UNIVERSIDAD DE CARTAGENA

FACULTAD DE CIENCIAS ECONOMICAS

PROGRAMA DE ADMINISTRACION FINACIERA

MODELOS INFERENCIALES

DISTRIBUCION DE PROBABILIDADES

TUTOR:

Jairo Alonso Carrascal Quintero

KELYS YOJANA FERNANDEZ FERNANDEZ

NYDIA BIBIANA CASTRO

WILLIAM MIGUEL LARA REYES

LILI OLMOS

VERÓNICA HURTADO

CARTAGENA – 2015
Distribución de Probabilidad

Una distribución de probabilidad es una lista de las probabilidades de todos los resultados posibles que pudieran resultar si el
experimento de realiza, es decir, es la suma de todas las funciones en las que interviene la variable aleatoria “x” bajo estudio.

Las distribuciones de probabilidad siempre es la suma de todas las funciones posibles, por tanto su sumatoria siempre tiene que ser
igual al espacio muestral; esto es: f(x) = 1 f(x) = 100% Para saber cuál es la f(x) que corresponde se deberá estudiar los tipos de
distribuciones de probabilidad que podemos tener.

Para esto, lo importante es definir el tipo de variable que tenemos bajo estudio, y de aquí surge la clasificación de las distribuciones.

Clasificación de las Distribuciones de Probabilidad

Distribuciones Discretas: Se presentan cuando nuestra variable de estudio es discreta; esto es, solo puede asumir valores
enteros, sin decimales.

 Distribución Binomial
 Distribución de Poisson
 Distribución Hipergeométrica

Distribuciones Continuas: Se presentan cuando nuestra variable de estudio es continua; y puede asumir valores dentro de un
intervalo de valores.

 Distribución Normal
 Aproximación Normal para la Distribución Binomial
 Aproximación Normal para la Distribución
DISTRIBUCION CONCEPTO FORMULA MEDIA VARIANZA ASIMETRÍA
ARITMETICA

Esta distribución corresponde a f ( x )=( n ) p q n−x El valor La varianza de 1. Cuando p = 0.50,

la realización de un para x=0 , 1, 2 , … .., n esperado de una variable esto es p = q,
experimento aleatorio que En donde: una variable aleatoria cualquier distribución
cumple con las siguientes  f ( x ) = Función aleatoria binomial es binomial es simétrica,
condiciones: de x de la binomial siempre igual es decir, exhibe cero
1. El experimento consta de n distribución siempre es igual al número de asimetría.
ensayos o pruebas idénticas binomial al número de ensayos del 2. Cuando p < 0.50,
2. Los datos recopilados son el  ( ) = Coeficiente ensayos del experimento esto es p < q, la
resultado de conteos binomial (análisis experimento multiplicado distribución es
3. Cada ensayo sólo puede combinatorio) multiplicado por por lapositivamente
tener un resultado de dos  n = Tamaño de la probabilidad probabilidad sesgada (a la
posibles, que se llaman “éxito” la muestra o de éxito en de éxito en derecha).
(p) y “fracaso” (q), los cuales número de cualquier cualquier 3. Cuando p > 0.50,
BINOMIAL son mutuamente excluyentes ensayos ensayo, es decir ensayo, esto es p > q,
4. La probabilidad p de “éxito” (pruebas) μ=np multiplicado a la distribución es
es constante de ensayo a  x = Número de su vez por la negativamente
ensayo, es decir, es invariable. éxitos probabilidad sesgada (a la
La probabilidad de un fracaso observados de fracaso en izquierda).
es (1 -p) = q (valor de cualquier 4. A medida que el
5. Los ensayos son variable) ensayo, es tamaño de la muestra
estadísticamente  p = Probabilidad decir (n) aumenta, la
independientes, esto es la de éxito en cada
2
∇ =n . p .q distribución se hace
ocurrencia de uno no afecta la ensayo q = Así mismo la más y más simétrica
ocurrencia del otro. 6. Interesa Probabilidad de desviación
conocer x, el número de éxitos fracaso que se estándar de
observados en n pruebas obtiene por: 1- p una variable
aleatoria
binomial es
 ∇= √ n . p . q

APROXIMACIÓN DE
La distribución recibe su μx . eμ LA BINOMIAL POR
nombre en honor de Simeon f ( x ) = LA DISTRIBUCIÓN
x!
Poisson (1781-1840) quien la Para x=0,1,2,3 DE PROBABILIDAD
estudió y dio a conocer en DE POISSON
1837. El definió lo que ahora En donde:
recibe el nombre de variable Este uso está
aleatoria de Poisson, como el  f ( x) = Función particularmente
número de acontecimientos de x de la justificado en el caso
raros de un evento específico distribución de de un proceso
que ocurren en una unidad de probabilidad de Bernoulli en el que el
tiempo o espacio especificado. Poisson. número de ensayos,
 μ = Valor n. es grande y la
Un proceso de Poisson es el esperado (media μ=n p ∇ 2=n . p probabilidad de éxito
POISSON acontecimiento de una serie de aritmética del en cualquier intento,
eventos de un tipo dado, en número de p, es pequeño, es
forma aleatoria, en un tiempo o ocurrencias decir:
espacio, tal que: (éxitos) en un n > 30 y p  0.05
1. El número de intervalo de
acontecimientos dentro de un tiempo y de preferencia que
tiempo o espacio especificado determinado). el valor esperado sea
es igual a cualquier entero  x = Número de también pequeño, es
entre 0 e infinito. acontecimientos decir: μ  5
2. El número de por unidad de
acontecimientos dentro de una tiempo o espacio
unidad de tiempo o espacio es (valor de la
independiente del de cualquier variable)
otra unidad (que no se  ! = Factorial de
traslape) un número
3. La probabilidad de  e = 2.71828
acontecimientos es la misma (base de
en todas esas unidades. logaritmos
 naturales)

