Unidad 2: Fase 6 - Distribuciones de probabilidad

Presentado por:

Juan Carlos Puerta-71935738

Anny lizeth Godoy Gutierrez-1088310085

Emilia Del Socorro Gutiérrez-31409643

Carlos Mario Vergara-1040370026

Jorge Ivan Sierra-9867245

Presentado a:

Zoraida Monsalve

Grupo: 100402_28

Universidad nacional abierta y a distancia UNAD

Probabilidad

Junio de 2018
 Introducción

En el presente trabajo, se estudia de manera ágil los diversos tipos de distribución probabilística,
caracterizaremos cada distribución. Una distribución de probabilidad indica toda la gama de valores
que pueden representarse como resultado de un experimento.
Una distribución de probabilidad es similar a la distribución de frecuencias relativas, sin embargo,
en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro;
constituye una herramienta fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenómenos
naturales.
De acuerdo con el estudio de las estadísticas entre sus objetivos implica conocer de manera
cuantitativa determinada parte de la realidad, por esto se hace necesario construir un modelo
particular del objeto de estudio; en este sentido la probabilidad se caracteriza en la forma medible
de diferentes valores donde se asigna a cada posible resultado de un experimento aleatoriamente
probabilidad.
 Cuadro sinóptico

El grupo diseña y presenta en un cuadro sinóptico el resumen de los conceptos teóricos de la unidad
2 que dan sustento a la solución de los estudios de cada propuesto y solucionados por el grupo.

Variable Aleatoria y
Distribuciones Discretas

Variable Aleatoria Distribuciones Discretas

Es aquella que toma diferentes Es el conjunto de todos los

valores numéricos, mediante un posibles resultados de un
proceso de contar o medir, como experimento a los que podemos
producto de un experimento asignar un valor de ocurrencia o
aleatorio. probabilidad.

Variable Aleatoria Discreta. Variable Aleatoria Continua.

Es aquella que toma un número Es aquella que toma cualquier

limitado de valores, valor numérico producto de una
generalmente números enteros medición, el cual está referido a un
que son producto de un conteo. rango o intervalo de valores
 Desarrollo de la actividad

ESTUDIO DE CASO 1

Supongamos que X es una variable aleatoria discreta y que x es uno de sus valores posibles. La
probabilidad de que la variable aleatoria X tome el valor específico x se representa por medio de
P(X = x). La función de probabilidad de una variable aleatoria es una representación de las
probabilidades de todos los resultados posibles. Esta representación podría ser algebraica, gráfica
o tabular. En el caso de las variables aleatorias discretas, un sencillo método es enumerar las
probabilidades de todos los resultados posibles de acuerdo con los valores de x.

Una empresa nueva de buses del Sistema Integrado de

Transporte de Bogotá (SITP) ha comenzado a dar servicio en
un nuevo barrio. Se ha registrado el número de usuarios que
hay en este barrio en el servicio a primera hora de la mañana
(5:00 a.m.). La tabla adjunta muestra la proporción de cada
uno de los días de la semana.

Número de usuarios 0 2 3 5 6 8 10 12 15
Proporción 0.02 0.05 0.12 0.18 0.13 0.16 0.14 0.12 0.08

Si X es la variable que representa el número de usuarios que la empresa debe atender a la hora de
inicio del servicio, con base en esta información y haciendo uso de los conceptos de variables
aleatorias discretas y función de probabilidad, prepare un informe en el que debe incluir como
mínimo lo siguiente:

1. Grafica de la función de probabilidad de la variable aleatoria X: Número de usuarios.

2. Función de probabilidad acumulada de la variable aleatoria X: Número de usuarios.

3. Probabilidad de que en un día seleccionado aleatoriamente haya exactamente ocho usuarios del
barrio esperando el servicio

4. Probabilidad de que en un día seleccionado aleatoriamente haya más de seis usuarios del barrio
esperando este servicio

5. Probabilidad de que en un día seleccionado aleatoriamente haya menos de cuatro usuarios del
barrio en este servicio

6. El número esperado de usuarios de este servicio y su desviación estándar

7. Con base en estos resultados, redacte un breve resumen de sus hallazgos para la empresa
 DESARROLLO

Si X es la variable que representa el número de usuarios que la empresa debe atender a la hora
de inicio del servicio, con base en esta información y haciendo uso de los conceptos de variables
aleatorias discretas y función de probabilidad, prepare un informe en el que debe incluir como
mínimo lo siguiente

Número de Usuarios 0 2 3 5 6 8 10 12 15
Proporción 0.02 0.05 0.12 0.18 0.13 0.16 0.14 0.12 0.08

