Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Una distribución de
probabilidad es la
enumeración de todos los
resultados de un
experimento junto con las
probabilidades asociadas.
Distribución Probabilística
La distribución de una variable X se define
como una descripción del conjunto de valores
posibles de X, junto con la probabilidad
asociada con cada uno de estos valores
Para una variable aleatoria discreta la
distribución de probabilidad se describe
mediante una función de probabilidad,
representada por f(x). Donde esta función
define la probabilidad de ocurrencia de cada
valor de la variable analizada
DISTRIBUCIONES PROBABILISTICAS
probabilidad. 30%
Ejemplo 15%
10%
Número de caras al lanzar 3
monedas. 5%
0%
0 1 2 3
10
FUNCIÓN DE DISTRIBUCIÓN
Es la función que asocia a cada valor de una variable, la
probabilidad acumulada de los valores inferiores o
iguales.
Piénsalo como la generalización de las frecuencias
acumuladas. Diagrama integral.
A los valores extremadamente bajos les corresponden
valores de la función de distribución cercanos a cero.
A los valores extremadamente altos les corresponden
11
FUNCIÓN DE DISTRIBUCIÓN
12
MEDIA DE UNA DISTRIBUCION DE
PROBABILIDAD
La media o esperanza matemática es una
medida de localización, que indica el valor
alrededor del cual fluctúa la variable aleatoria;
si ésta es continua, la media se define como:
µ = E(X) = Σ[x*P(X)]
13
VARIANZA DE UNA DISTRIBUCION
PROBABILISTICA
2 2
σ = E(X) = Σ[(X - µ) *P(X)]
Ejemplo 4
Una persona vende autos nuevos para una empresa. Generalmente negocia
el mayor numero de autos los sábados. Ha establecido la siguiente
distribución de probabilidad para el numero de autos que espera vender en
un sábado en particular.
3. De nuevo es util una tabla para sistematizar los cálculos para la variancia. Su
valor es 1.290
NÚMEROS DE PROBABILIDAD (X - µ) (X - µ)2 (X - µ)2. P(X)
AUTOS VENDIDOS P(X)
X
0 0.10 0 – 2.1 4.41 0.441
1 0.20 1 – 2.1 1.21 0.242
2 0.30 2 - 2.1 0.01 0.003
3 0.30 3 – 2.1 0.81 0.243
4 010 4 – 2.1 3.61 0.361
2
Total 1.00 σ = 1.290
σ= 1.136 17
Ejemplo 6: (continua)
Solución 2. Cantidad media cobrada por el refresco.
X P(x) xP(x)
50 0.30 15.00
75 0.50 37.50
90 0.20 18.00
Solución 3: 70.50
(X - µ)*(X -
X P(x) (X - µ) µ)*P(x)
50 0.30 -20.5 126.075
75 0.50 4.5 10.125
90 0.20 19.5 76.05
VARIANZA
212.25
DESVIACIO
N 14.57 18
19
Introducción
Existen muchas situaciones donde se espera que ocurra o no un
evento específico. Éste puede ser de éxito o fracaso sin dar paso a
un punto medio. Por ejemplo, en la producción de un artículo, éste
puede salir bueno o malo. Casi bueno no es un resultado de interés.
Para situaciones como éstas se utiliza la distribución binomial.
Por ejemplo:
Por ejemplo:
k - es el número de aciertos.
n - es el número de experimentos.
p - es la probabilidad de éxito, como por ejemplo, que salga
"cara" al lanzar la moneda.
1-p - también se le denomina como “q ”
Ejemplo1 de la función
F(x=k)
¿Cuál es la probabilidad de obtener 6 caras al lanzar una moneda
10 veces?
El número de aciertos k es 6. Esto es x=6
El número de experimentos n son 10
La probabilidad de éxito p, es decir, que salga "cara" al lanzar la
moneda es 50% ó 0.50
La fórmula quedaría:
P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces
una moneda es de 20.5% .
Ejemplo 2 de la función
F(x=k)
¿Cuál es la probabilidad de obtener cuatro veces el número 3 al
lanzar un dado ocho veces?
El número de aciertos k es 4. Esto es x=4
El número de experimentos n son 8
La probabilidad de éxito p (probabilidad de que salga un 3 al
tirar el dado) es 1 / 6 (= 0.1666)
La fórmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el
números 3 al tirar un dado 8 veces es de 2.6%.
Ejemplo 3
B(n,p)
Solución :
Se trata de una distribución binomial de parámetros B(12,
0.05). Debemos calcular la probabilidad de que x sea igual a k
que en este caso es 2. Esto es P (k=2).
Busque en la parte izquierda de la tabla n=12, luego en la parte
superiror p=0.05 . La probabilidad estará en x=2
El resultado es 0.0988
Ejemplo 4
B(n,p)
Solución :
Se trata de una distribución binomial de parámetros B(15, 0.10).
Debemos calcular la probabilidad P(X=3).
