Probabilidad Distr Prob

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD
P. Reyes / Sept. 2007
PROBABILIDAD Y DISTRIBUCIONES
DE PROBABILIDAD
Elabor: Hctor Hernndez Primitivo Reyes Aguilar

Septiembre de 2007
Mail: primitivo_reyes@yahoo.com
Tel. 58 83 41 67 / Cel. 044 55 52 17 49 12
Pgina 1 de 37
CONTENIDO
1. Introduccin
2. Tcnicas de conteo
3. Teorema de Bayes
4. Distribuciones de probabilidad
5. Distribuciones de probabilidad discretas
6. Distribuciones de probabilidad continuas
Pgina 2 de 37

1. INTRODUCCIN
La probabilidad se refiere al estudio de la aleatoriedad y la incertidumbre en cuaqlquier situacin
donde podra 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 numrica de ocurra un evento. Se mide con valores

comprendidos entre 0 y 1, entre mayor sea la probabilidad, ms se acercar a uno.
Experimento: es toda accin bien definida que conlleva a un resultado nico 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 coleccin de resultados contenidos en el espacio muestral. Es

simple si slo tiene un resultado y compuesto si tiene varios resultados.
Definicin Clsica de Probabilidad. Modelo de frecuencia relativa

La probabilidad de un evento (E), puede ser calculada mediante la relacin de el nmero 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
Pgina 3 de 37
1
.5
2
La probabilidad de un evento est 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 s.
En la composicin existen dos posibilidades: Unin o Interseccin .
Unin de A y B
Si A y B son eventos en un espacio muestral (S), la unin de A y B A B contiene todos los

elementos de el evento A o B o ambos.
Interseccin de A y B
Si A y B son eventos en un espacio muestral S, la interseccin de A y B A B est

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 (da nublado), P(A) = .3, la probabilidad de tener un da despejado

ser 1-P(A) = .7
P A .7
P(A)=.3
Pgina 4 de 37
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
PB
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 da nublado? Nota: no puede llover si no hay nubes
P A B
P A B
=
PB
0.2
0.67
0.3
P(A/B)=.67
Ejemplo 6. Las razones de queja en productos se muestran a continuacin:

RAZN DE LA
QUEJA
Falla elctrica
Falla mecnica
Falla apariencia
Total
En garanta
18%
13%
32%
63%
Fuera de
12%
22%
3%
37%
30%
35%
35%
100%
garanta
Total
Si A es el evento de que la queja es por apariencia y que B representa que la queja ocurri en el
periodo de garanta. 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 garanta y D falla mecnica:
Pgina 5 de 37
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 est afectada por la ocurrencia del otro. De otra
manera los eventos son dependientes.
Un ejemplo de evento independiente es: Cul 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 comn con un evento B, se dice que estos son
mutuamente excluyentes.
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 interseccin no existe, es

imposible que salga 2 y 3 al mismo tiempo.
Pgina 6 de 37
Ley aditiva:
Cuando dos eventos no son mutuamente excluyentes:
P A B P A PB P A B
Cuando los eventos son mutuamente excluyentes:
P A B P A PB
Ley multiplicativa:
Si los eventos A y B son dependientes:
P A B P A PB A
Si los eventos A y B son independientes:
P A B P A PB
Ejemplo 8: Se selecciona una muestra aleatoria n = 2 de un lote de 100 unidades, se sabe que
98 de los 100 artculos estn en buen estado. La muestra se selecciona de manera tal que el
primer artculo se observa y se regresa antes de seleccionar el segundo artculo (con
reemplazo), a) calcule la probabilidad de que ambos artculos estn en buen estado, b) si la
muestra se toma sin reemplazo, calcule la probabilidad de que ambos artculos estn en buen
estado.
A: El primer artculo est en buen estado.
B: El segundo artculo est en buen estado.
a) Al ser eventos independientes el primero del segundo:
A
P(A) =.98
98 98
P A B P A PB =
.9604
100 100
Pgina 7 de 37
B
P(B) =.98
b) Si la muestra se toma sin reemplazo de modo que el primer artculo no se regresa antes de
seleccionar el segundo entonces:
98 97
P A B P A PB 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
P(A) =.98
EJERCICIOS:
1. Tres componentes forman un sistema. Como los componentes del subsistema 2-3 estn
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) Qu resultados contiene un evento A donde funcionan exactamente dos de los tres
componentes?
b) Qu resultados estn contenidos en el evento B en el que por lo menos funcionan dos los
componentes?
c) Qu resultados estn contenidos en el evento C donde funciona el sistema?
Pgina 8 de 37
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 ltimos aos ocurrieron 200
accidentes. Algunos se relacionan con condiciones inseguras y otros a condiciones de trabajo,
como se muestra a continuacin:
Pgina 9 de 37
Turno
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) Cules son los eventos simples?
b) Cul es la probabilidad de que el accidente seleccionado se atribuya a condiciones
inseguras?
c) Cul es la probabilidad de que no haya ocurrido en el turno diurno?
3. La ruta que usa un automovilista tiene dos semforos. 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. Cul es la probabilidad de que se detenga
a) En ambos semforos?
b) En el primero pero no en el segundo?
c) Exactamente en un semforo?
4. Una empresa construye tres plantas elctricas 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 unin, interseccin y
complemento para describir cada uno de los siguientes eventos, en trminos de A1, A2 y A3,
mostrar en diagramas de Venn.
a) Por lo menos una planta se termina en la fecha del contrato.
Pgina 10 de 37
b) Todas las plantas se terminan en la fecha del contrato

