Estadifica y Probabilidad

Investigacin 2

Edinson Lopez
Carlos Marrugo
Brayan Mollogon
Daniela Narvez

William Wood

Ingeniera Civil Cuarto Semestre

Universidad de Cartagena
Cartagena de Indias
DISTRIBUCIONES DE PROBABILIDAD

Toda distribucin de probabilidad es generada por una variable aleatoria x, la que

puede ser de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y
discreta porque solo puede tomar valores enteros y un nmero finito de ellos.
Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio
que son generadas en un proceso dado.
x 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
x

Variable que nos define el nmero de productos defectuosos en un

lote de 25 productos.
x 0, 1, 2, 3,....,25 productos defectuosos en el lote
x

Variable que nos define el nmero de alumnos aprobados en la

materia de probabilidad en un grupo de 40 alumnos.

x 0, 1, 2, 3, 4, 5,...,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores
de la variable x siempre sern enteros, nunca fraccionarios.
2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque los valores que toma son totalmente al
azar y continua porque puede tomar tanto valores enteros como fraccionarios y
un nmero infinito de ellos.
Ejemplos:
x

Variable que nos define el dimetro de un engrane en pulgadas

5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

Variable que nos define la longitud de un cable o circuito utilizado en un

arns de auto
x 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
x

Variable que nos define la concentracin en gramos de plata de algunas

muestras de mineral

14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de
una variable continua es que esta variable nos permite medirla o evaluarla,
mientras que una variable discreta no es medible, es una variable de tipo atributo,
cuando se inspecciona un producto este puede ser defectuoso o no, blanco o
negro, cumple con las especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de
probabilidad, las que pueden ser.
1)
2)

Distribucin de probabilidad discreta.

Distribucin de probabilidad contina.

Las caractersticas de cada una de las distribuciones anteriores se

mencionarn a continuacin:
DISTRIBUCIN DE PROBABILIDAD DISCRETA
Caractersticas:
1. Es generada por una variable discreta (x).
x

Variable que solo toma valores enteros

0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.

2.

p(xi) 0

Las probabilidades asociadas a cada uno de los valores que

toma x deben ser mayores o iguales a cero.

3.

p( xi)=1

La sumatoria de las probabilidades asociadas a cada uno de

los valores que toma x debe ser igual a 1.

DISTRIBUCIN DE PROBABILIDAD CONTINUA
Caractersticas:
1. Es generada por una variable continua (x).
x

Es una variable que puede tomar tanto valores enteros como

fraccionarios.

2.

1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, ... ,

f ( x)0

Las probabilidades asociadas a cada uno de los valores que

toma x deben ser mayores o iguales a cero. Dicho de otra forma, la funcin
de densidad de probabilidad deber tomar solo valores mayores o iguales a
cero. La funcin de densidad de probabilidad slo puede estar definida en
los cuadrantes I y II.

3.
La sumatoria de las probabilidades asociadas a cada uno de
los valores que toma x debe ser igual a 1. El rea definida bajo la funcin de
densidad de probabilidad deber ser de 1.

DISTRIBUCIN BINOMIAL
Las caractersticas de esta distribucin son:
a) En los experimentos que tienen este tipo de distribucin, siempre se
esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no
pasa, etc, etc., denominados arbitrariamente xito (que es lo que se
espera que ocurra) o fracaso (lo contrario del xito).
b) Las probabilidades asociadas a cada uno de estos resultados son
constantes, es decir no cambian.
c) Cada uno de los ensayos o repeticiones del experimento son
independientes entre s.
d) El nmero de ensayos o repeticiones del experimento (n) es constante.
A partir de un ejemplo. Desarrollaremos una frmula que nos permita
cualquier problema que tenga este tipo de distribucin.
Ejemplo:
Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que
aparezcan 2 guilas.

Solucin:
Antes de empezar a resolver este problema, lo primero que hay que hacer es
identificarlo como un problema que tiene una distribucin binomial, y podemos
decir que efectivamente as es, ya que se trata de un experimento en donde
solo se pueden esperar dos tipos de resultados al lanzar la moneda, guila o
sello, cutas probabilidades de ocurrencia son constantes, cada uno de los
lanzamientos es independiente de los dems y el nmero de ensayos o
repeticiones del experimento son constantes, n = 3.

