Distribuciones

de probabilidad
Ing. Pedro Arrivillaga Obiols M.A.
  Tabla, gráfica o ecuación que describe los valores que puede tomar una
variable aleatoria y las probabilidades asociadas.

VARIABLE ALEATORIA:
Descripción numérica del
resultado de un experimento.

DISTRIBUCIONES
DE PROBABILIDAD
VARIABLE ALEATORIA
DISCRETA: Sólo puede tomar VARIABLE ALEATORIA CONTÍNUA:
una secuencia de valores (finita Puede asumir cualquier valor en un
o infinita) Ej: La cantidad de inérvalo o colección de intervalos. Ej:
unidades vendidas, el número Porcentaje de un proyecto
de defectos observados, la completado después de seis meses.
cantidad de clientes que entran
en un banco durante un día de
operación, etc.
Variables aleatorias
discretas

Distribución Binomial y de Poisson

  Distribución de probabilidad para una variable aleatoria
discreta. Se usa para calcular la probabilidad de x éxitos
en n ensayos.
n= número total de
ensayos
p= probabilidad
de éxito en un
ensayo
x=cantidad de
Distribución éxitos en n ensayos
Binomial
Para esta clase de experimentos se deben satisfacer las siguientes
condiciones:
1. Secuencia de n ensayos idénticos.
2. Dos posibles resultados en cada ensayo (éxito y fracaso)
3. Las probabilidades de dos resultados no cambian de un ensayo al
siguiente.
4. Los ensayos son independientes (los resultados de uno no afectan al
otro)
EJEMPLOS:

1. La probabilidad de obtener exactamente 2 caras en 6 lanzamientos de

moneda será:
P= (6!/2!4!) (1/2)2(1/2)4 = 15/24 = 23.44%

2. La probabilidad de obtener al menos 4 caras en 6 lanzamientos de

moneda será:
P= (6!/2!4!) (1/2)4(1/2)2 + (6!/2!4!) (1/2)5(1/2)1 + (6!/2!4!) (1/2)6
= 11/32 =34.37%

3. En el lanzamiento de 4 monedas, la probabilidad de que se tenga

exactamente dos caras será:
P= (4!/2!2!) (1/2)2(1/2)2 = 3/8 = 37.5%
EJEMPLO:
Si con base en la experiencia, el gerente de la tienda Nastke Clothing Store estima que la probabilidad de que un
cliente haga una compra es de 0.30. ¿Cuál es la probabilidad de que exactamente dos de los siguientes tres clientes
hagan una compra?
P(2)= (3!/2!1!) (0.30)2(0.70)1 = 0.189 = 18.9%

¿Cuál es la probabilidad de que ningún cliente haga una compra?

P(0)= (3!/0!3!) (0.30)0(0.70)3 = 0.343 = 34.3%

Si continuamos operando P(1) = 44.10% y P(3) = 2.7%, como se observa en la tabla y en la gráfica:
USO DE LA TABLA DE PROBABILIDAD BINOMIAL:
Para el caso de Nastke Clothing Store con n=10, x=4 y p=0.30
 Distribución de probabilidad para una
variable aleatoria discreta. Se usa para
calcular la probabilidad de x ocurrencias a lo
largo de un intervalo especificado (tiempo,
longitud, distancia, etc.)
= Media o cantidad promedio
de ocurrencia en un intervalo
e= 2.71828
Distribución de X= cantidad de ocurrencias en el
intervalo
Poisson

Se satisfacen las siguientes suposiciones:

1. La probabilidad de ocurrencia del evento es la misma para cualesquier
dos intervalos de igual longitud.
2. La ocurrencia o no ocurrencia del evento en cualquier intervalo es
independiente de la ocurrencia o no ocurrencia en cualquier otro
intervalo.
EJEMPLOS: USO DE LA TABLA DE PROBABILIDAD DE POISSON:
Intervalos de tiempo: =10 y x=5
Si suponemos que la
cantidad promedio
de automóviles que
llegan a la ventanilla
de un cajero de
autobanco durante
un período de 15
minutos es 10 y
deseamos conocer la
probabilidad de 5
llegadas, aplicando la
función:

P(5) = (105 e-10) / 5! =

0.0378 = 3.78%
Variables aleatorias
continuas

Distribución normal
  Distribución de probabilidad continua. Su función de densidad
de probabilidad tiene forma de campana y permite modelar
diversidad de fenómenos, siendo determinada por la media y la
desviación estándar.

