Está en la página 1de 14

INTRODUCCIN

En el presente trabajo bajos a revisar varios casos de variables, hay que tener en cuenta que
una variable numrica puede clasificarse como discreta o continua. Las variables discretas
se miden utilizando nmeros enteros y es posible asociarlas con la idea de "contar". Las
variables continuas se pueden asociar con la idea de "medir" utilizando fracciones y
decimales. Cuando la variable es continua el modelo probabilstico que ms se usa es la
distribucin normal. Las variables aleatorias que hemos estudiado hasta ahora tienen la
propiedad de que son el resultado de contar; sus valores posibles varan en forma discreta (a
saltos). Hay otro tipo de variables aleatorias, las que son el resultado de un proceso de
medir; sus valores posibles cubren todo un intervalo en los nmeros reales reales. Cuando
el espacio muestral de una variable aleatoria es un intervalo real decimos que la variable es
continua. La matemtica que utilizamos para las variables continuas es diferente a la de las
discretas aunque los conceptos probabilsticos sean los mismos de manera que en nuestro
estudio de las continuas utilizaremos este paralelo con las discretas.

ESTUDIO DE CASO 1
REALIZADO POR JEIMMY VIVIANA MUOZ ARIAS
Para entregar una Tarjeta de crdito en los bancos del grupo Aval, los analistas del banco
clasifican o califican al cliente en funcin de la probabilidad de que resulte rentable. Una
tabla habitual de calificaciones es la siguiente:

La calificacin es la suma de los puntos de los seis rubros. Por ejemplo, Sushi Brown tiene
menos de 25 aos (12 puntos); ha vivido en el mismo domicilio durante dos aos (0
puntos); desde hace cuatro aos es dueo de un automvil (13 puntos), por el que realiza
pagos de $75 (6 puntos); realiza gastos domsticos de $200 (10 puntos) y posee una cuenta
de cheques (3 puntos). La calificacin que obtendra sera de 44. Despus, con una segunda
tabla, se convierten las calificaciones en probabilidades de rentabilidad del cliente, as:

La puntuacin de Sushi (44) se traducira en una probabilidad de rentabilidad aproximada


de 0.81. En otras palabras, 81% de los clientes como Sushi generaran dinero a las
operaciones con tarjeta del banco. A continuacin se muestran los resultados de las
entrevistas con los tres posibles clientes.

Prepare un informe en el que como mnimo, incluya:


1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten
rentables.

Nombre
Edad
Tiempo de vivir en la misma
residencia
Antigedad con el auto
Pago mensual del auto
Costo de vivienda
Cuenta de cheques o ahorros
Total

EDWARD
DAVID
BRENDA
BROWN
N
18
12

ANN
MCLAUGHLI
N
0

20

20

13
4
10
15
80

13
6
10
3
44

3
4
12
0
39

Para calcular la probabilidad hallamos la relacin entre el tamao de los intervalos de


puntuacin (10 puntos) con la diferencia que se presenta de la probabilidad.
Nombre
Calificacin
Probabilidad

DAVID
BROWN
80
0.95

EDWARD
BRENDAN
44
0.81

ANN
MCLAUGHLIN
39
0.77

2.- Cul es la probabilidad de que los tres resulten rentables?


La probabilidad de que los tres resulten rentables, est determinada por la probabilidad
condicional para este caso donde los sucesos son no excluyentes
P( A)P( B)P(C )
0.950.810.77=0.59
3.- Cul es la probabilidad de que ninguno sea rentable?
La probabilidad de que ninguno sea rentable, est determinada por la probabilidad
condicional para cuando no son rentables, que es la diferencia entre 1 y la probabilidad de
que sean rentables.
P(A )=10.95=0.05
P(B)=10.81=0.19

P(C)=10.77=0.23
Con los resultados anteriores podemos calcular la probabilidad condicional
0.050.190.23=0.0022
4. Determine la distribucin de probabilidad total del nmero de clientes rentables entre
este grupo de tres clientes.
Al tener la tabla de conversin de puntaje en probabilidad

