PRESENTACION T3 DISTR PROB Elec

FUNCIONES DE DISTRIBUCIONES
DE PROBABILIDAD
PROBABILIDAD Y ESTADÍSTICA
ING ELECTRÓNICA
ITCG
PROF. ROBERTO TOBIAS CASTILLO 1

TEMA 3: FUNCIONES DE DISTRIBUCIONES
DE PROBABILIDAD
Contenido GLOSARIO DE TERMINOS
3.1 Variables aleatorias y su clasificación.
FORMULAS
3.2 Distribuciones de probabilidad discretas
3.3 Distribución Hipergeométrica.
3.4 Distribución de Poisson.
3.5 Distribuciones de probabilidad continua.
3.6 Distribución t.
3.7 Distribución Chi-cuadrada.
3.8 Distribución F.
3.9 Esperanza matemática.

COMPETENCIA ESPECÍFICA
➢Conoce e identifica las diferentes funciones de distribución de probabilidad, para

su aplicación en la solución de problemas.

COMPETENCIA GENÉRICA
➢Capacidad de abstracción, análisis y síntesis.
➢Capacidad de aplicar los conocimientos en la práctica.
➢Capacidad para organizar y planificar el tiempo.
➢Capacidad de comunicación oral y escrita.
➢Habilidades en el uso de las tecnologías de la información y de la comunicación.
➢Capacidad para identificar, plantear y resolver problemas.
➢Habilidades interpersonales.
➢Capacidad de trabajo en equipo.
➢Habilidades para buscar, procesar y analizar información procedente de fuentes diversas.
ACTIVIDADES DE APRENDIZAJE
1. Investigar cada una de las diferentes funciones de distribución de probabilidad,
continua y discreta.
2. Discutir cada distribución, por equipos, para determinar sus aplicaciones.
3. Establecer las relaciones entre las distribuciones Normal, Binomial y de Poisson.
4. Resolver problemas aplicando estas distribuciones y comparar resultados.
5. Realizar cálculos de probabilidades mediante el manejo de las tablas
correspondientes.
6. Analizar resultados y emitir conclusiones.

3.1 VARIABLES ALEATORIAS Y SU
CLASIFICACIÓN.
Ya se definió el concepto de experimento y los resultados experimentales
correspondientes.
Una variable aleatoria proporciona un medio para describir estos resultados con
valores numéricos.
Las variables aleatorias deben asumir valores numéricos.
DEFINICIÓN: VARIABLE ALEATORIA

Una variable aleatoria es una descripción numérica de los resultados de un
experimento

3.1 DISTRIBUCIONES DISCRETAS
DE PROBABILIDAD
Una variable aleatoria asocia un valor numérico con cada resultado experimental
posible.
El valor numérico particular de la variable aleatoria depende del resultado del

experimento.
Ésta se clasifica como discreta o continua en función de los valores numéricos que
asume.

CLASIFICACIÓN.
Variables aleatorias discretas.
Una variable aleatoria que puede asumir cualquier número fi nito de valores o una
sucesión infinita de valores como 0, 1, 2, . . . se conoce como variable aleatoria
discreta.

CLASIFICACIÓN.
Variables aleatorias continuas
Una variable aleatoria que asume cualquier valor numérico en un intervalo o
conjunto de intervalos se llama variable aleatoria continua.
Los resultados experimentales basados en escalas de medición como el tiempo, el
peso, la distancia y la temperatura se describen por medio de este tipo de variable.

DE PROBABILIDAD
Distribuciones de probabilidad discreta
La distribución de probabilidad de una variable aleatoria describe cómo se
distribuyen las probabilidades entre los valores de la misma.
Para una variable aleatoria discreta “x”, la distribución de probabilidad se define
por medio de una función de probabilidad, denotada por 𝑓(𝑥).
La función de probabilidad proporciona la probabilidad para cada valor que
puede asumir la variable aleatoria.

