08.distribuciones de Probabilidad

Tema
8 DISTRIBUCIONES
DE PROBABILIDAD
OBJETIVOS
Al finalizar la Tema 8, el participante será capaz de:
1. Identificar las distribuciones de probabilidad que

más se utilizan en la toma de decisiones.
2. Utilizar el concepto de valor esperado para la
toma de decisiones.
3. Mostrar cuál distribución de probabilidad utilizar, y
como encontrar sus valores.
4. Comprender las limitaciones de cada una de las
distribuciones que utilice.
Material de Clases © Jorge Córdova Egocheaga. Febrero 2003
CONTENIDO
1. Técnicas de conteo
2. Las distribuciones de probabilidad
3. Las variables aleatorias
4. Distribuciones discretas de probabilidad
5. Distribuciones continuas de probabilidad

8.1 TECNICAS DE CONTEO
Combinación:
Es una selección de objetos con independencia en
su ordenamiento.
Ejemplo:
Un biólogo dispone de 10 plantas para un
experimento. Sólo ocho son necesarias para
realizarlo. Las ocho plantas necesariamente son
seleccionadas aleatoriamente.

Permutación:
Es una distribución de objetos en un orden
determinado.
Ejemplo:
El numero del DNI.

PERMUTACION
Cálculo del número de permutaciones para n
objetos tomados de x
n!
Px 
n
donde x  n
(n  x)!
Ejemplo:
Los biólogos están interesados en el orden en
que cuatro ribonucleótidos adenina (A), uracilo
(U), guanina (G) y citosina (C) se combinan
para formar una cadena. ¿Cuántas cadenas
formadas por dos nucleótidos pueden formarse?
Hacer un diagrama de árbol
4! 4 x3x2 x1
P2 
4
  12 para indicar las 12 cadenas
(4  2)! 2 x1
COMBINACION
Numero de combinaciones de n objetos
tomadas de r
n!
C n
donde x  n
x !(n  x)!
x
Ejemplo:
Se realiza un estudio para determinar la
opinión de los profesores de la EPUNFV
respecto al aborto; si se elige una muestra de
cuatro profesores de un total de 45. ¿Cuántas
muestras distintas pueden seleccionarse?
45! 45 x44 x43x42 x41! 45 x44 x43x42
C45
    148,995
4!(45  4)!
4
4! x41! 4!
8.2 Las Distribuciones de Probabilidad
(A) Concepto: Es una distribución de

frecuencias teórica que describe la forma
en que se espera que varíen los
resultados.
Resultan útiles para realizar inferencias y
tomar decisiones bajo incertidumbre.

Ejemplo:
Se seleccionan en forma consecutivas dos bebes

del servicio de Neonatología . El número de
varoncitos será:
Nº de Probabilidad
Resultados Probabilidad
varones 0.50
0 V,V 0,25
1 VM,MV 0,50 0.25
2 MM 0,25
0 1 2 Nº de
caras

(B) TIPOS DE DISTRIBUCIONES
a) DISCRETAS: La variable toma un número
limitado de valores. Abarca :
- Distribución binomial
- Distribución de Poisson
- Distribución hipergeométrica
b) CONTINUAS: La variable puede tomar cualquier
valor dentro de un intervalo dado. Abarca:
- Distribución normal
- Distribución normal estándar o Z
- Distribución t
- Distribución Ji-cuadrada 2
- Distribución F
8.3 Variables Aleatorias
Una variable es aleatoria si toma diferentes

valores como resultado de un experimento
.
Puede ser discreta o continua
Ejemplo: Se lanzan 3 monedas

X : variable aleatoria (ej : número de caras)
x : valores que puede tomar la variable
(ej : 0, 1, 2, 3)

