PROBABILIDAD Y ESTADISTICA

PROBABILIDAD Y ESTADISTICA

1
 T
DISTRIBUCIÓNES DE PROBALIDAD FUNCIONES
VARIABLE DISCRETA

ASPÉCTOS VARIOS DE DISTRIBUCIÓN BINOMIAL-HIPERGEOMETRICA -POISSON

TEORÍA Y PROBLEMAS

jvsfrankcolombia@gmail.com

2
 VARIABLE ALEATORIA TIPOS
Variable Aleatoria:
Es una magnitud susceptible de tomar diversos valores con determinadas probabilidades; También
es una función que transforma los resultados de un experimento aleatorio en valores de los
números reales, es decir, los elementos de un espacio muestral S, en elementos del conjunto de
los reales, con determinadas probabilidades. F : S  R. Es una función con valor numérico
definida sobre el espacio de la muestra. Notación: U,V,X,Y,Z, Mayúsculas
Valores Individuales de la variable aleatoria X se notan: x 1, x2.............xn
Variable aleatoria puede ser: Discreta y Continua .
 1.1.-Discretas: Son las que toman valores en un conjunto finito o en un conjunto infinito contable, se originan
del proceso de conteo. Se notan v.a.d. Ejemplos
Número de accidentes en un tramo de la autopista.
Número de pacientes atendidos en un servicio de emergencia
Numero de plaquetas en una persona
1.2.-Continua.
Son las que toman valores dentro de un conjunto infinito y se originan de procesos de medición,
no contemplan empates o valores iguales, se notan v.a.c. Ejemplos
Peso de una persona-
Estatura de una persona
3
 VARIABLE ALEATORIA (cont.)
• Ejemplo: de v.a.d
• 1: lanzar una moneda dos veces obtener S, definir la variable aleatoria comprobar el
concepto,
• S = (c,c); (c,s); (s,c); (s,s)
• Se define la variable aleatoria X: No de sellos en el lanzamiento.
• El recorrido de X se nota Rx (conjunto de posibles valores de la variable).
• Rx = 0,1,2
• Hacer gráfica S = (c,c); (c,s); (s,c); (s,s)
0
• (c,c)
• (c,s) 1 0 1 2
(s,c)
(s,s) 2

• se parece a una función, es una función

• (observe como cada punto del espacio muestral se transforma en un número)
4
 VARIABLE ALEATORIA (cont.)
 • x1 = 0 x2 = 1 x3 = 2
• x(c,c) = 0 x (c,s) = x (s,c) = 1 x (s,s) = 2

• P(c,c) = P(x = 0) =

• P{(c,s) ó (s,c)}=P{(c,s) u (s,c)}=P(c,s)+P(s,c)= + = =P(x=1)=

• P(s,s) = P((x=2) =

 Si  es un experimento aleatorio y S su espacio muestral asociado la función que asigna a cada
uno de los elementos s ó que pertenecen a S un número real X(s), se denomina VARIABLE
ALEATORIA.
Es una magnitud que toma valores con diferentes probabilidades
• P(x = 0) =
• P(x = 1) = =
• P(x = 2) =
5
 FUNCIONES DE DISTRIBUCIÒN
• Funciones de Distribución.
• Las funciones de distribución de probabilidad se pueden concebir como una distribución
teórica de frecuencia, ya que describe como se espera que varíen los resultados y en algunos
casos, es un listado exhaustivo de las probabilidades de todos los resultados posibles que
podrían presentarse si se efectúa el experimento. Hay de dos tipos de distribución, cuando
la variable aleatoria es discreta se le denomina FUNCIÓN DE PROBABILIDAD DE
MASA o simplemente DISTRIBUCIÓN DE PROBABILIDAD p(x) y si la variable
aleatoria es continua se le denomina FUNCIÓN DE DENSIDAD O DENSIDAD DE UNA
VARIABLE ALEATORIA f(x).
•   Función de Probabilidad de Masa o Distribución de Probabilidad.
• Es la función o expresión que mide la probabilidad de ocurrencia de cualquier resultado (o
valor particular) o conjunto de valores de la variable aleatoria X discreta. Se puede definir
como una tabla, una gráfica o una fórmula que mide la probabilidad de X, p(x), asociada a
cada posible valor de X.
• Notación: p(x)
• Veamos el Ejemplo 1
6
 FUNCIONES DE DISTRIBUCIÒN (cont.)
• Construir la función de probabilidad o masa
• x 0 1 2
p(x) 1/4 1/2 1/4
•
• Ahora corresponde construir el histograma de probabilidad
Chart Title
0.6
0.5
0.5

