Está en la página 1de 80

Tema

2
DISTRIBUCIONES
DE PROBABILIDAD

Información académica - Edwin Hernández Torres. 1

OBJETIVOS

Al finalizar la Tema 2, el participante será capaz de:

1. Identificar las distribuciones de probabilidad que más
se utilizan en la toma de decisiones.
2. Utilizar el concepto de valor esperado para la toma de
decisiones.
3. Mostrar cuál distribución de probabilidad utilizar, y
como encontrar sus valores.
4. Comprender las limitaciones de cada una de las
distribuciones que utilice.
Información académica - Edwin Hernández Torres. Abril 2018 2

CONTENIDO

1. Técnicas de conteo
2. Las distribuciones de probabilidad
3. Las variables aleatorias
4. Distribuciones discretas de probabilidad
5. Distribuciones continuas de probabilidad

Información académica - Edwin Hernández Torres. Abril
3
2018

8.1 TECNICAS DE CONTEO

Combinación:
Es una selección de objetos con independencia en
su ordenamiento.
Ejemplo:
Un biólogo dispone de 10 plantas para un
experimento. Sólo ocho son necesarias para
realizarlo. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.

Información académica - Edwin Hernández Torres. Abril
4
2018

Ejemplo: El numero del DNI.Edwin Hernández Torres. Abril 5 2018 . Información académica .Permutación: Es una distribución de objetos en un orden determinado.

uracilo (U).PERMUTACION Cálculo del número de permutaciones para n objetos tomados de x n! Px  n donde x  n (n  x)! Ejemplo: Los biólogos están interesados en el orden en que cuatro ribonucleótidos adenina (A). guanina (G) y citosina (C) se combinan para formar una cadena.Edwin Hernández Torres. Abril 6 2018 . ¿Cuántas cadenas formadas por dos nucleótidos pueden formarse? Hacer un diagrama de árbol 4! 4 x3x2 x1 P2  4   12 para indicar las 12 cadenas (4  2)! 2 x1 Información académica .

Edwin Hernández Torres. ¿Cuántas muestras distintas pueden seleccionarse? 45! 45 x44 x43x42 x41! 45 x44 x43x42 C45     148.995 4!(45  4)! 4 4! x41! 4! Información académica .COMBINACION Numero de combinaciones de n objetos tomadas de r n! C  n donde x  n x !(n  x)! x Ejemplo: Se realiza un estudio para determinar la opinión de los profesores de la EPUNFV respecto al aborto. si se elige una muestra de cuatro profesores de un total de 45. Abril 7 2018 .

Abril 8 2018 . Resultan útiles para realizar inferencias y tomar decisiones bajo incertidumbre.2 Las Distribuciones de Probabilidad (A) Concepto: Es una distribución de frecuencias teórica que describe la forma en que se espera que varíen los resultados.8. Información académica .Edwin Hernández Torres.

Edwin Hernández Torres.M 0.25 2 V.50 0.25 1 VM.25 0 1 2 Nº de varones Información académica .50 0 M.MV 0.V 0. Abril 9 2018 . El número de varoncitos será: Nº de Probabilidad Resultados Probabilidad varones 0.Ejemplo: Se seleccionan en forma consecutivas dos bebes del servicio de Neonatología .

Abarca: .Distribución binomial .Distribución hipergeométrica b) CONTINUAS: La variable puede tomar cualquier valor dentro de un intervalo dado.Distribución t .Edwin Hernández Torres.Distribución F Información académica . Abarca : .Distribución Ji-cuadrada 2 .Distribución de Poisson .Distribución normal .Distribución normal estándar o Z . Abril 10 2018 .(B) TIPOS DE DISTRIBUCIONES a) DISCRETAS: La variable toma un número limitado de valores.