Esperanza matemática : E (X)
Es el promedio de la variable aleatoria, si el
experimento se repite un número infinito de veces.
Ejemplo : Se lanzan 3 monedas
1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8
W = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
3 caras. 2 caras 1 cara 0 caras =>x
x
Número P(x) XP(x) ( X) =  XP(x )
de Cara
0 1/8 0 12
3/8 =
1 3/8 8
2 3/8 6/8
3 1/8 3/8 = 1,5
12/8
caras
Aplicación: uso del valor esperado y las
pérdidas monetarias.
Supongamos que un distribuidor de medicinas
muy que rápidamente se deterioran (vacunas)
compra cada cajita a 20 u.m. y las vende a 50
u.m.. No puede especificar el número de cajitas
que le solicitarán diariamente, pero dispone de
los siguientes datos:
Ventas Nº de días Probabilidad de venta

diarias de venta de cada cantidad
10 15 0.15
11 20 0.20
12 40 0.40
13 25 0.25
100 1.00
Tipo de pérdidas
(A) Pérdidas por mermas (obsolescencia):

oferta > demanda (costo contable)
(B) Pérdidas de oportunidad: oferta < demanda
(costo económico)
Posibles Nº Alternativas de oferta
de cajitas
pedidas/día 10 11 12 13
10 0 20 40 60
11 30 0 20 40
12 60 30 0 20
13 90 60 30 0
Cálculo de la pérdida esperada
Para un stocks de 10 cajitas, la pérdida esperada será:
Posibles Nº Probabilidad
Pérdida Pérdida
de cajitas que se reciban
Condicional esperada
pedidas/día estos pedidos
10 0 0.15 0.00
11 30 0.20 6.00
12 60 0.40 24.00
13 90 0.25 22.50
Pérdida esperada: 52.50
Solución óptima: analizar otros tamaños de stocks
y decidir por aquél que genere la menor perdida
8.4 Distribuciones Discretas de
Probabilidad
8.4.1 La distribución binomial
Se utiliza para describir variables discretas.
Es una de las distribuciones mas utilizadas en la
estadística aplicada. La distribución se deriva de
un procedimiento llamado ensayo de Bernoulli,
nombrado así en honor del matemático Suizo
James Bernoulli (1654 - 1785).
a) Características:
 El experimento consiste en una serie de ensayos
repetidos.
 Cada ensayo sólo tiene dos resultados posibles:
éxito y fracaso.
La probabilidad de éxito, designado por p es la misma
para cada ensayo, la probabilidad de fracaso q (igual a
1-p) es también constante.
1. Los ensayos sucesivos son independientes.
2. Puede ser simétrica o sesgada.
3. La información de la muestra se obtiene

con reposición de una población finita.

b) Formula:
n!
P(X = x) = p x q n- x
x! (n - x)!
donde:
n : número de ensayos
x : número de éxitos
p : probabilidad de éxitos en un ensayo
q : probabilidad de fracaso en un ensayo
n - x : número de fracaso en el ensayo
Se aplica a la selección de una muestra, sólo
cuando el resultado de cada solución es
independiente de los resultados de las selecciones
anteriores.
c) Aplicación:
Una muestra de 4 frascos se selecciona sin

restitución de un lote de 5,000 frascos de cierto
laboratorio farmacéutico. Suponiendo que 20% de
los frascos de lote no cumplen con las
especificaciones médicas, ¿cuál es la probabilidad
de que la muestra contenga exactamente 2 frascos
malos?

Datos:
n=4
x=2
n!
p = 0,20 P(X = x) = p xq n-x
x! (n - x)!
q = 0,80
P(X = 2) =
4!
0.22 0.802
2! (4 - 2)!
 0,1536

Ejercicio
La escasez de glóbulos rojos puede determinarse

examinando al microscopio una muestra de sangre.
Suponiendo que un volumen pequeño contenga por
término medio 4 glóbulos rojos en personas
normales, ¿cuál es la probabilidad de que una
muestra de personas normales:
a) ¿contenga exactamente tres glóbulos rojos?
b) Ninguno tenga glóbulos rojos?

d) La distribución
Cierto proceso médico se repite cuatro veces.
Suponga que existe la probabilidad de 0.50 que
el proceso resulte deficiente. En cuatro
repeticiones se puede obtener 0,1,2,3 ó 4
procesos deficientes. Se puede calcular la
probabilidad de cada uno de estos posibles
resultados mediante la distribución binomial.