1. Grafica de la función de probabilidad de la variable aleatoria X: Número de usuarios.

Función de probabilidad de Numero de usuarios

20
18 18
16 16
14 14
13
Probabilidad

12 12 12
10
8 8
6
5
4
2 2
0
0 2 3 5 6 8 10 12 15
Numero de Usuarios

2. Función de probabilidad acumulada de la variable aleatoria X: Número de usuarios

 Función Probabilidad acumulada
120

100 100
Probabilidad Acumulada

92
80 80
66
60
50
40 37

20 19
7
0 2
0 2 3 5 6 8 10 12 15
Numero de Usuarios

Varianza: S² = (∑(X-M) )/ n

S²: Varianza

X: término del conjunto de datos

M: Media de la muestran: tamaño de la muestra

Desviación estándar =√ (∑(X-M) )/ n

S =√(∑(X-M) )/ n

3. Probabilidad de que en un día seleccionado aleatoriamente haya exactamente ocho

usuarios del barrio esperando el servicio.

P = 8/61 = 0,13 = 13%

La probabilidad de que en un día seleccionado aleatoriamente haya exactamente ocho usuarios

del barrio esperando el servicio, es del 13%.
 4. Probabilidad de que en un día seleccionado aleatoriamente haya más de seis usuarios del
barrio esperando este servicio.

P = (0,16+ 0,14 +0,12 +0,08) = 0,50= 50%

La probabilidad de que en un día seleccionado aleatoriamente haya más de seis usuarios del
barrio esperando este servicio es del 50% en este caso.

5. Probabilidad de que en un día seleccionado aleatoriamente haya menos de cuatro usuarios

del barrio en este servicio.

P = 0,02+ 0,05 +0,12 =0,19 = 19%

La probabilidad de que en un día seleccionado aleatoriamente haya menos de cuatro usuarios del
barrio en este servicio es del 19% en este caso.

6. El numero esperado de usuarios de este servicio y su desviación estándar.

S = √164,64 = 12,83 desviación estándar

La desviación estándar de este caso es de 12,83, un valor bastante lejano, lo cual significa que hay
un desorden en los valores de los datos obtenidos en este estudio.

7. Con base en estos resultados, redacte un breve resumen de sus hallazgos para la
empresa

Al comienzo del nuevo horario de la prestación del servicio se obtiene que fue muy favorable el
resultado obtenido, al transcurrir el tiempo se muestra que la favorabilidad del servicio va en
descenso.

Resumen de los conceptos teóricos de la Unidad 2 utilizados para resolver el caso N°1

Variable aleatoria

Una variable aleatoria es aquella variable que toma diferentes valores numéricos, mediante un
proceso de contar o medir, como producto de un experimento aleatorio. Esta variable es un valor o
magnitud que cambia de una ocurrencia a otra sin seguir una secuencia predecible, es decir, en
forma aleatoria.

Recordemos que un experimento aleatorio es aquel del cual conocemos sus resultados (espacio
muestral), pero no sabemos cuál de ellos (qué punto muestra) es el que sucederá; es decir, el
resultado del experimento está libre de una determinación, es aleatorio. Por ejemplo, considere
como experimento un partido de fútbol entre el equipo “A” y “B”, y la variable aleatoria asociada
con este experimento mostrará los posibles resultados de este juego.
Los posibles resultados del experimento son: gana “A”, gana “B”, hay empate. Sin embargo, no
sabemos cuál de estos tres resultados se dará. La variable aleatoria tiene tres 2 gana “B” 1 gana
“A” 3 empate valores numéricos de probabilidad de ocurrencia. Por ejemplo, suponga que la variable
aleatoria referida toma los valores de ocurrencia siguientes: Entonces, la variable aleatoria de este
juego de fútbol tiene tres resultados posibles: Espacio muestral (juego de fútbol) 5 {gana “A”, gana
“B”, empate}

La variable aleatoria del juego puede definirse como:

VA (juego de fútbol) 5 {1, 2, 3}

Formalmente, Hildebrand y Lyman proponen la siguiente definición de variable aleatoria:” Dado un

espacio muestral S, una variable aleatoria es una regla (función) que asigna un valor numérico a
cada resultado de S”.

Por otro lado, dado que una variable aleatoria toma valores numéricos producto de un proceso de
contar o bien de un proceso de medir, entonces, con base en ello estas variables se clasifican en
variables aleatorias discretas o continuas. Las variables aleatorias discretas son aquellas que toman
un número limitado de valores, generalmente números enteros que son producto de un conteo.