Abril 11 2018 .3 Variables Aleatorias Una variable es aleatoria si toma diferentes valores como resultado de un experimento .8. 2.Edwin Hernández Torres. 1. Puede ser discreta o continua Ejemplo: Se lanzan 3 monedas X : variable aleatoria (ej : número de caras) x : valores que puede tomar la variable (ej : 0. 3) Información académica .

si el experimento se repite un número infinito de veces. CSS.5 caras 12/8 Información académica . Abril 12 2018 . CCS. SCC.Esperanza matemática : E (X) Es el promedio de la variable aleatoria. 2 caras 1 cara 0 caras =>x x Número P(x) XP(x) ( X) =  XP(x ) de Cara 0 1/8 0 12 3/8 = 1 3/8 8 2 3/8 6/8 3 1/8 3/8 = 1. SSC. SCS.Edwin Hernández Torres. Ejemplo : Se lanzan 3 monedas 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8 W ={ CCC. SSS} 3 caras. CSC.

m.. Supongamos que un distribuidor de medicinas muy que rápidamente se deterioran (vacunas) compra cada cajita a 20 u.00 Abril 13 2018 .40 13 25 0.Aplicación: uso del valor esperado y las pérdidas monetarias.Edwin Hernández Torres. y las vende a 50 u.20 12 40 0. pero dispone de los siguientes datos: Ventas Nº de días Probabilidad de venta diarias de venta de cada cantidad 10 15 0.m. No puede especificar el número de cajitas que le solicitarán diariamente. Información 1.25 100académica .15 11 20 0.

 Cada ensayo sólo tiene dos resultados posibles: éxito y fracaso. Es una de las distribuciones mas utilizadas en la estadística aplicada. La distribución se deriva de un procedimiento llamado ensayo de Bernoulli. Abril 14 2018 . a) Características:  El experimento consiste en una serie de ensayos repetidos. Información académica .8.4 Distribuciones Discretas de Probabilidad 8.Edwin Hernández Torres.1 La distribución binomial Se utiliza para describir variables discretas.4. nombrado así en honor del matemático Suizo James Bernoulli (1654 .1785).

Edwin Hernández Torres. Abril 15 2018 . 2. designado por p es la misma para cada ensayo. Puede ser simétrica o sesgada.La probabilidad de éxito. Información académica . la probabilidad de fracaso q (igual a 1-p) es también constante. Los ensayos sucesivos son independientes. 3. 1. La información de la muestra se obtiene con reposición de una población finita.

b) Formula: n! P(X = x) = p x q n. sólo cuando el resultado de cada solución es independiente de los resultados de las selecciones anteriores. Información académica . Abril 16 .x)! donde: n : número de ensayos x : número de éxitos p : probabilidad de éxitos en un ensayo q : probabilidad de fracaso en un ensayo n .2018 Edwin Hernández Torres.x x! (n .x : número de fracaso en el ensayo Se aplica a la selección de una muestra.

Abril 17 2018 . Suponiendo que 20% de los frascos de lote no cumplen con las especificaciones médicas. ¿cuál es la probabilidad de que la muestra contenga exactamente 2 frascos malos? Información académica .Edwin Hernández Torres.000 frascos de cierto laboratorio farmacéutico.c) Aplicación: Una muestra de 4 frascos se selecciona sin restitución de un lote de 5.

Datos: n=4 x=2 n! p = 0. Abril 18 2018 .22 0.1536 Información académica .2)!  0.80 P(X = 2) = 4! 0.802 2! (4 .x)! q = 0.Edwin Hernández Torres.20 P(X = x) = p xq n-x x! (n .

Suponiendo que un volumen pequeño contenga por término medio 4 glóbulos rojos en personas normales. Abril 19 2018 . ¿cuál es la probabilidad de que una muestra de personas normales: a) ¿contenga exactamente tres glóbulos rojos? b) Ninguno tenga glóbulos rojos? Información académica .Edwin Hernández Torres.Ejercicio La escasez de glóbulos rojos puede determinarse examinando al microscopio una muestra de sangre.

Se puede calcular la probabilidad de cada uno de estos posibles resultados mediante la distribución binomial.1. Abril 20 2018 . Información académica .50 que el proceso resulte deficiente. En cuatro repeticiones se puede obtener 0. Suponga que existe la probabilidad de 0.Edwin Hernández Torres.3 ó 4 procesos deficientes.d) La distribución Cierto proceso médico se repite cuatro veces.2.

