Está en la página 1de 68

REPUBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL

“RAFAEL MARIA BARALT”

VICERRECTORADO ACADÉMICO

PROGRAMA ADMINISTRACIÓN

PROYECTO GERENCIA TRIBUTARIA

ASIGNATURA: ESTADISTICAS I

UNIDAD III

Fundamentos de la Probabilidad

Profesor. Cesar Barrientos

Alumno: Ricardo Zapata Caldato

C.I. 31.444.553

Ciudad Ojeda, Septiembre 2021


Índice.

Introducción

1. Técnicas de Conteo (Permutación, Variación y Combinación)


2. Experimento Aleatorio
3. Espacio Muestral
4. Eventos y Tipos de eventos
5. Probabilidad
6. Cálculos, Axiomas y Reglas de Probabilidad
7. Teorema de Bayes
8. Razones y Proporciones
9. La probabilidad aplicada en el campo de la administración (análisis crítico-
reflexivo
Conclusiones
Recomendaciones
Bibliografía
Anexos (conceptos y ejemplo de cada una)
Introducción.

El concepto de probabilidad nace con el deseo del hombre de conocer con


certeza los eventos futuros. Es por ello que el estudio de probabilidades surge
como una herramienta utilizada por los nobles para ganar en los juegos y
pasatiempos de la época. El desarrollo de estas herramientas fue asignado a los
matemáticos de la corte.
Con el tiempo estas técnicas matemáticas se perfeccionaron y encontraron otros
usos muy diferentes para la que fueron creadas. Actualmente se continúo con el
estudio de nuevas metodologías que permitan maximizar el uso de la
computación en el estudio de las probabilidades disminuyendo, de este modo,
los márgenes de error en los cálculos.
A través de la historia se han desarrollado tres enfoques conceptuales diferentes
para definir la probabilidad y determinar los valores de probabilidad:
El enfoque clásico
Dice que si hay x posibles resultados favorables a la ocurrencia de un evento A
y z posibles resultados desfavorables a la ocurrencia de A, y todos los
resultados son igualmente posibles y mutuamente excluyente (no pueden
ocurrir los dos al mismo tiempo), entonces la probabilidad de que ocurra A es:
El enfoque clásico de la probabilidad se basa en la suposición de que cada
resultado sea igualmente posible.
Este enfoque es llamado enfoque a priori porque permite, (en caso de que
pueda aplicarse) calcular el valor de probabilidad antes de observar cualquier
evento de muestra.
Ejemplo:
Si tenemos en una caja 15 piedras verdes y 9 piedras rojas. La probabilidad de
sacar una piedra roja en un intento es:
El enfoque de frecuencia relativa
También llamado Enfoque Empírico, determina la probabilidad sobre la base de
la proporción de veces que ocurre un evento favorable en un numero de
observaciones. En este enfoque no ese utiliza la suposición previa de
aleatoriedad. Porque la determinación de los valores de probabilidad se basa en
la observación y recopilación de datos.
Ejemplo:
Se ha observado que 9 de cada 50 vehículos que pasan por una esquina no
tienen cinturón de seguridad. Si un vigilante de transito se para en esa misma
esquina un ida cualquiera ¿Cuál será la probabilidad de que detenga un vehículo
sin cinturón de seguridad?
Tanto el enfoque clásico como el enfoque empírico conducen a valores objetivos
de probabilidad, en el sentido de que los valores de probabilidad indican al largo
plazo la tasa relativa de ocurrencia del evento.

El enfoque subjetivo
Dice que la probabilidad de ocurrencia de un evento es el grado de creencia por
parte de un individuo de que un evento ocurra, basado en toda la evidencia a
su disposición. Bajo esta premisa se puede decir que este enfoque es adecuado
cuando solo hay una oportunidad de ocurrencia del evento. Es decir, que el
evento ocurrirá o no ocurrirá esa sola vez. El valor de probabilidad bajo este
enfoque es un juicio personal.
1. Técnicas de Conteo (Permutación, Variación y Combinación)

Las técnicas de conteo son estrategias matemáticas usadas en probabilidad y


estadística que permiten determinar el número total de resultados que pueden
haber a partir de hacer combinaciones dentro de un conjunto o conjuntos de
objetos. Este tipo de técnicas se utilizan cuando es prácticamente imposible o
demasiado pesado hacer de forma manual combinaciones de diferentes
elementos y saber cuántas de ellas son posibles.

Este concepto se entenderá de forma más sencilla a través de un ejemplo. Si se


tienen cuatro sillas, una amarilla, una roja, una azul y una verde, ¿cuántas
combinaciones de tres de ellas se pueden hacer ordenadas una al lado de la
otra?

Se podría resolver a este problema haciéndolo manualmente, pensando en


combinaciones como azules, rojas y amarillas; azules, amarillas y rojas; rojas,
azules y amarillas, rojas, amarillas y azules… Pero esto puede requerir mucha
paciencia y tiempo, y para eso haríamos uso de las técnicas de conteo, siendo
para este caso necesario una permutación.

Las principales técnicas de conteo son las siguientes, aunque no las únicas,
cada una con unas particularidades propias y utilizadas en función de los
requisitos para saber cuántas combinaciones de conjuntos de objetos son
posibles.

 Permutación: es la disposición de todos los elementos en un orden


determinado. Aquí si importa el orden. Por ejemplo, si quiero saber
cuántos resultados posibles puede tener una carrera en la que participan
4 caballos, tengo que ordenar a todos los elementos, es decir, a los 4
caballos, como no es lo mismo salir primero que segundo en la carrera,
aquí sí importa el orden, y se necesita ordenar a todos los elementos, por
ello, se trata de una permutación de 4 elementos.

Ejemplo: Calcula las posibles agrupaciones que se pueden establecer con


todos los elementos de un grupo, por lo tanto, lo que diferencia a cada
subgrupo del resto es el orden de los elementos.
Por ejemplo, calcular las posibles formas en que se pueden ordenar los
números 1, 2 y 3.

Hay 6 posibles agrupaciones: (1, 2, 3), (1, 3, 2), (2, 1, 3), (2, 3, 1), (3, 1,
2) y (3, 2, 1)

 Variación: Es la disposición de una parte del total de elementos en un


orden determinado. Aquí si importa el orden. Por ejemplo, si quiero saber
de cuántas formas se puede elegir al campeón y subcampeón del
mundial, no es lo mismo salir campeón que subcampeón, por ello, aquí si
importa el orden.

Ejemplo: Calcula el número de subgrupos de 1, 2, 3, etc. elementos que


se pueden establecer con los "n" elementos de una muestra. Cada
subgrupo se diferencia del resto en los elementos que lo componen o en
el orden de dichos elementos (es lo que le diferencia de las
combinaciones).

Por ejemplo, calcular las posibles variaciones de 2 elementos que se


pueden establecer con los número 1, 2 y 3.

Ahora tendríamos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y


(3,3). En este caso los subgrupos (1,2) y (2,1) se consideran distintos

 Combinación: disposición de una parte del total de elementos sin tener


en cuenta el orden. Aquí no importa el orden de los elementos. Por
ejemplo, si quiero saber de cuántas formas se puede elegir a 2 colores
de un total de 10 para combinarlos, no importa el orden en que los elija,
el resultado será el mismo.

Ejemplo: Determina el número de subgrupos de 1, 2, 3, etc. elementos


que se pueden formar con los "n" elementos de una nuestra. Cada
subgrupo se diferencia del resto en los elementos que lo componen, sin
que influya el orden.

Por ejemplo, calcular las posibles combinaciones de 2 elementos que se


pueden formar con los números 1, 2 y 3.
Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el
cálculo de combinaciones las parejas (1,2) y (2,1) se consideran
idénticas, por lo que sólo se cuentan una vez.

2. Experimento Aleatorio
Un experimento aleatorio es una prueba que consiste en repetir un
fenómeno aleatorio con el objetivo de analizarlo y extraer conclusiones sobre su
comportamiento. De la propia definición de experimento aleatorio, así como de
la definición de fenómeno aleatorio, deducimos que se trata del estudio de
situaciones dominadas por las leyes del azar.
No siempre que tratemos de realizar un experimento aleatorio, vamos a poder
experimentar de forma tangible. Por ejemplo, imaginemos que queremos
estudiar el comportamiento de una moneda. La moneda es tangible, la podemos
ver y tocar. Lanzarla y comprobar el resultado (cara o cruz) nos corresponde a
nosotros. Ahora, supongamos el ejemplo del clima. No podemos mover las
nubes o cambiar las temperaturas. Al menos de forma tangible.

En línea con lo anterior tendremos que ser conscientes de la importancia de los


supuestos de partida de algunos experimentos. Para ello es recomendable el uso
del método axiomático.

