SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

ESTADÍSTICA PARA LA GESTIÓN

SEMANA 1

Variable aleatoria discreta y

distribuciones de probabilidad

Todos los derechos de autor son de la exclusiva propiedad de IACC o de los otorgantes de sus licencias. No está
permitido
Todos copiar,
los derechos dereproducir,
autor son de reeditar, descargar,
la exclusiva publicar,
propiedad emitir,
de IACC o dedifundir, poner ade
los otorgantes disposición del público
sus licencias. No está ni
utilizar
permitido copiar, reproducir, los contenidos
reeditar, descargar,para IACC
fines emitir,
publicar, comerciales de ninguna
difundir, poner a clase.
disposición del público ni
utilizar los contenidos para fines comerciales de ninguna clase. 1
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

APRENDIZAJES ESPERADOS
• Resolver problemas y ejercicios que involucran
distribuciones de probabilidad de variables discretas.

IACC
2
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

APRENDIZAJES ESPERADOS ................................................................................................................. 2

INTRODUCCIÓN ................................................................................................................................... 4
1. MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS ................................................................... 5
1.1 EVENTOS ALEATORIOS Y VARIABLES ALEATORIAS .............................................................. 5
1.2 DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA .................................. 8
1.3 MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS ....................................................... 15
1.4. VALOR CENTRAL................................................................................................................. 15
1.5 PRIMER MOMENTO: ESPERANZA MATEMÁTICA .............................................................. 15
1.6. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIÓN ............................................................ 17
1.9. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIÓN GEOMÉTRICA ........................... 24
1.10. TIEMPO DE RECURRENCIA Y PERÍODO DE RETORNO ........................................................ 24
1.11. EL PROCESO DE POISSON................................................................................................... 26
1.12. DISTRIBUCIÓN HIPERGEOMÉTRICA ................................................................................... 29
COMENTARIO FINAL.......................................................................................................................... 33
REFERENCIAS ..................................................................................................................................... 34

IACC
3
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

INTRODUCCIÓN

En el curso de estadística se habló del involucrada y, por esta razón, a estos valores
concepto de espacio muestral, que que cambian se les llama variable aleatoria.
correspondía solo a la descripción de los La importancia de las distribuciones de
resultados posibles en un evento. En el probabilidad se ve reflejada en el uso de estas
presente contenido se asociará este concepto en distintas disciplinas del
obtenido para cada resultado posible con quehacer humano, como por
valores numéricos que variarán de acuerdo ejemplo en biología,
con el resultado. Ya que el resultado de un negocios, industrias, entre
experimento no se conoce con anticipación, muchas otras.
sucede lo mismo con el valor de la variable

“Hay que tener presente que para emplear la teoría de probabilidades y así de ellas obtener
conclusiones adecuadas de la población, en relación a la muestra, las variables aleatorias
constituyen un eje central entre la teoría de las probabilidades y la inferencia estadística”.

IACC
4
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

1. MODELOS ANALÍTICOS DE FENÓMENOS ALEATORIOS

En la revisión de los fenómenos aleatorios en el momento de pensar en construir un modelo
probabilístico se debe conceptualizar una función que tenga por objeto asignar un valor al resultado
del experimento de dicha función, y a esta definición es a lo que llamaremos variable aleatoria.

1.1 EVENTOS ALEATORIOS Y VARIABLES ALEATORIAS

Las variables aleatorias siguen una distribución de probabilidad, la que radica en asignar una

probabilidad cuando X (variable aleatoria) toma un valor menor o igual a “x”

Donde X representa a la variable aleatoria (como concepto) y x representa el valor que puede ser
particularmente X. Entonces X puede ser menor, mayor o igual a un valor en particular.
Representa un evento, donde (a < x < b) es el rango de valores posibles de X.

La asignación numérica puede ser natural o basada en datos reales.