Edwin Hernández Torres. Información académica . X (Número de P(X = x ) procesos deficientes) 0 4 4!  1   1  0      116 0!4!  2   2  1 3 4!  1   1  1      416 1!3!  2   2  2 2 4!  1   1  2      616 2!2!  2   2  3 1 4!  1   1  4 3      16 3!1!  2   2  4 0 4 4!  1   1       116 4!0!  2   2  A estos resultados se denomina distribución de probabilidad. Abril 21 2018 .

Abril 22 2018 . n = 4) X 0 1 2 3 4 P(X = x ) 1/16 4/16 6/16 4/16 1/16 La media  =  XP( x) Información académica .Edwin Hernández Torres.e) La media y la desviación estándar Consideramos la distribución del ejemplo anterior (p = 1/2.

Información académica . Abril 23 2018 . se espera encontrar 2 procesos deficientes. X P(x) XP(x) 32 0 1/16 0  XP( x)  16 1 4/16 4/16  = 2 procesos 2 6/16 12/16 3 4/16 12/16 También: 4 1/16 4/16  = np 32/16  = 4( 12)  2 Interpretación: Si seleccionamos 4 procesos médicos al azar.Edwin Hernández Torres. si este experimento se repite un número infinito de veces.

Edwin Hernández Torres.La desviación estándar   ( x   ) 2 P( x ) x P( x) (x   ) (x   )2 ( x   ) 2 P( x ) 0 1/16 -2 4 4/16 1 4/16 -1 1 4/16 2 6/16 0 0 0 3 4/16 +1 1 4/16 4 1/16 +2 4 4/16 16/16 Información académica . Abril 24 2018 .

Información académica .Edwin Hernández Torres.5)  1 La distribución binomial (p = 1/2.5)(0. 16  (X   ) P( x)  2 16 16    ( X   ) P( x )  2  1 proceso deficiente 16 También:   npq  4(0. Abril 25 2018 . n = 4) tiene una media de 2 y una desviación estándar de 1.

Edwin Hernández Torres. Directora de Control de Calidad de un gran hospital.Ejemplo La Dra. se seleccionan 10 procesos y se les analiza en busca de deficiencias administrativas. A lo largo del tiempo. Abril 26 2018 . Información académica . Jiménez. se encuentra realizando su revisión mensual a los procesos de emergencia pediátrica. En el procedimiento. sólo 2% de las emergencias pediátricas registran deficiencias administrativas (suponga que las deficiencias se presentan de manera independiente en diferentes procesos).

Abril 27 2018 .• ¿Cuál es la probabilidad de que la muestra del Dra. Jiménez contenga más de dos procesos con deficiencias administrativas? • ¿Cuál es la probabilidad de que en ninguno de los procesos seleccionados registre deficiencia administrativa? Información académica .Edwin Hernández Torres.

523 0.0. Abril 28 2018 .Edwin Hernández Torres. ¿cuál es la probabilidad de que exactamente tres de ellos pertenezcan a varones?.5)  0.48(53)  0.52 q = 1 . Si aleatoriamente se escogen cinco registros de nacimientos dentro de esa población.52 = 0.48 n=5 5! P(3. P = 0.Ejemplo: Supóngase que en cierta población el 52 por ciento de todos los nacimientos que se registraron son varones.32  32% r=3 3!(5  3)! Información académica .

1380 1 5 0.59 0.48 0.62 0.44 0.51 0.4%.Edwin Hernández Torres.42 0.55 0.Uso de Tablas Solucionando el problema anterior usando la tabla de probabilidades binomiales tabla de probabilidades binomiales p n r 0.53 0.54 0.46 0.37 0.3240 3 3 0. Información académica .47 0.0255 0 5 n r 0.2990 2 4 0.43 0.58 0.50 r n p La probabilidad de tener 3 inscritos varones de 5 registros realizados es del 0.61 0.0380 5 1 0.52 0.38 0.41 0.63 0.40 0.56 0.57 0.60 0.45 0. Abril 29 2018 .50 r n 5 0 0.1755 4 2 0.39 0.49 0.324 o 32.