c) Slo 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.
Pgina 11 de 37
2. TCNICAS DE CONTEO
Supngase 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 cuntos modos podr realizar el
viaje de A a C pasando por B?
a pie
CIUDAD A
en avin
CIUDAD B
en bicicleta
en carro
CIUDAD C
en trasatlntico
Evidentemente, si empez a pie podr tomar avin, carro o trasatlntico; y si empez en

bicicleta, tambin podr tomar avin, carro o trasatlntico.
Utilizando literales (las iniciales) el viajero tuvo las siguientes oportunidades: pa, pc, pt; ba, bc, bt.
Que son 6; cada primera oportunidad cont 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 tambin diferentes, y as sucesivamente, entonces el
nmero 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 podr vestirse un joven que tiene 3 camisas diferentes, 4
pantalones y dos pares de calzado?
Pgina 12 de 37
Solucin: 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 permutacin 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.
Solucin: opi, oip, ipo, iop, pio, poi : son seis permutaciones posibles.
Ejemplo 11: Y tomando dos letras solamente cada vez?
Solucin: op, oi, io, ip, pi, po: son seis permutaciones.
En la mayora de los casos resulta muy complicado hacer las permutaciones

manualmente por lo cual utilizamos la siguiente frmula:
Prn
n!
n r !
donde:
n = nmero total de elementos del conjunto
P = Permutaciones
r = nmero de elementos que se toman a la vez.
! = factorial.
Nota: 0! = 1
Ejemplo 12: Se toman 3 nmeros de lotera de un total de 50, de cuantas formas se pueden
tomar los nmeros?
P350
50 !
50 !
(50 49 48) 117 ,600

50 3 ! 47 !
Pgina 13 de 37
COMBINACIONES: Es el nmero 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 nmero de
combinaciones posibles utilizamos:
Crn
n!
n r ! r !
Ejemplo 13: Un entrenador de basket ball tiene 9 jugadores igualmente hbiles, cuntas
quintetas podr 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,
a) P(4 ases) =
4 C4 48 C1
52 C5
b) P (4 ases y 1 rey) =
1
54145
4 C4 4 C1
52
c) P (3 dieces y 2 jotas) =
C5
1
649740
4 C3 4 C2
52
C5
1
108290
Pgina 14 de 37
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 informacin 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 PZ APB PZ B
Mediante el teorema anterior se deduce el teorema de Bayes:
P A Z
P A PZ A
P A PZ APB PZ B
Ejemplo 8: En cierta universidad 20% de los hombres y 1% de las mujeres miden ms de 1.80m
de altura. Asimismo 40% de los estudiantes son mujeres. Si se selecciona un estudiante al azar
y se observa que mide ms de 1.80m Cual es la probabilidad de que sea mujer?
Z > 1.80 m
HOMBRE
A = Hombre
< 1.80
B = Mujer
> 1.80
P (A) = .60
MUJER
.80
.99
.20
.01
=Z
P (B) = .40
P (Z/A) = .20
P (Z/B) = .01
Para encontrar la probabilidad de que sea mujer dado que mide ms de 1.80,
Pgina 15 de 37
Utilizando el teorema de Bayes:
P B Z
PB PZ B
P A PZ APB PZ B
Hombre
Mujer
P(B/Z) = (.4 x .01)/ (.6 x .20 +.4 x .01) = .032.