DE PROBABILIDAD
Como ejemplo de una variable aleatoria discreta y su distribución de probabilidad,
considere las ventas de automóviles en una agencia de Ciudad Guzmán.
Durante los últimos 300 días de operación, los datos de ventas mostraron que en 54
días no se vendió ningún automóvil, en 117 días se vendió 1 automóvil, en 72 días se
vendieron 2, en 42 días se vendieron 3, en 12 días se vendieron 4 y en 3 días se
vendieron 5.
Tabla que resume las ventas de la agencia de

automoviles durante 300 días.

DE PROBABILIDAD
Representación gráfica de la distribución de

probabilidad para el número de automóviles
vendidos durante un día en la agencia.

DE PROBABILIDAD
Dado que los datos históricos muestran que en 54 de los 300 días se vendieron 0
unidades, se asigna el valor 54/300 = 0.18 a 𝑓(0), lo que indica que la
probabilidad de que se vendan 0 automóviles en un día es de 0.18.
Asimismo, como en 117 de los 300 días se vendió un vehículo, se asigna el valor
117/300 = 0.39 a 𝑓(1), indicando que la probabilidad de que se venda
exactamente 1 automóvil en un día es de 0.39.
Si se continúa de esta manera para los otros valores de la variable aleatoria,

obtenemos los valores de 𝑓(2), 𝑓(3), 𝑓(4) y 𝑓(5).

DE PROBABILIDAD
Una de las principales ventajas de definir una variable aleatoria y su distribución de
probabilidad es que, una vez que se conoce esta última, es relativamente fácil
determinar la probabilidad de una variedad de eventos que pueden ser útiles para
quien toma decisiones.
Ejemplo hay una probabilidad de 𝑓 3 + 𝑓 4 + 𝑓 5 + 0.14 + 0.04 + 0.01 =

0.19 de vender 3 o más unidades durante un día.

DE PROBABILIDAD
CONDICIONES REQUERIDAS PARA UNA FUNCIÓN DE PROBABILIDAD DISCRETA
𝑓 𝑥 ≥0
σ𝑓 𝑥 = 1
Estas condiciones son análogas a los dos requerimientos básicos para asignar
probabilidades a los resultados experimentales ya presentados.

DE PROBABILIDAD
El ejemplo más sencillo de una distribución de probabilidad discreta dada una
fórmula, es la distribución de probabilidad uniforme discreta.
Su función de probabilidad se define por medio de la ecuación:
FUNCIÓN DE PROBABILIDAD UNIFORME DISCRETA
f(x) =1/n
Donde:
n = número de valores que la variable aleatoria puede asumir.

DE PROBABILIDAD
Por ejemplo, suponga que para el experimento de lanzar un dado la
variable aleatoria x
se defi ne como el número de puntos en la cara que queda hacia arriba.
Para este experimento, 𝑛 = 6 valores son posibles para la variable
aleatoria; 𝑥 = 1, 2, 3, 4, 5, 6.
Por tanto, la función de probabilidad para esta variable aleatoria uniforme
discreta es
1
𝑓 𝑥 = ; 𝑥 = 1, 2, 3, 4, 5, 6
6
Los valores posibles de la variable aleatoria y las probabilidades
asociadas se muestran en seguida.

DE PROBABILIDAD
Como otro ejemplo, considere la variable aleatoria x con la distribución
de probabilidad siguiente.
Esta distribución de probabilidad se defi ne por medio de la fórmula
𝑥
𝑓 𝑥 = 𝑝𝑎𝑟𝑎 𝑥 = 1, 2, 3 𝑜 4
10
La evaluación de 𝑓(𝑥) para un valor dado de la variable aleatoria
proporciona la probabilidad asociada.
Por ejemplo, usando la función de probabilidad anterior, vemos que
𝑓(2) = 2/10 proporciona la probabilidad de que la variable aleatoria
asuma el valor 2.

3.2 VALOR ESPERADO Y VARIANZA
Valor esperado y varianza
El valor esperado, o media, de una variable aleatoria es una medida de su posición
central.
La fórmula para el valor esperado de una variable aleatoria discreta x se indica
enseguida.
E(x) = μ = ෍ xf(x)
Ambas notaciones, E(x) y μ se usan para denotar el valor esperado de una variable
aleatoria.

