INTRODUCCION

En el presente trabajo se desarrollaran casos prácticos que nos permitan

conocer de una forma clara los tipos de distribuciones de variables aleatorias
discretas como son Binomial, Hipergeométrica y de Poisson además de sus
propiedades media, varianza y desviación estándar de cada una de las
distribuciones señaladas anteriormente y su grafica, así como de la distribución de
variables continuas habitualmente llamada distribución que permiten describir el
comportamiento de fenómenos estadísticos y logrando con ello hacer inferencias
y tomar decisiones en condiciones de incertidumbre.

Cabe señalar que nosotros como contadores debemos de entender su uso para
sacar el mayor partido posible dé su contenido ya que este tema será de gran
importancia; la distribución de probabilidad, es una distribución teórica de
frecuencias que describe cómo se espera que varíen los resultados de un
experimento.

Con esto y con ayuda de la estadística en general, lograr tomar decisiones

informadas, además de permitir medir el riesgo financiero ya que nos ayudara a
evaluar la posibilidad de que ocurra algún evento en el futuro que cambie las
circunstancias actuales o esperadas.
Una variable aleatoria el cual es un evento numérico cuyo valor se determina por
medio de un proceso aleatorio. Cuando a todos los posibles valores numéricos de
una variable aleatoria X se les asignan valores de probabilidad, ya sea mediante
un listado o una función matemática, el resultado es una distribución de
probabilidad.

La suma de las probabilidades de todos los resultados numéricos posibles debe

ser igual a 1.0. Valores de probabilidades individuales pueden detonarse con el
símbolo fx, lo que involucra el uso de una función matemática; con Px=X, que
advierte que la variable aleatoria puede tener varios valores específicos
simplemente con P X.

En una variable aleatoria discreta, todos los posibles valores numéricos de la

variable pueden enlistarse en una tabla junto con sus respectivas probabilidades.

Existen varias distribuciones de probabilidad estándar que pueden servir de

modelo para una amplia variedad de variables aleatorias discretas involucradas
en aplicaciones de administración y economía. Los modelos estándar descritos en
este trabajo son las distribuciones de probabilidad Binomial, Hipergeométrica de
Poisson.

Caso Práctico; El numero de vagonetas solicitadas en renta a una agencia de

alquiler de automóviles durante un periodo de 50 días. Las frecuencias
observadas de este periodo han sido convertidas en probabilidades en la última
columna de la tabla. Así puede verse que la probabilidad de exactamente 7
vagonetas solicitadas en un día aleatoriamente elegido de este periodo es de .20,
y que la probabilidad de 6 o más es de .28+.20+.08= .56

Demanda diaria de renta de vagonetas durante un periodo de 50 días

DemandaPosible X No. De Dias Probabilidad [P(X)]

3 3 0.06
4 7 0.14
5 12 0.24
6 14 0.28
7 10 0.2
8 4 0.08
50 1
DESCRIPCIÓN DE UNA VARIABLE ALEATORIA DISCRETA

Lo mismo que en el caso de recolecciones de datos muéstrales y poblacionales, a

menudo es útil describir una variable aleatoria en términos de su media y de su
varianza o desviación estándar.

La media a largo plazo de una variable aleatoria X se llama valor esperado y se

expresa como EX. En una variable aleatoria discreta, éste es el promedio
ponderado de todos los posibles valores numéricos de la variable con las
probabilidades respectivas usadas como ponderaciones. Dado que las sumas de
las ponderaciones (probabilidades) es de 1 es posible simplificar la formula, con
lo que el valor esperado de una variable aleatoria discreta es

EX = XPX

Caso Práctico

Con base en los datos del caso anterior, el cálculo del valor esperado de la
variable discreta puede ser un valor fraccionario, porque representa el valor
promedio a largo plazo, no el valor especifico de una observación dada

Calculo del valor esperado de la demanda de vagonetas

D
ema
ndaP
osib
leX P
rob
abilid
ad[P
(X)] V
alo
rPo
nde
rad
o[XP
(X)]
3 0
.0
6 0
.1
8
4 0
.1
4 0
.5
6
5 0
.2
4 1.2
6 0
.2
8 1
.6
8
7 0.2 1.4
8 0
.0
8 0
.6
4
1 5
.6
6

La varianza de una variable aleatoria X se expresa como V(X); se calcula respecto

de E(X) como la media de la distribución de probabilidad. La forma general de
desviaciones de la fórmula de la varianza de una variable aleatoria discreta es

VX= X-E X2 P X

La forma de cálculo de la fórmula de la varianza de una variable aleatoria discreta,

que no requiere de la determinación de desviaciones respecto de la media, es

VX=X2P X- XP X2

= EX2- EX2
Caso Práctico;

La hoja de trabajo para el cálculo de la varianza de la demanda de vagonetas en

renta se presenta en la tabla usando la versión de cálculo de la formula. Como se
indica en seguida, la varianza tiene un valor de 1.74

VX= EX2- EX2=33.78-5.662=33.78-32.04=1.74

Hoja de trabajo para el cálculo de la varianza de la demanda de vagonetas

ValorPonderado{
XP(X)] DemandaCuadrada(X^
2) CuadradoPonderado[X^
2P(X)]
0.18 9 0.54
0.56 16 2.24
1.2 25 6
1.68 36 10.08
1.4 49 9.8
0.64 64 5.12
5.66 E(X^
2)= 33.78

