UNIDAD III

TIPOS DE DISTRIBUCIONES, VARIABLES

ALEATORIAS DISCRETAS Y CONTINUAS.

ASIGNATURA: PROBABILIDAD Y
ESTADISTICA DESCRIPTIVA

CARRERA: ING. GESTION

EMPRESARIAL

UNIDAD III
TIPOS DE DISTRIBUCIONES, VARIABLES ALEATORIAS
DISCRETAS Y CONTINUAS.
ESPACIO MUESTRAL. El conjunto de todos los resultados posibles de
un experimento estadstico denotado por S o
VARIABLE. Se denomina variable a la entidad que puede tomar un
valor cualesquiera durante la duracin de un proceso dado. Si la variable
toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una funcin que asocia un nmero real a
cada elemento del espacio muestral. Es decir son aquellas que pueden
diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:

Variable aleatoria discreta.

Variable aleatoria contina.

Variable aleatoria discreta. Una variable discreta proporciona datos

que son llamados datos cuantitativos discretos y son respuestas
numricas que resultan de un proceso de conteo.
La cantidad de alumnos regulares en un grupo escolar.
El nmero de guilas en cinco lanzamientos de una moneda.
Nmero de circuitos en una computadora.
El nmero de vehculos vendidos en un da, en un lote de autos
Variable aleatoria contina. Es aquella que se encuentra dentro de
un intervalo comprendido entre dos valores cualesquiera; sta puede
asumir infinito nmero de valores y stos se pueden medir.
La estatura de un alumno de un grupo escolar.
El peso en gramos de una moneda. La edad de un hijo de familia.
Las dimensiones de un vehculo.

DISTRIBUCIONES
Distribucin de probabilidad. Es una distribucin terica de frecuencias
que describe cmo se espera que varen los resultados de un
experimento. Existen diferentes tipos de modelos que permiten describir
el comportamiento de fenmenos estadsticos que permiten hacer
inferencias y tomar decisiones en condiciones de incertidumbre.

Distribuciones discretas. Son aquellas donde las variables asumen un

nmero limitado de valores, por ejemplo el nmero de aos de estudio.

Distribuciones continuas. Son aquellas donde las variables en estudio

pueden asumir cualquier valor dentro de determinados lmites; por
ejemplo, la estatura de un estudiante.

Una distribucin de frecuencias es un listado de las frecuencias

observadas de todos los resultados de un experimento que, en realidad
se han presentado cuando se lleva a cabo un experimento; en cambio,
una distribucin de probabilidad es un listado de las probabilidades de
todos los resultados posibles que podran presentarse si se efectuara el
experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la
variable aleatoria x constituyen lo que se conoce como DISTRIBUCIN

DE PROBABILIDAD, la cual puede ser representada mediante una funcin

matemtica, una grfica o una tabla de valores. La diferencia consiste
en que la funcin matemtica se transforma en una funcin
probabilstica.

Dados los eventos E1, E2,..., En S, se dice que x es una variable

aleatoria, si a cada valor de xi que asume cada Ei, se le asocia su
probabilidad de ocurrencia y cumple con las siguientes condiciones:
a) La probabilidad para todo valor que asuma la variable aleatoria xi ,
ser mayor o igual a cero pero menor que uno.

La suma de todas las probabilidades asociadas a todos los valores que

toma la variable x, es igual a la unidad.

Encuentre la
monedas y

3.1 BINOMIAL

distribucin de probabilidad de lanzar dos

la variable aleatoria nmero de guilas.

Una distribucin binomial es una distribucin de probabilidad

ampliamente utilizada de una variable aleatoria discreta es la
distribucin binomial. Esta describe varios procesos de inters para los
administradores.
Describe datos discretos, resultantes de un experimento denominado
proceso de Bernoulli en honor del matemtico suizo Jacob Bernoulli,
quien vivi en el siglo XVII.
Una distribucin binomial o de Bernoulli tiene las siguientes
caractersticas:
1. En cada prueba del experimento slo son posibles dos
resultados: xito y fracaso.

2. La probabilidad de xito

es constante, es decir, que no vara de una prueba a otra. Se representa

por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
4. El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
5. La variable aleatoria binomial, X, expresa el nmero de xitos
obtenidos en la n pruebas. Por tanto, los valores que puede
tomar X son: 0, 1, 2, 3, 4,..., n.
La distribucin binomial se expresa por B(n, p)
Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

El nmero combinatorio

La funcin P(x=k) A continuacin vemos La funcin de probabilidad de la

distribucin Binomial, tambin denominada Funcin de la distribucin de
Bernoulli:

k - es el nmero de aciertos.
n - es el nmero de experimentos.
p - es la probabilidad de xito, como por ejemplo, que salga "cara" al
lanzar la moneda.
1-p - tambin se le denomina como q

Ejemplo1 de la funcin F(x=k)

Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10
veces?
El nmero de aciertos k es 6.
Esto es x=6
El nmero de experimentos n son 10 La probabilidad de xito p, es decir,
que salga "cara" al lanzar la moneda es 50% 0.50
La frmula quedara:

P (k = 6) = 0.205
Es decir, que la probabilidad de obtener 6 caras al lanzar 10 veces una
moneda es de 20.5%.

Ejemplo 2 de la funcin F(x=k)

Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar
un dado ocho veces?
El nmero de aciertos k es 4. Esto es x=4
El nmero de experimentos n son 8
La probabilidad de xito p (probabilidad de que salga un 3 al tirar el
dado) es 1 / 6 (= 0.1666)

La frmula queda:
P (k = 4) = 0.026
Es decir, que la probabilidad de obtener cuatro veces el nmeros 3 al
tirar un dado 8 veces es de 2.6%.