Información académica . La probabilidad de un suceso es una unidad de tiempo o de espacio muy pequeña.2 Distribución de Poisson: Es una distribución muy usada en medicina y biología.4.Edwin Hernández Torres.8. Se deriva del proceso de Poisson en honor al matemático francés Simeon Denis Poisson (1781-1840). Debe cumplir las siguientes condiciones: La ocurrencia de los eventos son independientes. El número promedio de veces () que ocurre un éxito por cada unidad de tiempo o de espacio es constante. Abril 30 2018 .

Accidentes por hora en cierta parte de una carretera. Defectos de un rollo de gasa.Ejemplos de aplicaciones de Poisson: Pacientes que llegan a la sala de urgencias de un hospital durante un cierto día. Información académica . Abril 31 2018 . Clientes que llegan a la caja registradora de una farmacia en un determinado horario.Edwin Hernández Torres.

dada por la siguiente ecuación. x e  P(X = x) = x! donde  (lambda): media = np = variancia e : base de logaritmos naturales =2. Abril 32 .71828 x!Información : factorial de Hernández académica . se puede aplicar la distribución de Poisson.Si el tamaño de la muestra es bastante grande (n>50) y la probabilidad de un evento particular es muy pequeño (p < 0.Edwin 2018 x Torres.1) y se desea hallar la probabilidad de un número determinado de éxitos.

Abril 33 2018 . El número de accidentes esta distribuido de acuerdo con una distribución de Poisson y el departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurra exactamente 3 accidentes.Ejemplo: Supongamos que estamos investigando la seguridad de una peligrosa intersección de calles.04%  = 5 acc/mes 3! Información académica .71835 P( x 3)   0.14042  14. los registros policíacos indican un media de 5 accidentes mensuales en esta intersección. X = 3 acc/mes 53 2.Edwin Hernández Torres.

.9 5 0 0..Uso de Tablas Solucionando el problema anterior usando la tabla de distribución de probabilidades de Poisson:  x 4.1755 mes cualquiera es 5 0..0842 3 0. Abril 34 2018 .0067 La probabilidad de 1 0.Edwin Hernández Torres...1404 accidentes en un 4 0...5 ...1755 0... 4. 4.1404 Información académica ..0337 tener exactamente 3 2 0..1 .....

03 2! n = 100 = 02240 =3 Información académica . ¿cuál es la probabilidad de tener 2 “número equivocado”? Solución: 32  (2.Aplicación La probabilidad de “número equivocado” a pesar de haber marcado correctamente es 0.Edwin Hernández Torres.03.71828) 3 P(X = 2) = p = 0. Abril 35 2018 . Si se toma una muestra de 100 llamadas.

1823 Información académica .02 y n = 100.02) 3 (0.98) 97 3! 97!  0. Abril 36 2018 .La aproximación de Poisson a la distribución Binomial Consideremos una distribución binomial con p=0. podemos encontrar la probabilidad exacta de la forma siguiente: 100! P(X = 3) = (0. Supongamos que nos interesa calcular la probabilidad de que X = 3 utilizando la formula binomial.Edwin Hernández Torres.

Los cálculos son muy tediosos. Cuando p es pequeño y n es lo suficientemente grande.Edwin Hernández Torres. utilizando una distribución de Poisson encontramos que la probabilidad de que X=3 es:   e x P(X = 3) = x! Información académica . la formula binomial puede aproximarse mediante una distribución de Poisson con  = np Luego. Abril 37 2018 .

  np = 100 (0.71828) La respuesta es muy ¨próxima¨ a la encontrada con la distribución binomial.71828) 2 8   2  0.1805 3! 6 (2.02) = 2 (2)3  (2. Abril 38 2018 .05 y n  20 Información académica .Edwin Hernández Torres. La aproximación se considera válida cuando p  0.

