UNAH

UNIVERSIDAD NACIONAL
AUTÓNOMA DE HONDURAS

FACULTAD DE CIENCIAS ECONÓMICAS, ADMINISTRATIVA Y

TAREA INDIVIDUAL

Licenciada: Eda Martínez

Materia: Análisis cuantitativo I

Sección: 0901

Estudiante:
Alexis Josué Vásquez Núñez..........................................................................2019100

CIUDAD UNIVERSITARIA

TEGUCIGALPA M.D.C. 02 DE JULIO DE 2022

MINISTRATIVA Y CONTABLES

vo I

.................20191006536

IA

IO DE 2022
Medidas de Ten
Central y Disp
de Tendencia
y Dispersión
Ejemplo

Una compañía compara los precios de artículos idénticos vendidas en sus tiendas.
Los precios son los siguientes:

Columna1 Columna2 Columna3 Columna4 Columna5

$ 1.08 $ 0.98 $ 1.09 $ 1.24 $ 1.33
$ 1.14 $ 1.55 $ 1.08 $ 1.22 $ 1.05

1
2
3
4
5
6
7
8
9
10

$ 0.98
$ 1.05
$ 1.08
$ 1.08
$ 1.09
$ 1.14
$ 1.22
$ 1.24
$ 1.33
$ 1.55

Mediana $ 1.115
Media $ 1.176
Moda 1.08

Debido a que los datos están ligeramente sesgados, la mediana puede ser un poco
mejor que la media, pero en realidad no hay una diferencia notoria.
Ejemplo

Clase f PM(x) (f*x) Cocatenar

100 149.99 12 125 1500 100 - 149.99
150 199.99 14 175 2450 150 - 199.99
200 249.99 27 225 6075 200 - 249.99
250 299.99 58 275 15950 250 - 299.99
300 349.99 72 325 23400 300 - 349.99
350 399.99 63 375 23625 350 - 399.99
400 449.99 36 425 15300 400 - 449.99
450 499.99 18 475 8550 450 - 499.99
Total 300 2400 96849

Media 322.83 Mediana Moda

Mediana 326.74 n 300 LM0
Moda 330.43 F 111 d2
Fm 72 d2
W 50 W
Lm 300

Histograma
80
72
70 63
60 58

50
40 36
30 27
20 18
12 14
10
0
100 - 150 - 200 - 250 - 300 - 350 - 400 - 450 -
149.99 199.99 249.99 299.99 349.99 399.99 449.99 499.99

Con los datos encontrados observamos que la media, mediana y moda se

encuentran entre la clase 300-349.99 donde observamos la mayor frecuencia
de datos.
 Moda
300
14
9
50

36

18

400 - 450 -
449.99 499.99
 Ejemplo

Con esos datos determinar la varianza y la desviación estándar.

0.04
0.06
0.12
0.14
0.15
0.17
0.17
0.18
0.19
0.21
0.21
0.22
0.24
0.25

Observaciones µMedia (x-µ) (x-µ)²

(x)
1 0.04 0.166 -0.126 0.015876
2 0.06 0.166 -0.106 0.011236
3 0.12 0.166 -0.046 0.002116
4 0.14 0.166 -0.026 0.000676
5 0.14 0.166 -0.026 0.000676
6 0.15 0.166 -0.016 0.000256
7 0.17 0.166 0.004 0.000016
8 0.17 0.166 0.004 0.000016
9 0.18 0.166 0.014 0.000196
10 0.19 0.166 0.024 0.000576
11 0.21 0.166 0.044 0.001936
12 0.21 0.166 0.044 0.001936
13 0.22 0.166 0.054 0.002916
14 0.24 0.166 0.074 0.005476
15 0.25 0.166 0.084 0.007056
2.49 0.050960

Media 0.166
Varianza 0.0034
Desviación Estandar 0.058
Con estos datos podemos observas que la media de datos se encuentra
entre 0.166 con una varianza de 0.0034 y una desviación estandar de
0.058.
 Ejemplo

Con esos datos determinar la varianza y la desviación estándar.

