Web Conferencia - Distribuciones de Probabilidad

Variables aleatorias y distribuciones
de probabilidad
Probabilidad 100403
Jenny Tatiana Sánchez
Ochoa
Directora de curso
Variables aleatorias y distribuciones de
probabilidad
Variables aleatorias
Definición: Una Variable aleatoria es aquella 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.
Variables aleatorias discretas
Son aquellas que toman un número limitado de valores, generalmente números enteros que son
producto de un conteo. Ejemplos:
El número de habitantes en una población
El número de admisiones diarias a un hospital
El número de accidentes automovilísticos en una carretera durante un año y otros.
Variables aleatorias continuas
Son aquellas que toman 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. Ejemplos:
 La cantidad de dinero que una persona trae en su bolsillo
 Edad de los estudiantes matriculados en el curso de probabilidad en el período 16-01
 Ventas de computadores durante los últimos 30 días en un determinado almacén y otros
probabilidad
Distribución de probabilidades de
una variable aleatoria discreta
La 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 una fórmula, una gráfica o por medio de un cuadro estadístico.
En términos matemáticos, la distribución de probabilidades de una variable aleatoria discreta X es
una función que da un valor de probabilidad a cada valor x que forma la variable aleatoria X.
Ejemplo: Supongamos que se lanzan dos dados luego el espacio muestra es de 36 posibles
resultados , Se define como variable aleatoria X a la suma de los valores de cada una de las dos caras
de los dados, como por ejemplo veamos la siguiente tabla:
probabilidad
Valor esperado, varianza y
desviación estándar
El valor esperado de una variable aleatoria discreta, es una media ponderada de todos los resultados posibles que
presenta una variable aleatoria. En esta media ponderada, los ponderadores o pesos son las probabilidades que están
relacionadas, con cada uno de los valores numéricos de la variable.
Matemáticamente, se puede expresar como:
µ= E(x)= 𝑛𝑖 =1 𝑥𝑖 .𝑃 𝑥𝑖 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑎 𝑖 = 1,2,3, … . . ,𝑛
Donde:
𝑥𝑖 =i-ésimo valor numérico de la variable aleatoria discreta x.
𝑃 𝑥𝑖 = Probabilidad de ocurrencia del i-ésimo resultado de la variable aleatoria discreta x.
La varianza de una variable aleatoria discreta, puede definirse como la media ponderada de los cuadrados de la
diferencia entre cada calor numérico que toma la variable aleatoria (x) y su valor esperado E(x).
Matemáticamente se expresa como:
𝑛
𝜎 2 = 𝑥𝑖 − 𝐸(𝑥𝑖 ) 2 . 𝑃 𝑥𝑖 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 = 1,2,3, … , 𝑛

𝑖=1
Desviación estándar
Para obtener una dispersión en las mismas unidades en que se mide el valor esperado de la variable aleatoria discreta, se
debe obtener la raíz cuadrada de la varianza, con ello se calcula, la desviación estándar de la variable aleatoria discreta.
𝑛
𝜎= 𝑥𝑖 − 𝐸(𝑥𝑖 ) 2 .𝑃 𝑥𝑖 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 = 1,2,3, … , 𝑛

𝑖=1
Variables aleatorias y
distribuciones probabilísticas
x P(x) x.P(x) [x-E(x)]2 [x-E(x)]2. P(x)