3. Espacio Muestral
El espacio muestral es una parte del espacio probabilístico. Como su propio
nombre indica, está formado por los elementos de la muestra. Al contrario, el
espacio probabilístico engloba todos los elementos. Incluso aunque no salgan
recogidos en la muestra. El espacio muestral está formado por todos los posibles
resultados de un experimento aleatorio. Es decir, se compone de todos y cada
uno de los sucesos elementales.
 Símbolo del espacio muestral
El espacio muestral se denota con la letra griega Ω (Omega). Está
compuesto por todos los sucesos elementales y/o compuestos de la muestra
y, por tanto, coincide con el suceso seguro. Es decir, aquel suceso que
siempre va a ocurrir.
Un ejemplo de espacio muestral en el lanzamiento de una moneda sería:

Ω = {C, X}

Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o
cruz.

Ejemplo de espacio muestral


Supongamos el caso de un dado con 6 caras. Enumeradas del 1 al 6 ¿Cuál
sería el espacio muestral del experimento lanzar un dado una sola vez?

Ω = {1, 2, 3, 4, 5, 6}

¿Y si el experimento consiste en lanzar el dado dos veces? Diferenciamos


entre un dado rojo y un dado verde.

Ω = {1 y 1, 1 y 2, 1 y 3, 1 y 4, 1 y 5, 1 y 6, 2 y 1, 2 y 2, 2 y 3 … 6 y 6 }

Es decir, que en el dado rojo salga un 1 y que en el dado verde salga un 1,


sería el primer suceso elemental. El segundo suceso elemental consistiría en
que en el dado rojo salga un 1 y en el verde un 2. Así hasta un total de 36
sucesos elementales.
 Diferencia entre espacio muestral y espacio probabilístico
Confundir espacio muestral y espacio probabilístico es algo habitual.
Suele creerse que son sinónimos. Sin embargo, no es así. El espacio
probabilístico es un concepto mucho más amplio y está formado, además
de otros conceptos, por el espacio muestral.
En otras palabras, el espacio muestral es una parte del espacio
probabilístico.

4. Eventos y Tipos de eventos

Cuando decimos "Evento" nos referimos a uno (o más) resultados.

Ejemplo:

Obtener una Cara al lanzar una moneda es un evento

Lanzar un "5" es un evento.

Un evento puede incluir varios resultados:

Elegir un "Rey" de una baraja de cartas (cualquiera de los 4 Reyes) también es


un evento

Lanzar un "número par" (2, 4 o 6) es un evento

Tipos de eventos
Los eventos pueden ser:
 Independientes: Cada evento no se ve afectado por otros eventos.

Ejemplo: Lanzas una moneda y aparece "Cara" tres veces... ¿cuál es la


probabilidad de que el próximo lanzamiento también sea una "Cara"?

La probabilidad es simplemente 1/2 o 50% como en cualquier


lanzamiento de la moneda.

Lo que ocurrió en el pasado no afectará el lanzamiento actual

 Dependientes (también llamado "Condicional ") : Donde un evento se ve


afectado por otros eventos.
Ejemplo:
Tomar 2 cartas de un mazo
Después de tomar una carta del mazo, hay menos cartas disponibles,
¡por lo que las probabilidades cambian!
Veamos las posibilidades de obtener un Rey.
Para la primera carta, la posibilidad de sacar un Rey es 4 de 52
Pero para la segunda carta:
Si la primera carta era un Rey, entonces es menos probable que la
segunda carta sea un Rey, ya que solo 3 de las 51 cartas restantes son
Reyes.
Si la primera carta no era un Rey, entonces es más probable que la
segunda carta sea un Rey, ya que 4 de las 51 cartas restantes son Rey.

Esto se debe a que estamos quitando cartas del mazo.

 Mutuamente Excluyentes: Donde los eventos no pueden suceder al


mismo tiempo)

Ejemplos:

Girar a la izquierda y a la derecha son mutuamente excluyentes (no


puedes hacer ambas cosas al mismo tiempo)

Cara y Escudo son mutuamente excluyentes

Reyes y Ases son mutuamente excluyentes

Lo que no es mutuamente excluyente

¡Los reyes y los corazones no son mutuamente excluyentes, porque


podemos tener un rey de corazones!

5. Probabilidad
Una de las características más especiales de los seres humanos, que nos
diferencia del resto de animales, es nuestra capacidad de “predicción”, de
anticiparnos a los acontecimientos que van a ocurrir. A veces fallamos, pero
otras muchas no. Esta capacidad nos ha permitido llegar hasta donde estamos
hoy, pudiendo predecir tanto peligros como oportunidades. Piénsalo, nuestros
antepasado que eran capaces de predecir el ataque de un depredador fueron
los que sobrevivieron. Ahora, decenas de miles de años después hemos dado un
paso más y nos preguntamos ¿qué es la probabilidad?
La probabilidad es el cálculo matemático que evalúa las posibilidades que
existen de que una cosa suceda cuando interviene el azar.

Vamos a plantear un par de ejemplos, porque la probabilidad -como tantos


conceptos en matemáticas, es una construcción abstracta, pero con ejemplos.
 Si giras la siguiente ruleta, ¿en qué números se puede parar?

La ruleta se puede parar en un número del uno al cinco. Hemos


construido, sin darnos cuenta, lo que se llama un experimento (girar una
ruleta) y el espacio muestral (los números del uno al cinco). El espacio
muestral es un conjunto que tiene por elementos los sucesos que se
pueden dar, esto es, los números del uno al cinco.

Por nuestras experiencias en el mundo de los juegos ya sabemos más


cosas del experimento anterior. Es posible que la ruleta se pare en uno
de esos números y es imposible que salga un ocho, por ejemplo.
¡Sabemos un montón de probabilidad y no nos dábamos cuenta!
Veamos con otro ejemplo:
Viendo este aparcamiento, si sale un coche de los que están aparcados,
¿de qué color podría ser?
Las posibilidades están muy claras, del aparcamiento podría salir un
coche rojo o un coche amarillo. Es imposible que salga un coche verde, o
una moto azul. Pero, aunque es posible que salga un coche amarillo, hay
mucha más probabilidad de que sea rojo, porque hay muchos más
coches rojos que amarillos.

Cómo se calcula la probabilidad


Para calcular la probabilidad, continuando con el ejemplo anterior, no hay
más que contar los coches que hay de cada color. Como 6 de los 7
coches del aparcamiento son rojos, podemos plantearlo como una
fracción: la probabilidad de que del aparcamiento salga un coche rojo
será una fracción con numerador 6 (el número de coches rojos) y
denominador 7 (el número total de coches).

La probabilidad de que salga un coche rojo sería igual a 6/7. La


probabilidad de que salga un coche amarillo sería igual a 1/7. La
probabilidad de que salga un coche azul sería 0, porque no hay coches
azules aparcados.

Generalizando esta idea llegamos a cómo se calcula la probabilidad: con


una fracción que se suele llamar regla de Laplace. Ponemos en el
numerador el número de casos favorables y en el denominador el
número de casos posibles.

Ya podemos calcular probabilidades de sucesos sencillos. Por ejemplo,


podemos hacer predicciones de las bolas que pueden salir de este
bombo:

En el bombo hay 8 bolas:

La probabilidad de que salga una concreta de él es 1/8

Pero cuatro bolas son iguales, y tienen el número 5, por lo que la


probabilidad de que salga un cinco es 4/8. Si te piden que apuestes por
algún resultado, el más probable es el cinco.

6. Cálculos, Axiomas y Reglas de Probabilidad

El cálculo de probabilidades es el estudio de cómo se determina la posibilidad de


ocurrencia de un suceso. Esto, cuando tiene injerencia el azar.
Es decir, mediante el cálculo de las probabilidades, se usan herramientas
matemáticas para hallar qué tan factible es que suceda un evento. Esto, en el
marco de ciertas condiciones.
El cálculo de probabilidades forma parte de la teoría de la probabilidad. Esta es
aquella área de las matemáticas y la estadística que engloba todos los
conocimientos relativos a la probabilidad. Dicho análisis es aplicado, por
ejemplo, en los juegos de azar; como el póker.

En este sentido, debemos recordar que la probabilidad es la posibilidad de


ocurrencia de un fenómeno o un hecho. Esto, cuando están dadas determinadas
circunstancias.

Fórmula del cálculo de probabilidades


La fórmula básica para el cálculo de probabilidades que debemos tener en
cuenta es la siguiente:

Número de casos favorables/Número total de casos posibles

Con esta fórmula podemos realizar todos los cálculos que queramos, desde los
más simples hasta los más complejos.

Por ejemplo, supongamos que voy a lanzar un dado y deseo saber la


probabilidad de obtener como resultado un múltiplo de tres:

Casos favorables: 3,6 : Dos casos.