X
(Número de P(X = x )
procesos deficientes)
0 4
4!  1   1 
0      116
0!4!  2   2 
1 3
4!  1   1 
1      416
1!3!  2   2 
2 2
4!  1   1 
2      616
2!2!  2   2 
3 1
4!  1   1  4
3      16
3!1!  2   2 
4 0
4 4!  1   1 
     116
4!0!  2   2 
A estos resultados se denomina distribución de

probabilidad.
e) La media y la desviación estándar
Consideramos la distribución del ejemplo anterior

(p = 1/2, n = 4)
X 0 1 2 3 4
P(X = x ) 1/16 4/16 6/16 4/16 1/16
La media
 =  XP( x)

X P(x) XP(x) 32
0 1/16 0
 XP( x)  16
1 4/16 4/16  = 2 procesos
2 6/16 12/16
3 4/16 12/16 También:
4 1/16 4/16  = np
32/16
 = 4( 12)  2
Interpretación: Si seleccionamos 4 procesos

médicos al azar, se espera encontrar 2 procesos
deficientes, si este experimento se repite un número
infinito de veces.
La desviación estándar
  ( x   ) 2
P( x )
x P( x) (x   ) (x   )2 ( x   ) 2 P( x )
0 1/16 -2 4 4/16
1 4/16 -1 1 4/16
2 6/16 0 0 0
3 4/16 +1 1 4/16
4 1/16 +2 4 4/16
16/16

16
 (X   ) P( x) 
2
16
16
   ( X   ) P( x ) 
2
 1 proceso deficiente
16
También:
  npq
 4(0,5)(0,5)  1
La distribución binomial (p = 1/2, n = 4) tiene una

media de 2 y una desviación estándar de 1.

Ejemplo
La Dra. Jiménez, Directora de Control de Calidad
de un gran hospital, se encuentra realizando su
revisión mensual a los procesos de emergencia
pediátrica. En el procedimiento, se seleccionan 10
procesos y se les analiza en busca de deficiencias
administrativas. A lo largo del tiempo, sólo 2% de
las emergencias pediátricas registran deficiencias
administrativas (suponga que las deficiencias se
presentan de manera independiente en diferentes
procesos).

• ¿Cuál es la probabilidad de que la muestra del
Dra. Jiménez contenga más de dos procesos
con deficiencias administrativas?
• ¿Cuál es la probabilidad de que en ninguno de
los procesos seleccionados registre deficiencia
administrativa?

Ejemplo:
Supóngase que en cierta población el 52 por ciento
de todos los nacimientos que se registraron son
varones. Si aleatoriamente se escogen cinco
registros de nacimientos dentro de esa población,
¿cuál es la probabilidad de que exactamente tres de
ellos pertenezcan a varones?.
P = 0.52
q = 1 - 0.52 = 0.48
n=5 5!
P(3,5)  0.523 0.48(53)  0.32  32%
r=3 3!(5  3)!

Uso de Tablas
Solucionando el problema anterior usando la
tabla de probabilidades binomiales
tabla de probabilidades binomiales
p
n r 0.37 0.38 0.39 0.40 0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49 0.50 r n
5 0 0.0380 5
1 0.1755 4
2 0.3240 3
3 0.2990 2
4 0.1380 1
5 0.0255 0 5
n r 0.63 0.62 0.61 0.60 0.59 0.58 0.57 0.56 0.55 0.54 0.53 0.52 0.51 0.50 r n
p
La probabilidad de tener 3 inscritos varones de