Distribución de probabilidades de una variable aleatoria discreta

Una distribución de probabilidades de una variable aleatoria discreta es el conjunto de todos los
posibles resultados numéricos de un experimento a los que podemos asignar un valor de ocurrencia
o probabilidad. Este conjunto de resultados es mutuamente excluyente y pueden expresarse
mediante una fórmula, una gráfica o por medio de un cuadro estadístico (tabla).
Matemáticamente hablando, la distribución de probabilidades de una variable aleatoria discreta X
es una función P X (x) que da un valor de probabilidad a cada valor x que forma la variable aleatoria
X.

Esta distribución de probabilidades de una variable aleatoria discreta X tiene las siguientes
propiedades:

• La probabilidad P X (x) de cada valor que presenta la variable X debe tomar un valor numérico en
el intervalo n ∑ i = 1 P X (x P (X i) 5 0 # P 5 x 1 X (x) # 1 para toda 1

• La suma de las probabilidades para todos los valores ( x i ) de X es igual a 1(uno), es decir, ∪ X
5 x 2 ) 5 i 5 1, 2, 3, ..., P X ( x 1 ) 1 n

• Como cada valor de X es un suceso mutuamente excluyente, sus probabilidades son aditivas, es
decir: P X ( x 2 )

Si retomamos el ejemplo de la Oficina de la Tesorería del Gobierno del Distrito Federal, a cada valor
de la variable aleatoria le podemos asignar un valor numérico de ocurrencia (probabilidad) en la
siguiente forma:

Por ejemplo, la probabilidad de que se presenten 121 contribuyentes es:

P ( X 5 121) 5 4 80 5
Número de Contribuyentes X 120 121 122 123 124 125 126 127 128 129 130 Total Cuadro 4.5.
0.05 Con el mismo procedimiento, se calcula la distribución de probabilidad de los valores numéricos
que toma la variable aleatoria discreta.

Distribución de probabilidad

Una distribución de probabilidad indica todos los resultados probables de un experimento, así como
la probabilidad de ocurrencias de estos resultados, también podemos decir que es una lista de todos
los resultados de un experimento y la probabilidad que se asocia con cada uno de ellos.

Es aquella que nos muestra la forma en que se encuentran distribuidas las diversas probabilidades
de cada valor que asume la variable aleatoria.

Ejemplo: si retomamos la variable aleatoria que definimos anteriormente como: X ±= número de

accidentes de Aeroméxico de entre siete vuelos seleccionados al azar y digamos que se realizó el
experimento y se obtuvieron unos resultados a los cuales se les calculó su respectiva probabilidad
y se presentaron utilizando un cuadro que muestra la forma en que quedaron distribuidas las
respectivas probabilidades.

DISTRIBUCIÓN DE FRECUENCIA Y DISTRIBUCIÓN DE FRECUENCIA ACUMULADA DE UNA

DISTRIBUCIÓN DE PROBABILIDAD

A menudo se utilizan tablas o gráficas para mostrar cómo la probabilidad total asignada a un espacio
muestral se distribuye en relación con los resultados de dicho espacio. Las probabilidades indican
el porcentaje de veces respecto a un gran número de observaciones en que se espera que se
presenten los diversos resultados de una variable aleatoria.

También podemos decir que una vez que tenemos una distribución de probabilidad de alguna
variable o algún fenómeno, una primera aproximación para mostrar su comportamiento sería el
método gráfico, en el cual se puede mostrar de varias formas la manera en que se encuentran
distribuidas las diferentes probabilidades, pero en este caso sólo veremos la forma en que se
presentan los datos apoyándose en un gráfico conocido como distribución de frecuencia

Varianza

En teoría de probabilidad, la varianza o variancia de una variable aleatoria es una medida de

dispersión definida como la esperanza del cuadrado de la desviación de dicha variable respecto a
su media.

Su unidad de medida corresponde al cuadrado de la unidad de medida de la variable: por ejemplo,

si la variable mide una distancia en metros, la varianza se expresa en metros al cuadrado. La
varianza tiene como valor mínimo 0. La desviación estándar (raíz cuadrada de la varianza) es una
medida de dispersión alternativa, expresada en las mismas unidades que los datos de la variable
objeto de estudio.

Hay que tener en cuenta que la varianza puede verse muy influida por los valores atípicos y no se
aconseja su uso cuando las distribuciones de las variables aleatorias tienen colas pesadas. En tales
casos se recomienda el uso de otras medidas de dispersión más robustas.
Si tenemos un conjunto de datos de una misma variable, la varianza se calcula de la siguiente
forma:

Desviación típica

La desviación típica o desviación estándar (denotada con el símbolo σ o s, dependiendo de la

procedencia del conjunto de datos) es una medida de dispersión para variables de razón (variables
cuantitativas o cantidades racionales) y de intervalo. Se define como la raíz cuadrada de la varianza
de la variable.