3.1.1 Propiedades: media, varianza y desviacin

estndar

3.2 POISSON.
Esta funcin de distribucin de variable discreta se emplea para
calcular las probabilidades asociadas a la variable aleatoria dentro de un
intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenmeno con
distribucin de Poisson son:
- Los embotellamientos que se producen por da.
- Nmero de llamadas por hora.
- Defectos por m2 de tela.
- Nmero de defectos por lote de un proceso de produccin
- Nmeros de negocios cerrados por semana.

A este tipo de problemas se les conoce el nmero de xitos x obtenidos

por unidad de medida en n ensayos; pero es totalmente imposible
conocer el nmero de fracasos (n - x).
Se dice que se da un proceso de Poisson si se pueden observar eventos
discretos en un intervalo continuo en forma tal que si se acorta el
intervalo lo suficiente:
1.- La probabilidad de observar exactamente un xito en el intervalo es
estable.
2.- La probabilidad de observar dos o ms xitos en el intervalo es cero.
3.- La ocurrencia de un xito en cualquier intervalo es estadsticamente
independiente de que suceda en cualquier otro intervalo.
La distribucin de Poisson se expresa mediante la siguiente frmula.

Dnde:
n = Nmero de ensayos
x = Nmero de xitos esperados en n ensayos
e = 2.71828...
= n p = Constante igual al nmero de xitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al nmero de xitos
promedio por unidad de medida.

EJEMPLO
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados
por hora. Cul es la probabilidad de que en una hora tomada al azar
reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No ms de 3 llamadas.

Para este problema = 5, en otros casos deber calcularse con: = n p.

a) Ninguna llamada. x = 0

MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN

El clculo de estas magnitudes puede realizarse con las siguientes
frmulas:

En el lmite, la frmula binomial tiende a la frmula de Poisson:

Donde x es la variable aleatoria y el parmetro de la distribucin de

Poisson. En el lmite, el producto de n por p, , es igual al parmetro de la
distribucin: np=

El nmero de defectos x en la superficie total es una variable aleatoria

discreta que puede tomar valores 0, 1, 2, 3, 4,... y cuya distribucin de
probabilidades se conoce como Distribucin de Poisson.

Se puede observar que la curva de la funcin de Poisson es asimtrica,

como la binomial. El promedio y la varianza de esta variable aleatoria
son iguales al parmetro de la distribucin.

La distribucin de Poisson tiene una propiedad cuyas consecuencias son

muy importantes para el Control Estadstico de Procesos. Supongamos
que se tienen m variables aleatorias de Poisson:

Esto es muy importante porque podemos imaginar el producto fabricado

por un proceso (Una licuadora, una computadora, un televisor, etc.)
como una superficie en la que se pueden producir mltiples defectos, y
donde el nmero de cada tipo de defecto es una variable aleatoria de
Poisson. Entonces, la propiedad mencionada nos permite tratar la suma
de todos los tipos de defectos como una variable aleatoria de Poisson.
Esto se utiliza para el control del Nmero de Defectos en un producto
(Grficos C).
Supongamos ahora que tenemos un gran lote de artefactos, por ejemplo
licuadoras. Tomamos una muestra de m = 5 unidades y medimos el
nmero total de defectos en las 5 unidades. Si obtuvimos x1, x2, x3, ...
xm defectos en cada unidad, el nmero total de defectos ser:

3.5 LA DISTRIBUCIN HIPERGEOMTRICA

Se emplea para calcular la probabilidad de obtener determinado
nmero de xitos en un espacio muestral de n ensayos; pero a
diferencia de la distribucin binomial es que los datos de la muestra se
extraen sin reemplazo en una poblacin finita. Por esto es que el
resultado de una observacin depende o es afectado por el resultado de
cualquier otra u otra observacin anterior.
Es decir la distribucin hipergeomtrica se emplea para muestreos sin
reemplazo de una poblacin finita cuya probabilidad de ocurrencia
cambia a lo largo del ensayo.
Dado un espacio muestral S de tamao N con los subespacios M N y
(N - M) N entonces, la probabilidad de que en n ensayos x pertenezca
a M y (n - x) pertenezca a (N - M) est dada por:

Grficamente se puede representar como:

Dnde:
N = El tamao de espacio muestral S
n = El nmero de ensayos
M = El nmero de xitos en el espacio muestral
N - M = Nmero de fracasos del espacio muestral
x = Nmero de xitos en la muestra
n - x = Nmero de fracasos de la muestra

Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes

de los cuales 5 son hombres y 8 son mujeres, calcular " El nmero de
hombres contratados."
N = {13 aspirantes para cubrir 2 vacantes}
A = {Nmero de hombres contratados}
E0 = Se contratan x0 = 0 hombres, equivale a contratar (n - x0) = 2
mujeres.
E1 = Se contratan x1 = 1 hombres, equivale a contratar (n - x1) = 1
mujeres.
E2 = Se contratan x2 = 2 hombres, equivale a contratar (n - x2) = 0
mujeres.

Desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0, 1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar

MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN

El clculo de estas magnitudes puede realizarse con las siguientes
frmulas:

Sustituyendo en el ejemplo anterior.

DISTRIBUCIN HIPERGEOMTRICA GENERALIZADA

(MULTIVARIADA)
Si N resultados pueden dividirse en la k celdas N1, N2,..., Nk con k1,
k2,..., kn elementos respectivamente, entonces la distribucin de
probabilidad representa el nmero de elementos seleccionados, en una
muestra aleatoria de tamao n, es:

Ejemplo
Si en un refrigerador hay 12 envases de refrescos de los cuales son 10
de manzana, 5 de naranja y 4 de uva, cul es la probabilidad de que al

surtir un pedido de 7 envases tomados al azar 2 sean de manzana, 4 de

naranja y 1 de uva.