PROBABILIDAD

UNIDAD 2: FASE 6 - DISTRIBUCIONES DE PROBABILIDAD

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA – UNAD

2017
 INTRODUCCIÓN

De esta manera, si nosotros nos encontramos con un fenómeno real tal y como puede ser realizar
unainversión o no, este es un fenómeno que tiene dos posibles valores, invertir, no invertir; bien,
veremos que este tipo de fenómenos los podemos estudiar como una variable o distribución de
Bernuille. Si nosotros hemos estudiado esta variable tendremos perfectamente identificados tanto la
media como la varianza como su función de cuantía, etc... es decir, conocemos el comportamiento
probabilístico de este fenómeno.
CUADRO SINÓPTICO

Es una función de probabilidad que asigna un número real a cada

resultado en el espacio muestral de un experimento aleatorio.

DISCRETA toma valores enteros (a saltos)

VARIABLES ALEATORIAS

toma valores reales

CONTINUA

DISTRIBUCIONES
Permiten enfrentar circunstancias en las que los resultados pertenecen a dos categorías relevantes: que ocurra un
evento determinado o que no lo haga.
BINOMIAL Este tipo de experimento aleatoria se denomina ensayo de Bernoulli.
Sus dos resultados posibles son denotados por “éxito” y “fracaso”

la probabilidad de un éxito: p
la probabilidad de un fracaso: 1-p

BINOMIAL NEGATIVA La variable aleatoria x es el numero de ensayos de Bernoulli efectuados hasta que se tiene r exitos,
O DE PASCAL con una probabilidad constante de éxito p.

𝒇(𝒙, 𝒑, 𝒓) = (𝒙−𝟏
𝒓−𝟏
) ∙ 𝒑𝒙−𝒓 ∙ 𝒑𝒓 𝒙 = 𝒓, 𝒓 + 𝟏, 𝒓 + 𝒓 + 𝟐 +∙∙∙

GEOMÉTRICA Definida como el número de ensayos de Bernoulli necesarios para obtener el primer éxito.
Sea, la variable aleatoria x el número de ensayos realizados hasta obtener un éxito, ella tiene una
distribución geométrica con parámetros p, y se expresa:
𝒙−𝟏
𝒇(𝒙; 𝒑) = (𝟏 − 𝒑) 𝒙 = 𝟏, 𝟐, …

HIPERGEOMÉTRICA Distribución discreta relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se
tiene una población de N elementos de los cuales, d pertenecen a la categoría A y N – d a
la B. la distribución hipergeométrica mide la probabilidad de obtener x (0 ≤ 𝑥 ≤ 𝑑) elementos de
la categoría A en una muestra de n elementos de la población original.
(𝒌𝒙)(𝑵−𝒌
𝒏−𝒙 )
𝑭(𝒙; 𝑵, 𝒌; 𝒏) = 𝒙 = 𝟎, 𝟏, 𝟐, … 𝐦𝐢𝐧(𝒌, 𝒏)
(𝑵
𝒏)

DE POISSON Un proceso de Poisson constituye un mecanismo físico aleatorio en el cual los eventos ocurren al azar en una
escala de tiempo (o de distancia). Dado un proceso Poisson donde 𝞴 es el número promedio de ocurrencias en el
intervalo de números reales donde este se define la variable aleatoria X correspondiente al número de ocurrencias
en el intervalo es llamada variable aleatoria de Poisson y su función de Probabilidad está dada por:
𝒆 − 𝞴 𝞴𝒙
𝑓 (𝑥; 𝞴) = 𝒙! 𝒙 = 𝟎, 𝟏, 𝟐, … 𝞴 > 𝟎

UNIFORME Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad
DISCRETA cada uno de ellos. La variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor máximo b.
Valores x: a, a + 1, a + 2, ..., b, números enteros
Parámetros: a: mínimo, a entero
 b: máximo, b entero con a < b:
𝟏
𝐟(𝐱) = 𝐧

