Lic.

Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3. DISTRIBUCIONES DISCRETAS 3.1 Introduccin.

En esta unidad se realiza el estudio de ciertas distribuciones de probabilidad, con miras a obtener la posibilidad de que ocurra un valor de la variable aleatoria X en un experimento, para considerarlos como valores probables que ocurra en el futuro. Adems se presenta de manera sencilla como se obtiene la esperanza matemtica, la varianza y la desviacin estndar de una variable aleatoria discreta. El objetivo general de esta unidad es mostrar como realizar inferencia de lo particular hacia lo general. Apoyndose siempre en una muestra aleatoria representativa de una poblacin. Dentro de los objetivos particulares se contemplan: El participante sabr distinguir los trminos de: variable aleatoria, funcin de probabilidad, funcin de distribucin de probabilidad y funcin de distribucin acumulativa de probabilidad. El participante sabr estimar la media, la varianza y la distribucin estndar de este tipo de distribuciones. El participante sabr describir las caractersticas ms relevantes de tres distribuciones discretas. El participante sabr calcular las probabilidades para las distribuciones de probabilidad binomial, hipergeomtrica y Poisson mediante la funcin de probabilidad y la funcin de distribucin acumulativa de probabilidad.

3.2 Variables aleatorias

3.2.1 Introduccin En este tema se pretende que el participante conozca las caractersticas de las variables discretas y continuas, as como obtener la probabilidad de un evento haciendo uso de la funcin de distribucin acumulativa de probabilidad de una variable aleatoria. Los subtemas a tratar son: variables discretas y continuas, funcin de probabilidad, funcin de distribucin de probabilidad, funcin de distribucin acumulativa de probabilidad, as como la obtencin de la media y la varianza de una variable aleatoria, Al final del tema el participante estar capacitado para obtener una funcin de probabilidad, funcin de distribucin de probabilidad y funcin de distribucin acumulativa, as mismo podr obtener la probabilidad de una variable aleatoria con el apoyo de la funcin de distribucin acumulativa. 1

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3.2.2 Variables discretas y continuas. Una variable es una caracterstica de la poblacin a la que se le puede asignar, durante el curso de un proceso de anlisis, un nmero ilimitado de valores. Las variables se dividen en discretas y continuas, las variables discretas son las que pueden tomar un nmero finito o infinito de valores. Por ejemplo se desea estimar el nmero de nios por familia en un municipio, la escala de medida empezar en cero para indicar la ausencia de nios, y se ir incrementando de uno en uno hasta llegar a 5 o quiz 10 para incluir casos extremos. Observe que al pasar de un valor de la escala al siguiente, utilizamos nmeros enteros y no fraccionarios, as la familia puede tener 0, 1, 2,....., X nios. La caracterstica bsica de las variables discretas es la igualdad entre sus unidades contables. En este sentido si estamos estudiando el nmero de nios por familia, todos los nios son iguales pues cada uno representa una unidad contable. Las observaciones obtenidas a travs de variables discretas son siempre exactas si se ha empleado el procedimiento de cmputo adecuado. Como ejemplos de variables discretas tenemos: El nmero de personas en una conferencia. El total de nacimientos en una ciudad. El nmero de empleados en una fbrica. El total de glbulos blancos en un cm2. La cantidad de tornillos producidos por una mquina. El nmero de defectos que presenta cierto artculo, etc.

Las variables continuas son aquellas que pueden tomar un nmero ilimitado de valores intermedios dependiendo del instrumento de medicin. Es importante sealar que as como la medida de las variables discretas es siempre exacta, las medidas de las variables continuas son siempre aproximadas. Por ejemplo si medimos la estatura de algn individuo, cualquier medida observada es inexacta, porque siempre podemos imaginar una escala de medida ms exacta que la anterior. As si a una persona la medimos y nos da una altura de 1.72 m. con una regla que est calculada para proporcionar lecturas con un error de 1 cm., podemos tener menor error con una regla cuya escala de error sea de 0.5 cm., y aun as, no sera suficiente porque siempre podremos construir o imaginar otras escalas con mayor precisin. La caracterstica bsica de las variables continuas es la igualdad de sus unidades de medida. Por ejemplo si empleamos el centmetro como unidad de medida, sta unidad permanecer idntica a travs de toda la escala.

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Como variables continuas tenemos la longitud, velocidad, tiempo, peso, temperatura, etc. A manera de ejemplo citaremos: La lectura de la temperatura en un termmetro. El nmero de libras de presin de un neumtico. La altura de la torre latinoamericana. La superficie sembrada de ctricos en algn lugar. La cantidad de energa elctrica que consume una mquina en una jornada de trabajo, etc.

3.2.3 Variables aleatorias y distribuciones discretas de probabilidad. Se dice que una variable aleatoria X es discreta si el nmero de valores que puede tomar es exacto (ya sea finito o infinito). En la mayora de los experimentos de tipo repetitivo, y sobre todo en los de la vida real no interesan todos los posibles resultados del experimento, sino solamente algunos de ellos, esto implica la introduccin de variables aleatorias. Por lo general se escoge a la letra X para denotar una variable aleatoria. Para ilustrar la nocin de una variable aleatoria, considrese el experimento de lanzar tres veces al aire una moneda, donde el inters se centra en el total de guilas que se obtienen; o sea la variable aleatoria X queda definida por el nmero de guilas que aparezcan. Por lo tanto cada punto del espacio muestral poseer un valor de X, ejemplo. AAA AAS ASA SAA ASS SAS SSA SSS 3 2 2 2 1 1 1 0 Observe que la variable aleatoria X solo puede tomar los valores 0, 1, 2, y 3 pero no ms valores. 3.2.4 Funcin de probabilidad de la variable aleatoria X. Se llamar P(x) P(X=x), funcin de probabilidad de la variable aleatoria X, si proporciona la probabilidad para cada valor que toma la variable aleatoria X, y cumple con las siguientes propiedades: 1. 0 P(x) 1 para todos los valores x de X. 2. P(x) = 1 Por lo tanto la funcin de probabilidad de los eventos compuestos que nos ocupan son:

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P (0) P (1) P (2) P (3)

P(X=0) = 1/8 P(X=1) = 3/8 P(X=2) = 3/8 y P(X=3) = 1/8

Ahora estos eventos compuestos ya pueden tratarse como eventos simples en el nuevo espacio de muestreo, con solo cuatro puntos. Puede comprobarse que las propiedades 1 y 2 de la funcin de probabilidad de nuestra variable aleatoria se cumplen. 3.2.5 Funcin de distribucin de probabilidad de la variable aleatoria X. Con estos nuevos eventos compuestos podemos obtener la distribucin de probabilidad de la variable aleatoria X, la cual relaciona los valores que toma la variable aleatoria discreta X con sus probabilidades correspondientes, y puede presentarse por medio de: tablas, grficas o frmulas. TABLA Xi P(x i) 0 1/8 1 3/8 2 3/8 3 1/8

GRFICA

P r o b a b i l i d a d

Histograma

Grfica de lneas

3/8 2/8 1/8

3/8 2/8 1/8

El val

FRMULA
Y = 0.125 + 0.375 x 0.125 x 2

El valor de x = 0 en las grficas debera de coincidir con el cruce de los ejes de coordenadas, para mayor claridad en las grficas se sita a la derecha del mismo. 4

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3.2.6 Funcin de distribucin acumulativa de la variable aleatoria X. La funcin de distribucin acumulativa, proporciona la probabilidad de que la variable aleatoria X tome un valor menor o igual a un valor especfico de x, y est dada por:

F (x)

P(X x) =

x i x

P( x )
i

Del histograma anterior puede obtenerse la funcin de distribucin acumulativa de X de la siguiente forma: F (0) F (1) F (2) F (3) Observe qu: P (X > 2) = 1 P (X 2) = 1 F (2) = 1/8 P (X = 1) = P (X 1) P (X 0) = F (1) F (0) = 3/8 P (1 X 2) = P (X 2) P (X 0) = F (2) F (0) = 6/8 P (X < 2) = P (X 1) = F (1) = 4/8 3.2.7 Esperanza de la variable aleatoria X. En una poblacin, la media aritmtica es una medida de tendencia central que se ubica por lo general en el centro de los datos. De igual forma para describir las caractersticas de una distribucin de probabilidad, es necesario conocer alguna de sus medidas de tendencia central, siendo la ms importante la media de la variable aleatoria X, la cual se simboliza por la letra griega y se denomina como valor esperado E(X) y se define como:
E ( X ) = = ( X i P ( X i ))

P(X 0) = 1/8 P(X 1) = 4/8 P(X 2) = 7/8 P(X 3) = 1

Donde: E (x) = valor esperado de X. = media de X. P (xi) = probabilidad de Xi = letra griega que simboliza suma. En el ejemplo que nos ocupa la media de la variable aleatoria X es: E (x) = = 0 (1/8) + 1 (3/8) + 2 (3/8) + 3 (1/8) = 1.5 5

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Lo anterior indica que si se lanzan tres monedas al aire una sola vez, es de esperarse que caigan 1.5 guilas. Si verificamos este valor en el histograma de la funcin de distribucin de la variable aleatoria X, podemos comprobar que ciertamente 1.5 se encuentra a la mitad de los datos. 3.2.8 Varianza y desviacin estndar de la variable aleatoria X. En una poblacin, la varianza es una medida de dispersin que nos cuantifica el alejamiento de los datos con respecto a su promedio. De igual manera en una distribucin de probabilidad la varianza de la variable aleatoria X, mide la desviacin que toma la variable X con respecto al valor esperado . Su clculo se hace a partir de:
V ( X ) = 2 = ( X i2 P( X i )) 2

Donde: V(X) =

2 = varianza de X.