Casos posibles: 1, 2, 3, 4, 5, 6 : Seis casos.
Por tanto, la probabilidad sería: 2/6= 1/3= 0,3333= 33,33%

Otros ejemplos de probabilidad


Veamos otros ejemplos para que quede más claro el cálculo de probabilidades.
Supongamos que una persona debe elegir al azar una carta de un mazo con 52
cartas. Son 13 cartas por cada uno de los cuatro palos (no estamos incluyendo
al Joker). Por lo que, ¿cuál es la probabilidad de que saque una carta con el
número 7?

Número de casos favorables: 4, uno por cada palo.


Número total de casos posibles: 52.
Probabilidad: 4/52= 1/13= 0,0769= 7,6923%.

Veamos otro caso.

Supongamos que una persona tiene que elegir un papel que, al abrirlo,
mostrará un número. Hay diez papeles, donde se debía numerar del 1 al 10.
Pero, por error, se ha escrito dos veces el número 8. Entonces, ¿cuál es la
probabilidad de elegir el número 8?

Número de casos favorables: 2.


Número total de casos posibles: 10.
Probabilidad: 2/10= 1/5= 0,2= 20%.

Cálculo de probabilidades con conjuntos


Podemos, también, trabajar el cálculo de probabilidades tomando como
referencia los conjuntos y sus propiedades.

Por ejemplo, supongamos que en un aula sabemos que 6 de 30 alumnos


desaprobaron el último examen de matemáticas.

Entonces, la probabilidad de que, si elegimos aleatoriamente a cualquiera de los


alumnos, este haya desaprobado el último examen de matemáticas es de 20%,
dado lo siguiente:
Número de casos favorables: 6.
Número total de casos posibles: 30.
Probabilidad: 6/30= 1/5= 0,2= 20%.

Del mismo modo, se sabe que la probabilidad de que un alumno haya


desaprobado el examen de biología es de 15%. Además, la probabilidad de que
haya desaprobado ambos exámenes es de 10% ¿Cuál es la probabilidad de que
un alumno haya desaprobado solo el examen de matemáticas o solo el de
biología?

A= {Desaprobados en el examen de matemáticas}= 20%x (siendo x el número


de alumnos en el salón).

B= {Desaprobados en el examen de biología}= 15%x.

A∩B= {Desaprobados en el examen de matemáticas y biología}= 10%x.

A△B= AUB – A∩B= {Desaprobados solo en el examen de matemáticas o en el


de biología}.

Es decir, en este caso estamos hallando la diferencia simétrica de los conjuntos


(Ver álgebra de conjuntos), que sería el espacio sombreado que vemos en la
imagen que se muestra abajo:
Axiomas de Probabilidad
Los axiomas de probabilidad son las condiciones mínimas que deben verificarse
para que una función definida sobre un conjunto de sucesos determine
consistentemente sus probabilidades. Fueron formulados por Kolmogórov en
1933.
 Axiomas de Kolmogórov
Dado un conjunto de sucesos elementales, Ω, sobre el que se ha definido
una σ-álgebra (léase sigma-álgebra) σ de subconjuntos de Ω y una función
P que asigna valores reales a los miembros de σ, a los que denominamos
"sucesos", se dice que P es una probabilidad sobre (Ω,σ) si se cumplen los
siguientes tres axiomas.
 Axioma 1
La probabilidad de un evento S no puede ser negativa
0 ≤ P(S)
 Axioma 2
La probabilidad del evento seguro,  , es igual a 1, denotado
simbólicamente como: P( )=1
 Axioma 3
Si  E1, E2, E3, …on eventos mutuamente excluyentes (es decir, su
intersección es el conjunto vacío), entonces:
P(E1 U E2 U E3,…)=  P(Ei)
El axioma es el conjunto de datos adquiridos
Según este axioma se puede calcular la probabilidad de un suceso
compuesto de varias alternativas mutuamente excluyentes sumando las
probabilidades de sus componentes.
En términos más formales, una probabilidad es una medida sobre una σ-
álgebra de subconjuntos del espacio muestral, siendo los subconjuntos
miembros de la σ-álgebra los sucesos y definida de tal manera que la
medida del total sea 1. Tal medida, gracias a su definición matemática,
verifica igualmente los tres axiomas de Kolmogórov. A la terna formada
por el espacio muestra, la σ-álgebra y la función de probabilidad se la
denomina Espacio probabilístico, esto es, un "espacio de sucesos"
(el espacio muestral) en el que se han definido los posibles sucesos a
considerar (la σ-álgebra) y la probabilidad de cada suceso (la función de
probabilidad).
Propiedades que se deducen de los axiomas
De los axiomas anteriores se coligen inmediatamente otras proposiciones
de la probabilidad:

1. P()=0  donde el conjunto vacío  representa en probabilidad


el suceso imposible
2. P(E)<= 1 Para cualquier evento, 
3. P(AC)=1-P(A), donde AC donde representa el conjunto
complemento de A

4. Si E <=F entonces P(E)< =P(F)


5. P(E U F)= P(E )+P (F)-P(E π F)

Ejemplos

7. Teorema de Bayes
El teorema de Bayes es utilizado para calcular la probabilidad de un suceso,
teniendo información de antemano sobre ese suceso.
Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A
cumple cierta característica que condiciona su probabilidad. El teorema de Bayes
entiende la probabilidad de forma inversa al teorema de la probabilidad total. El
teorema de la probabilidad total hace inferencia sobre un suceso B, a partir de
los resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad de A
condicionado a B.

Formula del Teorema de Bayes


Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos,
necesitamos una fórmula. La fórmula se define matemáticamente como:
Donde B es el suceso sobre el que tenemos información previa y A(n) son los
distintos sucesos condicionados. En la parte del numerador tenemos la
probabilidad condicionada, y en la parte de abajo la probabilidad total. En
cualquier caso, aunque la fórmula parezca un poco abstracta, es muy sencilla.
Para demostrarlo, utilizaremos un ejemplo en el que en lugar de A(1), A(2) y
A(3), utilizaremos directamente A, B y C.

Ejemplo del teorema de Bayes


Una empresa tiene una fábrica en Estados Unidos que dispone de tres máquinas
A, B y C, que producen envases para botellas de agua. Se sabe que la máquina
A produce un 40% de la cantidad total, la máquina B un 30%, y la máquina C
un 30%. También se sabe que cada máquina produce envases defectuosos. De
tal manera que la máquina A produce un 2% de envases defectuosos sobre el
total de su producción, la máquina B un 3%, y la máquina C un 5%. Dicho esto,
se plantean dos cuestiones:

P(A) = 0,40 P(D/A) = 0,02

P(B) = 0,30 P(D/B) = 0,03

P(C) = 0,30 P(D/C) = 0,05

Si un envase ha sido fabricado por la fábrica de esta empresa en Estados Unidos


¿Cuál es la probabilidad de que sea defectuoso?
Se calcula la probabilidad total. Ya que, a partir los diferentes sucesos,
calculamos la probabilidad de que sea defectuoso.
P(D) =[ P(A) x P(D/A) ] + [ P(B) x P(D/B) ] + [ P(C) x P(D/C) ] = [ 0,4 x 0,02 ]
+ [ 0,3 x 0,03 ] + [ 0,3 x 0,05 ] = 0,032

Expresado en porcentaje, diríamos que la probabilidad de que un envase


fabricado por la fábrica de esta empresa en Estados Unidos sea defectuoso es
del 3,2%.

2. Siguiendo con la pregunta anterior, si se adquiere un envase y este es


defectuoso ¿Cuáles es la probabilidad de que haya sido fabricado por la máquina
A? ¿Y por la máquina B? ¿Y por la máquina C?

Aquí se utiliza el teorema de Bayes. Tenemos información previa, es decir,


sabemos que el envase es defectuoso. Claro que, sabiendo que es defectuoso,
queremos saber cuál es la probabilidad de que se haya producido por una de las
máquinas.

P(A/D) = [P(A) x P(D/A)] / P(D) = [0,40 x 0,02] / 0,032 = 0,25

P(B/D) = [P(B) x P(D/B)] / P(D) = [0,30 x 0,03] / 0,032 = 0,28

P(C/D) = [P(C) x P(D/C)] / P(D) = [0,30 x 0,05] / 0,032 = 0,47

Sabiendo que un envase es defectuoso, la probabilidad de que haya sido


producido por la máquina A es del 25%, de que haya sido producido por la
máquina B es del 28% y de que haya sido producido por la máquina C es del
47%.

