Sem1 Variables Aleatorias PDF

Estadística para la Administración
Profesor Juan Narro
© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Variables Aleatorias y
distribución de
Todos los derechos reservados

probabilidad
“La probabilidad de que los semáforos nos den luz

roja es directamente proporcional al apuro que
llevamos”
1
Profesor Juan Narro
“El 20 por ciento de las personas muere a

causa del tabaco. Por lo tanto, el 80 por ciento
de las personas muere por no fumar. Así que
queda demostrado que no fumar es peor que

fumar”

Sumario
1. Variables Aleatorias
2. Distribuciones de Probabilidad
3. Valor Esperado, varianza y
desviación estándar
4. Distribución de probabilidad
Binomial
Poisson
Normal
2
Profesor Juan Narro
Variable Aleatoria
• Cantidad que es el resultado de un
experimento aleatorio que, debido al azar,
puede adoptar diversos valores.
• Variable Aleatoria Discreta

Sólo puede asumir ciertos valores claramente
separados y que es resultado de contar algún
elemento de interés.
• Variable Aleatoria Continua

Puede asumir uno de una cantidad infinita de
valores, dentro de ciertos límites.
Variable Aleatoria
• Experimento:
– Lanzar una moneda tres veces al aire.
• Evento
– Obtener SELLOS en los tres lanzamientos.

• Resultados Posibles (Variable Aleatoria)
– 0 Sellos
– 1 Sello
– 2 Sellos
– 3 Sellos
3
Profesor Juan Narro
C
CCC (0) 0.53=0.125
C
S CCS (1) 0.53=0.125
C CSC (1) 0.53=0.125
C S
S CSS (2) 0.53=0.125

Número de Sellos C SCC (1) 0.53=0.125
C
S
S SCS (2) 0.53=0.125
C SSC (2) 0.53=0.125

S
3
S SSS (3) 0.5 =0.125
Variable Aleatoria
Experimento: Lanzar 3 monedas
Evento: Número de Sellos
N° Sellos Resultado Probabilidad Probabilidad
0 CCC 0.5 x 0.5 x 0.5 0.125
1 CCS 0.5 x 0.5 x 0.5 0.125
1 CSC 0.5 x 0.5 x 0.5 0.125

1 SCC 0.5 x 0.5 x 0.5 0.125
2 CSS 0.5 x 0.5 x 0.5 0.125
2 SCS 0.5 x 0.5 x 0.5 0.125
2 SSC 0.5 x 0.5 x 0.5 0.125
3 SSS 0.5 x 0.5 x 0.5 0.125
1.00
4
Profesor Juan Narro
N° Sellos Probabilidad
0 0.125
1 0.375
2 0.375
3 0.125
VARIABLE
PROBABILIDAD
ALEATORIA
• Variable Aleatoria: Variable “X = Número de sellos”

• Valores de la Variable X x (0, 1, 2, 3).
• P(X=x) o f(x)  Probabilidad de que la V.A. “X” tome el valor
x
P(X=0) = 0.125 f(0) = 0.125

P(X=1) = 0.375 f(1) = 0.375
P(X=2) = 0.375 f(2) = 0.375
P(X=3) = 0.125 f(3) = 0.125
Variable Aleatoria
• Resultado de un experimento que toma diferentes

valores.
– Números que resultan de lanzar un dado.

(1,2,3,4,5,6)
– Cantidad de caras o sellos al lanzar una
moneda.
• Puede ser discreta o continua.
5
Profesor Juan Narro
Variable Aleatoria
• Variable aleatoria discreta

– Usualmente un número entero (0, 1, 2, 3 etc.)
– Obtenida por conteo.

• Variable aleatoria continua
– Puede asumir cualquier valor dentro de un
rango dado.

– Obtenida por mediciones.
Función de probabilidad
• Un modelo matemático es una expresión

matemática que representa algún
fenómeno fundamental.
• Para variables aleatorias discretas, esta
expresión se llama función de distribución

de probabilidad.
• Para variables aleatorias continuas se
conoce como función de densidad de
probabilidad.
6
Profesor Juan Narro
Distribución de Frecuencias Vs.

Distribución de Probabilidades
 Distribución de Frecuencias
Listado de todos los resultados observados de un

experimento.
 Distribución de Probabilidades
Listado de las probabilidades de todos los
posibles resultados que pudieran ocurrir de un

experimento.
Distribución de probabilidades
• Listado de todos los resultados posibles de un

experimento junto con la probabilidad asociada
de cada uno.
• Características:
– La probabilidad de un resultado especifico
debe estar entre 0 y 1.
– La suma de probabilidades de todos los
resultados mutuamente excluyentes y

colectivamente exhaustivos es 1.
7
Profesor Juan Narro
Experimento: Lanzar 1 moneda 3 veces

• 0  P(Xi)  1
•  P(Xi) = 1

P(X=0) = 0.125
P(X=1) = 0.375
P(X=2) = 0.375

P(X=3) = 0.125
1.000
Experimento: Lanzar 1 moneda 3 veces

Distribución de Probabilidades
0.4
0 0.125 0.35
0.3
Probabilidad
1 0.375 0.25
2 0.375 0.2
0.15
3 0.125 0.1
0.05
1.0
0
0 1 2 3
Número de Sellos
8
Profesor Juan Narro
Función de Distribución
Acumulativa
• Para una variable aleatoria X, el valor de la Función de
Distribución Acumulativa F(x), es la probabilidad de que X tome
los valores menores o iguales a x.
F ( x)  P( X  x)

F (3)  P( X  3)  f (0)  f (1)  f (2)  f (3)
1
0.9
X=x F(x) 0.8
0.7
0 0.125 0.6
0.5

1 0.5 0.4
0.3
2 0.875 0.2
0.1
3 1 0
0 1 2 3
Esperanza matemática o
Valor esperado
• El valor esperado de un experimento aleatorio
discreto se puede considerar como el promedio de
todos sus valores posibles.
• Se obtiene de la sumatoria de la multiplicación de la
probabilidad de ocurrencia de un evento por el pago

(ganancia o pérdida) si este ocurriera.
  E x    xi .Pxi ;
N
μ = E ( X ) =  x * f ( x)
i 1
  ( xi   ) .Pxi 
N

2 2
i 1
9
Profesor Juan Narro
Valor esperado de una

Distribución de Probabilidad
0 0.125
1 0.375
2 0.375

3 0.125
1.0
P(X=0) = 0.125  0 x 0.125 = 0 Sellos
P(X=1) = 0.375  1 x 0.375 = 0.375
P(X=2) = 0.375  2 x 0.375 = 0.750

P(X=3) = 0.125  3 x 0.125 = 0.375
Suma: 1.5 Sellos
Varianza de una
• Se denota VAR(X) o σ2.

• Es el valor esperado (promedio) de las
desviaciones cuadráticas de cada valor x de
la Variable Aleatoria X.
 2  VAR ( X )  E ( X   ) 2   ( x   ) 2 * f ( x)
 2  VAR ( X )  E ( X 2 )  E ( X )2
 2  x 2 P( x)   2
10
Profesor Juan Narro
Desviación Estándar de una

• Raíz Cuadrada de la Varianza.
   2  VAR ( X )  (x  ) 2
* f ( x)

   2  VAR ( X )  E ( X 2 )  E ( X )2

  x 2 P( x)   2
• Una tienda de autos ha establecido la siguiente

distribución de probabilidades de los autos que espera
vender un día sábado en particular:
Número de autos vendidos Probabilidades
0 0.10
1 0.20
2 0.30
3 0.30
4 0.10
• En un día sábado, ¿cuántos autos se debe esperar

vender?
• ¿Cuál es la varianza de la distribución?
11
Profesor Juan Narro
Autos
P(x) x*P(x)
P(x)
Vendidos 0.35
0 0.1 0 0.3
1 0.2 0.2 0.25
2 0.3 0.6
3 0.3 0.9 0.2
4 0.1 0.4 0.15 P(x)
E (x) 2.1
0.1

0.05
0
0 1 2 3 4
  VAR ( X )  E ( X )  E ( X )2
Autos
x2 P(x) x2*P(x) 2 2
Vendidos
0 0 0.1 0
1
2
1
4
0.2
0.3
0.2
1.2
 2  x 2 P( x)   2

3 9 0.3 2.7
µ2 4.41
4 16 0.1 1.6
5.7
VAR (x) 1.29
Uso del valor esperado y las pérdidas monetarias.
Un mayorista de frutas compra cada caja de fresas a 20 u.m.
y las vende a 50 u.m.. No puede especificar el número de
cajas 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
12
Profesor Juan Narro
Tipo de perdidas
(A) Pérdidas por mermas (obsolescencia):
oferta > demanda (costo contable)
(B) Pérdidas de oportunidad:
oferta < demanda (costo económico)

Posibles Nº Alternativas de oferta
de cajas
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 cajas, la pérdida esperada será:
Posibles Nº Probabilidad
de cajitas Pérdida que se reciban Pérdida
pedidas/día Condicional estos pedidos esperada
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
13
Profesor Juan Narro
Distribución Binomial
• La totalidad del experimento está compuesto por

una secuencia de intentos o ensayos idénticos.
• El resultado se clasifica en una de dos

categorías: éxito o fracaso
• Los datos recolectados son producto de un
conteo.
• La probabilidad de éxito (p) o fracaso (q)

permanece constante para cada prueba.
• Las pruebas son independientes.
n!
P(r )  p r q nr
r!(n  r )!
• n es el número de ensayos
• r es el numero de éxitos observados/deseados

• p es la probabilidad de éxito en c/e.
• q es la probabilidad de fracaso, 1-p
  np
 2  np(1  p)
14
Profesor Juan Narro
Una compañía que vende por

teléfono, ha vendido 20
artículos en las últimas 100
llamadas. Si durante un turno

se llaman a 12 clientes, ¿cuál
es la probabilidad de:
A. No hacer ninguna venta?
B. Hacer exactamente 2 ventas?

C. Hacer como máximo 2 ventas?
D. Hacer al menos 2 ventas?
n!
P(r )  p r q nr
r!(n  r )!
• n es 12
• r es x=0, x=2, x≤2, x≥2
• p es 0.20 (20/100)
• q es 0.80
Usando EXCEL función “Distribución Binomial”
P(x=0) = 0.069
P(x=2) = 0.283
P (x≤2) = P(x=0)+P(x=1)+P(x=2)= 0.558

P (x≥2) = P(x=2) + P(x=3) + …..+P(x=12)= 0.725
15
Profesor Juan Narro
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?

n!
Datos: P(X = x) = p xq n-x
n=4 x! (n - x)!
x=2
p = 0,20
q = 0,80
P(X = 2) =
4!
0.22 0.802
2! (4 - 2)!
 0,1536
Usando EXCEL función “Distribución Binomial”

P(x=2) = 0.1536
16
Profesor Juan Narro
Distribución de Poisson
• Se cumplen las características de una distribución Binomial
• La probabilidad de éxito es muy pequeña (p).
• “n” es muy grande.
• Existe un régimen que caracteriza el proceso (número de ocurrencias
por intervalo de tiempo o espacio).

• Se usa para describir las distribuciones de probabilidad de:
– Número de llegadas de clientes.
– Número de llamadas telefónicas en una central.
– Número de accidentes.

– Número de llegadas de vehículos.
– Número de defectos observados en longitudes, superficies, u
objetos.
 xe 
P( x) 
x!
• µ es la media del número de éxitos en un
periodo (λ)
• “e” es la constante Neper (2.71828)
• “x” es el número de éxitos.
  np
 2    np
17
Profesor Juan Narro
Si en promedio llegan 3
clientes por minuto al
banco durante la hora del

almuerzo, cual es la
probabilidad de que en un
minuto dado, lleguen
exactamente dos clientes,
lleguen menos de dos

clientes, y lleguen más de
dos clientes?
 xe 
P( x) 
x!
• µ es 3 clientes por minuto
• x=2, x<2, x >2.

Usando EXCEL función “Poisson”
P(x=2) = 0.22404181
P(x<2) = P(x=0)+P(x=1)= 0.19914827
P (x>2) = 1- (P(x=0)+P(x=1)+P(x=2))= 1- 0.42319008

= 0.57680992
18
Profesor Juan Narro
Los clientes llegan a la

ventanilla a un régimen de

72 por hora. ¿Cuál es la
probabilidad de que 4
clientes lleguen en un
lapso de 3 minutos?

 xe 
P( x) 
x!
• µ es 72 clientes por hora

• x=4, en tres minutos.
• µ = (72 / 60) * 3 = 3.6

• x=4,

P(x=4) = 0.19122234
19
Profesor Juan Narro
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”?
Datos:

p = 0,03
32  (2,71828) 3
n = 100 P(X = 2) =
2!
 =3 = 0,2240

P(x=2) = 0.22404181
Distribución Normal
• Es simétrica respecto a la media.
• Su grafica tiene forma de campana
• El valor de la media, mediana y moda es el mismo.
• Es asintótica (no corta el eje X)
• Existe una familia de distribuciones.
X
μ
Media
Mediana
Moda
20
Profesor Juan Narro
Familia de Distribuciones
Igual µ, Diferente 
=1

=5
= 10

X
 = 50
Diferente µ, Igual 
=5 =5 =5

 = 15  =25  = 40 X
21
Profesor Juan Narro
Diferente µ, Diferente 
=1
= 3

 = 10

 = 15  =25  = 40 X
Distribución Normal de
Probabilidad
0.0214 0.1359 0.3413 0.3413 0.1359 0.0214
Media
0.683
0.955
0.997
22
Profesor Juan Narro
2.25%
15.85%
15.85%
2
1
1
95.5%
68.3%
68.3%
1
1
2
15.85%
15.85%
2.25%
X
X
X
© Pontificia Universidad Católica del Perú - CENTRUM, 2013 © Pontificia Universidad Católica del Perú - CENTRUM, 2013
Todos los derechos reservados Todos los derechos reservados
23
Profesor Juan Narro
15.85% 15.85%
68.3%
X
1 1
2.25%

2.25%
95.5%
X
2 2

0.15% 99.7% 0.15%
X
3 3
Distribución Normal Estándar

• Caso especial de la distribución normal.
• Media es igual a cero
• Desviación estándar es igual a 1.
• Área bajo la curva igual a 1

• Cualquier distribución normal puede
estandarizarse mediante el # z.
• Indica la desviación en términos de z.
24
Profesor Juan Narro
 0
 1

-3 -2 -1 0 +1 +2 +3
Distribución Normal & Distribución Normal Estándar
  100
  20
40 60 80 100 120 140 160 X

-3 -2 -1 0 +1 +2 +3 Z
25
Profesor Juan Narro
Valor Estándar (Valor Z)
• Los valores de una Variable X distribuida

normalmente se transforman a valores z de
una Distribución Normal Estándar.

• La Distribución Normal se “estandariza”
resultando en una Distribución Normal
Estándar.
x
z



Estandarizar la Distribución Normal
Distribución Normal Distribución Normal Estándar

z = 1


x
z =0
z
• x - valor de una variable aleatoria.

• µ- media de la distribución de la variable
x  aleatoria.
z 
• - desviación estándar de la distribución.

 • z - número de desviaciones estándar
desde x a la media de la distribución.
26
Profesor Juan Narro
Estandarizar la Distribución Normal

50
25
       x 

25 0 25 50 75 100 125

        z= x
-3 -2 -1 0 1 2 3 
 = 5 Encontrar:
P(10 < x < 14.2)
= 10 14.2
X
x  14.2-10
z    0.84
 5
Usando Excel función Dist. Normal

Z
0 0.84
0.2995
27
Profesor Juan Narro

Cálculo de Probabilidad
10 P(5 < x < 15)
 5

5 10 15 X x  15-10
z   1
 5
.6827 x  5-10
z    -1
 5

1 0 1 Z

10
 5 Cálculo de Probabilidad
P(x > 18.2)
 = 10
18.2 X
x  18.2-10
0.0505 z   1.64
 5
0 1.64 Z
28
Profesor Juan Narro

Cálculo de valor x
Para una cola de 10%
10 ¿Cuál será el valor de x?
 5 10%
Excel : Desv. Normal Inversa

 = 10 ? X
x=16.4
Para una cola de 10%

¿Cuál el valor8 de
x será 5z?
10%  : Desv. Estándar Inversa
z Excel 0.30

0
z=1.28
? Z
Una empresa aplica un programa de entrenamiento

diseñado para mejorar la calidad de las habilidades de
supervisión de los supervisores de línea de producción.
Debido a que el programa es autoadministrado, los
supervisores requieren un número diferente de horas

para terminarlo.
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 distribución estándar de 100 horas.
29
Profesor Juan Narro
¿Cuál es la probabilidad de que un participante

elegido al azar requiera más de 500 horas para
completar el programa?
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.
¿Cuál es la probabilidad de que un supervisor elegido
al azar se tome entre 500 y 650 horas para completar
el programa de entrenamiento.
La gráfica se muestra la
respuesta como zona

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
P(500 X 650)= ? tenemos un valor para Z
30
Profesor Juan Narro
x
Z

650  500
Z  1.5

100
Si buscamos Z = 1.5 en la tabla o empleamos el Excel,
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.
¿Cuál es la probabilidad de que un supervisor
elegido al azar se tome más de 700 horas en
completar el programa?
Estamos interesados en el área a la derecha de 700.
Estandarizamos
x
Z

700  500
Z 2
100 P(X >700)= ?
31
Profesor Juan Narro
Si Z = 2.0  Área: 0.4772 (Tabla o Excel)
Por lo que la probabilidad que el tiempo sea mayor a

700 horas, será
0,5 - 0,4772 = 0,0228
Luego hay un poco más de 2 oportunidades en 100

de que a un participante elegido al azar le lleve más

de 700 horas en completar el curso.
Supongamos 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.
Primero calculamos el valor de Z para 650
x
Z P(550 X 650)

650  500
Z  1.5
100
A este valor le corresponde un área de 0,4332
32
Profesor Juan Narro
Después calculamos un valor de Z para 550
x 550  500

Z Z  0.5
 100

Correspondiéndole un área de 0,1915
Ahora debemos estar restar las áreas:
Probabilidad de que la variable aleatoria esté entre
0.4332
la media y 650 horas
Probabilidad de que la variable aleatoria esté entre 0.1915

la media y 550 horas
Probabilidad de que la variable aleatoria esté 550 y 0.2417
650 horas
Distribución Normal como una

aproximación de la Distribución
Binomial
• A pesar de ser continua, la Distribución Normal es

algunas veces una buena aproximación de la
distribución binomial cuando np y nq son mayores o
iguales a 5.
• Los valores discretos de la distribución binomial se
representan como rectángulos inscritos en la
distribución normal con un ancho de 1 y centrados
en el valor discreto.
  np
  npq
33
Profesor Juan Narro
Asuma que el 50% de los alumnos de una Universidad

fuman al menos media cajetilla de cigarrillos por día.
¿Cuál es la probabilidad que una muestra de 10

alumnos, extraída al azar, contendrá 3 o más alumnos
que fumen al menos media cajetilla de cigarros por
día?

n p  5 y n q  5
P(r  3)
p  0 .5 np  10 * 0.5  5
q  0 .5 nq  10 * 0.5  5
  np  5
n  10
r  3   npq  1.5811
0.9453125 0.94308129
0 1 2 3 4 5 6 7 8 9 10
P( X  2.5)
34

Sem1 Variables Aleatorias PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sem1 Variables Aleatorias PDF

Transféré par

Droits d'auteur :

Formats disponibles

Estadística para la Administración

Profesor Juan Narro

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

“La probabilidad de que los semáforos nos den luz

“El 20 por ciento de las personas muere a

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

– Obtener SELLOS en los tres lanzamientos.

S CSS (2) 0.53=0.125

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

1 CSC 0.5 x 0.5 x 0.5 0.125

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• Resultado de un experimento que toma diferentes

– Números que resultan de lanzar un dado.

• Variable aleatoria discreta

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• Un modelo matemático es una expresión

expresión se llama función de distribución

Distribución de Frecuencias Vs.

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• Listado de todos los resultados posibles de un

resultados mutuamente excluyentes y

Experimento: Lanzar 1 moneda 3 veces

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

Experimento: Lanzar 1 moneda 3 veces

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

probabilidad de ocurrencia de un evento por el pago

Valor esperado de una

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• Se denota VAR(X) o σ2.

Desviación Estándar de una

• Raíz Cuadrada de la Varianza.

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• Una tienda de autos ha establecido la siguiente

• En un día sábado, ¿cuántos autos se debe esperar

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

Ventas Nº de días Probabilidad de venta

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

Pérdida esperada: 52.50

Solución óptima: analizar otros tamaños de stocks y decidir por

• La totalidad del experimento está compuesto por

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

• r es el numero de éxitos observados/deseados

Una compañía que vende por

© Pontificia Universidad Católica del Perú - CENTRUM, 2013

Todos los derechos reservados

P (x≤2) = P(x=0)+P(x=1)+P(x=2)= 0.558

Una muestra de 4 frascos se selecciona sin

© Pontificia Universidad Católica del Perú - CENTRUM, 2013