Z > .80
P(A/Z)
P(B/Z) = .032
Podemos visualizar P(B/Z) en el siguiente diagrama:

Por lo tanto la probabilidad de que sea mujer dado
que mide ms 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) Cuntas selecciones dan como resultado seis trabajadores del turno diurno?
b) Cul es la probabilidad de que los 6 trabajadores sean seleccionados del mismo turno?
c) Cul es la probabilidad de que por lo menos dos turnos diferentes estn representados en la
seleccin?
d) Cul es la probabilidad de que por lo menos uno de los turnos no est representado en la
muestra de trabajadores?
2. Una caldera tiene 5 vlvulas de alivio idnticas. La probabilidad de que que en algn momento
se abra una de ellas es de 0.95. Si su operacin 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.
Pgina 16 de 37
3. Dos bombas conectadas en paralelo fallan en determinado da, sin que haya dependencia
mutua. La probabilidad de que solo falle la bomba ms vieja es de 0.10 y de que falle la bomba
ms nueva es de 0.05. Cul 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
tambien 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.
Pgina 17 de 37
4. DISTRIBUCIONES DE PROBABILIDAD
Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria (VA) es
cualquier regla que relaciona un nmero 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.
Distribucin de probabilidad o funcin de masa de probabilidad: Establece en una tabla,
frmula o grfica 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)
1/4
1/2
1/4
Su frmula es la siguiente:
3
P( y ) P(Y y ) (.5)3 y (.5) y
y
Pgina 18 de 37
Funcin de distribucin acumulativa para Y=#de caras
Valor esperado:
0.9
F(x)
Funcin de distribucin acumulativa:
0.7
0.5
FX ( x) P( X x)
0.3
-0.2
0.3
0.8
1y
1.3
1.8
Con propiedades:
0 F ( x) 1
Limx F ( x) 1
Limx F ( x) 0
Valor esperado de una distribucin 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
La media es el centro de la masa del rango de los valores de X.

Varianza de una distribucin de probabilidad discreta
Sea Y una variable aleatoria discreta con distribucin 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
DISTRIBUCIN UNIFORME
Pgina 19 de 37
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:
0.15
0.13
0.11
prob
(n 1)
X
2
2
n
1
X2
12
0.09
0.07
0.05
0
1e+001
DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en relacin con la
poblacin (n > 0.1N). El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x xitos en una muestra de n elementos tomados
de una poblacin de tamao N que contiene D xitos. La funcin de densidad de distribucin
hipergeomtrica:
P ( x)
C xD CnNxD
CnN
Cxn
n!
x!(n x)!
Con
La media y la varianza de la distribucin hipergeomtrica son:
Pgina 20 de 37
nD D N n
2 1
N N N 1
nD
N
Ejemplo: De un grupo de 20 productos, 10 se seleccionan al azar para prueba. Cul 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 = Tamao de Poblacin, n = Tamao de muestra, D= xitos en la poblacin; x = xitos en la
muestra.
En Fx Estadsticas 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 ms
defectuosos se rechaza el lote de 10.
a) Si el lote tiene un defectuoso, Cul es la probabilidad de que se acepte el lote?
b) Cul es la probabilidad de aceptar el lote si contiene 3 defectuosos.
Pgina 21 de 37
DISTRIBUCIN BINOMAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli independientes. Suponga que la variable X de
inters es el numero de xitos. X toma valores 0,1,2,...,n
La distribucin binomial se utiliza para modelar datos discretos y se aplica para poblaciones
grandes (N>50) y muestras pequeas (n<0.1N). El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es mayor o igual a 0.1.
La binomial es una aproximacin de la hipergeomtrica
La distribucin normal se paroxima a la binomial cuando np > 5
La variable aleatoria x tiene una distribucin 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 ms 10% de servicios en garanta. Para comprobarlo se