Clase Frecuencia
700 799 4
800 899 7
900 999 8
1000 1099 10
1100 1199 12
1200 1299 17
1300 1399 13
1400 1499 10
1500 1599 9
1600 1699 7
1700 1799 2
1800 1899 1
100

Clase Frecuencia PM(x) (f*x) µMedia (x-µ)

700 799 4 750 2998 1250 -500
800 899 7 850 5947 1250 -400
900 999 8 950 7596 1250 -300
1000 1099 10 1050 10495 1250 -200
1100 1199 12 1150 13794 1250 -100
1200 1299 17 1250 21242 1250 0
1300 1399 13 1350 17544 1250 100
1400 1499 10 1450 14495 1250 200
1500 1599 9 1550 13946 1250 300
1600 1699 7 1650 11547 1250 400
1700 1799 2 1750 3499 1250 500
1800 1899 1 1850 1850 1250 600
100 124950
1249.5 Media Aritmetica

Datos Agrupados Mediana

Media 1249.50 fm 17
Mediana 1250 n 100
Moda 1255.55556 F 41
Lm 1200
Varianza 66800 W 100
Desviación Estandar 258.5

Histograma
18 17
16
14 13
12
12
10 10
10
8
8 7
6
4
4
2
0
700 - 799 800 - 899 900 - 999 1000 - 1100 - 1200 - 1300 - 1400 -
1099 1199 1299 1399 1499

Con los datos encotrados observamos que la media se encuentra en la

clase de 1200-1299 y también podemos observas que ahí se encuentra
la mayor frecuencia, ademas nos encontramos con una desviacion
estandar de 258.5 en los datos
 (x-µ)² f(x-µ)² Max 1899
250000 1000000 Min 700
160000 1120000 Ranngo 1199
90000 720000 #Clases 12
40000 400000 Datos 100
10000 120000 Ancho Clas 100
0 0
10000 130000
40000 400000
90000 810000
160000 1120000
250000 500000
360000 360000
6680000

Ancho de Clase =
 Concatenar
istograma 700 - 799
800 - 899
7
900 - 999
1000 - 1099
13
1100 - 1199
10 1200 - 1299
9
1300 - 1399
7 1400 - 1499
1500 - 1599
2 1600 - 1699
1 1700 - 1799
1800 - 1899
00 - 1300 - 1400 - 1500 - 1600 - 1700 - 1800 -
99 1399 1499 1599 1699 1799 1899
 Moda
Limite Inf = 1200
d1= 5
d2= 4
Ancho de Clase = 100
 TABLA DE DATOS NO AGRUPADOS
2.0 3.8 4.1 4.7 5.5
3.4 4.0 4.2 4.8 5.5
3.4 4.1 4.3 4.9 5.5
3.8 4.1 4.7 4.9 5.5

87.2

HACER:
1) La gráfica
2) La interpretación de los datos
3) Varianza (tal como el video de lab.)
4) Desviación estándar (tal como el video de lab.)

No. clase LI LS FA FR FAB.ACUMFRA.CUM

1 2.0 2.5 1 0.05 1 0.05

 2 2.6 3.1 0 0 1 0.05
3 3.2 3.7 2 0.1 3 0.15
4 3.8 4.3 8 0.4 11 0.55
5 4.4 4.9 5 0.25 16 0.8
6 5.0 5.5 4 0.2 20 1
20 1

Varianza 0.40248
Desviación Estandar 0.63441311

Concatenar
Histograma
9
8
8
7
6
5
5
4
4
3
2
2
1
1
0
0
2 - 2.5 2.6 - 3.1 3.2 - 3.7 3.8 - 4.3 4.4 - 4.9 5 - 5.5

INTERPRETACIÓN: Con los datos encontrados observamos que la

desviación estandar es de 0.6344 lo que nos dice que esa es la
desviación en promedio del valor de la media.
Cantidad
Datos 20
Min 2.0
Max 5.5
Promedio 4.4
Moda 5.5 4.4
Mediana 4.25 5.5
Rango 0.58333333 0.6 4.3
Clases 6