8. Razones y Proporciones
Razón, es la comparación que se establece entre dos cantidades de una
magnitud; mediante las operaciones de sustracción o división. Si dicha comparación se
realiza por sustracción se llama razón aritmética, pero si se realiza mediante una
división se llama razón geométrica

Ejemplo

Luis y Roxana son aficionados al atletismo. Deciden hacer una competencia y observan
que cuando Luis recorre 25 metros, Roxana recorre 35 metros. Basados en este
ejemplo podemos afirmar que Roxana recorre 10 metros más que Luis. Para llegar a
esta conclusión hemos efectuado una comparación por sustracción. Por lo que la
llamamos razón aritmética

35-25 = 10

Dónde:

35 sería el antecedente

25 sería el consecuente

Y 10 sería el valor de la razón aritmética

En este mismo ejemplo si realizamos la división entre las distancias recorridas por
Roxana y Luis

35 = 7 Antecedente,

25 5 Consecuente

podemos afirmar que la rapidez de Roxana es 2/5 más que la de la de Luis

Proporción, es la igualdad en valor numérico entre dos razones, la aritmetica y la


Geométrica
Proporción Aritmética, es aquella que se forma al igualar a los valores numéricos de
dos razones aritméticas

Ejercicio:

Se tienen cuatro artículos cuyos precios son

S/, 15 ; S/, 13 ; S/, 9 ; S/, 7

Los cuales se comparan mediante la sustracción del siguiente modo

S/. 15 - S/. 13 = S/. 2

------> [S/. 15 - S/. 13 = S/. 9 - S/. 7]

S/. 9 - S/. 7 = S/. 2 Terminos Extremos: S/. 15 ; S/. 7

Terminos Medios: S/. 13 ; S/. 9

Interpretación:

El precio S/. 15 supera al precio S/. 13 tanto como el precio S/. 9 supera al precio S/.
7

Proporción Geométrica

Es aquella que se forma al igualar los valores numéricos con dos razones geométricas

Ejercicio:

Se tienen cuatro recipientes cuyas capacidades so 21 litros ; 7 litros ; 15 litros y 5


litros, las cuales se comparan mediante la división del siguiente modo:

21/7= 3

-------------- 21/7 = 15/5 , siendo 21 y 15 Terminos Extremos


y 21 y 15 Terminos Medios

15/5= 3

Interpretación: La capacidad de 21 litros es a 7 litros como la de 15 es a la de 5 litros

9. La probabilidad aplicada en el campo de la administración (análisis crítico-


reflexivo

Muchas empresas aplican la comprensión de la incertidumbre y probabilidad en sus


prácticas de decisión en sus negocios. Los modelos de probabilidad pueden ayudar
enormemente a las empresas a optimizar sus políticas y tomar decisiones seguras.
Aunque complejos, esos métodos de probabilidad pueden incrementar la rentabilidad y
éxito de una empresa.

Inversión

La optimización en la ganancia de un negocio depende de cómo un negocio invierte


sus recursos. Una parte importante de invertir es conocer los riesgos involucrados con
cada tipo de inversión. La única manera de que un negocio pueda tener en cuenta
estos riesgos al tomar decisiones sobre inversión es usar la probabilidad como un
método de cálculo. Luego de analizar las probabilidades de ganancia y pérdida
asociadas con cada decisión de inversión, un negocio puede aplicar modelos de
probabilidad para calcular qué inversión o combinaciones de ésta producen la máxima
ganancia esperada.

Servicio al cliente

El servicio al cliente puede ser físico como servicio de ventanilla de un banco o servicio
al cliente virtual como un sistema de Internet. En cualquier caso, los modelos de
probabilidad pueden ayudar a una compañía a crear una política relacionada al servicio
al cliente. Para tales políticas, los modelos de teoría de colas son integrales. Estos
modelos le permiten a las compañías comprender la eficiencia relacionada a su sistema
actual de servicio al cliente y hacer cambios para optimizar el sistema. Si una
compañía se encuentra con problemas relacionados a filas largas o tiempos de espera
en línea largos, esto puede causar que la compañía pierda clientes. En esta situación,
los modelos de hacer filas se vuelven una parte importante de resolución de
problemas.

Estrategia competitiva

Aunque la teoría del juego es una parte importante de determinar la estrategia de la


compañía, ésta carece de la inclusión de incertidumbre en estos modelos. Un modelo
determinista de tal tipo no puede permitir a una compañía para optimizar
verdaderamente su estrategia en términos de riesgo. Los modelos de probabilidad
como las cadenas de Markov le permiten a las compañías diseñar un conjunto de
estrategias que no solamente dan cuenta del riesgo pero se auto-alteran en la fase de
nueva información considerando a las compañías en competencia. Además, las
cadenas de Markov le permiten a las compañías analizar de forma matemática
estrategias de largo plazo para encontrar cuáles producen los mejores resultados.

Diseño de producto

El diseño de producto, especialmente el diseño de productos complicados como


dispositivos informáticos, incluye el diseño y arreglo de múltiples componentes en un
sistema. La teoría de fiabilidad brinda un modelo probabilístico que ayuda a los
diseñadores a modelar sus productos en términos de la probabilidad de fracaso o
interrupción. Este modelo permite un diseño más eficiente y permite a los negocios
redactar de forma óptima garantías y políticas de devolución.

Conclusión
Este trabajo sirvió con el propósito de sumergirnos en el mundo de las probabilidades,
dentro de la estadística, de amplia utilización en los que haceres diarios,y de gran
utilidad en los datos que se obtienen en un estudio dentro de la rama de la
administración.

El objetivo fundamental de la probabilidad, es la de mostrar al alumno la importancia y


utilidad del Método Estadístico en el ámbito económico-empresarial. Con tal fin, el
alumno deberá aprender a manejar los métodos y técnicas más adecuadas para el
correcto tratamiento y análisis de la información proporcionada por los datos que
genera la actividad económica.

El valor más pequeño que puede tener la probabilidad de ocurrencia de un evento es


igual a 0, el cual indica que el evento es imposible, y el valor mayor es 1, que indica
que el evento ciertamente ocurrirá. Entonces si decimos que P(A) es la probabilidad de
ocurrencia de un evento A y P(A´ ) la probabilidad de no-ocurrencia de A, tenemos
que:

Finalmente, la distribución de probabilidades permite a las organizaciones conocer


todos los resultados posibles de éxito o fracaso antes de la realización de un proyecto.
Se conoce así a la representación matemática o gráfica que ilustra la probabilidad de
diferentes resultados de un evento aleatorio.

Bibliografía
 http://www.vitutor.com/estadistica/inferencia/inferenciaContenidos.html
 humanidades.cchs.csic.es/cchs/web_UAE/historia/historia.htm
 www.slideshare.net/difariney/historia-y-conceptos - Estados Unidos
 Anderson D., Sweeney D., Williams T. Estadística para la administración y
economía. Décima edición. Cengage Learning. 2008
 Berenson M., Levine D., Krehbiel T. Estadística para administración. Segunda
edición. Prentice Hall. 2000
 Meyer P. Probabilidad y Aplicaciones estadísticas. Edición revisada. Addison
Wesley Logman. 1998
 Montgomery D., Diseño y análisis de experimentos. Segunda edición. Limusa
Wiley. 2006
 Wisniewski P., Velasco G. Problemario de probabilidad. Thomson Learning.
2001

REPUBLICA BOLIVARIANA DE VENEZUELA


UNIVERSIDAD NACIONAL EXPERIMENTAL

“RAFAEL MARIA BARALT”

VICERRECTORADO ACADÉMICO

PROGRAMA ADMINISTRACIÓN

PROYECTO GERENCIA TRIBUTARIA

ASIGNATURA: ESTADISTICAS I

UNIDAD V

Distribución Discreta de la Probabilidad

(Distribución Binomial)

Profesor. Cesar Barrientos

Alumno: Ricardo Zapata Caldato

C.I. 31.444.553

Ciudad Ojeda, Septiembre 2021


Índice.

Introducción

1. Concepto de Distribución Binomial


2. Características de la Distribución Binomial
3. Uso de Tablas de la Distribución Binomial
4. Formula Estadística de la Distribución Binomial, Descripción.
5. Aplicación al Campo Administrativo de la Distribución Binomial (Análisis Critico-
reflexivo)
6. Utilización de software estadístico, para la resolución de ejercicios aplicados al
área administrativa (análisis crítico reflexivo)
7. Ejercicio de Distribución Binomial
a) Enunciado
b) Datos
c) Formula
d) Sustitución de Valores
e) Solución del Ejercicio, cálculos matemáticos
f) Interpretación de los resultados
Conclusiones
Recomendaciones
Bibliografía

INTRODUCCIÓN
La distribución Poisson es, junto con la distribución binomial, una de las más
importantes distribución

de probabilidad para variables discretas, es decir, sólo puede tomar los valores 0, 1,
2, 3, 4, ..., k.

La distribución de Poisson se emplea para describir varios procesos, entre otros:

9 El número de autos que pasan a través de un cierto punto en una ruta


(suficientemente

distantes de los semáforos) durante un periodo definido de tiempo.

9 El número de errores de ortografía que uno comete al escribir una única página.

9 El número de llamadas telefónicas en una central telefónica por minuto.

9 El número de servidores web accedidos por minuto.

9 El número de defectos en una longitud específica de una cinta magnética.

9 El número de mutaciones de determinada cadena de ADN después de cierta


cantidad de

radiación.

