Академический Документы
Профессиональный Документы
Культура Документы
Variable aleatoria
Es un evento numérico cuyo valor se determina por medio de un proceso aleatorio. Cuando
a todos los posibles valores numéricos de una variable aleatoria (𝑋) se les asignan valores
de probabilidad, ya sea mediante un listado o una función matemática. El resultado es una
distribución de probabilidad. La suma de las probabilidades de todos los resultados
numéricos posibles debe ser igual a 1.
Distribución binomial
Es una distribución de probabilidad discreta, aplicable como un modelo para
situaciones de toma de decisiones en las que puede suponerse que un proceso de
muestreo responde a un proceso de Bernoulli en el que:
1. En cada ensayo u observación sólo son posibles dos resultados posibles
mutuamente excluyentes, llamados "éxito y fracaso".
2. Los resultados de la serie de ensayos u observaciones constituyen eventos
independientes.
3. La probabilidad de éxito de cada ensayo indicada por P es constante de un ensayo a
otro. Esto es: el proceso es estacionario.
Esta distribución requiere de 3 valores: El número establecido de x (𝑋); el número de
ensayos u observaciones (𝑛); y la probabilidad de éxito en cada ensayo (𝑝).. Si 𝑞 = 1 −
𝑝, la fórmula para determinar la probabilidad de un número específico de éxitos (X) es:
𝑛!
𝑝(𝑥|𝑛, 𝑝) = 𝑝 𝑥 𝑞𝑛−𝑥
𝑥! (𝑛 − 𝑥)!
Ejemplo:
La probabilidad de que un prospecto aleatoriamente elegido realice una compra es de
0.20. Si un representante de ventas visita a 6 prospectos, determinar la probabilidad
de que realice:
a) Cuatro ventas
b) Cuatro o más ventas
c) Menos de 3 ventas
Para inciso a)
𝑥=4
𝑝 = 0.20
𝑛=6
𝑞 = 1 − 𝑝 = 1 − 0.20 = 0.8
6!
𝑝(4|6, 0.20) = (0.20)4 (0.8)6−4 = 0.01536
4! (6 − 4)!
En Excel, con la función =distr.binom(x, n, p, acumulado/no acumulado)
x N P P
4 6 0.2 0.01536
En la tabla
b) Cuatro o más ventas (𝑝(𝑥 ≥ 4)), es decir, 𝑝(𝑥 = 4) + 𝑝(𝑥 = 5) + 𝑝(𝑥 = 6)
(hasta donde llegue mi número de pruebas.
6! 6!
𝑃(𝑥 ≥ 4) = (0.20)4 (0.8)6−4 + (0.20)5 (0.8)6−5
(6
4! − 4)! (6
5! − 5)!
6!
+ (0.20)6 (0.8)6−6 = 0.015 + 0.0015 + 0.000064 = 0.01696
6! (6 − 6)!
En Excel
x n p P
4 6 0.2 0.01536
5 6 0.2 0.001536
6 6 0.2 6.4E-05
SUMA 0.01696
En tabla
En Excel
x n p P
6 10 0.4 0.11147674
7 10 0.4 0.04246733
8 10 0.4 0.01061683
9 10 0.4 0.00157286
10 10 0.4 0.00010486
SUMA 0.16623862
En tabla
b) Menos de la mitad a favor de representación sindical: 4𝑃(𝑥 = 4) + 𝑃(𝑥 = 3) +
𝑃(𝑥 = 2) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 0)
10!
𝑃(𝑥 ≤ 4) = (0.40)4 (0.6)10−4
4! (10 − 4)!
10! 10!
+ (0.40) (0.6)10−7 . . . (0.40)10 (0.6)10−10 =
3! (10 − 7)! 10! (10 − 10)!
Distribución hipergeométrica
Cuando el muestreo se realiza sin reemplazo de cada elemento muestreado tomado de
una población finita de elementos, no se aplica el proceso de Bernoulli, porque cuando se
eliminan elementos de la población existe un cambio sistemático en la probabilidad de
éxito. Cuando en una situación, que de otro modo correspondería a un proceso de
Bernoulli, se hace uso del muestreo sin reemplazo, la distribución de probabilidad discreta
adecuada es la distribución hipergeométrica, y su fórmula es:
𝑁−𝑇 𝑇
( )( )
𝑃(𝑥|𝑁, 𝑇, 𝑛) = 𝑛 − 𝑥 𝑥
𝑁
( )
𝑛
Donde:
𝑥: Número establecido de éxitos (cuántos queremos, la probabilidad que haya tantos de
éstos)
𝑁: Número total de elementos de la población (cuántos hay)
𝑇: Número total de éxitos incluídos en la población (cuántos en la población son los que
buscamos)
𝑛: Número de elementos de la muestra (de la población, elegimos una cantidad entre la
que debe cumplir tal)
𝑁 𝑁!
( )=
𝑛 𝑛! (𝑁 − 𝑛)!
Ejemplo:
1. Como subgerente de una constructora se debe contratar a 10 ingenieros civiles entre 30
candidatos, 22 de los cuales tienen título. ¿Cuál es la probabilidad de que 5 de los que se
contraten tengan título?