0.4
probabilidades

0.3 0.25 0.25

0.2

0.1

0
valor 0 valor 1 valor 2
valores de la variable

7
 FUNCIONES DE DISTRIBUCIÒN (cont.)
 Condiciones que se deben cumplir para ser función de Probabilidad de una
Variable Aleatoria Discreta
• I) p(xi)  0

• II) p (xi) = 1
• Rx
• Ejercicio 1:
• Verificar en el ejemplo 1 corresponde a una función de probabilidad.
• I) x es una variable aleatoria discreta.

• II) P(xi)  0  x, P(x = 0) = , P(x = 1) = , P(x = 2) =

• III) = P(x=0) + P(x=1) + P(x=2) = ¼ + ½ + ¼= 1

8
 FUNCIONES DE DISTRIBUCIÒN (cont.)
 • Función de Distribución Acumulada. F(X)
•  También se le denomina DISTRIBUCIÓN ACUMULADA de la variable aleatoria X, y se define como la
función que mide la probabilidad P(x), de que la variable aleatoria X sea menor o igual que un número dado x
que esta en el recorrido de la variable X.
•  Notación: F(x) = P (X  x)
• Si la variable aleatoria es discreta se mide por:
•  F(X) = P(X  x) =  p(xi)
• xi  x
• Si el número dado es h  Rx
• F(h) = P (X  h) =  p (xi)
• xi  h
• Ejercicio 2:
• En el ejemplo 1: Calcular F(1)
• F(1) = P(X  1) = P(0  X  1) =  P(xi) = P(x = 0) + P(x = 1)
xi  1
• F(1) = + =
•

9
 FUNCIONES DE DISTRIBUCIÒN CARACTERIZACIÓN
DE UNA VARIABLE ALEATORIA
Caracterización de una Variable Aleatoria.
Una variable aleatoria es necesario caracterizarla para poder identificar que tipo de distribución que
sigue o si la distribución es libre (no se puede identificar con alguna de las ya existentes). Existen
varios parámetros, pero los más importantes son la ESPERANZA MATEMATICA o VALOR
ESPERADO (valor medio o primer momento respecto al origen) y la VARIANZA ( valor esperado, de
las desviaciones de la variable con respecto a su media segundo momento respecto a la media).
4.1.-Esperanza Matemática o valor esperado de una variable aleatoria discreta
Notación:  = E(x)
Muchas decisiones se toman en base a este concepto, en la rama de los seguros para calcular índice de
mortalidad, en personas a determinadas edades, en general índices de siniestralidad; en las ventas,
producción, en ingeniería para medir la homogeneidad del material con que se trabaja, en educación
muchas áreas que se toman decisiones en condiciones de incertidumbre.
Definición: como una media ponderada por los valores de probabilidad (en el caso v.a.d.).

También se define como el promedio de todos los promedios de todas las muestras posibles de
tamaño n, de una población. 10
 FUNCIONES DE DISTRIBUCIÒN CARACTERIZACIÓN
DE UNA VARIABLE ALEATORIA (cont.)
Caracterización de una Variable Aleatoria.
Varianza ó V(x)
Es una medida de dispersión, es la magnitud que mide la dispersión de los valores de la variable
aleatoria alrededor de su media, o es el promedio de las desviaciones cuadráticas de todos los
valores posibles de la variable x alrededor de su media.
= Var(x) =

v.a.d
EJERCICIOS FUNCIONES DE DISTRIBUCIÓN.
1.Construya una tabla de distribución de probabilidad basándose en las siguiente
distribución de frecuencia.
X v.a.d. 6 valores de la variable y sus frecuencias simples con n=125

1.1) Obtener la distribución de probabilidad p (xi ) por ejemplo P(x=102) = 10/125

1.2) Dibuje la gráfica(Histograma de probabilidad de la distribución hipotética de probabilidad
1.3) Calcule el valor esperado. 11
 FUNCIONES DE DISTRIBUCIÒN CARACTERIZACIÓN
DE UNA VARIABLE ALEATORIA (cont.)
1.1) Obtener la distribución de probabilidad p (xi ) por ejemplo P(x=102) = 10/125
X 102 105 108 111 114 117 total
fi 10 20 45 15 20 15 125

