LOGRO DE SESION

DISTRIBUCIN DE PROBABILIDAD

Es una tabla en la cual se presentan los resultados de un

experimento (espacio muestral) con sus respectivos
probabilidades.
X = Resultado de un evento aleatorio

P(X)= Probabilidad de un evento aleatorio.

Ejemplo 1 :

Lanzar un dado
Seleccionar un estudiante de un grupo de estudiantes de la escuela de
Ingeniera Industrial cuya distribucin de edades es 10% de los estudiantes
tienen 24 aos, 15% tienen 28 aos, 20% tienen 30 aos, 25% tienen 31
aos, 30% tienen 26 aos.
Un candidato poltico para un puesto en el gobierno local est considerando
los votos que puede obtener en las elecciones que se avecinan. Suponga
que los votos pueden tomar slo cuatro valores posibles (1,2,3, 4) cuyas
probabilidades son : 0.1, 0.3, 0.4,0.2

VARIABLE ALEATORIA
Normalmente, los resultados posibles (espacio muestral ) de un experimento aleatorio
no son valores numricos. Por ejemplo, si el experimento consiste en lanzar de modo
ordenado dos monedas al aire, entonces, el espacio muestral
correspondiente tendr como elementos a las siguientes cuatro parejas
={(C,C), (C, S), (S,C), (S, S)}
Estos resultados no son nmeros reales, pero si cada uno se asocia con el nmero de
caras, podemos asociar un nico real a cada resultado.

Al resultado (C,C) se le puede asignar el nmero 2 (porque hay dos caras).

Al resultado (C, S) se le puede asignar el nmero 1 (porque hay una cara).
Al resultado (S,C) se le puede asignar el nmero 1 (porque hay una cara).
Al resultado (S, S) se le puede asignar el nmero 0 (porque hay cero caras).
Al hecho de asociar los resultados de un espacio muestral de un experimento con
nmeros reales nicos se le llama variable aleatoria.
La variable aleatoria en el ejemplo es numero de caras que pueden resultar al lanzar
una moneda dos veces y se dice que tiene los tres valores 0, 1, 2.

VARIABLE ALEATORIA

Del ejemplo anterior lanzar 02 monedas

VARIABLE ALEATORIA DISCRETA

FUNCION DE
PROBABILIDAD

Ejemplo Consideremos otra vez el lanzamiento de dos monedas y X la variable aleatoria

definida como nmero de caras. Sea f : R [0, 1] definida por
f(x) = P(X = x), en donde x es un posible valor de X, es decir, f se define as:

Equivalentemente :

Interpretacin : f(1) = 1/2 se interpreta de la siguiente manera: de un

gran nmero de veces que lancemos dos monedas, el 50% de las veces
saldra 1 cara.

Solucin :

Para : i= 1,2,3 sea :

Mi el evento que representa el hecho de que el auditor detecto un error en el
ingreso i es decir P(Mi) =0.05

Bi el evento que representa el hecho de que el auditor no detecto un error en

el ingreso i es decir P(Bi)
=
1 P(Mi) = 1-0.05 = 0.95
Sea X la variable aleatoria que representa el numero de errores detectados
por el auditor
X =0,1,2 o 3
Utilizando la independencia de eventos de Mi de los Bi y los eventos de Mi
con los de Bi

Funcin de Distribucin Acumulada

Hay muchos problemas en los cuales se desea calcular la probabilidad de que
el valor observado de una variable aleatoria X sea menor o igual a algn
nmero real x. Si se escribe
F(t) = P(X t) para cada nmero real t,
se dice que F es la funcin de distribucin acumulada o, simplemente, la
funcin de distribucin de X.

Ahora, hallaremos la funcin de distribucin F de X.

Clculo de f a partir de F

Calcularemos f a partir de F

Clculo de Probabilidades de la forma

a partir de f o F

Media y Varianza de Distribuciones Discretas

Si se promedian los resultados de los lanzamientos del dado se obtendr 3.5

DISTRIBUCIN BINOMIAL
Experimento de Bernoulli

Experimento de Binomial

Ejemplo :

Para la funcin de probabilidad f y F de una variable aleatoria que tiene

distribucin binomial con parmetros n y p:

=(
Uso de tablas binomiales

) 3

= 1/8

ESPERANZA Y VARIANZA DE UNA DISTRIBUCON BINOMIAL

EJEMPLO PARA EL EJERCICIO ANTERIOR

DISTRIBUCIN POISSON

La llamada distribucin de Poisson representa adecuadamente la estructura

probabilstica del numero de eventos que ocurren en un intervalo de tiempo ( 0, t)