5 registros realizados es del 0.324 o 32.4%.
8.4.2 Distribución de Poisson:
Es una distribución muy usada en medicina y
biología. Se deriva del proceso de Poisson en honor
al matemático francés Simeon Denis Poisson
(1781-1840).
Debe cumplir las siguientes condiciones:
La ocurrencia de los eventos son independientes.
El número promedio de veces () que ocurre un
éxito por cada unidad de tiempo o de espacio es
constante.
La probabilidad de un suceso es una unidad de
tiempo o de espacio muy pequeña.
Ejemplos de aplicaciones de Poisson:
Pacientes que llegan a la sala de urgencias de
un hospital durante un cierto día.
Defectos de un rollo de gasa.
Accidentes por hora en cierta parte de una
carretera.
Clientes que llegan a la caja registradora de una
farmacia en un determinado horario.

Si el tamaño de la muestra es bastante grande (n>50) y
la probabilidad de un evento particular es muy pequeño
(p < 0,1) y se desea hallar la probabilidad de un número
determinado de éxitos, se puede aplicar la distribución
de Poisson, dada por la siguiente ecuación.
x e 
P(X = x) =
x!
donde
 (lambda): media = np = variancia
e : base de logaritmos naturales =2.71828
x! : factorial de x
Ejemplo:
Supongamos que estamos investigando la seguridad
de una peligrosa intersección de calles, los registros
policíacos indican un media de 5 accidentes
mensuales en esta intersección. El número de
accidentes esta distribuido de acuerdo con una
distribución de Poisson y el departamento de
seguridad vial desea que calculemos la probabilidad
de que en cualquier mes ocurra exactamente 3
accidentes.
X = 3 acc/mes 53 2.71835
P( x 3)   0.14042  14.04%
 = 5 acc/mes 3!

Uso de Tablas
Solucionando el problema anterior usando la tabla

de distribución de probabilidades de Poisson:

x 4.1 ......... 4.5 .......... 4.9 5
0 0.0067
La probabilidad de
1 0.0337 tener exactamente 3
2 0.0842
3 0.1404
accidentes en un
4 0.1755 mes cualquiera es
5 0.1755
0.1404

Aplicación
La probabilidad de “número equivocado” a pesar de

haber marcado correctamente es 0,03. Si se toma
una muestra de 100 llamadas, ¿cuál es la
probabilidad de tener 2 “número equivocado”?
Solución:
32  (2.71828) 3
p = 0.03 P(X = 2) =
n = 100 2!
= 02240
=3

La aproximación de Poisson a la
distribución Binomial
Consideremos una distribución binomial con p=0.02 y n = 100.

Supongamos que nos interesa calcular la probabilidad de que X
= 3 utilizando la formula binomial, podemos encontrar la
probabilidad exacta de la forma siguiente:
100!
P(X = 3) = (0,02) 3 (0,98) 97
3! 97!
 0,1823

Los cálculos son muy tediosos. Cuando p es
pequeño y n es lo suficientemente grande, la
formula binomial puede aproximarse mediante una
distribución de Poisson con  = np
Luego, utilizando una distribución de Poisson

encontramos que la probabilidad de que X=3 es:

 ex
P(X = 3) =
x!
  np = 100 (0,02) = 2
(2)3  (2,71828) 2 8
  2
 0,1805
3! 6 (2,71828)
La respuesta es muy ¨próxima¨ a la encontrada con la

distribución binomial. La aproximación se considera
válida cuando
p  0.05 y n  20

8.4.3 La distribución hipergeométrica
Se utiliza para describir variables discretas

a)Características
La información de la muestra se obtiene
sin reposición de una población finita, por
lo tanto la probabilidad de éxito varía.
b) Formula donde:
 