b) Formula donde:   M N M  M : número de éxitos en la población    k : número de éxitos en la muestra P(X = k ) =  k  n  k  N : tamaño de la población N N-M: número de fracasos en la población   n : tamaño de la muestra n n-k : número de fracasos en la muestra Información académica . por lo tanto la probabilidad de éxito varía.4.3 La distribución hipergeométrica Se utiliza para describir variables discretas a)Características La información de la muestra se obtiene sin reposición de una población finita.Edwin Hernández Torres. Abril 39 2018 . 8.

de lo cuales 15 son defectuosos.3001 30045015 30045015 Información académica . Abril 40 2018 . Datos:  15  3015  k = 10    P(X = 10) =  10  2010  n = 20  30  N= 30    20  M= 15 (3003)(3003) 9018009 =  = 0.c) Aplicación Calcular la probabilidad de obtener 10 tubos defectuosos en una muestra de 20 tubos de radio tomados sin reemplazo de un lote de 30 tubos.Edwin Hernández Torres.

1762 1048576 Una probabilidad considerablemente menor que la probabilidad real.Edwin Hernández Torres.Si erróneamente se usa la distribución binomial con n = 20 y p =15/30 = 1/2 para calcular la probabilidad de tener 10 defectuosos. Abril 41 2018 .10)! 2 10 1 2 10    184756   0. el resultado será: P(X = x)  20! 1 10!(20 . Información académica .

la distribución hipergeométrica será simétrica sin tener en cuenta qué tan grande o pequeño sea el valor de n.d) Forma Puede ser simétrica o sesgada. cuando p  0. Cada vez que p = 0. sin embargo.5 y del tamaño de n. Información académica . Abril 42 2018 . El grado de sesgo variará.5 la distribución será sesgada.Edwin Hernández Torres. dependiendo de la proximidad del p a 0.5.

Edwin Hernández Torres.e) La media y la desviación estándar La media:   E(X)  np N n   np(1  p)  La desviación estándar: N 1 N n Donde N 1 es un factor de corrección de población finita que se produce debido al proceso de muestreo sin reposición de poblaciones finitas. Abril 43 2018 . Información académica .

Se utiliza para describir el comportamiento de una variable continua. Abril 44 2018 .1 La distribución normal También conocida como campana de Gauss en honor al matemático Karl Gauss ( siglo 19). 2.8. La media cae en el centro 3. (a) Características 1. Forma acampanada.4.4 Distribuciones continuas de probabilidad 9. La media. Tiene un sólo pico (unimodal). Es importante por: Es muy aplicable para inferencia estadística Se ajusta (casi) a las distribuciones de frecuencias reales observadas. media y moda coinciden 4.Edwin Hernández Torres. Es asintótica al eje horizontal Información académica .

Abril 45 2018 . Media Mediana Moda La distribución normal de probabilidad es simétrica con respecto a una línea vertical que pase por la media El extremo izquierdo se extiende de manera indefinida y nunca toca el El extremo derecho se extiende eje horizontal de manera indefinida y nunca toca el eje horizontal Información académica .Edwin Hernández Torres.

b) Fórmula La función de densidad: f(x).71828  :constante matemática: 3.Edwin Hernández Torres. Abril 46 2018 . para la distribución normal tiene la siguiente formula: 2  x  1 1   2  f (x)  e  2 donde: e : constante matemática: 2.14159  : media de la población  : desviación estándar de la población x : cualquier valor de la variable aleatoria continua Información académica .

Matemáticamente es verdad que: Información académica .Edwin Hernández Torres. Abril 47 2018 . de manera que podemos pensar en áreas bajo la curva como si fuesen probabilidades.Areas debajo de la curva normal No importa cuales son los valores de  y .00. para una distribución de probabilidad normal el área total bajo la curva es 1.

Abril 48 2018 .1: Aproximadamente 68% de todos los valores de una población normalmente distribuida se encuentra datos 1 desviación estándar de la media .Edwin Hernández Torres.             68% datos Información académica .

6% datos Información académica .2: Aproximadamente 95.Edwin Hernández Torres. Abril 49 2018 .    2      2    94.5% de todos los valores de una población normalmente distribuida se encuentra datos 2 desviación estándar de la media.