Ejemplos: En un campeonato de natación los participantes pueden obtener el primer, segundo y

tercer lugar, pero no se sabe con certeza cuál de los tres eventos va a suceder, solo se puede inferir
que alguno de los participantes puede obtener el primer, segundo o tercer lugar con cierta
probabilidad.

Para saber los distintos valores que pueden tomar las variables aleatorias
es necesario realizar una gran cantidad de repeticiones de experimentos
aleatorios, para luego definir el espacio muestral del experimento, obteniendo la probabilidad de
cada evento aleatorio.

IACC
5
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

¿Qué es un espacio muestral?

El espacio muestral (S o 𝛀) de un experimento representa todos los posibles resultados que

se pueden obtener

Ejemplo: Lanzamiento de un dado

𝐒 = 𝛀 = {𝟏, 𝟐, 𝟑, 𝟒, 𝟓, 𝟔}

El espacio muestral (𝛀) al lanzar un dado se tiene seis posibles resultados

Ejemplo: Lanzamiento de una moneda dos veces

𝐒 = 𝛀 = {𝑪𝑪, 𝑺𝑪, 𝑪𝑺, 𝑺𝑺}

El espacio muestral (𝛀) al lanzar una moneda dos veces tiene cuatro posibles resultados

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=G0bYktrgQ30

¿Qué es un suceso o evento?

Es un subconjunto del espacio muestral. Para escoger cualquier suceso, se expresa con letras
mayúsculas.

Ejemplo: Lanzamiento de un dado

IACC
6
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

𝐴 = {𝑄𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑒𝑛𝑔𝑎 1}

𝐵 = {𝑄𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑒𝑛𝑔𝑎 6}

Ejemplo: Lanzamiento de una moneda dos veces

𝐴 = {𝑄𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑒𝑛𝑔𝑎 𝑠𝑒𝑙𝑙𝑜}

𝐵 = {𝑄𝑢𝑒 𝑠𝑒 𝑜𝑏𝑡𝑒𝑛𝑔𝑎 𝑐𝑎𝑟𝑎}

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=-FkjYQcdI84

A partir de estas definiciones se puede calcular la probabilidad de ocurrencia de este

evento P(A).

Lo que se quiere predecir o medir es el comportamiento de una

variable. Por esta razón, la variable que asocia un número con
el resultado de un experimento aleatorio se conoce como
variable aleatoria.

IACC
7
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Son variables aleatorias:

• El número de alumnos reprobados por carrera en un cierto semestre en una universidad.

• El número de piezas defectuosas que hay en un cúmulo ordenado y embalado en una
bodega.
• La cantidad de bacterias vivas a distintos grados de temperatura en un laboratorio.
• El tiempo transcurrido en la atención de un cliente en una fila, la concentración de cobre
por metro cúbico extraído.

Para efectos del cálculo de probabilidad se considerará la clasificación de las variables en discretas
y continuas.

“Cuando se hable de variable discreta se hará referencia a una cantidad entera y exacta”.

Ejemplos:

• Número de hermanos
• Años de estudio de una carrera en IACC

1.2 DISTRIBUCIÓN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA

Los valores o el rango de valores que puede tomar una variable aleatoria tienen una probabilidad
específica o medidas de probabilidad asociada. La regla que asigna la medida de probabilidad se
denomina distribución o ley de probabilidad.
Si X es una variable aleatoria, la distribución de probabilidad puede ser descrita por su función de
distribución de probabilidad acumulada que corresponde a la suma de todas las probabilidades
hasta un cierto valor de la v. a. o menor que ese valor. Esto es (Anderson et al., 2008):

IACC
8
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Donde X* = valor particular de la v. a. X

Si X es variable aleatoria discreta, entonces esta función puede ser expresada a través de la función
de probabilidad, donde el rango de la variable aleatoria x, es un conjunto finito o infinito numerable,
donde la función de probabilidad P(xi) se le asocia un número a cada valor de la variable aleatoria
(llamada soporte) de X o probabilidad de X y que cumple con las siguientes condiciones (Anderson
et al, 2008).

Definición: Se llama soporte de X a todos los posibles valores que puede tomar la variable
X (Olea, 2011, p. 9).

Propiedades de una variable aleatoria discreta

Sea X una variable aleatoria discreta con recorrido 𝑅𝑋 , se denomina función de distribución
de probabilidad de la variable aleatoria X.

Y se define por:

1. 𝑝(𝑥) = 𝑃(𝑋 = 𝑥), que satisface las siguientes restricciones

a. 𝑝(𝑥) ≥ 0, ∀ 𝑥 ∈ 𝑅𝑋

IACC
9
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

b. ∑𝑥∈𝑅𝑋 𝑝(𝑥) = 1

Ejemplo: Si se lanza una moneda tres veces y se anota el número de caras que se obtienen. Los
posibles resultados son: 0 cara, 1 cara, 2 caras o 3 caras. Así la variable aleatoria es el número de
caras y los posibles resultados son los valores de la variable aleatoria.

El espacio muestral será:

Ω = {𝐶𝐶𝐶, 𝐶𝐶𝑆, 𝐶𝑆𝐶, 𝑆𝐶𝐶, 𝑆𝑆𝐶, 𝑆𝐶𝑆, 𝐶𝑆𝑆, 𝑆𝑆𝑆}

Revisemos el siguiente evento:

A = {𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠 𝑞𝑢𝑒 𝑎𝑝𝑎𝑟𝑒𝑐𝑒𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑡𝑟𝑒𝑠 𝑙𝑎𝑛𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠}

Es observable que es una variable aleatoria discreta, porque su recorrido (𝑅𝑋 ) es un conjunto finito
definido de la siguiente manera:

𝑅𝑋 = {0,1,2,3}

El recorrido 𝑅𝑋 corresponde a:

• 0 cara
• 1 cara
• 2 caras
• 3 caras

Ejemplo: Utilizando el ejemplo del lanzamiento de una moneda tres veces, encontrar la distribución
de probabilidad y el gráfico que represente dicha distribución.

A = {𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠 𝑞𝑢𝑒 𝑎𝑝𝑎𝑟𝑒𝑐𝑒𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑡𝑟𝑒𝑠 𝑙𝑎𝑛𝑧𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠}

Desarrollando lo anterior en la función de distribución, obtenemos:

x 0 1 2 3
p(x)=P(X=x) 1/8 3/8 3/8 1/8

IACC
10
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

El gráfico de la función de probabilidad es:

“Son muchas las decisiones en todos los ámbitos laborales

que dependen de la distribución de probabilidades”.

Ahora, revisemos otra aplicación:

IACC
11
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Ejemplo: La maquinaria para conseguir la recanalización de un vaso emplea 1 dispositivo en el 72%

de los casos; 2 en un 26% de los casos; y 3 en el 2% restante de los casos. La función de probabilidad
de la variable número de dispositivos necesarios corresponde a:

𝑃(𝑋 = 1) = 0,72

𝑃(𝑋 = 2) = 0,26

𝑃(𝑋 = 3) = 0,02

La siguiente figura muestra la forma de esta función de probabilidad y que solo los valores 1, 2 y 3
son posibles en este ejemplo

Figura: Ejemplo de función de probabilidad

Ejemplo: La función de distribución 𝐹𝑋 del número X de dispositivos sería:

𝑃(𝑋 ≤ 1) = 0,72

𝑃(𝑋 ≤ 2) = 0,98

𝑃(𝑋 ≤ 3) = 1

IACC
12
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

La figura muestra la forma de su función de distribución.

Figura: Ejemplo de función de distribución

Ejemplos de gráficas de casos discretos

Fuente: Olea, R. (2011). Estadística para ingeniería, p. 11.

IACC
13
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Ejemplo 1: Sea X la variable aleatoria cuyos valores representan el número de excavadoras que
operan frecuentemente después de 6 meses. Si las excavadoras inicialmente son tres, entonces los
acontecimientos posibles son:

Suponga que cada una de las tres excavadoras está o no operativa después de 6 meses con igual
probabilidad e independientemente de las otras.

a) Determine la función probabilidad de la variable X.

b) Grafique la función de densidad.

Desarrollo

IACC
14
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

1.3. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS

Una variable aleatoria puede ser descrita totalmente por su función de distribución de probabilidad
o de densidad, o bien por su función de distribución de probabilidad acumulada. Sin embargo, en la
práctica la forma exacta puede no ser totalmente conocida.
En tales casos, se requieren ciertas medidas:
• Medidas de centralidad.
• Medidas de dispersión.
• Medidas de asimetrías y otras.

1.4. VALOR CENTRAL

Del rango de los valores posibles de una variable aleatoria, el valor central tiene un interés especial.
La media de X puede interpretarse como el centro de masa del rango de los valores de X.
Dado que para cada valor existe una medida de probabilidad, el centro equivale a un promedio
ponderado.

1.5 PRIMER MOMENTO: ESPERANZA MATEMÁTICA

La noción del valor esperado, como un promedio ponderado, puede ser generalizada para funciones
de la variable aleatoria X.
Se define el valor esperado o esperanza o media de una variable aleatoria X a 𝜇𝑥 (Olea, 2011, p. 24):

IACC
15
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Ejemplo 2: Sea X la variable aleatoria que representa el número de goles de un equipo de fútbol
en 34 partidos

N° de goles ni hi

0 10 0,29

1 11 0,32

2 8 0,24

3 0 0

4 2 0,06

5 1 0,03

6 2 0,06

Totales 34 1

La gráfica de distribución de probabilidad es la siguiente:

Aplicando,

IACC
16
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Nos queda,

𝑬(𝒙) = 𝝁 = 0*0,29+1*0,32+2*0,24+3*0+4*0,06+5*0,03+6*0,06 =1,55

1.6. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIÓN

La medida de dispersión de una variable aleatoria corresponde a la varianza de X, la cual se define

como:

Propiedad de la varianza

En términos de dimensionalidad, es conveniente utilizar la desviación estándar, ya que la varianza

es una medida ficticia, pues las unidades en las cuales se expresa son cuadráticas (por ejemplo,
𝑎ñ𝑜𝑠 2 , 𝑝𝑒𝑠𝑜𝑠 2 , etc.), es decir:

Si 𝑢𝑥 > 0, se puede calcular una medida de variabilidad que es adimensional llamada coeficiente de
variación (c. o. v).

IACC
17
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Usando el ejemplo del número de goles de un equipo de fútbol en la esperanza obtenemos lo

siguiente para el cálculo de la varianza.

2 2 2 2 2 2
Var = (0-1,55) *0,29 + (1-1,55) *0,32 +(2-1,55) *0,24 + (3-1,55) *0 + (4-1,55) *0,06 + (5-1,55) *0,03 +
2
(6-1,55) *0,06 = 2,7475

Ejemplo 3: Obtenga el número esperado y la varianza de excavadoras operativas después de 6

meses (continuando con el ejemplo 1 en relación con las excavadoras).

Para calcular la varianza se calcula primero:

IACC
18
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Se reemplaza:

1.7. DISTRIBUCIÓN BINOMIAL Y BERNOULLI

En las más diversas áreas de la ingeniería, a menudo los problemas involucran la ocurrencia o
recurrencia de un evento, el cual es impredecible, como una secuencia de “experimentos".

Ejemplos:
• Para un día de lluvia: ¿colapsa o no un sistema de drenaje?
• Al comprar un producto: ¿este satisface o no los requerimientos de calidad?
• Un alumno: ¿aprueba o reprueba el curso?

Notar que hay solo dos resultados posibles para cada

“experimento”.
Las variables descritas pueden ser modeladas por una
secuencia Bernoulli”

IACC
19
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Supuestos:
a) Cada experimento tiene una de dos opciones ocurrencia o no ocurrencia del evento.

b) La probabilidad de ocurrencia del evento (“éxito”) en cada experimento es constante se asigna

como p.

c) La probabilidad de ocurrencia del evento (“fracaso”) en cada experimento es constante se asigna

como q=1-p.

d) Los experimentos son estadísticamente independientes.

e) La variable aleatoria de interés es X, el número de éxitos observado durante los n ensayos.

Se dice que una v. a. X se distribuye binomial si X ~ B(n,p) y su función de cuantía es la siguiente:

𝑛 𝑥 𝑛−𝑥
𝑃(𝑋 = 𝑥) = {(𝑥 ) 𝑝 (1 − 𝑝) 𝑠𝑖 𝑥 = 1, 2, 3, … , 𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

𝑛 𝑛!
𝑅𝑒𝑐𝑜𝑟𝑑𝑎𝑟 𝑞𝑢𝑒: ( ) =
𝑥 (𝑛 − 𝑥)! ∗ 𝑥!

Ejemplo: Cinco niveladoras se utilizan en la construcción de una carretera. Si la variable número de

niveladoras que falla antes de las 900 horas de uso se comporta como una variable binomial con
probabilidad de éxito 0,0559 y asumiendo independencia entre las niveladoras, determine la
probabilidad de que:
a) Exactamente dos presenten una falla en las primeras 900 horas de funcionamiento.

b) Dos o más presenten fallas en las primeras 900 horas.

c) A lo más dos presenten fallas en las primeras 900 horas.

IACC
20
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Desarrollo:

IACC
21
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Ejemplo: Una tienda de retail ha determinado que la probabilidad de que una persona que entra a
su página web compre en línea es de un 20%. Si la página tiene a 5 personas conectadas en el
mismo momento

a) ¿Cuál es la probabilidad que hayan comprado 2 personas?

b) ¿Cuál es la probabilidad de que compren por lo menos 2 personas?

Desarrollo:

a) ¿Cuál es la probabilidad que hayan comprado 2 personas?

5
𝑃(𝑥 = 2) = ( ) 0,22 0,83 =10∗ 0,22 ∗ 0,83 = 0,2048 = 20,48%
2

b) ¿Cuál es la probabilidad, de que compren por lo menos 2 personas?

P(x ≥ 2) = 𝑃(𝑥 = 2) + 𝑃(𝑥 = 3) + 𝑃(𝑥 = 4) + 𝑃(𝑥 = 5)

5 5 5 5
P(x ≥ 2) = ( ) 0,22 0,83 + ( ) 0,23 0,82 + ( ) 0,24 0,81 + ( ) 0,25 0,80
2 3 4 5

P(x ≥ 2) = 0,2048 + 0,0512 + 0,0064 + 0,0016 = 0,264 = 26,4%

1.8. DISTRIBUCIÓN GEOMÉTRICA

Dada una secuencia Bernoulli, el número de experimentos hasta la ocurrencia del primer evento
exitoso sigue una distribución geométrica. Si el primer éxito ocurre en el n-ésimo experimento, los
primeros n – 1 fueron “fracasos”. Si N es la variable aleatoria que representa el número de
experimentos hasta el primer éxito, la función de probabilidad es:

Esperanza de una distribución geométrica:

𝟏
𝑬(𝑿) =
𝒑

IACC
22
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Varianza de una distribución geométrica:

1−p
VAR(X) =
p2

Ejemplo: Al lanzar una moneda vamos a lanzar hasta que veamos que el primer sello salga. ¿Cuántos
lanzamientos se requieren para cumplir con dicho evento?

Solución:

𝑃(𝑥 = 1) = 𝑝

𝑃(𝑥 = 2) = (1 − 𝑝)𝑝

𝑃(𝑥 = 3) = (1 − 𝑝)2 𝑝

𝑃(𝑥 = 3) = (1 − 𝑝)𝑥−1 𝑝

𝑋~𝐺(𝑝)

IACC
23
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=39yw_Yb_s_c&t=224s

Link del recurso (DESCARGA).

1.9. PROBABILIDAD ACUMULADA PARA UNA DISTRIBUCIÓN GEOMÉTRICA

Por definición se sabe que la función acumulada debe cumplir con la condición:

Se puede demostrar que la función de probabilidad acumulada distribución geométrica es (Olea,

2011, p. 57):

1.10. TIEMPO DE RECURRENCIA Y PERÍODO DE RETORNO

En algunos problemas, el tiempo T (o espacio) es discretizado en intervalos T=N, y puede ser

modelado por una secuencia Bernoulli.
El número de intervalos ocurridos hasta observar el primer evento exitoso se denomina tiempo
medio de recurrencia y corresponde al tiempo entre recurrencias. Este tiempo se conoce como
período de retorno:

IACC
24
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Propiedad de carencia de memoria

La distribución geométrica posee esta propiedad que significa que la probabilidad no se afecta en
nada con los acontecimientos que hayan ocurrido anteriormente. El conocimiento de los resultados
previos no tiene efectos sobre las probabilidades de los eventos futuros (Montgomery & Runger,
1998, p. 199).

Ejemplo: Una plataforma costa afuera es diseñada para soportar olas de hasta 8 metros sobre el
nivel medio del mar.
Una ola de estas características tiene una probabilidad del 5% de ocurrencia por año. Determine:
a) El período de retorno.

b) La probabilidad de observar una ola de estas características durante el período de retorno.

c) Probabilidad que ocurra después del tercer año.

Desarrollo:

IACC
25
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

1.11. EL PROCESO DE POISSON

Muchos problemas físicos de interés para ingenieros y científicos que implican las ocurrencias
posibles de eventos en cualquier punto en el tiempo y/o en el espacio.

Ejemplos: Los terremotos pueden ocurrir en cualquier momento y en cualquier lugar en una región
con actividad sísmica en el mundo; las grietas por fatiga pueden producirse en cualquier punto de
una soldadura continua; los accidentes de tráfico pueden suceder en cualquier momento en una
autopista.
Estos ejemplos pueden ser modelados como secuencia Bernoulli, dividiendo el tiempo o el espacio
en pequeños intervalos “apropiados” de tal forma que solo un evento puede ocurrir o no dentro de
cada intervalo (ensayo Bernoulli).

IACC
26
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Sin embargo, si el evento ocurre al azar en cualquier instante (o en cualquier punto del espacio),
esto puede pasar más de una vez en cualquier momento o intervalo de espacio.
En tal caso, las ocurrencias del evento pueden ser modeladas con un proceso de Poisson o la
secuencia Poisson.
Supóngase un intervalo entre 0 y 1. Se hace una partición tal que en cada subintervalo ocurra solo
1 vez la variable en estudio; además, la probabilidad de ocurrencia en cada intervalo es un
experimento Bernoulli e independiente entre ellos.
Supuestos:
• Un evento puede ocurrir al azar y en cualquier instante o en cualquier punto en el espacio.
• La(s) ocurrencia(s) de un evento en un intervalo dado (o espacio) es estadísticamente
independiente a lo que ocurra en otros intervalos (o espacios) que no se traslapen.
• La probabilidad de ocurrencia de un evento en un pequeño intervalo t es proporcional a
t, y puede estar dada por vt , donde v es la tasa de incidencia media del evento (que se
supone constante).
• La probabilidad de dos o más eventos en t es insignificante.

IACC
27
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

La función de densidad de una variable Poisson.