compran 20 de estos equipos y se someten a pruebas aceleradas de uso para simular el uso
durante el periodo de garanta. Obtener la probabilidad para P(x<=4).
Rechazar la afirmacin 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.
Pgina 22 de 37
USO DE EXCEL:
x = xitos en la muestra, p = probabilidad de xito, n = tamao de muestra.
=distr.binom(x, n, p, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:
Calc > Probability distributions > Binomial
n = number of trials, p = probability of success y en Input constant introducir x.
Pgina 23 de 37
EJERCICIOS:
1. Un panel solar tiene una vida til de 5 aos con una probabilidad de 0.95. Se toman 20
pneles solares y se registr la vida til.
a) Cul es la probabilidad de que exactamente 18 tengan su vida til de 5 aos?
b) Cul es la probabilidad de que cuando mucho 10 tengan esa vida til?
c) Si solo 10 paneles tienen una vida til de 5 aos, que debera pensarse sobre el valor
verdadero de P?
2. 20% de los telfonos se reparan cuando todava est vigente la garanta. De estos el 60% se
reparan mientras que el 40% se reemplazan. Si una empresa compra 10 de estos telfonos,
Cul es la probabilidad de que exactamente sean reemplazados 2 en periodo de garanta?.
3. Suponga que solo 25% de los automovilistas se detienen por completo en un alto con luz roja
intermitente cuando no est visible otro automvil. Cul 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) Cuntos de los siguientes 20 automovilistas se espera que se detengan por completo?
4. De todas las plantas slo el 5% descargan residuos por sobre la norma. Si se muestrean 20
plantas Cul es la probabilidad de que estn fuera de la ley:
a) Menos que una planta?
b) Menos de dos plantas
c) Exactamente 3
d) Ms de una
Pgina 24 de 37
DISTRIBUCIN BINOMIAL NEGATIVA

Se basa en los mismos principios de la distribucin binomial.
1. El experimento consiste de una secuencia de ensayos independientes.
2. Cada ensayo produce un xito o un fracaso.
3. La probabilidad de xito es constante de un ensayo a otro, P(xito en el ensayo i) = p
4. El experimento continua hasta completar r ensayos.
La variable de inters es X = nmero de fracasos que preceden al r-simo xito. X se llama
variable aleatoria binomial negativa, ya que en contraste con la distribucin binomial, el
nmero de xitos es fijo y el nmero de ensayos aleatorio.
Su funcin de distribucin 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. Cul es la probabilidad de que se les deba
preguntar a 15 personas antes de encontrar a 5 que estn de acuerdo en participar?. Es decir si
S=(de acuerdo en participar),
Cul es la probabilidad de que ocurran X=10 fracasos antes del r=quinto xito?.
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:

Pgina 25 de 37
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 nmero de intentos hasta que el r-simo xito es observado.
y 1 r y r
p q
p ( y )
y r
r
p
rq
2 2
p
P = probabilidad de xito en un solo intento
Q = 1-p
Y = Nmero de intentos hasta que se obtienen los r xitos
P(15) = combinat(14, 10) 0.2^5*0.8^10 = 0.0343941
Ejemplo: Un fabricante utiliza fusibles en un sistema elctrico 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) Cul es la probabilidad de que el primer fusible defectuoso sea uno de los primeros 5
probados?
Pgina 26 de 37
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 desviacin estndar para y el nmero 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
Pgina 27 de 37
DISTRIBUCIN DE POISSON
La distribucin de Poisson se utiliza para modelar datos discretos como aproximacin a la
Binomial dada la dificultad que exista de encontrar tablas Binomiales adecuadas cuando n es
grande y p pequea. La distribucin 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 tamao de muestra es grande (n
> 16) por tanto np > 1.6.
Una Variable aleatoria X tiene distribucin Poisson si toma probabilidades con.
f ( x)
e x
x!
x 0,1,...
Con media y varianza:

np
np
Ejemplo 1. Suponga que una compaa de seguros asegura las vidas de 5000 hombres de 42
aos de edad. Si los estudios actuariales muestran que la probabilidad de que un hombre muera
en cierto ao es 0.001, entonces la probabilidad de que la empresa pague exactamente 4
indeminizaciones y= 4 en un cierto ao es:
P( y 4) p(4)
5000!
(0.001)4 (0.999)4996
4!*4996!
El valor de esta expresin no aparece en tablas y su clculo era difcil, no as con Excel.
Pgina 28 de 37
Aproximando con la distribucin 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 mquinas, si la probabilidad de que falla una en cierto da es
0.05. Encuentre la probabilidad de que durante un da determinado fallen dos mquinas.
np = 20 *0.05 = 1.0
P( y 2)
12 e1
0.184
2!
Si se calcula con la distribucin Binomial se tiene:
P( y 2) p(2)
20!
(0.05)2 (0.95)18 0.188
2!*18!
La aproximacin es mejor conforme se aproxima a np = 5.