𝑛: Número de elementos de la muestra: 10
𝑁: Número total de elementos: 30
𝑇: Número total de éxitos en la población: 22
𝑥: Número establecido de éxitos: 5
30 − 22 22 8 22 8! 22!
( ) ( ) ( ) ( ) (5! (8 − 5)!) ∗ (5! (22 − 5)!)
𝑃(5|30, 22, 10) = 10 − 5 5 = 5 5 =
30 30 30!
( ) ( )
10 10 10! (30 − 10)!
56 ∗ 26334
= = 0.04908
30045015
En Excel uso la función = 𝐷𝐼𝑆𝑇𝑅. 𝐻𝐼𝑃𝐸𝑅𝐺𝐸𝑂𝑀(𝑥, 𝑛, 𝑇, 𝑁)
x 5
n 10
T 22
N 30
P(x|N, T, n) 0.04908315
2. De 50 edificios en un parque industrial 12 no cumplen el código elétrico. Si se
seleccionan 10 edificios aleatoriamente, determine la probabilidad de que:
a) 3 no cumplan el código
b) 4 no cumplan el código
c) Menos de 5 no cumplan el código
𝑁 = 50: Número total de elementos
𝑇 = 12: Número total de éxitos en población
𝑛 = 10: Número de elementos de la muestra
a) Que 3 no cumplan el código:
𝑥 = 3: Número de éxitos
50 − 12 12 38 12 38! 12!
( ) ( ) ( ) ( ) (7! (38 − 7)!) ∗ (3! (12 − 3)!)
𝑃(𝑥 = 3) = 10 − 3 3 = 7 3 = = 0.27028
50 50 50!
( ) ( )
10 10 10! (50 − 10)!
En Excel
x 3
n 10
T 12
N 50
P(x|N, T, n) 0.27028633
b) Que 4 no cumplan el código
𝑥 = 4: Número de éxitos
50 − 12 12 38 12 38! 12!
( ) ( ) ( ) ( ) (6! (38 − 6)!) ∗ (4! (12 − 4)!)
𝑃(𝑥 = 4) = 10 − 4 4 = 6 4 = = 0.13303
50 50 50!
( ) ( )
10 10 10! (50 − 10)!
En Excel
x 4
n 10
T 12
N 50
P(x|N, T, n) 0.13303155
c) Menos de 5 no cumplan el código
𝑥 < 5: Número de éxitos
𝑃(𝑥 < 5) = 𝑃(𝑥 = 4) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 2) + 𝑃(𝑥 = 1) + 𝑃(𝑥 = 0)
50 − 12 12 50 − 12 12 50 − 12 12
( )( ) ( )( ) ( )( )
𝑃(𝑥 < 5) = 10 − 4 4 + 10 − 3 3 + ⋯ + 10 − 0 0
50 50 50
( ) ( ) ( )
10 10 10
38 12 38 12 38 12 38 12 38 12
( )( ) ( )( ) ( )( ) ( )( ) ( )( )
= 6 4 + 7 3 + 8 2 + 9 1 + 10 0
50 50 50 50 50
( ) ( ) ( ) ( ) ( )
10 10 10 10 10
38! 12! 38! 12!
( )∗( ) ( )∗( )
6! (38 − 6)! 4! (12 − 4)! 10! (38 − 10)! 0! (12 − 0)!
= +. . . +
50! 50!
10! (50 − 10)! 10! (50 − 10)!
= 0.953975
En Excel
Distribución de Poisson
Se puede usar para determinar la probabilidad ocurrencia de un número establecido de
eventos cuando éstos ocurren en un intervalo de tiempo dado o en un área o volumen
específicos.
Para determinar la probabilidad de ocurrencia sólo se requiere de un valor: el número de
eventos a largo plazo.
Por lo general, esta media se representa como 𝜆 (landa) o en ocasiones como 𝜇 (mu), y su
fórmula es:
𝜆𝑥 𝑒 −𝜆
𝑓(𝑥|𝜆) =
𝑥!
𝑒 = 2.7183 (base de los logaritmos)
En Excel se emplea la ecuación = 𝑃𝑂𝐼𝑆𝑆𝑂𝑁(𝑥, 𝑚𝑒𝑑𝑖𝑎, 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑜). Si no es el caso,
el acumulado valdrá 0.
El falso es cuando buscamos directamente la probabilidad; el veradero es cuando
buscamos menor o igual, mayor o igual, etc.
Ejemplo:
En un departamento de reparación de maquinaria se recibe un promedio de 5 llamadas de
servicio por hora. ¿Cuál es la probabilidad de que en una hora aleatoriamente seleccionada
se reciban exactamente 3 llamadas de servicio?
𝜆 = 5: Promedio de llamadas
𝑥 = 3: Llamadas esperadas en hora aleatoriamente seleccionada
53 × 𝑒 −5
𝑃(3|5) = = 0.14037
3!