MARCA
DE (f*x) µMedia (x-µ) (x-µ)²
CLASE
2.25 2.25 4.29 -2.04 4.1616
 2.85 0 4.29 -1.44 2.0736
3.45 6.9 4.29 -0.84 0.7056
4.05 32.4 4.29 -0.24 0.0576
4.65 23.25 4.29 0.36 0.1296
5.25 21 4.29 0.96 0.9216
85.8 8.0496

Concatenar
2 - 2.5
2.6 - 3.1
3.2 - 3.7
3.8 - 4.3
4.4 - 4.9
5 - 5.5
 ORDENAMIENTO DE D
Valor
máximo 17 15.2
valor
mínimo 15.2 1.8 15.4
clases 6 1 15.6
A. INT. CL. 0.3 3 15.6
15.6
TABLA DE DATOS AGRUPADOS

FR.ACUM
FR
(Frecuenci
(Frecuenci
a FRE
No. clases LI LS FA a abs.
absoluta+e ACUM RE
/total de la
l valor
frecuencia)
siguiente)

1 15.2 15.4 2 0.1183432 2 0.1183432

2 15.5 15.7 5 0.29585799 7 0.41420118
3 15.8 16.0 11 0.65088757 18 1.06508876
4 16.1 16.3 6 0.35502959 24 1.42011834
5 16.4 16.6 3 0.17751479 27 1.59763314
6 16.7 16.9 3 0.17751479 30 1.77514793
30 1.77514793

Media aritmética de datos agrupados 16.02

 TAREA MEDIDAS DE TENDENCIA CENTRAL PARA DAT
Datos Agrupados Mediana
Media 16.02 fm
Mediana 15.9 n
Moda 15.9090909 F
Lm
Varianza 11458.4664 W
Desviación Estandar 107.044226 ME

Histograma
12 11
10

8
6
6 5
4 3 3
2
2

0
15.2 - 15.4 15.5 - 15.7 15.8 - 16 16.1 - 16.3 16.4 - 16.6 16.7 - 16.9

INTERPRETACIÓN: Con los datos encontrados observamos que la desviación

estandar es de 107.04, significa que en promedio los datos se desvian 107.04 con
respecto a la media cuyo valor es 16.02.
ORDENAMIENTO DE DATOS EN FORMA ASCENDENTE

15.7 15.9 16 16.2 16.4

SUMA
15.7 15.9 16 16.3 16.6
15.8 15.9 16 16.3 16.8 481.1
15.8 15.9 16.1 16.3 16.8
15.8 16 16.2 16.4 16.9

(f*marca
Marca de de clase)
Frecuencia
clase(LI Frecuencia Media (ẋ) X- Media (ẋ) (x-ẋ)²
*(x-ẋ)²
+LS)/2 absoluta*
MCLASE

15.3 30.6 16.02 14.58 212.5764 425.1528

15.6 78 16.02 61.98 3841.5204 19207.602
15.9 174.9 16.02 158.88 25242.8544 277671.398
16.2 97.2 16.02 81.18 6590.1924 39541.1544
16.5 49.5 16.02 33.48 1120.9104 3362.7312
16.8 50.4 16.02 34.38 1181.9844 3545.9532
480.6 343753.992
CIA CENTRAL PARA DATOS AGRUPADOS
Mediana Moda
11 LM0 15.8
30 d1 6
7 d2 5
15.8 W 0.2
0.2

Concatenar
15.2 - 15.4
15.5 - 15.7
15.8 - 16
16.1 - 16.3
16.4 - 16.6
16.7 - 16.9
 Histograma
12
11

10

6
6
5

4
3 3

2
2

0
15.2 _ 15.4 15.5 _ 15.7 15.8 _ 16 16.1 _ 16.3 16.4 _ 16.6 16.7 _ 16.9
REALIZAR LA INTERPRETACIÓN DE LOS DATOS :
 Se presenta el peso de 30 personas en unidad de
Kilogramos

