Professional Documents
Culture Documents
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
Variables aleatorias y distribuciones de
probabilidad
Distribución de probabilidades de
una variable aleatoria discreta
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
Variables aleatorias y distribuciones
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
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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%
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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!
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
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.
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
continuas
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
continuas
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
continuas
Variables aleatorias y
distribuciones probabilísticas
Distribuciones probabilísticas
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)
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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.
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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%
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
continuas
2. Determine la probabilidad de que una persona elegida al azar, tenga un peso mayor
ó igual a 150 libras.
Variables aleatorias y distribuciones
probabilísticas
Distribuciones 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
Variables aleatorias y distribuciones
probabilísticas
Distribuciones probabilísticas
continuas
Gracias