You are on page 1of 17

UNIVERSIDAD NACIONAL HERMILIO VALDIZÁN

FACULTAD DE CIENCIAS CONTABLES Y FINANCIERAS

Carrera Profesional
CONTABILIDAD

ESTADÍSTICA APLICADA

Jesús VILCHEZ GUIZADO
10/11/2017 J. Vilchez

A dicha función se le llama función de masa de probabilidad. . El Departamento de Vehículos a Motor pudiera utilizar esta información para determinar la probabilidad de que cada unidad familiar tenga 2 ó menos vehículos. 2. DISTRIBUCIÓN DE PROBABILIDAD DISCRETA Se denomina distribución de variable discreta a aquella cuya función de probabilidad sólo toma valores positivos en un conjunto de valores de finito o infinito numerable. tales como centros de atención al cliente. 1. una distribución discreta describe la probabilidad de que las unidades familiares de Pillcomarca tengan 0. Por ejemplo. hospitales e instituciones financieras. 3 y 4 o más automóviles. Otra aplicación: la distribución discreta se utiliza comúnmente en la configuración de calidad del servicio en algunos lugares.

04 Total 1.10 4 o más 0. las probabilidades de números específicos de vehículos se muestran a continuación.70 3 0. Número de automóviles por Probabilidad unidad familiar 0 0. Vilchez . Las probabilidades deben sumar 1.Ejemplo de probabilidad discreta Una distribución discreta es una lista de los diferentes valores numéricos de la variable de interés y sus probabilidades asociadas. Para el ejemplo de los automóviles.03 1 0.13 2 0.00 10/11/2017 J.

Una variable aleatoria X sigue una distribución de Bernoulli si P(X = 0) = p y P(X = 1) = 1 – p Término Descripción P la probabilidad del resultado sea un éxito Valores Parámetro E P F 1–p Total 1  = E(X) = p 2 = V[X] = p(1 – p) = p. La distribución de Bernoulli es el componente básico de muchas distribuciones. en el área de la calidad. tales como la distribución binomial. Por ejemplo. Vilchez . DISTRIBUCIÓN DE BENOULLÍ La distribución de Bernoulli se utiliza cuando un proceso aleatorio tenga exactamente dos resultados: evento o no evento.q 10/11/2017 J. geométrica y binomial negativa.1. un producto se puede clasificar como bueno o malo.

 La probabilidad de un evento es igual para cada ensayo. Vilchez . Cada ensayo tiene dos resultados posibles.  Cada ensayo es independiente. El número de eventos (E) en n ensayos sigue una distribución binomial si se cumplen las siguientes condiciones:  El número de ensayos es fijo. Una de las propiedades de la distribución binomial es que cuando n es grande y p está cerca de 0. DISTRIBUCIÓN BINOMIAL Una distribución binomial modela el número de eventos en un número fijo de ensayos. 10/11/2017 J.5.  Cada ensayo tiene uno de dos resultados: evento o no evento. la distribución binomial puede ser aproximada por la distribución normal estándar. y evento es el resultado de interés en un ensayo.2.

(n  k )! Siendo: (k = 0. 1. n) p = probabilidad de éxito de una sola prueba q = 1 – p. 2. p k . Vilchez .q 10/11/2017 J.p.(1 – p) = n.Cálculo en una Distribución Binomial  n  n n! f (k )  P( X  k )   . ….  = E[X] = n.(1  p) nk    k   k  k!. n = número de pruebas k = número de éxito en n pruebas.p.p 2 = V[X] = n.

La distribución hipergeométrica es descrita por 3 parámetros: tamaño de la población. Las muestras no tienen reemplazo.02 * 500). conteo de eventos en la población y tamaño de la muestra Por ejemplo. 10/11/2017 J. 3. Cada elemento de la muestra tiene dos resultados posibles (o es un evento o un no evento). suponiendo que aún no ha sido seleccionado. El conteo de eventos en la población es de 10: (0. Cuando se elige un elemento de la población. Se toma una muestra de 40 etiquetas y desea determinar la probabilidad de que haya 3 o más etiquetas defectuosas en esa muestra. sin reemplazo. Se utiliza para muestras obtenidas de poblaciones relativamente pequeñas. por lo que cada elemento de la muestra es diferente. DISTRIBUCIÓN HIPERGEOMÉTRICA Modela el número de eventos en una muestra de tamaño fijo cuando se conoce el número total de elementos en la población de la cual proviene la muestra. esta distribución se utiliza en la prueba exacta de Fisher para probar la diferencia entre dos proporciones y en muestreos de aceptación por atributos cuando se toman muestras de un lote aislado de tamaño finito. no se puede volver a elegir. Supongamos que el 2% de las etiquetas tiene defectos. Por ejemplo. Por lo tanto. Vilchez . la probabilidad de que un elemento en particular sea seleccionado aumenta con cada ensayo. si se recibe un envío de pedido especial de 500 etiquetas.

Haga clic en Aceptar. ingrese 5. En Tamaño de la muestra (n). y cinco de ellos tienen motores turbo (x = 5). Elija Constante de entrada e ingrese 2. Vilchez . ingrese 3. En Conteo de eventos en la población (M). La probabilidad de que seleccione dos automóviles con motores turbo cuando pruebe tres de los diez vehículos que le interesan es 41.Ejemplo del cálculo de probabilidades hipergeométricas Supongamos que hay diez automóviles que le gustaría someter a una prueba de conducción (N = 10). Si prueba tres de los vehículos (n = 3). ¿cuál es la probabilidad de que dos de los tres que probará tengan motores turbo? Elija Calc > Distribuciones de probabilidad > Hipergeométrica. 10/11/2017 J. En Tamaño de la población (N). ingrese 10.67%. Elija Probabilidad.

p   E[ X ]   2  Var[ X ]  p( N  p). n = Número de elementos extraídos o muestra. k = Número de resultados de éxito en los n elementos. Distribución de probabilidad discreta Cálculo en una Distribución Hipergeométrica  p  N  p  .n. p = Número de éxitos en los N elementos. p)  N   n Donde: N = Número total de elementos o población. n. n.   k  nk  H (k .( N  n) N N 2 ( N  1) 10/11/2017 J. N . Vilchez .

