Estadstica

Captulo 5
Distribuciones Tericas de
Probabilidad. (Variables Discretas)
Chap 5-1

Objetivos de aprendizaje
En este captulo aprender;
Las propiedades de las distribuciones de
probabilidad
Calcular el valor esperado ,y, varianza de una
distribucin de probabilidad
Calcular la covarianza, y ,su aplicacin en finanzas
Calcular probabilidades de la binomial,
hipergeomtrica y Poisson
Como usar la binomial, hipergeomtrica y, Poisson
para resolver problemas de negocios
Chap 5-2

Introduccin a las Distribuciones deto

Probabilidad
Variable Aleatoria

Representa a un posible valor numrico

para un evento posible
Variables
Aleatorias
C05

Discretas
Variable
Aleatoria

Continua
Variable
Aleatoria

C06

Chap 5-3

Variables Aleatorias Discretas

Puede asumir solo valores numricos que proceden de
un conteo
Ejemplos:
Arrojar un dado dos veces
Sea X el numero de veces que aparece el 4
(X puede tomar valores 0, 1, 2)

Arrojar 5 veces una moneda.

Sea X el numero de caras
(luego X = 0, 1, 2, 3, 4, o 5)
Chap 5-4

Probabilidad de Distribuciones
Discretas
Experimento: Arrojar 2 Monedas. Sea X = n de caras.
4 posibles resultados

T
H
H

T
H

X Valor

1/4 = 0.25

2/4 = 0.50

1/4 = 0.25

T
H

Probabilidad

Probabiidad

Distribucin de Probabilidad

0.50
0.25

X
Chap 5-5

Variables Aleatorias Discretas

(Medidas de Resumen)
Valor Esperado (o media) de una distribucin discreta
(tambin llamado promedio ponderado)
N

E(X) Xi P( Xi )
i1

Ejemplo: Arrojo 2 monedas,

X = n de caras,
calcular el valor esperado de X:

P(X)

0.25

0.50

0.25

E(X) = (0 x 0.25) + (1 x 0.50) + (2 x 0.25) = 1.0

Chap 5-6

Variables Aleatorias Discretas

(Medidas de Resumen)
(continua)

Varianza de una variable aleatoria discreta

N

2 [Xi E(X)]2 P(Xi )

i1

Desvo estndar de una variable aleatoria discreta

2
[X

E(X)]
P(Xi )
i
i1

donde:
E(X) = Valor esperado de una variable aleatoria discreta X
Xi = el iesimo resultado de X
P(Xi) = Probabilidad de la iesimo ocurrencia de X
Chap 5-7

Variable aleatoria discreta Medidas

resumen
(continua)

Ejemplo: Se arrojan 2 monedas, X = # de

caras, calcular la desviacin estndar (E(X) = 1)

2
[X

E(X)]
P(Xi )
i

(0 1)2 (0.25) (1 1)2 (0.50) (2 1)2 (0.25) 0.50 0.707

Numero posible de caras = 0, 1, o 2

Chap 5-8

La covarianza
La covarianza mide la intensidad de la relacin
entre dos variables
La covarianza:
N

XY [ Xi E( X)][( Yi E( Y )] P( Xi Yi )
i1

donde: X = variable discreta X

Xi = el iesimo resultado de X
Y = variable discreta Y
Yi =el iesimo resultado de Y
P(XiYi) = probabilidad de ocurrencia del iesimo resultado de X y el
iesimo resultado de Y
Chap 5-9

Calculo de la media y del

retorno de la inversin
Retorno por $1,000 para dos tipos de inversin
P(XiYi) Condicin econmica
0.2
0.5
0.3

Recesin
Economa estable
Economa Expansiva

Inversin
Fondo Pasivo X

Fondo Agresivo Y

- $ 25
+$ 50
+$ 100

- $ 200
+$ 60
+$ 350

E(X) = X = (-25)(0.2) +(50)(0.5) + (100)(0.3) = 50

E(Y) = Y = (-200)(0.2) +(60)(0.5) + (350)(0.3) = 95
Chap 5-10

(YX1

-4
)9
(3
..7922)(5
2
5

0
)6922(0
0

.5)(1
)3922(0
0

5
.3

Calcular el desvo estndar para el

retorno de inversin
P(XiYi) Condicin econmica
0.2
0.5
0.3

Recesin
Economa estable
Economa Expansiva

Inversin

Fondo Pasivo X

Fondo Agresivo Y

- $ 25
+$ 50
+$ 100

- $ 200
+$ 60
+$ 350

Chap 5-11

(
-8
2
)1(-2
5

0
)3(0
0

9
5
.2
(3

5
0

)
(
6
0

9
5
)
(
0
.
X
Y
)
Calculo la covarianza para
retorno de inversin

P(XiYi) Condicin econmica

0.2
0.5
0.3

Recesin
Economa estable
Economa Expansiva

Inversin

Fondo Pasivo X

Fondo Agresivo Y

- $ 25
+$ 50
+$ 100

- $ 200
+$ 60
+$ 350

Chap 5-12

Interpretando los resultados del

retorno de una inversin
El fondo agresivo tiene un retorno esperado mas
alto, pero mucho mayor riesgo
Y = 95 > X = 50
pero
Y = 193.71 > X = 43.30
La covarianza de 8250, indica que las dos
inversiones estn positivamente relacionados y
varan en la misma direccin
Chap 5-13

La suma de dos variables

aleatorias
El valor esperado de la suma de dos variables
aleatorias: E(X Y) E( X) E( Y )
Varianza de la suma de dos variables aleatorias
2
2
2
Var(X

Y)

2 XY
Y la suma
X
Y
Desviacin estndar Xde
de dos
variables aleatorias:

X Y

2
X Y
Chap 5-14

Retorno esperado del Portfolio y

Riesgo del Portfolio
El retorno esperado del Portfolio (retorno
promedio ponderado):

E(P) w E( X) (1 w ) E( Y )
Riesgo del Portfolio (variabilidad ponderada)

P w 2 2X (1 w )2 2Y 2w(1 - w) XY
donde

w = porcentaje del activo X en el portfolio

(1 - w) = porcentaje del activo Y en el portfolio
Chap 5-15

Portfolio Ejemplo
Inversin X:
Inversin Y:
XY = 8250

X = 50 X = 43.30
Y = 95 Y = 193.21

Supongamos 40% del portfolio est en la Inversin X y

60% en la Invesin Y:
E(P) 0.4 (50) (0.6) (95) 77

P (0.4)2 (43.30)2 (0.6)2 (193.71) 2 2(0.4)(0.6)(8250)

133.30
El retorno del portfolio y la variabilidad del portfolio entre los valores
para las inversiones en X e Y
Chap 5-16

Distribuciones de Probabilidad
Distribuciones de
Probabilidad

C5

Distribuciones de
Probabilidad

Discretas

Binomial

Distribuciones de
Probabilidad
Continuas

C6

Normal

Poison

Uniforme

Hipergeomtrica

Exponencial
Chap 5-17

La Distribucin Binomial
Distribuciones de

Probabilidad
Distribuciones
de Probabilidad
Discretas

Binomial
Poisson
Hipergeomtrica
Chap 5-18

Distribucin de Probabilidad Binomial

Un numero finito de observaciones, n
p.ej.,15 lanzamientos de una moneda; 10 tubos de luz tomados
de un deposito

Dos eventos mutuamente excluyentes y con categoras

exhaustivas
p.ej., cara o cruz en cada tirada de una moneda; defectuoso o
no defectuoso tubos de luz
Generalmente llamados xitos y fracaso
Probabilidad de xito es p, probabilidad de fracaso es 1 p

Probabilidad constante para todas las observaciones

p.e., Probabilidad de obtener una cara en cada lanzamiento de
una moneda
Chap 5-19

Distribucin de Probabilidad Binomial

(continua)

Las observaciones son independientes

El resultado de cada observacin no afecta, al
resultado de otro

Dos mtodos de muestreo

Poblacin Infinita sin reemplazo
Poblacin finita con reemplazo

Chap 5-20

Algunos ejemplos de la
distribucin Binomial
Una fbrica que produce tems aceptables
o defectuosos.
Una firma de acuerdo a que firme contrato
o no.
Una firma de investigacin en marketing
de encuestas, cuyas respuestas son: Si,
yo voy a comprar o, No , no voy a
comprar.
Nuevos procesos de trabajo en las que
acepto o rechazo los mismos.
Chap 5-21

La Regla de Combinaciones
El numero de combinaciones de elegir X objetos
de n objetos es:

n!
n Cx
X!(n X)!
donde:

n! =(n)(n - 1)(n - 2) . . . (2)(1)

X! = (X)(X - 1)(X - 2) . . . (2)(1)
0! = 1

(por definicin)

Chap 5-22

Formula de la Distribucin Binomial

n!
X
nX
P(X)
p (1-p)
X ! (n X)!
P(X) = probabilidad de X xitos en n pruebas con
probabilidad de exito p, constante para cada prueba
X = numero de sucesos en la muestra,
(X = 0, 1, 2, ..., n)
n = tamao de la muestra (numero de
observaciones de las pruebas)
p = probabilidad de suceso o xito

Ejemplo: Arrojo una

moneda cuatro veces y
obtengo x = # caras:
n=4
p = 0.5
1 - p = (1 - 0.5) = 0.5
X = 0, 1, 2, 3, 4
Chap 5-23

Ejemplo:
Calculando la Probabilidad Binomial
Cul es la probabilidad de un xito en cinco
observaciones, si la probabilidad de xito es .1?
X = 1, n = 5, y p = 0.1

n!
P(X 1)
p X (1 p)n X
X! (n X)!
5!

(0.1)1(1 0.1)51
1! (5 1)!
(5)(0.1)(0.9)4
0.32805
Chap 5-24

Distribucin Binomial
La forma de la distribucin binomial depende de los
valores de p y n

Mean

Aqu, n = 5 y p = 0.1

.6
.4
.2
0

P(X)

X
0

Aqu, n = 5 y p = 0.5

.6
.4
.2
0

n = 5 p = 0.1

P(X)

n = 5 p = 0.5
X

5
Chap 5-25

Caractersticas de la Distribucin
Binomial
Media

E(x) np

Varianza y desviacin estndar

np(1 - p)
2

np(1 - p)
donde

n = tamao de la muestra
p = probabilidad de xito
(1 p) = probabilidad de fracaso
Chap 5-26

Caractersticas de la Binomial
Ejemplo

np (5)(0.1) 0.5
Mean
np(1- p) (5)(0.1)(1 0.1)
0.6708

np (5)(0.5) 2.5
np(1- p) (5)(0.5)(1 0.5)
1.118

.6
.4
.2
0

P(X)

X
0

.6
.4
.2
0

n = 5 p = 0.1

P(X)

n = 5 p = 0.5
X

5
Chap 5-27

Utilizando la tabla de la Binomial

n = 10
x

p=.20

p=.25

p=.30

p=.35

p=.40

p=.45

p=.50

0
1
2
3
4
5
6
7
8
9
10

0.1074
0.2684
0.3020
0.2013
0.0881
0.0264
0.0055
0.0008
0.0001
0.0000
0.0000

0.0563
0.1877
0.2816
0.2503
0.1460
0.0584
0.0162
0.0031
0.0004
0.0000
0.0000

0.0282
0.1211
0.2335
0.2668
0.2001
0.1029
0.0368
0.0090
0.0014
0.0001
0.0000

0.0135
0.0725
0.1757
0.2522
0.2377
0.1536
0.0689
0.0212
0.0043
0.0005
0.0000

0.0060
0.0403
0.1209
0.2150
0.2508
0.2007
0.1115
0.0425
0.0106
0.0016
0.0001

0.0025
0.0207
0.0763
0.1665
0.2384
0.2340
0.1596
0.0746
0.0229
0.0042
0.0003

0.0010
0.0098
0.0439
0.1172
0.2051
0.2461
0.2051
0.1172
0.0439
0.0098
0.0010

10
9
8
7
6
5
4
3
2
1
0

p=.80

p=.75

p=.70

p=.65

p=.60

p=.55

p=.50

Ejemplo:
n = 10, p = 0.35, x = 3:

P(x = 3|n =10, p = 0.35) = 0.2522

n = 10, p = 0.75, x = 2:

P(x = 2|n =10, p = 0.75) = 0.0004

Chap 5-28

La Distribuci de Poisson
Distribucin de

Probabilidad
Distribucin de
Probabilidad
Discreta

Binomial
Poisson
Hipergeomtrica
Chap 5-29

La Distribucin de Poisson
Se aplica la Distribucin de Poisson cuando:
Se desea contar el numero de veces en que ocurra un evento en
una determinada rea de oportunidad
La probabilidad que un evento ocurra en un rea de oportunidad,
es la misma para todas las reas de oportunidad
El numero de eventos que ocurren en un rea de oportunidad es
independiente del numero de eventos que ocurren en las otras
reas de oportunidad
La probabilidad que, dos o mas eventos ocurran en un rea de
oportunidad tiende a cero, cuando el rea de oportunidad tiende a
ser pequeo
El numero promedio de eventos por unidad es (lambda)
Chap 5-30

Formula de la Distribucin de
Poisson
x

e
P( X)
X!

donde:
X = numero de eventos en un rea de oportunidad
= valor esperado de eventos
e = base del sistema de los logaritmos naturales 2.71828...)

Chap 5-31

Caractersticas de la Distribucin
de Poisson
Media

Varianza y desviacin estndar

2

donde = numero esperado de eventos

Chap 5-32

Utilizando la Tabla de Poisson

0.10

0.20

0.30

0.40

0.50

0.60

0.70

0.80

0.90

0
1
2
3
4
5
6
7

0.9048
0.0905
0.0045
0.0002
0.0000
0.0000
0.0000
0.0000

0.8187
0.1637
0.0164
0.0011
0.0001
0.0000
0.0000
0.0000

0.7408
0.2222
0.0333
0.0033
0.0003
0.0000
0.0000
0.0000

0.6703
0.2681
0.0536
0.0072
0.0007
0.0001
0.0000
0.0000

0.6065
0.3033
0.0758
0.0126
0.0016
0.0002
0.0000
0.0000

0.5488
0.3293
0.0988
0.0198
0.0030
0.0004
0.0000
0.0000

0.4966
0.3476
0.1217
0.0284
0.0050
0.0007
0.0001
0.0000

0.4493
0.3595
0.1438
0.0383
0.0077
0.0012
0.0002
0.0000

0.4066
0.3659
0.1647
0.0494
0.0111
0.0020
0.0003
0.0000

Ejemplo: Encontrar P(X = 2) if = 0.50

e X e 0.50 (0.50)2
P(X 2)

0.0758
X!
2!
Chap 5-33

Grafico de las Probabilidades de

Poisson
Graficamente:
= 0.50
X
0
1
2
3
4
5
6
7

=
0.50
0.6065
0.3033
0.0758
0.0126
0.0016
0.0002
0.0000
0.0000

P(X = 2) = 0.0758
Chap 5-34

Forma de la Distribucin de
Poisson
Forma de la Distribucin de Poisson
depende del parmetro :
= 0.50

= 3.00

Chap 5-35

La Distribucin Hipergeomtrica
Distribucin de
Probabilidad

Distribucin

Discreta de
Probabilidad
Binomial
Poisson
Hipergeomtrica
Chap 5-36

La Distribucin Hipergeometrica
n pruebas de una muestra tomada para de poblacin
finita de tamao N
Muestras tomadas sin reemplazo
Los resultados de las pruebas son dependientes
Queremos encontrar la probabilidad de X xitos en la
muestra donde hay A exitos en la poblacin

Chap 5-37

Formula de la Distribucin
Hipergeomtrica
A N A

[ A C X ][N A Cn X ] X n X
P(X)

N
N Cn

n

donde
N = tamao de la poblacin
A = numero de xitos en la poblacin
N A = numero de fracasos en la poblacin
n = tamao de la muestra
X = numero de xitos en la muestra
n X = numero de fracasos en la muestra
Chap 5-38

Propiedades de la Distribucin
Hipergeomtrica
La media de la distribucin hipergeomtrica es
nA
E(x)
N

La desviacin estndar es
nA(N - A) N - n

2
N
N -1
donde

N-n
N -1

es llamado Factor de Correccin de Poblacin Finita

de la muestra sin reemplazo proveniente de una poblacin finita.

Chap 5-39

Utilizando la
Distribucin Hipergeomtrica
Ejemplo: 3 diferentes computadoras son chequeadas de 10
en un departamento. 4 de 10 computadoras tienen cargados
software ilegal. Cual es la probabilidad que 2 de 3
computadoras seleccionadas tengan software ilegal
cargado?
N = 10
A= 4
A

X
P(X 2)

n=3
X=2

N A

4 6

2 1
n X
(6)(6)

0.3
N
120
10

3
n

La probabilidad que 2 de 3 computadoras seleccionadas

tengan software ilegal cargados es 0.30, o 30%.
Chap 5-40

Resumen del Captulo

Direccionar la probabilidad de la variable
aleatoria discreta
Definir la covarianza y discutir su aplicacin en
finanzas
Discutir la distribucin Binomial
Discutir la distribucin de Poisson
Discutir la distribucin Hipergeomtrica

Chap 5-41