn

Donde:
N = nmero de elementos en la poblacin.
r = nmero de elementos que tienen una caracterstica especfica, por ejemplo el nmero de
personas a favor un producto particular.
n = nmero de elementos en el muestra.
En base a la ecuacin anterior podemos realizar las operaciones
factoriales siguientes:

C x=

r!
x ! ( r x ) 1

CnNr
x =

CnN =

( N x ) !
( nx ) ! { ( Nr )( nx ) } !

N!
( N n ) !
n!

Media Aritmtica:

nr
N

n= Numero de Muestras
r= nmero de elementos de la muestra con ciertas caractersticas
N= tamao de poblacin

Varianza:

2=

r ( Nr ) n ( N n )
2
N ( n1 )

Desviacin Estndar:

r ( N r ) n

Ejemplo. Un furgn contena 20 computadoras electrnicas grandes, 2 de las cuales estaban

defectuosas. Si se seleccionan al azar tres computadoras del furgn cul ser la
probabilidad de que dos de ellas tengan desperfectos?
Solucin:
N = 20
n=3
r = 2(computadoras defectuosas)
x = nmero de computadoras con averas en la muestra
Entonces,

P ( x )=

Nr
C rx Cn
x
N
Cn

P ( 2 )=

C 22 C 202
32
20
C3

1
=0.02
50

Donde:
18
C202
32 =C 1 =

C20
3 =

18 !
=18
1! 17 !

20!
=1140
3 !17 !

Entonces la probabilidad de sacar x=2 computadoras defectuosas en una muestra de n=3 es:

P (2 ) =

( 1) ( 8)
1140 = 0.016

Distribucin de Poisson
La distribucin de probabilidad de Poisson debe su nombre a Simen Denis Poisson
(1781-1840); esta distribucin es un buen modelo para la distribucin de frecuencias
relativas del nmero de eventos raros que ocurren en una unidad de tiempo, distancia,
espacio, etc. Por esta razn se utiliza mucho en rea de investigacin cientfica tanto en
administracin de empresas como en las actividades bilgicas para modelar la
distribucin de frecuencias relativas del nmero de accidentes industriales por unidad de
tiempo o por administradores de personal, para modelar la distribucin de frecuencias
relativas el nmero de accidentes de los empleados o el nmero de reclamaciones de
seguros, por unidad de tiempo, o la frecuencia de enfermedades raras que ocurre una
poblacin dada. La distribucin de probabilidad de Poisson puede proporcionar, en
algunos casos, un buen modelo par al distribucin de frecuencias relativas del nmero
de llegadas por unidad de tiempo a unidad de servicio (por ejemplo, el nmero de
pedidos recibidos en una planta manufacturera o el nmero de clientes que llegan a una
instalacin de servicio, a una caja registradora en un supermercado, etc.)

Caractersticas de la distribucin de Poisson

1. Las consecuencias de los eventos son independientes. La ocurrencia de un

evento en un intervalo de espacio o tiempo no tiene efecto sobre la probabilidad
de una segunda ocurrencia del evento en el mismo, o cualquier otro intervalo
2. Tericamente, debe ser posible un nmero infinito de ocurrencias del evento en
el intervalo
3. La probabilidad de la ocurrencia nica del evento en un intervalo dado es
proporcional a la longitud del intervalo.

Una particularidad de la distribucin de Poisson es el hecho de que la media y la

varianza son iguales

Calculo de la probabilidad de Poisson

La distribucin de probabilidad de Poisson, tiene que ver con ciertos procesos que
puedan ser descritos por una variable aleatoria discreta. La letra X por lo general
representa a esta variable discreta y puede tomar valores enteros (0, 1, 2, 3,4, etc.).
Utilizamos la letra mayscula X para representar a la variable aleatoria y la letra
minscula x para sealar un valor especifico que dicha variable puede tomar. La

probabilidad de tener exactamente x presentaciones en una distribucin de Poisson se

calcula con la frmula:

P ( x )=f ( x )=

e x
x!

Donde:
P(x)= probabilidad de tener exactamente x presentaciones
e = exponencial= 2.71828 (base de los logaritmos naturales), elevada a la landa
potencia negativa
x = (El nmero medio de presentaciones por intervalo de tiempo) elevada a la x
potencia
X!= x factorial
X= nmero de eventos aleatorio por intervalo de tiempo

Ejemplo. Un administrador de un hospital ha estado estudiando las admisiones diarias

de emergencia durante un periodo de varios aos, los estudios revelan que en dicho
periodo en promedio se presentaron 3 emergencias por da: encuentre la probabilidad de
que:
a) En un da dado ocurran solo dos admisiones de emergencia

Solucin: en este ejemplo = 3 que es igual al valor promedio de ocurrencia en la

poblacin y x = 2 como una variable aleatoria discreta. La probabilidad de ocurrencia se
calcula como:

P ( x=2 )=f ( 2 ) =

e3 32 0,059
=
=0,0225
2!
21

b) Cul es la probabilidad de que en un da particular no ocurra ni una sola

admisin de emergencia?
e3 30 0,0501
(
)
f x=
=
=0,05
0!
1
c) En un da particular sean admitidos 3 o 4 casos de emergencia

Dado que los dos eventos son mutuamente exclusivos se usa la regla de adicin:

f ( 3 ) + f ( 4 )=

e3 33 e3 3 4 0,0527 0,0581
+
=
+
=0,225+0,16875=0,39
3!
4!
321 4321

Para los casos en que se desea obtener la probabilidad de ocurrencia de x o menos

frecuencia del evento en cuestin que tiene el nmero promedio de ocurrencias igual
se debe utilizar la tabla de distribucin de Poisson hecha exclusivamente para
estos casos.

CONCLUSION:

BIBLIOGRAFIA:

Libro., Badii, M.H. & J. Castillo (eds.). 2007. Tcnicas Cuantitativas en la

Investigacin. 348 pp. UANL, Monterrey.
Libro., Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007a. Papel de la
estadstica en la investigacin cientfica. Innovaciones de Negocios.
Libro., Badii, M.H., J. Castillo, A. Wong & J. Landeros. 2007b. Precisin de los
ndices estadsticos: tcnicas de jacknife & bootstrap. Innovaciones de Negocios.
Artculo cientfico., Badii, M.H., J. Castillos, R. Foroughbakhch & K. Cortez.
2007c. Probability and scientific research. Daena,