Trbajo de Esta 2

UNIVERSIDAD NACIONAL AMAZONICA DE MADRE DE DIOS
CONTABILIDAD Y FINANZAS
FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

1
FUNCION DE DISTRIBUCIÓN DE PROBABILIDAD
1.-DEFINICIÓN
En teoría de la probabilidad y estadística, la distribución de probabilidad de una
variable aleatoria es una función que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de
los sucesos es el rango de valores de la variable aleatoria. También se dice que
tiene una relación estrecha con las distribuciones de frecuencia. De hecho, se
puede entender que una distribución de probabilidades sería una frecuencia
teórica, ya que ésta última es aquella que describe cómo se espera que varíen
los resultados.
La distribución de probabilidad está completamente especificada por la función

de distribución, cuyo valor en cada x real es la probabilidad de que la variable
aleatoria sea menor o igual que x.
2.- TIPOS DE VARIABLES

a) Variable aleatoria: Es aquella cuyo valor es el resultado de un evento
aleatorio. Lo que quiere decir que son los resultados que se presentan al
azar en cualquier evento o experimento.
b) Variable aleatoria discreta: Es aquella que sólo toma ciertos valores
(frecuentemente enteros) y que resulta principalmente del conteo
realizado.
c) Variable aleatoria continua: Es aquella que resulta generalmente de la
medición y puede tomar cualquier valor dentro de un intervalo dado.
3.- DIVISIÓN DE DISTRIBUCIONES

Esta división se realiza dependiendo del tipo de variable a estudiar, esto significa
que:
a) Si la variable es una variable discreta (valores enteros), corresponderá una

distribución discreta, de las cuales existen:

2
 Distribución binomial (eventos independientes).

 Distribución de Poisson (eventos independientes).
 Distribución hipergeométrica (eventos dependientes).
b) Si la variable es continua, esto significa que puede tomar cualquier valor

dentro de un intervalo, la distribución que se generará será una distribución
continua, también llamada "distribución normal".
Además, se puede utilizar la "distribución de Poisson como una aproximación de

la distribución binomial" cuando la muestra por estudiar es grande y la
probabilidad de éxito es pequeña. De la combinación de los dos tipos de
distribuciones anteriores (a y b), surge una conocida como "distribución normal
como una aproximación de la distribución binomial y de Poisson".
VARIABLE ALEATORIA Y DISTRIBUCIONES DISCRETAS DE

PROBABILIDAD
El concepto de una variable que es aleatoria se asocia directamente con los
conceptos de probabilidad, revisados en el capítulo anterior; así que
ampliaremos un poco esos conceptos en este capítulo.
1. Variable aleatoria
Una variable aleatoria es aquella variable que toma diferentes valores numéricos,
mediante un proceso de contar o medir, como producto de un experimento
aleatorio.
Esta variable es un valor o magnitud que cambia de una ocurrencia a otra sin
seguir una secuencia predecible, es decir, en forma aleatoria.
Recordemos que un experimento aleatorio es aquel del cual conocemos sus

resultados (espacio muestral), pero no sabemos cuál de ellos (qué punto muestra)
es el que sucederá; es decir, el resultado del experimento ésta libre de una
determinación, es aleatorio.

3
Por ejemplo, considere como experimento un partido de fútbol entre el equipo “A”
y “B”, y la variable aleatoria asociada con este experimento mostrará los posibles
resultados de este juego.
Los posibles resultados del experimento son: gana “A”, gana “B”, hay empate.
Sin embargo, no sabemos cuál de estos tres resultados se dará. La variable
aleatoria tiene tres
2 gana “B”
1 gana “B” 3
empate
Valores numéricos de probabilidad de ocurrencia. Por ejemplo, suponga que la

variable aleatoria referida toma los valores de ocurrencia siguientes:
Entonces, la variable aleatoria de este juego de fútbol tiene tres resultados

posibles:
Espacio muestral (juego de fútbol) = ⦃gana “A”, gana “B”, empate⦄.
La variable aleatoria del juego puede definirse como:
VA (juego de fútbol) = ⦃1, 2, 3⦄
Formalmente, Hildebrand y Lyman proponen la siguiente definición de variable

aleatoria: “Dado un espacio muestral S, una variable aleatoria es una regla
(función) que asigna un valor numérico a cada resultado de “S ”.
Por otro lado, dado que una variable aleatoria toma valores numéricos producto
de un proceso de contar o bien de proceso de medir, entonces, con base en ello
estas variables se clasifican en variables aleatorias discretas o continúas.
2. variables aleatorias discretas

4
Son aquellas que toman un número limitado de valores, generalmente números

enteros que son producto de un conteo.
Ejemplo:
Considere que en una oficina de la Tesorería del Gobierno del Distrito Federal
(GDF) se ésta analizando el número de contribuyentes que son atendidos
diariamente. Los registros de los últimos 80 días indican que el número de
contribuyentes atendidos está entre 120 y 130, como se muestra en el cuadro
4.1.
Cuadro 4.1.
Número de Días observados
contribuyentes en este nivel
120 2
121 4
122 7
123 9
124 11
125 14
126 11
127 9
128 7
129 4
130 2
Total 80
Como la variable aleatoria comprende valores numéricos enteros entre 120 y

130 contribuyente, entonces ésta es una VA discreta.
3. Variable aleatoria continúa
Es aquella que toma cualquier valor numérico producto de una medición, el cual
está referido a un rango o intervalo de valores, es decir, es aquella variable, que
puede tomar un valor entero, un entero y una fracción, o bien, una fracción de
una unidad.

5
Ejemplo:
Se realiza la medición de la estatura (m) de 20 empleados d una compañía

farmacéutica. Los resultados de estas mediciones se muestran en el cuadro 4.2.
Cuadro 4.2.
1.62 1.66 1.55 1.75 1.74
1.65 1.67 1.54 1.72 1.61
1.55 1.73 1.66 1.71 1.69
1.73 1.57 1.58 1.62 1.70
Las estaturas de estos empleados, producto también de una medición. Están

entre 1.54 m y 1.75 m, y como observarse toman cualquier valor, es decir, se
trata de una variable aleatoria continua.
DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE

ALEATORIA DISCRETA
Una distribución de probabilidades de una variable aleatoria discreta es el
conjunto de todos los posibles resultados numéricos de un experimento a los que
podemos asignar un valor de ocurrencia o probabilidad. Este conjunto de
resultados son mutuamente excluyentes y pueden expresarse mediante fórmula,
una gráfica o por medio de un cuadro estadístico (tabla).
Matemáticamente hablando, la distribución de probabilidades de una variable

aleatoria discreta X es una función 𝑃𝑥 (𝑥) que da un valor de probabilidad a cada
valor 𝑥 que forma la variable 𝑋.
Esta distribución de probabilidades de una variable aleatoria discreta X tiene las

siguientes propiedades:
 La probabilidad 𝑃𝑥 (𝑥) de cada valor que presenta la variable 𝑥 debe tomar

un valor numérico en el intervalo
0≤ 𝑃𝑥 (𝑥) ≤ 1
 La suma de las probabilidades para todos los valores (𝑥𝑖 )de X es igual a
1 (uno), es decir,

6
∑ 𝑃𝑥 (𝑥𝑖 ) = 1 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1, 2, 3, … , 𝑛

𝑖=1
 Como cada valor de 𝑋 es un suceso mutuamente excluyente, sus

probabilidades son aditivas, es decir:
P(X = 𝑥1 ∪ 𝑋 = 𝑥2 ) = 𝑃𝑥 (𝑥1 ) + 𝑃𝑥 (𝑥2 )
Si retomamos el ejemplo de la Oficina de la Tesorería del Gobierno del Distrito

Federal, a cada valor de la variable aleatoria le podemos asignar un valor
numérico de ocurrencia (probabilidad) en la siguiente forma:
Por ejemplo, la probabilidad de que se presenten 121 contribuyentes es:
4
P(x=121)= 80 = 0.05
Con el mismo procedimiento, se calcula la distribución de probabilidad de los

valores numéricos que toma la variable aleatoria discreta.
Cuadro 4.3.
Número de Días observados en Probabilidad de que
Contribuyentes X este nivel la variable aleatoria X
se presente
120 2 0.0250
121 4 0.0500
122 7 0.0875
123 9 0.1125
124 11 0.1375
125 14 0.1750
126 11 0.1375
127 9 0.1125
128 7 0.0875
129 4 0.0500
130 2 0.0250
Total 80 1

7
0.2
0.18
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
120 121 122 123 124 125 126 127 128 129 130
Número de contribuyentes
Como podrá observarse, la variable aleatoria discreta del número de

contribuyentes cumple con tres propiedades de la distribución de probabilidad de
una variable aleatoria discreta, que hemos propuesto previamente, es decir:
 La probabilidad Px (121) de que la variable X tome el valor numérico de

121 contribuyentes está en el intervalo
0 ≤ 𝑃𝑥 (121) ≤ 1
 La suma de las probabilidades para todos los valores (x) de X es igual a
1, es decir,
∑ 𝑃𝑥(120,121,122, … ,130) = 1
𝑖=1
 Como cada valor de X es un suceso mutuamente excluyente, sus

probabilidades son aditivas, es decir ,
𝑃(𝑋 = 120 ∪ 𝑋 = 121) = 𝑃𝑥 (120) + 𝑃𝑥 (121) = 0.075
Ejemplo:
El administrador de una clínica del Instituto de Seguro Social al Servicio de os

Trabajadores del Estado (ISSSTE) analiza el número de consultas médicas del

8
servicio geriátrico que se proporcionan semanalmente. Los resultados de las

últimas 40 semanas se muestran en el cuadro 4.6.
Numero de servicios Numero de semanas

Geriátricos por semanas
70 5
71 7
72 9
73 8
74 6
75 5
total 40
Se calcula la distribución de probabilidades para esta variable aleatoria discreta

y se elabora la gráfica de la distribución correspondiente.
Solución:
Numero de servicios Numero de semanas Probabilidad de que la

Geriátricos por semanas variable aleatoria X se
presente
70 5 0.125
71 7 0.175
72 9 0.225
73 8 0.200
74 6 0.150
75 5 0.125
total 40 1.0
Valor esperado en la toma de decisiones
Si el administrador de la oficina de tesorería del gobierno del distrito federal (GDF)

pregunto, ¿Cuántos contribuyentes espero recibir en los próximos días?;
responder a su pregunta le permitirá determinar el número de empleados que
requerirá para seguir prestando un servicio de calidad entonces este analista,

9
deberá obtener un número estimado de contribuyentes para estos días (un

promedio) y tomar una decisión.
La herramienta requerida en este caso recibe el nombre de medida o valor

esperado de una distribución de probabilidad discreta.
El valor esperado de una variable aleatoria discreta es una media ponderada

de todos los resultados posibles que presenta esta variable aleatoria. en esta
media ponderada, los ponderados o pesos son as probabilidades que están
relacionadas, como ya se dijo, con cada uno de los valores numéricos de la
variable.
Matemáticamente, este valor esperado se puede expresar como:

𝑛
𝜇 = 𝑉𝐸(𝑋) = 𝐸(𝑋) = ∑ 𝑋𝑖 𝑃(𝑋𝑖 ), 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1,2,3 … , 𝑛

𝑖=0
Donde:
𝑋𝑖 = I-esimo valor numérico de la variable aleatoria discreta X.
𝑃(𝑋𝑖 ) = Probabilidad de ocurrencia del i-esimo resultado de la variable aleatoria

discreta X.
De la expresión matemática se observa que para obtener el valor esperado de

una VA discreta X se debe multiplicar cada valor de la variable toma por la
probabilidad de ocurrencia de ese valor u luego se suman los productos.
Por ejemplo, si queremos obtener el valor esperado de contribuyentes que

llegaran a la oficina de la tesorería del GDF, lo obtendríamos en la siguiente
forma:
Numero de Días observados Probabilidad de que la 𝑋𝑖 𝑃(𝑋𝑖 )

contribuyentes X en variable aleatoria X se
Este nivel presente
120 2 0.0250 3.000
121 4 0.0500 6.050
122 7 0.0875 10.675
123 9 0.1125 13.838

10
124 11 0.1375 17.050

125 14 0.1750 21.875
126 11 0.1375 17.325
127 9 0.1125 14.288
128 7 0.0875 11.200
129 4 0.0500 6.450
130 2 0.0250 3.250
total 80 1 125
𝑉𝐸(𝑋) 𝑜 𝐸(𝑋) = 125 𝑐𝑜𝑛𝑡𝑟𝑖𝑏𝑢𝑦𝑒𝑛𝑡𝑒𝑠
Es decir, el analista estaría, esperando en los próximos días un promedio de 125

contribuyentes, lo cual le permite tomar una decisión acerca del número de
empleados que se requerirán para atenderlos y ofrecer con ello un servicio de
calidad.
Varianza y desviación estándar de una variable aleatoria discreta
La dispersión el comportamiento de una variable aleatoria discreta puede

medirse, también mediante dos estadísticos de dispersión ya conocidos: la
varianza y la desviación estándar.
La varianza (𝜎 2 ) de una variable aleatoria discreta puede definirse como la media

ponderada de los cuadros de la diferencia entre cada valor numérico que toma
la variable aleatoria (𝑋𝑖 ) y su valor esperado [E(X)]. En donde los ponderados de
esta diferencia son precisamente los valores de probabilidad asociados con cada
valor numérico de la variable aleatoria.
Matemáticamente, la varianza de una variable aleatoria discreta puede

expresarse como:
𝜎 2 = ∑𝑛𝑖=1[𝑋𝑖 − 𝐸(𝑋)]2 𝑃(𝑋𝑖 ) 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1,2,3, … 𝑛
Donde:
𝑋𝑖 = I-esimo valor numérico de la variable aleatoria discreta X.
E(X) = media o valor esperado de la variable aleatoria discreta X.

11
𝑃(𝑋𝑖 ) = Probabilidad de ocurrencia del i-esemo resultado de la variable aleatoria

discreta X.
Como ya se indicó en los primeros capítulos de este libro, la varianza es un

estadístico que mide la dispersión en unidades al cuadrado; por lo que para
obtener una dispersión en las mismas unidades en que se mide la media o valor
esperado de la variable aleatoria discreta, se debe obtener la raíz cuadrada de
ella; con ello, se calcula la desviación estándar de la variable aleatoria discreta.
Matemáticamente, la desviación estándar (𝜎) de una variable aleatoria discreta

se define como:
𝜎 = √∑[𝑋𝑖 − 𝐸(𝑋)]2 𝑃(𝑋𝑖 ) 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1,2,3, … 𝑛

𝑖=1
Donde:
𝑋𝑖 =I-esimo valor numérico de la variable aleatoria discreta X.
E(X) = media o valor esperado de la variable aleatoria discreta X.
𝑃(𝑋𝑖 ) = Probabilidad de ocurrencia del i-esimo resultado de la variable aleatoria

discreta X.
Por ejemplo, si retomamos el ejemplo de la franquicia de la ciudad de puebla, en

México, referente a las ventas de su helado de mandarina, obtendríamos una
varianza d una desviación estándar de esta variable aleatoria discreta en la
siguiente forma.
Numero de Número de Probabilidad 𝑋𝑖 𝑃(𝑋𝑖 ) [𝑋𝑖 𝐸(𝑋)]2 𝑃(𝑋𝑖 )

helados de días en que de que la
mandarina se observó variable
por días 𝑋𝑖 esta ventana aleatoria X se
presente
30 6 0.120 3.60 0.726192
31 8 0.160 4.96 0.341056
32 12 0.240 7.68 0.050784

12
33 11 0.220 7.26 0.064152

34 7 0.140 4.76 0.332024
35 6 0.120 4.20 0.774192
total 50 1.0 32.5 2.2884
La varianza es: 𝜎 2 . = 2.2884 helados, y la desviación estándar: 𝜎 = 1.5 helados.
Es decir, el administrador de esta franquicia esperaría vender un promedio de

32.5 helados de mandarina por día con una nueva variación aproximada de este
promedio de 1.5 helados; esto es, entre 31 y 34 helados de este sabor por día.
Distribución de probabilidad binomial

Es una distribución de probabilidad de una gran cantidad de variables aleatorias
discreta cuyos experimentales son generados mediante un proceso conocido
como de Bernoulli. Su nombre se establece en honor del matemático suizo Jacob
Bernoulli (1654-1705)
Esta distribución de probabilidad se ocupa de experimentos en donde su

resultado solo puede tomar un solo valor de dos posibles, porque estos
resultados son mutuamente excluyentes. Por ejemplo, considere usted la
siguiente pregunta en una entrevista: ¿trabajo usted la semana pasada? Sus
posibles respuestas son: si, o bien, no. Dos posibles resultados, es una binomial
y, por tanto, un entrevistado solo puedo responder a una de ellas; es decir, las
respuestas se excluyen mutuamente.
Cálculo de probabilidades en una distribución binomial

Si se conoce la probabilidad de que en un experimento determinado se producirá
un éxito, entonces es posible determinar cuántos éxitos habrá en un número
determinado de experimentos.
Matemáticamente, un experimento que presenta un proceso de Bernoulli puede

definirse mediante los siguientes símbolos:
𝑃 = La probabilidad de tener un éxito.
𝑞 = (1 − 𝑝) =La probabilidad de tener un fracaso.
𝑟 = El número éxitos deseados al realizar un proceso de Bernoulli

13
𝑛 = El número total de ensayos o intento utilizados (este número es fijo durante

el experimento).
Y calcularse con la relación:
𝑛!
𝑃𝑛, 𝑟 = 𝑟!(𝑛−𝑟)! 𝑝𝑟 𝑞 𝑛−𝑟 (4.1)
Recordemos que el símbolo n!, significa n factorial. Por ejemplo, 3! = 3x2x1=6, y

que 0! = 1.
Ejemplo:
En un cuestionario acerca del empleo se pregunta: ¿usted trabajo actualmente?

Se ha considerado que el 65% de los entrevistados responderá que “si”. Se
hicieron ocho cuestionarios del estudio. ¿Qué probabilidad hay de que en cinco
de ellos respondan afirmativamente?
8!
Solución: 𝑃8.5 = 0.655 0.358−5
5!(8−5)
𝑛 = 8, 𝑟 = 5, 𝑝 = 0.65
𝑞 = 1 − 𝑝 = 0.35 𝑃8.5 = 56(0.116029)(0.042875)
𝑃8.5 = 0.2786
La probabilidad de que en cinco de ellos respondan afirmativa es: 0.2786
En la hoja electrónica de cálculo Excel podemos utilizar la función que permite

calcular la probabilidad de una distribución binomial
=DISTRI.BINOM(r, n, p,), para nuestro ejemplo, la probabilidad buscada se

calcula con la función:
= DISTR. BINOM (5, 8,0.65), cuyo valor en la celda de la hoja es: 𝑃8.5 =
0.278585779.
Medida de desviación estándar en una distribución binomial

Como ya se indicó en el tema anterior, se cuenta con las fórmulas de cálculo de
la media y la desviación estándar de la distribución de probabilidad de una

14
variable aleatoria, por lo que, en el caso de una distribución binomial, este cálculo
se simplifica considerablemente dado que solo tenemos dos posibles resultados.
La medida de una distribución binomial se calcula mediante (4.2):
𝜇 = 𝑉𝐸(𝑋) = 𝐸(𝑋) = 𝑛𝑝 (4.2)
Donde:
n= número total de ensayos o intentos utilizados en el experimento.
P= la probabilidad de tener un éxito.
Y la desviación estándar de una distribución binomial (4.3) se calcula como:
𝜎 = √𝑛 𝑝(1 − 𝑝)
𝜎 = √𝑛 𝑝 𝑞 (4.3)
Donde:
n = número total de ensayos o intentos utilizados en el experimento.
P = la probabilidad de tener un éxito.
q = la probabilidad de tener un fracaso.
Ejemplo:
En la zona norte del distrito federal se ha realizado un estudio que muestra que
un 70% de los hogares en la zona tienen servicio de internet. Si seleccionamos
50 hogares aleatoriamente. ¿Qué promedio de hogares en la muestra contara
con el servicio de internet?
Solución:
n = 50 hogares seleccionados
p = 0.70 de contar con servicio de internet
q = 0.30 de contar con servicio de internet
Por tanto: µ= 50(0.70) =35 hogares en promedio en la zona cuentan con servicio
de internet, con una desviación estándar de:

15
𝜎 = √50(0.70)(0.30) =3.24 hogares.
Distribución de probabilidad hipergeometrica

Una de las características de la distribución binomial es que la probabilidad de
éxito debe ser la misma para cada ensayo sucesivo, esto se debe a que se trata
de un proceso en el que el número de ensayos es finito y con reemplazo de los
elementos que forman el experimento. Por ejemplo, en un examen, la
probabilidad de que un individuo adivine la respuesta correcta para una pregunta
con dos opciones, “a” y “b”, es 0.50.
La distribución de probabilidad hipergeometrica surge al seleccionar una muestra

sin reemplazo de una población finita conocida y que presenta una proporción
relativa grande de la población, de tal forma que la probabilidad de éxito cambia
de una selección a otra. Por lo que la distribución hipergeometrica determina la
probabilidad de tener un determinado número de éxitos en una muestra que se
obtuvo de una población con un determinado nuero de éxitos.
En resumen, puede establecerse que una distribución de probabilidad se puede

manejar con una distribución de probabilidad hipergeometrica si:
 Se selecciona una muestra de una población finita sin reposición.

 El tamaño de la muestra “n” es mayor que 5% d tamaño de la población
(N).
La relación matemáticamente que permite calcular distribución de probabilidad

hipergeometrica es:
𝑌 𝐶𝑥 𝑁−𝑦 𝐶𝑛−𝑥
𝑃(𝑥) =
𝑁 𝐶𝑛
Donde:
C = símbolo de las combinaciones
N = tamaño de la población
n = tamaño de la muestra
y = número de éxitos en la muestra

16
x = número de éxitos en la muestra
N-y = número de fracasos en la población
N-x = número de fracasos en la muestra
Ejemplo:
El administrador del estado de santa clara cuenta con diez vacas Holstein de alto
rendimiento, pero cuatro de ellas al revisarlas el veterinario, se les detecta una
enfermedad contagiosa. ¿Qué probabilidad hay de que, en una muestra de tres
vacas, dos de ellas presenten la enfermedad contagiosa?
Solución:
N = 10 n=3 y=4 x =2
𝑌 𝐶𝑥 𝑁−𝑦 𝐶𝑛−𝑥
𝑃(𝑥) =
𝑁 𝐶𝑛
4 𝐶2 10−4 𝐶3−2
𝑃(𝑥) =
10 𝐶3
(6)(6)
𝑃(𝑥) = = 0.30
120
Media y varianza de la distribución de probabilidad hipergeometrica

La media de la distribución de probabilidad hipergeometrica s define como:
𝑛𝑦
𝜇= ; Donde y/n = P, la cual tiende al valor de la media en una distribución
𝑁
binomial (𝜇 = 𝑛𝑝) si el tamaño de la población (N) es muy grande con respecto

al tamaño de la muestra(n).
La varianza, por otro lado, está definida con la relación:
𝑦 𝑁−𝑦 𝑁−𝑛
𝜎2 = 𝑛 ( ) ( )( )
𝑁 𝑁 𝑁
Distribución de probabilidad de poisson

Es una distribución de probabilidad que se aplica para variables aleatorias
discretas, ya que mide la frecuencia relativa de un evento en función a una
unidad de tiempo, a una de espacio, o bien, a una de volumen.

17
La distribución de poisson permite describir el comportamiento de la probabilidad

n problemas como:
 Número de llegadas de clientes por hora a un banco, restaurante o bien,

una tienda.
 Número de accidentes por semana en una escuela, empresa o carretera.
 El número de imperfecciones por centímetro en los toldos de las
carrocerías de automóviles nuevos.
Esta distribución de probabilidades de poisson es el resultado de las siguientes

hipótesis:
 Los eventos suceden uno a la vez, es decir, la probabilidad d que ocurran

dos o más eventos en el mismo instante es cero.
 La probabilidad de ocurrencia del evento de interés es constante para dos
intervalos distintos de tiempo, espacio o volumen.
Media y varianza de una distribución de probabilidad de poisson

Con base en la definición de la distribución de probabilidades de poisson se
establece que la media o valor esperado es igual que lambda (𝜆).
𝐸(x)=𝜆
La varianza para esta distribución de probabilidad también es igual que lambda

(𝜆).
𝜎2 = 𝜆
Y la desviación estándar para esta distribución de probabilidad es igual que:
𝜎 = √𝜆
Ejemplo: en una sucursal del banco Aztek ubicada en el centro de la ciudad llega
un promedio de seis clientes por minuto. Si se considera una distribución de
poisson, ¿Qué desviación estándar de clientes se tiene en esta sucursal?
Solución:
𝐸(𝑥) = 𝜆 = 6 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑚𝑖𝑛𝑢𝑡𝑜 𝜎 2 = 6 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑚𝑖𝑛𝑢𝑡𝑜
𝜎 = √𝜆

18
𝜎 = √6 = 2.45 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 𝑝𝑜𝑟 𝑚𝑖𝑛𝑢𝑡𝑜
Es decir, en promedio tenemos un arribo de seis clientes por minuto con una
dispersión de más y menos 2.45 clientes. Esto es en cada minuto se puede
esperar la llegada de entre cuatro y ocho clientes.
Distribuciones discretas de probabilidad en Excel

Las distribuciones discretas de probabilidad, puede tratarse mediante el uso de
funcionamiento construidas para ellas en Excel.

19
CONSTRUCCION DE UNA TABLA DE DISTRIBUCIÓN DE

PROBABILIDAD NORMAL ESTÁNDAR ZEN EXCEL
Para construir una tabla de distribución normal estándar Z en Excel, es necesario
utilizar en la hoja electrónica la función:
=DISTR.NORM.ESTAND(valor Z)
Siempre será
Por ejemplo:
el mismo para
todas las
columnas.
Z=0.22 es la hoja, = DISTR.NORM.ESTAND(B10 + E7) -0.50

20
Figura 5.9. Es la función de la hoja que calcula distribución normal estándar Z

acumulada de - ∞ al valor de la Z, por lo que es necesario, para calcular un área
determinada, restar 0.50 que corresponde a la primera mitad de la curva.
= DISTR.NORM.ESTAND(B10 + E7) -0.50
En este ejemplo de tabla se utilizo una aproximacion a cuatro decimales ,pero

puede elaborarse una con los decimales que se requiera.
EJEMPLO 8:
Una empresa de electrodomesticos tiene una produccion diaria que se distribuye
normalmente con una media de 158 unidades y una desviacion estandar de
cuatro unidades.Encuentre la probabilidad de uqe el numero de unidades
producidas por dia:
a) Sea menor que 163 unidades.
b) Sea mayor que 164 unidades.
c) Este entre 150 y 165 unidaes.
d) Este entre 160 y 168 unidades.
Solucion:
µ =158 unidfades
σ = 4 unidades
× = 163 unidades
a) Sea menor que 163 unidades.es conveniente dibujar la grafica para
tener una idea clara de lo que se quiere calcular.
158 163 ×
0 +1.25 z

21
Se estandariza el valor de la variable aleatoria Z= 163-158 = 1.25

4
El valor de la Z se utiliza con dos digitos despues del punto decimal ,para luego usar las
tablas ;para Z =1.25 la probabilidad es de 0.3944.
P(Z ‹ 1.25) = P(x‹ 163) = 0.5 + 0.3944= 0.8944
En la hoja electronica de excel ,esta distribucion de probabilidad puede calcularse con la
funcion:
= DISTR.NORM(µ ,σ,s,acum )
Donde:
µ =media de la pblacion
σ =desviacion estandar de la poblacion.
× =cualquier valor de la variable aleatoria continua (-∞‹X‹+∞).
1 =valor acumulado de al probabilidad de al distribucion normal.
= DISTR.NORM(163 ,158,4,1 )=0.89435023
b) Sea mayor que 164 unidades.
Z= 164-158 = 1.25
4
158 164 ×
0 +1.25 z
Para Z=1.5 la probabilida es 0.4332.

P(Z>1.5)=P(x>164)=0.5-0.4332=0.0668
En la hoja electronica de excel ,esta distribucionde probabilidad puede
calcularse con la funcion:
= 1- DISTR.NORM(164,158,4,1)
=0.0668072
P(x>164)=1-0.9331928=0.0668072

22
c) Este entre 150 y 165 unidaes.
150 158 165 ×

-2 0 +1.75 z
Z1 = 150-158 = -2 Z2 = 165-158 = 1.75

4 4
Al buscar en la tabla los valores ,la probabilidad para Z1 =-2 es de 0.4772 , y para Z2 =1.75 es de
0.4599 , por tanto:
P(-2< Z<1.75)=P(150<X<165)=0.4772+0.4599=0.9371
En la hoja electronica excel:
= DISTR.NORM(163 ,158,4,1 )- = DISTR.NORM(150,158,4,1)

=0.93719071.
d) Este entre 160 y 168 unidades.
Z1 = 160-158 = 0.5 Z2 = 168-158 = 2.5

4 4
158 160 168 x

0 +0.5 +2.5 z
Al buscar en la tabla los valores ,la probabilida para Z1 = 0.5 es de 0.1915 , para Z2 = 2.5 es
de 0.4938 ; por tanto:
P(0.5<Z<2.5) = P(160 <X<168) =0.49389-0.1915 =0.3023

23
EJEMPLO 9:
El profesor robles comunica a sus alumnos que calificara con la letra “E” el 10%
de los resultados con mas alta puntuascion del examen final .El promedio de los
resultados odtenidos por los alumnos en el examen finales de 75 puntos y la
desviacion estandar es de cinco puntos . ¿A PARTIR DE QUE PUNTUACION
CALIFICARA EL PROFESOR CON LA LETRA “E”?las calificaciones se
distribuyen normalmente.
Solucion:
Con la tabla normal estandarizada en forma inversa Z0.40 = 1.282, o bien, en excel :
= DISTR.NORM.ESTAND(0.5 +0.4),es igual que 1.28155157 (se agrega 0.5 , ya que se trata
de una función acumulativa).
0.5 0.4
0.1
1.282 z
De la expresion:
Z= X - µ
σ
Despejamos X, que corresponde al valor de la variable aleatoria.

X=Zσ+µ
Sustituyendo:
µ = 75
σ =5
Z0.40 = 1.282
X = 1.282 (5) + 75 = 81.41 Puntos
EJEMPLO 10:
El despacho de arquitectos Uribe , S.A. gana una liciacopn para diseñar y
construir un centro comercial en la zona poniente de la ciuda ,.¿que altura debe
tener el acceso al estacionamiento para que pueda pasar 95% de los

24
automoviles sin ningun problema ? L a altura de los automoviles sigue un

comportamiento normal ;se sabe que la altura promedio es de 220 cm, con una
desviacion estandar de 15 cm.
Solucion:
Con la tabla de la normal estandarizada en forma inversa Z0.45 = 1.645 , o bien en EXCEL
= DISTR.NORM.ESTAND.INV(0.5+0.45) es igual que 1.64485363 (se agrega 0.5, ya que se trata
de una cumulstiva).
0.5 0.45
1.645 Z
X =Zσ + µ
Sustituyendo:
µ = 220
σ =5
Z0.45 = 1.645
X = 1.645(5) + 220 = 244.68 cm
PROBLEMAS
1. X se distribuye uniformemente entre un rango de valores de 35 a 41.
a) ¿Cuál es la altura para esta distribucion?

b) Determine la media y la desviacion estandar de esta distribucion
c) ¿Cuál es la prtobabilidad de (38 ≤ X ≤ 39.5 ?
d) ¿Cuál es la prtobabilidad de (X < 40.8)?
e) ¿Cuál es la probabilidad de (X ≥ 36.02)?
2. Una encuesta realizada a los difernetes fabricantes de pan en rebanadas con

empaque de bolsa de plastico reporta que el costo de fabricacion esta entre $ 7.35
y $ 7.90. suponga que los costos estan uniformemente distribuidos.
a) ¿Cuál es el costo promedio y la desviacion estandar de los costosen esta

distribucion?
b) ¿Cuál es la probabilidad de que el costo sea mayor que $ 7.50?

25
3. La compañoa Vitayogurt llena en promedio la presentacion de yogurt para beber

con 250 gramos del producto . suponga que la cantidaad al llenarlos esta entre 248
y 250 . gramos uniformemente distribuida.
a) ¿Cuál es la altura de esta distribucion?

b) ¿Cuyal es la probabilidad de que el yogurt selleccionado al azar contenga
menos de 250 gramos?
c) ¿Cuál es la probabiliada de que lam cantidad de llenado este entre 248.5 y 250.1
gramos?
4. Una persona gasta un promedio de $ 15000.00 al año en el seguro de gastos

medicos mayores . Suponga que las ciffras s encuentran uniformemente
distribuidas entre $ 10000.00 y $ 20000.00
a) ¿Cuál es la desviacion estandar de esta distribucion?

b) ¿Qué proporcion de personas gata mas de $ 12500.00 al año en el seguro de
gastos medicos mayores ?
c) ¿Entre $ 13800.00 y $ 16700.00?
5. El tiempo para correr una muestra de gas licuado en un cromatografo de gases se

ha programado mediante una distribucion de probabilidad uniforme entre 4.35 y 5.12
minutos.
a) ¿cusal es la probabilidad de qu ellegue una muestra de gas licuado y tarde por
lo menos en correr 4.7 minutos ?
b) ¿Cuál es la desviacion estandar del tiempo de corrimiento de la muestra?
6. Una compañía embotelladora de jugos naturales cuenta con una maquina

embotelladora que se comporta de acuerdo con una distribucion uniforme . Su
producto principal es el jugo de naranja en botellas de 150 ml , pero su linea de
envasado , llena las botellas entre 145 y 158 ml . La compañía desea saber la
probabilidad de que :
a) Una sola botella (x) pueda contener entre 154 y 151 ml ;

b) Una sola botella (x) pueda contener entre 148 y 152 ml.
7. El tren suburbano d la ciudad de mexico que corre del Estado de mexico a

Buenavista se estima que presentara un tiempo de retraso en su recorrido de entre .
y 16 minutos. Este tiempo puede modelarse con una distribucion uniforme.
a) ¿Qué probabilidad hay de que este llegue por lo menos con cinco minutos de
retraso?
b) Cual es la desviacion estandar del tiempo de retraso de este tren suburbano.

26
8. El administrador de la clinica Solidaridad – cuijingo que atiende emergencias del

area rural que le coresponde ,ha observado que el tiempo entre llegadas de
emergencias sigue una distribucion exponencial con la media de 1.30 horas .El
administrador se pregunta:
a) ¿Qué probabilidad hay de que el tiempo entre llegadas sea mayor que una hora ?
b) ¿Qué probabilidad hay bde que el tiempo entre llegadas sea menor que dos
horas ?
9. EN AEROMEXICO , el tiempo requerido para atender a un pasajero que llega al

mostrador del aereopuerto sin boleto electronico sigue una distribucion
exponencial con una media de seis minutos
a) ¿Qué probabilidad hay de que un tiempo de atencion sea menor que tres
minutos?
b) ¿Qué probabilidad hay de que el tiempo de atencion sea mayor que 10 minutos?
10. El salario priomedio es de $223 pesos por dia en un despqacho contable , con una
desviacion estandar de $ 12.50 pesos. ¿Cuál debe ser su salario por dia si desea<
ganar:
a) Mas que 80% de todos los empleados ¿?

b) Mas que 30% de todos los empleados?
c) ¿menos que 20% de todos los empleados?
11. La empresa Sers ,S.A. reporta que el numero de dias entre la facturacion y el pago
de las cuentas a credito , tiene una distribucion normal con una media de 15 dias y
una desviacion estandar de entre tres dias .¿Que porcentaje de las facturas sera
pagado
a) Entre 10 y 16 dias?
b) Entre 17 y 20 dias ¿?
c) En menos de 12 dias?
d) En mas de ocho dias ¿?
12. El señor perez obtuvo un puntaje de 125 en rendimiento . EL AFIRMA SER UNO DE
LOS EMPLEADOS QUE EATAN CONSIDERADOS EN EL 35 DE LOS MAS
EFICIENTES DE LA FABRICA DONDE TRABAJA ¿ ES CIERTA SU AFIRMACION Las
puntuaciones del rendimiento de los trabajadores siguen una distribucion
normal.La pumtuacion promedio es de 110 con una desviacion estandar de seis
puntos.

27
13. El tiempo requerido para instalar un motor nuevo eu un carro, se considera que es
una variable aleatoria normalmente distribuida ;el tiempo promedio utilizado para
instalar un motor es de seis horas con una desviacion estandar de una hora.
¿Cuál es la probabilidad de que la siguiente instalacion requiera:
a) Entre 4.5 y 7.3 horas ?

b) Entre 6 y 8.1 horas?
c) Mas de 6.5 horas?
d) Menos de 5.4 horas?

28

Trbajo de Esta 2

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Trbajo de Esta 2

Загружено:

Авторское право:

Доступные форматы

UNIVERSIDAD NACIONAL AMAZONICA DE MADRE DE DIOS

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

FUNCION DE DISTRIBUCIÓN DE PROBABILIDAD

La distribución de probabilidad está completamente especificada por la función

2.- TIPOS DE VARIABLES

3.- DIVISIÓN DE DISTRIBUCIONES

a) Si la variable es una variable discreta (valores enteros), corresponderá una

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

 Distribución binomial (eventos independientes).

b) Si la variable es continua, esto significa que puede tomar cualquier valor

Además, se puede utilizar la "distribución de Poisson como una aproximación de

VARIABLE ALEATORIA Y DISTRIBUCIONES DISCRETAS DE

Recordemos que un experimento aleatorio es aquel del cual conocemos sus

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

Valores numéricos de probabilidad de ocurrencia. Por ejemplo, suponga que la

Entonces, la variable aleatoria de este juego de fútbol tiene tres resultados

Espacio muestral (juego de fútbol) = ⦃gana “A”, gana “B”, empate⦄.

La variable aleatoria del juego puede definirse como:

VA (juego de fútbol) = ⦃1, 2, 3⦄

Formalmente, Hildebrand y Lyman proponen la siguiente definición de variable

2. variables aleatorias discretas

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

Son aquellas que toman un número limitado de valores, generalmente números

Como la variable aleatoria comprende valores numéricos enteros entre 120 y

3. Variable aleatoria continúa

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

Se realiza la medición de la estatura (m) de 20 empleados d una compañía

Las estaturas de estos empleados, producto también de una medición. Están

DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE

Matemáticamente hablando, la distribución de probabilidades de una variable

Esta distribución de probabilidades de una variable aleatoria discreta X tiene las

 La probabilidad 𝑃𝑥 (𝑥) de cada valor que presenta la variable 𝑥 debe tomar

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

∑ 𝑃𝑥 (𝑥𝑖 ) = 1 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1, 2, 3, … , 𝑛

 Como cada valor de 𝑋 es un suceso mutuamente excluyente, sus

Si retomamos el ejemplo de la Oficina de la Tesorería del Gobierno del Distrito

Por ejemplo, la probabilidad de que se presenten 121 contribuyentes es:

Con el mismo procedimiento, se calcula la distribución de probabilidad de los

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

Como podrá observarse, la variable aleatoria discreta del número de

 La probabilidad Px (121) de que la variable X tome el valor numérico de

 Como cada valor de X es un suceso mutuamente excluyente, sus

𝑃(𝑋 = 120 ∪ 𝑋 = 121) = 𝑃𝑥 (120) + 𝑃𝑥 (121) = 0.075

El administrador de una clínica del Instituto de Seguro Social al Servicio de os

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

servicio geriátrico que se proporcionan semanalmente. Los resultados de las

Numero de servicios Numero de semanas

Se calcula la distribución de probabilidades para esta variable aleatoria discreta

Numero de servicios Numero de semanas Probabilidad de que la

Valor esperado en la toma de decisiones

Si el administrador de la oficina de tesorería del gobierno del distrito federal (GDF)

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD

deberá obtener un número estimado de contribuyentes para estos días (un

La herramienta requerida en este caso recibe el nombre de medida o valor

El valor esperado de una variable aleatoria discreta es una media ponderada

Matemáticamente, este valor esperado se puede expresar como:

𝜇 = 𝑉𝐸(𝑋) = 𝐸(𝑋) = ∑ 𝑋𝑖 𝑃(𝑋𝑖 ), 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1,2,3 … , 𝑛

𝑋𝑖 = I-esimo valor numérico de la variable aleatoria discreta X.

𝑃(𝑋𝑖 ) = Probabilidad de ocurrencia del i-esimo resultado de la variable aleatoria

De la expresión matemática se observa que para obtener el valor esperado de

Por ejemplo, si queremos obtener el valor esperado de contribuyentes que

Numero de Días observados Probabilidad de que la 𝑋𝑖 𝑃(𝑋𝑖 )

FUNCIONES DE DISTRIBUCION DE PROBABILIDAD