Академический Документы
Профессиональный Документы
Культура Документы
Las variables discretas son variables numéricas que tienen un número contable de valores entre dos valores
cualesquiera. Una variable discreta siempre es numérica. Por ejemplo, el número de quejas de los clientes o el
número de fallas o defectos.
Variable continua
Las variables continuas son variables numéricas que tienen un número infinito de valores entre dos valores
cualesquiera. Una variable continua puede ser numérica o de fecha/hora. Por ejemplo, la longitud de una pieza o
la fecha y hora en que se recibe un pago.
donde
k es el número de ocurrencias del evento o fenómeno (la función nos da la probabilidad de que el evento
suceda precisamente k veces).
λ es un parámetro positivo que representa el número de veces que se espera que ocurra el fenómeno
durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por
minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10
minutos, usaremos un modelo de distribución de Poisson con λ = 10×4 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)
Tanto el valor esperado como la varianza de una variable aleatoria con distribución de Poisson son iguales a
λ. Los momentos de orden superior son polinomios de Touchard en λ cuyos coeficientes tienen una
interpretación combinatoria. De hecho, cuando el valor esperado de la distribución de Poisson es 1, entonces
según la fórmula de Dobinski, el n-ésimo momento iguala al número de particiones de tamaño n.
La moda de una variable aleatoria de distribución de Poisson con un λ no entero es igual a , el mayor
de los enteros menores que λ (los símbolos representan la función parte entera). Cuando λ es un entero
positivo, las modas son λ y λ − 1.
La función generadora de momentos de la distribución de Poisson con valor esperado λ
Distribución hipergeométrica
Probabilidad condicionada
Por ejemplo, si queremos calcular la probabilidad de que al tirar un dado salga un 6, sabemos por la regla de
Laplace, que la probabilidad es de 1/6.
Sin embargo, si disponemos de la información de que el resultado ha sido un número par, entonces tan sólo
hay tres posibilidades: 2,4 y 6, por lo que la probabilidad pasa a ser más alta, de 1/3.
Dados dos sucesos A y B, tales que 𝑃(𝐵) ≠ 0, se denomina probabilidad de A condicionada a B, que
escribimos 𝑃(𝐴/𝐵), a:
𝐴 𝑃(𝐴 ∩ 𝐵)
𝑃( ) =
𝐵 𝑃(𝐵)
De la fórmula de la probabilidad condicionada podemos derivar una expresión que nos resultará muy útil:
𝐴
𝑃(𝐴 ∩ 𝐵) = 𝑃 ( ) ∗ 𝑃(𝐵)
𝐵
Esta expresión se conoce como principio de la probabilidad compuesta.
Teorema de Bayes
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.
El teorema de Bayes ha sido muy cuestionado. Lo cual se ha debido, principalmente, a su mala aplicación.
Ya que, mientras se cumplan los supuestos de sucesos disjuntos y exhaustivos, el teorema es totalmente
válido.