El valor esperado es un promedio ponderado de los valores que asume la variable
aleatoria cuando los pesos son las probabilidades.
El valor esperado no tiene que ser un valor que la variable aleatoria pueda
asumir.
La ecuación muestra que para calcular el valor esperado de una variable aleatoria
discreta se debe multiplicar cada valor de la variable por su probabilidad
correspondiente 𝑓(𝑥), y después se suman los productos que resultan.

Utilizando el ejemplo de la venta de automóviles, para realizar el cálculo del valor
esperado para el número de vehículos vendidos durante un día.
La suma de las entradas de la columna 𝑥𝑓(𝑥) muestra que el valor esperado es
1.50 unidades por día.
Por consiguiente, aunque se sabe que en un día cualquiera las ventas pueden ser de
0, 1, 2, 3, 4 o 5 automóviles, la agencia anticipa que con el tiempo se venderá un
promedio diario de 1.50.
Suponiendo que un mes tiene 30 días de operación, se usa el valor esperado de
1.50 para pronosticar el promedio de ventas mensuales de 30(1.50) = 45 vehículos.

Cálculo del valor esperado para el

número de automóviles que se venden en
un día

Varianza
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria,
a menudo necesitamos una medida de variabilidad o dispersión.
Así como la varianza se usó para resumir la variabilidad en los datos, ahora la
varianza se usa para resumir la variabilidad en los valores de una variable
aleatoria.
FORMULA: VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Donde
𝜇 = MEDIA
𝑉𝑎𝑟 𝑥 = 𝜎2 = σ 𝑥 − 𝜇 2𝑓 𝑥 𝑥 = valor que toma la variable
aleatoria.
La varianza es un promedio ponderado de las desviaciones al cuadrado de una
variable aleatoria de su media.
Una parte esencial de la fórmula de la varianza es la desviación, 𝑥 − 𝜇, la cual

mide a qué distancia está el valor esperado, o la media, μ, de un valor particular de
la variable aleatoria
Las notaciones Var (x) y σ2 se usan para denotar la varianza de una variable
aleatoria.

Cálculo de la varianza para el número

de automóviles que se venden en un día

El cálculo de la varianza para la distribución de probabilidad del número de
automóviles vendidos durante un día en la agencia de CD. Guzmán es 1.25.
La desviación estándar, σ, se define como la raíz cuadrada positiva de la varianza.
Por tanto, la desviación estándar para el número de automóviles vendidos durante

un día es
𝜎 = 1.25 = 1.118

La desviación estándar se mide en las mismas unidades que la variable aleatoria (σ
= 1.118 automóviles) y por tanto a menudo se prefiere para describir la
variabilidad de una variable aleatoria.
La varianza σ2 se mide en unidades cuadradas y, por tanto, es más difícil de

interpretar.

3.3 DISTRIBUCIÓN DE PROBABILIDAD
BINOMIAL
La distribución de probabilidad binomial es una distribución de probabilidad
discreta que proporciona muchas aplicaciones.
Se asocia con un experimento de múltiples pasos que se llama experimento binomial.

BINOMIAL
PROPIEDADES DE UN EXPERIMENTO BINOMIAL
1. El experimento consiste de una secuencia de n ensayos idénticos.
2. En cada ensayo hay dos resultados posibles. A uno de ellos se le llama éxito y al
otro, fracaso.
3. La probabilidad de éxito, denotada por 𝑝, no cambia de un ensayo a otro. Por
consiguiente, la probabilidad de fracaso, denotada por 1 − 𝑝, tampoco cambia
de un ensayo a otro.
4. Los ensayos son independientes.

BINOMIAL
Si están presentes las propiedades 2, 3 y 4, se dice que los ensayos son generados
por un proceso de Bernoulli.
Si, además, la propiedad 1 está presente, se dice que tenemos un experimento
binomial.