9 El número de defectos por metro cuadrado de tela.

9 El número de estrellas en un determinado volumen de espacio.

Cada una de estas variables aleatorias representa el número total de ocurrencias de


un fenómeno

durante un periodo de tiempo fijo o en una región fija del espacio. Expresa la
probabilidad de un

número k de ocurrencias acaecidas en un tiempo fijo, si estos eventos ocurren con


una frecuencia media
conocida y son independientes del tiempo discurrido desde la última ocurrencia o
suceso.

La finalidad del presente objeto de aprendizaje, es adquirir la destreza y conocimiento


necesario para la

correcta utilización de la distribución de Poisson en el cálculo de probabilidades. Para


ello, en primer

lugar presentamos los objetivos específicos que pretendemos conseguir; a


continuación trabajaremos la

definición y características de la distribución de Poisson, haciendo especial relevancia


en cómo

identificarla y diferenciarla de otras distribuciones discretas y se resuelven algunos


ejemplos prácticos

La distribución Poisson 3

para ayudar a su comprensión. Finalmente, destacaremos los conceptos básicos de


aprendizaje con

respecto a la distribución de Poisson y sus aplicaciones prácticas.

• Identificar las propiedades de una distribución Poisson, así como sus parámetros

característicos, esperanza y varianza.

• Estimar el valor promedio, la λ, característico de las variables de Poisson a partir de


la

frecuencia o probabilidad de ocurrencia, p, y el número de veces que se presenta un

suceso, n.

• Establecer las bases para el cómputo de las probabilidades para variables Poisson
1. Concepto de Distribución Binomial

Una distribución binomial es una distribución de probabilidad discreta que


describe el número de éxitos al realizar n experimentos independientes entre sí,
acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser


caracterizados bajo esta distribución de probabilidad. Imaginemos el lanzamiento de
una moneda en el que definimos el suceso “sacar cara” como el éxito. Si lanzamos 5
veces la moneda y contamos los éxitos (sacar cara) que obtenemos, nuestra
distribución de probabilidades se ajustaría a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o


ensayos en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito
nuestra variable aleatoria.
Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial,
tiene que cumplir las siguientes propiedades:

En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).

La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p.


La probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante
dado que la moneda no cambia en cada experimento y las probabilidades de sacar
cara son constantes.

La probabilidad de fracaso ha de ser también constate. Esta se representa mediante


la letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o
sabiendo q, podemos obtener la que nos falte.

El resultado obtenido en cada experimento es independiente del anterior. Por lo


tanto, lo que ocurra en cada experimento no afecta a los siguientes.

Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una
moneda salga cara y cruz al mismo tiempo.

Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de


ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha
de salir cruz.

La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la
probabilidad de éxito.
2. Características de la Distribución Binomial

 Tendencia central: aplicando la definición de valor esperado se

obtiene que para esta distribución

 Dispersión ó variación: lo que conduce

a que una v.a. binomial X tiene como varianza

Por lo tanto su desviación estándar:


 Asimetria ó deformacíon (Forma): con base en la razón entre los momentos
centrales de orden dos y tres como quedo definido antes:

sobre la base de que si:

Generalmente la distribución binomial es sesgada ó asimetrica hacia la derecha,

sesgo que se va perdiendo cuanto más grande sea el valor de (# de pruebas) y en

la medida en que , se acerque a 0,5. (por lo tanto , tienda a 0, 5), limite en


el cual se torna simétrica

Para el caso considerado y utilizando tanto la metodología tradicional de la definición


de conceptos como usando las fórmulas simplificadas, tenemos:
0 0.729 0 -0.30 09 0.06561$
1 0.243 0.243 +0.7 0.49 0.11907
2 0.027 0.054 +1.7 2.89 0.07803
3 0.001 0.003 +2.7 7.29 0.00729
Total1.000 0.30 0 0.27000

Ejemplo
Una empresa adoptó un proceso de control ded calidad consistente en
diariamente seleccionar al azar 20 unidadeds del total producido y conocer el
número de unidades defectuosas. El plan establece que si al examinar diariamente
las veinte unidades, tres ó mas salen defectuosas, algo esta pasando y se ordena
detener el proceso productivo para buscar la falla. Cúal es la probabilidad de que se
ordene parar el proceso productivo si se sabe por experiencia que la probabilidad de
una unidad defectuosa es 10%?

Se pide:

La solución más corta para este planteamiento sería entonces:

Osea 40%, que sera la probabilidad de que sera la probabilidad de que cualquier
dia se ordene parar el proceso de producción según el planteamiento de control del
mismo.
Si consideramos las características, tenemos:

Valor esperado unidades defectuosas.

Varianza

Valores que como es lógico también pueden ser hallados por el método tradicional.

Si se hace la grafica para determinar la forma (aunque se deduce que como

Unidades defectuosas

3. Uso de Tablas de la Distribución Binomial


1.-¿Cómo utilizar la tabla de la distribución Binomial?
Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la
probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será,
pues, del 70%. Lanzamos la moneda 10 veces de manera consecutiva. Si
queremos calcular la probabilidad de que observemos 6 caras o menos nos
fijamos en la tabla: localizamos n=10, x=6, p=0.3 y buscamos la intersección:
0.9894
2.-¿Y si nos pidieran la probabilidad de que salieran 7 caras o más?
Entonces utilizaríamos el hecho de que el suceso descrito es el complementario
del anterior para afirmar que la probabilidad buscada es 1-0.9894=0.0106

3.-¿Y si nos pidieran la probabilidad de que salieran exactamente 6 caras?


Tendríamos que calcular la probabilidad de obtener 6 caras o menos (0.9894) y
la de obtener 5 caras o menos (0.9527), las restamos y obtenemos 0.0367.

No obstante, mejor es calcular 0.3 0.7 0.036756909

4.-¿ Qué pasa si el suceso sobre el que queremos calcular tiene una
probabilidad
mayor que 0.5?
Este caso se daría, por ejemplo, si la probabilidad de que saliera cara fuera del
70%. Entonces, si nos piden la probabilidad de obtener 4 caras o menos tirando
10 veces la moneda, haríamos lo siguiente. Notemos que la probabilidad de
obtener 4 caras o menos será la misma de obtener 6 cruces o más. Este suceso
es el complementario de obtener 5 cruces o menos. Así pues localizamos n=10,
x=5, p=0.3 (ya que la probabilidad de obtener cruz es del 30%) y tomamos la
intersección, que es 0.9527. La probabilidad que nos pedían
será de 1-0.9527=0.0473

5.-¿Y si la probabilidad P no aparece en la tabla?


Entonces haríamos interpolación. Supongamos que X se distribuye como una
binomial con P=0.17; entonces, si queremos calcular la probabilidad que X sea
menor o igual que 3 después de 6 tiradas (n=6), tomamos la tabla y
localizamos las probabilidades más cercanas a 0.17, que son 0.15 y 0.2.
La interpolación la realizaremos como sigue:
(0.9830 0.9941) 0.98966
6.-¿Qué pasa si n>20?
En estos casos hay dos posibilidades: grosso modo, si el valor de P es muy
pequeño, intentaremos aproximar la variable aleatoria binomial con la
distribución de Poisson, que explicamos en el siguiente apartado. Si no se puede
considerar pequeño, buscaremos la aproximación adoptando la distribución
normal (tercer apartado). En general, el valor de n que se requiere para que la
aproximación sea satisfactoria suele ser bastante superior a 20. Una tercera
posibilidad, evidentemente, es recurrir al cálculo por ordenador
4. Formula Estadística de la Distribución Binomial, Descripción.

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que


pueden ser descritos con una variable aleatoria discreta. La letra X suele representar
esa variable y puede además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra
X mayúscula para representar la variable aleatoria y la x minúscula para designar un
valor específico que puede asumir la X mayúscula. La probabilidad de exactamente x
ocurrencias en una distribución de Poisson se calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda

(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial

Ejemplo de distribución de Poisson


Supóngase que estamos investigando la seguridad de un crucero muy peligroso.
Los archivos de la policía indican una media de cinco accidentes por mes en él.
El número de accidentes está distribuido conforme a la distribución de Poisson,
y la división de seguridad en carreteras quiere calcular la probabilidad de
exactamente 0,1,2,3 y 4 accidentes en un mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674


P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552

Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades


de 0,1,2,3 lo que será igual a :

P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511


entonces la probabilidad de que ocurran más de tres debe ser = 1 –0.26511 =
0.73489.