La desviacin estndar de la variable aleatoria discreta X, es la raz cuadrada de la varianza de X y se denota por:
= V(X )

Continuando con nuestro ejemplo la varianza de la variable aleatoria nmero de guilas que aparezcan es: Calculemos primero E(X2) o sea:

( X

2 i

P ( X i ) = 02 (1/8) + 12 (3/8) + 22 (3/8) + 32 (1/8) = 3.

Si = 1.5, por lo tanto la varianza ser: V(X) =

= 3 1.52 = 0.75

La dispersin esperada alrededor de la media es de 0.75 = guilas2. La desviacin estndar se define por:
= V ( X ) = 0.75 = 0.866 guilas.

3.3 Distribucin binomial.

6

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3.3.1 Introduccin. Cuando los ensayos que componen un experimento son independientes, o sea que el resultado de un ensayo no afecta al resultado que se obtiene en cualquier otro ensayo, adems cuando la probabilidad de xito en cada ensayo es independiente y donde el experimento tenga solo dos resultados posibles, podemos decir que se trata de la distribucin binomial. La distribucin binomial es una de las funciones discretas de probabilidad ms empleadas, ya que la podemos aplicar en control de calidad, ventas, mercadotecnia, encuestas de opinin etc. Imagnese un experimento en el que el resultado es la ocurrencia o la no ocurrencia de un evento, donde la ocurrencia del evento ser el xito y la no ocurrencia el fracaso. El objetivo general a lograr en esta unidad, es obtener la probabilidad de un evento el cual servir como herramienta matemtica en la toma de decisiones en un problema en particular. Dentro de los objetivos particulares se encuentran: El participante conocer las principales caractersticas de la distribucin binomial. El participante sabr manejar las tablas de distribucin acumulativa binomial. El participante obtendr la probabilidad de un evento empleando la funcin de probabilidad de la distribucin binomial, as como la funcin de distribucin acumulativa. El participante sabr obtener la media y la varianza de esta distribucin. Dentro de esta unidad se contemplan los temas de: caractersticas de la distribucin binomial, manejo de la tabla de distribucin acumulativa de esta distribucin, resolucin de ejercicios empleando la funcin de probabilidad binomial y problemas propuestos. 3.3.2 Funcin de probabilidad de la distribucin binomial. Llamemos p la probabilidad de xito cada vez que el experimento se lleva a cabo y q = 1 p la probabilidad de fracaso, el trmino xito o fracaso son meras etiquetas, bien podramos decir sirve o no sirve. Suponga que el experimento se realiza n veces, y cada uno de estos es independiente de todos los dems, y sea X la variable aleatoria que representa el nmero de xitos en los n ensayos. El inters est en determinar la probabilidad de obtener exactamente X = x xitos durante los n ensayos. Las suposiciones claves para la distribucin binomial son: 1. Cada ensayo tiene nicamente dos resultados posibles xito y fracaso. 7

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

2. La probabilidad de xito p permanece constante para cada ensayo. 3. Los n ensayos son independientes entre s. La probabilidad de xito debe permanecer constante para cada ensayo sucesivo; por ejemplo la probabilidad de obtener una respuesta correcta en una pregunta de falso o verdadero en un examen es de 0.50. Si se contesta otra pregunta con las mismas caractersticas, esta probabilidad permanece constante. En este caso debe emplearse la distribucin binomial. Ejemplo. Sea un proceso de manufactura que produce un determinado artculo, en el que algunas unidades se encuentran defectuosas. Si la produccin de unidades defectuosas producidas por este proceso es constante durante un periodo razonable y, si como procedimiento de rutina se selecciona aleatoriamente un determinado nmero de unidades, entonces las proposiciones de probabilidad con respecto al nmero de artculos defectuosos, pueden hacerse mediante el empleo de la distribucin binomial. Definicin. Sea X una variable aleatoria que representa el nmero de xitos en n ensayos y p la probabilidad de xitos en cualquiera de estos. Se sabe entonces que X tiene una distribucin binomial con funcin de probabilidad:
P ( x , n, p ) = n! p x q nx x!( n x )!

Donde: x = 0,1,..., n y 0 p 1 para n entero. 3.3.3 Caractersticas de la distribucin binomial. En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, ejemplo: defectuoso, o no defectuoso; pasa, no pasa; con calidad, sin calidad; etc. Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. Cada uno de los ensayos o repeticiones del experimento son independientes entre si. El nmero de ensayos o repeticiones del experimento (n) es constante. La media de la variable aleatoria X se define por = n p. La varianza y desviacin estndar de la distribucin binomial se simbolizan respectivamente por: 2 = n p q y = npq Los parmetros que definen la funcin de distribucin de probabilidad de la distribucin binomial son n y p. Estos definen una familia de distribuciones binomiales, en donde cada miembro tiene una funcin de probabilidad determinada. 8

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Con el fin de mostrar la influencia de los paramentos n y p en la funcin de distribucin binomial (forma de la curva), veamos las siguientes figuras:

n=5 0.6 0.4 0.2 0

F(x)

p=0.2

0.32 0

0.41

0.20 0.05 0.006 4 0.0003 5 2 x 3

n=5 0.6 0.4 0.2 0

p=0.8 0.41 0.20 0.33

F(x)

0.0003 0

0.007 1

0.05 2 x 3 4 5

0.4 0.3 0.2 0.1 0

n=5 p=0.5 0.31 0.31 0.16 0.03 0 1 2 x 3 4 0.16 0.03 5

De stas grficas podemos deducir que: a) Cuando n es pequea y se cree que p es cercana a 0 1 los datos no se distribuyen normalmente. b) Cuando n es pequea y p es cercana a 0.5, la distribucin tiende a parecerse a una normal. c) Cuando n es grande los datos tienden a parecerse a una normal. Para familiarizase con el clculo de probabilidad mediante la distribucin binomial, obtenga las probabilidades para cuando: x = 0,1, 2, 3,, 6; si n = 6 y p = 0.2 9

F(x)

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P (0;6,0.2) =

6! 0.2 0.86 0 = 0.2621 0!(6 0)!

0

P (1;6,0.2) =

6! 0.210.8 6 1 = 0.3932 1 (6 1)! ! 6! 0.2 2 0.8 6 2 = 0.24576 2!(6 2)! 6! 0.2 3 0.8 6 3 = 0.08192 3!(6 3)! 6! 0.2 4 0.8 6 4 = 0.01563 4!(6 4)! 6! 0.2 5 0.86 5 = 0.001536 5!(6 5)! 6! 0.2 6 0.86 6 = 0.000064 6!(6 6)!

P ( 2;6,0.2) =

P (3;6,0.2) =

P (4;6,0.2) =

P (5;6,0.2) =

P (6;6,0.2) =

La funcin de distribucin de probabilidad de los datos anteriores se define por:

.4 f(x) .3 .2 .1
0.26 666 6

0.39

0.24

0.08 0.01 0.001

3.3.4 Manejo de la tabla de distribucin acumulativa binomial. El clculo de probabilidad de un valor especfico se define por: P (x; n, p) = F (x; n, p) F (x-1; n, p)

10

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Ejemplo. Encuentre la probabilidad de que x sea exactamente 5 cuando n = 10 y p = 0.3 P (5; 10, 0.3) = F (5; 10, 0.3) F (4; 10, 0.3) = 0.9527 0.8497 = 0.1030 Ejemplo. Encuentre la probabilidad cuando x = 4 con n = 6 y p = 0.10 P (4; 6, 0.10) = F (4; 6, 0.10) F (3; 6, 0.10) = 0.9999 0.9987 = 0.0012 El clculo de la probabilidad acumulativa hasta un cierto valor queda definido de la siguiente manera: P (X x; n, p) = F (x; n, p) Ejemplo. Encuentre la probabilidad de que x 4 con n = 10 y p = 0.3 P (x 4; 10, 0.3) = F (4; 10, 0.3) = 0.8497 Ejemplo. Encuentre la probabilidad de que x < 5 con n = 6 y p = 0.2 P (x < 5) = P (x 4) = F (4; 6, 0.2) = 0.9984 La probabilidad mayor a un valor especfico est dada por: P (X > x) = 1 - F (x; n, p) Ejemplo. Encuentre la probabilidad de que x > 2 con n = 10 y p = 0.3 P(x > 2) = P(x 3) = 1- F (2; 10, 0.3) = 1 - 0.3828 = 0.6172 Ejemplo. Encuentre la probabilidad de que x 3 con n = 8 y p = 0.3 P(x 3) = 1 P (x 2) = 1 F (2; 8, 0.3) = 1 0.5518 = 0.4482 La probabilidad para un valor mayor que xi y menor que xj se obtiene por: P (xi < x < xj) = P (xj 1) P (xi) 11

