Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Las variables aleatorias discretas son aquellas que toman valores enteros y se pueden
enumerar o contar, como por ejemplo número de hijos, número de clientes, número de
acciones vendidas en la bolsa de valores de Colombia.
Las variables aleatorias continuas son aquellas que se pueden medir y admiten valores
decimales o fraccionarios, como por ejemplo, tiempo en que un empleado hace una
actividad, dinero, años de experiencia de un trabajador, entre otros.
Así mismo las variables aleatorias discretas no solamente se refieren al caso dicotómico,
también se aplican para conocer fenómenos que ameriten el número de ocurrencia de
un evento en un tiempo dado, siendo la distribución probabilística de Posisson la ideal
para determinar dichas probabilidades, es así como fenómenos tales como el número de
clientes que ingresan a un al macen en un tiempo dado, el número de llamadas
telefónicas que ingresan a un call center en cierto tiempo, o el número de accidentes
laborales por día, etc
Finalmente las variables aleatorias continuas son fundamentales en todas estas serie de
fenómenos ya que no solo corresponde a un proceso discreto, puesto se desea
determinar probabilidades referentes a tiempo en hacer una actividad, ingresos o dinero
de ciertos empleados o inversiones, peso de ciertos productos, etc, todos estos casos
se resuelven empleando la distribución Normal, la cual es una de las distribuciones más
importante en estadística, ya que es uno de los supuestos fundamentales en el manejos
de datos.
1.1. DISTRIBUCIONES BINOMIAL
Media o esperanza:
𝜇 = 𝐸(𝑥) = 𝑛 ∗ 𝑝
Varianza:
𝜎 2 = V(x) = 𝑛 ∗ 𝑝 ∗ 𝑞
Ejemplo.
El 20% de los clientes de un banco son morosos, si se selecciona una muestra de 10
clientes, determine la probabilidad de encontrar:
a. Dos clientes morosos
b. Dos clientes no morosos
c. Por lo menos dos clientes dos morosos
Solución:
Claramente es una distribución binomial, ya que es un experimento de Bernoulli, con
dos valores que son: clientes morosos y no morosos. Los datos son:
n: 10 clientes
20% clientes morosos
80% clientes no morosos
X= 2, p= 0.2 , q= 0.8 , n= 10
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑝(𝑥 = 2) = (10
2
)(0.2)2 (0.8)10−2 = 0.3019
𝑝(𝑥 = 2) = 30.19%
X= 2, p= 0.8, q= 0.2, n= 10
𝑛
𝑝(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
𝑝(𝑥 = 2) = (10
2
)(0.8)2 (0.2)10−2 = 0.000073
𝑝(𝑥 = 2) = 0.00737%
=1- ⌈(10
0
)(0.2)0 (0.8)10−0 + (10
1
)(0.2)1 (0.8)10−1 ⌉
= 1- (0.3758) = 0.6242
𝑝(𝑥 ≥ 2) = 62.42%
𝜆𝑥 𝑒 −𝜆
𝑃(𝑥) =
𝑥!
Donde: 𝜆: 𝑀𝑒𝑑𝑖𝑎 𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜
𝜆 =𝑛∗𝑝
n: Muestra
P: Probabilidad de éxito
e=2,71828
𝑥: 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
Media o Esperanza:
𝜇 = 𝐸(𝑥) = 𝜆 = 𝑛 ∗ 𝑝
Varianza
𝜎 2 = V(x)= 𝜆
Ejemplo:
El número de clientes que entran a un banco los días sábados es en promedio 40
clientes por hora, determine la probabilidad de que ingresen por lo menos dos clientes
en un período de:
a. 15 minutos
b. 5 minutos
Solución:
Para este caso se especifica la ocurrencia de un evento en un tiempo dado, para este
caso específico el número de clientes que ingresan a un banco en una hora, por lo
tanto la distribución a emplear es la distribución probabilística de Poisson.
Datos:
40 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 → 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 → 15 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
40 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 ∗ 15 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆= = 10 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝑝(𝑥 ≥ 2) = 0.9995
𝑝(𝑥 ≥ 2) = 99.95%
La probabilidad de que ingresen por lo menos 10 clientes en un banco los días sábados
en un período de 15 minutos es del 99.95%
Por lo tanto se podrá afirmar que sí es viable que el banco haga apertura los días
sábados, ya que la probabilidad de que ingresen por lo menos dos clientes en dichos
períodos de tiempo es alta, y de esta forma aplicamos la distribución probabilística de
Poisson a problemas reales y del campo de los negocios
40 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 → 60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 → 5 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
40 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 ∗ 15 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝜆= = 3.33𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠 ≅ 3 𝐶𝑙𝑖𝑒𝑛𝑡𝑒𝑠
60 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
30 ∗𝑒 −3 31 ∗𝑒 −3
= 1- [ 0!
+ 1!
