EJERCICIO INDIVIDUAL

UNIDAD 05

LUIS MANUEL VALERO CHAVEZ

IV SEMESTRE: ESTADISTICA BASICA

UNIVERSIDAD DEL TOLIMA IDEAD HONDA TOLIMA

MARIA INES JIMENEZ RAMIREZ

NOVIEMBRE 4 DE 2020
INDIVIDUALMENTE, utilice las bases de datos de la biblioteca de la Universidad del
Tolima, y/o los textos mencionados en las referencias bibliográficas del plan de curso. Dé
el concepto a cada una de las siguientes expresiones. Luego coloque su trabajo en Tu
Aula.

Estadística para la administración y la economía. Levin.Rubin Balderas. Del Valle.

Gómez – séptima edición.

1. ¿QUÉ ES UNA DISTRIBUCIÓN DE PROBABILIDAD? Pág. 178

Las distribuciones de probabilidad están relacionadas con las distribuciones de
frecuencias. De hecho, podemos pensar que una distribución de probabilidad es
una distribución de frecuencias teórica. ¿Qué significa lo anterior? Una distribución
de frecuencias teórica es una distribución de probabilidades que describe la forma
en que se espera varíen los resultados. Como estas distribuciones representan
expectativas de que algo suceda, resultan modelos útiles para hacer inferencias y
tomar decisiones en condiciones de incertidumbre. En capítulos posteriores,
analizaremos los métodos que utilizamos bajo tales condiciones.
2. TIPOS DE DISTRIBUCIONES DE PROBABILIDAD Pág.179
Las distribuciones de probabilidad se clasifican como discretas y continuas. En la
distribución de probabilidad discreta está permitido considerar sólo un número
limitado de valores. la probabilidad de que usted haya nacido en un mes dado es
también discreta, puesto que sólo hay 12 posibles valores (los 12 meses del año).
En una distribución de probabilidad continua, por otro lado, la variable que se está
considerando puede tomar cualquier valor dentro de un intervalo dado. Suponga
que estamos examinando el nivel de afluencia de un cierto número de arroyos, y
medimos este nivel en partes de afluencia por millones de partes de agua.
Podríamos esperar un intervalo bastante continuo de partes por millón (ppm), en
todas las corrientes, desde los niveles más bajos en los pequeños arroyos de
montaña hasta niveles en extremo altos en los arroyos contaminados. De hecho,
sería muy normal que la variable “partes por millón” tomara una cantidad enorme
de valores. Podríamos decir que la distribución de esta variable (ppm) es una
distribución continua. Las distribuciones continuas son una forma conveniente de
presentar distribuciones discretas que tienen muchos resultados posibles, todos
muy cercanos entre sí.
3. DEFINICIÓN VARIABLE ALEATORIA Pág. 181
 Una variable es aleatoria si toma diferentes valores como resultado de un
experimento aleatorio. Esta variable aleatoria puede ser discreta o continua. Si
puede tomar sólo un número limitado de valores, entonces es una variable
aleatoria discreta. En el otro extremo, si puede tomar cualquier valor dentro de un
intervalo dado, entonces se trata de una variable aleatoria continua. Una variable
aleatoria es una especie de valor o magnitud que cambia de una ocurrencia a otra
sin seguir una secuencia predecible. Por ejemplo, en una clínica para tratamiento
del cáncer de mama no se tiene manera de saber con exactitud cuántas mujeres
van a ser atendidas en un día cualquiera, de modo que el número de mujeres del
día siguiente es una variable aleatoria.
4. EJEMPLOS DE VARIABLE ALEATORIA DISCRETA
Los valores de una variable aleatoria son los valores numéricos correspondientes
a cada posible resultado del experimento aleatorio. Si los registros diarios de la
clínica indican que los valores de la variable aleatoria van desde 100 hasta 115
mujeres al día, entonces ésta es una variable aleatoria discreta.
5. DISTRIBUCIÓN BINOMIAL Pag 191- Fórmula 192
Una distribución de probabilidad de variable aleatoria discreta utilizada
ampliamente es la distribución binomial. Esta distribución describe una variedad de
procesos de interés para los administradores. Por otra parte, describe datos
discretos, no continuos, que son resultado de un experimento conocido como
proceso de Bernoulli, en honor del matemático suizo nacido en el siglo XVII, Jacob
Bernoulli. El éxito o fracaso de los solicitantes de empleo, entrevistados para
prueba de aptitudes, también puede ser descrito como un proceso de Bernoulli.
Por otro lado, la distribución de frecuencias de la duración de las luces
fluorescentes de una fábrica se podría medir mediante una escala continua de
tiempo y no se podría clasificar como una distribución binomial.