5. Aplicación al Campo Administrativo de la Distribución de Poisson (Análisis


Critico-reflexivo)

La distribución de Poisson se utiliza en el campo de riesgo operacional con el objetivo


de modelar las situaciones en que se produce una pérdida operacional. En riesgo de
mercado se emplea el proceso de Poisson para los tiempos de espera entre
transacciones financieras en bases de datos de alta frecuencia.
6. Utilización de software estadístico, para la resolución de ejercicios aplicados al
área administrativa (análisis crítico reflexivo)

El software de análisis estadístico varía dependiendo del tipo de análisis


estadístico que se necesita para llevar a cabo. Ya que hay una serie de software
para elegir, que el usuario tiene que identificar el tipo de software para el uso
basado en el trabajo a realizar, la forma el software funciona con el paquete de
software existente y el costo. Consciente de la ventaja y desventaja del software
estadístico también puede ayudar a tomar la decisión final.

Algunos de los paquetes de software estadístico en el mercado:

 SPSS Paquete estadístico para las ciencias sociales es un programa de


software utilizado para la edición y estudio de implementación, análisis de
texto, minería de datos, análisis estadístico y lote y automatizada de
puntuación servicios. El software de base contiene estadísticas bivariadas,
estadística descriptiva, predicción para la identificación de grupos y predicción
de los resultados numéricos. Es bueno para correr rápido análisis estadístico
porque es basada en interfaz gráfica de usuario. Es decir, se ejecuta en una
variedad de sistemas operativos Linux/UNIX, Macintosh, Windows y zLinux. El
inconveniente aquí es que requiere una renovación de la licencia anual, tiene
procedimientos estadísticos limitados en comparación con otro software, y
algunos de los procedimientos requieren que el usuario adquirir módulos
adicionales.

 MINITAB es un programa de software integrado que se ejecuta en sistemas


operativos como Windows, Minitab 16 introdujo el Asistente, un menú
interactivo que le guía a través de todo análisis y le ayuda a interpretar y
comunicar los resultados. Pone el poder la estadística, incluyendo análisis de
sistemas de medición, análisis de capacidad, pruebas de hipótesis y gráficas de
control, en las manos de todo aquél que necesite analizar datos. En Minitab
17, se amplió el Asistente para incluir DOE y regresión múltiple, mejoraron la
orientación que se proporciona con respecto al análisis gráfico, y mucho más.

 SAS es un programa de software integrado que se ejecuta en sistemas


operativos como Windows, Linux/UNIX, Open VMS Alpha e IBM. Permite al
usuario realizar una serie de tareas, incluyendo la redacción de informes y
gráficos; recuperación de datos, minería de datos y administración de datos;
análisis estadístico; desarrollo de aplicaciones; planificación de negocios,
soporte de decisiones y previsiones; mejora de la calidad; investigación de
operaciones y gestión de proyectos; extracción, transformación y carga de
datos; plataforma informática independiente y remoto; y permite soluciones de
software a gran escala. Las desventajas a SAS incluyen la necesidad de
renovación de licencia anual, capacidad de gráficos ligeramente pobre,
procedimientos estadísticos un poco limitados en comparación con otro
software, y algunos de los procedimientos requieren que el usuario adquirir
módulos adicionales.

 S-Plus es otro de los programas estadísticos más usados a nivel mundial para
el análisis de datos. Está disponible al público la versión 8. Incluye dentro de
las principales características: análisis multivariado de datos, análisis de
sobrevivencia, escalamiento multidimensional, regresión no paramétrica.

Entre los estadísticos de cálculo habituales incluye: pruebas de hipótesis y


construcción de intervalos de confianza, análisis de varianza, análisis exploratorio
de datos, entre otros.

 Statgraphics es un programa de estadística de fácil manejo y una buena


herramienta para la enseñanza de la estadística en secundaria y para la
investigación en educación.

 Statistica es otro de los programas más usados a nivel mundial para el


análisis estadístico. Entre todas las bondades y pruebas estadísticas que
incluye, destaca la variedad de gráficos y la facilidad en el manejo de
bases de datos.

 PH-Stat 2.5 Sitio web de Prentice Hall PH-Stat es un complemento de Excel


producido por la Editorial Prentice Hall y acompaña a varios de los libros
de texto sobre estadística. Destaca la posibilidad de poder crear gráficos
de control de calidad, diagramas de tallos y hojas, cajas de dispersión,
intervalos de confianza en estimación, análisis de varianza, entre otros.

Otras aplicaciones estadísticas. 16

En la actualidad se han creado diferentes aplicaciones estadísticas, las cuales se


pueden utilizar para otro nivel de cálculos estadístico o por el costo de algunos de
ellos.
 Visual Probability: Cálculo y dibujo de funciones de probabilidad, permite
calcular y dibujar funciones de probabilidad, funciones de distribución
acumulada, funciones de supervivencia y funciones de riesgo, y obtener
valores cuantiles, medios, varianzas de diez distribuciones más.

 Visual Stats: Visual Stats es un software de estadísticas para implementar


el análisis de datos y el análisis estadístico multivariado.
 Math Processor: Ayuda a resolver diferentes tipos de problemas
relacionados con la aritmética, estadística, geometría, trigonometría,
álgebra de Boole, teoría de números Math Processor (MP) le ayuda a
resolver diferentes tipos de problemas que van desde la aritmética a las
estadísticas, geometría, trigonometría, álgebra de Boole, teoría de
números y muchas otras áreas afines. Es de código abierto y libre. Además
de la línea de comandos, MP proporciona herramientas visuales llamadas
Fácil Kits para hacer el motor central más accesible a los usuarios con
menos experiencia.

7. Ejercicio de Distribución Binomial


 Enunciado
Vamos a imaginar que un 80 % de las personas de todo el mundo vieron las
Olimpiadas 2016 en Río de Janeiro. Una vez finalizadas, 4 amigos se reúnen
para charlar. ¿Cuál es la probabilidad de que 3 de ellos las hayan visto?

 Datos
n = 4 (el total de la muestra)
x = número de éxitos (en este caso es igual a 3, ya que buscamos la
probabilidad de que 3 de los 4 amigos las hayan visto)
p = probabilidad de éxito (0,8)

 Formula y sustitución de valores


Lo primero que hay que hacer es definir las variables del experimento:
q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.
Tras definir todas las variables, solo tenemos que sustituirlas en la fórmula:

El numerador del factorial se obtiene entonces multiplicando 4 · 3 · 2 · 1 = 24,


mientras que en el denominador tendríamos que multiplicar 3 · 2 · 1 · 1 = 6.
Por lo tanto, el resultado del factorial sería 24/6=4.

Fuera del corchete, hay dos números. El primero sería 0,83=0,512 y el


segundo es 0,2 (porque 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto, el resultado final sería: 4 · 0,512 · 0,2 = 0,4096.

 Solución del Ejercicio, cálculos matemáticos


Si lo multiplicamos por 100, tenemos como resultado que hay una probabilidad
del 40,96 %