7% de todos los valores de una población normalmente distribuida se encuentra datos 3 desviación estándar de la media   3     3       99% datos Información académica .3: Aproximadamente 99. Abril 50 2018 .Edwin Hernández Torres.

8.Edwin Hernández Torres. La estandarización es un proceso estadístico que consiste en restar la media a la variable y el resultado dividirlo por la desviación estándar.5. Por este motivo se estandariza la variable. x Z  Información académica . Abril 51 2018 .2 La distribución normal estándar (Z) La distribución normal tiene diferente  y  para calcular probabilidades habría que integrar la función de densidad.

Distribución
normal estándar

  50
 1

Información académica - Edwin Hernández Torres. Abril
52
2018

La tabla de distribución normal estándar, es la siguiente:

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08
0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714
: : : : : : : : : :
: : : : : : : : : :
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810
1.2 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162
:
:
2.4
2.5
:

Cuando Z=1.27 entonces el área vale: ......
Información académica - Edwin Hernández Torres. Abril
53
2018

Ejercicio:
Un terapista físico piensa que
los puntajes en una prueba de
destreza manual tiene una
  2.5
distribución aproximadamente
normal, con una media de 10
y una desviación estándar de
2,5. Si a un individuo, elegido  10
15
aleatoriamente, se le aplica el
examen, ¿cuál es la probabi-
lidad de que logre un puntaje
de 15 o mas puntos?.
Información académica - Edwin Hernández Torres. Abril
54
2018

Obtenemos la siguiente información:

     2.5   2.5
x 15  10
Calculando Z: z  2
 2.5
  
  10 15
Para Z=2, buscamos en la tabla cual es la
probabilidad (o área) que le corresponde:
Área = .4772
Como deseamos conocer esta área:   2.5
P( x  15)  0.5  0.4772  0.0228  2.28%

  10
15 

Información académica - Edwin Hernández Torres. Abril
55
2018

4452 2.4452  0.Edwin Hernández Torres.1554) P(11  x  14)  0.6  A  0. Abril 56 2018 .98% Información académica .4452) el área menor (0.2898  28.4  A  0.1554  0.1554 2.5 14  10 Cuando x  14  z   1.¿Cuál es la probabilidad de que se logre un puntaje entre 11 y 14? Calculando Z: 11  10 Cuando x  11  z   0.5   11 14   El área sombreada se encuentra restando del área mayor (0.

Abril 57 2018 . los supervisores requieren un número diferente de horas para concluirlo Un estudio de los participantes anteriores indica que el tiempo medio que se lleva completar el programa es de 500 horas y que esta variable aleatoria normalmente distribuida tiene una desviación estándar de 100 horas. Debido a que el programa es autoadministrado.Edwin Hernández Torres.Aplicaciones Una empresa aplica un programa de entrenamiento diseñado para mejorar la habilidades de supervisión en los diferentes procesos que se desarrollan en un hospital. Información académica .

Abril 58 2018 . 0.5. Información académica .Edwin Hernández Torres. es decir. Por lo tanto podemos deducir que la probabilidad de que la variable aleatoria tiene un valor mayor a 500 es el área sombreada.Pregunta 1.5 localizada a ambos lados de la media de 500 horas. podemos ver que la mitad del área bajo la curva está P(X>500)=0. ¿Cuál es la probabilidad de que un participante elegido al azar requiera más de 500 horas para completar el programa? Solución: En la figura.

Estandarizando la variable tenemos un valor para Z Información académica . Abril 59 2018 . Solución: La gráfica se muestra la respuesta como zona P(500 X 650)=0. en el cual estamos interesados (650 horas). representada por el área entre la media (500 horas) y el valor de X.Edwin Hernández Torres.4332 sombreada.Pregunta 2:¿Cuál es la probabilidad de que un supervisor elegido al azar se tome entre 500 y 650 horas para completar el programa de entrenamiento.

4.Edwin Hernández Torres.4332. x Z  650  500 Z  1. Abril 60 2018 .5 100 Si buscamos Z = 1. En consecuencia. la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para terminar el programa de entrenamiento es ligeramente mayor a 0. encontraremos una probabilidad de 0.5 en la tabla. Información académica .