Para conocer con detalle un conjunto de datos, no solo basta con conocer las medidas de tendencia
central, sino que necesitamos conocer también la desviación que presentan los datos en su
distribución respecto de la media aritmética de dicha distribución, con objeto de tener una visión de
los mismos más acorde con la realidad al momento de describirlos e interpretarlos para la toma de
decisiones.

Distribución de probabilidad discreta

La desviación estándar es la raíz cuadrada de la varianza de la distribución de probabilidad discreta:

Cuando los casos tomados son iguales al total de la población se aplica la fórmula de desviación
estándar poblacional. Así la varianza es la media de los cuadrados de las diferencias entre cada
valor de la variable y la media aritmética de la distribución.

En el caso de que la variable x no se distribuya uniformemente, sino con una probabilidad pi para
cada xi, la desviación estándar será:
Aunque esta fórmula es correcta, en la práctica interesa el realizar inferencias poblacionales, por lo
que en el denominador, según la corrección de Bessel. Esta ocurre cuando la media de muestra se
utiliza para centrar los datos, en lugar de la media de la población. Puesto que la media de la
muestra es una combinación lineal de los datos, el residual a la muestra media se extiende más allá
del número de grados de libertad por el número de ecuaciones de restricción —en este caso una—.
Dado esto a la muestra así obtenida de una muestra sin el total de la población se le aplica esta
corrección con la fórmula desviación estándar muestral.

ESTUDIO DE CASO 2

La distribución de probabilidad binomial es una distribución de probabilidad discreta que se presenta

con mucha frecuencia.

Una de sus características consiste en que sólo hay dos posibles resultados en un determinado
ensayo del experimento y los resultados son mutuamente excluyentes; Otra característica de la
distribución binomial es el hecho de que la variable aleatoria es el resultado de conteos. Es decir,
se cuenta el número de éxitos en el número total de ensayos. Una tercera característica de una
distribución binomial consiste en que la probabilidad de éxito es la misma de un ensayo a otro.

Un estudio del Departamento de Transporte de Illinois concluyó que 78.5% de quienes ocupaban
los asientos delanteros de los vehículos utilizaba cinturón de seguridad. Esto significa que los dos
ocupantes de la parte delantera utilizaban cinturones de seguridad.

Suponga que decide comparar la información con el uso actual que se da al cinturón de seguridad,
para lo cual selecciona una muestra de 8 vehículos.

Usando sus conocimientos sobre distribuciones discretas de probabilidad, presente un informe en

el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución binomial.

Identifíquelos

 Para ambos resultados del experimento son: los dos pasajeros de los asientos delanteros
usan el cinturón de seguridad o no lo usan.
 Cuando seleccionamos 8 vehículos como muestra existe una cantidad fija de ensayos que es
igual a 8
 La probabilidad de usar el cinturón de seguridad es la misma en todos los ensayos (78.5%)2.
2. Diagrama de barras de la distribución de probabilidad binomial que representa esta situación

0.35
Probabilidad binomial

0.3

0.25

0.2

0.15

0.1

0.05

0 1 2 3 4 5 6 7 8
Éxitos
3. Probabilidad de que los ocupantes de la parte delantera en exactamente 5 de los 8 vehículos
seleccionados utilicen cinturones de seguridad

Formula de probabilidad binomial

Π= 78,5
Π=8
X= 5
P(5)= 8Cs * (0,785)^5 (1-0,785)^8-5
P(5)= 56* (0,2981) (0,00994)
P(5)= 0,16593

La probabilidad de que los ocupantes de exactamente 5 de los 8 vehículos de la muestra

utilicen cinturones de seguridad es de aproximadamente 16,59 %

4. Probabilidad de que los ocupantes de la parte delantera de por lo menos 5 de los 8 vehículos
utilicen cinturón de seguridad

P(x ≥ 5)= p (5) + p (7)+ p (8)

P(x ≥ 5)= (0,1659) +(0,3159)+ (0,1441)
P(x ≥ 5)=0,9289

La probabilidad de seleccionar 8 vehículos y hallar que los ocupantes de 5 o más vehículos

utilizan cinturón de seguridad es de aproximadamente 92,89 %

Éxitos Combinación Π^x (1- Π)^n-x Probabilidad

1 8 0,785 0,0000212358 0.00013336
2 28 0,616225 0,0000987713 0,00170423
3 56 0,48373663 0,000459401 0,01244484
4 70 0,37973325 0,002136751 0,05679767
5 56 0,2980906 0,009938375 0,16590203
6 28 0,23400112 0,046225 0,30286765
7 8 0,18369088 0,215 0,31594832
8 1 0,14419734 1 0,14419734

0.92891534 (x ≥
5)
0,23698212 ( x≤5)

5. Probabilidad de que los ocupantes de la parte delantera de máximo 5 de los 8 vehículos

utilicen cinturón de seguridad
P ( x≤5)= p(1) + p(2) + p(3) + p(4) + p(5)
P ( x≤5)= (0,00013336) + (0.00170423) + (1.01244484)+ (0.05679767)+(0.16590203)
P ( x≤5)= 0.2369
La probabilidad de seleccionar 8 vehículos y hallar que los ocupantes de máximo 5 vehículos
utilizan cinturón de seguridad es de 23,69 %.

