Académique Documents
Professionnel Documents
Culture Documents
2017
INTRODUCCIÓN
De esta manera, si nosotros nos encontramos con un fenómeno real tal y como puede ser realizar
unainversión o no, este es un fenómeno que tiene dos posibles valores, invertir, no invertir; bien,
veremos que este tipo de fenómenos los podemos estudiar como una variable o distribución de
Bernuille. Si nosotros hemos estudiado esta variable tendremos perfectamente identificados tanto la
media como la varianza como su función de cuantía, etc... es decir, conocemos el comportamiento
probabilístico de este fenómeno.
CUADRO SINÓPTICO
DISTRIBUCIONES
Permiten enfrentar circunstancias en las que los resultados pertenecen a dos categorías relevantes: que ocurra un
evento determinado o que no lo haga.
BINOMIAL Este tipo de experimento aleatoria se denomina ensayo de Bernoulli.
Sus dos resultados posibles son denotados por “éxito” y “fracaso”
la probabilidad de un éxito: p
la probabilidad de un fracaso: 1-p
BINOMIAL NEGATIVA La variable aleatoria x es el numero de ensayos de Bernoulli efectuados hasta que se tiene r exitos,
O DE PASCAL con una probabilidad constante de éxito p.
𝒇(𝒙, 𝒑, 𝒓) = (𝒙−𝟏
𝒓−𝟏
) ∙ 𝒑𝒙−𝒓 ∙ 𝒑𝒓 𝒙 = 𝒓, 𝒓 + 𝟏, 𝒓 + 𝒓 + 𝟐 +∙∙∙
GEOMÉTRICA Definida como el número de ensayos de Bernoulli necesarios para obtener el primer éxito.
Sea, la variable aleatoria x el número de ensayos realizados hasta obtener un éxito, ella tiene una
distribución geométrica con parámetros p, y se expresa:
𝒙−𝟏
𝒇(𝒙; 𝒑) = (𝟏 − 𝒑) 𝒙 = 𝟏, 𝟐, …
HIPERGEOMÉTRICA Distribución discreta relacionada con muestreos aleatorios y sin reemplazo. Supóngase que se
tiene una población de N elementos de los cuales, d pertenecen a la categoría A y N – d a
la B. la distribución hipergeométrica mide la probabilidad de obtener x (0 ≤ 𝑥 ≤ 𝑑) elementos de
la categoría A en una muestra de n elementos de la población original.
(𝒌𝒙)(𝑵−𝒌
𝒏−𝒙 )
𝑭(𝒙; 𝑵, 𝒌; 𝒏) = 𝒙 = 𝟎, 𝟏, 𝟐, … 𝐦𝐢𝐧(𝒌, 𝒏)
(𝑵
𝒏)
DE POISSON Un proceso de Poisson constituye un mecanismo físico aleatorio en el cual los eventos ocurren al azar en una
escala de tiempo (o de distancia). Dado un proceso Poisson donde 𝞴 es el número promedio de ocurrencias en el
intervalo de números reales donde este se define la variable aleatoria X correspondiente al número de ocurrencias
en el intervalo es llamada variable aleatoria de Poisson y su función de Probabilidad está dada por:
𝒆 − 𝞴 𝞴𝒙
𝑓 (𝑥; 𝞴) = 𝒙! 𝒙 = 𝟎, 𝟏, 𝟐, … 𝞴 > 𝟎
UNIFORME Describe el comportamiento de una variable discreta que puede tomar n valores distintos con la misma probabilidad
DISCRETA cada uno de ellos. La variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor máximo b.
Valores x: a, a + 1, a + 2, ..., b, números enteros
Parámetros: a: mínimo, a entero
b: máximo, b entero con a < b:
𝟏
𝐟(𝐱) = 𝐧
DISTRIBUCIONES
UNIFORME Describir una variable aleatoria con probabilidad constante sobre el intervalo [a, b] en el que está definida. Esta
CONTINÚA distribución presenta una peculiaridad importante: la probabilidad de un suceso dependerá exclusivamente de la
amplitud del intervalo considerado y no de su posición en el campo de variación de la variable. Cualquiera sea la
distribución F de cierta variable X, la variable transformada Y=F(X) sigue una distribución uniforme en el
intervalo [0,1]. Esta propiedad es fundamental por ser la base para la generación de números aleatorios de
cualquier distribución en las técnicas de simulación.
Campo de variación: a £ x £ b
Parámetros: a: mínimo del recorrido
b: máximo del recorrido
NORMAL Es la distribución de probabilidad más importante del Cálculo de probabilidades y de la Estadística. Fue descubierta
por De Moivre (1773), como aproximación de la distribución binomial. La importancia de la distribución normal queda
totalmente consolidada por ser la distribución límite de numerosas variables aleatorias, discretas y continuas, como se
demuestra a través de los teoremas centrales del límite. Las consecuencias de estos teoremas implican la casi universal
presencia de la distribución normal en todos los campos de las ciencias empíricas: biología, medicina, psicología, física,
economía.
Campo de variación:-¥ < x < ¥
Parámetros: Mu: media de la distribución, -¥ < Mu < ¥
Sigma: desviación estándar de la distribución, Sigma > 0
CHI CUADRADO(X2) Es una distribución de probabilidad continua con un parámetro k que representa los grados de libertad
DE PEARSON de la variable aleatoria.
O JI CUADRADO se deriva de la distribución normal y está relacionada con teoría de muestreo de pequeñas muestras
n<30.
Son la base de metodologías inferenciales, como Intervalos de confianza y Pruebas de Hipótesis.