Continuación cuadro sinóptico

DISTRIBUCIONES

UNIFORME Describir una variable aleatoria con probabilidad constante sobre el intervalo [a, b] en el que está definida. Esta
CONTINÚA distribución presenta una peculiaridad importante: la probabilidad de un suceso dependerá exclusivamente de la
amplitud del intervalo considerado y no de su posición en el campo de variación de la variable. Cualquiera sea la
distribución F de cierta variable X, la variable transformada Y=F(X) sigue una distribución uniforme en el
intervalo [0,1]. Esta propiedad es fundamental por ser la base para la generación de números aleatorios de
cualquier distribución en las técnicas de simulación.
Campo de variación: a £ x £ b
Parámetros: a: mínimo del recorrido
b: máximo del recorrido

NORMAL Es la distribución de probabilidad más importante del Cálculo de probabilidades y de la Estadística. Fue descubierta
por De Moivre (1773), como aproximación de la distribución binomial. La importancia de la distribución normal queda
totalmente consolidada por ser la distribución límite de numerosas variables aleatorias, discretas y continuas, como se
demuestra a través de los teoremas centrales del límite. Las consecuencias de estos teoremas implican la casi universal
presencia de la distribución normal en todos los campos de las ciencias empíricas: biología, medicina, psicología, física,
economía.
Campo de variación:-¥ < x < ¥
Parámetros: Mu: media de la distribución, -¥ < Mu < ¥
Sigma: desviación estándar de la distribución, Sigma > 0

CHI CUADRADO(X2) Es una distribución de probabilidad continua con un parámetro k que representa los grados de libertad
DE PEARSON de la variable aleatoria.
O JI CUADRADO se deriva de la distribución normal y está relacionada con teoría de muestreo de pequeñas muestras
n<30.
Son la base de metodologías inferenciales, como Intervalos de confianza y Pruebas de Hipótesis.

Sea:𝑿 = 𝒁𝟐𝟏 + 𝒁𝟐𝟐 + 𝒁𝟐𝟑 … + 𝒁𝟐𝒌 y k variables normales e Independientes,

cada una con media cero y varianza 1.
Entonces la variable aleatoria 𝑿𝟐 = 𝒁𝟐𝟏+ 𝒁𝟐𝟐 + 𝒁𝟐𝟑 … + 𝒁𝟐𝒌
se llama variable aleatoria chi cuadrado con k grados de libertad.
(𝒇𝒐−𝒇𝒆)𝟐
X2 = ∑ 𝒇𝒆
δ = Nivel de significancia

DE T STUDENT
William Sealy Gosset (1976-1937) quien escribía bajo el seudónimo “student” describió en 1906 la
distribución de la variable t, cuya función de identidad es:

𝐶
y = f(t) = 𝑡2 con - ͚ < t < +͚
(1+ )√1/2
𝑉

‾𝑥− 𝜇 ‾𝑥− 𝜇
t= z=
𝑠/√𝑛 𝛿/√𝑛
Para entregar una Tarjeta de crédito en los bancos del grupo Aval, los analistas del banco clasifican
o califican al cliente en función de la probabilidad de que resulte rentable. Una tabla habitual de
calificaciones es la siguiente:

 INFORME A PRESENTAR

Prepare un informe en el que como mínimo, incluya:

1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.

2.- Con los datos anteriores construya una variable aleatoria que represente el número de clientes
rentables para el banco y determine: ¿Cuál es la probabilidad de que los tres resulten rentables?

3.- ¿Cuál es la probabilidad de que ninguno sea rentable?

4.- Determine la distribución de probabilidad total del número de clientes rentables entre este grupo
de tres clientes.

5.- Redacte un breve resumen de sus hallazgos.

La calificación es la suma de los puntos de los seis rubros. Por ejemplo, Sushi Brown tiene menos
de 25 años (12 puntos); ha vivido en el mismo domicilio durante dos años (0 puntos); desde hace
cuatro años es dueño de un automóvil (13 puntos), por el que realiza pagos de $75 (6 puntos);
realiza gastos domésticos de $200 (10 puntos) y posee una cuenta de cheques (3 puntos).

La calificación que obtendría sería de 44. Después, con una segunda tabla, se convierten las
calificaciones en probabilidades de rentabilidad del cliente, asi:

La puntuación de Sushi (44) se traduciría en una probabilidad de rentabilidad aproximada de 0.81.

En otras palabras, 81% de los clientes como Sushi generarían dinero a las operaciones con tarjeta
del banco. A continuación, se muestran los resultados de las entrevistas con los tres posibles
clientes

SOLUCION

1. Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.