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

= F (xj 1; n, p) F (xi; n, p) Ejemplo. Encuentre la probabilidad de que 4 < x < 8, con n =10 y p = 0.20 P (4 < x < 8) = P (x 7) P (x 4) = F (7; 10, 0.20) F (4; 10, 0.20) = 0.9999 0.9672 = 0.0327 Ejemplo. Encuentre la probabilidad de que x 4 y x 6, con n =10 y p = 0.20 P (4 x 6) = P (x 6) P (x 3) = F (6; 10, 0.20) F (3; 10, 0.20) = 0.9991 0.8791 = 0.12 3.3.5 Ejemplos de aplicaciones de la distribucin binomial. Ejemplo 1. En base en experiencia reciente, se sabe que el 5% de los engranes producidos por una mquina cartell-bill resultaron defectuosos. Si entran seis engranes seleccionados al azar: a) Cul es la probabilidad de tener exactamente dos engranes defectuosos? En este caso la caracterstica de inters son unidades defectuosas, por lo que p debe darse en porcentaje de defectos. Datos: p = 0.05 q = 1 0.05 = 0.95 n=6 P (x = 2) Empleando la funcin de probabilidad de la distribucin binomial ser:
P (2;6,0.05 ) = 6! 0.05 2 0.95 62 = 0.0305 2! (6 2)!

Utilizando ahora la funcin de distribucin acumulativa binomial (tablas), la probabilidad correspondiente es: P (x = 2) = P (x 2) P(x 1) = F (2; 6, 0.05) F (1; 6, 0.05) = 0.9978 0.9672 = 0.0306 b) Cul es la probabilidad de tener exactamente cuatro engranes sanos?

12

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Aqu la caracterstica de inters son unidades sanas, por lo que p debe darse en porcentaje de unidades sanas (0.95). P (x = 4)
P ( 4;6,0.95 ) = 6! 0.95 4 0.05 64 = 0.0305 4!(6 4)!

Ejemplo 2. Suponga que el equipo de fut-bol Veracruz, gana cuatro de cinco partidos cuando juegan como local. Si juega 10 partidos como local durante el campeonato de liga. Cul es la probabilidad que gane: a) Exactamente seis partidos. Datos: p = 4 / 5 = 0.8 q = 1 0.8 = 0.2 n = 10 P (x = 6)
P (6;10 ,0.08 ) = 10 ! 0.8 6 0.210 6 = 0.0881 6!(10 6)!

b) Por lo menos la mitad de sus partidos. P (x 5) = 1 P (x 4) = 1 F (4; 10, 0.8) = 1 - 0.0064 = 0.9936 c) De 5 a 8 partidos. Resolviendo con la funcin de probabilidad de la distribucin binomial. P (5 x 8) = P (x = 5) + P (x = 6) + P (x = 7) + P (x = 8) P (5 x 8) = 0.0264 + 0.0881 + 0.2013 + 0.3020 = 0.6178 Resolviendo con la funcin de distribucin acumulativa binomial (tablas). P (5 x 8) = P (x 8) P (x 4) = F (8; 10, 0.8) F (4; 10, 0.8) = 0.6242 0.0064 = 0.6178 d) Cul es su promedio esperado de partidos a ganar? E(x) = = n p = 10 (0.8) = 8 13

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

e) Cul es su varianza y desviacin estndar? Varianza. 2 = n p q = 10 (0.2) (0.8) = 1.6 juegos2. Desviacin estndar. =
n. p.q = 1 (0.2 )0.8 =1.2 0 0 0 6

juegos.

Ejemplo 3. Un fabricante de ciertas piezas para automviles, garantiza que una caja de sus piezas contiene como mximo dos defectuosas. Si la caja tiene 20 piezas y la experiencia ha demostrado que su proceso de manufactura produce el 2% de piezas defectuosas. Cul es la probabilidad de que una caja de piezas satisfaga la garanta? Una caja satisface la garanta cuando tenga 0, 1 2 piezas defectuosas, por lo tanto la probabilidad requerida es P (x 2). Datos: p = 0.02 q = 0.98 n = 20 P (x 2) = P(x = 0) + P(x = 1) + P(x = 2)
P (0;20 ,0.02 ) = 20 ! 0.02 0 0.98 20 0 = 0.6676 0!( 20 0)! 20 ! 0.02 10.98 20 1 = 0.273 1!( 20 1)! 20 ! 0.02 2 0.98 20 2 = 0.053 2!( 20 2)!

P (1;20 ,0.02 ) =

P (2;20 ,0.02 ) =

P (x 2) = 0.6676 + 0.273 + 0.053 = 0.9936 Este resultado muestra que la garanta del fabricante casi siempre se satisfar. Ejemplo 4. Todos los das se seleccionan de manera aleatoria 15 unidades de un proceso de manufactura, con el propsito de verificar el porcentaje de unidades defectuosas en la produccin, con base a informacin pasada, la probabilidad de tener una unidad defectuosa es 0.05. La gerencia ha decidido detener la produccin cada vez que una muestra de 15 unidades tenga dos o ms unidades defectuosas. a) Cul es la probabilidad de que, en cualquier da, la produccin se detenga? Datos: p = 0.05 q = 0.95 n = 15 14

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P(x 2)

P(x 2) = 1 P (x 1) = 1 - F (1; 15, 0.05) = 1 - 0.829 = 0.171

b) Cul es la probabilidad de obtener 5 unidades defectuosas? P(x = 5)

P (5;15 ,0.05 ) = 15 ! 0.05 5 0.95 10 = 0.00056 5!(15 5)!

c) Cul es la probabilidad de obtener de 3 a 6 unidades defectuosas? P (3 x 6) = P(x 6) P(x 2) = F (6; 15, 0.05) F (2; 15, 0.05) = 1 0.9638 = 0.0362 Ejemplo 5. La probabilidad de que cierto tipo de padres con ojos azul-caf tengan un hijo con ojos azules es de . Si existen seis nios en la familia, encuentre la probabilidad de que: a) Ms de dos hijos tengan ojos azules.

Para resolver este problema los seis nios deben tratarse como seis intentos independientes de un evento o sea n = 6, donde la probabilidad de xito en un solo intento es p = 0.25 y la probabilidad de fracaso es q = 0.75. P (x > 2) = P (x 3) = 1- P (x 2) = 1 - F (2; 6, 0.25) = 1 - 0.8306 = 0.1694 Existe muy poca probabilidad de que ste tipo de familias tengan tantos hijos con ojos azules, solamente el 17% de stas familias tienen ms de 2 hijos con ojos azules. b) Exactamente tres hijos tengan ojos azules. P(x = 3) = P(x 3) P(x 2) = F (3; 6, 0.25) F (2; 6, 0.25) = 0.9624 0.8306 = 0.1318 c) Seis hijos no tengan los ojos azules.

15

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Esta probabilidad significa que cero hijos tengan ojos azules, por lo tanto la probabilidad buscada es:
P (0;6,0.25 ) = 6! 0.25 0 0.75 6 = 0.1780 0! (6 0)!

Otra manera de ver el problema es: Si la probabilidad de que tenga ojos azules es 0.25, entonces la probabilidad de que no tenga ojos azules es 0.75. Si replanteamos la pregunta cul es la probabilidad de que seis no tengan ojos azules? En este caso se tendr que la probabilidad de xito es p = 0.75 y la probabilidad solicitada ser P (x = 6).
P (6;6,0.75 ) = 6! 0.75 6 0.25 0 = 0.1780 6!(6 6)!

3.3.6 Ejercicios propuestos de la distribucin binomial. 1. Rodolfo Benavides, director de control de calidad de la compaa Sanrami se encuentra realizando su revisin mensual de transmisiones automticas. En el procedimiento, se retiran 10 transmisiones de la pila de componentes y se les revisa en busca de defectos de fabricacin. A lo largo del tiempo, solo el 2% de las transmisiones tiene defectos. a) Cul es la probabilidad de que la muestra de Benavides contenga hasta dos transmisiones con defectos de fbrica? R = 0.9991 b) Cul es la probabilidad de que cinco de las transmisiones elegidas tenga defectos de fbrica? R = 0.000,00073 2. Amado Nochebuena est a cargo de la seccin de electrnica en una tienda departamental. Se ha dado cuenta de que la probabilidad de que un cliente que solamente se encuentra curioseando compre algo es de 0.3 suponga que 15 clientes visitan la seccin de electrnica cada hora, encuentre: a) La probabilidad de que una persona que curiosea compre algo durante una hora dada. R = 0.0306 b) La probabilidad de que ninguna de las personas que curiosean compre algo durante una hora dada. R = 0.0047 3. En un proceso de produccin con una productividad de miles de piezas diarias, se tiene que uno de cada 100 piezas son defectuosas. Cada hora se seleccionan 100 piezas de una banda transportadora y se observa si estn buenas o defectuosas, el inspector tiene instrucciones de parar el proceso si la muestra tiene ms de dos piezas defectuosas: a) Cul es la probabilidad de que el inspector pare el proceso? R = 0.0794 b) Cul es el nmero medio de piezas defectuosas que encontrar? R = 1 16