ESTUDIO DE CASO 3
MNICA ALEJANDRA MATAMOROS SNCHEZ
El Baloto, es la lotera en lnea de Colombia, supervisado por ETESA
(Empresa territorial para la salud). Es un juego que consiste en acertar 6,
5, 4 o 3 nmeros en cualquier orden de una matriz del 1 al 45; El jugador seala en un
tarjetn los 6 nmeros que escoge. Los nmeros estn representados en 45 balotas
numeradas del 1 al 45. Cada nmero aparece una sola vez y las balotas ganadoras se
seleccionan sin reemplazo. El premio acumulado se entrega a quien haga coincidir los seis
nmeros.
Presente un informe en el que como mnimo incluya:
1

Esta situacin cumple con los supuestos de la distribucin Hipergeomtrica?


Identifquelos (Sugerencia: Divida los 45 nmeros en dos grupos: ganadores y
no ganadores)
R. Si cumple con los supuestos de la distribucin Hipergeomtrica, se realizara de la
siguiente manera, existe una poblacin se tomar como N, estn compuesto por unos
elementos que cumplen una propiedad la cantidad de dichos elementos se denomina con la
letra d, luego debemos extraer una muestra n de la poblacin y a distribucin nos dar la
probabilidad de lo que estemos buscando.
N/ son los 45 nmeros.
d/ cantidad de elementos
X / elementos con propiedad
5

Los elementos que cumplen la propiedad son 6 que ha salido en el sorteo.


La muestra que se toma es la de los 6 nmeros
La probabilidad que nos da el mtodo Hipergeomtrica es la de tener 0 a 6 ganadores.
2

Usando la distribucin de probabilidad Hipergeomtrica determinar la


probabilidad de que el jugador acierte los 6 nmeros.
R. La frmula para comprobar dicha probabilidad es la siguiente:
d N d
x
nx
P ( x )=
N
n

()( )
( )

Solucin para encontrar el numero 6


6 456 1 39
6
66
0
1
P (6 )=
=
=
45 !
45
45
6
6
39 !6 !

()( ) ( )
( ) ( )

39 !6 !
6!
720
1
=
=
=
45
454443424140 5864443200 8145060
7

1.22773804 X 10 =0.000000122773804
La probabilidad para que el jugador acierte los 6 nmeros es= 0.000000122773804

R.

La empresa encargada del sorteo informa que la probabilidad de que coincidan


todos los nmeros es de 1 en 8145060. Qu significa esto en trminos de
probabilidad? Coincide esto con su respuesta anterior. El sorteo tambin
otorga un premio si el jugador hace coincidir 3, 4 o 5 de los nmeros
ganadores.
1
7
P ( 6 )=
=1.22773804 X 10
8145060

Si coincide con el punto anterior ya que se lleg a la misma fraccin.


4 Calcule la probabilidad, para hacer coincidir 3 de los 6 nmeros ganadores.
d N d
x
nx
P ( x )=
R.
N
n

()( )
( )

Solucin para acertar 3 nmeros


6

6 456 654 39
20393837
(
)
(
)
(
)
3
63
3
3!
20.9139 182780
P ( 6 )=
=
=
=
=
=0.02244059589
454443424140 8145060 8145060
45
45
(6 )
(6)
6!
La probabilidad para que coincida 3 de los 6 nmeros ganadores es = 0.02244059589
5

Calcule la probabilidad de que coincidan 4 de los 6 nmeros ganadores


d N d
x
nx
P ( x )=
N
n

()( )
( )

R.

