Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones de Probabilidad
Distribuciones de Probabilidad
ADMINISTRACIÓN
Distribuciones de Probabilidad
Diapositiva 1
Distribución de Frecuencias Vs.
Distribución de Probabilidades
● Distribución de Frecuencias – Listado de
todos los resultados observados de un
experimento.
● Distribución de Probabilidades – Listado de
las probabilidades de todos los posibles
resultados que pudieran ocurrir de un
experimento.
Resultados Posibles
▪ Experimento:
▪ Lanzar una moneda tres veces al aire.
▪ Evento
▪ Obtener SELLOS en los tres lanzamientos.
▪ Resultados Posibles (Variables Aleatorias)
▪ 0 Sellos
▪ 1 Sello
▪ 2 Sellos
▪ 3 Sellos
Diapositiva 3
C CCC (0 0.53=0.125
)
C
S CCS (1 0.53=0.125
)
C CSC (1 0.53=0.125
C S )
S CSS (2 0.53=0.125
Número de Sellos C
)
SCC (1 0.53=0.125
)
S C
S SCS (2 0.53=0.125
)
C SSC (2 0.53=0.125
S
)
S (3 0.53=0.125
SSS
)
Diapositiva 4
Experimento:
Lanzar una moneda 3 veces al aire
Evento: Número de Sellos
Diapositiva 5
Experimento:
Lanzar una moneda 3 veces al aire
Evento: Número de Sellos
Diapositiva 6
VARIABLE
PROBABILIDAD
ALEATORIA
Diapositiva 7
Variable Aleatoria
▪ Resultado de un experimento que toma
diferentes valores.
▪ Números que resultan de lanzar un dado.
(1,2,3,4,5,6)
▪ Cantidad de caras o sellos al lanzar una moneda.
▪ Puede ser discreta o continua.
Diapositiva 8
Tipos de Variables Aleatorias
▪ Variable aleatoria discreta
▪ Usualmente un número entero (0, 1, 2, 3 etc.)
▪ Obtenida por conteo.
Diapositiva 9
Características de la Distribución
de Probabilidad Discreta
▪ Contiene todos los valores posibles de la Variable X, cada
uno con su Probabilidad asociada, P(X).
▪ Mutuamente Excluyentes y Colectivamente exhaustivos
▪ 0 ≤ P(Xi) ≤ 1
▪ Σ P(Xi) = 1
P(X=0) = 0.125
P(X=1) = 0.375
P(X=2) = 0.375
P(X=3) = 0.125
Diapositiva 10
Función de Distribución
Acumulativa
▪ Para una variable aleatoria X, el valor de la
Función de Distribución Acumulativa F(x), es
la probabilidad de que X tome los valores
menores o iguales a x.
Diapositiva 11
Valor Esperado de una
Distribución de Probabilidad
▪ Se denota E(X).
▪ Media de la Distribución de Probabilidad (μ)
▪ Media Pesada de los valores de X.
▪ Las probabilidades actúan como pesos (suman 1).
Diapositiva 12
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
Diapositiva 13
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.
Diapositiva 14
Desviación Estándar de una
Distribución de Probabilidad
▪ Raíz Cuadrada de la
Varianza.
Diapositiva 15
Ejemplo 1
▪ Una tienda de autos ha establecido la siguiente distribución de
probabilidades de los autos que espera vender un día sábado en
particular:
Número de autos vendidos Probabilidades
0 0.10
1 0.20
2 0.30
3 0.30
4 0.10
Diapositiva 16
Ejemplo 2
En mi última visita a Londres, apareció un anuncio de la London Business School ofreciendo
un puesto de profesor part time de Estadística con un salario de 150,000 libras anuales; ser
ciudadano británico no era requisito necesario. El salario era relativamente bajo para el
puesto por lo que supuse que ningún ciudadano británico respetable estaría interesado en ese
trabajo. Fui a preguntar a un colega matemático de la misma universidad si debía o no
postular al puesto. Por entonces no sabía ni una palabra de inglés, pero estaba dispuesto a
jurar que mis conocimientos eran los suficientes.
Luego me dijo: Si multiplicas esto por ciento cincuenta mil libras, tienes 1.5 libras. Eso es
mucho más de lo que cuesta enviar la carta, así que deberías hacerlo".
Lo hice, pero el trabajo fue al final para un ciudadano británico, después de todo, sí que
había alguno interesado. Olvidé considerar el tiempo de crisis y desempleo que se está
viviendo en Europa!
Binomia Poisson
l
Diapositiva 18
Distribuciones de
Probabilidad Discretas
Distribución Binomial
Diapositiva 19
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.
Diapositiva 20
Probabilidad en una
Distribución Binomial
Diapositiva 21
Tendencia Central y Dispersión
en la Distribución Binomial
▪ Media o Valor Esperado
▪ Varianza
▪ Desviación Estándar
Diapositiva 22
Ejemplo 2
Una compañía que vende por
teléfono un solo artículo, 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?
Diapositiva 23
Distribuciones
Discretas
Distribución de Poisson
Diapositiva 24
Distribución de Poisson
▪ Las ocurrencias de un evento pueden ser descritas en términos
de una variable aleatoria discreta.
▪ Existe un régimen que caracteriza el proceso (número de
ocurrencias por intervalo de tiempo o espacio).
