Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Valores posibles de la
variable aleatoria
Experimento Variable aleatoria (x)
Llamar a cinco clientes Número de clientes que 0, 1, 2, 3, 4, 5
hacen un pedido
Inspeccionar un embarque 0, 1, 2, . . . , 49, 50
de 50 radios Encargarse de Número de radios
defectuosos Número de 0, 1, 2, 3, . . .
un restaurante por un día
clientes
Vender un automóvil 0 si es hombre, 1 si es
Género del cliente mujer
.
Variables aleatorias continuas
Una variable aleatoria que asume cualquier valor numérico en un intervalo o
conjunto de intervalos se llama variable aleatoria continua. Los resultados
experimentales basados en escalas de medición como el tiempo, el peso, la
distancia y la temperatura se describen por medio de este tipo de
variable. Suponga que la variable aleatoria de interés es x tiempo entre las
llamadas entrantes consecutivas en minutos. Para un servicio de ambulancias de
emergencia ubicado en Atlanta, la variable aleatoria podría definirse como x
número de millas al lugar del siguiente accidente de tránsito a lo largo del tramo de
la carretera I-75. En este caso, x sería una variable aleatoria continua que asume
cualquier valor en el intervalo 0 x 90. Observe que cada ejemplo describe una
variable que asume cualquier valor en un intervalo de valores.
Valores posibles de la
variable aleatoria
Experimento Variable aleatoria (x)
Operar un banco Tiempo entre las llegadas de x ≥ 0
los
clientes, en minutos Cantidad
Llenar una lata de refresco 0 ≤ x ≤ 12.1
de onzas
(máx. = 12.1 onzas)
Construir una biblioteca
0 ≤ x ≤ 100
Porcentaje del proyecto
completado después de seis
Probar un proceso químico meses
150 ≤ x ≤ 212
nuevo
Temperatura a la que ocurre la
reacción (mín. 150 °F; máx.
212 °F)
5.2 Distribuciones de probabilidad discreta
La distribución de probabilidad de una variable aleatoria describe cómo se
distribuyen las probabilidades entre los valores de la misma. Para una variable
aleatoria discreta x, la distribución de probabilidad se defi ne por medio de una
función de probabilidad, denotada por f (x). La función de probabilidad proporciona
la probabilidad para cada valor que puede asumir la variable aleatoria.
Como ejemplo de una variable aleatoria discreta y su distribución de probabilidad,
considere las ventas de automóviles en DiCarlo Motors, con sede en Saratoga,
Nueva York. Durante los últimos 300 días de operación, los datos de ventas
mostraron que en 54 días no se vendió ningún automóvil, en 117 días se vendió 1
automóvil, en 72 días se vendieron 2, en 42 días se vendieron 3, en 12 días se
vendieron 4 y en 3 días se vendieron 5. Suponga que se considera el experimento
de seleccionar un día de operación en DiCarlo Motors y se define la variable
aleatoria de interés como x número de automóviles vendidos en un día.
Una de las principales ventajas de definir una variable aleatoria y su distribución
de probabilidad es que, una vez que se conoce esta última, es relativamente fácil
determinar la probabilidad de una variedad de eventos que pueden ser útiles para
quien toma decisiones. Por ejemplo, utilizando la distribución de probabilidad para
DiCarlo Motors que aparece en la tabla 5.3, vemos que el número de automóviles
que es más probable vender en un día es 1, con una probabilidad de f (1) 0.39.
Además, hay una probabilidad de f (3) f (4) f (5) 0.14 0.04 0.01 0.19 de vender 3 o
más unidades durante un día. Estas probabilidades, además de otras que quien
toma decisiones puede solicitar, proporcionan información que le ayudan a
entender el proceso de la venta de automóviles en DiCarlo Motors.
f (x) ≥ 0 (5.1)
\ f (x) = 1 (5.2)
Distribución de probabilidad para el número de automóviles vendidos
durante un día en Dicarlo Motors.
x f (x)
0 0.18
1 0.39
2 0.24
3 0.14
4 0.04
5 0.01
Total 1.00
f(x)
0.40
0.30
0.20
0.10
0.00
x
012345
Número de automóviles vendidos en un día
Ambas notaciones, E(x) y μ se usan para denotar el valor esperado de una variable
aleatoria.
La ecuación (5.4) muestra que para calcular el valor esperado de una variable
aleatoria discreta se debe multiplicar cada valor de la variable por su
probabilidad correspondiente f (x), y después se suman los productos que
resultan.
Varianza
Aun cuando el valor esperado proporciona el valor medio de la variable aleatoria, a
menudo necesitamos una medida de variabilidad o dispersión. Así como la
varianza se usó en el capítulo 3 para resumir la variabilidad en los datos, ahora la
varianza se usa para resumir la variabilidad en los valores de una variable
aleatoria.