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

4. Un agricultor que siembra fruta afirma que 2/3 de su cosecha de duraznos ha sido contaminada por la mosca del mediterrneo. Encuentre la probabilidad de que al inspeccionar cuatro duraznos: a) Los cuatro estn contaminados por la mosca del mediterrneo. R = 0.1979 b) Ms de dos estn contaminados por la mosca del mediterrneo. R = 0.5932 c) Tres duraznos se encuentren sanos. R = 0.0985 5. Se sabe que los discos producidos por una empresa salen defectuosos con una probabilidad de 0.01. La compaa vende los discos en paquetes de diez y garantiza el reembolso del dinero si ms de uno de diez discos sale defectuoso. a) Cul es la proporcin de paquetes que se devuelven? R = 0.0042 b) Si alguien compra siete paquetes, cul es la probabilidad de que devuelva a lo sumo cuatro paquetes? R = 0.00

3.4 Distribucin hipergeomtrica.

3.4.1 Introduccin. Este tipo de distribucin debe ser empleada cuando: la poblacin a investigar sea relativamente chica, existan k unidades con la caracterstica de inters, el muestreo se realice sin reemplazo y la probabilidad de xito no permanezca constante en cada ensayo. Supongamos que tenemos una muestra de n unidades en un lote de N unidades, en la cual hay k unidades defectuosas. Si extraemos una muestra sin reemplazo, las probabilidades de extraer unidades defectuosas son: En la primera extraccin, la probabilidad de tener una unidad defectuosa es k/N, la probabilidad de extraer una unidad defectuosa en la segunda extraccin ser (k-1) / (N-1) (k / (N-1), segn que la primera unidad sacada sea o no defectuosa y as sucesivamente. El objetivo general en esta unidad es lograr que el participante obtenga la probabilidad de un nmero especificado de xitos o fracasos, con el fin de poder tomar una decisin. Dentro de los objetivos particulares podemos citar: El participante identificar las principales caractersticas de la hipergeomtrica. distribucin

El participante obtendr la probabilidad de un evento empleando la funcin de probabilidad de la distribucin hipergeomtrica. 17

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

El participante obtendr la probabilidad de un evento empleando la funcin de distribucin acumulativa de la distribucin hipergeomtrica. Los temas a desarrollar en esta unidad son: Funcin de probabilidad de la distribucin hipergeomtrica, caractersticas de la distribucin hipergeomtrica, manejo de la tabla de distribucin acumulativa de esta distribucin, resolucin de ejercicios empleando esta funcin de probabilidad y problemas propuestos. 3.4.2 Funcin de probabilidad de distribucin hipergeomtrica. Los criterios para determinar la probabilidad de un nmero especfico de xito o fracaso en la distribucin hipergeomtrica son: 1. Cuando se selecciona una muestra de una poblacin finita sin reposicin. 2. Si el tamao de muestra n es mayor que 5 % del tamao de la poblacin. Ante este nuevo caso de muestreo sin reemplazo se tiene una nueva distribucin de probabilidad, llamada hipergeomtrica, la cual se define como:

( )( ) = C C P ( x; n, k , N ) = ( ) C
k x N k n x N n k x

N k n x N n

Para: x = 0, 1, 2,..., n combinaciones de k en x.

x k

k n - x N k. Donde C x son las

3.4.3 Caractersticas de la distribucin hipergeomtrica. Al realizar un experimento con este tipio de distribucin, se esperan dos tipos de resultados: k resultados de un total de N se clasifican como xitos. N k artculos se clasifican como fracasos. Las probabilidades asociadas a cada uno de los resultados no son constantes. (Todo depende si sale o no sale el artculo con la caracterstica de inters). Cada ensayo o repeticin del experimento no es independiente de los dems. El nmero de repeticiones del experimento n es constante. La media de la distribucin hipergeomtrica se define por E (x) = = n (k / N). La varianza de la distribucin hipergeomtrica se obtiene por: 18

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

k N n k V ( x) = n 1 N N 1 N

Los parmetros que definen esta funcin de distribucin son: n, N y k. 3.4.4 Manejo de la tabla de la distribucin acumulativa hipergeomtrica. La probabilidad para un valor especfico se define por: P(x; n, k, N) = F(x; n, k, N) F(x - 1; n, k, N) Ejemplo. Un lote de 10 artculos contiene tres defectuosos, si se obtiene una muestra aleatoria sin reemplazo encuentre: a) La probabilidad de obtener dos unidades defectuosas en una muestra de cuatro. Datos: N = 10 n=4 k=3 P(x = 2) P (2; 4, 3, 10) = F (2; 4, 3, 10) F (1; 4, 3, 10) = 0.9667 0.6667 = 0.3 b) La probabilidad de que cuatro artculos no estn defectuosos en una muestra de seis. Datos: n=6 P(x = 2) P (2; 6, 3, 10) = F (2; 6, 3, 10) F (1; 6, 3, 10) = 0.8333 0.3333 = 0.5 El clculo de la probabilidad acumulativa hasta cierto nivel queda definido de la siguiente manera: P (X x; n, k, N) = F (x; n, k, N) Ejemplo. Un lote de 10 artculos contiene dos defectuosos, si se toma una muestra aleatoria de 4 de ellos, cul ser la probabilidad de obtener cuando ms un artculo defectuoso? P(x 1) = F (1; 4, 2, 10) 19

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

= 0.8667 La probabilidad mayor a un valor especfico esta dada por: P(X > x) = 1 - F(x; n, k, N) Ejemplo. Se tiene un lote de 10 artculos de los cuales hay tres defectuosos, si se toma una muestra aleatoria de cinco de ellos, cul ser la probabilidad de obtener ms de dos unidades defectuosas? P (x > 2) = P (x 3) = 1 F (2; 5, 3, 10) = 1 - 0.9167 = 0.0833 3.4.5 Ejemplos de aplicacin de la distribucin hipergeomtrica. Ejemplo 1. En una lnea de produccin, la semana pasada se ensamblaron 50 artculos de los cuales 10 tuvieron al menos un defecto. Si se selecciona una muestra al azar de tamao n = 5, cul es la probabilidad de que cuatro funcionen correctamente? Datos: N = 50 n=5 k = 40 P(x = 4)

P(4;5,40 ,50 ) =

40 50 C4 C5 4 40 = 0.4313 50 C5

Lo que significa que es poco probable que cuatro artculos funcionen correctamente. Ejemplo 2. Se tienen 50 representantes de cierto estado a una convencin nacional, de los cuales 30 apoyan al candidato A y 20 al candidato B. Si se selecciona aleatoriamente una muestra de cinco representantes, cul es la probabilidad de que, entre estos cinco, por lo menos dos apoyen al candidato A? Datos: N = 50 n=5 k = 30 P(x 2) P(x 2) = 1- P(x 1) P(x 2) = 1- [P (0; 5, 30, 50) + P (1; 5, 30, 50)]
30 50 C0 C5 0 30 = 0.007317 50 C5

P(0;5,30 ,50 ) =

20

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P (1;5,30 ,50 ) =

50 C130 C51 30 = 0.0686 50 C5

P(x 2) = 1 - (0.007317 + 0.0686) = 0.92408 Ejemplo 3. Un fabricante recibe un lote de 40 motores de los cuales selecciona ocho al azar. Si encuentra que ninguno de los motores presenta serios defectos, acepta el lote, de otra forma lo rechaza. Si el lote contiene dos motores con defectos, cul es la probabilidad de que sea aceptado? Datos: N = 40 n=8 k=2 P (x = 0)

P (0;8,2,40 ) =

2 38 C0 C8 = 0.6359 C840

La probabilidad de aceptar el lote es de 0.64 si contiene dos defectuosos. Si un vendedor sabe que su producto pasar por una seleccin que verifica la calidad, debe poner en marcha en su fbrica un control de calidad intencionado con el propsito de minimizar el nmero de lotes rechazados. Ejemplo 4. En un departamento de inspeccin de envos se reciben en forma peridica lotes de ejes de bombas. Los lotes contienen 100 unidades y el siguiente plan de muestreo de aceptacin se utiliza. Se selecciona una muestra aleatoria de 10 unidades sin reemplazo. El lote se acepta si la muestra no tiene ms de un artculo defectuoso. Suponga que se recibe un lote que tiene cinco defectuosos. Cul es la probabilidad de que sea aceptado? Datos: N = 100 n = 10 k=5 P (x 1)

P(x 1) = P(x = 0) + P(x =1)