La desviación estándar de una variable aleatoria es sencillamente la raíz cuadrada

de la varianza σ=VX

Una ventaja de la desviación estándar es que se expresa en las mismas unidades

de la variable aleatoria, no en unidades cuadradas

Caso práctico;

La desviación estándar respecto de la demanda de vagonetas en renta es

VX= 1.74= 1.32 vagonetas

DISTRIBUCIÓN BINOMIAL

La distribución binomial es una distribución de probabilidad discreta aplicable

como modelo para situaciones de toma de decisiones en la que puede suponerse
que un proceso de muestreo responde a un proceso de Bernoulli.
Un proceso de Bernou’ li es un proceso de muestreo en el que:

En cada ensayo u observación solo son posibles 2 resultados posibles

mutuamente excluyentes. Por convención estos resultados se llaman éxito
y fracaso.
Los resultados de la serie de ensayos, u observaciones, constituyentes
eventos independientes
La probabilidad de éxito de cada ensayo, indicada por p, es constante de un
ensayo a otro. Esto es el proceso es estacionario.
 La distribución binomial puede servir para determinar la probabilidad de obtener
un número establecido de éxitos en un proceso de Bernoulli. Se requiere de 3
valores

✔ El numero establecido de éxitos (X)

✔ El número de ensayos u observaciones (n)

✔ La probabilidad de éxito en cada ensayo (p)

Si q = (1-p), la fórmula para determinar la probabilidad de un número especifico de

éxitos X en una distribución binomial es

PX/ n,p=nCxPxqn-x

=n!X!n-X!px qn-x

PROPIEDADES

Algunas propiedades de la distribución binomial

Media μ=np
Varianza σ2=npq
Desviación Estándar σnpq
Coeficiente de sesgo φ3= q-pnpq
Coeficiente de curtosis φ4=3+1-6pqnpq
Función generadora de momento Mt=q+petn
Función característica ∅w=q+peiw n

Caso Práctico 1

La probabilidad de que un prospecto de venta aleatoriamente elegido realice una

compra es de .20. Si un representante de ventas visita a 6 prospectos, la
probabilidad de que realice exactamente cuatro ventas se determina de la
siguiente manera:
PX=4 n=6, p= .20=6C4.204.802

6×5×4×3×54x3x22=.0016.64=.01636=.015

A menudo nos interesa la probabilidad acumulada de X o más éxitos o X o menos

éxitos en n ensayos en tal caso, debe determinase la probabilidad de cada
resultado incluido en el intervalo establecido, después de lo cual se suman estas
probabilidades.

Caso Práctico 2

En relación con el caso práctico anterior, la probabilidad de que l vendedor realice

cuatro o más ventas se determina de la siguiente manera:

PX≥4n=6,p=.20 =PX=4+X=5+X=6

= .01536+ .001536+ .000064= .016960= .017

Donde PX-4 = .01536 (esto es con base en el ejemplo 5)

PX=5=6C5.206 .801= 6!5!1! .205.80=6.00032.80=.001536

PX=6=6C6.206.800=6!6!0! .0000641=1.000064=.000064

Los valores de p reunidos en el apéndice no exceden de p =.50 si en una

aplicación en particular el valor de p excede de .5, el problema debe replantearse
para definir el evento en términos del número de fracasos en lugar del número de
éxitos

El valor esperado media y la varianza de una distribución binomial dada podría

determinarse enlistando la distribución de probabilidad en una tabla y aplicando
las formulas

VX= X-E X2 P X

Sin embargo el número de éxitos también puede calcularse directamente

Media

EX=np

Si q= =1-p, la varianza del número de éxitos también puede calcularse

directamente

Varianza
VX=npq

Caso practico

Si la probabilidad de que un prospecto de ventas aleatoriamente elegido realice

una compra es de .20, la probabilidad de que un vendedor que visita a 15
prospectos realice menos de 3 ventas es

PX<3n=15, p=.20=pX≤2=P X=0+PX=1+PX=2

=.0352+.1319+.2309 (Con base en el apéndice)

=.3980=.40

En relación con este ejemplo, el número esperado de ventas 8como promedio a

largo plazo, la varianza y la desviación estándar asociados a la visita de 15
prospectos son

EX=np=15.20=3.00 Ventas

VX=np q=15.20.80=2.40

σ=VX=2.4=1.55 Ventas

Caso Práctico 3

Encuentre la probabilidad de obtener entre 3 y 6 caras, inclusive, en 10

lanzamientos de una moneda balanceada la distribución binomial

Sea X la variable aleatoria que indica el número de caras que aparecen en 10

lanzamientos entonces

PX=3=103123127=15128 ; PX=6=106124126=105512

PX=5=105125125=63256 ; P X=6=106126124=105512

Entonces la probabilidad requerida es

P3≤X ≤6=15128+105512+63256+105512=99128= .07734

GRAFICAS DE DISTRIBUCIÓN DE PROBABILIDAD BINOMIAL

0.3

0.2

0.1

0 1 2 3 4 5 6 7 8 9 10

0.3

0.2

0.1

0 1 2 3 4 5 6 7 8 9 10