Como muestra la ecuación (5.5), una parte esencial de la fórmula de la varianza
es la desviación, x— μ, la cual mide a qué distancia está el valor esperado, o la
media, μ, de un valor particular de la variable aleatoria. Para calcular la varianza
de una variable aleatoria, las desviaciones se elevan al cuadrado y luego se
ponderan por el valor correspondiente de la función de probabilidad.
x f (x) xf (x)
0 0.18 0(0.18) = 0.00
1 0.39 1(0.39) = 0.39
2 0.24 2(0.24) = 0.48
3 0.14 3(0.14) = 0.42
4 0.04 4(0.04) = 0.16
5 0.01 5(0.01) = 0.05
1.50
E(x) = μ = \xf
(x)
S (S, S, S) 3
S
F (S, S, F) 2
S (S, F, S) 2
S F
F (S, F, F) 1
S (F, S, S) 2
F S
F (F, S, F) 1
S (F, F, S) 1
F
F (F, F, F) 0
S = Hay compra
F = No hay compra
x = Número de clientes que efectúan una compra
n n!
(5.6)
x = x!(n — x)!
donde
n! = n(n — 1)(n — 2) . . . (2)
(1)
y por definición,
0! = 1
f (x)
0.50
0.40
0.30
0.20
0.10
0.00
x
0123
Número de clientes que efectúan una compra
p
n x 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50
9 0 0.630 0.387 0.231 0.134 0.0751 0.040 0.020 0.010 0.00 0.00
2 4 6 2 4 7 1 46 20
1 0.298 0.387 0.367 0.302 0.2253 0.155 0.100 0.060 0.03 0.01
5 4 9 0 6 4 5 39 76
2 0.062 0.172 0.259 0.302 0.3003 0.266 0.216 0.161 0.11 0.07
9 2 7 0 8 2 2 10 03
3 0.007 0.044 0.106 0.176 0.2336 0.266 0.271 0.250 0.21 0.16
7 6 9 2 8 6 8 19 41
4 0.000 0.007 0.028 0.066 0.1168 0.171 0.219 0.250 0.26 0.24
6 4 3 1 5 4 8 00 61
5 0.000 0.000 0.005 0.016 0.0389 0.073 0.118 0.167 0.21 0.24
0 8 0 5 5 1 2 28 61
6 0.000 0.000 0.000 0.002 0.0087 0.021 0.042 0.074 0.11 0.16
0 1 6 8 0 4 3 60 41
7 0.000 0.000 0.000 0.000 0.0012 0.003 0.009 0.021 0.04 0.07
0 0 0 3 9 8 2 07 03
8 0.000 0.000 0.000 0.000 0.0001 0.000 0.001 0.003 0.00 0.01
0 0 0 0 4 3 5 83 76
9 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.000 0.00 0.00
0 0 0 0 0 1 3 08 20
10 0 0.598 0.348 0.196 0.107 0.0563 0.028 0.013 0.006 0.00 0.00
7 7 9 4 2 5 0 25 10
1 0.315 0.387 0.347 0.268 0.1877 0.121 0.072 0.040 0.02 0.00
1 4 4 4 1 5 3 07 98
2 0.074 0.193 0.275 0.302 0.2816 0.233 0.175 0.120 0.07 0.04
6 7 9 0 5 7 9 63 39
3 0.010 0.057 0.129 0.201 0.2503 0.266 0.252 0.215 0.16 0.11
5 4 8 3 8 2 0 65 72
4 0.001 0.011 0.040 0.088 0.1460 0.200 0.237 0.250 0.23 0.20
0 2 1 1 1 7 8 84 51
5 0.000 0.001 0.008 0.026 0.0584 0.102 0.153 0.200 0.23 0.24
1 5 5 4 9 6 7 40 61
6 0.000 0.000 0.001 0.005 0.0162 0.036 0.068 0.111 0.15 0.20
0 1 2 5 8 9 5 96 51
7 0.000 0.000 0.000 0.000 0.0031 0.009 0.021 0.042 0.07 0.11
0 0 1 8 0 2 5 46 72
8 0.000 0.000 0.000 0.000 0.0004 0.001 0.004 0.010 0.02 0.04
0 0 0 1 4 3 6 29 39
9 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.001 0.00 0.00
0 0 0 0 1 5 6 42 98
10 0.000 0.000 0.000 0.000 0.0000 0.000 0.000 0.000 0.00 0.00
0 0 0 0 0 0 1 03 10
El software para estadística, como Minitab, y los programas de hoja de cálculo,
como Excel, también permiten calcular probabilidades binomiales. Considere el
ejemplo de Martin Clothing Store con n = 10 y p = 0.30. La figura 5.5 muestra las
probabilidades binomiales ge- neradas por Minitab para todos los valores posibles
de x. Note que estos valores son los mismos que aquellos encontrados en la
columna p = 0.30 de la tabla 5.7. En el apéndice 5.1 se explica el procedimiento
paso por paso para usar Minitab con la finalidad de generar el resultado que se
exhibe en la figura 5.5. En el apéndice 5.2 se describe cómo usar Excel para
calcular proba- bilidades binomiales.