De forma similar. Por ejemplo. si se trata de productos construidos en una línea de ensamblaje. DISTRIBUCIÓN GEOMÉTRICA Surge a partir de un experimento que solo tiene dos resultados posibles. k 1 P( X  k )  p.q p p 1 2q 1 1 q   E( X )     V (X )  2   2  2 2 (1  q) 2 p 2 p p p p p 10/11/2017 J. Además. puede modelar el número de no eventos que ocurren antes de que se observe el primer resultado. Vilchez . Distribución de probabilidad discreta 4. una distribución geométrica puede modelar el número de veces que se debe lanzar al aire una moneda para obtener el primer resultado de "cara". puede modelar el número de unidades producidas antes de que se produzca la primera unidad defectuosa. esta distribución discreta puede modelar el número de ensayos consecutivos que son necesarios para observar el resultado de interés por primera vez.

una distribución binomial negativa puede modelar el número de veces en que se lanza al aire una moneda para obtener cinco cruces. De igual modo. 10/11/2017 J. DISTRIBUCIÓN BINOMIAL NEGATIVA Se obtiene de un experimento con solo dos resultados. en el caso de productos que se construyen en una línea de ensamblaje. Distribución de probabilidad discreta 5. También puede modelar el número de no eventos que deben ocurrir para que se observe el número especificado de resultados. puede modelar el número necesario de unidades ensambladas para que se produzcan 100 unidades defectuosas. esta distribución discreta puede modelar el número de ensayos necesarios para producir un número especificado de cierto resultado. Vilchez . Por ejemplo.

Vilchez . Propiedades del modelo Binomial negativo Esperanza: E(X) = r.q/p Varianza: V(X) = r.Este modelo queda definido por dos parámetros p (la probabilidad de A: p = P(A)) y r (el número de veces que debe producirse A para que detengamos la experiencia).q/p2 10/11/2017 J. La función de densidad viene dada por: donde q representa el complementario de p: q = 1 − p.

sin límite superior). DISTRIBUCIÓN POISSON La distribución de Poisson es definida por un parámetro: lambda (λ). Se utiliza para describir el número de veces que un evento ocurre en un espacio finito de observación. Vilchez . Por ejemplo. Distribución de probabilidad discreta 6.  La tasa promedio no cambia durante el período de interés. La distribución de Poisson se utiliza con frecuencia en el control de calidad. la distribución de Poisson se acerca a una distribución normal. los estudios de fiabilidad/supervivencia y los seguros. una distribución de Poisson puede describir el número de defectos en el sistema mecánico de un avión o el número de llamadas a un centro de llamadas. 10/11/2017 J. A medida que lambda aumenta.  Todos los eventos son independientes. Este parámetro es igual a la media y la varianza. Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:  Los datos son conteos de eventos (enteros no negativos.

La distribución de Poisson no establece un límite superior a este conteo: una central telefónica podría recibir un número infinito de llamadas en un día y no violar los requisitos de la distribución de Poisson. Vilchez . En cambio. 10/11/2017 J. Usted no puede comparar directamente estos valores. Debe calcular la tasa de ocurrencia para comparar estos conteos. Diferencias entre la distribución de Poisson y la distribución binomial La distribución de Poisson es similar a la distribución binomial porque ambas modelan conteos de eventos. Es útil para comparar conteos de Poisson recolectados en diferentes espacios de observación. porque sus espacios de observación son diferentes. la central telefónica A recibe 50 llamadas telefónicas en 5 horas y la central telefónica B recibe 80 llamadas en 10 horas. Por ejemplo. La tasa de la central telefónica B es (80 llamadas / 10 horas) = 8 llamadas/hora. La tasa de la central telefónica A es (50 llamadas / 5 horas) = 10 llamadas/hora. Distribución de probabilidad discreta ¿Qué es la tasa de ocurrencia? La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de observación. la distribución binomial establece un límite superior en el conteo: el número de eventos no puede exceder el número de ensayos que realiza.

x k P(k . Distribución de probabilidad discreta Cálculo en una Distribución de Poisson e  x . Vilchez . x)  k!  = E[X] = λ 2 =Var[X] = λ. 10/11/2017 J.

La probabilidad al lanzar un dado justo es igual para cada número. Vilchez . pero es importante como una distribución de referencia. Por ejemplo. Una de las aplicaciones más importantes es generar valores enteros aleatorios que se ubiquen entre dos valores específicos 10/11/2017 J. Cada valor entero en el rango tiene la misma probabilidad. La distribución de enteros no suele ocurrir en la naturaleza. La distribución de enteros es una distribución uniforme discreta que oscila entre los valores enteros mínimo y máximo especificados. Distribución de probabilidad discreta 7. DISTRIBUCIÓN ENTERA La distribución de enteros se utiliza para modelar enteros igualmente probables. la probabilidad de obtener cualquiera de los seis resultados posibles es la misma: 1/6. si se lanza un dado justo.

10/11/2017 J. Vilchez .