Modelos probabilsticos

comunes
Objetivo: El alumno conocer algunas de las distribuciones mas utilizadas en
la practica de la ingeniera y seleccionara la mas adecuada para analizar
algn fenmeno aleatorio en particular.

Hiptesis
Realid
ad
Simplificada
s

Modelo
s

Matemticos
Sencillos

4.1 Ensayo de Bernoulli. Distribucin de Bernoulli, determinacin de

su media y variancia

En la teora de probabilidad y estadstica, un ensayo de Bernoulli es un

experimento aleatorio en el que slo se pueden obtener dos resultados
(habitualmente etiquetados como xito y fracaso). Se denomina as en honor a
Jakob Bernoulli. Desde el punto de vista de la teora de la probabilidad, estos
ensayos estn modelados por una variable aleatoria que puede tomar slo dos
valores, 0 y 1. Habitualmente, se utiliza el 1 para representar el xito. Si p es la
probabilidad de xito, entonces el valor del valor esperado de la variable
BERNOULLI
aleatoria es pHIPOTESIS
y su varianza, p(1-p).
H1: Solo tiene dos resultados posibles xito y fracaso.
H2: La probabilidad de xito es constante.
H3: Los experimentos son independientes.

PROCESO DE BERNOULLI
P(xito)=P
P(fracaso)=q
q= 1-P
Ej.
X=1 ; si hay xito
X=0 ; si hay fracaso
ESPERANZA
E(x)=
E(x)=0(q)+1(P)=P
E(x)=

P(x)

VARIANCIA
=Var(x)=E(x-))
=E(x)2-^
E(x^)=
Var(x)=P-P^
Var(x)=pq

4.2 Ensayo binomial. Distribucin binomial, determinacin de su media y variancia.

Distribucin hipergeomtrica. Distribucin geomtrica, determinacin de su media y
variancia. Distribucin Binomial negativa su media y variancia.

El proceso de Bernoulli se platea tres preguntas

P1: Nmero de xitos en n intentos?
P2: Nmero del experimento en donde ocurre el primer xito?
P3: Cuntos experimentos antes de K-xitos?
PARA DARLE RESPUESTA SE TIENEN LAS SIGUIENTES DISTRIBUCIONES
R1: Distribucin binomial
R2: Distribucin geomtrica
R3: Distribucin de pascal. (binomial negativa)

DISTRIBUCIN BINOMIAL
Es una de las distribuciones de probabilidad ms tiles ( control de calidad,
produccin, investigacin). Tiene que ver con el experimento aleatorio que produce
en cada ensayo o prueba uno de dos resultados posibles mutuamente excluyentes:
ocurrencia de un criterio o caracterstica especfico (llamado xito) y no ocurrencia
de ste (llamado fracaso). Los trminos o calificativos de "xito y fracaso" son solo
etiqutas y su interpretacin puede no corresponder con el resultado positivo o
negativo de un experimento en la realidad.
Nmero de Experimentos

12345n
EF F F E

Donde se obtienen x- xitos (E)

n-x fracasos(F)
Probabilidad

X= nmero de xitos en n intervalos

X= 0,1,2,n
X= discreta
n= # de intervalos
P= probabilidad
ESPERANZA
E(x)= np
VARIANCIA
Var(x)= npq


Ej.
Una fabrica de radios vende 1000 radios, se enva una muestra de 50 a la
cadena nacional. Si sale mas de un radio defectuoso no se acepta la fabrica
siente que el 2 % son defectuosos Cul es la probabilidad que se rechace el
envi?.
1.- X= nmero de radios defectuosos en 50
2.- Binomial
3.- Discreta
4.- Parmetros
n= 50
P=0.02
Solucin
P(x>1)=?
1-P(x<=1)=?
B(x; n,p) =
B(x; n,p) =

DISTRIBUCIN HIPERGEOMTRICA
Muchas veces en la prctica es difcil realizar pruebas con reposicin
reemplazamiento. Por ejemplo, si en el control de calidad se pierde el elemento
que se prueba, pues no se puede hacer reposicin directamente. Se planta
entonces la prueba sin reposicin, donde los elementos de la muestra se toman
todos a la vez y no individualmente donde el elemento seleccionado no se
reintegra al experimento a la muestra nuevamente.
La diferencia mas simple con la binomial es la forma de aplicar el muestreo. En
efecto, en:
Binomial: Muestreo con reemplazamiento e independencia de pruebas
ensayos.
Hipergeomtrica: Muestreo sin reemplazamiento y sin independencia entre
pruebas ensayos.