Para dar solucin a este problema, lo primero que hay que hacer es un
diagrama de rbol, en donde representaremos los tres lanzamientos, de ah se
obtendr el espacio muestral y posteriormente la probabilidad pedida, usando
la frmula correspondiente.

d= {AAA, AAS, ASA, ASS, SAA, SAS, SSA, SSS}

Para obtener la frmula, definiremos lo siguiente:

n = nmero de lanzamientos de moneda
x = nmero de xitos requeridos = nmero de guilas = 2
p = probabilidad de xito= p(aparezca guila) =1/2
q = probabilidad de fracaso= p(aparezca sello) =1/2

Entonces podemos partir de la siguiente expresin para desarrollar la frmula;

P(aparezcan 2 guilas)=(No. De ramas del rbol en donde ap. 2 guilas)

(probabilidad asociada a cada rama)

Entonces el nmero de ramas en donde aparecen dos guilas se puede obtener;

Enumerando las ramas de inters, estas seran: AAS, ASA, SAA, QU TIPO DE
ARREGLOS SON ESTOS ELEMENTOS DEL ESPACIO MUESTRAL?, Son
permutaciones en donde algunos objetos son iguales, entonces, el nmero de
ramas se puede obtener con la frmula correspondiente,

Donde n = x1+x2+...+xk

Sustituyendo en esta frmula, tenemos lo siguiente;

esta frmula puede ser sustituida por la de combinaciones, solo en el caso de dos
tipos de objetos, si hay ms de dos tipos de objetos, definitivamente solo se usa la
frmula original, como se observar en el caso de la distribucin multinomial, pero
porqu vamos a cambiar de frmula?, simplemente porque en todos los libros de
texto que te encuentres vas a encontrar la frmula de combinaciones en lugar de
la de permutaciones, que es la siguiente,

y sustituyendo valores, nos damos cuenta de que efectivamente son 3 las ramas
de inters, que son donde aparecen dos guilas, donde n = 3, x = 2.

Y la probabilidad asociada a cada rama?

Probabilidad asociada a cada rama = p(guila)*p(guila)*p(sello)= p*p*q = p 2q=

Luego la frmula de la distribucin Binomial sera:

Donde:
p(x, n, p) = probabilidad de obtener en n ensayos x xitos, cuando la probabilidad
de xito es p

Dando solucin al problema de ejemplo tenemos lo siguiente:

n = 3, x = 2, p =

Para calcular la media y la desviacin estndar de un experimento que tenga

una distribucin Binomial usaremos las siguientes frmulas:

Media o valor esperado.

Donde:
n = nmero de ensayos o repeticiones del experimento
P = probabilidad de xito o la probabilidad referente al evento del cual se desea
calcular la media que se refiere la media
Q = complemento de P

Desviacin estndar.

Ejemplos:
1. Se dice que el 75% de los accidentes de una planta se atribuyen a errores
humanos. Si en un perodo de tiempo dado, se suscitan 5 accidentes,
determine la probabilidad de que; a) dos de los accidentes se atribuyan a
errores humanos, b) como mximo 1 de los accidentes se atribuya a errores
de tipo humano, c) tres de los accidentes no se atribuyan a errores
humanos.
Solucin:
a) n = 5
x = variable que nos define el nmero de accidentes debidos a errores
humanos
x = 0, 1, 2,...,5 accidentes debidos a errores de tipo humano
p = p(xito) = p(un accidente se deba a errores humanos) = 0.75
q = p(fracaso) = p(un accidente no se deba a errores humanos) = 1-p = 0.25

b)

c) En este caso cambiaremos el valor de p;

n =5
x = variable que nos define el nmero de accidentes que no se deben a
errores de tipo humano
x = 0, 1, 2,...,5 accidentes debidos a errores humanos
p = p(probabilidad de que un accidente no se deba a errores humanos)
= 0.25
q = p(probabilidad de que un accidente se deba a errores humanos) = 1p = 0.75

DISTRIBUCIN DE POISSON
Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad de
rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por

m2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por

cm 2 de cultivo

- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.

- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:

donde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por
unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, as como cada rea es
independiente de otra rea dada y cada producto es independiente de otro
producto dado.
Ejemplos:
1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son
las probabilidades de que reciba, a) cuatro cheques sin fondo en un da
dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
Solucin:
a) x = variable que nos define el nmero de cheques sin fondo que llegan
al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por da
e = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al
banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en
dos das consecutivos

Nota: l siempre debe de estar en funcin de x siempre o dicho de otra

forma, debe hablar de lo mismo que x.