M N M
 M : número de éxitos en la población
   k : número de éxitos en la muestra
P(X = k ) =
 k  n  k 
N : tamaño de la población
N N-M: número de fracasos en la población
  n : tamaño de la muestra
n n-k : número de fracasos en la muestra

c) Aplicación
Calcular la probabilidad de obtener 10 tubos

defectuosos en una muestra de 20 tubos de radio
tomados sin reemplazo de un lote de 30 tubos,
de lo cuales 15 son defectuosos.
Datos:  15  3015 
k = 10   
P(X = 10) =  10  2010 
n = 20  30 
N= 30  
 20 
M= 15 (3003)(3003) 9018009
=  = 0,3001
30045015 30045015

Si erróneamente se usa la distribución binomial con
n = 20 y p =15/30 = 1/2 para calcular la probabilidad
de tener 10 defectuosos, el resultado será:
P(X = x) 
20! 1
10!(20 - 10)! 2
10
1
2
10
  
184756
  0,1762
1048576
Una probabilidad considerablemente menor

que la probabilidad real.

d) Forma
Puede ser simétrica o sesgada. Cada vez que p =

0.5, la distribución hipergeométrica será simétrica
sin tener en cuenta qué tan grande o pequeño sea
el valor de n; sin embargo, cuando p  0,5 la
distribución será sesgada. El grado de sesgo
variará, dependiendo de la proximidad del p a 0,5 y
del tamaño de n.

e) La media y la desviación estándar
La media:   E(X)  np
N n
  np(1  p) 
La desviación estándar: N 1
N n
Donde N 1 es un factor de corrección de
población finita que se produce debido al proceso
de muestreo sin reposición de poblaciones finitas.

8.4 Distribuciones continuas de probabilidad
9.4.1 La distribución normal
También conocida como campana de Gauss en
honor al matemático Karl Gauss ( siglo 19).
Es importante por:
Es muy aplicable para inferencia estadística
Se ajusta (casi) a las distribuciones de frecuencias
reales observadas.
Se utiliza para describir el comportamiento de una
variable continua.
(a) Características
1. Tiene un sólo pico (unimodal). Forma acampanada.
2. La media cae en el centro
3. La media, media y moda coinciden
4. Es asintótica al eje horizontal
Media
Mediana
Moda
La distribución normal de
probabilidad es simétrica con
respecto a una línea vertical que
pase por la media
El extremo izquierdo se extiende de

manera indefinida y nunca toca el
El extremo derecho se extiende
eje horizontal
de manera indefinida y nunca
toca el eje horizontal

b) Fórmula
La función de densidad: f(x), para la distribución

normal tiene la siguiente formula:
2
 x 
1 1  
2 
f (x)  e 
2
donde:
e : constante matemática: 2.71828
 :constante matemática: 3.14159
 : media de la población
 : desviación estándar de la población
x : cualquier valor de la variable
aleatoria continua
Areas debajo de la curva normal
No importa cuales son los valores de  y , para

una distribución de probabilidad normal el área total
bajo la curva es 1.00, de manera que podemos
pensar en áreas bajo la curva como si fuesen
probabilidades. Matemáticamente es verdad que:

1: Aproximadamente 68% de todos los valores de
una población normalmente distribuida se
encuentra datos 1 desviación estándar de la
media .


  
    
 
68% datos
2: Aproximadamente 95.5% de todos los valores
de una población normalmente distribuida se
media.
   2
 
   2 
 
94.6% datos
3: Aproximadamente 99.7% de todos los valores de
una población normalmente distribuida se
media
  3     3 

   
99% datos
8.5.2 La distribución normal estándar (Z)
La distribución normal tiene diferente  y  para

calcular probabilidades habría que integrar la función
de densidad. Por este motivo se estandariza la
variable.
La estandarización es un proceso estadístico que
consiste en restar la media a la variable y el resultado

dividirlo por la desviaciónxestándar.
Z


Distribución
normal estándar
  50
 1

La tabla de distribución normal estándar, es la siguiente:
z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319
0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714
: : : : : : : : : :
: : : : : : : : : :
1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810
1.2 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162
:
:
2.4
2.5
:
Cuando Z=1.27 entonces el área vale: ......