Distribución
normal Se requiere:
• La Media
• La desviación estándar
• El valor X en observación
OBSERVEMOS:
A. Si deseamos encontrar la probabilidad de
obtener un valor Z entre Z = -1 y Z = 1, sabemos
que la probabilidad de un valor entre 0 y 1 es
0.3413 y como la distribución es simétrica el
valor entre -1 y 1 es 0.3413+0.3413 = 0.6826 =
68.26%
B. Si deseamos encontrar la probabilidad de un
valor Z entre Z = -2 y Z = 2 es 0.3413+0.1359 =
0.4772 y 0.4772+0.4772 = 0.9544 =95.44%
C. ¿Cuál es la probabilidad entre un valor Z = -3 y Z
= +3?
0.9974 = 99.74%
D. ¿Cuál es la probabilidad de que Z sea mayor que
2?
0.5000 – 0.4772 = 0.0228
E. ¿Cuál es la probabilidad de que Z esté entre 1 y 2?
0.4772 - 0.3413 = 0.1359
 Dado un conjunto de datos que se distribuyen en forma
normal, con media µ, desviación estándar ,
convertimos el dato x en dato z mediante la fórmula:

EJEMPLOS:
1. Si la media es 30 y la desviación estándar es 8, ¿cuál es la distancia que hay entre 30 y 54?
Z= (54-30)/8= 3
¿cuál es el porcentaje que corresponde a Z? 49.87%

2. Si la media es 72 y la desviación estándar es 11, entonces , ¿cuál es el porcentaje de valores

menores que 68 ?
Z= (68-72)/11= -0.36
50% - 14.06%= 35.94%

3. Para el conjunto de datos de las notas del curso de Modelos para la toma de decisiones, en
donde la media es 72.20 y la desviación estándar 4.51, ¿qué porcentaje de los alumnos
obtuvieron una calificación entre 72.20 y 78?
Z= (78-72.20)/4.51= 1.29 = 40.15%
EJERCICIOS:

1. La media del salario semanal de una empresa es de Q500.00 y su desviación es de Q100.00, si hay
45 empleados. ¿Cuál es el porcentaje de las personas que ganan entre Q420.00 y la media?

2. Se pasa un test de inteligencia a 400 estudiantes. Al analizarlos estadísticamente se obtuvieron

los resultados siguientes: Media 105 y desviación estándar 5.

¿Qué porcentaje de estudiantes obtuvieron coeficientes de más de 110?

¿Qué porcentaje de estudiantes obtuvieron coeficientes menores de 100?

¿Qué porcentaje de estudiantes tienen coeficientes de inteligencia entre 90 y 110?