El resultado es 0.1285
La media μ y
desviación estándar σ
C a r a c t e r í s t ic a s d e la d is t r ib u c ió n
b in o m ia l
M e d ia
= E (X ) = n p
.6
P (X ) n = 5 p = 0 .1
.4
= 5 · 0 .1 = 0 .5 .2
0 X
= 5 · 0 .5 = 0 .2 5
0 1 2 3 4 5
D e s v ia c ió n e s tá n d a r
P (X ) n = 5 p = 0 .5
np ( 1 p ) .6
.4
.2
5 0 . 1 ( 1 0 . 1 ) 0 . 67 0 X
0 1 2 3 4 5
5 0 . 5 (1 0 . 5 ) 1 . 1 17
En resumen
En este módulo hemos determinado la probabilidad binomial mediante el
uso de la función binomial, tablas de distribución y la calculadora del
enlace. Además, aprendimos que:
N - N1 N1
35
DISTRIBUCION HIPERGEOMETRICA
N1 N N1
x n x
H (n, N , A) P( X x) ( x 0,1,..., n)
N
n
• N Tamaño de la población
• N1 Número total de casos exitosos en la población
• x Número de éxitos que interesan (0,1,2,3,...)
• n Tamaño de la muestra
• C Símbolo de combinatoria
36
ESPERANZA MATEMATICA DE UNA VARIABLE
HIPERGEOMETRICA
µ = E(X) = n*N
N1
37
Ejemplo:
En una linea durante un turno se ensamblaron 50 aparatos
de DVDs (N=50). Funcionaron sin problemas 40 (N1 =40) y
10 tuvieron al menos un defecto. Se selecciona al azar una
muestra de 5 (n=5). Utilizando la distribucion
hipergeométrica ¿Cuál es la probabilidad que tres (x=3) de
los cinco operarán sin problemas?
Solución:
• N=50; N1 = 40;x= 3; n= 5
P(X=3) = 0.210
38
Ejemplo:
Se acaba de recibir un embarque de 10 TV. Poco después
de recibirlos, el fabricante llamó para informar que por
descuido se habían enviado tres aparatos defectuosos.
Se decidió probar dos de estos ¿Cuál es la probabilidad
que ninguno de los dos este defectuoso?
39
Solución:
• N =
10
• N1 = P(X=2) = 0.466667
7
• n =
2
• x NÚMERO
= 2 QUE FUNCIONÓ PROBABILIDAD
CORRECTAMENTE
0 0.0666667
1 0.466667
2 0.466667
40
41
DISTRIBUCIÓN DE POISSON
Solución: a)
x = variable que nos define el número de cheques sin fondo que
llegan al banco en un día cualquiera = 0, 1, 2, 3, ....., etc.
µ = 6 cheques sin fondo por día
e = 2.718
e x e-664
p ( X 4) = = 0.13392
x! 4!
45
Solución: b)
x = variable que nos define el número de cheques sin fondo que
llegan al banco en dos días consecutivos = 0, 1, 2, 3, ......, etc.
λ = 6 x 2 = 12 cheques sin fondo en promedio que llegan al
banco en dos días consecutivos
Nota: λ siempre debe de estar en función de x siempre o dicho de
otra forma, debe tener unidades consistentes con respecto a x.
x
e
p( X 10) = 0.104953
x!
46
Ejemplo 2:
En la inspección de hojalata producida por un proceso
electrolítico continuo, se identifican 0.2 imperfecciones en
promedio por minuto. Determine las probabilidades de identificar
a) una imperfección en 3 minutos, b) al menos dos
imperfecciones en 5 minutos, c) cuando más una imperfección en
15 minutos.
Solución: a)
x = variable que nos define el número de imperfecciones en la
hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
λ = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3
minutos en la hojalata
e = e
-0.6
x0.6 1
p ( X 1) = 0.329307
1!
x!
47
Solución: b)
x = variable que nos define el número de imperfecciones en la
hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc.
µ = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos
en la hojalata.
e-110 e-111
P(x)= 1 - + = 0.26416
0! 1!
48
Solución: c)
x = variable que nos define el número de imperfecciones en
la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
µ= 0.2 x 15 = 3 imperfecciones en promedio por cada 15
minutos en la hojalata
e-3 30 e-3 31
P(x)= 1 - + = 0.1992106
0! 1!
49
Ejemplo 3: Cierta enfermedad tiene una probabilidad de ocurrir,
p=1/100.000. Calcular la probabilidad de que en una ciudad con
500.000 habitantes haya más de 3 personas con dicha enfermedad.
Solución :
Si consideramos la v.a. X que contabiliza el número de personas
que padecen la enfermedad, es claro que sigue un modelo
binomial, pero que puede ser muy bien aproximado por un
modelo de Poisson, ya que n>30 y p<0,1. De modo que
50
Así el número esperado de personas que padecen la
enfermedad es E [X] = 5 .Como Var [X] = 5 ,existe una
gran dispersión, y no sería extraño encontrar que en realidad
hay muchas más personas o menos que están enfermas. La
probabilidad de que haya más de tres personas enfermas es:
P [X>3] = 1 – P[ X ≤ 3 ]
P [X>3] = 1 – P[ X = 0] - P[X=1] - P[ X = 2 ] - P[ X = 3 ]
P [X>3] = 0,735
51
Ejemplo 4: El número de enfermos que solicitan atención de
urgencia en un hospital durante un periodo de 24 horas tiene una
media de m = 43.2 pacientes. Unas obras en las instalaciones
mermarán las capacidades de atención del servicio, el cual se sabe
que colapsará si el número de enfermos excede de 50. ¿Cual es la
probabilidad de que colapse el servicio de urgencias del hospital? .
Solución :
Bajo las condiciones del modelo de Poisson, se trata de una
distribución P(43.2). La probabilidad solicitada es
P (X>50) = 1 – P (X≤50)
P (X>50) = 0.1343
52