Академический Документы
Профессиональный Документы
Культура Документы
C
S CCS (1) 0.53=0.125
S C
S SCS (2) 0.53=0.125
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
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
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:
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
=1
=5
= 10
X
= 50
Familia de Distribuciones
Diferente , Igual
= 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
1
-3 -2 -1 0 +1 +2 +3
Distribución Normal y
Distribución Normal Estándar
100
20
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
= 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
x=16.4
= 10 ? X
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)