2 1/36 2/36 [2-7]2=25 25/36
3 2/36 6/36 [3-7]2=16 32/36
4 3/36 12/36 [4-7]2=9 27/36
5 4/36 20/36 [5-7]2=4 16/36
6 5/36 30/36 [6-7]2=1 5/36
7 6/36 42/36 [7-7]2=0 0/36=0
8 5/36 40/36 [8-7]2=1 5/36
9 4/36 36/36 [9-7]2=4 16/36
10 3/36 30/36 [10-7]2=9 27/36
11 2/36 22/36 [11-7]2=16 32/36
12 1/36 12/36 [12-7]2=25 25/36
36/36=1 252/36=7 210/36
probabilísticas
Valor esperado:
µ= E(x)= 252/36=7
Varianza:
𝜎 2 = 210/36=35/6= 5.83
Desviación estándar:
35
𝜎= = 5.83 = 2.414
6
probabilísticas
Distribuciones probabilísticas
discretas
Modelo Binomial:
Cuando un fenómeno aleatorio solo da dos resultados excluyentes como por
ejemplo: Vivo o muerto, éxito o fracaso , cara o sello, par o impar, hombre o mujer ,
etc. .
Un experimento es binomial si se cumple las siguientes condiciones :
Cumple con n ensayos idénticos.
En cada prueba del experimento sólo son posibles dos resultados, el suceso A, que
se llama éxito, y su contrario Ac, al que se le llama fracaso.
La probabilidad del suceso A es constante; por tanto, no varía de una prueba a otra.
Se representa por p la probabilidad de A (Éxito), y por q=1–p la probabilidad de Ac
(Fracaso).
El Modelo Binomial esta definido por : 𝑛
P (k)= . 𝑝 𝑘 . 𝑞 𝑛−𝑘
𝑘
probabilísticas
discretas
Se define de la siguiente forma:

P=Probabilidad de éxito del ensayo.
q= Probabilidad de Fracaso , q=1-p
K= Número de éxitos
n= Tamaño de la muestra
𝑛 𝑛!
La fórmula de la combinación es: =
𝑘 𝑘! 𝑛−𝑘 !
Ejemplo:
Una secretaria debe llegar a su trabajo a las 8:00 a.m.; generalmente se retrasa
10 minutos o más el 20% de las veces. Si el presidente de la compañía llama
ocasionalmente entre las 8:00 y las 8:10 a.m. ¿Cuál es la probabilidad de que en
5 llamadas que haga el presidente de la compañía, en 2 no encuentre a la
secretaria?
probabilísticas
discretas
n=5 ; k=2
𝑛 ; p=0.2 ; q= 1-p=0.8
P (k)= . 𝑝 𝑘 . 𝑞 𝑛−𝑘
𝑘
P (2) = 5 . (0.2)2. (0.8)5−2
2
P (2) = 10. (0.04). (0.512)
P (2) = 0.2048 = 20.48%
La probabilidad de que el presidente de la compañía no encuentre a la secretaria entre las
8:00 y las 8:10 a.m. es del 20.48%
probabilísticas
discretas
Distribución de Poisson
La distribución de Poisson parte de la distribución binomial:
Cuando en una distribución binomial se realiza el experimento un número "n“
muy elevado de veces y la probabilidad de éxito "p“ en cada ensayo es reducida,
entonces se aplica el modelo de distribución de Poisson.
Son ejemplos para aplicación de la distribución de Poisson: el número de
personas que llegan a un almacén, banco o aeropuerto en un tiempo
determinado, el número de llamadas telefónicas por minuto, número de
bacterias de un cultivo, etc.
La distribución de Poisson sigue el siguiente modelo:
ʎ𝑘 .𝑒 −
P(k, ʎ)= ʎ
𝑘!
probabilísticas
discretas
Se debe tener en cuenta lo siguiente:

El número "e“ es 2,71828 (base de los logaritmos neperianos).
ʎ = n*p (es decir, el número de veces "n“ que se realiza el experimento
multiplicado por la probabilidad "p“ de éxito en cada ensayo).
"k“ es el número de éxito cuya probabilidad se está calculando.
Nota: Algunos ejercicios que se darán para su solución, solo tendrán el valor del
parámetro 𝝀 o sea el promedio o razón de ocurrencia del evento aleatorio por
unidad de tiempo o espacio y el número de éxitos que se solicitan.
Ejemplo:
En un hospital el promedio de urgencias que se reciben es de 8 por hora. ¿Cuál
es la probabilidad de que en la próxima media hora lleguen máximo 2?
probabilísticas
discretas
1
ʎ = 8. ( 2 )= 4
P(k≤ 2)= P(0)+P(1)+P(2)= 0.0183+0.0732+0.1464= 0.2379 = 23.79%
4 0 𝑒 −4 1. (0.0183)
P(0)= 0! = = 0.0183
1
41 𝑒 −4 4. (0.0183)
P(1)= 1! = = 0.0732
1
42 𝑒 −4 16. (0.0183)
P(2)= = = 0.1464
2! 2
probabilísticas
discretas
Distribución hipergeométrica
La distribución hipergeométrica es el modelo que se aplica en experimentos
donde, al igual que en la distribución binomial, en cada ensayo hay tan solo dos
posibles resultados: Éxito y fracaso. Pero se diferencia de la distribución binomial
en que los distintos ensayos son dependientes entre sí. Muestreo sin reemplazo.
La distribución hipergeométrica sigue el siguiente modelo:
𝑅 𝑁−𝑅
P(X=x)= 𝑥 𝑛−𝑥
𝑁
𝑛
𝑛 𝑛!
Combinación: =
𝑘 𝑘! 𝑛−𝑘 !
N= Tamaño de la población ; n= Tamaño de la muestra ; R= Cantidad de éxitos en
la población; x=Cantidad de éxitos en la muestra
probabilísticas
discretas
Ejemplo:
Un lote de 75 quesos contiene 5 en los que la variabilidad de su peso es inaceptable. Se
toma una muestra al azar de 10 quesos, sin reemplazo. ¿Cuál es la probabilidad de que
ninguno de los quesos inaceptables se encuentre en la muestra?
N= 75 ; R=5 ; n=10 ; x= 0
𝑅 𝑁−𝑅
P(X=x)= 𝑥 𝑛−𝑥
𝑁
𝑛
5 75−5 5 70
0 10−0 0 10 1 396704524200 396704524200
P(0)= 75 = 75 = = = 0.4786= 47.86%
828931106400 828931106400
10 10
probabilísticas
continuas
Variable aleatoria de la distribución normal N(µ,σ)

Una variable aleatoria continua X sigue una distribución normal de media Y desviación típica σ ,
y se designa por N(µ,σ) si se cumplen las siguientes condiciones.
1. La variable puede tomar cualquier valor real, es decir, x ϵ (-∞,+∞).
2.La función de densidad, que es la expresión en términos de ecuación matemática de la
función de Gauss, es
1 −1 𝑥− 2
f(x) = 𝜎 𝑒 2 𝜎
2𝜋
3.El área del recinto determinado por la función “y”, y el eje x, es igual a la unidad. Esto es
porque la probabilidad de que un suceso ocurra entre todas las posibilidades es un 100% ,o sea,
1.
4.Su gráfica es la campana de Gauss, que al ser simétrica respecto al eje que pasa por x=µ, deja
un área igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
5. La probabilidad equivale al área encerrada bajo la curva.
6.La media, mediana y moda de la distribución son iguales y se localizan en el pico de la
campana, que se encuentra en el centro de la distribución.
probabilísticas
continuas
Distribución Normal estándar N(0,1)

De las infinitas distribuciones N(µ,σ) tiene especial interés la distribución
N(0, 1), es decir, aquella que tiene por media el valor cero (µ= 0) y por desviación típica la
unidad (σ= 1). Se le designa como variable Z.
continuas
Puede usar la tabla de abajo para saber el área bajo la curva desde la línea central hasta
cualquier línea vertical "a valor Z“ hasta 3, en incrementos de 0.1
Esto le dice qué parte de la población está dentro de "Z“ desviaciones estándar de la
media.
En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia abajo, y los de
0.01 de lado.
Ejemplo: Para saber el área debajo de la curva entre 0 y 0.45, vea la fila de 0.4, y sigue
de lado hasta 0.45, luego se coloca 0.1736.
Como la curva es simétrica, la tabla vale para ir en las dos direcciones, así que 0.45
negativo también tiene un área de 0.1736.
probabilísticas
continuas
probabilísticas
continuas
probabilísticas
continuas
continuas
Nota:
Dada una variable aleatoria X que sea N(μ, σ),con el cambio de variable Z=(X-μ)/σ Se
consigue una variable aleatoria Z que es N(0,1), se dice que Z es la variable tipo o
tipificada.
Pasar el problema a esta variable nos permite poder resolverlo consultando la tabla
N(0,1)
probabilísticas
continuas
Ejemplo: Supongamos que el peso de los estudiantes de una Institución educativa están
distribuidos normalmente con media 140 libras y desviación estándar ó típica de 20 libras.
1. Determine la probabilidad de que una persona tenga un peso menor o igual a 150
libras.
probabilísticas
continuas
-Encontrar el valor de Z:
X 150 140
Z   0.50
 20
Se busca en la tabla de probabilidades. Hay dos tipos de tablas, una tabla de la
distribución normal estandarizada acumulada cuyo valor de probabilidad va hasta 1 y
otra tabla de la distribución normal estandarizada desde la media hasta Z, cuyo valor de
probabilidad va hasta 0.5.
El valor de Z=0.5 en la tabla acumulada es de 0.6915 y el valor de Z=0.5 en la tabla que
va desde la media hasta Z es de 0.1915.
-Hacer la suma o resta de áreas para encontrar la probabilidad deseada.
En la tabla acumulada : Ya está dado el valor 0.6915=69.15%
En la tabla que va desde la media hasta z: 0.5+0.1915=0.6915= 69.15%
probabilísticas
continuas
2. Determine la probabilidad de que una persona elegida al azar, tenga un peso mayor
ó igual a 150 libras.
probabilísticas
continuas
-Se determina el valor de Z:

X 150 140
Z   0.50
 20
Se busca en la tabla de probabilidades. Hay dos tipos de tablas, una tabla de la
distribución normal estandarizada acumulada cuyo valor de probabilidad va hasta 1 y
otra tabla de la distribución normal estandarizada desde la media hasta Z, cuyo valor
de probabilidad va hasta 0.5.
El valor de Z=0.5 en la tabla acumulada es de 0.6915 y el valor de Z=0.5 en la tabla que
va desde la media hasta Z es de 0.1915.
-Hacer la suma o resta de áreas para encontrar la probabilidad deseada:
En la tabla acumulada : 1-0.6915= 0.3085
En la tabla que va desde la media hasta z: 0.5-0.1915=0.3085
probabilísticas
continuas
3. Determinar la probabilidad de que una persona escogida al azar, tenga un peso entre
115 y 150 libras.
Gráficamente si decimos que a=115 libras y b=150 libras, el área de la curva que nos
interesa es la siguiente
probabilísticas
continuas
-Se determina el valor de Z:
X 115  140 X 150 140

Z   1.25 Z   0.50
 20  20
-Se busca en la tabla de probabilidades:
Tabla acumulada para Z= -1.25 , el valor de probabilidad es: 0.8944; para Z=0.50, el
valor es:0.6915
Tabla de la media a Z, para Z= -1.25, el valor de probabilidad es:0.3944; Para Z=0.50, el
valor es: 0.1915
probabilísticas
continuas
-Hacer la suma o resta de áreas para encontrar la probabilidad deseada.

En la tabla acumulada : 0.8944 – (1- 0.6915) =0.5859
En la tabla que va desde la media hasta Z: 0.3944+ 0.1915= 0.5859

Gracias

Web Conferencia - Distribuciones de Probabilidad

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Web Conferencia - Distribuciones de Probabilidad

Uploaded by

Copyright:

Available Formats

Variables aleatorias y distribuciones

La distribución de probabilidades de una variable aleatoria discreta es el conjunto de todos los

𝜎 2 = 𝑥𝑖 − 𝐸(𝑥𝑖 ) 2 . 𝑃 𝑥𝑖 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 = 1,2,3, … , 𝑛

𝜎= 𝑥𝑖 − 𝐸(𝑥𝑖 ) 2 .𝑃 𝑥𝑖 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 = 1,2,3, … , 𝑛

x P(x) x.P(x) [x-E(x)]2 [x-E(x)]2. P(x)

Se define de la siguiente forma:

Se debe tener en cuenta lo siguiente:

Variable aleatoria de la distribución normal N(µ,σ)

Distribución Normal estándar N(0,1)

-Se determina el valor de Z:

-Se determina el valor de Z:

X 115  140 X 150 140

-Hacer la suma o resta de áreas para encontrar la probabilidad deseada.

En la tabla que va desde la media hasta Z: 0.3944+ 0.1915= 0.5859

You might also like