]
𝑝(𝑥 ≥ 2) = 0.8408
𝑝(𝑥 ≥ 2) = 84.08%
La probabilidad de que ingresen por lo menos 10 clientes en un banco los días sábados
en un período de 15 minutos es del 84.08%
1.3. DISTRIBUCIÓN HIPERGEOMÉTRICA
(𝐴𝑥)(𝑁−𝐴
𝑛−𝑥
)
𝑃(𝑥) =
(𝑁𝑛)
Donde:
N: Población
n: Muestra
A: Éxitos en la población
x: Éxitos en la muestra
Media o Esperanza:
𝐴
𝜇 = 𝐸(𝑥) = = 𝑛 ∗ 𝑁
Varianza
𝑁−𝑛 𝑛∗𝐴 𝐴
𝜎 2 = V(x)= ( 𝑁−1) ( ) (1 − 𝑁)
𝑁
Ejemplo:
Solución
Se destaca la variable dicotómica, ya que presenta valores de mora y no mora, pero al
sacar la información se tiene que existe una población y una muestra, por lo que se
tiene:
Datos:
N= 50
N= 12
(43)(50−43)
10 12−10
𝑃(𝑥 = 10) =
(50
12
)
(43 7
10)(2)
= (50
= 0.3316
12)
(72)(50−7
12−2
)
𝑃(𝑥 = 2) =
(50
12
)
(72)(43
10)
= (50
= 0.3316
12)
𝑃(𝑥 = 2) = 33.16%
(70)(50−7
12−0) (71)(50−7
12−1)
=1 − [ (50
+ (50
]
12) 12)
(70)(43
12) (71)(43
11)
=1 − [ (50
+ (50
] = 0.5419
12) 12)
𝑝(𝑥 ≥ 2) = 54.19%
(43 50−43
11)(12−11) (43 50−43
12)(12−12)
=1 − [ (50
+ (50
]
12) 12)
(43 7
11)(1) (43 7
12)(0)
=1 − [ (50
+ (50
] = 0.5419
12) 12)
𝑝(𝑥 ≥ 2) = 54.19%
Al observar las probabilidades de cada ítem llama la atención de que las probabilidades
son iguales en: a y b y también en c y d, ¿Por qué?
Donde:
𝑧: 𝑈𝑛𝑖𝑑𝑎𝑑 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝑖𝑧𝑎𝑑𝑎 𝑜 𝑡𝑖𝑝𝑖𝑓𝑖𝑐𝑎𝑑𝑎
𝑥:
̅ 𝑀𝑒𝑑𝑖𝑎 𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙
𝜇: 𝑀𝑒𝑑𝑖𝑎 𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
𝜎: 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑎𝑙
Media o Esperanza:
𝜇 = 𝐸(𝑥) = 0
Varianza
𝜎 2 = V(x)= 1
Para el cálculo de las probabilidades se tiene que:
𝑎−𝜇
a. 𝑝(> 𝑎) = 1 − Φ ( )
𝜎
𝑎−𝜇
b. 𝑝(< 𝑎) = Φ ( )
𝜎
𝑏−𝜇 𝑎−𝜇
c. 𝑝(𝑎 ≤ 𝑥 ≤ 𝑏) = Φ ( ) − Φ( )
𝜎 𝜎
Una vez se calcula el valor de la unidad estandarizada o tipificada z, solo debe tomarse
después de la coma dos valores significativos así:
Z= 1.582829
Como se muestra solo se tiene en cuenta 1.58, seguidamente se busca este valor en la
tabla de distribución normal, debe tener presente que estos valores pueden ser
positivos y negativos, para ubicarnos correctamente en la tabla.
Los primeros dos números deben ser ubicados en la primera columna, para este caso
en la que dice normal, por lo tanto hay que ubicar el 1.5
Ejemplo:
El salario medio de los trabajadores de cierta empresa es de $1500000, con una
desviación de $150000, determine la probabilidad de que los ingresos sean:
a. Mayor a $1500000
b. Menor a $1000000
c. Entre $1200000 y $1400000
Solución:
Las características de la distribución normal, permiten clasificarla inmediatamente, ya
que al ser una variable aleatoria continua, debe hacer referencia a una medición y no a
un conteo
Datos:
𝜇 = 1500000
𝜎 = 150000
1500000−1000000
a. 𝑝(𝑥 > 1500000)= 1 − Φ ( )
150000
= 1 − Φ(3.33)
= 1- 0.99957 = 0.00043
𝑝(𝑥 > 1500000) = 0.043%
1000000−1000000
b. 𝑝(𝑥)= 1 − Φ ( )
150000
= Φ(0)
= 0.5000
𝑝(𝑥 < 1000000) = 50%
1200000−1000000 1400000−1000000
c. 𝑝(1200000 ≤ 𝑥 ≤ 1800000) = Φ ( )− Φ( )
150000 150000
= Φ(1.33) − Φ(2.66)
= 0.90824 -0.99609 = 0.0878