Ejercicio:
Un terapista físico piensa que
los puntajes en una prueba de
destreza manual tiene una
  2.5
distribución aproximadamente
normal, con una media de 10
y una desviación estándar de
2,5. Si a un individuo, elegido
  10
15 
aleatoriamente, se le aplica el
examen, ¿cuál es la probabi-
lidad de que logre un puntaje
de 15 o mas puntos?.
Obtenemos la siguiente información:
     2.5   2.5
x 15  10
Calculando Z: z  2
 2.5
  
  10 15
Para Z=2, buscamos en la tabla cual es la
probabilidad (o área) que le corresponde:
Área = .4772
Como deseamos conocer esta área:   2.5
P( x  15)  0.5  0.4772  0.0228  2.28%
 10
 15 

¿Cuál es la probabilidad de que se logre un pontaje entre 11 y 14?
Calculando Z:
11  10
Cuando x  11  z   0.4  A  0.1554
2.5
14  10
Cuando x  14  z   1.6  A  0.4452
2.5
11 14
  
El área sombreada se encuentra restando del área mayor (0.4452) el

área menor (0.1554)
P(11  x  14)  0.4452  0.1554  0.2898  28.98%

Aplicaciones
Una empresa aplica un programa de
entrenamiento diseñado para mejorar la
habilidades de supervisión en los diferentes
procesos que se desarrollan en un hospital.
Debido a que el programa es autoadministrado,
los supervisores requieren un número diferente
de horas para concluirlo Un estudio de los
participantes anteriores indica que el tiempo
medio que se lleva completar el programa es de
500 horas y que esta variable aleatoria
normalmente distribuida tiene una desviación
estándar de 100 horas.
Pregunta 1. ¿Cuál es la probabilidad de que un
participante elegido al azar requiera más de 500
horas para completar el programa?
Solución:
En la figura, podemos ver que la
mitad del área bajo la curva está
P(X>500)=0.5
localizada a ambos lados de la
media de 500 horas. Por lo tanto
podemos deducir que la
probabilidad de que la variable
aleatoria tiene un valor mayor a
500 es el área sombreada, es
decir, 0.5.

Pregunta 2:¿Cuál es la probabilidad de que un
supervisor elegido al azar se tome entre 500 y 650
horas para completar el programa de
entrenamiento.
Solución:
La gráfica se muestra la
respuesta como zona
P(500 X 650)=0.4332 sombreada, representada por
el área entre la media (500
horas) y el valor de X, en el
cual estamos interesados
(650 horas). Estandarizando
la variable tenemos un valor
para Z

x
Z

650  500
Z  1.5
100
Si buscamos Z = 1.5 en la tabla, encontraremos

una probabilidad de 0,4332. En consecuencia, la
probabilidad de que un candidato escogido al
azar requiera entre 500 y 650 horas para
terminar el programa de entrenamiento es
ligeramente mayor a 0,4.

Pregunta 3:¿Cuál es la probabilidad de que un
supervisor elegido al azar se tome más de 400 horas
en completar el programa?
Solución:
Estamos interesados en el área a la derecha de 700.
Estandarizamos
x
Z
P(X >700)= 0..0228

700  500
Z 2
100

Tabla: si Z = 2.0  Area: 0.4772
En consecuencia, la probabilidad mayor a 700

será
0,5 - 0,4772 = 0,0228
Por lo tanto hay un poco más de 2 oportunidades

en 100 de que un participante elegido al azar se
lleve más de 700 horas en completar el curso.