50 56 58 63 64 Cantidad de Datos =
50 56 58 63 64 Valor Minimo =
53 57 59 63 65 Valor Maximo =
55 58 60 63 65 Rango =
56 58 60 63 68 Ancho de Clase =
56 58 61 64 68 Clases=

1. Se pide que realice la tabla de distribución de frecuencia con datos agrupados, considere que deb
Frecuencia
Frecuencia Frecuencia Abs. Punto
Lim. Inf. Lim. Sup Frec. * X
Absoluta Relativa Acumulad Medio (X)
50 53 3 0.1 a3 51.5 154.5
54 57 6 0.2 9 55.5 333
58 61 9 0.3 18 59.5 535.5
62 65 10 0.33333333 28 63.5 635
66 69 2 0.06666667 30 67.5 135
30 1 1793

Datos Agrupados Mediana

Media 59.7666667 fm
Mediana 60.4444444 n
Moda 62.4444444 F
Lm
Varianza 19.1288889 W
Desviación Estandar 4.37365852

Concatenar
Histograma 50 - 53
12 54 - 57
10 58 - 61
10 9 62 - 65
8 66 - 69
6
6
4 3
2
2
0
50-53 54-57 58-61 62-65 66-69
4 3
2
2
0
50-53 54-57 58-61 62-65 66-69

Interpretación: Podemos observar que el 50% de las

personas tienen un peso menos o igual a 60.44 kg.
Tambien podemos observar que se presentan mas
personas en una frecuencia de 62-65 kg. Ademas notamos
una varianza de 19.12 kg y una desviación estandar de
4.37%.
 Cantidad de Datos = 30
Valor Minimo = 50
Valor Maximo = 68
Rango = 18
Ancho de Clase = 4
Clases= 5

grupados, considere que debe tener 5 clases.

Frec. *
(X - (X -
Media (X -
Media) Media)2
Media)2
59.7666667 -8.2666667 68.3377778 205.013333
59.7666667 -4.2666667 18.2044444 109.226667
59.7666667 -0.2666667 0.07111111 0.64
59.7666667 3.73333333 13.9377778 139.377778
59.7666667 7.73333333 59.8044444 119.608889
573.866667

Mediana Moda
9 LM0 62
30 d1 1
9 d2 8
58 W 4
4

oncatenar
Probabilidad de
idad de Evento
 Ejemplo

Proporcione una lista colectivamente exhaustiva de los resultados posibles al

lanzar dos dados

De la probabilidad de cada uno de los siguientes totales al lanzar 2 dados:

1,2,5,6,7,10,11.

No 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,6

Datos 36

P(1)= 0/36 0
P(2)= 1/36 0.02777778
P(5)= 4/36 0.11111111
P(6)= 5/36 0.13888889
P(7)= 6/36 0.16666667
P(10)= 3/36 0.08333333
P(11)= 2/36 0.05555556
 Ejemplo

Una compañía de seguros sabe por la información de datos registrados que los
hombres de 40 años de edad, 60 de cada 100,000 morirán en un periodo de un
año.

Probabilidad = 60/100,000 0.0006

Probabilidad S
idad Subjetiva
Ejemplo

Opinión Maquinista Inspectores

Apoyo Fuerte 9 10
Apoyo Moderado 11 3
Indecisión 2 2
Oposición Moderado 4 8
Oposición Fuerte 4 7
30 30

a) Determine la probabilidad de que un maquinista sea seleccionado al azar de apoyo

moderado?

Probabilidad = 11/30 0.36666667

b) Determine la probabilidad de que un inspector seleccionado al azar este indeciso?

Probabilidad = 2/30 o 1/15 0.06666667

c) Determine la probabilidad de que un maquinista e inspector seleccionado al azar de

apoyo fuerte y moderado?

Opinión Maq. e Insp.

Apoyo Fuerte 19
Apoyo Moderado 14
Indecisión 4
Oposición Moderado 12
Oposición Fuerte 11
60

Probabilidad = 19/60 + 14/60 = 33/60 o 11/20 = 0.55

 Ejemplo

Cual es la probabilidad de sacar un as o un corazón de una baraja.

