1. Sesión 2
Funciones de Probabilidad
TLC e Intervalos de confianza
Estadística en las
organizaciones CD4001
Dr. Jorge Ramírez Medina
2. Dr Jorge Ramírez Medina
EGADE Business School
Nuestro interés es el número de éxitos
que ocurren en los n intentos.
Tomamos x como el número de éxitos
que ocurren en los n intentos.
Distribución Binomial
3. Dr Jorge Ramírez Medina
EGADE Business School
donde:
f(x) = La probabilidad de x éxitos en n intentos
n = el número de intentos
p = la probabilidad de éxito de cualquier intento
Función de probabilidad binomial
Distribución Binomial
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf
4. Dr Jorge Ramírez Medina
EGADE Business School
Función de probabilidad binomial
Distribución Binomial
Probabilidad de una
secuencia particular de resultados
con x éxitos en n intentos
Número de resultados
experimentales que dan
x éxitos en intentos
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf
5. Dr Jorge Ramírez Medina
EGADE Business School
Ejemplo
La empresa está preocupada por la alta rotación
de sus empleados. Para un empleado seleccionado
al azar, se estima una probabilidad de 0.1 de que la
persona no esté el próximo semestre trabajando. Si
se seleccionan 3 empleados al azar ¿cuál es la
probabilidad de que uno de ellos no esté trabajando
el próximo semestre en el CITEC?
Distribución Binomial
6. Dr Jorge Ramírez Medina
EGADE Business School
Diagrama de árbol
1st Worker 2nd Worker 3rd Worker x Prob.
Leaves
(.1)
Stays
(.9)
3
2
0
2
2
Leaves (.1)
Leaves (.1)
S (.9)
Stays (.9)
Stays (.9)
S (.9)
S (.9)
S (.9)
L (.1)
L (.1)
L (.1)
L (.1) .0010
.0090
.0090
.7290
.0090
1
1
.0810
.0810
.0810
1
Distribución Binomial
7. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando la función de probabilidad Binomial
tome: p = .10, n = 3, x = 1
Distribución Binomial
)(
)1(
)!(!
!
)( xnx
pp
xnx
n
xf
243.0)81)(.1(.3)1.01(1.0
)!13(!1
!3
)1( )13(1
f
9. Dr Jorge Ramírez Medina
EGADE Business School
El valor esperado;
La varianza;
La desviación estándar, =
Var(x) = 2 = np(1-p)
E(x) = = np
Distribución Binomial
)1( pnp
10. Dr Jorge Ramírez Medina
EGADE Business School
E(x) = np = 3(.1) = .3 empleados de 3
Var(x) = 2 = 3(.1)(.9) = .27
Distribución Binomial
empleados52.)9)(.1(.3
12. Dr Jorge Ramírez Medina
EGADE Business School
Una variable aleatoria con una distribución Poisson
es útil para estimar el número de ocurrencias sobre
un intervalo especificado de tiempo o espacio.
Es una variable aleatoria discreta que puede tomar
una secuencia de valores infinita (x = 0, 1, 2, . . . ).
Distribución Poisson
13. Dr Jorge Ramírez Medina
EGADE Business School
Ejemplo de variables aleatorias con
distribución Poisson
La cantidad de fugas en 10 km. de un
gaseoducto
Los automóviles que pasan por
una caseta en una hora
Distribución Poisson
14. Dr Jorge Ramírez Medina
EGADE Business School
Propiedades de los experimentos Poisson
La ocurrencia o no-ocurrencia en cualquier
intervalo es independiente de la ocurrencia o
no-occurrencia en cualquier otro intervalo.
La probabilidad de una ocurrencia es la misma
para dos intervalos cualesquiera de igual longitud
Distribución Poisson
15. Dr Jorge Ramírez Medina
EGADE Business School
Distribución Poisson
Función de
probabilidad Poisson
en donde:
f(x) = probabilidad de x ocurrencias en un intervalo
µ= media de ocurrencias en un intervalo
e = 2.71828
!
)(
x
e
xf
x
16. Dr Jorge Ramírez Medina
EGADE Business School
MERCY
• Ejemplo: Hospital López Mateos
Los fines de semana en la tarde
a la sala de emergencias del
Hospital LM llegan en promedio
6 pacientes por hora .
Cuál es la probabilidad de que
lleguen 4 pacientes en 30 minutos
en la tarde de un fin de semana?
Distribución Poisson
17. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando la Función de Probabilidad Poisson
MERCY
= 6/hora = 3/media-hora, x = 4
Distribución Poisson
1680.0
!4
)71828.2(3
)4(
34
f
18. Dr Jorge Ramírez Medina
EGADE Business School
Utilizando las tablas de probabilidad Poisson
MERCY
Distribución Poisson
Utilizando excel; =POISSON(4,3,FALSO)
19. Dr Jorge Ramírez Medina
ITESM EGADE Zona Centro
MERCY
Poisson Distribution of Arrivals
Poisson Probabilities
0.00
0.05
0.10
0.15
0.20
0.25
0 1 2 3 4 5 6 7 8 9 10
Número de llegadas en 30 Minutos
Probabilidad
La secuencia
continua:
11, 12, …
Distribución Poisson
20. Dr Jorge Ramírez Medina
EGADE Business School
Una propiedad de la distribución Poisson es que
La media y la varianza son iguales.
= 2
Distribución Poisson
21. Dr Jorge Ramírez Medina
EGADE Business School
MERCY
Varianza de las llegadas durante el periodo de 30
minutos.
= 2 = 3
Distribución Poisson
22. Dr Jorge Ramírez Medina
EGADE Business School
Distribución de
probabilidad exponencial
• Útil para describir el tiempo que toma el completar
una tarea.
• Las variables aleatorias exponenciales pueden ser
utilizadas para describir:
Tiempo de llegada
Entre vehículos
a una caseta.
Tiempo requerido
para llenar un
cuestionario
Distancia entre
baches en una
autopista
23. Dr Jorge Ramírez Medina
EGADE Business School
• Función de densidad
donde: = media
e = 2.71828
Para x ≥0, μ≥0
Distribución de
probabilidad exponencial
x
exf
1
)(
24. Dr Jorge Ramírez Medina
EGADE Business School
• Probabilidades
acumulativas
donde:
x0 = algún valor específico de x
Distribución de
probabilidad exponencial
ox
exxP 1)( 0
25. Dr Jorge Ramírez Medina
EGADE Business School
• Ejemplo; gasolinera las Torres
El tiempo entre carros que llegan a
la gasolinera las Torres sigue una
distribución de probabilidad
exponencial con una media entre
llegadas de 3 minutos. Se
quiere saber cuál es la probabilidad
de que el tiempo entre 2 llegadas
sea menor o igual de 2 minutos.
Distribución de
probabilidad exponencial
26. Dr Jorge Ramírez Medina
EGADE Business School
x
f(x)
.1
.3
.4
.2
1 2 3 4 5 6 7 8 9 10
Tiempo entre llegadas (mins.)
P(x < 2) = 1 - 2.71828-2/3 = 1 - .5134 = .4866
Distribución de
probabilidad exponencial
27. Dr Jorge Ramírez Medina
EGADE Business School
Una propiedad de la distribución exponencial es
que la media, , y la desviación estándar, , son iguales
La desviación estándar, , y la varianza, 2, para el
tiempo entre llegadas en la gasolinera las Torres:
= = 3 minutes
2 = (3)2 = 9
Distribución de probabilidad
exponencial
28. Dr Jorge Ramírez Medina
EGADE Business School
La distribución exponencial está sesgada positivamente.
La medición del sesgo para la distribución
exponencial es 2.
Distribución de probabilidad
exponencial
29. Dr Jorge Ramírez Medina
EGADE Business School
La distribución Poisson
da una descripción apropiada
del número de ocurrencias
por intervalo
La distribución exponencial
da una descripción apropiada
de la longitud del intervalo
entre las ocurrencias
Relación entre las
distribuciones exponencial
y Poisson
30. Dr Jorge Ramírez Medina
EGADE Business School
x
Distribución Normal
31. Dr Jorge Ramírez Medina
EGADE Business School
Valores Z
Se interpreta como la cantidad de desviaciones
estándar que dista xi del promedio.
s
xx
z i
i
32. Dr Jorge Ramírez Medina
EGADE Business School
Z-scores
¿cómo
comparar
peras con
manzanas?
33. Dr Jorge Ramírez Medina
EGADE Business School
Un ejemplo
60 en estadística 60 en ética
34. Para entender;
Grafiquémoslo
• Tipo de datos
– Numéricos
– Medidas de tendencia central (media)
– Medidas de variabilidad (desviación estándar)
Dr Jorge Ramírez Medina
EGADE Business School
35. Primera idea
Dr Jorge Ramírez Medina
EGADE Business School
Nada es verdad, nada es mentira
Todo es según el cristal en que se mira
(Popular)
38. Cuarta idea
Dr Jorge Ramírez Medina
EGADE Business School
Z = (Score - Mean)/SD
Z = (60 - 50) / 10
Z = 1
Z = (Score - Mean)/SD
Z = (84 - 50) / 10
Z = 3.4
Z = (60 - 70) / 10
Z = -1.0
39. Z-scores
• Z-score puede ser positivo o negativo
– Positivo es arriba de la media
– Negativo es abajo de la media
• La media de un Z-score es siempre cero
• Si se tiene el promedio, el Z-score =0
• La desviación estándar de una distribución Z =1
Dr Jorge Ramírez Medina
EGADE Business School
42. Dr Jorge Ramírez Medina
EGADE Business School
0
z
La letra z es utilizada para designar a la variable
normal aleatoria estandarizada.
Distribución de
probabilidad Normal
estandarizada
x
z