6. DISTRIBUCIÓN DE POISSON Pág 202 – Fórmula Pág. 203

La distribución de Poisson se utiliza para describir ciertos tipos de procesos, entre
los que se encuentran la distribución de llamadas telefónicas que llegan a un
conmutador, las solicitudes de pacientes que requieren servicio en una institución
 de salud, las llegadas de camiones y automóviles a una caseta de cobro, y el
número de accidentes registrados en cierta intersección. Estos ejemplos tienen en
común un elemento: pueden ser descritos mediante una variable aleatoria discreta
que toma valores enteros (0, 1, 2, 3, 4, 5, etc). El número de pacientes que llegan
al consultorio de un médico en un cierto intervalo será de 0, 1, 2, 3, 4, 5 o algún
otro número entero. De manera parecida, si usted cuenta el número de
automóviles que llegan a una caseta de cobro de alguna carretera durante un
periodo de 10 minutos, el número será de 0, 1, 2, 3, 4, 5 y así consecutivamente.

7. DISTRIBUCIÓN NORMAL Pag.209

Una distribución de probabilidad continua que es muy importante es la distribución
normal. Varios matemáticos han contribuido a su desarrollo, entre los que
podemos contar al astrónomo-matemático del siglo XVIII Karl Gauss. En honor a
su trabajo, la distribución de probabilidad normal también es conocida como
distribución gaussiana. Existen dos razones fundamentales por las cuales la
distribución normal ocupa un lugar tan prominente en la estadística. Primero, tiene
algunas propiedades que la hacen aplicable a un gran número de situaciones en
las que es necesario hacer inferencias mediante la toma de muestras. La
distribución normal es una útil distribución de muestreo. Segundo, la distribución
normal casi se ajusta a las distribuciones de frecuencias reales observadas en
muchos fenómenos, incluyendo características humanas (peso, altura, coeficiente
intelectual), resultados de procesos físicos (dimensiones y rendimientos), y
muchas otras medidas de interés para los administradores, tanto en el sector
público como en el privado.
8. ÁREAS BAJO LA CURVA NORMAL Pág. 211- Ejemplos Pág. 213-215
No importa cuáles sean los valores de y para una distribución de probabilidad
normal, el área total bajo la curva es 1.00, de manera que podemos pensar en
áreas bajo la curva como si fueran probabilidades. Matemáticamente es verdad
que:
A. Aproximadamente el 68% de todos los valores de una población normalmente
distribuida se encuentra dentro de ± 1 desviación estándar de la media.
B. Aproximadamente el 95.5% de todos los valores de una población
normalmente distribuida se encuentra dentro de ± 2 desviaciones estándar de
la media.
C. Aproximadamente el 99.7% de todos los valores de una población
normalmente distribuida se encuentra dentro de ± 3 desviaciones estándar de
la media.

DATOS PARA EJEMPLO: Tenemos un programa de entrenamiento diseñado

para mejorar la calidad de las habilidades de los supervisores de línea de
producción. Debido a que el programa es auto administrado, los supervisores
requieren un número diferente de horas para terminarlo. Un estudio de los
participantes anteriores indica que el tiempo medio para completar el programa es
de 500 horas, y que esta variable aleatoria normalmente distribuida tiene una
desviación estándar de 100 horas.

EJEMPLO 1: ¿Cuál es la probabilidad de que un participante elegido al azar

requiera más de 500 horas para completar el programa?

SOLUCIÓN: En la figura 5-16, podemos ver que la mitad del área bajo la curva
está localizada a ambos lados de la media de 500 horas. Por tanto, podemos
deducir que la probabilidad de que la variable aleatoria tome un valor mayor a 500
es el área sombreada, es decir, 0.5.