La distribucin de Poisson adems de ser til como aproximacin de las probabilidades
Binomiales, constituye un buen modelo para experimentos donde Y representa el nmero de
veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio. Por ejemplo:
Nmero de llamadas recibidas en un conmutador durante un da, conociendo el promedio por
da.
Nmero de reclamaciones contra una empresa de seguros por semana, conociendo el prom.
Sem.
Nmero de llegadas a una estacin de servicio durante un minuto dado, conociendo el
prom./min.
Nmero de ventas hechas por un agente de ventas en un da, conociendo el promedio por da.
Slo se requiere que los eventos sean independientes.
Pgina 29 de 37
USO DE EXCEL:
x = xitos en la muestra, np = media.
=Poisson(x, np, 0 o 1 dependiendo si es puntual o acumulada)
USO DE MINITAB:
Calc > Probability distributions > Poisson
n*p = mean y en Input constant introducir x.
Pgina 30 de 37
EJERCICIOS:
1. El 20% de los choferes son mujeres, si se seleccionan 20 al azar para una encuesta:
Usando la distribucin binomial y la distribucin de Poisson
a) Cul es la probabilidad de que dos choferes sean mujeres ?
b) Cul 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 estn 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 ms partes sean defectuosas excede al 50%, no se hace la compra.
Qu sucede en este caso?.
4. En una universidad las llamadas entran cada 2 minutos
a) Cul es la cantidad esperada de llamadas en una hora?
b) Cul es la probabilidad de 3 llamadas en los sig. 5 minutos?
c) Cul es la probabilidad de no llamadas en los sig. 5 minutos?
d) cul 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,
Cul 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,
Cul es la prob. De que 3 tengan la tecnologa MMX?.
7. De un grupo de 20 productos, se toman 10 al azar,
Cul es la probabilidad de contengan las 5 mejores unidades?
8. De 9 empleados diurnos slo 6 estn calificados para hacer su trabajo, si se seleccionan
aleatoriamente 5 de los 9 empleados, Cul es la probabilidad de que:
a) Los 5 estn calificados
b) 4 esten calificados
c) Por lo menos 3 estn calificados
Pgina 31 de 37
6. DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Se diferencian de las distribuciones de probabilidad discretas en que su funcin de distribcun
acumulativa (F(yo)) para una variable aleatoria y es igual a la probabilidad F(yo) = P(y<=y0).
Si F(y) es la funcin de distribucin acumulada para una variable aleatoria continua entonces su
funcin 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 ms infinito de f(y) d(y) = F( ) = 1
f(y)
F(yo)
yo
Funcin de distribucin acumulativa

Entre las distribuciones continuas ms comunes se encuentran la distribucin normal y la
distribucin exponencial.
Pgina 32 de 37
DISTRIBUCIN EXPONENCIAL
Se usa para modelar artculos con una tasa de falla constante y est relacionada con la
distribucin de Poisson. Si una variable aleatoria x se distribuye exponencialmente, entonces el
recproco de x,
y = 1/x sigue una distribucin de Poisson y viceversa.
La funcin de densidad de probabilidad exponencial es: Para x >= 0
f ( x)
e x
Donde Lambda es la tasa de falla y theta es la media.

La funcin de densidad de la distribucin exponencial
El modelo exponencial, con un solo parmetro, es el ms simple de todos los modelos de

distribucin del tiempo de vida. Las ecuaciones clave para la exponencial se muestran:
Pgina 33 de 37
CDF : F (t ) 1 e
CONFIABILIDAD : R(t ) e
PDF : f (t ) e t
MEDIANA :
Funcin de Densidad de Probabilidad Exponencial

0.0035
0.0020
= 0.003, MEDIA = 333
0.0030
0.0025
ln 2
VARIANZA :
f(t)
MEDIA : m
= 0.002, MEDIA = 500

= 0.001, MEDIA = 1,000
0.0015
0.693
0.0010
0.0005
0.0000
0
500
1,000
Tiempo
1,500
2,000
TASA DE FALLA : h (t )
Si el nmero de ocurrencias tiene Distribucin de Poisson, el lapso entre ocurrencias tiene