6. Número de vehículos esperado en los que los ocupantes de la parte delantera utilizan el
cinturón de seguridad.

N= 8
P=0,785
Θ= número de vehículos
Θ= n+p
Θ=8+ 0,785
Θ=6,28
Se espera que, entre 6 y 7 vehículos, los ocupantes de la parte delantera usen cinturón de
seguridad

Resumen de los conceptos teóricos de la Unidad 2 utilizados para resolver el caso N°2
ESTUDIO DE CASO 31

Baloto es un juego novedoso de tipo loto en

línea, de suerte y azar, donde el jugador elige
5 números del 1 al 43 y una súper
balota con números del 1 al 16 a través de
una terminal de venta.
El juego consiste en acertar 5, 4 o 3 números
en cualquier orden de una matriz del 1 al 43 y
otro número (súper balota) del 1 al 16.

El jugador señala en un tarjetón los 6

números que escoge. Los números están
representados en 43 balotas amarillas
numeradas del 1 al 43 y 16 balotas rojas numeradas del 1 al 16. Cada número aparece una sola
vez y las balotas ganadoras se seleccionan sin reemplazo. El premio acumulado se entrega a quien
haga coincidir los seis números. En la tabla aparecen las opciones para ganar

Usando sus conocimientos sobre distribuciones discretas de probabilidad, presente un informe

en el que como mínimo incluya:

1. Esta situación cumple con los supuestos de la distribución Hipergeométrica. Identifíquelos

2. Probabilidad de obtener el “Gran acumulado” con los 6 números (5 números del 1 al 43 y la

súper balota).

3. La empresa encargada del sorteo informa que Hasta el sorteo anterior, la posibilidad de
“pegarle al gordo” era de 1 en 8 millones, mientras que ahora será de 1 en 15 millones.
Explique esta afirmación.

4. El sorteo también otorga otros premios (ver tabla). Presente la probabilidad de obtener los
premios que incluyen acertar la súper balota.

5. Presente la probabilidad de obtener los premios que no incluyen acertar la súper balota.

6. Con base en los resultados obtenidos, ¿usted invertiría dinero en el baloto?.

1
Tomado y adaptado de Lind, Marchall. Estadística Aplicada a los Negocios y la Economía. Ed. Mc Graw Hill
Variable Aleatoria y Distribuciones Discretas de Probabilidad

Variable Aleatoria

Es aquella que toma diferentes valores numéricos, mediante un proceso de contar o medir, como

producto de un experimento aleatorio.

Esta variable es un valor o magnitud que cambia de una ocurrencia a otra sin seguir una secuencia

predecible, es decir, aleatoria.

Un experimento aleatorio es aquel del cual conocemos sus resultados (espacio muestra), pero no

sabemos cuál de ellos (que punto de muestra), es el que sucederá, es decir, el resultado del

experimento está libre de una determinación; es aleatorio.

Variable Aleatoria Discreta.

Es aquella que toma un número limitado de valores, generalmente números enteros que son

producto de un conteo.

Variable Aleatoria Continua.

Es aquella que toma cualquier valor numérico producto de una medición, el cual está referido a un

rango o intervalo de valores. Igualmente es aquella variable que puede tomar un valor entero, un

entero y una fracción o bien una fracción de una unidad.

Distribución de Probabilidades de una Variable Aleatoria Discreta

Es el conjunto de todos los posibles resultados de un experimento a los que podemos asignar un

valor de ocurrencia o probabilidad. Este conjunto de resultados son mutualmente excluyentes y

pueden expresarse mediante una formula, una gráfica o por medio de un cuadro estadístico (tabla).

Matemáticamente la distribución de una variable aleatoria discreta X es una función P𝑋 (𝑋) que da

un valor a cada valor x que forma la variable aleatoria X.

Tiene las siguientes propiedades:

 La propiedad P 𝑋(𝑋 ) de cada valor que presenta la variable X debe tomar un valor numérico

en el intervalo.

0 ≤ 𝑃𝑋 (𝑋) ≤ 1

 La suma de las probabilidades para todos los valores (x) de X es igual a 1, es decir

∑𝑛𝑖=1 𝑃𝑋 (𝑥1) = 1 para toda i = 1, 2,3,…, n

 Como cada valor de X es un suceso mutualmente excluyente sus probabilidades son aditivas,

es decir

𝑃(𝑋 = 𝑥1 ∪ 𝑋 = 𝑥2 ) = 𝑃𝑋 (𝑥1 ) + 𝑃𝑋 (𝑥2 )

7. Probabilidad de obtener el “Gran acumulado” con los 6 números (5 números del 1 al 43 y la

súper balota).

De acuerdo a la formula dada

𝑚 𝑁− 𝑚
( )( )
𝑘 𝑛− 𝑘
𝑃(𝑥) =
𝑁
𝑛

𝑎 𝑎!
Donde ( )=
𝑏 𝑏!(𝑎−𝑏)!

Tenemos
6 43− 6 37
)( ) ( ) 1
P(6)= 6 6− 6
43 = 1. 43
0
= 43!
( ) 37!.6!
6 6
 37! . 6! 6! 688
Entonces = = =
43! 43.42.41.40.39.38 4389446880

Simplificamos con octava

86 1
Luego = = 1.5674
548680860 6380010

Entonces = 1,5674 x 10 −7 = 0,00000015674

R// 0,00000015674 es la probabilidad de obtener el gran resultado

Resumen de los conceptos teóricos de la Unidad 2 utilizados para resolver el caso N°3

Variable Aleatoria y Distribuciones Discretas de Probabilidad

Variable Aleatoria

Es aquella que toma diferentes valores numéricos, mediante un proceso de contar o medir, como

producto de un experimento aleatorio.

Esta variable es un valor o magnitud que cambia de una ocurrencia a otra sin seguir una

secuencia predecible, es decir, aleatoria.

Un experimento aleatorio es aquel del cual conocemos sus resultados (espacio muestra), pero no

sabemos cuál de ellos (que punto de muestra), es el que sucederá, es decir, el resultado del

experimento está libre de una determinación; es aleatorio.

Variable Aleatoria Discreta.

Es aquella que toma un número limitado de valores, generalmente números enteros que son

producto de un conteo.

Variable Aleatoria Continua.

Es aquella que toma cualquier valor numérico producto de una medición, el cual está referido a un

rango o intervalo de valores. Igualmente es aquella variable que puede tomar un valor entero, un

entero y una fracción o bien una fracción de una unidad.

Distribución de Probabilidades de una Variable Aleatoria Discreta

Es el conjunto de todos los posibles resultados de un experimento a los que podemos asignar un

valor de ocurrencia o probabilidad. Este conjunto de resultados son mutualmente excluyentes y

pueden expresarse mediante una formula, una gráfica o por medio de un cuadro estadístico

(tabla).

Matemáticamente la distribución de una variable aleatoria discreta X es una función P𝑋 (𝑋) que da

un valor a cada valor x que forma la variable aleatoria X.

Tiene las siguientes propiedades:

 La propiedad P 𝑋(𝑋 ) de cada valor que presenta la variable X debe tomar un valor numérico

en el intervalo.

0 ≤ 𝑃𝑋 (𝑋) ≤ 1

 La suma de las probabilidades para todos los valores (x) de X es igual a 1, es decir

∑𝑛𝑖=1 𝑃𝑋 (𝑥1) = 1 para toda i = 1, 2,3,…, n

 Como cada valor de X es un suceso mutualmente excluyente sus probabilidades son

aditivas, es decir

𝑃(𝑋 = 𝑥1 ∪ 𝑋 = 𝑥2 ) = 𝑃𝑋 (𝑥1 ) + 𝑃𝑋 (𝑥2 )

ESTUDIO DE CASO 42

La distribución de probabilidad de Poisson describe el número de veces que se presenta un evento

durante un intervalo específico. El intervalo puede ser de tiempo, distancia, área o volumen. La
distribución se basa en dos supuestos. El primero consiste en que la probabilidad es proporcional a
la longitud del intervalo. El segundo supuesto consiste en que los intervalos son independientes. En
otras palabras, cuanto más grande sea el intervalo, mayor será la probabilidad; además, el número
de veces que se presenta un evento en un intervalo no influye en los demás intervalos.

Esta distribución posee diversas aplicaciones. Se le utiliza como modelo para describir la distribución
de errores en una entrada de datos, el número de rayones y otras imperfecciones en las cabinas de
automóviles recién pintados, el número de partes defectuosas en envíos, el número de clientes que
esperan mesa en un restaurante, el número de accidentes en una carretera en un periodo
determinado.

Los padres preocupados porque sus hijos son “propensos a

accidentes” pueden estar tranquilos, de acuerdo a un estudio
realizado por el Departamento de Pediatría de la Universidad de
California, San Francisco. Los niños que se lesionan dos o más veces
tienden a sufrir estas lesiones durante un tiempo relativamente
limitado, por lo general un año o menos. El estudio determinó que
el número promedio de lesiones por año para niños en edad escolar
es de dos.

Usando sus conocimientos sobre distribuciones de probabilidad discretas, presente un informe que
como mínimo contenga:

1. Esta situación cumple con los supuestos de la distribución Poisson. Identifíquelos

Si cumple, y los requisitos son que sea una variable aleatoria discreta y que los sucesos de
estudio deben ser independientes.

2. Probabilidad de que un niño sufra tres lesiones durante el año

X: número de lesiones al año

u = 2 por año
K = 1 año o 12 meses
u : número medio de veces que ocurre un suceso en el intervalo de tiempo establecido.

e = 2,71828 es una constante

P (X = K) = u∧K * e∧-u / k

P (X = 3) = 2∧3 * 2,71828∧-2 / 3 = 0,360 ≈3,60%

3. Probabilidad de que un niño sufra más de tres lesiones durante el año

P(X ≥ 3) =1 –[ P (X=0 ) + P (X=1) + P(X = 2)]

2
Tomado y adaptado de Ritchey F., Estadística para las Ciencias sociales, Mc Graw Hill, 2014
4. Probabilidad de que un niño sufra una lesión en los siguientes tres meses del año

K = 1/4 de año
P( X = 1) = 2∧1/4 * 2,71828∧-2 / 1/4! = 0,5 * 0,1353 /0,0416 =0.0169 ≈16,9%

5. Número de lesiones esperado por año y su desviación estándar. Dentro de que limites se espera
entonces que caiga el número de lesiones por año.

Ya lo indico el problema el numero esperado es de dos a tres al año

6. Realmente, pueden estar tranquilos los padres? Sustente su opinión en los resultados obtenidos

No pueden estar tranquilos, ya que la probabilidad inmediata de sufrir lesiones, es muy alta.

Resumen de los conceptos teóricos de la Unidad 2 utilizados para resolver el caso N°4

Esta distribución es una de las más importantes distribuciones de variable discreta. Sus principales
aplicaciones hacen referencia a la modelización de situaciones en las que nos interesa determinar
el número de hechos de cierto tipo que se pueden producir en un intervalo de tiempo o de espacio,
bajo presupuestos de aleatoriedad y ciertas circunstancias restrictivas. Otro de sus usos frecuentes
es la consideración límite de procesos dicotómicos reiterados un gran número de veces si la
probabilidad de obtener un éxito es muy pequeña.

Proceso experimental del que se puede hacer derivar

Esta distribución se puede hacer derivar de un proceso experimental de observación en el que

tengamos las siguientes características

Se observa la realización de hechos de cierto tipo durante un cierto periodo de tiempo o a lo largo
de un espacio de observación

Los hechos a observar tienen naturaleza aleatoria; pueden producirse o no de una manera no
determinística.

La probabilidad de que se produzcan un número x de éxitos en un intervalo de amplitud t no

depende del origen del intervalo (Aunque, sí de su amplitud)

La probabilidad de que ocurra un hecho en un intervalo infinitésimo es prácticamente proporcional

a la amplitud del intervalo.

La probabilidad de que se produzcan 2 o más hechos en un intervalo infinitésimo es un

infinitésimo de orden superior a dos.

En consecuencia, en un intervalo infinitésimo podrán producirse O o 1 hecho pero nunca más de

uno

Si en estas circunstancias aleatorizamos de forma que la variable aleatoria X signifique o designe

el "número de hechos que se producen en un intervalo de tiempo o de espacio", la variable X se
distribuye con una distribución de parámetro l .
Así:

El parámetro de la distribución es, en principio, el factor de proporcionalidad para la probabilidad

de un hecho en un intervalo infinitésimo. Se le suele designar como parámetro de intensidad,
aunque más tarde veremos que se corresponde con el número medio de hechos que cabe esperar
que se produzcan en un intervalo unitario (media de la distribución); y que también coincide con
la varianza de la distribución.

Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación de la

variable será el conjunto de los números naturales, incluido el cero:

Función de cuantía

A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición del mismo
que puede integrarse con facilidad para obtener la función de cuantía de la variable "número de
hechos que ocurren en un intervalo unitario de tiempo o espacio”

Que sería:

Teorema de adición.

La distribución de Poisson verifica el teorema de adición para el parámetro l.