Abril 61 2018 ..Pregunta 3:¿Cuál es la probabilidad de que un supervisor elegido al azar se tome más de 400 horas en completar el programa? Solución: Estamos interesados en el área a la derecha de 700. Estandarizamos x Z P(X >700)= 0.Edwin Hernández Torres.0228  700  500 Z 2 100 Información académica .

Información académica .5 .4772 = 0. la probabilidad mayor a 700 será 0.Tabla: si Z = 2.0228 Por lo tanto hay un poco más de 2 oportunidades en 100 de que un participante elegido al azar se lleve más de 700 horas en completar el curso.0  Area: 0.Edwin Hernández Torres. Abril 62 2018 .0.4772 En consecuencia.

Abril 63 2018 .Edwin Hernández Torres. Solución: Primero calculamos el valor de Z para 650 x Z  650  500 P(550 X 650) Z  1.5 100 A este valor le corresponde un área de 0.4332 Información académica .Pregunta 4:Suponga que el director del programa desea saber la probabilidad de que un participante escogido al azar requiera entre 550 y 650 horas para completar el trabajo requerido en el programa.

5 100 Correspondiéndole un área de 0. Abril 64 2018 .Edwin Hernández Torres.1915 Información académica .Después calculamos un valor de Z para 550 x Z  550  500 Z  0.

Edwin Hernández Torres. Abril 65 2018 . Para responde la pregunta debemos estar restar las áreas: Probabilidad de que la variable aleatoria 0.1915 esté entre la media y 550 horas (=) Probabilidad de que la variable aleatoria 0.4332 esté entre la media y 650 horas (-) Probabilidad de que la variable aleatoria 0.2417 esté 550 y 650 horas Información académica .

Así pues.Edwin Hernández Torres. Abril 66 2018 . la probabilidad de que un supervisor elegido al azar se tome entre 550 y 650 horas para completar el programa de entrenamiento es un poco menor de 1 entre 4 Información académica .

8 días. Abril 67 2018 .5 días con una desviación estándar de 1. Si se supone que la duración de la internación se distribuye normalmente.Edwin Hernández Torres. Ejemplo Supóngase que la estancia promedio de internación en un hospital es de 5. encuentre la probabilidad de que un paciente seleccionado al azar de dicho grupo. tenga una duración de internación : • de más de 6 días • entre 4 y 7 días Información académica .

3 La distribución t a) Características Al igual que la normal. Abril 68 2018 . Información académica .Edwin Hernández Torres. la distribución t se asemeja tanto a la normal que se prefiere utilizar ésta. también es simétrica es algo más plana que la distribución normal hay una distribución t para cada tamaño de muestra cuando el tamaño de la muestra es mayor a 30.8.5.

Edwin Hernández Torres.Información académica . Abril 69 2018 .

Edwin Hernández Torres.CUANDO UTILIZAR Z o t SI ¿S E CONOCE  ? US A R Z NO SI ¿es n  30? US A R Z NO US A R t Información académica . Abril 70 2018 .

t .31 12.92 3 1.77 28 1.975 t .32 1. TABLA DE DISTRIBUCION t DE STUDENT d.35 3.1 = 27 26 1.31 1.84 Ejemplo: : n= 28 N. Grados de libertad 1 3.89 2.C.76 : : : Información académica .05 2.995 d.99 t .05 2.  n 1 2 1.0518 27 2.92 4.f.7 2.47 2.48 2.7 d.08 6.47 2.3 6. = 95% : t=? : : d.97 9.31 1.7 2.18 4.7 31.54 5.90 t .8 63.f.71 2.95 t .78 t = 2. = 28 .Edwin Hernández Torres.06 2.64 2. f . Abril 2018 71 .f.

Edwin Hernández Torres. Información académica . Abril 72 2018 .b) Fórmula x t s n c) Grados de libertad Se definen como el número de valores que podemos escoger libremente.

4 La distribución Ji-Cuadrada a) Características Es una distribución asimétrica a la izquierda Sólo considera valores positivos b) Definición La distribución Ji-cuadrada n esta definida por  2   Z i2 i 1 Información académica .Edwin Hernández Torres.5.8. Abril 73 2018 .

