Clase Módulo 3
Curso de Estadística
Programa de Administración de Empresas
Andrés Palacios
Variables aleatorias
Experimento: lanzar tres monedas al aire
• La función 𝑋 = "número de caras"
asocia a cada elemento del espacio
CCC 3
muestral un número real: es una
CCS variable aleatoria.
CSC 2 • Esta variable aleatoria 𝑋 puede tomar
los valores {0, 1, 2, 3}
SCC
R
CSS • La variable 𝑋 es discreta porque sólo
puede tomar los valores del conjunto {0, 1,
SCS 1 2, 3}, que son valores discretos.
SSC • Cuando una variable puede tomar, al menos
teóricamente, todos los valores en cierto
SSS 0 intervalo de la recta real, se dice que es
continua.
Distribución de una variable aleatoria
• La distribución de probabilidad de una variable aleatoria discreta 𝑋 asocia a
cada uno de los valores que puede tomar X su probabilidad correspondiente.
Si las monedas están balanceadas cada uno de los sucesos elementales del espacio
muestral tiene probabilidad 1/8. Por ello la distribución de probabilidad de la variable
aleatoria 𝑋 = “𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑟𝑎𝑠 𝑎𝑙 𝑡𝑖𝑟𝑎𝑟 3 𝑚𝑜𝑛𝑒𝑑𝑎𝑠” será:
xi P(X = xi) Algunas probabilidades con esta variable:
0 1/8
a) 𝑃(𝑋 = 0) + 𝑃(𝑋 = 1 ) + 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 1
1 3/8 b) 𝑃(1 < 𝑋 3) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 3/8 + 1/ 8 = 1/2
2 3/8 c) 𝑃(𝑋 > 2) = 𝑃(𝑋 = 3) = 1/8
d) 𝑃(𝑋 > 1,5) = 𝑃(𝑋 = 2) + 𝑃(𝑋 = 3) = 3/8 + 1/ 8 = 1/2
3 1/8
Parámetros de la distribución de una
distribución discreta
𝝁: media o esperanza. Proporciona cuál es el valor promedio de la distribución.
𝝈: desviación típica. Dispersión de los valores de X respecto a ese valor promedio
Al realizar un experimento 𝑛 veces, 𝒙𝟏, 𝒙𝟐, 𝒙𝟑, … . . , 𝒙𝒌 son los distintos valores
que puede tomar la variable aleatoria 𝑿 y 𝒇𝒊 las frecuencias absolutas de 𝑥𝑖
Si n es grande las frecuencias relativas se estabilizan en torno a las
probabilidades 𝑃(𝑥𝑖 ) de la siguiente manera:
𝑘 𝑘
1
𝑥= 𝑥𝑖 𝑓𝑖 𝜇= 𝑥𝑖 𝑃 𝑥𝑖
𝑛 𝑖=1
𝑖=1
𝑘 𝑘
2
𝑖=1 𝑓𝑖
𝑥𝑖 − 𝑥
𝑆= 𝜎= 𝑥𝑖 − 𝜇 2 𝑃 𝑥𝑖
𝑛−1
𝑖=1
Distribución binomial (I)
Éxito: 𝐴 = "obtener un 6" 1
Experimento de Bernoulli: 𝑃 𝐴 =
ej: lanzar un dado 6
Fracaso: 𝐴𝑐 = "no obtener un 6" 5
𝑃 𝐴𝑐 =
6
¿Cuál es la probabilidad del suceso B = “obtener 3 éxitos y 7 fracasos” en ese
orden?
3 7
1 5
𝐵 = 𝐴, 𝐴, 𝐴, 𝐴𝑐, 𝐴𝑐, 𝐴𝑐, 𝐴𝑐, 𝐴𝑐, 𝐴𝑐, 𝐴𝑐 𝑃 𝐵 =
6 6
10
Formas de obtener 3 éxitos: = 3
Sea X = “número de éxitos en n = 10 pruebas”.
3 7
10 1 5
𝑃 "𝑂𝑏𝑡𝑒𝑛𝑒𝑟 3 é𝑥𝑖𝑡𝑜𝑠" = 𝑃 𝑋 = 3 =
3 6 6
Distribución binomial (II)
Sea p la probabilidad de un suceso A arbitrario. Se dice que 𝑋 es una binomial
de parámetros n y p, se representa 𝑩(𝒏, 𝒑), si 𝑋 es el « número de veces que el
suceso A se produce» en n pruebas repetidas e independientes del experimento.