"La variable suma de dos o más variables independientes que tengan una distribución de Poisson
de distintos parámetros l (de distintas medias) se distribuirá, también con una distribución de
Poisson con parámetro l la suma de los parámetros l (con media, la suma de las medias) En
efecto:

Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de
distintos parámetros siendo además x e y independientes

Así e

Debemos probar que la variable Z= x+y seguirá una Poisson con parámetro igual a la suma

de los de ambas:

En base a las F.G.M para X

Para Y
ESTUDIO DE CASO 5

Coeficiente intelectual C.I. de un individuo es medido en una escala que va de 45 a 155. Un C.I.
de 100 es el promedio. En la figura siguiente se puede ver que la mayoría de la población tiene el
C.I. alrededor de 100. Existen menos personas que tienen el CI menor a 85 y muy pocos tienen el
CI por encima de 115.

Una empresa que recluta personal para multinacionales, aplica un test de inteligencia a todos los
posibles candidatos. Una persona que desea ser contratada, acaba de presentar el test y le informan
que ha obtenido C.I. igual a 95.

Asumiendo que las puntuaciones en un test de inteligencia se distribuyen normalmente y sabiendo

que las puntuaciones CI tienen promedio 100 y desviación estándar 15, usted debe presentarle un
informe acerca de sus resultados.

Usando sus conocimientos sobre la distribución de probabilidad normal, presente un informe que
como mínimo contenga:

1. Porcentaje de personas que podrían tener un C.I. inferior o igual a 95.

2. Porcentaje de personas podrían tener un C.I. superior a 95.

3. Probabilidad de que una persona tenga un C.I. entre 85 y 90

4. Puntuación C.I. que habría que sacar en el test de inteligencia para estar en el 30% inferior
(puntuación de CI que deja el 30% de sujetos por debajo).

5. Puntuación de C.I. que es superada solo por el 10% de los sujetos.

6. Valores de C.I. entre los que se encuentran el 50% central de los sujetos

µ: media

µ = 100

σ: desviación estándar

σ = 15

x=95

Tipificación variable aleatoria

X ≈ N (100, 15) - Z ≈ N (0,1)

1. Porcentaje de personas que podrían tener un C.I. inferior o igual a 95.

Porcentaje ≤95

X- µ
Z=______
σ

P(X≤95)=P(Z≤95-100 ) =P(Z≤-0.33)=0.3707 P
̤ =37.07
15
Ubique el valor de la tabla para Z, que será el área bajo la curva de la normal estándar (distribución) a la izquierda
de Z.

R/= 37.07%

2. Porcentaje de personas podrían tener un C.I. superior a 95.

Porcentaje ≥95

P(X>95)=1-p(X<95)=P(Z>95-100) =1-P(Z<-0,33)=1-0,3707=0,6293 ∴P=62,93

15

R/=62, 93

3. Probabilidad de que una persona tenga un C.I. entre 85 y 90

P (X≥85=1-P(X≤85)=Z₁= 85-100 = -1͢ P=1 – 0,1587=0,8413∴P≈84,13

15

Según la tabla la primera Z es 0,1587

P (X≤90) P=1-(X≤95) Z₂ =90-100 = - 0,67 P= 1 – 0,2514 = 0,7475∴P≈ 74,75

15

Según la tabla la segunda Z es 0,2514

Calculo probabilidad 85≥X≤90:

P(85≤x≥90)=P₁ - P₂ = 0,8413 – 0,7475 = 0,0938 ∴ P(85 ≤X≤90) ≈ 9,38

R/ 9,38%

4. Puntuación C.I. que habría que sacar en el test de inteligencia para estar en el 30% inferior (puntuación de CI
que deja el 30% de sujetos por debajo).
R/= La puntuación debe ser menor al promedio dado de 45 puntos

5. Puntuación de C.I. que es superada solo por el 10% de los sujetos.

R/= La puntuación mayor del promedio dado 155 puntos

6. Valores de C.I. entre los que se encuentran el 50% central de los sujetos

Z=X-µ/σ

Z = 50 -100 /15 = 3.33 = 33%

R/= 33%

Resumen de los conceptos teóricos de la Unidad 2 utilizados para resolver el caso N°5
 Referencias bibliográficas

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 241 a 278.
Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID=11013767&t
m=1470693471527

Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico Nacional. Página 178
a 222. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=183&docID=10436604&t
m=1470693651415

Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Página 241 a 278
Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=258&docID=11013767&t
m=1470693471527

Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica: Probabilidad e

inferencia. Página 46 a 57. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=47&docID=10995669&t
m=1470693596054

Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadística teórica: Probabilidad e

inferencia. Página 58 a 77. Recuperado de
http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=59&docID=10995669&t
m=1470694057290