You are on page 1of 16

PROBABILIDAD

Y
ESTADÍSTICA
DISTRIBUCIONES
DE
PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD
Definición
Una distribución de probabilidad indica toda la gama
de valores que pueden representarse como
resultado de un experimento si éste se llevase a
cabo.

Es decir, describe la probabilidad de que un evento


se realice en el futuro, constituye una herramienta
fundamental para la planificación, puesto que se
puede diseñar un escenario de acontecimientos
futuros considerando las tendencias actuales de
diversos fenómenos naturales.
¡ ÚTIL PARA TOMAR DECISIONES !

1
VARIABLES ALEATORIAS
DISCRETAS Y CONTINUAS

Toda distribución de probabilidad es


generada por una variable (porque
puede tomar diferentes valores)
aleatoria x (porque el valor tomado
es totalmente al azar), y puede ser
de dos tipos:

1.Variable aleatoria discreta (x).


2.Variable aleatoria continua (x).

VARIABLES ALEATORIAS DISCRETAS

1. Variable aleatoria discreta (x). Porque solo puede tomar


valores enteros y un número finito de ellos. Por ejemplo:
• x→Variable que nos define el número de alumnos
aprobados en la materia de probabilidad en un
grupo de 40 alumnos (1, 2 ,3…ó los 40).

PROPIEDADES DE UNA VARIABLE ALEATORIA DISCRETA


(X)
a) 0≤p(xi)≤1 Las probabilidades asociadas a cada uno de
los valores que toma x deben ser mayores o iguales a
cero y menores o iguales a 1.

b) Σp(xi) = 1 La sumatoria de las probabilidades asociadas


a cada uno de los valores que toma x debe ser igual a 1.

2
VARIABLES ALEATORIAS
Ejemplo para variable aleatoria discreta
Tenemos una moneda que al lanzarla puede dar sólo
dos resulatdos: o cara (50%), o cruz (50%).
La siguiente tabla nos muestra los posibles resultados
de lanzar dos veces una moneda:

PROBABILIDAD
NUMERO DE
PRIMER SEGUNDO DE LOS 4
CARAS EN 2
LANZAMIENTO LANZAMIENTO RESULTADOS
LANZAMIENTOS
POSIBLES

CARA CARA 2 .5 X .5 = .25


CARA CRUZ 1 .5 X .5 = .25
CRUZ CARA 1 .5 X .5 = .25
CRUZ CRUZ 0 .5 X .5 = .25
5
5

VARIABLES ALEATORIAS

Ejemplo para variable aleatoria discreta


Al realizar la tabla de distribución del número posible
de caras que se obtiene al lanzar una moneda dos
veces, obtenemos:

PROBABILIDAD DE ESTE RESULTADO


NÚMERO DE CARAS LANZAMIENTOS
P(CARA)
0 (CRUZ, CRUZ) 0.25
(CARA,CRUZ)
1 + 0.50
(CRUZ, CARA)
2 (CARA, CARA) 0.25

NOTA:
ESTA TABLA NO REPRESENTA EL RESULTADO REAL DE LANZAR UNA MONEDA DOS VECES
SINO LA DEL RESULTADO TEÓRICO, ES DECIR REPRESENTA LA FORMA EN QUE ESPERAMOS
6
SE COMPORTE NUESTRO EXPERIMENTO DE LANZAR6 DOS VECES UNA MONEDA

3
VARIABLES ALEATORIAS CONTINUAS

2. Variable aleatoria continua (x). Porque puede tomar tanto


valores enteros como fraccionarios y un número infinito de ellos
dentro de un mismo intervalo. Por ejemplo:
• x→Variable que nos define la concentración en gramos
de plata de algunas muestras de mineral (14.8 gr, 12.1,
10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8, …, ∞)

PROPIEDADES DE UNA VARIABLE ALEATORIA CONTINUA (X)


• p(x)≥0 Las probabilidades asociadas a cada uno de los
valores que toma x deben ser mayores o iguales a cero.
Dicho de otra forma, la función de densidad de
probabilidad deberá tomar solo valores mayores o
iguales a cero.