Pregunta 4:Suponga que el director del programa
desea saber la probabilidad de que un participante
escogido al azar requiera entre 550 y 650 horas para
completar el trabajo requerido en el programa.
Solución:
Primero calculamos el valor de Z para 650
x
Z

650  500 P(550 X 650)
Z  1.5
100
A este valor le
corresponde un área
de 0,4332
Después calculamos un valor de Z para 550
x
Z

550  500
Z  0.5
100
Correspondiéndole un área de 0,1915

Para responde la pregunta debemos
estar restar las áreas:
Probabilidad de que la variable aleatoria 0,4332

esté entre la media y 650 horas
(-) Probabilidad de que la variable aleatoria

0,1915
esté entre la media y 550 horas
(=) Probabilidad de que la variable aleatoria 0,2417

esté 550 y 650 horas

Así pues, la probabilidad de que un supervisor
elegido al azar se tome entre 550 y 650 horas
para completar el programa de entrenamiento
es un poco menor de 1 entre 4

Ejemplo
Supóngase que la estancia promedio de internación en un

hospital es de 5,5 días con una desviación estándar de 1,8
días. Si se supone que la duración de la internación se
distribuye normalmente, encuentre la probabilidad de que
un paciente seleccionado al azar de dicho grupo, tenga una
duración de internación :
 de más de 6 días
 entre 4 y 7 días

8.5.3 La distribución t
a) Características
Al igual que la normal, también es simétrica
es algo más plana que la distribución normal
hay una distribución t para cada tamaño de
muestra cuando el tamaño de la muestra es
mayor a 30, la distribución t se asemeja tanto
a la normal que se prefiere utilizar ésta.

CUANDO UTILIZAR Z o t
SI
¿S E CONOCE  ? US A R Z
NO
SI
¿es n  30? US A R Z
NO
US A R t

TABLA DE DISTRIBUCION t DE STUDENT
d.f. t .90 t .95 t .975 t .99 t .995
d.f. Grados de libertad 1 3.08 6.31 12.7 31.8 63.7
d. f .  n 1
2 1.89 2.92 4.3 6.97 9.92
3 1.64 2.35 3.18 4.54 5.84
Ejemplo:
:
n= 28 N.C. = 95%
:
t=?
:
:
d.f. = 28 - 1 = 27
26 1.32 1.71 2.06 2.48 2.78
t = 2,0518
27 2.31 1.7 2.05 2.47 2.77
28 1.31 1.7 2.05 2.47 2.76
:
:
:
b) Fórmula
x
t
s
n
c) Grados de libertad
Se definen como el número de valores que
podemos escoger libremente.

8.5.4 La distribución Ji-Cuadrada
a) Características
Es una distribución asimétrica a la izquierda

Sólo considera valores positivos
b) Definición
La distribución Ji-cuadrada
n esta definida por
 2   Z i2
i 1

c) Aplicaciones
Las aplicaciones más importantes están en

la prueba de bondad de ajuste la prueba de
independencia estadística
d) Distribución

8.5.4 La Distribución F
Características
Es una distribución asimétrica a la derecha
Sólo tiene valores positivos
Se utiliza para comparar variancias de dos
poblaciones, con distribución normal
Fórmula
2
S mayor
F 2
S menor

11-3
 Existe una “familia” de distribuciones F.

 Cada miembro de la familia está determinado
por dos parámetros: los grados de libertad (gl)
en el numerador y los grados de libertad en el
denominador.
 El valor de F no puede ser negativo y es una
distribución continua.
 La distribución F tiene sesgo positivo.
 Sus valores varían de 0 a  . Con forme
F   la curva se aproxima al eje X.
Hoja de Comprobación
1. El valor de z para algún punto x que se encuentra en una

distribución normal es el área entre x y la media de la distribución
2. Los extremos derecho e izquierdo de la distribución normal se
extienden indefinidamente, sin tocar nunca el eje horizontal.
3. Para una distribución normal, la media siempre se encuentra
entre la moda y la mediana
4. Toda el área menos tres decimos del 1% de una distribución
normal se encuentra dentro de 3 desviaciones estándar de la
media
5. El desarrollo de una tabla de perdida condicional es un trabajo
tedioso cuando existen muchas acciones y resultados posibles,
debido a que la perdida resultante de cada pareja
acción/resultado debe incluirse en la tabla