 Interpretación de los resultados


Hay un 40,96% de que 3 de los 4 amigos hayan visto las Olimpiadas de Brasil.
CONCLUSIONES
A menudo cuando nos encontramos estudiando una carrera universitaria somos
bombardeados con mucha información por parte de la academia, sin embargo
no hallamos conciencia de la importancia de dicha información menospreciando
la aplicación de estos conocimientos al igual atacamos sin misericordia al
docente cuando por no prestar atención a la clase, no entendemos lo enseñado
y para escudar la falta de atención expresamos comentarios como: “¿para que
me va ha servir esto en mi vida laboral?”. Bien ahora los invito a reflexionar
sobre lo
siguiente: será que la distribución bionomíal nos puede servir para algo, para
averiguarlo debemos entender de que estamos hablando comencemos por
estudiar la historia de estetipo de distribución fue desarrollada por
Jakob Bernoulli (Suiza, 1654-1705) es la principal distribución de probabilidad
discreta.Una distribución de probabilidad ampliamente utilizada de una variable
aleatoria discreta es la distribución binomial.
Esta describe varios procesos de interés para los administradores. Describe
datos discretos, resultantes de un experimento denominado proceso de
Bernoulli en honor delmatemático suizo Jacob Bernoulli, quien vivió en el siglo
XVII.
Empleo del proceso de Bernoulli. Podemos servirnos de los resultados de un
número fijode lanzamientos de una moneda como ejemplo de un proceso de
Bernoulli. Este proceso lo describimos así:
1. Cada ensayo (cada lanzamiento, en nuestro caso) tiene sólo dos resultados
posibles: ladoA o lado B, sí o no, éxito o fracaso.
2. La probabilidad del resultado de cualquier ensayo (lanzamiento) permanece
fija con el tiempo. Tratándose de una moneda la probabilidad de que salga del
lado A sigue siendo de 0.5 en cada lanzamiento, cualquiera que sea el número
de veces que la moneda sea arrojada.
3. Los ensayos son estadísticamente independientes, es decir, el resultado de
un lanzamiento no afecta al de cualquier otro lanzamiento. Cada proceso de
Bernoulli tiene su propia probabilidad característica. Pongamos el caso en que
siete décimas partes de las personas que solicitaron cierto tipo de empleo
pasaron la prueba. Diremos entonces que la probabilidad característica fue de
0.7 pero podemos describir los resultados de la prueba como un proceso de
Bernoulli sólo si tenemos la seguridad de que la proporción de los que fueron
aprobados permaneció constante con el tiempo. Desde luego, la otra
característica del proceso de Bernoulli también deberá ser satisfecha. Cada
prueba deberá arrojar tan sólo dos resultados (éxito o fracaso y los resultados
de las pruebas habrán de ser estadísticamente independientes. En un lenguaje
más formal, el símbolo p representa la probabilidad de un éxito y el símbolo q
(1- p) representa la probabilidad de un fracaso. Para representar cierto número
de éxitos, utilizaremos el símbolo r y para simbolizar el número total de ensayos
emplearemos el símbolo n. para ilustrar de una manera más sencilla lo dicho
anteriormente analicemos el siguiente ejemplo Supongamos que un
experimento aleatorio tiene las siguientes características: En cada prueba del
experimento sólo son
posibles dos resultados: el suceso A (éxito) y obtenido en cada prueba es
independiente de los resultados obtenidos anteriormente. La probabilidad del
suceso A es constante, la representamos por p, y no varía de una prueba a otra.
La probabilidad de es 1- p y la representamos por q. El experimento consta
de un número n de pruebas. Todo experimento que tenga estas características
diremos que sigue el modelo de la distribución Binomial. A la variable X que
expresa el número de éxitos obtenidos en cada prueba del experimento, la
llamaremos variable aleatoria binomial. La variable binomial es una variable
aleatoria discreta, sólo puede tomar los valores 0, 1, 2, 3, 4,..., n suponiendo
que se han realizado n pruebas. Como hay que considerar todas las maneras
posibles de obtener k-éxitos y (n-k) fracasos debemos calcular éstas por
combinaciones (número combinatorio n sobre k).La distribución Binomial se
suele representar por B(n,p) siendo n y p los parámetros de dicha distribución.
El anterior fue un ejemplo de la forma que menos nos gusta con términos
enredados y con poca aplicabilidad pero ahora vamos a analizar y a demostrar
con el siguiente ejemplo que la distribución binomial es fácil de entender y es
importante en nuestra vida cotidiana imaginemos una escuela primaria
donde los alumnos llegan tarde a menudo. Cinco alumnos están en el jardín de
niños. La directora lleva tiempo estudiando el problema, habiendo llegado a la
conclusión de que hay una probabilidad de 0.4 de que un alumno llegue tarde y
de que los alumnos lleguen independientemente uno de otro ¿Cómo trazamos
una distribución binomial de probabilidad que ilustre las probabilidades
de que 0,1,2,3,4 ó 5 estudiantes lleguen tarde simultáneamente? Para hacerlo
necesitaremos utilizar la fórmula binomial donde:
P= 0.4
Q= 0.6
N= 5
P Probabilidad de éxito.
Q Probabilidad de fracaso.
r Número de éxitos deseados.
n Número de ensayos efectuados.
Existe una fórmula binomial:
Probabilidad de r éxitos en n ensayos es :
N! / R! (N-R)! PR Q
N-R

Recordemos que el símbolo factorial! Significa por ejemplo que es 3! = 3*2*1


=6. Los matemáticos definen 0! = 1.
Realicemos el cálculo de cada valor de R: Para R= 0 obtenemos que:
P (0) = 5!/ 0! (5-0)! (0.4)0 (0.6)5
P (0) = 0.07776

Para R= 1 obtenemos que :


P(1) = 5!/ 1!(5-1)! (0.4 )1 (0.6)4
P(1) = 0.2592

Para R=2 obtenemos que:


P(2) = 5!/ 2!(5-2)! (0.4 )2 (0.6)3
P(2) = 0.3456

Para R= 3 obtenemos que :


P(3) = 5!/ 3!(5-3)! (0.4 )3 (0.6)2

P(3) = 0.2304
Para R= 4 obtenemos que :
P(4) = 5!/ 4!(5-4)! (0.4 )4 (0.6)1

P(4) = 0.0768
Para R= 5 obtenemos que:
P(5) = 5!/ 5!(5-5)! (0.4 )5 (0.6)0

P(5) = 0.01024
Representando estos resultados en una
gráfica:
BIBLIOGRAFIA

1. DURA PEIRó, J. M. y LóPEZ CUñAT, J.M. (1992) Fundamentos de Estadística.


Estadística Descriptiva y Modelos Probabilísticos para la Inferencia . Madrid: Ariel
Editorial
2. FREIXA, M., et al. (1992) Análisis exploratorio de datos: Nuevas técnicas
estadísticas. Barcelona: PPU.

3. MONEGAL, M. (1999) Introducción al SPSS: manipulación de datos y estadística


descriptiva. Barcelona: EUB.
4. NORUSIS, M.J. (1998) SPSS 6.1 Guide to Data Anaysis. Englewood Cliffs:
Prentice-Hall.
5. SáNCHEZ CARRION, J.J. (1995) Manual de Análisis de datos. Madrid: Alianza
Universidad.
REPUBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD NACIONAL EXPERIMENTAL

“RAFAEL MARIA BARALT”

VICERRECTORADO ACADÉMICO

PROGRAMA ADMINISTRACIÓN

PROYECTO GERENCIA TRIBUTARIA

ASIGNATURA: ESTADISTICAS I

UNIDAD IV

Distribución Discreta de la Probabilidad

(Distribución de Poisson)

Profesor. Cesar Barrientos

Alumno: Ricardo Zapata Caldato

C.I. 31.444.553
Ciudad Ojeda, Septiembre 2021

Índice.

Introducción

1. Concepto de Distribución de Poisson


2. Características de la Distribución de Poisson
3. Uso de Tablas de la Distribución de Poisson
8. Formula Estadística de la Distribución de Poisson, Descripción.
9. Aplicación al Campo Administrativo de la Distribución de Poisson (Análisis
crítico-reflexivo)
10.Utilización de software estadístico, para la resolución de ejercicios aplicados al
área administrativa (análisis crítico reflexivo)
11.Ejercicio de Distribución de Poisson
g) Enunciado
h) Datos
i) Formula
j) Sustitución de Valores
k) Solución del Ejercicio, cálculos matemáticos
l) Interpretación de los resultados
Conclusiones
Recomendaciones
Bibliografía
INTRODUCCIÓN

La distribución binomial es uno de los modelos matemáticos que más se utilizan para
calcular la probabilidad de éxito de un evento, siempre y cuando la variable a analizar
sea discreta. Se relaciona con el experimento aleatorio de Bernoulli, nombrado así en
honor de Jakob Bernoulli, matemático y científico suizo.

Utilizamos la distribución binomial en todos los eventos donde solamente hay dos
resultados, por ejemplo, la definición del sexo de un bebé; el que nuestro equipo
favorito gane o pierda algún partido; el que pase o repruebe un examen. Ahí, sin
darnos cuenta, estamos haciendo uso de este concepto.

Si lo reflexionas detenidamente, su uso es más común de lo que se piensa. Considera


cuántas veces en la vida diaria y en qué momento utilizas la distribución binomial;
verás que son muchas más de las que te habías dado cuenta.
1. Concepto de Distribución de Poisson

La distribución de Poisson es una distribución de probabilidad discreta que modeliza


la frecuencia de eventos determinados durante un intervalo de tiempo fijado a partir
de la frecuencia media de aparición de dichos eventos..

En otras palabras, la distribución de Poisson es una distribución de probabilidad


discreta que, tan solo conociendo los eventos y su frecuencia media de ocurrencia,
podemos saber su probabilidad.

Expresión de la distribución de Poisson

Dada una variable aleatoria discreta X decimos que su frecuencia se puede aproximar
satisfactoriamente a una distribución de Poisson, tal que:

Expresión de la distribución de Poisson

A diferencia de la distribución normal, la distribución de Poisson solo depende de un


parámetro, mu (marcado en amarillo).

Mu informa del número esperado de eventos que ocurrirán en un intervalo de tiempo


fijado. Cuando se habla de algo “esperado” tenemos que redirigirlo a pensar en la
media. Por tanto, mu es la media de la frecuencia de los eventos.

Tanto la media como la varianza de esta distribución son mu, estrictamente positiva.

Representación
Dada una distribución de Poisson con media 2, la distribución de probabilidad de
densidad es la siguiente:

Función de densidad de probabilidad de Poisson

La función solo está definida en valores enteros de x.

No todas las distribuciones de probabilidad de densidad de Poisson tendrán el mismo


aspecto aunque mantengamos igual la muestra. Si cambiamos la media, es decir, el
parámetro del que depende la función, también cambiará la función.
Función de densidad de probabilidad (fdp)

Función de densidad de probabilidad de Poisson

Esta función se entiende como la probabilidad de que la variable aleatoria X tome un


valor concreto x. Es la exponencial de la media negativa multiplicada por la media
elevada a la observación y todo dividido por el factorial de la observación.