P(X; N,n,k)=
X=0,1,2,n
Enteros positivos
VARIANCIA
Var(x)=
ESPERANZA
E(x)==


idere un fabricante de automviles que compra los motores a una compaa donde se fabrican bajo estrict
iciones. El fabricante recibe lote de 40 motores. Si encuentra que ningn de los motores 5 motores el fabri
e el lote de otra forma lo rechaza. Si el lote contiene 2 motores con serios defectos Cul es la probabilidad
tado?

cin

mero de motores de la muestra

screta
rgeomtrica

N,n,k)=

P(X; N,n,k)=

DISTRIBUCIN GEOMTRICA
La distribucin Geomtrica tambin est relacionada con una secuencia de
ensayos deBernoulli, excepto que el nmero de ensayos no es fijo. En
consecuencia, la distribucin geomtrica hereda las caractersticas de la
distribucinbinomial, a excepcin del concepto del cual se quiere calcular la
probabilidad. En este caso la variable aleatoria de inters, denotada medianteX,
se define como el nmero de ensayos requeridos para lograr el primer xito.
X= discreta
Nmero del experimento donde ocurre el primer xito
X=1,2,3 infinito
G(x; P)=
P(E)=P
P(F)=1-P=q
ESPERANZA
E(X)= 1/p
VARIANCIA
q/p^

Ej.
EUA tiene la visin de bombardear Irn
Datos
P(E ind)=0.7 c/avin
Cuntos aviones tiene que mandar para tener una probabilidad de o.99 el primer xito?
x
P(x<=4)=0.99
Distribucin geomtrica 1
Parmetro
2
P(Eind)= 0.7
3

P(x)

F(x)

0.7

0.7

0.21

0.91

0.06
3

0.97
3

0.01
9

0.99
2

DISTRIBUCIN DE PASCAL (BINOMIAL NEGATIVA)

Esta distribucin puede considerarse como una extensin o ampliacin de la
distribucin geomtrica . La distribucin binomial negativa es un modelo adecuado para
tratar aquellos procesos en los que se repite un determinado ensayo o prueba hasta
conseguir un nmero determinado de resultados favorables (por vez primera) .Es por
tanto de gran utilidad para aquellos muestreos que procedan de esta manera. Si el
nmero de resultados favorables buscados fuera 1 estaramos en el caso de la
distribucin geomtrica . Est implicada tambin la existencia de una dicotoma de
resultados posibles en cada prueba y la independencia de cada prueba o ensayo, o la
reposicin de los individuos muestreados.
1,2,3,4,5 X
P(x; k,p)=
P(x; k,p)=

ESPERANZA
E(x)=

VARIANCIA
Var(x)=

Ej.
Fila de personas pidiendo empleo Pedro Prez esta situado en el lugar 8
solamente hay tres plazas entonces Pedro se desanima y pregunta. Que
probabilidad tengo de que me entrevisten?. Solo el 40% cumple con los
requisitos. Si pedro cumple los requisitos. Cual es la probabilidad que
x
P(x)
F(x)
contraten a Pedro?
Solucin
3
0.064
0.064
X= nmero de personas que cubren la tercer plaza
4
Distribucin de Pascal
Discreta
K=3
5
P=0.4
P(x>=8)=1-0.580096=0.419904

0.1152

0.1792

0.13824

0.31744

0.13824

0.45568

0.12441
6

0.58009
6

4.3 Proceso de Poisson. Distribucin de Poission, determinacin de su

media y su variancia. Aproximacion entre las distribuciones binomial
y poisson.