El área definida bajo la función de densidad de



probabilidad deberá ser de 1. f ( x )dx = 1
• ∞

−∞

VARIABLES ALEATORIAS CONTINUAS


DISTR ESTADÍSTICA DISTR DE PROBABILIDAD

El área definida bajo la función de∞densidad de


probabilidad deberá ser de 1.

−∞
f ( x )dx = 1

4
PRINCIPALES DISTRIBUCIONES DE
PROBABILIDAD DISCRETA
UNIFORME
BERNOULLI
BINOMIAL
MULTINOMIAL
HIPERGEOMÉTRICA
BINOMIAL NEGATIVA
GEOMÉTRICA
POISSON
APROXIMACIÓN DE POISSON A LA BINOMIAL

PRINCIPALES DISTRIBUCIONES DE
PROBABILIDAD CONTINUA

UNIFORME
EXPONENCIAL
NORMAL
APROXIMACIÓN NORMAL A LA
BINOMIAL

5
OTRAS DISTRIBUCIONES
DE PROBABILIDAD (NO EN PROGRAMA)
LOGARÍTIMICA
WEIBULL
GAMMA
CHI CUADRADA
BETA
PEARSON
ERLANG
NAKAGAMI
TRIANGULAR
LAPLACE
PARETO
ETC, ETC

DISTRIBUCIONES DE
PROBABILIDAD DISCRETAS

EasyFit
12

6
DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS (1)

13

DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS (2)

7
Valor esperado
 El valor esperado de una variable
aleatoria discreta es la media
ponderada de todos los posibles
resultados en los cuales los pesos son
las probabilidades de tales resultados

RHR

Media de distribuciones
discretas
 La media aritmética de una distribución de
probabilidad se llama valor esperado E(X), y
se encuentra multiplicando cada resultado
posible por su probabilidad y sumando los
resultados, tal y como se muestra en la
fórmula.

µ = E ( X ) = ∑ [( xi ) P ( xi )]
 Donde xi son los resultados individuales.

RHR

8
Ejemplo
 La distribución de probabilidad para el experimento
de lanzar un dado se muestra en las primeras dos
columnas de la siguiente tabla.
 La columna 3 ilustra el cálculo del valor esperado
para el experimento utilizando la fórmula de E(X).
 Cada resultado se multiplica por su respectiva
probabilidad, y los resultados se suman, produciendo
E(X) = 3.5.
 Esto sugiere que si se lanza un dado, se puede
esperar obtener 3.5? Difícilmente.
 Significa que si se promedian los resultados de los
lanzamientos del dado (téoricamente, un número
infinito) se obtendrá 3.5.
RHR

Tabla
(1) Solución (2) P (xi) (3) (xi)P (xi) (4) (xi-µ) ²*P (xi)
(xi)

1 1/6 1/6 (1-3.5)²*1/6 = 1.042

2 1/6 2/6 (2-3.5)²*1/6 = 0.375

3 1/6 3/6 (3-3.5)²*1/6 = 0.042

4 1/6 4/6 (4-3.5)²*1/6 = 0.042

5 1/6 5/6 (5-3.5)²*1/6 = 0.375

6 1/6 6/6 (6-3.5)²*1/6 = 1.042

1.00 3.5 = µ = E(x) 2.92 = σ²

RHR

9
Varianza
 σ² = ∑ ((xi-µ) ²*P (xi))

 Desviación estándar

 σ = √σ²
 Para el ejemplo σ = 1.71

RHR

PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL

10
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
La distribución Binomial es por sus aplicaciones posiblemente la
más importante de las de probabilidad discreta.
Esta distribución corresponde a la realización de un experimento
aleatorio que cumple con las siguientes condiciones:
1. Al realizar el experimento sólo son posibles dos resultados: el
suceso A, llamado éxito, o su contrario A’, llamado fracaso.
2. Al repetir el experimento, el resultado obtenido es
independiente de los resultados obtenidos anteriormente.
3. En cada experimento se realizan n pruebas idénticas.
4. La probabilidad del suceso A es constante, es decir, no varía
de una prueba del experimento a otra. Si llamamos p a la
probabilidad de A, p(A) = P, entonces p(A’)= 1 – p = q

DISTRIBUCION BINOMIAL

Todo experimento que tenga estas características se dice que sigue el


modelo de la distribución Binomial o distribución de Bernoulli.

