Académique Documents
Professionnel Documents
Culture Documents
INDICE
INTRODUCCIÓN………………………………………………………………………………………………………………………….
Error! Bookmark not defined.
OBJETIVOS
………………………………………………………………………………………………………………………………Error!
Bookmark not defined.
Objetivo General: .........................................................................Error! Bookmark not defined.
Objetivos Específicos .................................................................Error! Bookmark not defined.
Distribución de Probabilidades ................................................Error! Bookmark not defined.
Distribución Normal.....................................................................Error! Bookmark not defined.
Función de Densidad ..................................................................Error! Bookmark not defined.
Distribución Binomal...................................................................Error! Bookmark not defined.
Distribución de Poisson .............................................................Error! Bookmark not defined.
Cálculo de probabilidades de poisson ...................................Error! Bookmark not defined.
Distribución Exponencial ...........................................................Error! Bookmark not defined.
La funcion de densidad exponencial ......................................Error! Bookmark not defined.
Ejemplo ...........................................................................................Error! Bookmark not defined.
Caso practico de distribución normal……………………………..……………………………………………16
CONCLUSIONES…………………………………………………………………………………………………………………………22
BIBLIOGRAFIA………………………………………………………………..………………………………………………………...23
INTRODUCCIÓN
2
OBJETIVO GENERAL:
Identificar los conceptos y función de las distribuciones de probabilidad.
OBJETIVO ESPECÍFICO:
Reconocer la aplicación de las distribuciones normal, y binomial.
La presente investigación tiene como objetivo exponer la distribución De
Poisson y Exponencial de forma teórica y práctica.
La distribución De Poisson junto con la normal, se aplican en la industria en
el control de calidad, en biología para determinar el número de bacterias, en
las instituciones de seguros para verificar el número de accidentes y en
otros campos más.
A pesar de la sencillez analítica de sus funciones de definición, la
distribución exponencial tiene una gran utilidad práctica ya que podemos
considerarla como un modelo adecuado para la distribución de probabilidad
del tiempo de espera entre dos hechos que sigan un proceso.
3
DISTRIBUCION DE PROBABILIDADES
En teoría de la probabilidad y estadística, la distribución de probabilidad de una
variable aleatoria es una función que asigna a cada suceso definido sobre la
variable la probabilidad de que dicho suceso ocurra.
TIPOS DE VARIABLES
Variable aleatoria: Es aquella cuyo valor es el resultado de un evento aleatorio. Lo
que quiere decir que son los resultados que se presentan al azar en cualquier
evento o experimento.
Esta división se realiza dependiendo del tipo de variable a estudiar. Las cuatro
principales (de las que nacen todas las demás) son:
4
Distribución binomial (eventos independientes).
Distribución de Poisson (eventos independientes).
Distribución hipergeométrica (eventos dependientes).
b) Si la variable es continua, esto significa que puede tomar cualquier valor dentro
de un intervalo, la distribución que se generará será una distribución continua,
también llamada distribución normal o gaussiana.
Además, se puede utilizar la "distribución de Poisson como una aproximación de la
distribución binomial" cuando la muestra por estudiar es grande y la probabilidad
de éxito es pequeña. De la combinación de los dos tipos de distribuciones
anteriores (a y b), surge una conocida como "distribución normal como una
aproximación de la distribución binomial y de Poisson".
DISTRIBUCIÓN NORMAL
La distribución normal fue presentada por vez primera por Abraham de Moivre en
un artículo del año 1733,2 que fue reimpreso en la segunda edición de su The
Doctrine of Chances, de 1738, en el contexto de cierta aproximación de
la distribución binomial para grandes valores de n. Su resultado fue ampliado
por Laplace en su libro Teoría analítica de las probabilidades (1812), y en la
actualidad se llama Teorema de De Moivre-Laplace.