Enestadsticaysimulacin, unproceso de Poisson,tambin conocido

comoley de los sucesos raros, es unproceso estocsticode tiempo
continuo que consiste en "contar" eventosraros(de ah el nombre
"sucesos raros") que ocurren a lo largo del tiempo. El tiempo entre cada
par de eventos consecutivos tiene unadistribucin exponencialcon el
parmetro , y cada uno de estos tiempos entre llegadas se supone que
es independiente de otros tiempos entre llegadas.
Un uso muy frecuente de la distribucin de Poisson surge en situaciones
en las cuales los eventos ocurren a lo largo del tiempo, por ejemplo:
ocurrencia de terremotos, personas que ingresan a un banco, emisiones
de partculas por una fuente radiactiva.

Hiptesis
H1: Los eventos son raros
H2: La intensidad media del proceso en todo el intervalo es constante
H3: Existe independencia entre los intervalos que no se traslapan
Poisson
R1: Distribucin de Poisson
R2: Distribucin exponencial

Distribucin de Poisson
La distribucin de Poisson es discreta (como labinomial) pues los valores
que puede tomar la variable aleatoria son nmeros naturales. Aunque en la
distribucin de Poisson los casos posibles en teora son infinitos
(numerable).
La distribucin de Poisson se caracteriza por un solo parmetro landa. Su
media es landa y su varianza tambin es landa.
La media est representada por un tringulo y se puede interpretar como un
punto de equilibrio. Al arrastrarlo se modifica tambin el parmetro landa.
Se puede mostrar una curvanormalque tiene la misma media y varianza
que la distribucin de Poisson. Esta curva normal aproxima a la de Poisson
en algunos casos.
Los puntos grises controlan la escala vertical y horizontal de la grfica y
pulsando el boton derecho y arrastrando podemos moverla a derecha e
izquierda.

X= nmero de eventos en el intervalo t

X= discreta
X= 1,2,3..
P(x;)=
= # medio de eventos en el intervalo t

Esperanza=Variancia=
=t
= frecuencia media por unidad de tiempo
P(x; ;t)=

Ej.
Pasan en promedio 3 camiones por hora. Caul es la probabilidad que
en los 15 min pasa mas de uno?
X= nmero de camiones pasan en 15 min
Poisson
Discreta

P(
x)

F(x
)0

0.4
7

0.4
7

=(3)(15)=0.75

0.3
5

.
08
2

P(x>1)=0.18
Cul es el nmero esperado de el paso del camin?
E(x)=0.75
Var(x)=0.75

Aproximacin Poisson a la distribucin binomial

Otra forma de generar el modelo probabilstico de Poisson, es considerar un nmero muy
grande de repeticiones de un experimento de Bernoulli, con probabilidades de xito muy
pequeas.
En este caso se supone que cada repeticin del experimento de Bernoulli que genera el espacio
muestral, ocurre en cada punto del intervalo y, por lo tanto, el nmero de repeticiones puede
considerarse infinito.
Bajo ciertas condiciones, la distribucin de la variableXdefinida como el nmero de xitos en
lasnrepeticiones, se aproxima (cuandontiende a infinito) a la funcin de probabilidades de
Poisson. Por esta razn se considera a veces al modelo de Poisson como una forma lmite de la
distribucin Binomial y se le utiliza para aproximar probabilidades en sta.
Deacuerdo con lo anterior, si se desea aproximar el clculo de probabilidades de una variable
binomial por una Poisson, debemos tomar en cuenta que la media de la distribucin Binominal
esnp, por la que la aproximacin se debe hacer haciendol=np. Debemos recordar que para
que la aproximacin sea buena, se requiere quensea grande yppequea. Enseguida se
presenta un ejemplo.

Ej.
Suponga que una variable aleatoriaXtiene distribucin Binomial con n =
100 y p = 0.001. Enseguida se presentan algunas probabilidades usando la
distribucin Binomial y su aproximacin mediante la distribucin de
Poisson conl=np= (100)(0.001) = 0.1.
X

Binomial

Poisson
con =0.1

0.90

0.90

0.09

0.09

0.004

0.004

0.00015

0.00015

4.4 Distribuciones continuas. Distribucin uniforme continua, determinacin de su

media y variancia.