Como está indicado, para conocer la probabilidad de cada observación, tendremos que
sustituir en la función todas las observaciones. En otras palabras, x es un vector de
dimensión n que contiene todas las observaciones de la variable aleatoria X. La media
también sería un vector pero de una dimensión, tal que:

Parámetro y realizaciones de la variable aleatoria

Una vez ya tenemos las probabilidades calculadas, junto con las observaciones ya
podemos dibujar la distribución de densidad de probabilidad.
Características de la Distribución Binomial

Características:

En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza, etc, etc,:

- # de defectos de una tela por m2

- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.

- # de bacterias por cm2 de cultivo

- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.

- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.

Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o
producto, la fórmula a utilizar sería:

donde:

p(x, l) = probabilidad de que ocurran x éxitos, cuando el número promedio de


ocurrencia de ellos es l

l = media o promedio de éxitos por unidad de tiempo, área o producto

e = 2.718

x = variable que nos denota el número de éxitos que se desea que ocurra
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por
unidad de tiempo, área o producto es totalmente al azar y que cada intervalo de
tiempo es independiente de otro intervalo dado, así como cada área es independiente
de otra área dada y cada producto es independiente de otro producto dado.

Ejemplo:

 Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado, b)
10 cheques sin fondos en cualquiera de dos días consecutivos?

Solución:

a) x = variable que nos define el número de cheques sin fondo que llegan al banco
en un día cualquiera = 0, 1, 2, 3, ....., etc, etc.

l = 6 cheques sin fondo por día

e = 2.718

b)

x= variable que nos define el número de cheques sin fondo que llegan al banco en dos
días consecutivos = 0, 1, 2, 3, ......, etc., etc.

l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días


consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe
“hablar” de lo mismo que x.

Uso de Tablas de la Distribución de Poisson

1.-¿Cómo utilizar la tabla de la distribución Binomial?

En teoría de probabilidad y estadística, la distribución de Poisson es una distribución de


probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado número de eventos durante cierto período
de tiempo.

Supongamos que X es una variable aleatoria que sigue la ley de Poisson con
parámetro 0.9.

Nos piden calcular la probabilidad de que X sea menor o igual que 3. Localizamos en la

tabla l=0.9, x=3 y tomamos la intersección:0.987.


2.-¿Y si nos pidieran la probabilidad de que X fuera mayor que 3?

En este caso nos tendríamos que fijar en que este suceso es el complementario del
anterior y que por lo tanto la probabilidad buscada es de 1-0.987=0.013

3.-¿Y si nos pidieran la probabilidad de que X fuera exactamente 3?

Una posibilidad seria calcular la probabilidad que X fuera menor o igual que 3 (0.987),
la probabilidad que X fuera menor o igual que 2 (0.937) y restarlas, dando 0.05. Pero
la fórmula de la función de probabilidad nos dará un resultado exacto
4.-¿Qué pasa si el parámetro l no aparece de forma exacta en la tabla?

Supongamos que tenemos una variable aleatoria X que se distribuye según una ley de

Poisson con parámetro 4.65. Queremos calcular la probabilidad que X sea menor o
igual que 7. Tomaremos los dos parámetros más cercanos a 4.65 que aparecen en la
tabla, que son 4.6 y 4.8. Localizaremos las respectivas probabilidades

¿Cómo se hace para, dado p, calcular el valor x tal que P(X £ x)=p, siendo X

una variable aleatoria Poisson?

Supongamos que X se distribuye como una Poisson con parámetro l=12, y nos dan

p=0.772. Para calcular la x correspondiente tomamos la tabla y localizamos l=12.


Nos fijamos entonces que la x correspondiente es 14.

Si nos dan por ejemplo p=0.72, l=14.5, entonces tomamos el valor inmediatamente
inferior

a 0.72 que aparece en la tabla para l=14.5. En nuestro caso es 0.711, que
corresponde a x=16.

Notemos que en este caso no hacemos interpolación lineal ya que la ley Poisson es
discreta y por lo tanto no tiene sentido dar un valor no entero, como 16.2.

Formula estadística de la distribución de Poisson

La distribución de Poisson, según hemos señalado, se refiere a ciertos procesos que


pueden ser descritos con una variable aleatoria discreta. La letra X suele representar
esa variable y puede además asumir valores enteros (0,1,2,3 etc..) . Utilizamos la letra
X mayúscula para representar la variable aleatoria y la x minúscula para designar un
valor específico que puede asumir la X mayúscula. La probabilidad de exactamente x
ocurrencias en una distribución de Poisson se calcula mediante la fórmula:

P(x) = l x * e-l / x!

l x = Lambda

(número medio de ocurrencias por intervalo de tiempo) elevada a la potencia x.

e-l = e= 2.71828 elevado a la potencia de lambda negativa.

x! = x factorial.

Ejemplo de distribución de Poisson

Supóngase que estamos investigando la seguridad de un crucero muy peligroso. Los


archivos de la policía indican una media de cinco accidentes por mes en él. El número
de accidentes está distribuido conforme a la distribución de Poisson, y la división de
seguridad en carreteras quiere calcular la probabilidad de exactamente 0,1,2,3 y 4
accidentes en un mes determinado.

Aplicando la fórmula anterior:

P(0) = (5)0 (e-5) /0! = 0.00674

P(1) = (5)1 (e-5) /1! = 0.03370

P(2) = (5)2 (e-5) /2! = 0.08425

P(3) = (5)3 (e-5) /3! = 0.14042

P(4) = (5)4 (e-5) /4! = 0.17552


Para saber cual es la probabilidad en 3 o menos, sumaremos las probabilidades de
0,1,2,3 lo que será igual a :

P(0) = 0.00674

P(1) = 0.03370

P(2) = 0.08425

P(3) = 0.14042

P(3 o menos) = 0.26511

Dado que la probabilidad de que haya 3 o menos accidentes es de 0.26511 entonces la


probabilidad de que ocurran más de tres debe ser = 1 –0.26511 = 0.73489.

Ejercicio de Distribución de Poisson

Una compañía aérea observa que el número de componentes que fallan

antes de cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si


el

número promedio de fallos es ocho. Se pide:

a) ¿Cuál es la probabilidad de que falle un componente en 25 horas?

b) ¿Cuál es la probabilidad de que fallen menos de dos componente en 50 horas?

c) ¿Cuál es la probabilidad de que fallen por lo menos tres componentes en 125 horas?
Solución:
CONCLUSIONES

La distribución de Poisson es una distribución de probabilidad discreta y se emplea


para describir procesos que pueden ser descritos con una variable aleatoria discreta.
Describe situaciones en las cuales los clientes llegan de manera independiente durante
un cierto intervalo de tiempo y el número de llegadas depende de la magnitud del
intervalo. La distribución de Poisson juega un rol importante en complementar la
distribución exponencial en la teoría de colas o modelo de líneas de espera.

Entre los procesos que se pueden describir con la distribución de probabilidad de


Poisson están la distribución de las llamadas telefónicas que llagan a un conmutador,
la demanda (necesidades) de servicios en una institución asistencial por parte de los
pacientes, los arribos de los camiones y automóviles a la caseta de cobro y el número
de accidentes en un cruce. Los ejemplos citados tienen un elemento en común.
Pueden ser descritos por una variable aleatoria discreta que asume valores enteros
(0,1,2,3,4,5 y así sucesivamente).

La Distribución de Poisson se llama así en honor a Simeón Dennis Poisson (1781-


1840), francés que desarrolló esta distribución basándose en estudios efectuados en la
última parte de su vida.

El número de enfermos que llegan a un consultorio en cierto intervalo de tiempo será


de 0,1,2,3,4,5 o algún otro número entero. De manera análoga, si se cuenta el número
de automóviles que llegan a una caseta de cobro durante un periodo de diez minutos,
el número será entero.
BIBLIOGRAFIA

DURA PEIRó, J. M. y LóPEZ CUñAT, J.M. (1992) Fundamentos de Estadística.


Estadística Descriptiva y Modelos Probabilísticos para la Inferencia. Madrid: Ariel
Editorial

FREIXA, M., et al. (1992) Análisis exploratorio de datos: Nuevas técnicas estadísticas.
Barcelona: PPU.

MONEGAL, M. (1999) Introducción al SPSS: manipulación de datos y estadística


descriptiva. Barcelona: EUB.

NORUSIS, M.J. (1998) SPSS 6.1 Guide to Data Anaysis. Englewood Cliffs: Prentice-Hall.

SáNCHEZ CARRION, J.J. (1995) Manual de Análisis de datos. Madrid: Alianza


Universidad.

También podría gustarte