P(xi) 10/125 20/125 45/125 15/125 20/125 15/125

Histograma
0.4
0.36
0.35

0.3
probabilidades

0.25

0.2
0.16 0.16
0.15
0.12 0.12
0.1 0.08

0.05

0
x1 x2 x3 x4 x5 x6
valores de X

12
 FUNCIONES DE DISTRIBUCIÒN EJERCICIOS
• 2.El supervisor de semáforos de la alcaldía debe tomar la decisión si instalar un semáforo en un cruce
peligroso. A fin de llegar a esta decisión se dispone de los accidentes ocurridos en ese cruce en los dos
últimos años.
• AñoE F M A M J J A S O N D
• 1988 10 8 10 6 9 12 2 10 10 0 7 10
• 1989 12 9 7 8 4 3 7 14 8 8 8 4
• Si el número mensual de accidentes esperados es mayor que 7 se debe instalar el semáforo.
• 3.Un experimento aleatorio consiste en lanzar dos dados A y B. A representa la primera componente
del par, y B la segunda. Se define la variable aleatoria X = i - j, donde i es lo que muestra el dado A
y j lo que muestra el dado B.
• Hallar:
• a)Distribución de probabilidades
• b)Hacer la gráfica (histograma de probabilidad)
• Calcular la probabilidad de que:
• a)i - j  2 d) Hallar E(x) y V(x).
• b)i - j sea por lo menos 3
• c)i - j sea a lo sumo 3
13
 DISTRIBUCIONES DE VARIABLE DISCRETA
DISTRIBUCIÓN BINOMIAL
Ensayo de Bernoulli: son fenómenos que tiene resultados con solo dos alternativas, es un fenómeno
dicotómico, solo dos posibles dos resultados, A uno de estos resultados se denomina éxito (E) y tiene una
probabilidad de ocurrencia p (E) = p y al otro, fracaso (F), P(F)=q la suma de las probabilidades: P(E) + 
P(F) = p + q = 1 , Ejemplos .
-Reacción a dosis de penicilina: positiva (alérgica E) - negativa (no alérgica F) 
- Ejecutar un programa arranca ( F) o no arranca ( E)
Distribución Binomial: Es una distribución de probabilidad de variable discreta, que cuenta el número de
éxitos (x) en una secuencia de n ensayos de Bernoulli, independientes entre sí, con una probabilidad fija
(en todos los ensayos) P(E)= p de ocurrencia del éxito en cada ensayo y su probabilidad en cualquier punto
 x;(probabilidad
P (elXmodelo
sigue  x
n, p )  n puntual)
 p x  q n x para x  0,1,2,......n
x: número de éxitos en n ensayos
Probabilidad de fracaso, en cada ensayo, P(F) = q. ya que p + q = 1 en consecuencia

q = 1-Ep( x )XnB(n,pp)V (que

𝑋 =𝑥
se lee X sigue una distribución binomial con parámetros n y p
X )   x2  n  p  q   𝑛
𝐹 ( 𝑋 )=𝑃 ( 𝑋 ≤ 𝑥 , 𝑛 , 𝑝 )= ∑
𝑋 =0
( 𝑥) ∗ 𝑝 𝑥 ∗ 𝑞 (𝑛 − 𝑥 )
14
 PROBLEMAS DE DISTRIBUCION BINOMIAL (C0NT.)
 1. La probabilidad de que el comprador de un GPS haga uso del servicio dentro del plazo de garantía es 0,3.
Para los 4 GPS que cierta empresa ha vendido independientemente a 4 compradores este mes: Calcular la
probabilidad de que:
n= 4
1.1. Dos compradores exactamente hagan uso de la garantía
1.2 Al máximo dos compradores hagan uso de la garantía
1.3 Mas de un comprador haga uso de la garantía
1.4 Hacer el histograma de probabilidad
1.5 Cuál es el numero esperado de compradores que hagan uso de la garantía
E: que un comprador haga uso de la garantía
Nº de éxitos es X y n es el numero de ensayos
X: Nº de compradores que hacen uso de la garantía n= 4
P ( E ) = p = 0,3 en consecuencia la P(F)= q = 1- p = 1-0,30 = 0,7
Entonces X  B (n, p) en este caso X  B (n= 4, p= 0,3)
•
•  https://campusvirtual.ull.es/ocw/pluginfile.php/6020/mod_resource/content/1/tema8/PP8.2
-valeatorias.pdf
15
 PROBLEMAS DE DISTRIBUCION BINOMIAL (C0NT.)