EJEMPLO:
A partir de pruebas de camino reales con las llantas, el grupo de ingeniería de Gear estima el kilometraje medio de
la llanta en 36500 kilómetros y la desviación estándar en 5000 kilómetros. Además los datos recolectados indican
que una distribución normal es una suposición razonable.
¿Qué porcentaje de llantas puede esperarse que duren más de 40000 kilómetros?
Z = (40000 – 36500) / 5000 = 0.70 = 0.2580
0.5000 – 0.2580 = 0.2420
Se espera que alrededor de 24.20% de las llantas dure más de 40000 kilómetros.
Ahora supongamos que Gear está considerando una garantía que proporcione un descuento en un nuevo juego
de llantas si el kilometraje en las llantas originales no excede del kilometraje establecido en la garantía. ¿Cuál
debería ser la garantía de kilometraje si Gear desea que no más de 10% de las llantas sean elegibles para el
descuento?
Si buscamos 0.4000 vemos que ocurre aproximadamente 1.28, el área está a la izquierda de la media, así que
sabemos que el valor de interés debe ser de -1.28. Entonces debemos tener 1.28 desviaciones estándar menos
que la media para encontrar el kilometraje de garantía deseado. Este kilometraje es:
media – 1.28 (desviación estándar) = Kilometraje de garantía
36500 – 1.28(5000) = 30100
Por lo tanto una garantía de 30100 kilómetros cumplirá el requerimiento de que aproximadamente 10% de las
llantas serán elegibles para el descuento y Grear podría establecer con confianza su garantía en 30000
kilómetros.
  Es una distribución de probabilidad que surge del problema de estimar la media de
una población normalmente distribuida cuando el tamaño de la muestra es
pequeño. Se utiliza para la determinación del intervalo de confianza a partir de los
datos de una muestra.

T de Student Se requiere:
• El tamaño
• La Media
• La desviación estándar
• El nivel de confianza
EJEMPLO:
Se tienen 12 facturas, con una media de Q.1,275.00 y una desviación
estándar de Q.235.00, con un intervalo de confianza del 95% ¿se puede
deducir que se tiene un caso de corrupción dentro de la empresa si se tiene
una factura por Q.1,150.00 o se puede asumir que los montos son normales?
  Utilizamos
la prueba de bondad de ajuste cuando deseamos
comprobar que los datos muestrales observados se ajustan a
un tipo de distribución poblacional conocida y planteada en
forma de hipótesis. Si se comprueba que se ajusta
razonablemente al tipo de distribución planteado, se concluye
que nuestra hipótesis es correcta.

Chi-
cuadrado
EJEMPLO:
El gerente de mercadeo de una importante importadora de vehículos de lujo (VIP) en la
capital guatemalteca, debe estimar el inventario de vehículos para el nuevo trimestre,
anteriormente lo ha realizado con base a su criterio subjetivo y experiencia –empirismo-.
En realidad lo que ha hecho es asumir que los cuatro modelos tienen la misma
probabilidad de ser demandados.

Como primer paso, se plantea la hipótesis de trabajo, no se desprecia la experiencia del

gerente y se decide probar la hipótesis de demanda con comportamiento uniforme, las
hipótesis son:

Ho=La demanda es uniforme para los cuatro modelos

HA=La demanda no es uniforme para los cuatro modelos

Como segundo paso, seleccionando una muestra de 48 autos vendidos durante el ultimo
trimestre, lo que se espera comprobar es que se venden 12 autos de cada modelo (48/12, es
decir demanda uniforme).
Nivel de comprobación del 5%

Como 1.17 es menor que 7.815 (valor crítico) queda dentro de la zona de no
rechazo, por lo tanto la hipótesis nula (Ho) sobre la demanda uniforme no
se rechaza.
Conclusión: pueden preverse los cuatro modelos con el mismo número de
unidades cada uno para este nuevo trimestre.
Se desea confrontar los resultados con otra hipótesis, según sus estudios y ponderaciones de mercado el
comportamiento esperado será:

Ho=La demanda mantiene un patrón de 42% para el modelo A, 33% para el modelo D y 12.5% para cada
modelo B y C respectivamente
HA=El patrón deseado no se mantiene

Como 9.08 es mayor que 7.815

(valor crítico) queda dentro de la
zona de rechazo, por lo tanto la
hipótesis nula (Ho) sobre la
demanda con patrón establecido
se rechaza.
Conclusión: el patrón del
estudio de mercado se rechazó
por medio del comportamiento
histórico de la demanda
uniforme de los modelos.
  El análisis de la varianza o ANOVA es un procedimiento
estadístico que se utiliza para determinar si las medias de dos
o más muestras son significativas, es decir si existe una
relación significativa entre los resultados de diferentes
grupos.

ANOVA

http://www.laits.utexas.edu/orkelm/excel/E
XCEL/ANOVA1.HTM