BINOMIAL
En un experimento binomial, lo que interesa es el número de éxitos que ocurren en los
n ensayos.
Si x denota el número de éxitos que ocurren en n ensayos, vemos que x puede
asumir los valores 0, 1, 2, 3 … , 𝑛.
Debido a que el número de valores es finito, x es una variable aleatoria discreta.
La distribución de probabilidad asociada con esta variable se llama distribución de

probabilidad binomial.

BINOMIAL
Historia:
Jakob Bernoulli (1654-1705), el primero de una familia de matemáticos suizos,
publicó un tratado sobre probabilidad que contenía la teoría de permutaciones y
combinaciones, así como el teorema binomial.

BINOMIAL
FUNCIÓN DE PROBABILIDAD BINOMIAL
𝑛 𝑥 𝑛−𝑥
𝑓 𝑥 = 𝑝 1−𝑝
𝑥
Donde:
x = número de éxitos
p = probabilidad de un éxito en un ensayo 𝑛 𝑛!
=
n = número de ensayos 𝑥 𝑥! 𝑛 − 𝑥 !
f(x) = probabilidad de x éxitos en n ensayos

BINOMIAL
Ejemplo:
En una cafetería se venden hamburguesas, papas y malteadas.
La probabilidad de que a un cliente nuevo le guste la hamburguesa es de 0.8. Si
vienen 3 nuevos clientes a mí cafetería.
¿cuál será la probabilidad de que solo a dos de ellos les guste la hamburguesa?
Si al cliente le gusta la hamburguesa tendrá carita feliz y si no le gusta, tendrá

carita molesta.

BINOMIAL
Solución:
Tomando la formula de función de distribución binomial, en este ejemplo

identificamos p=0.8 (probabilidad de éxito), n= 3 (Número de veces que se repite
el experimento), y x=2 que solo a dos clientes les guste.
3 3
𝑓 3 =𝑃 𝑋=3 = 0.82 1 − 0.8 3−2
= 0.82 0.2 1
= 0.384.
2 2

BINOMIAL
Valor esperado y varianza de la distribución binomial
𝐸 𝑥 = 𝜇 = 𝑛𝑝
𝑉𝑎𝑟 𝑥 = 𝜎 2 = 𝑛𝑝(1 − p)

BINOMIAL
Para el ejemplo de la cafetería se tiene que la media y la varianza, y
posteriormente la desviación estándar es:
𝜇 = 𝑛𝑝 = 3 ∗ 0.8 = 2.4
𝑉𝑎𝑟 𝑥 = 𝜎 2 = 𝑛𝑝 1 − 𝑝 = 3 ∗ 0.8 ∗ 1 − 0.8 = 3 ∗ 0.8 ∗ 0.2 = 0.48
𝜎 = 𝜎 2 = 0.48 = 0.69

BINOMIAL
Si llegan 10 clientes nuevos a la cafetería, ¿cuál es la probabilidad de que a 8 o
más les guste la hamburguesa?
𝑓 𝑥 = 𝑃 𝑋 ≥ 4 = 𝑃 𝑋 = 8 + 𝑃 𝑋 = 9 𝑃 𝑋 = 10
𝑃 𝑋 ≥ 4 = 0.302+0.2684+0.1074=0.6778

BINOMIAL

BINOMIAL

3.4 DISTRIBUCIÓN
DE PROBABILIDAD PROBABILIDAD Y ESTADÍSTICA
ING MECÁNICA
DE POISSON ITCG

3.4 DISTRIBUCIÓN DE PROBABILIDAD DE
POISSON
Visualice la siguiente situación:
Usted es el responsable de seguridad insdustrial en una empresa.
Llevando el registro historico descubre que se tienen 3 accidentes promedio al mes.
Con la información recabada calcule lo siguiente:
a) La probabilidad de no tener ningún accidente.
b) La probabilidad de tener un máximo de dos accidentes en un mes.
c) La probabilidad que ocurran 30 accidentes en un año.
d) La probabilidad que ocurran 8 accidentes en un trimestre.