6. El valor esperado de un experimento se obtiene calculando el
valor promedio aritmético de todos los resultados del experimento
7. El área bajo la curva de una distribución normal entre la media y
un punto situado a 1.8 desviaciones estándar por arriba de la
media es mayor para una distribución que tiene una media de 100
que para una distribución que tiene una media de 0
8. La distribución normal puede utilizarse para aproximar la
distribución binomial cuando el numero de ensayos, n, es mayor o
igual a 60
9. Si el numero esperado de llegadas a una oficina se calcula como
cinco por hora, uno puede tener una confianza razonable de que
cinco personas llegaran en la siguiente hora
10..La distribución binomial no es realmente necesaria, pues sus
valores se pueden aproximar siempre por otra distribución

11. Los dos tipos de perdidas que analizamos al resolver un
problema de almacenamiento de inventario son a)perdidas de
oportunidad y b)perdidas de actividad
12.Cuando la probabilidad de éxito en un proceso de Bernoulli es de
50% (p=0.5), su distribución binomial es simétrica
13.Una distribución de frecuencias da una lista de las frecuencias
observadas para un experimento que ya se ha llevado a cabo;
una distribución de probabilidad da una lista de aquellos
resultados que podrían presentarse si el experimento se llevara a
cabo.
14.El valor que una variable aleatoria puede tomar por lo general se
puede predecir con respecto a una presentación particular
15.Una vez que el valor de p ya se ha determinado para un proceso

de Bernoulli, el valor de q se calcula como (1-p)
16.La altura de los humano adultos se puede describir mediante una
distribución de Poisson
17.Cualquier acción que minimice la perdida esperada, minimizara

también la ganancia esperada
18.Después de 20 ensayos de un experimento, se crea una curva

de distribución con su forma definitiva
19.Un ejemplo de una perdida de oportunidad podría se la perdida

de ventas debido a un exceso de madurez en la fruta de una
tienda de abarrotes
20. .Una distribución en la que la media y la mediana tienen
diferentes valores nunca podrá ser una distribución normal
21. .La media de una distribución binomial esta dada por np


08.distribuciones de Probabilidad

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

08.distribuciones de Probabilidad

Încărcat de

Drepturi de autor:

Formate disponibile

Tema

Al finalizar la Tema 8, el participante será capaz de:

1. Identificar las distribuciones de probabilidad que

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

(A) Concepto: Es una distribución de

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Se seleccionan en forma consecutivas dos bebes

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Una variable es aleatoria si toma diferentes

Ejemplo: Se lanzan 3 monedas

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Ventas Nº de días Probabilidad de venta

(A) Pérdidas por mermas (obsolescencia):

Para un stocks de 10 cajitas, la pérdida esperada será:

1. Los ensayos sucesivos son independientes.

2. Puede ser simétrica o sesgada.

3. La información de la muestra se obtiene

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Una muestra de 4 frascos se selecciona sin

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La escasez de glóbulos rojos puede determinarse

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

A estos resultados se denomina distribución de

Consideramos la distribución del ejemplo anterior

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Interpretación: Si seleccionamos 4 procesos

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La distribución binomial (p = 1/2, n = 4) tiene una

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La probabilidad de tener 3 inscritos varones de

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Solucionando el problema anterior usando la tabla

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La probabilidad de “número equivocado” a pesar de

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Consideremos una distribución binomial con p=0.02 y n = 100.

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Luego, utilizando una distribución de Poisson

La respuesta es muy ¨próxima¨ a la encontrada con la

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Se utiliza para describir variables discretas

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Calcular la probabilidad de obtener 10 tubos

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Una probabilidad considerablemente menor

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Puede ser simétrica o sesgada. Cada vez que p =

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

El extremo izquierdo se extiende de

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La función de densidad: f(x), para la distribución

No importa cuales son los valores de  y , para

Material de Clases © Jorge Córdova Egocheaga. Febrero 2003

La distribución normal tiene diferente  y  para