La distribución de probabilidad de una variable 𝑿 binomial de parámetros 𝒏 y 𝒑 es
𝑛 𝑥 𝑛−𝑥 ;
𝑃 𝑋=𝑥 = 𝑝 1−𝑝 𝑥 = 0,1, … , 𝑛
𝑥
Los parámetros 𝑛 y 𝑝 determinan completamente la distribución de la variable. Cada par
de valores (𝑛, 𝑝) proporciona una variable binomial diferente.
Si 𝑋 es una binomial 𝐵(𝑛, 𝑝), entonces 𝜇 = 𝑛𝑝 y 𝜎2 = 𝑛𝑝(1 − 𝑝)
Si X es una variable 𝐵(𝑛, 𝑝), entonces para obtener probabilidades para 𝑝 > 0,5 basta
tener en cuenta que 𝑃(𝑋 = 𝑥) = 𝑃(𝑌 = 𝑛 − 𝑥), siendo 𝑌 una binomial 𝐵(𝑛, 1 − 𝑝)
Distribución binomial (III)
Función de probabilidad de 𝑿 = "𝒏ú𝒎𝒆𝒓𝒐 𝒅𝒆 𝒔𝒆𝒊𝒔 𝒂𝒍 𝒕𝒊𝒓𝒂𝒓 𝒖𝒏 𝒅𝒂𝒅𝒐 𝟏𝟎 𝒗𝒆𝒄𝒆𝒔"
1 𝑛 𝑥
𝑃 É𝑥𝑖𝑡𝑜: Sacar un 6 = 𝑃 𝑋=𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥 ; 𝑥 = 0,1, … , 𝑛
6 𝑥
𝑥 10−𝑥
5 10 1 5
𝑃 𝐹𝑟𝑎𝑐𝑎𝑠𝑜: Sacar otro número = 𝑃 𝑋=𝑥 = ; 𝑥 = 0,1, … , 10
6 𝑥 6 6
Tabla de valores de 𝑩(𝟏𝟎, 𝟏/𝟔) Gráfica de la función de probabilidad
x p(X = x) 0.35
0 0,161505583
1 0,323011166 0.28
2 0,290710049
0.21
3 0,155045360
4 0,054265876 0.14
5 0,013023810
6 0,002170635 0.07
7 0,000248073
8 0,000018605 0
0 1 2 3 4 5 6 7 8 9 10
9 0,000000827
10 0,000000017
Distribución binomial (IV)
1
La probabilidad de que un hombre acierte en el blanco es . Si el hombre dispara 10
4
veces, ¿cuál es la probabilidad de que acierte exactamente en 3 ocasiones?
𝑛 = 10 𝑝 = 0.25 𝑋~𝐵 10, 0.25
𝑛 𝑥
𝑃 𝑋=𝑥 = 𝑝 1 − 𝑝 𝑛−𝑥
𝑥
10
𝑃 𝑋=3 = 0.25 3 1 − 0.25 10−3
3
10
𝑃 𝑋=3 = 0.25 3 0.75 7
3
𝑷 𝑿 = 𝟑 = 𝟎. 𝟐𝟓
¿cuál es la probabilidad de que acierte exactamente en 5 ó 6 ocasiones?
𝑷 𝑿 = 𝟓 + 𝑷 𝑿 = 𝟔 = 𝟎. 𝟒𝟔 + 𝟎. 𝟑𝟗 = 𝟎. 𝟎𝟕
¿cuál es la probabilidad de que acierte al menos en 1 ocasión?
𝑷 𝑿≥𝟏 =𝟏−𝑷 𝑿=𝟎 = 𝟏 − 𝟎. 𝟎𝟓𝟔𝟑 = 𝟎. 𝟗𝟒𝟑𝟕
Distribución binomial (V)
Se sabe que la probabilidad de que un artículo producido por una fabrica sea defectuoso es del
2%. Se envió un cargamento de 10.000 artículos a unos almacenes.
Hallar el 1) número esperado de artículos defectuosos, 2) la varianza y la desviación estándar.
𝑛 = 10.000 𝑝 = 0.02 𝑋~𝐵 10000, 0.02
𝜇 = 𝑛𝑝 𝜎2 = 𝑛𝑝(1 − 𝑝)
𝜇 = 10000 0.02 𝜎2 = 10000 0.02 (1 − 0.02)
𝝁 = 𝟐𝟎𝟎 𝜎2 = 200 0.98
𝝈𝟐 = 𝟏𝟗𝟔
𝝈 = 196 = 𝟏𝟒
Interpretación
Se espera que un total de 200 unidades del Se espera que en promedio, el total de unidades del
cargamento entregado a los almacenes resulten cargamento entregado a los almacenes resulten
defectuosas defectuosas está entre 186 y 214 unidades
Distribuciones de variables continuas (I)
Para una variable aleatoria continua 𝑿, sobre una población muy grande, con
una muestra de tamaño n construimos el histograma en escala de densidad.
En estos histogramas:
• Los intervalos de clase son de igual amplitud.
• La superficie encerrada por cada rectángulo es igual a la
frecuencia relativa correspondiente al intervalo.
• Por tanto la suma de las áreas de todos los rectángulos es 1.
Al hacer que 𝒏 (tamaño de la muestra) crezca, y la amplitud de los intervalos
disminuya observamos que la curva se aproxima a una curva 𝒇 que se
denomina función de densidad de la variable 𝑿. Observemos una
simulación de dicho proceso:
Distribuciones de variables continuas (II)
Curva de
𝑛 = 100
Densidad
Distribuciones de variables continuas (III)
Curva de
Densidad 𝑛 = 1500
Distribuciones de variables continuas (IV)
Curva de
Densidad 𝑛 = 3000
Función de densidad de una variable aleatoria continua
Y
• Establece dónde están los valores
de la variable más probables.
c d
X
d
• Está siempre por encima del eje X 𝑃(𝑐 < 𝑋 < 𝑑) = 𝑃(𝑐 𝑋 𝑑) =
f(x) dx
c
• El área encerrada bajo la función de
densidad es 1
Media y varianza de una variable
aleatoria continua
Variable estadística Variable aleatoria discreta Variable aleatoria continua
𝑘 𝑘 𝑏
1
𝑥= 𝑥𝑖 𝑓𝑖 𝜇= 𝑥𝑖 𝑃 𝑥𝑖 𝜇= 𝑥 𝑓 𝑥 𝑑𝑥
𝑛 𝑎
𝑖=1 𝑖=1
𝑘 𝑏
𝑘 2
𝑖=1 𝑓𝑖
𝑥𝑖 − 𝑥
𝜎2 = 𝑥𝑖 − 𝜇 2 𝑃 𝑥𝑖 𝜎2 = 𝑥−𝜇 2 𝑓 𝑥 𝑑𝑥
𝑆2 =
𝑛−1 𝑖=1
𝑎
Distribución Normal 𝑁(𝜇, 𝜎)
2
x-m (m, 1 )
1 -1
2
2
f(x) =
2
e
Y Área bajo la curva:
1 unidad
𝑥 =m
Campo de existencia = (- , + )
Creciente Decreciente
Ejemplos https://bookdown.org/aquintela/EBE/ejemplos-de-la-distribucion-normal.html
Probabilidades de una variable 𝑁(𝜇, 𝜎)
Y
m - 3 m - 2 m - m+ m + 2 m + 3
0,683
0,954
0,997
Estandarización de una variable 𝑁(𝜇, 𝜎)
2. (X - m) ~ N(0, ) 1. centrar X ~ N(m, )
r Y
e
d
u
c
i
r
X-m
~ 𝑵(𝟎, 𝟏)
𝑎−𝜇 𝑏−𝜇
Si X es una N(m, ) entonces 𝑝 (𝑎 𝑋 𝑏) = 𝑝 ( 𝑍 ) en donde 𝑍 es una 𝑁(0, 1)
𝜎 𝜎
Función de densidad de la 𝑁(0, 1)
Esta 𝑁(0, 1) se parece mucho a la verdadera (igual tamaño de unidades en ambos ejes)
2
Y
1 𝑁(0, 0,5)
𝑁(0,1)
0
-5 -4 -3 -2 -1 0 z 1 2 3 4 5
X
Distribución Normal Estándar
Función de distribución de la 𝑁(0, 1)
Esta superficie equivale a la probabilidad acumulada hasta 𝑧
Tablas de la normal 𝑁(0, 1)
z 1 - 1 t2
F(z) = p(Z z) = e 2 dt
- 2
x 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,5040 0,5080 0,5120 0,5160 0,5199 0,5239 0,5279 0,5319 0,5359
0,1 0,5398 0,5438 0,5478 0,5517 0,5557 0,5596 0,5636 0,5675 0,5714 0,5753
0,2 0,5793 0,5832 0,5871 0,5910 0,5948 0,5987 0,6026 0,6064 0,6103 0,6141
0,3 0,6179 0,6217 0,6255 0,6293 0,6331 0,6368 0,6406 0,6443 0,6480 0,6517
0,4 0,6554 0,6591 0,6628 0,6664 0,6700 0,6736 0,6772 0,6808 0,6844 0,6879
0,5 0,6915 0,6950 0,6985 0,7019 0,7054 0,7088 0,7123 0,7157 0,7190 0,7224
0,6 0,7257 0,7291 0,7324 0,7357 0,7389 0,7422 0,7454 0,7486 0,7517 0,7549
0,7 0,7580 0,7611 0,7642 0,7673 0,7704 0,7734 0,7764 0,7794 0,7823 0,7852
0,8 0,7881 0,7910 0,7939 0,7967 0,7995 0,8023 0,8051 0,8078 0,8106 0,8133
0,9 0,8159 0,8186 0,8212 0,8238 0,8264 0,8289 0,8315 0,8340 0,8365 0,8389
1,0 0,8413 0,8438 0,8461 0,8485 0,8508 0,8531 0,8554 0,8577 0,8599 0,8621
1,1 0,8643 0,8665 0,8686 0,8708 0,8729 0,8749 0,8770 0,8790 0,8810 0,8830
1,2 0,8849 0,8869 0,8888 0,8907 0,8925 0,8944 0,8962 0,8980 0,8997 0,9015
1,3 0,9032 0,9049 0,9066 0,9082 0,9099 0,9115 0,9131 0,9147 0,9162 0,9177
Cálculo de probabilidades con variables normales (I)
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082
𝑃(𝑍 1,23) = 0,8907
Cálculo de probabilidades con variables normales (II)
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 1,23
-1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082
𝑃(𝑍 − 1,23) = 1 − 𝑃(𝑍 1,23) = 1 − 0,8907 = 0,1093
Cálculo de probabilidades con variables normales (III)
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 1,01 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082
𝑃(1,01 𝑍 1,23) = 𝑃(𝑍 1,23) − 𝑃(𝑍 1,01) =
= 0,8907 − 0,8438 = 0,1469
Cálculo de probabilidades con variables normales (IV)
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 -1,23 -1,01 1,01 1,23
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082
𝑃(−1,23 𝑍 − 1,01) = 𝑃(1,01 𝑍 1,23) =
= 𝑃(𝑍 1,23) − 𝑝(𝑍 1,01) = 0,8907 − 0,8438 = 0,1469
Cálculo de probabilidades con variables normales (V)
x 0,00 0,01 0,02 0,03
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
Y
0,2 0,5793 0,5832 0,5871 0,5910
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673
0,8 0,7881 0,7910 0,7939 0,7967
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 X
1,1 0,8643 0,8665 0,8686 0,8708 -1,23 1,01
1,2 0,8849 0,8869 0,8888 0,8907 0
1,3 0,9032 0,9049 0,9066 0,9082
𝑃(−1,23 𝑍 1,01) = 𝑃(𝑍 1,01) − 𝑃(𝑍 − 1,23) =
= 𝑃(𝑍 1,01) − (1 − 𝑃(𝑍 1,23)) = 0,8907 − 1 + 0,8438 = 0,7345
Intervalo que corresponde a una
probabilidad fijada
• ¿Qué valor de z corresponde a
x 0,00 0,01 0,02 0,03 𝑃(𝑍 𝑧) = 0,6985?
0,0 0,5000 0,5040 0,5080 0,5120
0,1 0,5398 0,5438 0,5478 0,5517
0,2 0,5793 0,5832 0,5871 0,5910 • Observamos que 𝑧 = 0,52
0,3 0,6179 0,6217 0,6255 0,6293
0,4 0,6554 0,6591 0,6628 0,6664
0,5 0,6915 0,6950 0,6985 0,7019
0,6 0,7257 0,7291 0,7324 0,7357
0,7 0,7580 0,7611 0,7642 0,7673 • ¿Qué valor de z corresponde a
0,8 0,7881 0,7910 0,7939 0,7967 𝑃(𝑍 𝑧) = 0,2033?