• 2
•

0,9163 en porcentaje 91.63%

0,2401+0,4116+0,2646= 0,8977 89,77%

• corregir 0, 1, 2,3,4 0,3483

•   666 6
• 2 0,30483
16
 TABLA DE LA DISTRIBUCION BINOMIAL

n=4

X=2

17
 PROBLEMAS DE DISTRIBUCION BINOMIAL (C0NT.)
1.4 Hacer el histograma de probabilidad primero construimos la distribución de probabilidad
X 0 1 2 3 4
P(X) 0,2401 0,4116 0,2646 0,0756 0,0081

Chart Title
0.45
0.4
0.35
0.3
0.25
0.2
0.15
0.1
0.05
0
0 1 2 3 4

1.5 Cuál es el numero esperado de compradores que hagan uso de la garantía

E(X) = n * p = 4 * 0,3 =1,2 aproximadamente 1 INTERPRETACIÒN
18
PROBLEMAS DE DISTRIBUCION BINOMIAL (C0NT.)TITULO

2. En cierto hospital se comprobó que la aplicación de determinado tratamiento a

enfermos de cirrosis no produce mejoría en el 5% de los casos. Si se aplica el
tratamiento a ocho personas, Calcular la probabilidad de que:
2.1. Probabilidad de que no mejoren cinco.
2.2. Probabilidad de que no mejoren al menos tres.
2.3. Número de personas que se espera que no mejoren. ¿Qué indica este número?
2.4 Ninguno no mejore
2.5 Alguno no mejore
2.6 histograma de probabilidad

19
 LA DISTRIBUCIÓN HIPERGEOMETRICA
• GENERALIDADES DE LA DISTRIBUCIÒN HIPERGEOMETRICA
• Tanto la distribución binomial como la hipergeométrica se ocupan del número de éxitos en
una muestra de n observaciones. La distribución hipergeométrica se diferencia de la binomial
en la forma de obtener los datos; en la Binomial el muestreo se hace con reemplazamiento en
poblaciones finitas o sin reemplazamiento en poblaciones infinitas (sucesos independientes),
mientras que en la hipergeométrica se hace sin reemplazamiento en poblaciones finitas
(sucesos dependientes) por lo que la probabilidad no es constante.
 Características de la variable hipergeométrica
• I) El experimento planteado consiste en obtener o elegir x (éxitos) elementos que tienen el
atributo A de M1 elementos y n-x elementos que tienen el atributo de B de M 2 elementos,
donde M2 = N – M1, siendo N el tamaño de la población, y n-x representa el número de
fracasos.
• II) El tamaño de la muestra n es grande, en comparación el número de elementos de N, que es
el tamaño de la población, n/N > 0.5
• III) La variable aleatoria hipergeométrica x, es el número de éxitos en la muestra de n
elementos.
20
 LA DISTRIBUCIÓN HIPERGEOMETRICA (CONT.)
• CARACTERÌSTICAS DE LA DISTRIBUCIÒN HIPERGEOMETRICA (CONT.)
• La variable X, sigue una distribución hipergeométrica, con parámetros n, M 1 y M2 , lo cual se
simboliza por
• XH (n, M1, M2), Su distribución de probabilidad está dado por el modelo
• P(X = x; n, M1, M2) =

• Donde
• N  Tamaño de la población
• M1  Tamaño del grupo 1 ó con el atributo A
• M2  Tamaño del grupo 2 ó con el atributo B
• x  Número de éxitos en la muestra n, N = M1 + M2 tamaño de la población.
• n– x  Número de fracasos F.
• n  Tamaño de la muestra o numero de ensayos

21
 LA DISTRIBUCIÓN HIPERGEOMETRICA (CONT.)
• CARACTERIZACIÒN DE LA DISTRIBUCÒN HIPERGEOMETRICA
• La media o esperanza matemática o valor esperado de la variable viene dada por
n x
  E x 
n
• La varianza viene dada por
x   N  x   n   N  n
Var  x    x2 
N 2   N  1
• En un salón de clases hay 6 alumnos de ing. de Sistemas y 4 ing. de Minas. Si se seleccionan 6 alumnos, para
ser becados, cuál es la probabilidad que, 4 sean de Sistemas.
• Definir los atributos, quien va ser el éxito
• A: Ser alumno de ing. Sistemas
• B: Ser alumno de ing. de minas
• M1 = 6 M2 = 5 N = 10 x = 4 n=6n–x= 2
•