POISSON
En este tema consideramos una variable aleatoria discreta que a menudo es útil para
estimar el número de ocurrencias en un intervalo específico de tiempo o espacio, en
sucesos independientes.
Ejemplo:
•El número de coches que pasan a través de un cierto punto en una carretera
•El número de clientes que llegan a una oficina por hora (Día , semana)
•El número de defectos por metro cuadrado de tela.
•El número de estrellas en un determinado volumen de espacio.

POISSON
Si las dos propiedades siguientes se satisfacen, el número de ocurrencias es una
variable aleatoria descrita por la distribución de probabilidad de Poisson.

POISSON

POISSON
Simeón Poisson impartió matemáticas en la Ecole Polytechnique de París de 1802 a
1808.
En 1837 publicó un trabajo titulado “Investigación sobre la probabilidad de los

veredictos en materia penal y civil”, que incluye un análisis de lo que más tarde se
conoció como la distribución de Poisson.
Bell Labs usó la distribución de Poisson para modelar la entrada de llamadas
telefónicas.

POISSON

POISSON
Para la distribución de probabilidad de Poisson, x es una variable aleatoria
discreta que indica el número de ocurrencias en el intervalo.
Como no hay un límite superior establecido para el número de ocurrencias, la función
de probabilidad 𝑓(𝑥) es aplicable para los valores 𝑥 = 0, 1, 2, . . . sin límite.
En las aplicaciones prácticas, x a la larga se volverá lo suficientemente grande para
que 𝑓(𝑥) sea aproximadamente cero y la probabilidad de cualquier valor mayor
que x se vuelva insignificante.

POISSON
Una propiedad de la distribución de Poisson consiste en que la media de la
distribución y la varianza de la distribución son iguales.
Por lo tanto 𝐸(𝑋) = 𝑉𝑎𝑟(𝑥) = 𝜇
Y su desviación estándar es 𝜇

POISSON
Visualice la siguiente situación:
Usted es el responsable de seguridad insdustrial en una empresa.
Llevando el registro historico descubre que se tienen 3 accidentes promedio al mes.
Con la información recabada calcule lo siguiente:

POISSON
Solucion:
El número de accidentes en un mes es independiente al siguiente mes, por lo que se
trata de un evento independiente y con las mismas posibilidades de ocurrencia.
Por lo que se puede usar la distribución de Poisson.
Donde 𝑓(𝑥) es la función de probabilidad que ocurra x accidentes en un mes. Y 𝜇
valor medio o esperado de accidentes en un mes. Identificando los elementos en el
planteamiento del problema encontramos la función de probabilidad de accidentes
al mes:
𝜇𝑥 −𝜇 3𝑥
𝑓 𝑥 = 𝑒 = 𝑒 −3
𝑥! 𝑥!

POISSON
30 −3 1 −3
𝑃 𝑥=0 = 𝑒 = 𝑒 = 𝑒 −3 = 0.049 o 5% de probabilidad de no tener
0! 1
ningún accidente en un mes.
32 9
𝑃 𝑥 = 2 = 𝑒 −3 = 𝑒 −3 = 0.224 o 22% de probabilidad que ocurran
2! 2
exactamente dos accidentes en un mes.
c) La probabilidad que ocurran 30 accidentes en un año..

POISSON
En este problema se debe encontrar los accidentes promedios anuales. Si tenemos

que en un mes ocurren 3 accidentes en un mes, se puede aplicar la regla de tres o
simplemente multiplicar el número esperado de accidentes por mes y multiplicarlo
por 12 meses que conforman un año. Se obtendría un promedio de 36 accidentes
en un año. Reformulando la expresion obtenemos que:
𝜇𝑥 −𝜇 3630
𝑓 30 = 𝑒 = 𝑒 −36 =0.0427 o 4% de probabilidad que ocurran
𝑥! 30!
exactamente 30 accidentes en un mes.