P(0;10,5,100 ) =

5 95 C0 C10 = 0.5837 100 C10 95 C15C9 = 0.3394 100 C10

P (1;10 ,5,100 ) =

P(x 1) = 0.5837 + 0.3394 = 0.9231 21

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3.4.6 Ejercicios propuestos de la distribucin hipergeomtrica. 1. Para evitar que lo descubran en la aduana, un viajero ha colocado seis tabletas de narctico en una botella que contiene nueve pldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona tres tabletas de manera aleatoria para analizarlas. a) Cul es la probabilidad de que el viajero sea arrestado por posesin de narcticos? R = 0.8154 b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos? R = 0.1846 2. a) Cul es la probabilidad de que una mesera se rehse a servir bebidas alcohlicas nicamente a dos menores de edad si verifica aleatoriamente solo cinco identificaciones de entre nueve estudiantes, de los cuales cuatro no tienen la edad suficiente? b) Cul es la probabilidad de que como mximo dos de las identificaciones pertenezcan a menores de edad? Ra = 0.4762 y Rb = 0.6428 3. Una compaa manufacturera utiliza un esquema para la aceptacin de los artculos producidos antes de ser embarcados. El plan es de dos etapas. Se preparan cajas de 25 para embarque y se selecciona una muestra de tres para verificar si tienen algn artculo defectuoso. Si se encuentra uno, la caja se regresa para verificarla al 100%. Si no se encuentra ningn artculo defectuoso, la caja se embarca. a) Cul es la probabilidad de que se embarque una caja que tiene tres artculos defectuosos? R = 0.6696 b) Cul es la probabilidad de que una caja que contiene solo un artculo defectuoso se regrese para verificacin? R = 0.12 4. Un lote contiene 100 piezas de un proveedor de tubera local y 200 unidades de un proveedor de tubera del estado vecino. Si se seleccionan cuatro piezas al azar y sin reemplazo. a) Cul es la probabilidad de que todas sean del proveedor local? R = 0.0119 b) Cul es la probabilidad de que dos o ms piezas de la muestra sean del proveedor local? R = 0.408 c) Cul es la probabilidad de que al menos una pieza de la muestra sea del proveedor local? R = 0.8044

3.5 Distribucin Poisson.

3.5.1 Introduccin. La distribucin Poisson es llamada as en homenaje a Simen Denis Poisson probabilista francs del siglo XIX, quien fue el primero en descubrirla. 22

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Es una funcin discreta de probabilidad muy til, en la que la variable aleatoria representa el nmero de eventos independientes que ocurren a una velocidad constante en el tiempo o el espacio. Algunos ejemplos son: el nmero de llamadas por hora que se reciben en una oficina, el nmero de errores cometidos en una hoja por una secretaria, el nmero de bacterias en un cultivo, etc. La distribucin Poisson es el principal modelo de probabilidad empleado para analizar problemas en lneas de espera. Adems ofrece una aproximacin excelente a la funcin de probabilidad binomial cuando p es pequeo y n es grande. El objetivo general en esta unidad, es lograr que el participante obtenga la probabilidad de que ocurra un evento en el tiempo o en el espacio, con el fin de que pueda tomar decisiones en condiciones de incertidumbre. Dentro de los objetivos particulares se encuentran: El participante identificar las principales caractersticas de la distribucin Poisson. El participante obtendr la probabilidad de un evento empleando la funcin de probabilidad de la distribucin Poisson. El participante obtendr la probabilidad de un evento empleando la funcin de distribucin acumulativa Poisson. Los temas que sern vistos en la unidad son: Funcin de probabilidad Poisson, caractersticas de la distribucin Poisson, manejo de la tabla de distribucin acumulativa de esta distribucin, resolucin de ejercicios empleando esta funcin de probabilidad y problemas propuestos. 3.5.2 Funcin de probabilidad de la distribucin Poisson. Para que un experimento se considere como Poisson se debe tomar en cuenta lo siguiente: 1. La probabilidad de exactamente una ocurrencia es la misma en el intervalo continuo. 2. La probabilidad de dos o ms ocurrencias en un intervalo suficientemente corto, es aproximadamente cero. 3. La ocurrencia de un evento en un punto. Es independiente de las ocurrencias en otros puntos. Definicin. Sea X una variable aleatoria que representa el nmero de eventos aleatorios independientes que ocurren a una rapidez constante sobre el tiempo o el espacio. Se dice entonces que la variable aleatoria X tiene una distribucin de Poisson con funcin de probabilidad dada por:

23

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P ( x, ) =

e x x!

Para x = 0,1, 2, y > 0. El parmetro de la distribucin Poisson es , o sea el nmero promedio de ocurrencias del evento aleatorio por unidad de tiempo o espacio. 3.5.3 Caractersticas de la distribucin Poisson. En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc. La media y la varianza de la distribucin Poisson se define por: E(X) = = = np y =1 poisson es idad de la distribuci n punto, es independi ente de las ocurrenci as en otros puntos. 0.4 0.37 0.37 0.3 0.2 0.1 0 0 V(X) = 2 = . 1 0.18

P(x)

= 22

0.06 3 x 4

0.01

0.003

0.27 El parmetro que define la funcin0.27distribucin de probabilidad de la distribucin de Poisson es .

0.3 0.2

P(x)

0.18

Se presenta a continuacin 0.13 algunas grficas de la funcin de distribucin Poisson, 0.1 influencia del parmetro . con el fin de ver la 0.09

0
0

0.004 0.001 3 x
4

6 24

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

= 4 0.2 0.15 0.1 0.05 0

0

P(x)

0.15 0.07 0.02 1

2

0.19

0.19

0.16 0.1

3 x

Con el fin de familiarizarnos con la distribucin Poisson, calculemos las probabilidades para x = 0,1, 2,. . ., 8, cuando = 2.2
P ( x,2.2) = e 2.2 2.2 x x!

P (0,2.2) =

e 2.2 2.20 = 0.1108 0!

P (1; 2.2) = 0.2438 P (2; 2.2) = 0.2681 P (3; 2.2) = 0.1967 P (4; 2.2) = 0.1081 P (5; 2.2) = 0.0476 P (6; 2.2) = 0.0174 25

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P (7; 2.2) = 0.0055 P (8; 2.2) = 0.0015 Observe como las probabilidades individuales son ms pequeas a medida que la variable aleatoria toma valores ms grandes. Esta es una caracterstica general de la distribucin Poisson. 3.5.4 Manejo de la tabla de distribucin acumulativa Poisson. La probabilidad para un valor especfico de x en las tablas de probabilidad acumulativa se define por:
P ( X = x ) = F ( x; ) F ( x 1; )

Ejemplo. Sea = 2.5, encuentre la probabilidad de que x sea igual a 4. P (x = 4) = F (4; 2.5) F (3; 2.5) = 0.8912 0.7576 = 0.1336 La probabilidad de que una variable aleatoria X sea a un valor especfico de x, se define por:
P ( X x) = F ( x; )

Ejemplo. Sea =3.5, encuentre la probabilidad de que x sea menor o igual a 3.

P ( x 3) = F (3;3.5)

= 0.5366 La probabilidad mayor a un valor especfico est dado por:

P ( X > x ) =1 F ( x; )

Ejemplo. Encuentre la probabilidad de que x > 5, con = 3.7

P ( x > 5) = P ( x 6) =1 F (5;3.7)

= 1 - 0.8301 = 0.1699 3.5.5 Ejemplos de aplicacin de la distribucin Poisson.

26

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Ejemplo 1. La central camionera Roma recibe en promedio 30 autobuses por hora. Si se observa la llegada de los autobuses durante cinco minutos, cul es la probabilidad de que? a) No llegue ningn autobs. La probabilidad de que llegue un autobs por minuto es p = 30 / 60 = 0.5; por lo que se espera que en cinco minutos llegue en promedio = np o sea = 5 (0.5) = 2.5 Datos: = 2.5 P (x = 0)
P (0,2.5) = e 2.5 2.5 0 = 0.0821 0!

b) Lleguen dos autobuses. P (x = 2)

P ( 2,2.5) = e 2.5 2.5 2 = 0.2565 2!

c) Cul ser el nmero promedio de autobuses que llegarn en cinco minutos?

= = np = 5(0.5) = 2.5

Ejemplo 2. A una constructora llegan camiones de carga a una razn media de 2.8 camiones por hora. Obtenga la probabilidad de tener tres o ms camiones que lleguen en un: a) Lapso de 30 minutos. 2.8 camiones / 60 minutos = 0.04666 camiones por minuto = p. Por lo tanto los camiones promedio que llegarn en 30 minutos es = 30(0.04666) = 1.4 Datos: n = 30 = 1.4 P (x 3)
P ( x 3) =1 P ( x 2) P ( x 3) = 1 [ P ( x = 0) + P ( x = 1) + P ( x = 2) ]

P (0,1.4) =

e 1.41.40 = 0.2466 0! e 1.41.41 = 0.3452 1! e 1.41.4 2 = 0.2417 2!