Dada la tabla de datos de correspondencia entre puntaje y probabilidad de ser rentable ejecutamos una
regresión lineal para encontrar la función de densidad de esta variable aleatoria.

P(SER RENTABLE) = 0.0043X + 0.6093

X: PUN TAJE
 PUNTAJE DE CLASIFCACIÓN
Criterio David Edward Ann
Born Brendan McLaughlin
Edad 18 12 0
Tiempo de vivir en el mismo 20 0 20
domicilio
Antigüedad del Auto 13 13 3
Pago Mensual del Auto 4 6 4
Costo de Vivienda 10 10 12
Cuanta de Cheque o ahorros 15 3 2
Puntaje Total 80 44 41
P(ser rentable) 0,95 0,7985 0,7856

2. Con los datos anteriores construya una variable aleatoria que represente el número de
clientes rentables para el banco y determine: ¿Cuál es la probabilidad de que los tres resulten
rentables?

Dado que el puntaje es quien determina la rentabilidad del cliente, nuestra variable aleatoria será X:
puntaje y la función de densidad representa la probabilidad de que un cliente sea rentable así:

0.00216008 𝑅=0
0.05751636 𝑅=1
𝑃(𝑅) = 0.3438704 𝑅 = 2
0.59593652 𝑅=3
{ 𝑂 𝑒. 𝑜. 𝑐

P(R=3) =0.95*0.7985*0.7856=0.59593652
3¿Cuál es la probabilidad de que ninguno sea rentable?

P(R=0) = (1-0.95)*(1-0.7985)*(1-0.7856)=0.00216008

4 . Determine la distribución de probabilidad total del número de clientes rentables entre este
grupo de tres clientes.
 0.00216008 𝑅=0
0.05967644 𝑅=0 𝑣 𝑅=1
𝑃(𝑅) = 0.40622356 𝑅 = 0 𝑣 𝑅 = 1 𝑣 𝑅 = 3
1 𝑅=0 𝑣𝑅=1 𝑣 𝑅=2 𝑉 𝑅=3
{ 𝑂 𝑒. 𝑜. 𝑐

 CASO 2

La distribución de probabilidad binomial es una distribución de probabilidad discreta que se

presenta con mucha frecuencia.

Una de sus características consiste en que sólo hay dos posibles resultados en un determinado
ensayo del experimento y los resultados son mutuamente excluyentes; Otra característica de la
distribución binomial es el hecho de que la variable aleatoria es el resultado de conteos. Es decir, se
cuenta el número de éxitos en el número total de ensayos. Una tercera característica de una
distribución binomial consiste en que la probabilidad de éxito es la misma de un ensayo a otro.

Un estudio del Departamento de Transporte de Illinois concluyó

que 86.2% de quienes ocupaban los asientos delanteros de los
vehículos utilizaba cinturón de seguridad. Esto significa que los
dos ocupantes de la parte delantera utilizaban cinturones de
seguridad. Suponga que decide comparar la información con el
uso actual que se da al cinturón de seguridad, para lo cual
selecciona una muestra de 10 vehículos.

Presente un informe en el que como mínimo incluya:

1.- ¿Esta situación cumple con los supuestos de la distribución binomial? Identifíquelos

Esta situación i cumple todos los supuestos de la distribución binomial. Cumple el primer supuesto
por se presentan la probabilidad de que utilicen o no el cinturón los ocupantes de los puestos
delanteros del auro. El segundo supuesto se cumple porque la variable aleatoria que es el número de
carros es el resultado de conteos. Y por último, se cumple el tercer supuesto porque la probabilidad
de que se utilicen los dos cinturones en los puestos delanteros es independiente para cada uno de los
carros.

2- Elabore un diagrama de barras para la distribución de probabilidad binomial que

representa esta situación
El siguiente diagrama muestra la distribución de probabilidad de que en un total de 12 carros se
utilice el cinturon de la parte delatntera:

3.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera en exactamente 6 de

los 12 vehículos seleccionados utilicen cinturones de seguridad?