• P(x=4; n=6, M1=6, M2=4) =

•

22
 LA DISTRIBUCIÓN POISSON
• GENERALIDADES DE LA DISTRIBUCIÓN DE POISSON
• También se refiere al número de éxitos igual que la binomial y la
hipergeométrica. Se puede utilizar como una aproximación de la distribución
binomial también.
• La distribución de Poisson se utiliza específicamente para describir
procesos, que ocurren en intervalos de tiempo o espacio, es por eso que
fundamentalmente se utiliza en la demanda de necesidades o servicios, por
ejemplo número de llamadas que llegan a una central telefónica en una hora
determinada, número de pacientes que llega a un servicio de emergencia en
un día de la semana, número de accidentes que llega a un centro asistencial
en cualquier día de la semana, entre otros. Todos estos procesos se conocen
con el nombre de experimentos de PIOSSON.

23
•
 LA DISTRIBUCIÓN POISSON (CONT.)
• CARACTERÍSTICAS DE LA VARIABLE POISSON
• I) El experimento consiste en contar el número x de veces que ocurre un evento
dado en particular, en un intervalo de tiempo, espacio, área, volumen (peso,
distancia o cualquier otra unidad de medida), dada.

• II) La probabilidad de ocurrencia del evento en un intervalo dado es constante para

todos los intervalos o unidad de medida dada.

• III) El número de eventos que ocurren en un intervalo o unidad de medida dada es

independiente de los otros. Se le denomina Hipótesis Básica: Que los eventos de un
intervalo a otro son independientes.

• IV) El numero medio (o esperado) de eventos en cada intervalo o unidad de medida

se denota por la letra griega lambda ().
24
 LA DISTRIBUCIÓN POISSON (CONT.)
 El número de éxitos X en un experimento de Poisson se denomina variable aleatoria de
Poisson y sigue una distribución con parámetro , y viene dada por el modelo:
  e    x
P ( X  x;  ) 
X! x = 0,1,2,........
  
Donde es el Nº de promedio de éxitos (eventos) que ocurren en el intervalo de
tiempo o espacio determinado, es el parámetro de la distribución.

x e   x
F ( x )  P ( X  x;  )  
x 0 X! para x= 0,1,2,3,…….

La distribución de Poisson se puede usar como una aproximación de la distribución

Binomial cuando:
 n 100 y n*p 10 o también n 20 y p 0.05

25
 LA DISTRIBUCIÓN POISSON EJERCICOS
 Ejemplo 1:
En una central telefónica de empresa manufacturera se reciben un promedio de cinco (5)
llamadas por minuto. ¿Cuál es la probabilidad? de
1.1.) Que durante un minuto cualquiera, se reciben tres (3) llamadas.
1.2) Que durante un minuto se reciban al máximo tres llamadas (ninguna, una, dos o tres).
1.3 ) Que durante un minuto se reciban mas de 5 llamadas

e   x

P ( X  x;  ) 
X!
DATOS =5
1.1.) Que durante un minuto cualquiera, se reciben tres (3) llamadas. (formula-tabla-Excel)
=5)== 0,1404 expresado % es 14,04 % interpretación:
1.2 P(X≤3, =5)= P(X=0)+ P(X=1)+P(X= 2)+ P(X=3)= 0,265026 % 26,50%
1.3 P(X>5, =5)= P(X=6)+P(X=7)+……….= 1- P(X ≤5)=1 – 0,6159= 0,3841 38,41%

26
 LA DISTRIBUCIÓN POISSON EJERCICOS
Ejemplo 2:
El promedio de alumnos que se atienden en la universidad en la Unidad de Orientación, es dos(2)
por hora. ¿Cuál es la probabilidad de que las próximas tres (3) horas se atiendan seis (7)
alumnos?.
• Como el intervalo cambia de 1 a 3 horas también  cambia, el nuevo.
λ = 1  = 2*3 = 6
2.1 ¿Cuál es la probabilidad de que al menos se atiendan seis (6) alumnos en las próximas seis
(3) horas?.
2.2 ¿Cuál es la probabilidad de que puedan atenderse 6,7,8.............n?
• 1h 2h 3h
• x e   x 2A 2 A 2 A
F ( x )  P ( X  x;  )  
x 0 X!
• P(X=7, λ =6)= 0,1377 13,77%

27
LA DISTRIBUCIÓN POISSON EJERCICOS

28
LA DISTRIBUCIÓN POISSON EJERCICOS

29
 Gracias

JOSÈ VICENTE SÀNCHEZ FRANK

30