P (1,1.4) =

P ( 2,1.4) =

27

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P ( x 3) =1 [0.2466 + 0.3452 + 0.2417 P ( x 3) =1 (0.8335 ) = 0.1665

b) Lapso de una hora. Datos: = 2.8 P (x 3)

P ( x 3) =1 P ( x 2) P ( x 3) = 1 [ P ( x = 0) + P ( x = 1) + P ( x = 2)] P ( x 3) =1 (0.0608 + 0.1703 + 0.2384 ) P ( x 3) = 0.5305

c) Lapso de dos horas. 2.8 camiones entre una hora es igual a 2.8 que es igual a p. Entonces tenemos que = 2.8 (2) = 5.6 Datos: = 5.6 P (x 3)

P ( x 3) =1 P ( x 2) P ( x 3) = 1 [ P ( x = 0) + P ( x = 1) + P ( x = 2)] P ( x 3) =1 (0.0037 + 0.0207 + 0.0580 ) P ( x 3) = 0.9176

Ejemplo 3. Considere el caso de una compaa pesquera de la costa de Nueva Inglaterra, la cual opera un avin de exploracin para hallar cardmenes de salmn que se encuentran ubicados al azar en el norte del Ocano Atlntico, habiendo, en promedio un cardumen por cada 100,000 millas cuadradas de mar. En un da especificado, el avin puede volar 1,000 millas, explorando de modo efectivo una distancia lateral de cinco millas del lado izquierdo y cinco del lado derecho. Cul es la probabilidad de hallar al menos un cardumen de salmn durante tres das de bsqueda? Aqu tenemos que la probabilidad de encontrar cardmenes es p = 1 / 100,000 = 0.00001 de cardmenes por milla cuadrada. El avin puede explorar una superficie de 1,000 millas por 10 de ancho por 3 das (1000 X 10 X 3) = 30,000 millas cuadradas. Si replanteamos la pregunta ser; cul es la probabilidad de hallar al menos un cardumen de salmn en 30,000 millas cuadradas? Si sabemos que = np, entonces = 30,000 (0.00001) = 0.3 y la probabilidad requerida ser P (X 1) 28

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________ P ( x 1) =1 P ( x 0)

P ( x 1) =1

e 0.3 0.30 0!

P ( x 3) =1 0.7408 = 0.2592

Ejemplo 4. En un oleoducto ocurren dos fugas por cada 100 millas. Cul es la probabilidad de hallar? a) Siete fugas en un tramo de 500 millas. La probabilidad de obtener una fuga por milla es de p = 2 / 100 = 0.02. Por lo tanto el nmero promedio de fugas en las 500 millas ser = 500 (0.02) = 10. Datos: = 10 P (x = 7)
P ( x = 7) = e 10 10 7 = 0.0901 7!

b) Al menos 20 fugas en un tramo de 500 millas.

P ( x 20 ) P ( x 20 ) =1 P ( x 19 ) P ( x 20 ) =1 F (19 ;10 ) P ( x 20 ) =1 0.9965 = 0.0035

Ejemplo 5. Del primero de diciembre de 2004 al 30 de abril de 2005, en la zona norte del Estado de Veracruz ocurrieron tres explosiones en los ductos de PEMEX. Cul es la probabilidad de que ocurran al menos dos desastres en los prximos seis meses? La probabilidad de obtener una explosin por mes es p = 3 / 5 = 0.6. Por lo tanto el nmero promedio de explosiones a tener en seis meses es = 6 (0.6) = 3.6. Y la probabilidad solicitada es P (x 2).
P ( x 2) = 1 P( x 1) P ( x 2) = 1 [ P ( x = 0) + P ( x = 1)] P ( x 2) = 1 (0.0273 + 0.0984 ) P ( x 2) = 0.8743

Esta es una probabilidad alta, la cual debera ser tomada muy en cuenta. 3.5.6 Ejercicios propuestos de la distribucin Poisson.

29

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

1. Si un banco recibe en promedio seis cheques sin fondo por da, cules son las probabilidades de que reciba: a) cuatro cheques sin fondos en un da dado, b) diez cheques sin fondos en cualquiera de dos das consecutivos? Ra = 0.1339 y Rb = 0.1048 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 tres minutos. b) Al menos dos imperfecciones en cinco minutos. c) Cuando ms una imperfeccin en 15 minutos. Ra = 0.3293, Rb = 0.2642 y Rc = 0.1992 3. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones defectuosas. Determine la probabilidad de que dos de 100 libros encuadernados en ese taller, tengan encuadernaciones defectuosas, usando: a) La frmula de la distribucin binomial. b) La aproximacin de Poisson a la distribucin binomial. Ra = 0.0812 y Rb = 0.0842 4. Un fabricante de maquinaria pesada tiene instalados en el campo 3,840 generadores de gran tamao con garanta especificada. S la probabilidad de que cualquiera de ellos falle durante el ao dado es de 1/1200, determine la probabilidad de que: a) Cuatro generadores fallen durante el ao en cuestin. b) Que ms de un generador falle durante el ao en cuestin. Ra = 0.1781 y Rb = 0.8288 5. En un proceso de manufactura, en el cual se producen piezas de vidrio, ocurren defectos o burbujas, ocasionando que la pieza sea indeseable para la venta. Se sabe que en promedio una de cada 1,000 piezas tiene una o ms burbujas. Cul es la probabilidad de que en una muestra aleatoria de 8,000 piezas, menos de tres de ellas tengan burbujas? R = 0.013766 6. El volcn Lakie en Islandia hizo erupcin por ltima vez en abril de 2010, paralizando los vuelos de toda Europa y trayendo como consecuencia enormes prdidas econmicas. Si este volcn hace erupcin en promedio una vez cada cinco aos, obtenga: a) La probabilidad de que haga erupcin en los prximos cuatro aos. R = 0.3594 b) La probabilidad de que haga dos o ms erupciones en los siguientes siete aos. R = 0.6548

3.6 Aproximacin a la distribucin binomial por la Poisson.

A menudo es til aproximar una distribucin con otra, en particular cuando la aproximacin se puede manejar con ms facilidad. Una regla prctica aceptable al usar la distribucin Poisson para hallar probabilidades binomiales es cuando n es grande y p pequeo, entre mayor sea n y menor sea p, tanto mejor la aproximacin. Ejemplo 1. Un comprador de circuitos integrados, ha puesto como poltica aceptar un envo si se toma una muestra aleatoria de 100 circuitos provenientes del lote. Si el comprador encuentra no ms de dos circuitos defectuosos, acepta el lote, de otra 30

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

forma lo rechaza. Si se enva al comprador un lote que contiene el 1% de circuitos defectuosos encuentre: a) La probabilidad de que el lote sea aceptado. Dado que n = 100 es relativamente grande y p = 0.01 es pequeo, la probabilidad binomial puede aproximarse mediante la distribucin de Poisson, escogiendo a = n p; en este caso = 100 (0.01) = 1. Datos: =1 P (x 2)

P (x 2) = F (2; 1) = 0.9197

Los clculos que tienen que realizarse para calcular esta probabilidad mediante la distribucin binomial, cuando n = 100, p = 0.01, cuando P (x 2) son: P ( x 2) = Cin 0.01i 0.99 n i
i =0 2

P ( x 2) = 0.3360 + 0.3697 + 0.1849 = 0.9206

Valor muy parecido al calculado por la Poisson. b) La probabilidad de que sea rechazado el lote. P(x > 2)
P ( x 2) = P( x 3) = 1 P ( x 2) P ( x 2) =1 F ( 2;1) P ( x 2) = 1 0.9197 = 0.0803

Ejemplo 2. La probabilidad de que un remache particular en la superficie del ala de un avin nuevo est defectuoso es 0.001, si hay 4000 remaches en el ala. Cul ser la probabilidad de que se instalen no ms de seis remaches defectuosos? Aqu vemos que n es grande y p es pequeo, por lo que podemos aproximar por la Poisson utilizando a = 4000 (0.001) = 4. Datos: =4 P (x 6)
P ( x 6) =
i =1 6

e 4 4 i = F (6;4) = 0.8893 i!

31

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Ejemplo 3. Un departamento de contabilidad con 100 empleados, ha encontrado que la probabilidad de ausencia de cualquiera de sus trabajadores en un tiempo determinado es de p = 0.036, encuentre la probabilidad de que a lo ms cinco empleados se ausenten durante cierta semana. Aqu suponemos que n es grande, la probabilidad de ausencia pequea y que la ausencia de cualquier empleado es independiente de la presencia o ausencia de cualquier otro. Aunque en ste problema la suposicin no podra ser cierta. Datos: = 100(0.036) = 3.6 P (x 5) P (x 5) = F (5; 3.6) = 0.8441

3.7 Aproximacin a la distribucin hipergeomtrica por la binomial.

En la mayora de los problemas prcticos, el tamao de la muestra es pequeo en comparacin con el del lote, y la distribucin binomial nos da una buena aproximacin a la distribucin hipergeomtrica. De hecho se puede demostrar que P (x; n, k, N) se aproxima a P (x; n, p) cuando n y cuando constante. La aproximacin es excelente cuando la razn 0.1 y p =
k N k = p permanece N

n es pequea, digamos menor que N

Una regla prctica de utilizar la distribucin binomial como aproximacin a la hipergeomtrica es solo si N 10n. Ejemplo 1. Un lote de produccin de 200 artculos tiene ocho defectuosos, si se selecciona una muestra aleatoria de n = 10 unidades, cul es la probabilidad de que la muestra contenga exactamente una unidad defectuosa? Datos: N = 200 n = 10 k=8 P(x = 1) Resolviendo por la distribucin hipergeomtrica tenemos:

32

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

200 C18C10 18 P (1;10 ,8,200 ) = = 0.2878 200 C10

Dado que a p=

n 10 = = 0.05 es pequeo, adems N 10n si se cumple (200 N 200

10(10)), nos podemos aproximar por medio de la distribucin binomial, considerando

k 8 = = 0.04 N 200
10 ! 1 P (1;10 ,0.04 ) = 0.04 10.96 10 =0.2770 1 (10 )! ! 1

Valor muy parecido al calculado por la distribucin hipergeomtrica. Ejemplo 2. Se tienen 200 amas de casa de las cuales 40 prefieren el detergente A y el resto la marca B, si se toma al azar una muestra de 12 de ellas, cul es la probabilidad de que en la muestra, tres de ellas prefieran el detergente A? Datos: N = 200 n = 12 k = 40 P(x = 3) Resolviendo por la hipergeomtrica tenemos:

P(3;12,40,200 ) =

40 160 C3 C9 = 0.243614 200 C12

Para la resolucin de este algoritmo nos encontramos que N es grande, lo que ocasiona que su clculo sea un poco complicado. Dado que la condicin de que N 10n y (200 10(12)) nos podemos aproximar por medio de la binomial, definiendo a
p= 40 = 0.20 de la siguiente manera: 200

Datos: n = 12 p = 0.20 q = 0.80 P(x = 3)

P (3;12 ,0.20 ) = 12 ! 0.20 3 0.80 12 3 =0.2362 3!(12 3)!