Solucion para acertar 4 numeros


65 39 153938
6 456

2
4
64
2
2
15.741
11115
741
P ( 6 )=
=
=
=
=
=
8145060
8145060 8145060 543004
45
45
6
6

()( )
( )

( )
( )

0.001364630831

La probabilidad para que el jugador acierte los 4 nmeros es = 0.001364630831


6
R.

Calcule la probabilidad de que coincidan 5 de los 6 nmeros ganadores


d N d
x
nx
P ( x )=
N
n

()( )
( )

Solucin para acertar 4 numeros


6 456 6 39
5
65
1
639
234
39
P (6 )=
=
=
=
=
=2.872807014105
8145060 8145060 135710
45
45
6
6

()( ) ( )
( ) ( )

0.00002872807014

La probabilidad para que el jugador acierte los 5 nmeros es = 0.00002872807014


7 Con base en los resultados obtenidos, usted invertira dinero en el BALOTO?
R. En mi opinin no invertira en Baloto porque este tipo sorteos es imposible ganarlos
fcilmente, est regido principalmente por la suerte, es muy complicado ganar en este tipo
de sorteos ya que no es fcil acertar con 3 cifras, menos acertar con 5 y 6 cifras, es un juego
imposible de ganar con ayuda de diferentes mtodos matemticos, solo la suerte lo sabe.

RESUMEN DE LA UNIDAD
Variables aleatorias discretas y continuas
a. Definicin de variable aleatoria: Una variable aleatoria es pues, una funcin que asigna
un nmero real a cada resultado en el espacio muestral de un experimento aleatorio. Ellas
se denotan con una letra mayscula, tal como X.
Variable aleatoria discreta: Una variable aleatoria discreta es aquella que slo puede tomar
valores enteros. Se dice que una variable aleatoria X es discreta si el nmero de valores que
puede tomar es finito (o infinito contable).
Ejemplos:
* Nmero de caras al lanzar dos dados.
* Nmero de cifras acertadas en un sorteo de la lotera.
c. Distribucin contina de probabilidad: Una distribucin de probabilidad es continua
cuando los resultados posibles del experimento son obtenidos de variables aleatorias
continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor, y que
resultan principalmente del proceso de medicin.
Ejemplos de variables aleatorias continuas son: La estatura de un grupo de personas El
tiempo dedicado a estudiar La temperatura en una ciudad.
d. Esperanza matemtica: La esperanza matemtica o valor esperado de una variable
aleatoria discreta es la suma del producto de la probabilidad de cada suceso por el valor de
dicho suceso.
Los nombres de esperanza matemtica y valor esperado tienen su origen en los juegos de
azar y hacen referencia a la ganancia promedio esperada por un jugador cuando hace un
gran nmero de apuestas.
Distribuciones discretas de probabilidad
a. Distribucin uniforme: Es una distribucin en el intervalo [ ] en la cual las
probabilidades son las mismas para todos los posibles resultados, desde el mnimo de a
hasta el mximo de b. El experimento de lanzar un dado es un ejemplo que cumple la
distribucin uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de
ocurrencia.
Se dice que una variable X posee una distribucin uniforme en el intervalo
[a,b],
si su funcin de densidad es la siguiente:
Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el
valor de X este comprendido en cierto subintervalo de [a,b] depende nicamente de la
longitud del mismo, no de su posicin.
b. Distribucin binomial: Las distribuciones binomiales son las ms tiles dentro de las
distribuciones de probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de
calidad, ventas, mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas
distribuciones permiten enfrentar circunstancias en las que los resultados pertenecen a dos
categoras relevantes: que ocurra un evento determinado o que no lo haga. Este tipo de
experimento aleatorio particular es denominado ensayo de Bernoulli. Sus dos resultados