CARACTERÍSTICAS
La distribución
NORMAL Esta distribución de normal de
probabilidad fue descrita X .μ probabilidad da una
primeramente en 1753 por
Z= aproximación
∇
Abraham de Moivre (1667-1 bastante buena a la
754), pero fue popularizada por En donde: distribución binomial y
Adolphe Quetelet (1796 - 1574)  Z= de Poisson cuando el
quien la utilizó para analizar el Puntuaciones número de ensayos
concepto de “el hombre estándar es grande. Una regla
promedio”, y por Carl Friedrich  x = Valor práctica nos dice que
Gauss (1777-1855) que la usó observado podemos usar la
para describir errores de  μ = Media aproximación normal
medición en astronomía. Si el poblacional de la a la binomial y de
tipo de variable aleatoria distribución Poisson cuando:
cuantitativa que se presenta es  = Desviación
de naturaleza continua, es estándar
decir, que pueden tomar poblacional de la Aproximación normal
valores en todos los puntos de distribución para la distribución
una escala y sin interrupciones binomial
entre valores posibles. n > 30
Considérese las características n > 0.05
medidas en unidades de np>5
dinero, tiempo, distancia o n q> 5
peso, etc., la distribución que
se va a utilizar es la llamada Aproximación normal
Distribución de Probabilidad para la distribución de
Normal. Poisson
n > 30
Todos los tipos de distribución p  0.05
normal se representan en np>5
curvas simétricas, cada una de 5nq>5
ellas con su respectiva media y
desviación estándar. Para
poder estudiar este tipo de
distribuciones fue creada la
distribución normal
estandarizada, llamada así por
que utiliza las puntuaciones
estándar Z. Esta distribución
estandarizada sigue las
siguientes características:
1. La curva normal tiene perfil
de campana y presenta un solo
pico en el centro exacto de la
distribución. La media
aritmética, la mediana y la
moda de la distribución son
iguales y están en el punto
central. De esta forma la mitad
del área baja la curva se halla
a un lado (o por encima del
valor central) de ese punto. y la
otra mitad, al otro lado (o por
debajo). Es decir 50% de un
lado y 50% del otro lado.
2. Por lo anterior podemos
decir que es una curva
simétrica perfecta con una
media igual a cero y una
desviación estándar de uno, se
denomina Curva normal
estándar (μ = 0 y = 1).
3. Está completamente definida
a ± 3 de ahí se extiende a ±
 infinito, esto quiere decir que
jamás toca el eje de las x.
4. Esta curva tiene su punto
máximo en la media y tiene
puntos de inflexión en ± l .
5. Las probabilidades de que a
cualquier observación quede a
una, dos y tres desviaciones
estándar ( ) a partir de la media
( μ ) son 68.27%, 95.45% y
99.73%, respectivamente.

FACTOR DE CORRECIÓN POR CONTINUIDAD Puesto que la distribución normal maneja variables continuas y la distribución
binomial y de Poisson variables discretas, se hace necesario corregir las variables discretas que manejan el modelo binomial y de
Poisson y esto se logra restando o sumando ½ al valor de la variable aleatoria discreta.

FÓRMULA DE LA APROXIMACIÓN NORMAL PARA LA DISTRIBUCIÓN BINOMIAL Y DE POISSON

1
(X ± −μ)
2
Z=
∇

En donde:

 x = Valor de la variable aleatoria discreta que se comporta de acuerdo al modelo binomial o de Poisson.
 μ = n p = La media poblacional de una distribución binomial o de Poisson.
 = La desviación estándar poblacional de una distribución binomial.
 = La desviación estándar poblacional de una distribución de Poisson.
 Z = Valor de x en unidades de desviación estándar ya corregida.
 ½ = Factor de corrección por continuidad (F.C.C.)
TABLA PARA SABER CUANDO SUMAR O RESTAR EL FACTOR DE CORRECCIÓN POR CONTINUIDAD

P (X < X0 ) = X - ½

P (X  X0 ) = X + ½

P (X > X0 ) = X + ½

P (X  X0 ) = X - ½

P (X = X0 ) = X ± ½

En donde:

 X0 = Cualquier valor mayor o igual a 0 ( X0 = 0, 1,………, n )

 X = Valor de la variable aleatoria bajo estudio.

BIBLIOGRAFIA

http://metodoscuantitativo2.galeon.com/

http://www.franciscojaviercruzariza.com/