3.8 Distribucin multinomial.

33

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Una generalizacin de la distribucin binomial aparece cuando cada prueba puede tener ms de dos casos probables. Por ejemplo la produccin de un artculo se clasifica como superior, medio e inferior; cuando la calificacin de estudiantes se juzga dando la letras A, B, C, D; o cuando un experimento se juzga terminado con xito o inconcluso. Para ste tipo de problemas consideremos el caso de que hay n pruebas independientes, permitiendo en cada prueba k casos mutuamente excluyentes, cuyas probabilidades respectivas son: p1, p2,..., pk, donde . Llamando a estos casos de 1 clase, de 2 clase,... y de k-sima clase. Nos interesa la probabilidad P (x1, x2,..., xk) de obtener x1 casos de la 1 clase, x2 casos de la 2 clase,..., xk casos de la k-sima clase, con

p
i =1

=1

x
i =1

=n

3.8.1 Funcin de probabilidad e la distribucin multinomial. La funcin de probabilidad de esta distribucin se define como:
n! x x p1x1 p 2 2 ... p k k x1!, x 2 !,..., x k !

P ( x1 , x 2 ,..., x k ) =

Donde: x1 = 0, 1, 2,; x2 = 0, 1, 2,, xk = 0, 1, 2,; y la

x
i =1

=n

3.8.2 Caractersticas de la distribucin multinomial.

x
x =i

Dentro de sus principales caractersticas podemos citar:

i

=n

Al llevar a cabo un experimento con esta distribucin se esperan ms de dos tipos de resultados. Las probabilidades asociadas a cada uno de los resultados son constantes. Cada uno de los ensayos o repeticiones del experimento son independientes. El nmero de repeticiones del experimento n es constante. La media y la varianza de Xi, una componente particular son:
E ( X i ) = = np i

V ( X ) = 2 = np i qi

34

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

3.8.3 Ejemplos de aplicacin de la distribucin multinomial Ejemplo 1. Se fabrican lpices mecnicos por medio de un proceso que implica una gran cantidad de mano de obra en las operaciones de ensamblado. ste es un trabajo altamente repetitivo y hay un pago de incentivo. La inspeccin final ha revelado que el 85% del producto es bueno, el 10% defectuoso pero que puede reelaborarse y el 5% es defectuoso y se desecha. Estos porcentajes se mantienen constantes en el tiempo. Si se toma una muestra aleatoria de 20 lpices, hallar la probabilidad de que entre stas 20 unidades 18 estn buenos, 2 pueden reelaborarse y 0 sean de desecho. Datos: n = 20, x1 = 18, x2 = 2, x3 = 0, p1 = 0.85, p2 = 0.10 y p3 = 0.05 P (18, 2, 0)
P (18 ,2,0) = 20 ! 0.85 18 0.10 2 0.05 0 = 0.1019 18!2!0!

Ejemplo 2. Si las probabilidades de que en un accidente de un avin produzcan daos menores, graves y mortales al piloto son 0.20, 0.70 y 0.10 respectivamente; hallar la probabilidad de que en seis accidentes, el piloto sufra daos mortales en 3 de ellos, sufra daos menores en 1 y sufra daos graves en 2. Datos: n = 6, x1 = 1, x2 = 2, x3 = 0, p1 = 0.20, p2 = 0.70 y p3 = 0.10 P (1, 2, 3)
P (1,2,3) = 6! 0.20 10.70 2 0.10 3 = 0.0059 1 2!3! !

Ejemplo 3. Los ladrillos de vidrio defectuosos se clasifican en una fbrica por: que tengan rupturas, estn decolorados o ambas cosas. Si las probabilidades respectivas son: 0.50, 0.40 y 0.10 respectivamente, hallar la probabilidad de que 6 de entre 10 de estos ladrillos tengan rupturas, 3 estn decolorados y 1 presente ambos defectos. Datos: n = 10, x1 = 6, x2 = 3, x3 = 1, p1 = 0.50, p2 = 0.40 y p3 = 0.10 P(6, 3, 1)
P (6,3,1) = 10 ! 0.50 6 0.40 3 0.10 1 = 0.0838 6!3! ! 1

3.8.4 Ejemplos propuestos de la distribucin multinomial 1. Las probabilidades son de 0.40, 0.20, 0.30 y 0.10, respectivamente, de que un delegado llegue por aire a una cierta convencin, llegue en autobs, en automvil o 35

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

en tren respectivamente. Cul es la probabilidad de que entre nueve delegados seleccionados aleatoriamente en esta convencin? a) Tres hayan llegado por aire, 3 en autobs, 1 en auto y 2 en tren. R = 0.0077 b) Cuatro hayan llegado por aire, 1 en autobs y 2 en auto. R = 0.0174 c) Cinco hayan llegado en automvil y cuatro en tren. R = 0.0000306 2. De acuerdo con la teora de la gentica, un cierto cruce de conejillo de indias resultar en una descendencia roja, negra y blanca en la relacin 8: 4: 4. Encuentre la probabilidad de que entre ocho descendientes: a) Cinco sean rojos, 2 negros y uno blanco. R = 0.082 b) Tres sean rojos y 2 sean negros. R = 0.0684 3. Segn una encuesta preliminar acerca del voto que los ciudadanos darn por los candidatos para gobernador del estado se ha detectado que aproximadamente un 52% votar por el partido verde, un 40% por el partido azul y un 8% por los partidos restantes, si se seleccionan aleatoriamente seis personas con edad de votar, determine la probabilidad de que: a) Dos voten por el partido verde, uno por el azul y tres por el resto de los partidos. b) Dos voten por el partido verde y cuatro por el azul. Ra = 0.0033 y Rb = 0.1038 4. Una agencia que renta automviles en un aeropuerto, tiene disponibles 5 Ford, 7 Chevrolet, 4 Dodge, 3 Datsun, y 4 Toyota. Si la agencia selecciona aleatoriamente nueve de estos vehculos para transportar delegados desde el aeropuerto hasta el centro de convenciones en la ciudad, encuentre la probabilidad de que utilicen: 2 Ford, 3 Chevrolet, 1 Dodge, 1 Datsun y 2 Toyota. 5. En una bodega se tienen 20 computadoras sin defectos, 3 con defectos menores y 2 con defectos mayores. Si se seleccionan cinco computadoras al azar, determine la probabilidad de que: a) Dos de las computadoras seleccionadas no tengan defectos y una tenga defectos menores. b) Tres de las computadoras seleccionadas no tengan defectos y una tenga defectos mayores.

3.9 Distribucin geomtrica.

Esta distribucin es un caso especial de la Binomial, ya que se desea que ocurra un xito por primera y nica vez en el ltimo ensayo que se realiza el experimento. 3.9.1 Funcin de probabilidad de la distribucin geomtrica. Sea una serie de ensayos Bernoulli independientes, con probabilidad constante p de un xito, sea que la variable aleatoria X denota el nmero de ensayos hasta que 36

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

ocurre el primer xito. Entonces X tiene una distribucin geomtrica cuya funcin de probabilidad se denota por: P(x) = qx-1p, Donde: P(x) = probabilidad de que ocurra un xito en el ensayo x por primera y nica vez. p = probabilidad de xito q = probabilidad de fracaso 3.9.2 caractersticas de la distribucin geomtrica. El parmetro que define la funcin de distribucin de probabilidad es p. La probabilidad de xito p es constante de prueba a prueba. Las pruebas son independientes. Los resultados posibles son xito o fracaso. La media de la distribucin geomtrica es E(X) = = 1 / p. La varianza de sta distribucin es V(X) = 2 = (1 - p) / p2 3.9.3 Ejemplos de aplicacin de la distribucin geomtrica. Ejemplo 1. Se lanza al aire una moneda cargada, ocho veces; de tal manera que la probabilidad de que aparezca guila es de 2/3, mientras que la probabilidad de que aparezca sello es de 1/3. Determine la probabilidad de que en el ltimo lanzamiento aparezca un guila. Como lo que nos interesa es que aparezcan siete sellos seguidos y por ltimo un guila los resultados quedan de esta forma: S S S S S S S A S denotamos: x = 8 nmero de repeticiones del experimento necesarias para que ocurra un xito por primera y nica vez. p = probabilidad de que aparezca una guila = p (xito) = 2/3 q = probabilidad de que aparezca un sello = p (fracaso) = 1/3 Entonces la probabilidad buscada ser: P (aparezca una guila en el ltimo lanzamiento) = 37 para x = 1, 2,...