En Excel:
Promedio (λ) 5
Evento esp (x) 3
P(x|λ) 0.1403739
Existen tablas para encontrar los valores
𝑃(𝑥 ≥ 1) = 1 − (
Suponga que los accidentes en una cierta calle tiene una tasa media de 2 accidentes por
semana. Hallar la probabilidad de que:
a) Ocurran 5 accidentes durante la próxima semana)
b) A lo más ocurran 3 accidentes durante las próximas 2 semanas.
Promedio (λ) 3
Evento esp (x) 0
P(x|λ) 0.04978707
(0.47)
Un promedio de un barco llega a cierto muelle uno de cada dos días. ¿Cuál es la
probabilidad de que dos o más barcos lleguen a ese punto en un día aleatoriamente
seleccionado?
Se tendrá que hacer regla de 3 para corresponder con la relación:
Si 1 barco llega 1/2 días
2∗1/2
2 barcos será: 1
=1
(0.0902)
Los mensajes que llegan a una computadora lo hacen de acuerdo con una tasa promedio
de 1.1 mensajes por minuto. Determinar el intervalo de tiempo necesario para que la
probabilidad de que no llegue ningún mensaje durante ese lapso de tiempo sea de 0.8.
Promedio (λ) 1.1
Evento esp (x) 0.8
P(x|λ) 0.33287108
(lamda=0.0223144, y en minutos 2.23144)
Aproximación de Poisson a la Binomial
Cuando el número de observaciones o ensayos 𝑁 en un proceso de Bernoulli es grande y 𝑃
o 𝑄 pequeña, es conveniente hacer la aproximación. Una regla adecuada es que esta
aproximación puede efectuarse cuando 𝑁 ≥ 20, 𝑁𝑃 < 5 o 𝑁𝑄 < 5.
Ejemplo:
Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones
defectuosas. Determinar la probabilidad de que 2 de 100 libros encuadernados tengan
encuadernaciones defectuosas:
a) Usando Binomial
b) Aproximación Poisson a la Binomial
a) Por la Binomial
100!
𝑝(2|100, 0.05) = (0.05)2 (0.95)100−2 = 0.08118
2! (100 − 2)!
En Excel
Binomial
x 2
n 100
p 0.05
P(x|n, p)= 0.08118177
Para estos casos se puede hacer de dos modos: Calculando por separado las
probabilidades menores a 3, o en la ecuación de Excel dar como VERDADERO (1)
el argumento de "Acumulado". Entonces:
a) Por Binomial
a.1) Sin acumular
8000!
𝑝(0|8000, 0.001) = (0.001)0 (0.999)8000−0 = 0.00033
0! (8000 − 0)!
8000!
𝑝(1|8000, 0.001) = (0.001)1 (0.999)8000−1 = 0.00268
1! (8000 − 1)!
8000!
𝑝(2|8000, 0.001) = (0.001)2 (0.999)8000−2 = 0.01071
2! (8000 − 2)!
En Excel
Binomial sin acumulado
x 0 1 2
n 8000 8000 8000
p 0.001 0.001 0.001
P(x|n, p)= 0.00033412 0.00267566 0.010712
0.013721778
a.2) Acumulado
En Excel
Binomial acumulado
x 2
n 8000
p 0.001
P(x|n, p)= 0.01372178
b) Aproximación de Poisson a la binomial
b.1) Sin acumular
𝜆 = 𝑛𝑝 = 0.001 ∗ 8000 = 8
80 𝑒 8
𝑝(0|8000) = = 0.00034
0!
81 𝑒 8
𝑝(1|8000) = = 0.00302
1!
2 8
8 𝑒
𝑝(2|8000) = = 0.01375
0!
𝑝(𝑥 < 3) = 𝑝(𝑥 = 0) + 𝑝(𝑥 = 1) + 𝑝(𝑥 = 2) = 0.00033 + 0.00302 + 0.01375 = 0.017109
En Excel
Poisson sin acumular
λ=p*n 8 8 8
x 0 1 2
p(x|λ) 0.00033546 0.00301916 0.01375397
0.017108594
b.2) Acumulado
En Excel
Poisson
λ=p*n 8
x 2
p(x|λ) 0.01375397
Ejercicios
1. Se sabe que 1% de los artículos de un gran embarque de transistores son defectuosos.
Si se selecciona aleatoriamente una muestra de 30 transistores, ¿cuál es la probabilidad
de que dos o más de ellos sean defectuosos?
Binomial Poisson
x 1 λ=p*n 0.3
n 30 x 1
p 0.01 p(x|λ) 0.03693631
P(x|n, p)= 0.036148
0.0952
Distribución normal
Es una distribución de probabilidad continua tanto simétrica como mesocúrtica. La curva
de probabilidad que representa a esta distribución tiene forma de campana. Es importante
para la inferencia estadística por 3 razones:
1. Se sabe que las medidas obtenidas en muchos procesos aleatorios siguen esta
distribución.
2. Suelen servir para aproximar otras distribuciones, como la Binomial y la de Poisson.
3. Las distribuciones de estadísticas como la media muestreal y la proporción muestral
tienen distribución normal cuando el tamaño de muestra es grande, independientemente
de la distribución de la población de origen.