Вы находитесь на странице: 1из 27

Análisis de Datos para la Gerencia 1

Probabilidades: distribuciones de
probabilidad

Sesión 6

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 2

Distribución Discreta de Probabilidades

La distribución de probabilidad de una variable


aleatoria describe cómo se distribuyen las
probabilidades sobre los valores de la variable
aleatoria.

Podemos describir una distribución de probabilidad


discreta con una tabla, gráfico o fórmula.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 3

Distribución Discreta de Probabilidades


Se introducirán dos tipos de distribuciones de
probabilidad discretas.

Primer tipo: utiliza las reglas de asignación de


probabilidades a los resultados del experimento
para determinar las probabilidades de cada valor de
la variable aleatoria.

Segundo tipo: utiliza una fórmula matemática


especial para calcular las probabilidades para cada
valor de la variable aleatoria.
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 4

Distribución Discreta de Probabilidades

La distribución de probabilidad se define por una


función de probabilidad, denotada por f (x), que
proporciona la probabilidad para cada valor de la
variable aleatoria.

Se requiere que la función de probabilidades


discreta cumpla con las siguientes condiciones:

f (x ) > 0
 f (x ) = 1
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 5

Distribución Discreta de Probabilidades

Existen tres métodos para asignar probabilidades a


variables aleatorias: el método clásico, el método
subjetivo y el método de frecuencia relativa.

El uso del método de frecuencia relativa para


desarrollar distribuciones de probabilidad discretas
conduce a lo que se denomina distribución discreta
empírica.
Un ejemplo de ello en
la siguiente diapositiva
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 6

Distribución Discreta de Probabilidades


Ejemplo: Comercial JSL
Utilizando datos anteriores sobre ventas de TV, ...
se desarrolló una representación tabular de la distribución de
probabilidad para las ventas de TV.
Unidades Número
Vendidas de Días X f(X) 80/200
0 80 0 .40
1 50 1 .25
2 40 2 .20
3 10 3 .05
4 20 4 .10
200 1.00
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 7

Distribución Discreta de Probabilidades


Ejemplo: Comercial JSL

Representación
gráfica de la
distribución de
probabilidad

0 1 2 3 4

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 8

Distribución Discreta de Probabilidades

Además de tablas y gráficos, se utilizan a menudo


para describir las distribuciones de probabilidad
fórmulas que calculan la probabilidad, f (x), para
cada valor de X.

Algunas distribuciones discretas de probabilidad


especificadas por fórmulas son las distribuciones
binomial y Poisson.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 9

Distribución de Probabilidades
Binomial
Propiedades del Experimento Binomial
• Secuencia de n Ensayos Idénticos
• Cada ensayo tiene sólo 2 resultados
“Éxito” (Resultado deseado) o “Fracaso”
• Las Probabilidades en todos los ensayos son
constantes
• Los Ensayos son Independientes.

Dos métodos de muestreo diferentes


Población Infinita sin Reemplazo
Población Finita con Reemplazo
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 10

Distribución de Probabilidades
Binomial: Función

n!
f(X) = pX (1 – p)n-X
X! (n – X)!

f(X) = probabilidad de X = x dados n & p


n = número de ensayos
p = probabilidad de ‘éxito’
X = número de ‘éxitos’ en las ‘n’ repeticiones
(X = 0, 1, 2, ..., n)
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 11

Distribución de Probabilidades
Binomial

Valor esperado
E (x) =  = n p
Varianza
Var(x) =  2 = n*p*(1 - p )

Desviación Estándar
DS(x) =  = n*p*(1 - p )

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 12

Distribución de Poisson

Una variable aleatoria que sigue la distribución de


Poisson es útil para estimar el número de
ocurrencias en un específico intervalo de tiempo o
espacio.

Es una variable discreta que puede asumir un


número infinito de valores. (X = 0, 1, 2, 3, . . . ).

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 13

Distribución de Poisson

Ejemplos de Variables Aleatorias de Poisson:

El número de llamadas que ingresan a una


central telefónica en una hora

El número de vehículos que pasan por


una caseta de peaje en media hora

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 14

Distribución de Poisson
Dos Propiedades del Experimento de Poisson:
1. La probabilidad de ocurrencia es la misma
para cualquier par de intervalos de igual
tamaño.
2. La ocurrencia o no ocurrencia en cualquier
intervalo es independiente de la ocurrencia
o no ocurrencia en cualquier otro intervalo.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 15

Distribución de Poisson: Función

e- x
f(x) =
x!
f(x) = probabilidad de que X = x dado 
 = Valor esperado (media) del número de
‘éxitos’
e = 2.71828 (base de logaritmos naturales)
x = número de ‘éxitos’ por unidad

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 16

Distribución de Poisson

Una característica de la distribución de


Poisson es que la media y la varianza
son iguales.

=2

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 17

Distribución de Poisson

Función de probabilidad de Poisson

Puesto que no hay límite superior indicado por el


número de casos, la función de probabilidad f (x) se
aplica a los valores de x = 0, 1, 2, ... sin límites.
En las aplicaciones prácticas, x solo alcanza un
valor lo suficientemente grande como para que f(x)
sea aproximadamente igual a cero y la probabilidad
de que tome valores más grandes es insignificante.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 18

Distribuciones Continuas
de Probabilidades

 Una variable aleatoria continua puede asumir


cualquier valor en un intervalo de la recta de
números reales o en un conjunto de intervalos.
 No es posible hablar de la probabilidad de que la
variable aleatoria asuma un valor en particular.
 En lugar de ello, hablamos de la probabilidad de
que la variable aleatoria asuma un valor dentro
de un intervalo dado.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 19

Distribuciones Continuas
de Probabilidades

La probabilidad de que una variable aleatoria


asuma un valor en un intervalo dado de X1 a X2
se define como el área bajo la curva de la función
de densidad de probabilidades dentro de dicho
intervalo.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 20

Distribución Normal
Es la distribución más importante f (x)
para describir la distribución de
variables aleatorias continuas
1. ‘Forma de Campana’ &
Simétrica
x
2. Media, Mediana, Moda son
iguales Media
Mediana
3. Variable aleatoria que tiene Moda
rango infinito.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 21

Importancia de la
Distribución Normal

1. Hay muchos experimentos de variables continuas


que siguen esta distribución o que pueden ser
aproximados por ella.
2. Esta distribución se puede usar para aproximar
algunas distribuciones de variable discreta.
3. La distribución normal constituye la base para la
inferencia estadística clásica por su relación con el
Teorema del Límite Central.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 22

Distribución Normal:
características
99.72%
95.44%
68.26%

x
  + 3
 – 3  – 1  + 1
 – 2  + 2
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 23

Distribución Normal de
Probabilidades
Probabilidad
d
es el área
bajo la curva! P (c  X  d)   f ( x)dx ?
c

f(X)

c d X
Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 24

Distribución Normal Estándar

X - 
Z=
Distribución
 Distribución
Normal Normal Estándar
 z = 1

 X Z = 0 Z

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 25

Probando Normalidad

Comparar características de Gráfico de Probabilidad Normal


la Data con Propiedades de
X 90
la Distribución Normal.
Evaluar el Gráfico de 60
Probabilidad Normal. 30 Z
Graficar los Datos X vs. -2 -1 0 1 2
valores Z estandarizados.
Buscar una línea recta!

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 26

Aproximaciones a la
Distribución Binomial

Cuando el número de repeticiones en una variable


BINOMIAL es muy grande, se presentan dificultades
para el cálculo de las probabilidades usando la
función Binomial. En estos casos es práctico utilizar
aproximaciones para los cálculos.
Se pueden utilizar tanto la variable POISSON como
la NORMAL, dependiendo de la probabilidad de
éxito de la distribución (Binomial) original.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.
Análisis de Datos para la Gerencia 27

Aproximaciones a la
Distribución Binomial

Para usar la aproximación por Poisson, hacemos:


 = nxp
y para usar la aproximación por Normal, hacemos:
 = n x p y 2 = n x p x ( 1 - p )
como parámetros con los que queda definida la
correspondiente distribución.

Notas de clase elaboradas por el Prof. Tomás Minauro L. Lima, esan, ® 2018.