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(S)* P(A) = qx -1 p Resolviendo el problema del ejemplo que tenemos con la funcin de probabilidad es: Datos: x= 8 p = 2/3 q = 1/3 P (x = 8) = (1 / 3)8 -1 (2 / 3) = 0.0003048 Ejemplo 2. Si la probabilidad de que cierto dispositivo de medicin, sufra una desviacin excesiva es de 0.05, cul es la probabilidad de que: a) El sexto de estos dispositivos de medicin sometidos a prueba sea el primero en mostrar una desviacin excesiva. Datos: x= 6 p = 0.05 q = 0.95 P(x = 6) = (0.95)6 -1 (0.05) = 0.03869 b) El quinto de estos dispositivos de medicin sometidos a prueba, sea el primero que no muestre una desviacin excesiva. x= 5 p = 0.95 q = 0.05 P(x = 5) = (0.05)5-1 (0.95) = 0.0000059 Ejemplo 3. Los registros de una compaa constructora de pozos, indican que la probabilidad de que uno de sus pozos nuevos, requiera de reparaciones en el trmino de un ao es de 0.20. Cul es la probabilidad de que el quinto pozo construido por esta compaa en un ao dado sea el primero en requerir reparaciones en un ao? Datos: x= 5 p = 0.20 q = 0.80 P (x = 5) = (0.80)5-1 (0.20) = 0.08192 Ejemplo 4. Los expedientes de una compaa de albercas indican que la probabilidad de que una de las nuevas albercas requiera reparacin en un plazo de un ao es 0.20. Cul ser la probabilidad de que la sexta alberca construida en un ao determinado sea la primera en requerir reparacin en ese lapso? Datos: x= 6 38

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

p = 0.20 q = 0.80 P (x = 6) = (0.80)6 -1 (0.20) = 0.0655 3.9.4 Ejercicios propuestos de la distribucin geomtrica. 1. Se sabe que en cierto proceso de fabricacin, en promedio, una de cada 100 piezas est defectuosa. Cul es la probabilidad de que se inspeccionen cinco piezas antes de encontrar la defectuosa? R = 0.0095 2. La probabilidad de que una oblea contenga una partcula de contaminacin grande es 0.01. Si se supone que las obleas son independientes, cul es la probabilidad de que sea necesario analizar exactamente 125 obleas antes de detectar una partcula grande? R = 0.0029 3. Se estima que la probabilidad de que una persona instale un telfono negro en una casa es 0.3, cul ser la probabilidad de que el dcimo telfono instalado sea el primer telfono negro? R = 0.0121 4. El tablero de un conmutador telefnico es de muy poca capacidad en cuanto al tiempo de ocupado se refiere, de tal forma que las personas no pueden encontrar una lnea desocupada para sus llamadas. Puede ser de inters saber el nmero de intentos necesarios que se requieren para tener una lnea disponible. Suponga que p = 0.5 es la probabilidad de tener una lnea durante la mayor congestin de llamadas. Se tiene el inters particular de saber la probabilidad de que sean necesarios cinco intentos para lograr la comunicacin. R = 0.03125 5. La probabilidad de que un estudiante para piloto apruebe el examen escrito para obtener su licencia de piloto privado es de 0.7, encuentre la probabilidad de que una persona apruebe el examen: a) En el tercer intento. R = 0.063 b) En el quinto intento. R = 0.00567 Apndice 3.1 Empleo del software Minitab en algunas distribuciones discretas. Minitab puede utilizarse para obtener la probabilidad para un valor en particular P ( X = x ) , as como la probabilidad acumulativa P ( X x ) , estas, las proporciona directamente. La probabilidad P ( X x) se obtiene restndole a 1 el valor obtenido en P( X x) . Distribucin Binomial. Para ilustrar el empleo de Minitab tomemos el ejemplo 1 (inciso a) de la pgina 12, de una mquina Cartell-bill que produce engranes defectuosos. Donde la 39

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________ probabilidad requerida es P ( x = 2) , el tamao de muestra es 6 y la probabilidad de

xito es p = 0.05. Los pasos a seguir son los siguientes. 1. Capturar 2 (probabilidad requerida) en el primer rengln y primera columna de la hoja de trabajo (C1). 2. Seleccione el men Calc. 3. Elegir Distribuciones de probabilidad. 4. Hacer clic en Binomial. 5. Cuando aparezca el cuadro de dilogo Distribucin Binomial. Hacer clic en Probabilidad. Ingresar 6 en el cuadro Nmero de ensayos. Ingresar 0.05 en el cuadro Probabilidad del evento. Hacer clic en el cuadro Columna de entrada. Ingresar C1 en el cuadro Columna de entrada. Hacer clic en Aceptar. Minitab le da la probabilidad de 0.0305440. Esto es la probabilidad para un valor en particular, o sea la P ( x = 2) . Distribucin Hipergeomtrica. Para ilustrar el uso de Minitab tomemos el ejemplo 4 de la pgina 21, de un departamento de inspeccin de envos que recibe en forma peridica lotes de ejes de bombas. Donde la probabilidad solicitada es P ( x 1) , el tamao de la poblacin es de 100, el nmero de unidades con la caracterstica de inters es de 5 y el tamao de la muestra es de 10. 1. Capturar 1 (probabilidad requerida) en la celda C1 de la hoja de trabajo. 2. Seleccione el men Calc. 3. Elegir Distribuciones de probabilidad. 4. Hacer clic en Hipergeomtrica. 5. Cuando aparezca el cuadro de dilogo Distribucin Hipergeomtrica. Hacer clic en Probabilidad acumulada. Ingresar 100 en el cuadro Tamao de la poblacin (N). Ingresar 5 en el cuadro Conteo de eventos en la poblacin (M). Ingresar 10 en el cuadro Tamao de la muestra (n). Hacer clic en el cuadro Columna de entrada. Ingresar C1 en el cuadro Columna de entrada. Hacer clic en Aceptar.

40

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Minitab le da la probabilidad de 0.923143. Esto es la probabilidad acumulada de que x sea menor o igual a uno, o sea P ( x 1) . Distribucin Poisson. Para ilustrar el uso de Minitab tomemos el ejemplo 5 de la pgina 30, sobre las explosiones en los ductos de PEMEX. Donde la probabilidad solicitada es P ( x 2) y el promedio es = 3.6. Como Minitab no da la probabilidad mayor a un nmero, tenemos que solicitar la probabilidad menor a ese nmero y posteriormente obtener el complemento. Dado que la probabilidad requerida es 1 P ( x ) , ahora los pasos a seguir son. 1
P ( x 2) ,

podemos obtenerla por

1. Capturar 1 (probabilidad requerida) en la celda C1 de la hoja de trabajo. 2. Seleccione el men Calc. 3. Elegir Distribuciones de probabilidad. 4. Hacer clic en Poisson. 5. Cuando aparezca el cuadro de dilogo Distribucin Poisson. Hacer clic en Probabilidad acumulada. Ingresar 3.6 en el cuadro Media. Hacer clic en el cuadro Columna de entrada. Ingresar C1 en el cuadro Columna de entrada. Hacer clic en Aceptar. Minitab da la probabilidad de 0.125689, esto es la probabilidad de que P ( x 1) . Como queremos la P ( x 2) , lo que tenemos que calcular ahora es 1 P( x 1) o sea 1 0.125689 = 0.8744311. Distribucin Geomtrica. Para ilustrar el uso de Minitab tomemos el ejemplo 3 de la pgina 39, sobre una compaa constructora de pozos. Donde la probabilidad solicitada es P( x = 5) y la probabilidad de xito es p = 0.20. 1. Capturar 5 (probabilidad requerida) en la celda C1 de la hoja de trabajo. 2. Seleccione el men Calc. 3. Elegir Distribuciones de probabilidad. 4. Hacer clic en Geomtrica. 5. Cuando aparezca el cuadro de dilogo Distribucin Geomtrica. 41

Lic. Vicente Snchez y Ramrez Distribuciones discretas ___________________________________________________________________________________________

Hacer clic en Probabilidad. Ingresar 0.20 en el cuadro Probabilidad del evento. Hacer clic en el cuadro Columna de entrada. Ingresar C1 en el cuadro Columna de entrada. Hacer clic en Aceptar. Minitab da la probabilidad de 0.08192, esto es la probabilidad para un valor en particular de que P( x = 5) . Al estar trabajando con alguna distribucin de probabilidad en particular y desea realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra al icono Editar ltimo dilogo (Ctrl+E) de la barra de herramientas de Minitab.

42