Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 347 vistas

    Foro Semana 6

    Cargado por

    Leila Sanchez
    Las variables discretas solo pueden tomar valores enteros separados, mientras que las variables continuas pueden tomar cualquier valor real dentro de un rango. Algunos ejemplos de variables discretas son el número de empleados o hijos, mientras que la temperatura o tiempo son variables continuas. La distribución de Poisson modela eventos aleatorios en intervalos de tiempo, como pacientes que llegan a una clínica, y la distribución binomial modela ensayos de Bernoulli, como amigos que vieron las Olimpiadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd

    Foro Semana 6

    Cargado por

    Leila Sanchez
    347 vistas3 páginas
    Las variables discretas solo pueden tomar valores enteros separados, mientras que las variables continuas pueden tomar cualquier valor real dentro de un rango. Algunos ejemplos de variables discretas son el número de empleados o hijos, mientras que la temperatura o tiempo son variables continuas. La distribución de Poisson modela eventos aleatorios en intervalos de tiempo, como pacientes que llegan a una clínica, y la distribución binomial modela ensayos de Bernoulli, como amigos que vieron las Olimpiadas.

    Descripción original:

    estadistica

    Título original

    FORO SEMANA 6

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    DOCX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Las variables discretas solo pueden tomar valores enteros separados, mientras que las variables continuas pueden tomar cualquier valor real dentro de un rango. Algunos ejemplos de variables discretas son el número de empleados o hijos, mientras que la temperatura o tiempo son variables continuas. La distribución de Poisson modela eventos aleatorios en intervalos de tiempo, como pacientes que llegan a una clínica, y la distribución binomial modela ensayos de Bernoulli, como amigos que vieron las Olimpiadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    347 vistas3 páginas

    Foro Semana 6

    Cargado por

    Leila Sanchez
    Las variables discretas solo pueden tomar valores enteros separados, mientras que las variables continuas pueden tomar cualquier valor real dentro de un rango. Algunos ejemplos de variables discretas son el número de empleados o hijos, mientras que la temperatura o tiempo son variables continuas. La distribución de Poisson modela eventos aleatorios en intervalos de tiempo, como pacientes que llegan a una clínica, y la distribución binomial modela ensayos de Bernoulli, como amigos que vieron las Olimpiadas.

    Copyright:

    © All Rights Reserved
    Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
    Descargar como docx, pdf o txt
    Está en la página 1de 3

    FORO SEMANA 6

    ¿Cuál es la diferencia entre una variable discreta y una continua?

     Se dice que una variable es discreta cuando no puede tomar ningún valor entre dos
    consecutivos, y que es continua cuando puede tomar cualquier valor dentro de un
    intervalo.

    Ejemplos de variable discreta: número de empleados de una fábrica; número de hijos;


    número de cuentas ocultas en Suiza.

    Ejemplos de variable continua: temperaturas registradas en un observatorio; tiempo


    en recorrer una distancia en una carrera; contenido de alcohol en un cuba-libre; estatura;
    tiempo de discurso de un político en las cortes insultando a los del partido contrario.

    2. ¿Cómo sabe cuándo aplicar la distribución binomial y la distribución de


    Poisson? Muestre un ejemplo de una de ellas.

    DISTRIBUCION POISSON

    La distribución de Poisson es una distribución de probabilidad discreta que modeliza


    la frecuencia de eventos determinados durante un intervalo de tiempo fijado a partir de
    la frecuencia media de aparición de dichos eventos.

    La distribución de Poisson se utiliza en el campo de riesgo operacional con el objetivo


    de modelar las situaciones en que se produce una pérdida operacional. En riesgo de
    mercado se emplea el proceso de Poisson para los tiempos de espera entre
    transacciones financieras en bases de datos de alta frecuencia. También, en riesgo de
    credito  se tiene en cuenta para modelar el número de quiebras

    EJEMPLO
    La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo que el
    número de pacientes que llegan en un día sigue una distribución de Poisson, calcular:

    a) la probabilidad de que lleguen 3 pacientes en un día.


    Primero definimos nuestra variable aleatoria:

    X = número de pacientes que llegan en un día.

    Además, nos indican que esta variable aleatoria X sigue una distribución de Poisson,
    entonces podemos aplicar la fórmula:

    𝑓(𝑥)=𝑃(𝑋=𝑥)=𝑒−𝜇⋅𝜇𝑥𝑥!f(x)=P(X=x)=e−μ⋅μx/x!

    Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f(3). Además,


    el enunciado nos indica que llegan en promedio 4 pacientes por día, es decir, μ = 4.
    𝑓(3)=𝑃(𝑋=3)=𝑒−4⋅43/3! 
    𝑓(3)=𝑃(𝑋=3)=0,01832⋅64/3⋅2⋅1 
    𝑓(3)=𝑃(𝑋=3)=0,1954
    La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.

    b) la probabilidad de que lleguen 5 pacientes en un día.

    Calculamos la probabilidad de que lleguen 5 pacientes en un día, es decir, f(5). Además,


    el enunciado nos indica que el enunciado que llegan en promedio 4 pacientes por día, es
    decir, μ = 4.

    𝑓(𝑥)=𝑃(𝑋=𝑥)=𝑒−𝜇⋅𝜇𝑥𝑥!
     𝑓(5)=𝑃(𝑋=5)=𝑒−4⋅455! 
    𝑓(5)=𝑃(𝑋=5)=0,01832⋅10245⋅4⋅3⋅2⋅1 
    𝑓(5)=𝑃(𝑋=5)=0,1563

    La probabilidad de que lleguen 5 pacientes en un día es de 0,1563 o 15,63 %

    DISTRIBUCCION BINOMIAL

    La variable aleatoria que sigue una distribución binomial se suele representar como


    X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad
    de éxito.

    La distribución binomial es utilizada frecuentemente en control de calidad. Es un


    modelo probabilístico adecuado cuando se muestrea sobre una población que puede
    considerarse infinitamente grande, p representa la fracción de items defectuosos en
    dicha población. En estas aplicaciones X representa el número de artículos defectuosos
    encontrados cuando se toma una muestra al azar de tamaño n .

    EJEMPLO

    Vamos a imaginar que un 80 % de las personas de todo el mundo vieron las Olimpiadas
    2016 en Río de Janeiro. Una vez finalizadas, 4 amigos se reúnen para charlar. ¿Cuál es
    la probabilidad de que 3 de ellos las hayan visto?

    Lo primero que hay que hacer es definir las variables del experimento:

    n = 4 (el total de la muestra)


    x = número de éxitos (en este caso es igual a 3, ya que buscamos la probabilidad de que
    3 de los 4 amigos las hayan visto)
    p = probabilidad de éxito (0,8)
    q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

    Tras definir todas las variables, solo tenemos que sustituirlas en la fórmula:
    El numerador del factorial se obtiene entonces multiplicando 4 · 3 · 2 · 1 = 24, mientras
    que en el denominador tendríamos que multiplicar 3 · 2 · 1 · 1 = 6. Por lo tanto, el
    resultado del factorial sería 24/6=4.

    Fuera del corchete, hay dos números. El primero sería 0,83=0,512 y el segundo es 0,2
    (porque 4-3 = 1 y cualquier número elevado a 1 es el mismo).

    Por tanto, el resultado final sería: 4 · 0,512 · 0,2 = 0,4096.


    Si lo multiplicamos por 100, tenemos como resultado que hay una probabilidad del
    40,96 % de que 3 de los 4 amigos hayan visto las Olimpiadas de Brasil.

    También podría gustarte