E(x) = μ = np (5.9)
Var (x) = σ 2
= np(1 — p) (5.10)
En el caso del problema de Martin Clothing Store con tres clientes, se usa la
ecuación (5.9) para calcular el número esperado de clientes que realizarán una
compra.
Suponga que para el mes siguiente Martin Clothing Store pronostica que 1 000
clientes entrarán en la tienda. ¿Cuál es el número esperado de personas que
realizarán una compra? La respues- ta es μ = np = (1 000)(0.3) = 300. Por tanto,
para aumentar el número esperado de compras, la empresa debe lograr que más
clientes entren en el establecimiento y/o aumentar de alguna manera la
probabilidad de que un cliente realice una compra cuando esté adentro.
En este problema con tres clientes, vemos que la varianza y la desviación
estándar del nú- mero de ellos que harán una compra es
μx e
—μ
f (x) = (5.11)
x!
dond
e
f (x) = probabilidad de x ocurrencias en un intervalo
μ = valor esperado o número medio de ocurrencias en
un intervalo
e = 2.71828
μ
x 9.1 9.2 9.3 9.4 9.5 9.6 9.7 9.8 9.9 10
0 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0000
1 0.0010 0.0009 0.0009 0.0008 0.0007 0.0007 0.0006 0.0005 0.0005 0.0005
2 0.0046 0.0043 0.0040 0.0037 0.0034 0.0031 0.0029 0.0027 0.0025 0.0023
3 0.0140 0.0131 0.0123 0.0115 0.0107 0.0100 0.0093 0.0087 0.0081 0.0076
4 0.0319 0.0302 0.0285 0.0269 0.0254 0.0240 0.0226 0.0213 0.0201 0.0189
5 0.0581 0.0555 0.0530 0.0506 0.0483 0.0460 0.0439 0.0418 0.0398 0.0378
6 0.0881 0.0851 0.0822 0.0793 0.0764 0.0736 0.0709 0.0682 0.0656 0.0631
7 0.1145 0.1118 0.1091 0.1064 0.1037 0.1010 0.0982 0.0955 0.0928 0.0901
8 0.1302 0.1286 0.1269 0.1251 0.1232 0.1212 0.1191 0.1170 0.1148 0.1126
9 0.1317 0.1315 0.1311 0.1306 0.1300 0.1293 0.1284 0.1274 0.1263 0.1251
10 0.1198 0.1210 0.1219 0.1228 0.1235 0.1241 0.1245 0.1249 0.1250 0.1251
11 0.0991 0.1012 0.1031 0.1049 0.1067 0.1083 0.1098 0.1112 0.1125 0.1137
12 0.0752 0.0776 0.0799 0.0822 0.0844 0.0866 0.0888 0.0908 0.0928 0.0948
13 0.0526 0.0549 0.0572 0.0594 0.0617 0.0640 0.0662 0.0685 0.0707 0.0729
14 0.0342 0.0361 0.0380 0.0399 0.0419 0.0439 0.0459 0.0479 0.0500 0.0521
15 0.0208 0.0221 0.0235 0.0250 0.0265 0.0281 0.0297 0.0313 0.0330 0.0347
16 0.0118 0.0127 0.0137 0.0147 0.0157 0.0168 0.0180 0.0192 0.0204 0.0217
17 0.0063 0.0069 0.0075 0.0081 0.0088 0.0095 0.0103 0.0111 0.0119 0.0128
18 0.0032 0.0035 0.0039 0.0042 0.0046 0.0051 0.0055 0.0060 0.0065 0.0071
19 0.0015 0.0017 0.0019 0.0021 0.0023 0.0026 0.0028 0.0031 0.0034 0.0037
20 0.0007 0.0008 0.0009 0.0010 0.0011 0.0012 0.0014 0.0015 0.0017 0.0019
21 0.0003 0.0003 0.0004 0.0004 0.0005 0.0006 0.0006 0.0007 0.0008 0.0009
22 0.0001 0.0001 0.0002 0.0002 0.0002 0.0002 0.0003 0.0003 0.0004 0.0004
23 0.0000 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0001 0.0002 0.0002
24 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0001 0.0001 0.0001