2. En la inspeccin de hojalata producida por un proceso electroltico continuo,

se identifican 0.2 imperfecciones en promedio por minuto. Determine las
probabilidades de identificar a) una imperfeccin en 3 minutos, b) al menos
dos imperfecciones en 5 minutos, c) cuando ms una imperfeccin en 15
minutos.
Solucin:
a) x = variable que nos define el nmero de imperfecciones en la hojalata
por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la
hojalata

b) x = variable que nos define el nmero de imperfecciones en la hojalata

por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la
hojalata

= 1-(0.367918+0.367918) = 0.26416

c) x = variable que nos define el nmero de imperfecciones en la hojalata

por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la
hojalata.

= 0.0498026 + 0.149408 = 0.1992106

DISTRIBUCIN NORMAL
Caractersticas:
a)

b)

Es generada por una variable de tipo continuo, denominada x;

< x <
La funcin que nos define esta distribucin es:

< x <

Al dar a la funcin los valores de

y valores a x, obtendremos

la
distribucin en cuestin, la que tiene forma de campana, por lo que
tambin se le conoce como campana de Gauss. Hay un nmero infinito
de funciones de densidad Normal, una para cada combinacin de ,
. La media

mide la ubicacin de la distribucin y la

desviacin estndar

mide su dispersin.

c) Es simtrica con respecto a su eje vertical.

d) Es asinttica con respecto a su eje horizontal; esto quiere decir que
jams va a tocar el eje de las equis.
e) El rea total bajo la curva es 1.
f) S sumamos a

, se observar que aproximadamente el

68.26% de los datos se encuentran bajo la curva, si sumamos

a 2 , el 95.44% de los datos estar entre esos lmites y si

sumamos a 3 , entonces el 99.74% de los datos caer dentro de

esos lmites. Esta caracterstica es a la vez una forma emprica y rpida
de demostrar si los datos que se analizan tienen una distribucin
Normal; ya que para trabajar los datos con esta distribucin, debe
verificarse que efectivamente as se distribuyen, ya que de no hacerlo,
las decisiones que en un momento dado se tomarn de un anlisis de
los datos con la distribucin Normal, seran errneas.

Cmo se determinan probabilidades con la distribucin Normal?

De acuerdo a como se trataron las distribuciones de probabilidad continuas en la
2
unidad III, lo ms lgico es que la funcin f ( x , , ), se integre entre los lmites
de la variable x; esto es,

La integral anterior nos dara el rea bajo la curva de la funcin, desde a hasta b,
que corresponde o es igual a la probabilidad buscada.
Debido a la dificultad que se presenta para integrar esta funcin cada vez que sea
necesario, lo que se hace es tipificar el valor de la variable x, esto es, x se
transforma en un valor de z, de la siguiente manera:

Este valor de z es buscado en una tabla donde vienen reas asociadas a este
valor, y haciendo uso de los valores tabulados, se determina la probabilidad
requerida. La tabla que es usada para calcular las probabilidades es la que nos da
el rea que se muestra a continuacin:

Ejemplo:
El acero que se utiliza para tuberas de agua a menudo se recubre internamente
con un mortero de cemento para evitar la corrosin. En un estudio de los
recubrimientos de mortero de una tubera empleada en un proyecto de transmisin
de agua en California (Transportation Engineering Journal, Noviembre de 1979) se
especific un espesor de 7/16 pulgadas para el mortero. Un gran nmero de
mediciones de espesor dieron una media de 0.635 pulgadas y una desviacin
estndar de 0.082 pulgadas. S las mediciones de espesor, tenan una distribucin
Normal, qu porcentaje aproximado fue inferior a 7/16 de pulgada?
Solucin:
x = variable que nos define el espesor del mortero en pulgadas
= 0.635 pulgadas
= 0.082 pulgadas

p(z = -2.41) = 0.492

p(x < 7/16 pulgadas) = 0.5- p(z = -2.41) = 0.5-0.492 = 0.008
Por tanto, 0.008 x 100% = 0.8% de los recubrimientos de mortero tienen
un espesor menor de 7/16 pulgadas

BIBLIOGRAFIA
1. http://www.itchihuahua.edu.mx/