“Estadística”

Prof. Juan Narro Lavi

Diplomatura de Estudio
en
Analítica de Negocios
y Gestión de la Información
 Sesiones 7 y 8:
Variables Aleatorias y
distribución de probabilidad
“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
5. Distribución de probabilidad Poisson
6. Distribución de probabilidad Normal
 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
 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

S C
S SCS (2) 0.53=0.125

C SSC (2) 0.53=0.125

S

S (3) 0.53=0.125
SSS
 Variable Aleatoria
Experimento: Lanzar 1 moneda 3 veces
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
 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
Variable aleatoria discreta
Usualmente un número entero (0, 1, 2, 3 etc.)
Obtenida por conteo.

Experimento Variable Aleatoria (x) Posibles Valores

Llamar a 10 clientes # de clientes que 0, 1, 2, 3, …, 10
efectúan un pedido
Inspeccionar un # de repuestos 0, 1, 2, 3, ……1000
embarque de 1000 defectuosos
repuestos
Administrar un # de comensales 0, 1, 2, 3, …….
restaurante por un día
Vender un automóvil Género del cliente 0 para mujer, 1 para
hombre
 Variable Aleatoria
Variable aleatoria continua
Puede asumir cualquier valor dentro de un rango dado.
Obtenida por mediciones.
Experimento Variable Aleatoria (x) Posibles Valores
Operar un banco Tiempo en minutos X≥0
entre llegadas de los
clientes
Llenar una botella de Cantidad de ml 0 ≤ x ≤ 500 ml
gaseosa, máx. 500 ml
Construcción de una Porcentaje de avance 0 ≤ x ≤ 100 %
carretera del proyecto luego de 3
meses
Prueba de un nuevo Temperatura a la que 30 ≤ x ≤ 250°C
proceso químico ocurre la reacción (min
30°C máx. 250°C)
 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.
 Distribución de probabilidades
Experimento: Lanzar 1 moneda 3 veces
Evento: Número de Sellos

Distribución de Probabilidades
N° Sellos Probabilidad
0.4
0 0.125 0.35
0.3
1 0.375 Probabilidad 0.25
2 0.375 0.2
0.15
3 0.125 0.1
1.0 0.05
0
0 1 2 3
Número de Sellos
 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
X=x F(x) 0.9

0 0.125 0.8

0.7
1 0.5
0.6
2 0.875 0.5

3 1 0.4

0.3

0.2

0.1

0
0 1 2 3
 Esperanza matemática o Valor esperado
• El valor esperado de un experimento aleatorio
discreto se puede considerar como el promedio
ponderado 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x 
N 2
2
i
i 1
 Desviación Estándar de una
Distribución de Probabilidad

• Raíz Cuadrada de la Varianza.

    VAR( X ) 
2
(x  ) 2
* f ( x)

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

  x P( x)  
2 2
 Valor esperado de una Distribución de
Probabilidad
N° Sellos 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
 Esperanza matemática o Valor esperado

• Si el premio de una rifa es de un millón de soles, y se

han vendido 100,000 boletos.
• ¿Cuál es nuestra probabilidad de ganar el premio si
compramos un boleto?
• ¿Cuál es la esperanza de un boleto?
• ¿Qué implica comprar un boleto a menos de S/. 10.00,
exactamente a S/.10.00?
 Esperanza matemática o Valor esperado
• ¿Cuál es nuestra probabilidad de ganar el premio si
compramos un boleto?
1
P( ganar )   0.00001
100,000
• ¿Cuál es la esperanza de un boleto?
 1 
  x * P x   1'000,000   10
 100,000 
• ¿Qué implica comprar un boleto a menos de S/. 10.00,
exactamente a S/.10.00?
– Pagamos menos, tenemos ventaja
– Precio justo, en ambos casos asumimos un riesgo adecuado.
 Esperanza matemática o Valor esperado

• Un concesionario del nuevo Estadio Nacional, tiene

que elegir entre trabajar detrás del mostrador de
venta de salchichas “Panchos Ballesteros” y recibir
una suma fija de $ 50 por noche de fútbol, o caminar
entre las gradas vendiendo gaseosas y refrescos a
comisión. Si elige esto último, puede obtener $90 en
una noche cálida, $70 en una noche de clima
moderado, $45 en una noche fresca y $15 en una
noche fría. En esta época del año las probabilidades
de que las noches sean cálidas, moderadas, frescas i
frías son: 0.1, 0.3, 0.4 y 0.2 respectivamente.
• ¿Qué le conviene al concesionario?
 Esperanza matemática o Valor esperado

• Efectuando el análisis de valor esperado con base

en el clima:

Clima (x) Ganancia $ P(x) x.P(x)

Calido 90,00 0,1 9,00
Moderado 70,00 0,3 21,00
Fresco 45,00 0,4 18,00
Frío 15,00 0,2 3,00
E(x) 51,00
• Resulta más conveniente vender gaseosas y
refrescos, que vender salchichas, pues se obtiene
un valor esperado de $51.00 vs $50.
 Esperanza matemática o Valor esperado
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
 Esperanza matemática o Valor esperado
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
 Esperanza matemática o Valor esperado

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
 Esperanza matemática o Valor esperado

• Analizando otros tamaños de stocks, verificamos

aquél que genere la menor perdida

Oferta
10 11 12 13
Perd. Perd. Perd. Perd. Perd. Perd. Perd. Perd.
Cond. Esper. Cond. Esper. Cond. Esper. Cond. Esper.
Demanda P (Dm)
10 0,15 0 0,00 20 3,00 40 6,00 60 9,00
11 0,2 30 6,00 0 0,00 20 4,00 40 8,00
12 0,4 60 24,00 30 12,00 0 0,00 20 8,00
13 0,25 90 22,50 60 15,00 30 7,50 0 0,00
52,50 30,00 17,50 25,00
 Esperanza matemática o Valor esperado
• Su hermano se encuentra a cargo de un pequeño hospital rural en
el Departamento de Ucayali, el hospital compra sangre cada mes a
un banco de sangre lejano. Cada mes es necesario reabastecer un
cierto tipo de sangre raro debido a que su almacenamiento es de
solo un mes. Si el pedido se efectúa con un mes de anticipación el
costo para el hospital es de $10.00 por unidad.
• Si la demanda de este tipo de sangre durante el mes excede a las
existencias, se tiene que hacer un pedido especial con un costo de
$100.00 por unidad.
• A lo largo de tres años se ha levantado la siguiente información:

Demanda 0 1 2
Frecuencia en Meses 24 8 4

¿Su hermano sabiendo que cursa el Programa de Diplomatura, le

consulta cuántas unidades debe ordenar por mes para minimizar
costos?
 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.
 Distribución Binomial

n! r nr
P(r )  pq
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

Media o Valor Esperado   np

Varianza   np(1  p)
2
 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.
 Distribución de Poisson
x 
 e
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.
Media o Valor Esperado   np
Varianza     np
2
 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
 Distribución Normal

Familia de Distribuciones
Igual µ, Diferente 
=1
=5
= 10
X
 = 50
 Distribución Normal

Familia de Distribuciones
Diferente µ, Igual 

=5 =5 =5

 = 15  =25  = 40 X
 Distribución Normal

Familia de Distribuciones
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
 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.
 Distribución Normal Estándar

 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
 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

 Distribución Normal Estándar
Estandarizar la Distribución Normal
Distribución Normal Distribución Normal Estándar

 z = 1

x z
 z =0

• x = valor de una variable aleatoria.

x  • µ = media de la distribución de la
z  variable aleatoria.
 •  = desviación estándar de la
distribución.
• z = número de desviaciones estándar
desde x a la media de la distribución.
 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
 Distribución Normal Estándar

• 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?
 Distribución Normal Estándar
n p  5 y nq  5
P(r  3)
np  10 * 0.5  5
p  0. 5
nq  10 * 0.5  5
q  0.5
  np  5
n  10
  npq  1.5811
r  3
0.9453125 0.94308129

0 1 2 3 4 5 6 7 8 9 10

P( X  2.5)
 “Estadística”
Prof. Juan Narro Lavi
Diplomatura de Estudio
en
Analítica de Negocios
y Gestión de la Información