▪ Se usa para describir las distribuciones de probabilidad de:
▪ Número de llegadas de clientes.
▪ Número de llamadas telefónicas en una central.
▪ Número de accidentes.
▪ Número de llegadas de vehículos.
▪ Número de defectos observados en longitudes, superficies, u objetos.
Diapositiva 25
Probabilidad en una
Distribución de Poisson
Diapositiva 26
Tendencia Central y Dispersión
en la Distribución Poisson
▪ Media o Valor Esperado
▪ Varianza
▪ Desviación Estándar
Diapositiva 27
Ejemplo 3
Si en promedio llegan 3
clientes por minuto al banco
durante la hora del
almuerzo, cual es la
probabilidad de que en un
minuto dado, lleguen
exactamente dos clientes,
lleguen menos de dos
clientes, y lleguen más de
dos clientes?
Diapositiva 28
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?
Diapositiva 29
Distribuciones de
Probabilidad Continuas
Distribución Normal
Diapositiva 30
Distribución normal
Sin duda la distribución continua de
probabilidad más importante, por la
frecuencia con que se encuentra y por sus
aplicaciones teóricas, es la distribución
normal, gaussiana o de Laplace- Gauss.
Fue descubierta y publicada por primera vez
Pierre Simon de Laplace en 1733 por De Moivre. A la misma
(1749-1827)
llegaron, de forma independiente, Laplace
(1812) y Gauss (1809), en relación con la
teoría de los errores de observación
astronómica y física.
Puntos
de
inflexión
−∞ σ σ +∞
μ - σ μ, Mo, Mn μ + σ
Distribución normal con μ =0 para varios valores σ
1.6
1.2 σ=0.
σ=0
25
σ=
.5
p(x) 0.8 1
0.4
0
-2.50 -1.50 -0.50 0.50 1.50 2.50
x
20 30 40 50 60 70 80 90 100 110 120
Distribución Normal
Diapositiva 38
¿Cómo calcular probabilidades asociadas
a una curva normal específica?
± σ = 68 %
± 2σ = 95 %
± 3σ = 99 %
95%
68%
99%
68%
95%
99% z
-3 -2 -1 0 1 2 3
¿Cómo entender los valores Z?
Se quiere dar una beca a uno de dos estudiantes de sistemas educativos diferentes y se
asignará al que tenga mejor expediente académico:
Los valores
negativos de z NO
están tabulados, ya
que la distribución
es simétrica
+∞
0
*Margen izquierdo : Los enteros de z y su primer
decimal.
* Margen superior: segundo decimal
La tabla consta de: * Cuerpo de la tabla: áreas correspondientes,
acumuladas, desde 0
0. hasta 3.99
0
0 1 2 3 4 5 6 7 8 9
0.
1 .0000 .0040 .0080 .0120 .0160 .0199 .0239 .0279 .0319 .0359
0. .0398 .0438 .0478 .0517 .0557 .0596 .0363 .0675 .0675 .0754
2 .0793 .0832 .0871 .0910 .0948 .0987 .1026 .... ...... ......
0. .1179 ..... ...... ...... ......
0.
.1915 ....
4
0.
EJEMPLO INICIAL
0.4082
4
?
z
-3 -2 -1 0 1 2 3
Ejemplo 1
1.9
2.0 0.4788
2.1 47. 88%
z
-3 -2 -1 0 1 2 3
Ejemplo 2
¿Cuál es la probabilidad de que un valor de z esté entre -2.03 y 2.03 ?
En el ejemplo 1, vimos que la probabilidad de que z estuviera entre 0
y 2.03= 0.47882
La misma área hay entre 0 y
-2.03 , por lo tanto
P ( -2.03< z< 2.03) = 0.95764
?
95.76%
47.88% 47.88%
z
-3 -2 -1 0 1 2 3
Ejemplo 3
¿Cuál es la probabilidad de que un valor de z sea mayor a 1.25 ?
39.44%
10.56%
? z
-3 -2 -1 0 1 2 3
Ejemplo 4
Hallar P( -0.34 < z < ∞ )
63.31%
P(0 < z <0.34) = 0.13307 =
P(-0.34 < z < 0)
P (0 < z < ∞ ) = 0.50000
P( -0.34 < z < ∞) = … o se aplica la función de Excel:
0.13307 + 0.50000 =
0.63307 ==1-DISTR.NORM.ESTAND(-0.34)
13.31% 50%
-3 -2 -1 0 1 2
3
Ejemplo 5
Hallar P( 0.34 < z < 2.30) P(0< z <0.34) = 0.13307
P( 0 < z < 2.30) = 0.4893
P (0.34 < z < 2.30) = 0.48930 - 0.13307 = 0.35623
35.62%
z
-3 -2 -1 0 1 2 3
Hasta ahora vimos como dado un valor x de la variable, hallar
probabilidades transformando (estandarización) la variable en valores de
x-μ
z= σ
Se busca en la tabla
la erdo al área.
en acu
0.5000 - 0.382 = 0.118 🡪 Se busca de
Con su signo
tabla el valor más aproximado :0.1179 38.20%
corresponde a z =+ 0.30
Sustituyendo en la fórmula
0.30x2+4 =4.60 x=?
4.60
Valores X
Diapositiva 53
Diapositiva 54