La distribucin de probabilidad uniforme es un ejemplo de una distribucin de probabilidad es continua. Una

distribucin de probabilidad es continua cuando los resultados posibles del experimento son obtenidos
devariablesaleatorias continuas, es decir, de variables cuantitativas que pueden tomar cualquiervalor, y que
resultan principalmente delprocesodemedicin.
Ejemplos de variables aleatorias continuas son:
La estatura de ungrupode personas
Eltiempodedicado a estudiar
Latemperaturaen una ciudad
Es una distribucin en el intervalo [a,b] en la cual las probabilidades son las mismas para todos los posibles
resultados, desde el mnimo deahasta el mximo deb. El experimento de lanzar un dado es un ejemplo que
cumple ladistribucin uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de ocurrencia.

Lafuncindedensidadde una distribucin uniforme (altura de cada rectngulo en la

grfica anterior) es:
Donde:
a = mnimo valor de la distribucin
b = mximo valor de la distribucin
b a = Rango de la distribucin
La media, valor medio esperado o esperanzamatemticade una distribucin uniforme se
calcula empleando la siguiente frmula:

La varianza de una distribucin uniforme se calcula empleando la siguiente frmula:

La probabilidad de que unaobservacincaiga entre dosvaloresse calcula de la siguiente

manera:

Ej.Sea X el momento elegido al azar en que un estudiante recibe clases en un determinado da entre las
siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00 - 13:00
1) Cul es la funcin de densidad de la variable X?
2) Elaborar un grfico de la distribucin de probabilidades
3) Calcular el valor medio esperado
4) Calcular la desviacin estndar
5) Calcular la probabilidad de que llegue en la primera media hora
6) Si recibe clases deEstadsticaAplicada de 10:00 a 12:15, calcular la probabilidad de recibir esta asignatura.
Solucin:
1) a = 7 y b = 13
Reemplazando valores en la ecuacin de la funcin de densidad se obtiene:

2) Elaborando el grfico de la distribucin de probabilidad empleandoExcelse obtiene:

4.4 Distribucin expopnencial, determinacin de su media y variancia.

Distribuciones normal y normal estndar. Uso de tablas de distribucin normal
estndar. Aproximacin de la distribucin binomial a la distribucin normal

Antes de introducir la variable exponencial puede mirarse un origen natural de sta a

partir de una variable aleatoria Poisson, la cual indica el nmero de veces que ocurre un
evento en una unidad de tiempo. Si se escribe la funcin de probabilidad Poisson de la
siguiente manera:
La probabilidad que no ocurra ningn evento, en el periodo hasta el tiempo t esta dada
por:

De esta manera, puede definirse ahora una variable aleatoria continua x que mide el
tiempo que tarda en ocurrir el primer evento de Poisson. Es decir:

Lo que permite construir la funcin de distribucin acumulada as:

Al derivar, con respecto ax se tiene lafuncin de densidad de la variable

aleatoria exponencial x.
La variable aleatoria x que es igual a la distancia (o tiempo) entre ocurrencias
sucesivas de un proceso Poisson con media>0 tiene una distribucin exponencial
con parmetro .
Funcin de densidad de Probabilidad:

Valor esperado:
Varianza:

La distribucin normal
La distribucin normal fue estudiada por Gauss. Se trata de una variable aleatoria continua (la
variable puede tomar cualquier valor real). La funcin de densidad tiene forma de campana.
Dos parmetros determinan una distribucin normal: la media y la desviacin tpica. Cuanto
mayor sea la desviacin tpica mayor es la dispersin de la variable.
La distribucin normal es simtrica respecto de la media.
La media est representada por un tringulo y se puede interpretar como un punto de
equilibrio. Al arrastrarlo se modifica tambin la media. El mismo efecto tiene el mover el
punto correspondiente en la cspide de la curva.
Arrastrando el otro punto sobre la curva (que es uno de los dos puntos de inflexin de la
curva) se modifica la desviacin tpica.
Podemos ver la funcin de distribucin acumulada y cmo cambia al modificar la media
(simple traslacin) y la desviacin tpica (reflejando la mayor o menor dispersin de la
variable).
Los puntos grises controlan la escala vertical y horizontal de la grfica y pulsando el boton
derecho y arrastrando podemos moverla a derecha e izquierda.