FUNCIÓN DE DENSIDAD
5
Se dice que una variable aleatoria continua X sigue una distribución normal de
parámetros μ y σ y se denota X~N(μ, σ) si su función de densidad está dada por:
6
Aproximación de la Binomial por la Normal (Teorema de De Moivre):
Demostró que bajo determinadas condiciones (para n grande y tanto p como q no
estén próximos a cero) la distribución Binomial B (n, p) se puede aproximar
mediante una distribución normal
DISTRIBUCIÓN BINOMIAL
Para hablar de la distribución Binomial primero tenemos que decir que está dada
por la sumatoria de eventos bernoulli, la distribución de Bernoulli (o distribución
dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es
una distribución de probabilidad discreta, que toma valor 1 para la probabilidad de
éxito (p) y valor 0 para la probabilidad de fracaso (q = 1 − p).
Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria X se distribuye como una Bernoulli de parámetro p.
X˜Be(p)
La fórmula será:
f(x) = px(1 − p)1 − x con x = {0,1}
Su función de probabilidad viene definida por:
7
Existe una serie de N ensayos,
En cada ensayo hay sólo dos posibles resultados,
En cada ensayo, los dos resultados posibles son mutuamente excluyentes,
Los resultados de cada ensayo son independientes entre si, y
La probabilidad de cada resultado posible en cualquier ensayo es la misma de un
ensayo a otro.
Su función de probabilidad es
donde
Las siguientes características son las que describen a una distribución Binomial
Función generadora de momentos (mgf)
8
Función característica
DISTRIBUCIÓN DE POISSON
Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles).
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".
Características de los procesos que producen una distribución de la
probabilidad de Poisson:
El número de vehículos que pasan por una caseta de cobro en las horas de mayor
tráfico sirve como ejemplo para mostrar las características de una distribución de
probabilidad de Poisson.
El promedio (media) de los arribos de vehículos por hora de gran tráfico puede
estimarse a partir de los datos anteriores del tráfico.
Si dividimos las horas de gran tráfico en periodos (intervalos) de un segundo cada
uno, encontraremos que los siguientes enunciados son verdaderos:
a) La probabilidad de que exactamente un vehículo llegue por segundo a una
caseta individual es un número muy pequeño y es constante para que cada
intervalo de un segundo.
b) La probabilidad de que dos o más vehículos lleguen en un intervalo de un
segundo es tan reducida que podemos asignarle un valor cero.
c) El número de vehículos que llegan en determinado intervalo de un segundo es
independiente del momento en que el intervalo de un segundo ocurre durante la
hora de gran tráfico.
d) El número de llegadas en cualquier intervalo de un segundo no depende del
número de arribos de cualquier otro intervalo de un segundo.
9
Ahora bien, podemos generalizar partiendo de las cuatro condiciones que hemos
descrito en este ejemplo, si estas condiciones se cumplen nos apoyaremos en una
distribución de probabilidad de Poisson para describirlos.
P(x) = l x * e-l / x!
l x = Lambda
(Número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x).
x! = x factorial.
Ejemplo:
10
Para saber cuál es la probabilidad en 3 o menos, sumaremos las probabilidades
de 0,1,2,3 lo que será igual a :
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
n=>20
p=<0.05
11
DISTRIBUCIÓN EXPONENCIAL
Esta distribución se utiliza mucho para describir el tiempo entre eventos. Más
específicamente la variable aleatoria que representa al tiempo necesario para
servir a la llegada.
Ejemplos típicos de esta situación son el tiempo que un médico dedica a una
exploración, el tiempo de servir una medicina en una farmacia, o el tiempo de
atender a una urgencia.
A lo mejor el próximo paciente operado tarda 1 hora porque su cirugía era mucho
más simple que la anterior.
12
Su gráfica es un modelo apropiado a vida útil de objetos.
13
Para calcular la esperanza matemática y la varianza, se hallará primero el
momento de orden r respecto del origen:
EJEMPLO:
El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un
tiempo promedio de fallas igual a 360 días.
a) ¿qué probabilidad existe que el tiempo de falla sea mayor que 400 días?
b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay
que trabaja más de 200 días más?
c) Si se están usando 5 de tales baterías calcular la probabilidad de que
más de dos de ellas continúen trabajando después de 360 días.