Para la función acumulada:

La esperanza de una distribución Poisson

Si el número de eventos en un intervalo fluctúa entre 0 y T, el número de eventos estadísticamente

independientes está dado por:

Donde es la tasa de ocurrencia media por unidad de tiempo, es decir:

Ejemplo: Los registros históricos de tormentas devastadoras en una ciudad en los últimos 20 años
indican un promedio de cuatro tormentas por año. Suponiendo que las ocurrencias de tormentas
se pueden modelar con un proceso de Poisson. Calcule la probabilidad de que el próximo año no
presente tormentas de lluvias.

IACC
28
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Desarrollo:

X = Número de tormentas por año

Comentario: La tasa promedio de tormentas por año se obtiene de acuerdo con el enunciado, ya
que dice “un promedio de cuatro tormentas por año” y se multiplica por 1, ya que el período es un
año.

1.12. DISTRIBUCIÓN HIPERGEOMÉTRICA

Un conjunto de N objetos contiene K objetos clasificados como éxitos y N – K objetos clasificados

como fallas.
Se toma una muestra aleatoria de tamaño n, sin reemplazo de entre los N objetos (K ≤ N; n ≤ N). Si
la variable X = número de éxitos en la muestra, entonces X es una variable hipergeométrica y tiene
distribución de probabilidad:

IACC
29
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

La esperanza y la varianza son respectivamente:

Es muy importante que vayan revisando los links adjuntos, para

revisar los conceptos aplicados

https://www.youtube.com/watch?v=zUnOZutWjGc

Ejemplo: Una prueba de control de calidad que se aplica a cajas que contienen cada una, 10
unidades de cierto producto consisten en sacar al azar 4 unidades de la caja y examinarlas. Si en la
muestra sale a lo más una unidad defectuosa, la caja se acepta; en caso contrario, la caja se revisa
completamente. ¿Cuál es la probabilidad de que en una caja que contiene 3 unidades defectuosas
deba revisarse completamente?
Desarrollo:
En este caso:
X= Número de unidades defectuosas en la muestra.
X es una variable hipergeométrica
N = 10 ya que es el total de unidades de producto que contiene la caja.
K = 3 es el número de unidades defectuosas que contiene la caja en revisión.
n=4 es la diferencia entre las unidades en buen estado y las defectuosas.

IACC
30
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

Lo que se busca es la probabilidad de hallar más de una unidad defectuosa. Por lo tanto,

Se aplica el modelo hipergeométrico:

Pero dada la condición X puede tomar los valores 2 o 3. Se reemplaza en el modelo:

IACC
31
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

IACC
32
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

COMENTARIO FINAL
Los modelos de probabilidad tienen muchas aplicaciones en algunos problemas empresariales.
Estos modelos se definen por medio de una variable aleatoria y una función de distribución de
probabilidad. Lo que se busca es poder modelar situaciones en donde las posibles respuestas o
resultados son variables discretas como, por ejemplo, la cantidad de artículos defectuosos en un
lote, la cantidad de público en una fila en un banco o el número de reservas a diario en una línea
aérea.

IACC
33
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

REFERENCIAS

Canavos, G. (1984). Probabilidad y estadística, aplicaciones y métodos. 1.ª edición. Estados Unidos:
McGraw-Hill.

Montgomery, D. & Runger, G. (1998). Probabilidad y estadística aplicadas a la ingeniería. 1.ª edición.
Arizona, Estados Unidos: McGraw-Hill.

Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadística para la administración y economía. 6.ª
edición. Nueva Jersey, Estados Unidos: Pearson, Prentice-Hall.

Olea, R. (2011). Estadística para ingeniería. Apuntes Curso de verano TAV. Chile. Pontificia
Universidad Católica de Chile.

PARA REFERENCIAR ESTE DOCUMENTO, CONSIDERE:

IACC (2018). Variable aleatoria discreta y distribuciones de probabilidad. Estadística

para la Gestión. Semana 1.

IACC
34
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

IACC
35
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

IACC
36
SEMANA 1 – ESTADÍSTICA PARA LA GESTIÓN

IACC
37