POISSON
𝜇𝑥 98
𝑓 8 = 𝑒 = 𝑒 −9 =0.1317 o 13% de probabilidad que ocurran
−𝜇
𝑥! 8!
exactamente 8 accidentes en un trimestre.

POISSON
Ejercicios:
Una compañía telefónica recibe llamadas a razón de 4 por minuto.
Calcular la probabilidad de :
a) Recibir 2 llamadas en un minuto.
b) No recibir ninguna llamada en un minuto.
c) Recibir menos de 3 llamadas en un minuto.
d) Recibir más de 3 llamadas en un minuto.

3.5 DISTRIBUCIÓN DE PROBABILIDAD Y ESTADÍSTICA
PROBABILIDAD ING MECÁNICA
ITCG
HIPERGEOMÉTRICA

HIPERGEOMÉTRICA.
Suponga el siguiente caso de control de calidad:
Los fusibles eléctricos producidos por CD Guzmán Electric se empacan en cajas de 12
unidades cada una.
Suponga que un inspector selecciona al azar tres de los 12 fusibles de una caja para
probarlos.
Si ésta contiene exactamente cinco fusibles averiados, ¿cuál es la probabilidad de
que el inspector encuentre exactamente un fusible defectuoso en los tres que
seleccionó?

HIPERGEOMÉTRICA.
La distribución de probabilidad hipergeométrica mantiene una relación estrecha con
la distribución binomial, pero difiere de ésta en dos puntos esenciales: sus ensayos
no son independientes y su probabilidad de éxito cambia de un ensayo a otro.
En la notación usual para la distribución hipergeométrica, r denota el número de
elementos en la población de tamaño N considerados como éxitos, y N - r denota el
número de elementos en la población considerados fracasos.

HIPERGEOMÉTRICA.
La función de probabilidad hipergeométrica se usa para calcular la probabilidad de que en
una muestra aleatoria de n elementos, seleccionados sin remplazo, se obtengan x elementos
etiquetados como éxitos y 𝑛 − 𝑥 elementos marcados como fracasos.
La distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se

extraigan muestras o se realicen experiencias repetidas sin devolución del elemento extraído
o sin retornar a la situación experimental inicial.
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas

y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control
de calidad para procesos experimentales en los que no es posible retornar a la situación de
partida.

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.
Suponga el siguiente caso de control de calidad:
Los fusibles eléctricos producidos por CD Guzmán Electric se empacan en cajas de 12
unidades cada una.
Suponga que un inspector selecciona al azar tres de los 12 fusibles de una caja para
probarlos.
Si ésta contiene exactamente cinco fusibles averiados, ¿cuál es la probabilidad de
que el inspector encuentre exactamente un fusible defectuoso en los tres que
seleccionó?

HIPERGEOMÉTRICA.
Solución:
En esta ejemplo tenemos 𝑛 = 3 y 𝑁 = 12. Con 𝑟 = 5 fusibles defectuosos en la
caja, la probabilidad de encontrar 𝑥 = 1 fusible defectuoso es:

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.

HIPERGEOMÉTRICA.
Ejercicios:

HIPERGEOMÉTRICA.
En un estudio realizado por Gallup Organization se preguntó a los encuestados:
“¿Cuál es su deporte favorito para ver?”
El futbol americano y el basquetbol clasificaron como número uno y dos
respectivamente en cuanto a preferencia (sitio web de Gallup, 3 de enero de 2004).
Suponga que en un grupo de 10 individuos, siete prefieren el futbol americano y tres
el basquetbol.
Seleccionemos una muestra al azar de tres de estos individuos.
a) ¿Cuál es la probabilidad de que exactamente dos prefieran el futbol americano?
b) ¿Cuál es la probabilidad de que la mayoría (ya sea dos o tres) prefiera el futbol
americano?

PRESENTACION T3 DISTR PROB Elec

Cargado por

Copyright:

Formatos disponibles

PRESENTACION T3 DISTR PROB Elec

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PRESENTACION T3 DISTR PROB Elec

Cargado por

Copyright:

Formatos disponibles

FUNCIONES DE DISTRIBUCIONES

PROF. ROBERTO TOBIAS CASTILLO 1

PROF. ROBERTO TOBIAS CASTILLO 3

➢Conoce e identifica las diferentes funciones de distribución de probabilidad, para

PROF. ROBERTO TOBIAS CASTILLO 4

PROF. ROBERTO TOBIAS CASTILLO 6

DEFINICIÓN: VARIABLE ALEATORIA

PROF. ROBERTO TOBIAS CASTILLO 7

El valor numérico particular de la variable aleatoria depende del resultado del

PROF. ROBERTO TOBIAS CASTILLO 8

PROF. ROBERTO TOBIAS CASTILLO 9

PROF. ROBERTO TOBIAS CASTILLO 10

PROF. ROBERTO TOBIAS CASTILLO 11

Tabla que resume las ventas de la agencia de

PROF. ROBERTO TOBIAS CASTILLO 12

Representación gráfica de la distribución de

PROF. ROBERTO TOBIAS CASTILLO 13

Si se continúa de esta manera para los otros valores de la variable aleatoria,

PROF. ROBERTO TOBIAS CASTILLO 14

Ejemplo hay una probabilidad de 𝑓 3 + 𝑓 4 + 𝑓 5 + 0.14 + 0.04 + 0.01 =

PROF. ROBERTO TOBIAS CASTILLO 15

PROF. ROBERTO TOBIAS CASTILLO 16

FUNCIÓN DE PROBABILIDAD UNIFORME DISCRETA

PROF. ROBERTO TOBIAS CASTILLO 17

PROF. ROBERTO TOBIAS CASTILLO 18

PROF. ROBERTO TOBIAS CASTILLO 19

PROF. ROBERTO TOBIAS CASTILLO 20

PROF. ROBERTO TOBIAS CASTILLO 21

PROF. ROBERTO TOBIAS CASTILLO 22

Cálculo del valor esperado para el

PROF. ROBERTO TOBIAS CASTILLO 23

FORMULA: VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA

Una parte esencial de la fórmula de la varianza es la desviación, 𝑥 − 𝜇, la cual

PROF. ROBERTO TOBIAS CASTILLO 25

Cálculo de la varianza para el número

PROF. ROBERTO TOBIAS CASTILLO 26

La desviación estándar, σ, se define como la raíz cuadrada positiva de la varianza.

Por tanto, la desviación estándar para el número de automóviles vendidos durante

PROF. ROBERTO TOBIAS CASTILLO 27

La varianza σ2 se mide en unidades cuadradas y, por tanto, es más difícil de

PROF. ROBERTO TOBIAS CASTILLO 28

Se asocia con un experimento de múltiples pasos que se llama experimento binomial.

PROF. ROBERTO TOBIAS CASTILLO 29

PROF. ROBERTO TOBIAS CASTILLO 30

PROF. ROBERTO TOBIAS CASTILLO 31

Debido a que el número de valores es finito, x es una variable aleatoria discreta.

La distribución de probabilidad asociada con esta variable se llama distribución de

PROF. ROBERTO TOBIAS CASTILLO 32

PROF. ROBERTO TOBIAS CASTILLO 33

f(x) = probabilidad de x éxitos en n ensayos

PROF. ROBERTO TOBIAS CASTILLO 34

Si al cliente le gusta la hamburguesa tendrá carita feliz y si no le gusta, tendrá

PROF. ROBERTO TOBIAS CASTILLO 35

Tomando la formula de función de distribución binomial, en este ejemplo

PROF. ROBERTO TOBIAS CASTILLO 36

PROF. ROBERTO TOBIAS CASTILLO 37

𝑉𝑎𝑟 𝑥 = 𝜎 2 = 𝑛𝑝 1 − 𝑝 = 3 ∗ 0.8 ∗ 1 − 0.8 = 3 ∗ 0.8 ∗ 0.2 = 0.48

PROF. ROBERTO TOBIAS CASTILLO 38