posibles son denotados por xito y fracaso y se define por p la probabilidad de un xito
y 1-p la probabilidad de un fracaso.
En general, un experimento aleatorio que consiste de n ensayos repetidos tales que:
* Los ensayos son independientes
* Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles: xito o
fracaso.
* La probabilidad de xito de cada ensayo, denotada por p, permanece constante. Recibe el
nombre de experimento binomial.
La variable aleatoria X, de un experimento binomial, que corresponde al nmero de
ensayos donde el resultado es un xito, tiene una distribucin binomial con parmetros p y
n = 1, 2,
c. Distribucin binomial negativa y geomtrica: Considerando ahora una serie de ensayos
Bernoulli con una probabilidad constante de xitos p, en la que el nmero de ensayos no es
fijo como en la distribucin binomial si no que stos se realizan hasta que se obtiene el
primer xito. Sea entonces, la variable aleatoria X el nmero de ensayos realizados hasta
obtener un xito, ella tiene una distribucin geomtrica con parmetro p.
Distribucin Binomial Negativa
En la distribucin geomtrica, la variable aleatoria estaba definida como el nmero de
ensayos Bernoulli necesarios para obtener el primer xito. Suponga ahora que se desea
conocer el nmero de ensayos hasta obtener r xitos; en este caso la variable aleatoria es
denominada binomial negativa. La distribucin binomial negativa o distribucin de Pascal
es una generalizacin de la distribucin geomtrica donde la variable aleatoria X es el
nmero de ensayos Bernoulli efectuados hasta que se tienen r xitos, con una probabilidad
constante de xito p. Se dice entonces que X tiene una distribucin binomial negativa con
parmetros p y r = 1, 2, 3,
d. Distribucin Hipergeomtrica: En la distribucin binomial se vea que el muestreo se
haca con reemplazo, asegurando la independencia de los ensayos y la probabilidad
constante. Supngase ahora que el muestreo es sin reemplazo, caso en el cual los ensayos
no son independientes. Sea N el nmero de elementos de un conjunto de los cuales k son
determinados como xitos y N-k como fallas, se trata ahora de determinar la probabilidad
de x xitos en n ensayos de los N elementos del conjunto donde k N y n N.
e. Distribucin de Poisson: tiempo o espacio), la distribucin exponencial mide el paso del
tiempo entre tales eventos. Si el nmerode eventos tiene una distribucin de Poisson, el
lapso entre los eventos estar distribuidoexponencialmente.
Frmula: La probabilidad de que el lapso de tiempo sea menor que o igual a cierta cantidad
x es:
Dnde:
t= Lapso de tiempo
e= Base del logaritmo natural aproximadamente igual a 2,718281828
=Tasa promedio de ocurrencia
3. Distribuciones continas de probabilidad
a. Distribucin uniforme: Es una distribucin en el intervalo [a,b ] en la cual las
probabilidades son las mismas para todos los posibles resultados, desde el mnimo de a
hasta el mximo de b. El experimento de lanzar un dado es un ejemplo que cumple la
9

distribucin uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de
ocurrencia.
b. Distribucin normal y uso de la distribucin normal estndar: Es el modelo de
distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn
una distribucin normal. Esta distribucin de caracteriza porque los valores se distribuyen
formando una campana de Gauss, en torno a un valor central que coincide con el valor
medio de la distribucin: Distribucin normal estndar o tipificada
Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina
"normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que permiten
obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto
de la curva de esta distribucin.
c. Aplicaciones de la distribucin normal:
Ecuacin Su ecuacin matemtica de la
funcin de densidad es:

Ejemplo:
La vida media de los habitantes de un pas es de 68 aos, con una varianza de 25. Se hace
un estudio en una pequea ciudad de 10.000 habitantes:
a) Cuntas personas superarn previsiblemente los 75 aos?
b) Cuntos vivirn menos de 60 aos?
Solucin:
a) Cuntas personas superarn previsiblemente los 75 aos? Calculamos el valor de la
normal tipificada equivalente a 75 aos
P (X > 75) = P(Z > 1,4) = 1 - P (Z < 1,4) = 1 - 0,9192 = 0,0808
Luego, el 8,08% de la poblacin (808 habitantes) vivirn ms de 75 aos.
b) Personas que vivirn (previsiblemente) menos de 60 aos. Calculamos el valor de la
normal tipificada equivalente a 60 aos
P (X < 60) = P(Z < -1,6) = P (Z > 1,6) = 1 - P (Z < 1,6) = 0,0548
Luego, el 5,48% de la poblacin (548 habitantes) no llegarn probablemente a esta edad.
d. Distribucin exponencial: Esta distribucin tiene la caracterstica de que es la nica
variable aleatoria continua cuya tasa de fallos es constante. Se acostumbra utilizarla para
modelar el tiempo de vida de componentes electrnicos. Como la tasa de fallos es
constante, puede considerarse que al transcurrir el tiempo, si el componente no ha fallado,
es tan bueno estadsticamente, como cuando estaba nuevo.
Se dice que una variable aleatoria X que toma todos los valores no negativos tiene una
distribucin exponencial con parmetros de escala L>0 si la funcin de densidad de
probabilidad es:
f(x)= L. e-L si x>=0
0 si x < 0
La funcin generadora es la siguiente:
e.Distribucion Chi.cuadrado: Distribucin En estadstica, la distribucin (de Pearson),
donde se pronuncia como ji-cuadrado, es una distribucin de probabilidad continua con
un parmetro k que representa los grados de libertad de la variable aleatoria: donde Zi son
variables de distribucin normal, de media cero y varianza uno. Esta distribucin se expresa
habitualmente como la distribucin ji-cuadrado tiene muchas aplicaciones en inferencia
10

estadstica, por ejemplo en la denominada prueba utilizada como prueba de


independencia y como prueba de bondad de ajuste y en la estimacin de varianzas. Tambin
est involucrada en el problema de estimar la media de una poblacin normalmente
distribuida y en el problema de estimar la pendiente de una recta de regresin lineal, a
travs de su papel en la distribucin t de Student, y participa en todos los problemas de
anlisis de varianza, por su papel en la distribucin F de Snedecor, que es la distribucin
del cociente de dos variables aleatorias de distribucin ji-cuadrado e independientes.

ESTUDIO CASO 4
REALIZADO POR: GLADIS DEL SOCORRO CANO
La distribucin de probabilidad de Poisson describe el nmero de veces que se presenta un
evento durante un intervalo especfico. El intervalo puede ser de tiempo, distancia, rea o
volumen. La distribucin se basa en dos supuestos. El primero consiste en que la
probabilidad es proporcional a la longitud del intervalo. El segundo supuesto consiste en
que los intervalos son independientes. En otras palabras, cuanto ms grande sea el
intervalo, mayor ser la probabilidad; adems, el nmero de veces que se presenta un
evento en un intervalo no influye en los dems intervalos.
Esta distribucin posee diversas aplicaciones. Se le utiliza como modelo para describir la
distribucin de errores en una entrada de datos, el nmero de rayones y otras
imperfecciones en las cabinas de automviles recin pintados, el nmero de partes
defectuosas en envos, el nmero de clientes que esperan mesa en un restaurante, el nmero
de accidentes en una carretera en un periodo determinado.
La compaa de aviacin Delta Airlines, se caracteriza por su responsabilidad y cuidado
con el equipaje de sus pasajeros, por lo que pocas veces se pierde equipaje. En la mayora
de los vuelos no se pierden maletas; en algunos se pierde una; en unos cuantos se pierden
dos; pocas veces se pierden tres, etc. Suponga que una muestra aleatoria de 1 000 vuelos
arroja un total de 300 maletas perdidas. De esta manera, el nmero promedio de maletas
perdidas por vuelo es de 0.3.
Pocas veces se pierde equipaje en Delta Airlines. En la mayora de los vuelos no se pierden
maletas; en algunos se pierde una; en unos cuantos se pierden dos; pocas veces se pierden
tres, etc. Suponga que una muestra aleatoria de 1 000 vuelos arroja un total de 300 maletas
perdidas. De esta manera, la media aritmtica del nmero de maletas perdidas por vuelo es
de 0.3, que se calcula al dividir 300/1 000. Si el nmero de maletas perdidas por vuelo se

11

rige por una distribucin de Poisson con


con la frmula.

= 0.3, las diversas probabilidades se calculan

La probabilidad de que no se pierda ninguna maleta es la siguiente:


P(0) =(((0.3)^0)*(e- 0.3))/0! = 0.7408
Esto quiere decir que, en el 74% de los vuelos no habr maletas perdidas. La probabilidad
de que se pierda exactamente una maleta es:
P(1) =(((0.3)^1)*(e -0.3))/1! = 0.2222
Se espera que se pierda exactamente una maleta en 22% de los vuelos.
Prepare un informe en el que como mnimo, incluya:
1.- Esta situacin cumple con los supuestos de la distribucin Poisson? Identifquelos.
Cumple con el primer supuesto, que dice que la probabilidad es proporcional a la longitud
del intervalo, en este caso de 1000 vuelos se pierden 300 maletas, es decir que existe un
promedio de 0.3 maletas perdidas por vuelo.
Si, cumple con el segundo supuesto debido que el nmero de veces que se presenta un
evento en un intervalo si influye en los dems intervalos, ya que es una muestra aleatoria y
los intervalos son independientes, es decir si es ms grande el intervalo tendr mayor
probabilidad.
2.- Determine cul es la probabilidad de que en un vuelo no se pierda ninguna maleta
El numero esperado de ocurrencias durante el intervalo dado, los eventos ocurren en un
promedio 300 maletas perdidas por 1000 vuelos, teniendo en cuenta lo anterior podemos
decir que hay un 74% de probabilidad de que ninguna maleta se pierda.
3.- Determine cul es la probabilidad de que en un vuelo se pierda exactamente una maleta.
En base al resultado obtenido se puede decir que la probabilidad de que se pierda solo una
maleta es del 22.2%.
4.- Determine cul es la probabilidad de que en un vuelo se pierdan entre dos y cuatro
maletas.
Se puede decir que el 33.3%, pierde 2 maletas, que el 0.3% pierde 3 maletas y el 0.025%
pierde 4 maletas.
5.- Podra establecer cul es la probabilidad de que se pierdan en un vuelo ms de cuatro
maletas
12

La probabilidad de que pierda 4 o ms maletas es de 0.025%.


6.- En qu momento debe sospechar el supervisor de la Aerolnea que en un vuelo se estn
perdiendo demasiadas maletas?
De acuerdo a los resultados obtenidos, el supervisor de la Aerolnea debe cuidar al
momento de recoger las maletas para ser trasladadas al avin que es cuando ms perdidas
hay de maletas.

CONCLUSIONES

REFERENCIAS BIBLIOGRFICAS
Rodrguez, F. & Pierdant, A. (2014). Estadstica para administracin. Recuperado
de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=11013767&ppg=177
Monroy, S. (2008). Estadstica Descriptiva. Editorial: Instituto Tcnico Nacional.
Recuperado de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=10436604&ppg=128
Martn, J. y Ruiz, L. (2004). Estadstica I: Probabilidad. 2nd ed. Madrid: Paraninfo.
vii-viii. Recuperado de: http://bibliotecavirtual.unad.edu.co:2081/ps/eToc.do?
rcDocId=GALE
%7CCX4052400005&inPS=true&prodId=GVRL&userGroupName=unad&resultCl
13

ickType=AboutThisPublication
&contentModuleId=GVRL&searchType=BasicSearchForm&docId=GALE
%7C3BDC
Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadstica terica:
Probabilidad
e
inferencia.
Recuperado
de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=10995669&ppg=19
Lyczak, A (2002). Matemticas Thaquiz. Laboratorio de probabilidad
Martnez, C. (2011). Estadstica Bsica Aplicada. Ecoe, 4a edicin. Recuperado de:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
ppg=342&docID=1 624529&tm=1470687447720
M. Pliego Lpez, R. M. Prez, Estadstica I (2004) 2nd ed., pp. 27-94. Madrid:
Paraninfo.
Recuperado de
http://bibliotecavirtual.unad.edu.co:2081/ps/i.do?
id=GALE
%7CCX4052400006&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=b039aa4c3b2
b62b99f8129c3bb3ab609
Pea, D. (2014). Fundamentos de Estadstica. Alianza Editorial S.A. Edicin
electrnica. Disponible en la base de datos de la biblioteca de la UNAD:
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
ppg=121&docID=11028686&tm=1470689905871

14