DE T STUDENT
William Sealy Gosset (1976-1937) quien escribía bajo el seudónimo “student” describió en 1906 la
distribución de la variable t, cuya función de identidad es:
𝐶
y = f(t) = 𝑡2 con - ͚ < t < +͚
(1+ )√1/2
𝑉
‾𝑥− 𝜇 ‾𝑥− 𝜇
t= z=
𝑠/√𝑛 𝛿/√𝑛
Para entregar una Tarjeta de crédito en los bancos del grupo Aval, los analistas del banco clasifican
o califican al cliente en función de la probabilidad de que resulte rentable. Una tabla habitual de
calificaciones es la siguiente:
INFORME A PRESENTAR
1.- Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.
2.- Con los datos anteriores construya una variable aleatoria que represente el número de clientes
rentables para el banco y determine: ¿Cuál es la probabilidad de que los tres resulten rentables?
4.- Determine la distribución de probabilidad total del número de clientes rentables entre este grupo
de tres clientes.
La calificación que obtendría sería de 44. Después, con una segunda tabla, se convierten las
calificaciones en probabilidades de rentabilidad del cliente, asi:
SOLUCION
1. Califique a cada uno de estos clientes y calcule la probabilidad de que resulten rentables.
Dada la tabla de datos de correspondencia entre puntaje y probabilidad de ser rentable ejecutamos una
regresión lineal para encontrar la función de densidad de esta variable aleatoria.
2. Con los datos anteriores construya una variable aleatoria que represente el número de
clientes rentables para el banco y determine: ¿Cuál es la probabilidad de que los tres resulten
rentables?
Dado que el puntaje es quien determina la rentabilidad del cliente, nuestra variable aleatoria será X:
puntaje y la función de densidad representa la probabilidad de que un cliente sea rentable así:
0.00216008 𝑅=0
0.05751636 𝑅=1
𝑃(𝑅) = 0.3438704 𝑅 = 2
0.59593652 𝑅=3
{ 𝑂 𝑒. 𝑜. 𝑐
P(R=3) =0.95*0.7985*0.7856=0.59593652
3¿Cuál es la probabilidad de que ninguno sea rentable?
P(R=0) = (1-0.95)*(1-0.7985)*(1-0.7856)=0.00216008
4 . Determine la distribución de probabilidad total del número de clientes rentables entre este
grupo de tres clientes.
0.00216008 𝑅=0
0.05967644 𝑅=0 𝑣 𝑅=1
𝑃(𝑅) = 0.40622356 𝑅 = 0 𝑣 𝑅 = 1 𝑣 𝑅 = 3
1 𝑅=0 𝑣𝑅=1 𝑣 𝑅=2 𝑉 𝑅=3
{ 𝑂 𝑒. 𝑜. 𝑐
CASO 2
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.
1.- ¿Esta situación cumple con los supuestos de la distribución binomial? Identifíquelos
Esta situación i cumple todos los supuestos de la distribución binomial. Cumple el primer supuesto
por se presentan la probabilidad de que utilicen o no el cinturón los ocupantes de los puestos
delanteros del auro. El segundo supuesto se cumple porque la variable aleatoria que es el número de
carros es el resultado de conteos. Y por último, se cumple el tercer supuesto porque la probabilidad
de que se utilicen los dos cinturones en los puestos delanteros es independiente para cada uno de los
carros.
De acuerdo a los datos presentados, la probabilidad de que en exactamente seis de los doce
vehículos lleven puesto el cinturon es
𝑁!
𝑃(𝑛) = 𝑝𝑛 (1 − 𝑝)𝑁−𝑛
𝑛! (𝑁 − 𝑛)!
12!
𝑃(𝑛) = (0.862)6 (0.138)6 = 0.003
6! (6)!
Se puede apreciar que la probabilidad de que en seis de doce carros lleven el cinturón puesto es muy
baja.
4.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de por lo menos 6 de
los 12 vehículos utilicen cinturón de seguridad?
Para calcular esta probabilidad se deben sumar las probabilidades de que desde seis hasta doce
autos tengan el cinturon puesto, por lo tanto
Esta probabilidad es tan grande porque, como se observa en el gráfico, el pico de la distribución de
probabilidad está cerca de estos valores del número de autos que llevan puesto el cinturón.
5.- ¿Cuál es la probabilidad de que los ocupantes de la parte delantera de máximo 6 de los 12
vehículos utilicen cinturón de seguridad?
Cuando dicen máximo seis de los doce vehículos se deben sumar las probabilidades de que desde
cero hasta seis autos lleven puesto el cinturon de seguridad, por lo tanto
12! 12!
𝑃 = (0.862)0 (0.138)12 + (0.862)1 (0.138)11 + (0.862)2 (0.138)10
1! (11)! 2! (10)!
12! 12! 12!
+ (0.862)3 (0.138)9 + (0.862)4 (0.138)8 + (0.862)5 (0.138)7
3! (9)! 4! (8)! 5! (7)!
12!
+ (0.862)6 (0.138)6 = 0.003
6! (6)!
Esta probabilidad es tan baja porque estos valores del número de vehículos que llevan e cinturon
puesto están más alejados del pico máximo de la distribución de probabilidad.
6.- Encuentre el valor esperado del número de vehículos en los que los ocupantes de la parte
delantera utilizan el cinturón de seguridad?
𝑁𝑝 = (12)(0.862) = 10.34
Este valor esperado está de acuerdo con la gráfica de la distribución de probabilidad en donde el
pico máximo se encuentra en este valor.
La distribución binomial
La suma de probabilidades