distribucin exponencial. Su funcin de distribucin acumulada es la siguiente:
P( X x) 1 e t
Cuando X = 0 la distribucin de Poisson se convierte en el segundo trmino de la distribucin
exponencial.
Probabilidad de que el tiempo entre la ocurrencia de dos eventos cualquiera sea <= t
F(x)
t
Aqu se desea saber de que no transcurra ms 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:
Pgina 34 de 37
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.
=distr.exp(x, lamda,1) = distr.exp(10,0.2,1) = 0.865
USO DE MINITAB:
Calc > Probability distributions > Exponential
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 Distribucin Exponencial es usada como el modelo, para la parte de vida til de la curva de la
baera, i.e., la tasa de falla es constante. Los sistemas complejos con muchos componentes y
mltiples modos de falla tendrn tiempos de falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la distribucin ms conservadora para prediccin.
Pgina 35 de 37
Las fallas ocurren en los sistemas con una distribucin denominada Curva de la Baera:
Fallas diseo
tasa.de. falla. cons tan te
Fallas infantiles
Fallas aleatorias
Senectud
Fallas por desgaste
La zona de tasa de fallas constantes, es modelada con La Distribucin 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 operacin:
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 contine en operacin hasta las 15 semanas es:
R(15) e0.1*15 0.223
y la probabilidad de que falle dentro de las 15 semanas es:

P(15) 1 e0.1*15 0.777
Pgina 36 de 37
EJERCICIOS:
1. Sea X el tiempo entre dos solicitudes de servicio sucesivas a un departamento, si X tiene una
distribucin exponencial con media = 10, calcular:
a) El tiempo esperado entre dos solicitudes sucesivas.
b) La desviacin estndar 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, cul 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 electrnicos ofrece un ao de garanta. Si el equipo falla en ese
periodo por cualquier razn se reemplaza. El tiempo hasta una falla est modelado por la
distribucin exponencial:
f(x) = 0.125 exp(-0.125*x)
a) Qu porcentaje de los equipos fallarn dentro del periodo de garanta?
b) El costo de fabricacin del equipo es de $500 y la ganancia es de $250 Cul es el efecto de
la garanta 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 elctrico tiene una vida promedio de 10 das.
a) Cul es la probabilidad de que falle dentro de los siguientes 14 das?
b) Cul es la probabilidad de que opere por ms de 20 das?
Pgina 37 de 37

Probabilidad Distr Prob

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilidad Distr Prob

Enviado por

Direitos autorais:

Formatos disponíveis

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

Elabor: Hctor Hernndez Primitivo Reyes Aguilar

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

Probabilidad: es la posibilidad numrica de ocurra un evento. Se mide con valores

Espacio muestral: es el conjunto de todos los resultados posibles de un experimento.

Evento: es cualquier coleccin de resultados contenidos en el espacio muestral. Es

Definicin Clsica de Probabilidad. Modelo de frecuencia relativa

Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:

Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

La probabilidad de un evento est comprendida siempre entre 0 y 1. La suma de las

Un espacio muestral (S): Es el conjunto Universal; conjunto de todos los n elementos

Si A y B son eventos en un espacio muestral (S), la unin de A y B A B contiene todos los

Si A y B son eventos en un espacio muestral S, la interseccin de A y B A B est

Ejemplo 4: En el evento A (da nublado), P(A) = .3, la probabilidad de tener un da despejado

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

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 da nublado? Nota: no puede llover si no hay nubes

Ejemplo 6. Las razones de queja en productos se muestran a continuacin:

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

P(C|D) = P(C y D) / P(D) = 0.22 / 0.35 = 0.628

Eventos mutuamente excluyentes.

Ejemplo 7. Al lanzar un dado: a) cual es la probabilidad de que salga 2 o 3? B) Calcule

b) P A B = 0, ya que al ser conjuntos mutuamente excluyentes la interseccin no existe, es

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

Cuando dos eventos no son mutuamente excluyentes:

Cuando los eventos son mutuamente excluyentes:

Si los eventos A y B son dependientes:

Si los eventos A y B son independientes:

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

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.

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

b) Todas las plantas se terminan en la fecha del contrato

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

Evidentemente, si empez a pie podr tomar avin, carro o trasatlntico; y si empez en

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

Solucin: Primer evento (camisas) a1 = 3

En la mayora de los casos resulta muy complicado hacer las permutaciones

(50 49 48) 117 ,600

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

COMBINACIONES: Es el nmero de subconjuntos de r elementos que se puede formar de un

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD

P. Reyes / Sept. 2007

Utilizando el teorema de Bayes: