Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de Frecuencia
Distribuciones de Frecuencia
C
S CCS (1) 0.53=0.125
S C
S SCS (2) 0.53=0.125
S (3) 0.53=0.125
SSS
Experimento: Lanzar 3
monedas
Evento: Número de Sellos
N° Sellos Resultado Probabilidad Probabilidad
0 CCC 0.5 x 0.5 x 0.5 0.125
1 CCS 0.5 x 0.5 x 0.5 0.125
1 CSC 0.5 x 0.5 x 0.5 0.125
1 SCC 0.5 x 0.5 x 0.5 0.125
2 CSS 0.5 x 0.5 x 0.5 0.125
2 SCS 0.5 x 0.5 x 0.5 0.125
2 SSC 0.5 x 0.5 x 0.5 0.125
3 SSS 0.5 x 0.5 x 0.5 0.125
1.00
Experimento: Lanzar 3
monedas
Evento: Número de Sellos
Distribución de Probabilidades
N° Sellos Probabilidad
0.4
0 0.125 0.35
0.3
1 0.375
Probabilidad
0.25
2 0.375 0.2
0.15
3 0.125 0.1
1.0 0.05
0
0 1 2 3
Número de Sellos
N° Sellos Probabilidad
0 0.125
1 0.375
2 0.375
3 0.125
VARIABLE
PROBABILIDAD
ALEATORIA
F (x) = P( X x)
F (3) = P( X 3) = f (0) + f (1) + f (2) + f (3)
Valor Esperado de una
Distribución de Probabilidad
• Se denota E(X).
• Media de la Distribución de Probabilidad ()
• Media Pesada de los valores de X.
• Las probabilidades actúan como pesos
(suman 1).
μ = E( X ) = x * P( X = x)
μ = E( X ) = x * f (x)
Valor Esperado de una
Distribución de Probabilidad
P(X=0) = 0.125 → 0 x 0.125 = 0
P(X=1) = 0.375 → 1 x 0.375 = 0.375
P(X=2) = 0.375 → 2 x 0.375 = 0.750
P(X=3) = 0.125 → 3 x 0.125 = 0.375
Suma: 1.5
Varianza de una
Distribución de Probabilidad
• Se denota VAR(X) o σ2.
• Es el valor esperado (promedio) de las
desviaciones cuadráticas de cada valor x de la
Variable Aleatoria X.
= VAR ( X ) =
2
E( X − ) 2
= ( x − ) 2 * f (x)
= VAR(X ) = E( X ) − E(X )
2 2 2
= x P(x) − 2
2 2
Desviación Estándar de una
Distribución de Probabilidad
• Raíz Cuadrada de la
Varianza.
= = VAR( X ) =
2
( x − ) 2
* f ( x)
= = VAR( X ) = E( X ) − E( X )
2 2 2
= x P(x) −
2 2
Ejemplo 1
Una tienda de autos ha establecido la siguiente
distribución de probabilidades de los autos que espera
• vender un día sábado en particular:
Numero de autos vendidos Probabilidades
0 0.1
1 0.2
2 0.3
3 0.3
4 0.1
Binomial HIPERGEOMÉTICA
Poisson
Distribución Binomial
• La totalidad del experimento está compuesto por una
secuencia de intentos o ensayos idénticos.
• En cada intento o ensayo hay dos posibles resultados,
mutuamente excluyentes: éxito o fracaso.
• La probabilidad de éxito (p) permanece constante de
ensayo a ensayo. La probabilidad de fracaso (q) es el
complemento de p, es decir, 1-p.
• Los ensayos o intentos son estadísticamente
independientes.
La variable aleatoria cuenta el numero de éxitos en un
numero fijo de pruebas.
Para un experimento Binomial sea p la
probabilidad de un éxito y 1-p la
probabilidad de un fracaso en un solo
ensayo, entonces la probabilidad de
obtener x éxitos en n ensayos esta dada
por la función de probabilidad
𝒏 𝒙
𝒇 𝒙 =𝑷 𝑿=𝒙 = 𝒑 (𝟏 − 𝒑)𝒏−𝒙
𝒙
Probabilidad en una
Distribución Binomial
Si f (x) = P( X = x) para x = 0, 1, 2,..., n
n! r n − r
f (x) = p q
r!(n − r)!
• p= probabilidad de éxito de cada
intento
• q= probabilidad de fracaso de cada
intento
• n= número de intentos realizados.
• r= número de éxitos deseados.
Tendencia Central y Dispersión
en la Distribución Binomial
• Media o Valor Esperado
= E( X ) = np
• Desviación Estándar
= npq
Ejemplo 2
Una compañía que vende por
teléfono, ha vendido 20
artículos en las últimas 100
llamadas. Si durante un turno
se llaman a 12 clientes, ¿cuál
es la probabilidad de:
A. No hacer ninguna venta?
B. Hacer exactamente 2 ventas?
C. Hacer como máximo 2 ventas?
D. Hacer al menos 2 ventas?
Distribución Hipergeométrica
• Dado un conjunto de N elementos, que
pueden ser individuos u objetos, y r de ellos
poseen cierta característica (éxitos) y N-r no
la poseen (fracasos). Al elegir aleatoriamente
un elemento de este conjunto, para la
siguiente elección, el tamaño y característica
de la muestra cambió(binomial sin reposición)
• Si el tamaño de la muestra(n) es mayor que
el 5% de la población(N), usar esta
distribución
REGLA GENERAL:
Si los elementos seleccionados no se
regresan a la población, la distribución
binomial puede utilizarse para calcular la
distribución hipergeométrica cuando
n<0.05N.
Es decir, la binomial bastará si el tamaño
de la muestra es menor que 5% de la
población.
Probabilidad de una distribución
Hipergeométrica
• Función de probabilidad:
e x −
f (x) =
x!
• λ= promedio de ocurrencias por intervalo de tiempo
o espacio.
• e= 2.71828 Base de logaritmos neperianos o
naturales.
x es el numero de exitos
Tendencia Central y Dispersión
en la Distribución Poisson
• Media o Valor Esperado
=
• Varianza
=
2
• Desviación Estándar
=
Distribución de Poisson como una
aproximación de la Distribución
Binomial
• La distribución de Poisson es una buena
aproximación de la distribución binomial cuando n
es igual o mayor que 20 y p es igual o menor a
= np
0.05.
x −np
(np) e
f (x) =
x!
Ejemplo 4
Los clientes llegan a
la ventanilla a un
régimen de 72 por
hora. ¿Cuál es la
probabilidad de que 4
clientes lleguen en un
lapso de 3 minutos?
Ejemplo 5
En la inspección de hojalata producida por un
proceso electrolítico continuo, se identifican 0.2
imperfecciones en promedio por hora.
Determine las probabilidades de identificar
=1
=5
= 10
X
= 50
Familia de Distribuciones
Diferente , Igual
= 15 =25 = 40 X
Familia de Distribuciones
Diferente , Diferente
=1
=3
= 10
= 15 =25 = 40 X
Áreas bajo la
curva normal
16% 16%
68.3%
1 1
X
Áreas bajo la
curva normal
16% 16%
68.3%
1 1
X
2.25% 2.25%
95.5%
X
2 2
Áreas bajo la
curva normal
16% 16%
68.3%
1 1
X
2.25% 2.25%
95.5%
X
2 2
=0
=1
-3 -2 -1 0 +1 +2 +3
Distribución Normal y
Distribución Normal Estándar
= 100
= 20
x −
z=
Estandarizar la
Distribución Normal
Distribución Normal Distribución Normal Estándar
z = 1
x
z =0
z
• x - valor de una variable aleatoria.
x − - media de la distribución de la variable
z=
aleatoria.
- desviación estándar de la distribución.
• z - número de desviaciones estándar desde
x a la media de la distribución.
Estandarización de una
Distribución Normal
Distribución Normal
= 50
= 25
x
−25 0 25 50 75 100 125
z= x−
-3 -2 -1 0 1 2 3
Ejemplo de
Estandarización
=5 Encontrar:
P(10 < x < 14.2)
Si media=10
= 10 14.2 X Desviación estándar=5
x − 14.2-10
z = = = 0.84
5
Z P( 0 <z<0.842)=?
0 0.842
Rpta=0.7995-0.5
Rpta= 0.2995
Ejemplo de
Estandarización
z
P(10 < x < 14.2)
Z
0 0.842 P( 0 <z<0.842)=?
P(0<z<0.842)=P(z<0.842)-P(z<0)
P(z<0.842)= DISTR.NORM.ESTAND.N(0.842;1)
= = = 0.84
0.842
P(0<z<0.842)=DISTR.NORM.ESTAND.N(0.84;1)-0.5
Cálculo de Probabilidad
P(5 x 15)
= 10
=5
5 10 15 X
x − 15-10
.6827 z= = =1
5
x − 5-10
z= = = -1
5
−1 0 1 Z
Cálculo de Probabilidad
P(x 18.2)
= 10
=5
= 10 18.2 X
x − 18.2-10
.05055 z= = = 1.64
5
0 1.64 Z
=1- DISTR.NORM.ESTAND.N(1.64,VERDADERO)
Cálculo de valor x
x=16.4
= 10 ? X
= np
discreto.
= npq
Problema
• Asuma que el 50% de los trabajadores
turno noche de una empresa fuman al
menos media cajetilla de cigarrillos por
día. ¿Cuál es la probabilidad que una
muestra de 10 trabajadores, extraída al
azar, contendrá 3 o más trabajadores
fumen al menos media cajetilla de cigarros
por día?
n p 5 y n q 5
P(r 3)
np = 10 * 0.5 = 5
p = 0.5
nq = 10 * 0.5 = 5
q = 0.5
= np = 5
n = 10
= npq = 1.5811
r = 3
0.9453125 0.94308129
0 1 2 3 4 5 6 7 8 9 10
P( X 2.5)