En general, si se tienen n ensayos Bernoulli con probabilidad de éxito p y


de fracaso q, entonces la distribución de probabilidad que la modela es la
distribución de probabilidad binomial y su regla de correspondencia
es:
n!
P(X=x) pX qn - X
= x!(n – x)!

Como el cálculo de estas probabilidades puede resultar algo tedioso se han


construido tablas para algunos valores de n y p que nos facilitan el
trabajo (Ver las tablas de la función de probabilidad Binomial).

22
22

11
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL

•La probabilidad del suceso A es constante, es decir, no


varía de una prueba del experimento a otra.

•Muestreo sin reemplazo

•Suponga que cada ensayo de un experimento puede


resultar en éxito o fracaso, pero el muestreo es sin
reemplazo de una población de tamaño N. Si el tamaño
muestral n (número de ensayos) es a los sumo 5%
del tamaño de la población, el experimento se puede
analizar como si fuera exactamente un experimento
binomial

PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
APLICACIONES:

El producto de una línea de ensamble es


defectuoso (1) o no es defectuoso (2)
¿ Lloverá (1) o no lloverá (2)?
El Gerente debe decir si sube sueldos (1) ó no
sube sueldos (2)
Los banqueros pueden hacer encuestas a los
expertos en economía sobre si las tasas de interés
aumentarán (1) o no (2)
El personal de mercadeo desea saber si una
persona prefiere(1) o no (2) cierto producto

12
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL

Si se conoce la probabilidad de que un ensayo


determinado producirá un éxito, es posible estimar
cuántos éxitos habrá en un número dado de ensayos.

Por ejemplo, si se conoce la probabilidad de que un


solo producto esté defectuosos, entonces puede
estimarse la probabilidad de que un número
determinado de productos estén defectuosos. La
probabilidad “p” de que de “n” productos, un número
“y” dado, esté defectuoso es

PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL

n!
P( x) = p x (1 − p ) n − x
x!(n − x)!
= C xn p x q n − x
n = tamaño de la muestra
x= número de éxitos puede tomar los valores 0, 1, 2,
... n p = probabilidad de éxito
Cxn es el símbolo usado para representar:
n!/(x!(n-x)!)

13
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL

Si sólo hay dos resultados posibles,


distribución binomial, la media y la
varianza pueden determinarse fácilmente

Media = E(X) = µ = np

Varianza = V(X) = σ² = np(1-p) = npq

PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
EJEMPLO
En un municipio grande del occidente de
Guatemala se supone que el 30% de todos los
pozos de agua potable tienen impurezas. Es
demasiado caro analizar el agua de todos los
pozos por lo que para comenzar a analizar el
problema se decide analizar el agua de 10 pozos
escogidos al azar.

¿ cuál es la probabilidad de que exactamente


3 pozos tengan impurezas asumiendo que el
supuesto es correcto?

14
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
EJEMPLO (SOLN CON FÓRMULA)
¿ cuál es la probabilidad de que exactamente 3
pozos tengan impurezas asumiendo que el
supuesto es correcto?
n!
P (x) = p x (1 − p ) n − x
x ! ( n − x )!
= C xn p x q n − x

P (3) = 10!/3!(7)! 0.33 (0.7)7 = 0.2668

PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
EJEMPLO (SOLN CON TABLA)
¿ cuál es la probabilidad de que exactamente 3
pozos tengan impurezas asumiendo que el
supuesto es correcto?
n = 10 k = x = 3 p = 0.3

15
PROBABILIDAD DISCRETA
DISTRIBUCIÓN BINOMIAL
EJEMPLO (SOLN CON EXCEL)
Num_éxito = x = 3 ensayos = n = 10
prob_éxito= p = 0.3 acumulado = falso
A B
Datos Descripción
3 Número de éxitos de los ensayos
3
10 Número de ensayos
4 independientes
0.3 Probabilidad de éxito de cada
5 ensayo
Fórmula: Descripción (resultado)

*=DISTR.BINOM(A3,A4,A5,FALSO) Probabilidad de que exactamente


3 de 10 ensayos tengan éxito
Probabilidad de que exactamente
0.2668 3 de 10 ensayos tengan éxito

16

You might also like