14
Solución
Sea X=el tiempo que trabaja la batería hasta que falle. El tiempo promedio de falla
es de 360 días. Entonces, X ~Exp (ß=1/360) y su función de densidad es:
Columna 1
Mean 5
Standard Error 0.577350269
Median 3
Mode 3
Standard Deviation 2
Sample Variance 2
Kurtosis -0.3
Skewness 0
Range 4
Minimum 1
Maximum 5
15
Sum 18
DISTRIBUCIONES DE Count 6
PROBABILIDAD
DISTRIBUCION NORMAL
DATOS
2
1
3
4
5
3
16
En una institución X se da crédito a tiendas de consumo diario como a también a
diferentes negocios pequeños, se ha visto afectado la rentabilidad de la institución
por la falta de pago de los clientes 10% no pagan a la fecha especificada, el
supervisor de crédito selecciona una muestra de 18 clientes , por experiencia
pasadas considera el supervisor la probabilidad que 3 clientes no paguen, lo otro
es que se considera que no saquen un máximo de 3 clientes morosos, la
probabilidad de que un mínimo de 3 clientes no puedan pagar, analizando cuanto
probabilidad pueda haber de que estos 18 clientes exista entre 2 y 4 cliente que no
paguen sus créditos, esto a traído problemas por los gastos viáticos de los
asesores de créditos.
Metodología.
Se determinó a través de la base de datos de los meses anteriores.
Desarrollo Matemático.
N= número de ensayos
X= número de éxitos
P= probabilidad de éxito
q= probabilidad de fracaso.
1) P ( x = x) = n (x . px .qn-x
P ( x=3)
P ( x=3) = 18(3x0.13 x0.915
18(3(0.1)3 (0.9)15 = 0.168
M X P
.
.
17
18
0
1
2
3 0.902
4.) P ( 2 ≤ X ≤ 4 )
P ( X ≤ 4 ) – P ( x ≤ 1) = 0.972- 0.450
Análisis.
Los resultados que hemos obtenido para ver si realmente está afectando la
rentabilidad de la empresa por estos clientes que no están al día con sus pagos, la
probabilidad que haiga tres clientes o menos que no pagan a la fecha específica
es de 0.902, la probabilidad por lo menos tres clientes que no paguen son 0.266,y
la probabilidad que dos o cuatros de los clientes no paguen a finales del mes o
varios meses atrasados es de 0.522, por los resultados obtenidos se llega a la
conclusión es que 1 cliente al mes no pague siempre, estos afecta en a la
empresas en cubrir su gastos viáticos, pero se puede corregir por medio de las
cosas empeñadas o hipotecados por el cliente para cubrir los gastos así mantener
la rentabilidad de la institución.
Fórmula matemática
P (X ≤ Xo) = 1 – e-Xo/µ
Solución:
P (X ≤ 2) = 1 – 2.71828-2/3 = 0.4866
19
b) ¿Cuál es la probabilidad de que los clientes sean atendidos entre 2 y 3
minutos?
Entonces seria:
P (2 ≤ X ≤ 3) = P (x ≤ 3) - P (x ≤ 2) = 0.6321 - 0.4866 = 0.1455
Análisis:
La probabilidad de que un cliente sea atendido en menos de 2 minutos es de
48.66% y la probabilidad de que el cliente sea atendido entre 2 y 3 minutos es de
14.55%
20
CONCLUSIONES
21
Con el desarrollo de este proyecto y gracias a la comprensión de
conceptos entendimos que la distribución binomial y normal son una poderosa
herramienta probabilística que bien aplicada nos podrá ayudar a facilitar los
cálculos para la solución de problemas.
BIBLIOGRAFÍA
http://manuelreyesdistribuciones.blogspot.com/2010/10/distribuciones-binomial-
poisson-normal_1712.html
http://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-
exponencial.shtml#ixzz55o5iHUqh
http://www.monografias.com/trabajos57/distribuciones-probabilidad/distribuciones-
probabilidad2.shtml#ixzz55neqoEqB
22
http://distribucion-probabilidades/distribucion-probabilidades.shtml
23