P(As o Corazón) = P(As) + P(Corazón) - P(As y Corazón)

P(As o Corazón) = 4/52 + 12/52 - 1/52

P(As o Corazón) = 4/13 0.30769231

Quiere decir que hay un 30% de posibilidad de sacar as o un corazón de una baraja.
raja.
 Ejemplo

Tenemos los siguientes empleados:

No. Sexo Años

1 Hombre 30
2 Hombre 32
3 Mujer 45
4 Mujer 20
5 Hombre 40

Se va a elegir a uno por medio rifa de papelitos.

Cual es la probabilidad el elegido sea mujer o la edad este por arriba de 35 años.

P (A o B) = P (A) + P (B) – P (AB)

P(mujer o >35) = P(mujer)+P(>35) – P(mujer y >35)

P(mujer o >35)= 2/5 + 2/5 - 1/5

P(mujer o >35)= 3/5 0.6

Quiere decir que hay un 60% de posibilidad de que el elegido sea mujer o mayor de 35 años.
35 años.

o mayor de 35 años.
 Probabilid
condicional
dependencia es
babilidad
cional bajo
ncia estadística
 Ejemplo

Tenemos una caja con 10 bolas.

3 son color y tiene puntos

1 es de color y tiene franjas
2 son grises y tiene puntos
4 son grises y tiene franjas

Suponga que una persona saca una bola de color, cual es la probabilidad de que tenga puntos.

P(B|A) = P(BA)/P(A)
P(P|C) = P(CP)/P(C)
(3/10)/(4/10) 3/4 0.75

Suponga que una persona saca una bola de color, cual es la probabilidad de que tenga franjas.

P(C|F) = P(FC)/P(C)
(1/10)/(4/10) 1/4 0.25

Suponga que una persona saca una bolsa de gris, cual es la probabilidad de que tenga puntos.

P(P|G) = P(PG)/P(G)
(2/10)/(6/10) 1/3 0.33333333

Suponga que una persona saca una bola de gris, cual es la probabilidad de que tenga franjas.

P(F|G) = P(FG)/P(G)
(4/10)/(6/10) 2/3 0.66666667

Suponga que una persona saca una bola de puntos, cual es la probabilidad de que tenga gris.

P(G|P) = P(GP)/P(P)
(2/10)/(5/10) 2/5 0.4
que tenga puntos.

que tenga franjas.

que tenga puntos.

ue tenga franjas.

e que tenga gris.

Probabilidad c
bajo condicio
dependencia es
lidad conjunta
ondiciones de
ncia estadística
 Ejemplo

Tenemos una caja con 10 bolas.

3 son color y tiene puntos

1 es de color y tiene franjas
2 son grises y tiene puntos
4 son grises y tiene franjas

Determine la probabilidad de que una bola sea de color y con franjas

P(CF) = P(C|F)*P(F)
P(CF)/P(F)*5/10
(1/10)/(5/10)*5/10 1/10 0.1

Determina la probabilidad de que una bola sea de gris y con puntos.

P(GP) = P(G|P)*P(P)
P(GP)/P(P)*5/10
(2/10)/(5/10)*5/10 2/10 0.2

Determina la probabilidad de que una bola sea de gris y con franjas.

P(GF) = P(G|F)*P(F)
P(GF)/P(F)*5/10
(4/10)/(5/10)*5/10 4/10 0.4
Probabilidad m
bajo condicio
dependencia es
lidad marginal
ondiciones de
ncia estadística
 Ejemplo

Tenemos una caja con 10 bolas.

3 son color y tiene puntos

1 es de color y tiene franjas
2 son grises y tiene puntos
4 son grises y tiene franjas

Determine la probabilidad de sacar una bola de color.

P(C) = P(CP)+P(CF)
(3/10)+(1/10) 4/10 0.4
Variables Alea
es Aleatorias
Ejemplo

Una variable aleatoria es una especia de valor o magnitud que cambia de una ocurrencia a otra sin segui
predecible.