Uso de tablas Poisson

ESPERANZA Y VARIANZA DE UNA DISTRIBUCON DE POISSON

EJEMPLO PARA EL EJERCICIO ANTERIOR

El numero de clientes que entran en un intervalo especifico de 10 minutos son :

APROXIMACION DE LA DISTRIBUCION BINOMIAL A LA DE POISSON

Solucin :

VARIABLE ALEATORIA CONTINUA

La variable que se esta considerando puede tomar cualquier valor dentro de un

intervalo dado.
Ejemplo:
Los pesos del agua mineral, debido a que los contenedores pueden tomar
cualquier valor entre10 y 25 libras.
La estatura de los clientes en una tienda de ropa.
El tiempo transcurrido de llegada de clientes a un banco x>=0
La variable puede medirse con cualquier valor , incluyendo fracciones de la unidad.
Para comprender mejor la naturaleza de una variable aleatoria continua
consideremos los datos de la edades de 169 pacientes.

Imagine ahora una situacin donde el nmero de valores de la variable aleatoria

es muy grande y la amplitud de los intervalos de clase son muy pequeos

Cuanto mas se aproximan a infinito el numero de n observaciones y la amplitud de los

intervalos de clase se aproximan a cero, el polgono de frecuencias se aproxima a una
curva mas suave.

Para encontrar el rea bajo una curva se utiliza el calculo integral. Para calcular el
rea bajo la curva entre dos puntos cualesquiera a y b se integra la funcin de
densidad de a y b, esta funcin se utiliza para representar la distribucin de variable
aleatoria.

funcin de densidad de una v.a. continua, que se define como una funcin f : IR
IR integrable, que verifica las dos propiedades siguientes:

DISTRIBUCION NORMAL : DISTRIBUCION DE UNA VARIABLE

ALEATORIA CONTINUA
Varios matemticos han contribuido a su desarrollo, entre los que podemos contar
al astronomo-matematico del siglo XVIII Karl Gauss (distribucin Gaussiana)

IMPORTANCIA
Tiene algunas propiedades que la hacen aplicable a un gran nmero de
situaciones en las que es necesario hacer inferencias mediante la toma de
muestras.
Casi se ajusta a las distribuciones de frecuencias reales observadas en muchos
fenmenos, incluyendo las caractersticas humanas (peso, altura, coeficiente
intelectual), resultados de procesos fsicos (dimensiones y rendimientos) y en la
administracin.

CARACTERISTICAS DE LA DISTRIBUCION NORMAL

La curva tiene un solo pico; por tanto, es unimodal. Tiene la forma de campana.
La media de una poblacin distribuida normalmente cae en el centro de su curva
normal.
Debido a la simetra de la distribucin normal de probabilidad, la mediana y la
moda de la distribucin se encuentran tambin en el centro (tienen el mismo valor)
Las dos colas de la distribucin normal de probabilidad se extienden
indefinidamente y nunca tocan el eje horizontal.

La mayor parte de las poblaciones reales no se extienden de manera indefinida en

ambas direcciones; pero para estas poblaciones, la distribucin normal es una
aproximacin conveniente.

No hay una sola curva normal, sino una familia de curvas normales.
Para definir una distribucin normal de probabilidad necesitamos definir slo dos
parmetros y

Muy pocas aplicaciones que haremos de la distribucin normal de probabilidad implican

intervalos de exactamente (+-) 1,2,3 a partir de la media.
Tenemos que remitirnos a tablas estadsticas que indican porciones del rea bajo la
curva normal que estn contenidas dentro de cualquier nmero de a partir de la
media.
No es posible ni necesario tener una tabla distinta para cada curva normal posible, en
lugar de ello utilizamos Distribucin de Probabilidad Normal estndar para encontrar
reas bajo cualquier curva normal.
DISTRIBUCION DE PROBABILIDAD NORMAL ESTANDAR

EJEMPLO 1:
Tenemos un programa de entrenamiento diseado para mejorar la calidad de las
habilidades de los supervisores de lnea de produccin. Debido a que el programa
es autoadministrado, los supervisores requieren un nmero diferente de horas
para terminarlo. Un estudio de los participantes anteriores indica que el tiempo
medio para completar el programa es de 500 horas y que esta variable aleatoria
normalmente distribuida tiene una desviacin estndar de 100 horas :

EJEMPLO 2: