Distribuciones de Probabilidad

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.
 VARIABLES ALEATORIAS
• Experimento:
– Lanzar una moneda tres veces al aire.
• Evento
– Obtener SELLOS en los tres lanzamientos.
• Resultados Posibles (Variable Aleatoria)
– 0 Sellos
– 1 Sello
– 2 Sellos
– 3 Sellos
 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
 Experimento: Lanzar 3
monedas
Evento: Número de Sellos
N° Sellos Resultado Probabilidad Probabilidad
0 CCC 0.5 x 0.5 x 0.5 0.125
1 CCS 0.5 x 0.5 x 0.5 0.125
1 CSC 0.5 x 0.5 x 0.5 0.125
1 SCC 0.5 x 0.5 x 0.5 0.125
2 CSS 0.5 x 0.5 x 0.5 0.125
2 SCS 0.5 x 0.5 x 0.5 0.125
2 SSC 0.5 x 0.5 x 0.5 0.125
3 SSS 0.5 x 0.5 x 0.5 0.125
1.00
 Experimento: Lanzar 3
monedas
Evento: Número de Sellos
Distribución de Probabilidades

N° Sellos Probabilidad
0.4
0 0.125 0.35
0.3
1 0.375

Probabilidad
0.25
2 0.375 0.2
0.15
3 0.125 0.1
1.0 0.05
0
0 1 2 3
Número de Sellos
 N° Sellos Probabilidad
0 0.125
1 0.375
2 0.375
3 0.125
VARIABLE
PROBABILIDAD
ALEATORIA

• Variable Aleatoria: Variable X = Número de sellos

• Valores de la Variable X x (0, 1, 2, 3).
• P(X=x) o f(x)  Probabilidad de que la V.A. X tome el
valor x
• P(X=0) = 0.125 f(0) = 0.125
• P(X=1) = 0.375 f(1) = 0.375
• P(X=2) = 0.375 f(2) = 0.375
• P(X=3) = 0.125 f(3) = 0.125
 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.
 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
  P(Xi) = 1
P(X=0) = 0.125
P(X=1) = 0.375
P(X=2) = 0.375
P(X=3) = 0.125
 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.

F (x)  P( X  x)
F (3)  P( X  3)  f (0)  f (1)  f (2)  f (3)
 Valor Esperado de una
Distribución de Probabilidad
• Se denota E(X).
• Media de la Distribución de Probabilidad (
• Media Pesada de los valores de X.
• Las probabilidades actúan como pesos
(suman 1).
μ = E( X ) =  x * P( X  x)

μ = E( X ) =  x * f (x)
 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
 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.
  VAR ( X ) 
2
E( X   ) 2
  ( x   ) 2 * f (x)

  VAR(X )  E( X )  E(X )
2 2 2

  x P(x)   2
2 2
 Desviación Estándar de una
Distribución de Probabilidad
• Raíz Cuadrada de la
Varianza.
    VAR( X ) 
2
 ( x   ) 2
* f ( x)

    VAR( X )  E( X )  E( X )
2 2 2

  x P(x)  
2 2
 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

• En un día sábado, ¿cuántos autos se debe esperar

vender?
• ¿Cuál es la varianza y la desviación estándar?
Modelos de Distribuciones
de Probabilidad Discretas
Distribuciones de
Probabilidad Discretas

Binomial HIPERGEOMÉTICA
Poisson
 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.
 Probabilidad en una
Distribución Binomial
Si f (x)  P( X  x) para x  0, 1, 2,..., n

n! r n  r
f (x)  p q
r!(n  r)!
• p= probabilidad de éxito de cada
intento
• q= probabilidad de fracaso de cada
intento
• n= número de intentos realizados.
• r= número de éxitos deseados.
 Tendencia Central y Dispersión
en la Distribución Binomial
• Media o Valor Esperado
  E( X )  np

• Desviación Estándar

  npq
 Ejemplo 2
Una compañía que vende por
teléfono, 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?
 Distribución Hipergeométrica
• Dado un conjunto de N elementos, que
pueden ser individuos u objetos, y r de ellos
poseen cierta característica (éxitos) y N-r no
la poseen (fracasos). Al elegir aleatoriamente
un elemento de este conjunto, para la
siguiente elección, el tamaño y característica
de la muestra cambió(binomial sin reposición)
• Si el tamaño de la muestra(n) es mayor que
el 5% de la población(N), usar esta
distribución
Probabilidad de una distribución
Hipergeométrica
• Función de probabilidad:

x= Número de éxitos de la muestra

n= Tamaño de la muestra
f(x)= Probabilidad de x éxitos en muestra
N= número de elementos de la población
r= número de éxitos de la población
Media y varianza
 Ejemplo 3a
• Una empresa tiene 50 obreros de los
cuales 40 están sindicalizados. Se va a
elegir 5 empleados aleatoriamente para
que integren un comité para hablar con la
gerencia. ¿Cuál es la probabilidad de que
cuatro de los cinco pertenezca al
sindicato?
 Ejemplo 3b
Para unir ciertas partes de juegos se utiliza una
placa metálica. Esta lleva 4 remaches en la parte
superior y 6 en la parte inferior. Al instalar la
plancha se empieza remachando la parte superior.
Debido a la inexperiencia de uno de los
trabajadores, solo 7 de los remaches se instalaron
correctamente. Si los remaches mal instalados
hubieran quedado en la parte superior de la placa,
se correría el riesgo de desprenderse y colapsar la
estructura. Calcular la probabilidad de este riesgo.
 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.
 Probabilidad en una
Distribución de Poisson
Si f (x)  P( X  x) para x  0, 1, 2,..., n

e x 
f (x) 
x!
• λ= promedio de ocurrencias por intervalo de tiempo
o espacio.
• e= 2.71828 Base de logaritmos neperianos o
naturales.
 Tendencia Central y Dispersión
en la Distribución Poisson
• Media o Valor Esperado

• Varianza
 
2

• Desviación Estándar
 
 Distribución de Poisson como una
aproximación de la Distribución
Binomial
• La distribución de Poisson es una buena
aproximación de la distribución binomial cuando n
es igual o mayor que 20 y p es igual o menor a

  np
0.05.

x np
(np) e
f (x) 
x!
 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?
 Ejemplo 5
En la inspección de hojalata producida por un
proceso electrolítico continuo, se identifican 0.2
imperfecciones en promedio por hora.
Determine las probabilidades de identificar

a) una imperfección en 3 horas

b) al menos dos imperfecciones en 5 horas
c) cuando más una imperfección en 15 horas.
 Características de la
Distribución Normal
Distribución •1. Simétrica y “acampanada”
Normal
•2. Unimodal.
•3. Media al centro de la Curva.
•4. Media = Mediana = Moda
X
μ •5. Asintótica

Media •6. Función de Densidad

Mediana •7. Área bajo la curva = 1
Moda
Familia de Distribuciones
Igual , Diferente 

=1
=5
 = 10
X
 = 50
 Familia de Distribuciones
Diferente , Igual 

=5 =5 =5

 = 15  =25  = 40 X
 Familia de Distribuciones
Diferente , Diferente 
=1
 =3
 = 10

 = 15  =25  = 40 X
 Áreas bajo la
curva normal
16% 16%
68.3%

1 1
X
 Áreas bajo la
curva normal
16% 16%
68.3%

1 1
X

2.25% 2.25%
95.5%
X
2 2
 Áreas bajo la
curva normal
16% 16%
68.3%

1 1
X

2.25% 2.25%
95.5%
X
2 2

0.15% 99.7% 0.15%

X
3 3
Distribución Normal Estándar

0
 1

-3 -2 -1 0 +1 +2 +3
 Distribución Normal y
Distribución Normal Estándar
  100
  20

40 60 80 100 120 140 160 X

-3 -2 -1 0 +1 +2 +3 Z
 Valor Estándar
(Valor z)
• Los valores de una Variable X distribuida
normalmente se transforman a valores z de una
Distribución Normal Estándar.
• La Distribución Normal se “estandariza”
resultando en una Distribución Normal Estándar.

x 
z

 Estandarizar la
Distribución Normal
Distribución Normal Distribución Normal Estándar

 z = 1

x
 z =0
z
• x - valor de una variable aleatoria.
x   - media de la distribución de la variable
z 
aleatoria.
  - desviación estándar de la distribución.
• z - número de desviaciones estándar desde
x a la media de la distribución.
 Estandarización de una
Distribución Normal

Distribución Normal
50
25

       x

25 0 25 50 75 100 125
       x
z=
-3 -2 -1 0 1 2 3 
 Ejemplo de
Estandarización
 =5 Encontrar:
P(10 < x < 14.2)

 = 10 14.2 X

x  14.2-10
z    0.84
 5

Z
0 0.842
 Cálculo de Probabilidad
P(5  x  15)
  10
5

5 10 15 X

x  15-10
.6827 z  1
 5
x  5-10
z   -1
 5
1 0 1 Z
 Cálculo de Probabilidad
P(x  18.2)
  10
5

 = 10 18.2 X

x  18.2-10
.05055 z   1.64
 5

0 1.64 Z
=1- DISTR.NORM.ESTAND.N(1.64,VERDADERO)
 Cálculo de valor x

Para una cola de 10%

  10
¿Cuál será el valor de x?
5 10%

x=16.4
 = 10 ? X

Para xunacola de810%

10% z¿Cuál será el valor de z?
z=1.28
5
0 ? Z
 Distribución Normal como una
aproximación de la Distribución
Binomial
• A pesar de ser continua, la Distribución Normal es
algunas veces una buena aproximación de la distribución
binomial cuando np y nq son mayores o iguales a 5.
• Los valores discretos de la distribución binomial se
representan como rectángulos inscritos en la distribución
normal con un ancho de 1 y centrados en el valor

  np
discreto.

  npq
 Problema
• Asuma que el 50% de los trabajadores
turno noche de una empresa fuman al
menos media cajetilla de cigarrillos por
día. ¿Cuál es la probabilidad que una
muestra de 10 trabajadores, extraída al
azar, contendrá 3 o más trabajadores
fumen al menos media cajetilla de cigarros
por día?
 n p  5 y n q  5
P(r  3)
np  10 * 0.5  5
p  0.5
nq  10 * 0.5  5
q  0.5
  np  5
n  10
  npq  1.5811
r  3
0.9453125 0.94308129

0 1 2 3 4 5 6 7 8 9 10

P( X  2.5)