Por ejemplo: Una clínica para tratamiento del cáncer de mama no se tiene manera de saber con exactitu
van a ser atendidas en un día cualquiera, de modo que el número de mujeres del día siguiente es una var

Los valores de una variable son los valores numéricos correspondientes a cada posible resultado del exp
Si los registros diarios de la clínica indican que los valores de la variable aleatoria van desde 100 hasta 1
entonces esta es una variable aleatoria discreta.

“Hmmm, qué extraño”, piensa usted. Luego pide a una amiga que lance la moneda 20 veces; ella obtien
cruces. De modo que ahora, en total, usted tiene 22 caras y 8 cruces de un total de 30 lanzamientos.

¿Qué esperaba? ¿Algo cercano a 15 caras y 15 cruces (mitad y mitad)? Suponga ahora que una máquina
obtiene 792 caras y 208 cruces de un total de 1,000 lanzamientos de 5

la misma moneda. Con este resultado, usted podría sospechar que la moneda está alterada, debido a que
modo que esperaba.

Tabla 5-3 Tabla 5-4

Número de mujeres Distribución de
examinadas diariamnte probabilidad por
durante 100 días. número de mujeres
Examinadas Número de examinadas
días que se
observó este
nivel
100 1
101 2
102 3
 103 5
104 6
105 7
106 9
107 10
108 12
109 11
110 9
111 8
112 6
113 5
114 4
115 2
100

Tabla 5-5
Distribución de Variable Aleatoria
probabilidad por número tome estos (1) * (2)
aleatoria (1)
de mujeres examinadas valores (2)
100 0.01 1.00
101 0.02 2.02
102 0.03 3.06
103 0.05 5.15
104 0.06 6.24
105 0.07 7.35
106 0.09 9.54
107 0.10 10.70
108 0.12 12.96
109 0.11 11.99
110 0.09 9.90
111 0.08 8.88
112 0.06 6.72
113 0.05 5.65
114 0.04 4.56
115 0.02 2.30
108.02

Valor esperado de la variable aleatoria "Número de mujeres examinadas al día."

na ocurrencia a otra sin seguir una secuencia

manera de saber con exactitud cuántas mujeres

s del día siguiente es una variable aleatoria.

ada posible resultado del experimento aleatorio.

eatoria van desde 100 hasta 115 mujeres al día,

moneda 20 veces; ella obtiene 15 caras y 5

otal de 30 lanzamientos.

onga ahora que una máquina lanza la moneda y

a está alterada, debido a que no se comportó del

Tabla 5-4
Distribución de
probabilidad por Probabilidad
Examinadas
número de mujeres de que la
(valor de la
examinadas variable
variable
aleatoria
aleatoria)
tome este
valor
100 0.01
101 0.02
102 0.03
 103 0.05
104 0.06
105 0.07
106 0.09
107 0.10
108 0.12
109 0.11
110 0.09
111 0.08
112 0.06
113 0.05
114 0.04
115 0.02
1.00

xaminadas al día."
 Uso del valor e
en la toma de d
valor esperado
a de decisiones
Ejemplo Problema de vendedor al mayoreo:

Veamos el caso de un vendedor al mayoreo de frutas y legumbres que comercia con frambuesas. Este pr
vida útil muy limitada: si no se vende el día que llega, ya no tiene valor. Una caja de frambuesas cuesta
recibe $50 por ella. Éste no puede especificar el número de cajas que un cliente pedirá en cualquier día
análisis de registros pasados ha producido la información que presentamos en la tabla 5-6.

Tabla 5-6 Tabla 5-7

Ventas durante 100 Probabilidad Tabla de pérdidas
Número de
días Ventas de venta de condicionales
días de
diarias cada
ventas
cantidad
10 15 0.15
11 20 0.20
12 40 0.40
13 25 0.25
100 1.00

Tabla 5-8
Pérdida esperada
Probabilidad
al tener en Perdida
Posibles de que se Pérdida
existencia 10 cajas condiciona
solicitudes tengan estas esperada
l
solicitudes

10 0 0.15 0.00
11 30 0.20 6.00
12 60 0.40 24.00
13 90 0.25 22.50
1.00 52.50

Tabla 5-10
Pérdida esperada
Probabilidad
al tener en Perdida
Posibles de que se Pérdida
existencia 10 cajas condiciona
solicitudes tengan estas esperada
l
solicitudes

10 40 0.15 6.00
11 20 0.20 4.00
12 0 0.40 0.00
13 30 0.25 7.50
1.00 17.50
Pérdida mínima esperada.
cia con frambuesas. Este producto tiene una
caja de frambuesas cuesta $20 y el vendedor
nte pedirá en cualquier día dado, pero su
n la tabla 5-6.

Tabla 5-7 Opciones de existencias

Tabla de pérdidas
condicionales Ventas
10 11 12 13
diarias

10 0 20 40 60
11 30 0 20 40
12 60 30 0 20
13 90 60 30 0

Tabla 5-9
Pérdida esperada Probabilid
al tener en ad de que
Posibles Perdida Pérdida
existencia 11 cajas se tengan
solicitudes condicional esperada
estas
solicitudes
10 20 0.15 3.00
11 0 0.20 0.00
12 30 0.40 12.00
13 60 0.25 15.00
1.00 30.00

Tabla 5-11
Pérdida esperada Probabilid
al tener en ad de que
Posibles Perdida Pérdida
existencia 10 cajas se tengan
solicitudes condicional esperada
estas
solicitudes
10 60 0.15 9.00
11 40 0.20 8.00
12 20 0.40 8.00
13 0 0.25 0.00
1.00 25.00
Distribución B
ción Binomial
 Ejemplo

Calculemos, para utilizar este lenguaje en un problema sencillo, las posibilidades de obtener exactamen
en tres lanzamientos de una moneda no alterada. Simbólicamente, expresamos los valores de la forma s

Aunque esta fórmula pueda parecer un tanto complicada, se le puede utilizar con bastante facilidad. El s
calcula de la manera siguiente: 3! significa 3 * 2 * 1, o 6. Para calcular 5!, multiplicamos 5 * 4 * 3 * 2 *
definen 0! igual a 1.

Utilizando la fórmula binomial para resolver nuestro problema, descubrimos que

Ensayos o intentos N 3
éxitos R 2
prob. Éxito P 0.5
ACUM 0 0.375
38%

Por tanto, existe una probabilidad de 0.375 de obtener dos caras en tres lanzamientos de una moneda no
sibilidades de obtener exactamente dos caras (en cualquier orden)
resamos los valores de la forma siguiente:

utilizar con bastante facilidad. El símbolo! significa Factorial y se

r 5!, multiplicamos 5 * 4 * 3 * 2 *1 = 120. Los matemáticos

brimos que

s lanzamientos de una moneda no alterada.

 Ejemplo Problema de vendedor al mayoreo:

Recuerde que, a lo largo del tiempo, ocho décimos de los tubos se llenan de manera correcta (éxitos). Si
probabilidad de obtener exactamente tres tubos de seis (la mitad de una caja) llenos de manera correcta,
nuestros símbolos de esta forma:

P=0.8; q=0.2; r=3; n=6

Y, entonces, utilizamos la distribución binomial como sigue:

Probabilidad de que se llenen correctamente 3 de 6 tubos

Ensayos o intentos N 6
éxitos R 3
prob. Éxito P 0.8
ACUM 0 0.08192
8%
an de manera correcta (éxitos). Si queremos calcular la
a caja) llenos de manera correcta, podemos definir
 Ejemplo Problema de vendedor al mayoreo:

Hasta este momento, nos hemos referido a la distribución binomial sólo en términos de la fórmula binom
cualquier otra distribución, también se puede expresar de manera gráfica.