De acuerdo a los datos presentados, la probabilidad de que en exactamente seis de los doce
vehículos lleven puesto el cinturon es

𝑁!
𝑃(𝑛) = 𝑝𝑛 (1 − 𝑝)𝑁−𝑛
𝑛! (𝑁 − 𝑛)!

12!
𝑃(𝑛) = (0.862)6 (0.138)6 = 0.003
6! (6)!

Se puede apreciar que la probabilidad de que en seis de doce carros lleven el cinturón puesto es muy
baja.

4.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de por lo menos 6 de
los 12 vehículos utilicen cinturón de seguridad?
Para calcular esta probabilidad se deben sumar las probabilidades de que desde seis hasta doce
autos tengan el cinturon puesto, por lo tanto

12! 12! 12!

𝑃= (0.862)6 (0.138)6 + (0.862)7 (0.138)5 + (0.862)8 (0.138)4
6! (6)! 7! (5)! 8! (4)!
12! 12!
+ (0.862)9 (0.138)3 + (0.862)10 (0.138)2
9! (3)! 10! (2)!
12! 12!
+ (0.862)11 (0.138)1 + (0.862)12 (0.138)0 = 0.999
11! (1)! 12! (0)!

Esta probabilidad es tan grande porque, como se observa en el gráfico, el pico de la distribución de
probabilidad está cerca de estos valores del número de autos que llevan puesto el cinturón.

5.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de máximo 6 de los 12
vehículos utilicen cinturón de seguridad?

Cuando dicen máximo seis de los doce vehículos se deben sumar las probabilidades de que desde
cero hasta seis autos lleven puesto el cinturon de seguridad, por lo tanto

12! 12!
𝑃 = (0.862)0 (0.138)12 + (0.862)1 (0.138)11 + (0.862)2 (0.138)10
1! (11)! 2! (10)!
12! 12! 12!
+ (0.862)3 (0.138)9 + (0.862)4 (0.138)8 + (0.862)5 (0.138)7
3! (9)! 4! (8)! 5! (7)!
12!
+ (0.862)6 (0.138)6 = 0.003
6! (6)!

Esta probabilidad es tan baja porque estos valores del número de vehículos que llevan e cinturon
puesto están más alejados del pico máximo de la distribución de probabilidad.

6.- Encuentre el valor esperado del número de vehículos en los que los ocupantes de la parte
delantera utilizan el cinturón de seguridad?

El valor esperdo es:

𝑁𝑝 = (12)(0.862) = 10.34

Este valor esperado está de acuerdo con la gráfica de la distribución de probabilidad en donde el
pico máximo se encuentra en este valor.

Comentarios sobre este caso de estudio

En este caso de estudio se utilizaron las dos siguientes herramientas de la probabilidad:

 La distribución binomial
 La suma de probabilidades

Con la distribución binomial se calculó la probabilidad de que en un determinado número de

vehiculos llevaran puesto el cinturon de seguridad en los asientos delanteros. La suma de
probabilidades se utilizó en los items donde por ejemplo, pedian determinar la probabilidad
de que en por lo menos 6 de los 12 vehiculos lleven puesto el cinturon de segurdad. En estos
casos se sumó la probabilidad de que en ninguno, en uno solo, en dos, y asi hasta llegar a
seis vehiculos llevaran el cinturon puesto.
 REFERENCIAS BIBLIOGRAFICAS

 Canavos GC. Probabilidad y estadística: aplicaciones y métodos. Madrid: McGraw-Hill;

1988. - Fernández-Abascal H, Guijarro MM, Rojo JL, Sanz JA. Cálculo de probabilidades y
estadística. Barcelona: Editorial Ariel; 1994. - Herrerías Pleguezuelo R, Palacios González
F. Curso de inferencia estadística y del modelo lineal simple. Madrid: Delta, Publicaciones
Universitarias; 2007. - Martín-Pliego J, Ruiz-Maya L. Estadística I: Probabilidad. 2ª ed.
Madrid: Thomson; 2004. - Meyer PL. Probabilidad y aplicaciones estadísticas. 2ª ed.
Bogotá: Fondo Educativo Interamericano; 1973. - Weisstein EW. From MathWorld-A
Wolfram Web Resource [página en internet]. Statistical Distribution. Disponible en:
http://mathworld.wolfram.com/topics/StatisticalDistributions.html