0,9 0,8159 0,8186 0,8212 0,8238
1,0 0,8413 0,8438 0,8461 0,8485 • Observamos que 𝑃(𝑍 − 𝑧) =
1,1 0,8643 0,8665 0,8686 0,8708
1,2 0,8849 0,8869 0,8888 0,8907
1 − 0,2033 = 0,7967.
1,3 0,9032 0,9049 0,9066 0,9082
• Entonces − 𝑧 = 0,7967 y por
tanto 𝑧 = −0,7967
Cálculo de probabilidades en la binomial
mediante la normal
Y ~ 𝑁(𝑛𝑝, 𝑛𝑝𝑞 )
𝑋 es 𝐵(𝑛, 𝑝)
a
Si 𝒏 tiende a ∞ y a - 0,5 a + 0,5
𝒑 tiende a 0
corrección de continuidad 𝑃(𝑋 = 𝑎) = 𝑃(𝑎 − 0,5 𝑌 𝑎 + 0,5) =
a - 0,5- np X' - np a + 0,5- np
Y es 𝑁(𝑛𝑝, 𝑛𝑝𝑞 ) =p( )=
npq npq npq
Y - np a - 0,5- np a + 0,5- np
Z= es N(0, 1) =p( Z< )
npq npq npq
Distribución binomial como una Normal
Se sabe que la probabilidad de que un artículo producido por una fabrica sea defectuoso es del
2%. Se envió un cargamento de 10.000 artículos a unos almacenes.
Hallar el 1) número esperado de artículos defectuosos, 2) la varianza y la desviación estándar.
𝑛 = 10.000 𝑝 = 0.02 𝑋~𝐵 10000, 0.02
𝜇 = 𝑛𝑝 𝜎= 𝑛𝑝(1 − 𝑝)
𝝁 = 𝟐𝟎𝟎 𝝈 = 196 = 𝟏𝟒
𝑋~𝑁 200, 14
¿cuál es la probabilidad de que al menos 200 artículos salgan defectuosos?
𝒀 − 𝒏𝒑 𝒀 − 𝟐𝟎𝟎
𝑋~𝑁 200, 14 𝒁= ~𝑵 𝟎, 𝟏 𝒁= ~𝑵 𝟎, 𝟏
𝒏𝒑𝒒 𝟏𝟒
Distribución binomial como una Normal
𝒀 − 𝟐𝟎𝟎
𝒁= ~𝑵 𝟎, 𝟏
𝟏𝟒
¿cuál es la probabilidad de que al menos 200 artículos salgan defectuosos?
200 − 𝑛𝑝 200 − 200
𝑃 𝑌 ≤ 200 =𝑃 𝑍≤ =𝑃 𝑍≤ =𝑃 𝑍≤0
𝑛𝑝𝑞 14
𝑷 𝒀 ≤ 𝟐𝟎𝟎 = 𝟎. 𝟓
¿cuál es la probabilidad de que 170 artículos salgan defectuosos?
169.5 − 200 170.5 − 200
𝑃 170 − 0.5 ≤ 𝑌 ≤ 170 + 0.5 = 𝑃 ≤𝑍≤ = 𝑃 −2.17 ≤ 𝑍 ≤ −2.10
14 14
= 𝑃 𝑍 ≤ −2.10 − 𝑃 𝑍 ≤ −2.17 = 0.0178 − 0.0150
= 𝟎. 𝟎𝟎𝟐𝟖𝟔𝟏
Algunas distribuciones
Distribución de Poisson
Un proceso de Poisson es un experimento aleatorio donde se observa la aparición de un suceso
concreto (éxito) sobre un soporte continuo (generalmente el tiempo)
Ejemplos
El número de carros que pasan a través de un cierto punto en una carretera
El número de errores de ortografía que uno comete al escribir en una página
El número de llamadas telefónicas en un centro de atención al cliente (por minuto, día, hora, etc)
El número de enfermos que llegan por hora (día , mes) a un hospital
El número de clientes que llegan a una oficina por hora (día , semana)
El número de defectos por metro cuadrado de tela.
El número de estrellas en un determinado volumen de espacio.
𝜆𝑘
𝑃 𝑋 = 𝑘 = 𝑒 −𝜆 , 𝑘 = 0,1,2, …
𝑘!
En un proceso de Poisson, la variable 𝑋 = "𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜“ se dice que sigue una
distribución de Poisson de parámetro 𝜆: 𝑿~𝑷𝒐𝒊𝒔 𝝀 con 𝜇 = 𝜎 = 𝜆