Para ilustrar varias de tales distribuciones, considere la siguiente situación. Es frecuente que los emplea
Farmacia Kerr y hay cinco empleados en ella. El propietario ha estudiado la situación durante cierto per
probabilidad de 0.4 de que cualquier empleado llegue tarde y que las llegadas de los mismos son indepe
podríamos trazar una distribución binomial de probabilidad que ejemplifique las probabilidades desde q
lleguen tarde simultáneamente? Para hacerlo, necesitaríamos utilizar la fórmula binomial donde:

Para r = 0 Para r = 3
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 0 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.07776
8%
Para r = 1 Para r = 4
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 1 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.2592
26%
Para r = 2 Para r = 5
Ensayos o intentos N 5 Ensayos o intentos
éxitos R 2 éxitos
prob. Éxito P 0.4 prob. Éxito
ACUM 0 0.3456
35%

∑ 1
minos de la fórmula binomial, pero ésta, al igual que

frecuente que los empleados lleguen tarde a trabajar a la

uación durante cierto periodo y determinó que hay una
de los mismos son independientes entre sí. ¿Cómo
as probabilidades desde que 0, 1, 2, 3, 4 o 5 empleados
a binomial donde:

Para r = 3
N 5
R 3
P 0.4
ACUM 0 0.2304
23%
Para r = 4
N 5
R 4
P 0.4
ACUM 0 0.0768
8%
Para r = 5
N 5
R 5
P 0.4
ACUM 0 0.01024
1%
Ejemplo

Suponga que estamos investigando la seguridad de una peligrosa intersección. Los registros poli iacos i
accidentes mensuales en esta intersección. El número de accidentes está distribuido de acuerdo con una
Departamento de Seguridad de Tránsito desea que calculemos la probabilidad de que en cualquier mes o
accidentes. Podemos utilizar la tabla 4a del apéndice para evitar el tener que calcular e elevadas a poten
fórmula:

Para x = 0
X 0
MEDIA 5
ACUMILADO 0 0.00674

Para x = 1
X 1
MEDIA 5
ACUMILADO 0 0.03369

Para x = 2
X 2
MEDIA 5
ACUMILADO 0 0.08422

Para x = 3
X 3
MEDIA 5
ACUMILADO 0 0.14037

Para x = 4
X 4
MEDIA 5
ACUMILADO 0 0.17547
∑ 0.44049 44%

Uso de estos resultados

Nuestros cálculos responderán a varias preguntas. Quizá deseemos conocer la probabilidad de tener 0, 1
Podemos averiguar esto sumando la probabilidad de tener exactamente 0, 1 y 2 accidentes, de la siguien

P(0) = 0.006738
P(1) = 0.033690
P(2) = 0.084224
 P(0 o 1 o 2) = 0.12465

Tomaremos medidas para mejorar la seguridad de la intersección si la probabilidad de que ocurran más
excede 0.65. ¿Debemos tomar medidas? Para resolver este problema, necesitamos calcular la probabilid
luego restar el resultado de 1.0 para obtener la probabilidad de más de tres accidentes. Empezamos así:

P(0) = 0.00674
P(1) = 0.03369
P(2) = 0.08422
P(3) = 0.14037
P(3 o menos) = 0.26503

Como la probabilidad de Poisson de que ocurran tres o menos accidentes es de 0.26511, la probabilidad
debe ser 0.73489 (1.00000 _ 0.26511). Debido a que 0.73489 es mayor que 0.65, es necesario tomar me
la intersección.
Los registros poli iacos indican una media de cinco
uido de acuerdo con una distribución de Poisson, y el
e que en cualquier mes ocurran exactamente 0, 1, 2, 3 o 4
cular e elevadas a potencias negativas. Aplicando la

robabilidad de tener 0, 1 o 2 accidentes mensuales.

accidentes, de la siguiente forma:
 dad de que ocurran más de tres accidentes mensuales
mos calcular la probabilidad de tener 0, 1, 2 o 3 accidentes y
dentes. Empezamos así:

0.26511, la probabilidad de tener más de tres accidentes

5, es necesario tomar medidas para mejorar la seguridad de