Abril 74 2018 .c) Aplicaciones Las aplicaciones más importantes están en la prueba de bondad de ajuste la prueba de independencia estadística d) Distribución Información académica .Edwin Hernández Torres.

Edwin Hernández Torres. Abril 75 2018 . con distribución normal Fórmula 2 S mayor F 2 S menor Información académica .8.4 La Distribución F Características Es una distribución asimétrica a la derecha Sólo tiene valores positivos Se utiliza para comparar variancias de dos poblaciones.5.

11-3 • Existe una “familia” de distribuciones F. Abril 76 2018 .Edwin Hernández Torres. • El valor de F no puede ser negativo y es una distribución continua. Información académica . • Sus valores varían de 0 a  . • Cada miembro de la familia está determinado por dos parámetros: los grados de libertad (gl) en el numerador y los grados de libertad en el denominador. Con forme F   la curva se aproxima al eje X. • La distribución F tiene sesgo positivo.

Abril 77 2018 . debido a que la perdida resultante de cada pareja acción/resultado debe incluirse en la tabla Información académica .Edwin Hernández Torres. sin tocar nunca el eje horizontal. la media siempre se encuentra entre la moda y la mediana 4. Toda el área menos tres decimos del 1% de una distribución normal se encuentra dentro de 3 desviaciones estándar de la media 5. El desarrollo de una tabla de perdida condicional es un trabajo tedioso cuando existen muchas acciones y resultados posibles. Para una distribución normal. Los extremos derecho e izquierdo de la distribución normal se extienden indefinidamente. El valor de z para algún punto x que se encuentra en una distribución normal es el área entre x y la media de la distribución 2. Hoja de Comprobación 1. 3.

uno puede tener una confianza razonable de que cinco personas llegaran en la siguiente hora 10. La distribución normal puede utilizarse para aproximar la distribución binomial cuando el numero de ensayos. Abril 78 2018 ..8 desviaciones estándar por arriba de la media es mayor para una distribución que tiene una media de 100 que para una distribución que tiene una media de 0 8. es mayor o igual a 60 9.La distribución binomial no es realmente necesaria. pues sus valores se pueden aproximar siempre por otra distribución Información académica .Edwin Hernández Torres. n. El valor esperado de un experimento se obtiene calculando el valor promedio aritmético de todos los resultados del experimento 7. Si el numero esperado de llegadas a una oficina se calcula como cinco por hora. El área bajo la curva de una distribución normal entre la media y un punto situado a 1. 6.

El valor que una variable aleatoria puede tomar por lo general se puede predecir con respecto a una presentación particular 15.Una vez que el valor de p ya se ha determinado para un proceso de Bernoulli.Cuando la probabilidad de éxito en un proceso de Bernoulli es de 50% (p=0. una distribución de probabilidad da una lista de aquellos resultados que podrían presentarse si el experimento se llevara a cabo. Abril 79 2018 . 14.Edwin Hernández Torres.Una distribución de frecuencias da una lista de las frecuencias observadas para un experimento que ya se ha llevado a cabo.11. Los dos tipos de perdidas que analizamos al resolver un problema de almacenamiento de inventario son a)perdidas de oportunidad y b)perdidas de actividad 12. su distribución binomial es simétrica 13.5). el valor de q se calcula como (1-p) Información académica .

La mediaInformación de unaacadémica distribución binomial esta dada por np . minimizara también la ganancia esperada 18. .Después de 20 ensayos de un experimento. .Una distribución en la que la media y la mediana tienen diferentes valores nunca podrá ser una distribución normal 21.Un ejemplo de una perdida de oportunidad podría se la perdida de ventas debido a un exceso de madurez en la fruta de una tienda de abarrotes 20.16. se crea una curva de distribución con su forma definitiva 19.Edwin Hernández Torres. Abril 80 2018 .La altura de los humano adultos se puede describir mediante una distribución de Poisson 17.Cualquier acción que minimice la perdida esperada.