Modelos de Distribución de
probabilidad
MODELOS PARA VARIABLES ALEATORIAS
MODELOS PARA VARIABLES ALEATORIAS DISCRETAS
• Binomial
• Poisson
MODELOS PARA VARIABLES ALEATORIAS CONTINUAS
• Exponencial
• Normal
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
Dado el experimento aleatorio:
“Observar una máquina y determinar si funciona o no”.
Este experimento que tiene sólo dos resultados posibles,
llamados “éxito” o “fracaso”, se denomina EXPERIMENTO
DE BERNOULLI
Elijamos “éxito” si la máquina está parada “NO funciona”
Sea la variable aleatoria:
Y: “Número de éxitos al observar una máquina”
Entonces:
Resultados Y P(Y)
Y= 0 si el resultado es “fracaso”
Y= 1 si el resultado es “éxito” “funciona” 0 1–p= 0,7
“parada” 1 p=0,3
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
Entonces, dadas tres máquinas:
X: “Número de máquinas paradas en un instante dado”
Es X: “Número de máquinas paradas de un total de tres
máquinas”
Observación
DEFINICIÓN DE LA VARIABLE:
X: “NÚMERO DE ÉXITOS EN N ENSAYOS QUE SON
EXPERIMENTOS DE BERNOULLI”
Es X = Y1 + Y2 + Y3 +... +Yn
Se dice que X tiene DISTRIBUCIÓN BINOMIAL
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial: SUPUESTOS
● Cada ensayo o intento es un experimento de
BERNOULLI
● La probabilidad de un “éxito” permanece “fija” en cada
ensayo
● Los ensayos son independientes.
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
La expresión matemática de la DISTRIBUCIÓN
BINOMIAL es:
P(X=x)= p x. ( 1 – Con x = 0,1,2,…n
p)n-x
La probabilidad de una secuencia de n intentos con x éxitos es:
n
p. p. p ... ( 1 – p) (1 – p) … ( 1 – p) = px. ( 1 – p)n-x
x n–x
El N0 de secuencias distintas con x éxitos es:
Los parámetros de la DISTRIBUCIÓN BINOMIAL son n y p.
Se dice X ~ Bin (n;p)
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
MEDIDAS DESTACADAS DE LA DISTRIBUCIÓN
BINOMIAL:
E(X)= μ= n.p
VAR(X)= σ2 = n.p.(1 – p)= n.p.q con (1 – p)=q
EL GRÁFICO DE LA DISTRIBUCIÓN BINOMIAL DEPENDE
DE LOS PARÁMETROS n y p (VER SITUACIÓN EN EXCEL)
Observación: Para calcular la probabilidad también es
posible utilizar TABLAS BINOMIALES (VER TABLAS)
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
PROBLEMA 1
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
PROBLEMA 1
A) X: cantidad de llantas con defectos en 10 revisadas
B) Si, justificación está en el cumplimiento de los
supuestos y características enumeradas con
anterioridad
C) éxito = llanta esté fallada p= 0,10
D) P(X=2) =
P(X=x)= p x. ( 1 –
p)n-x
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
P(X=2) = 0,194
P(X=0) = 0,349
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
P(X>2) = 1-[P(X=0)+P(X=1)+P(X=2)]
P(X>2) = 1-[0,349+0,387+0,194]
P(X>2) = 1-[0,930]
P(X>2) = 0,07
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
E(X)= μ= n.p
VAR(X)= σ2 = n.p.(1 – p)= n.p.q con (1 – p)=q
e) E(X)= 10*0,1 =1
VAR(X)= 10*0,1*0,9=0,9
σ = 0,90,5 =0,949
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Binomial
Respecto de la simetría 3 situaciones:
1. Si p < 0,5 tiene asimetría positiva, sesgo a la derecha
2. Si p = 0,5 entonces la asimetría =0
3. Si p >0,5 tiene asimetría negativa, sesgo a la izquierda
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
X: “Número de éxitos en un espacio continuo de
tiempo o espacio”
Ejemplo Número de fallas en el esmalte en un
cerámico de 3Ox30.
Este proceso consiste en el conteo de
ocurrencias en un intervalo continuo, que por
tanto cumple con la propiedad de poder
subdividirse en subintervalos tan pequeños
como se necesite,
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
Para calcular probabilidad de ocurrencias
en un continuo, se considera subdividirlo
OCURRENCIAS
en regiones de igual tamaño tan
pequeñas como se quiera.
De tal modo que:
▪ La probabilidad de más de una ocurrencia
en una región es cero.
▪La probabilidad de una ocurrencia en una
región es la misma “fija” para cada una y
proporcional a su medida.
▪Las ocurrencias son independientes, la
ocurrencia en una región no influye sobre
la ocurrencia en las otras regiones
Se dice que el número de ocurrencias
sigue un PROCESO DE POISSON
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
En estas condiciones es posible aplicar la Distribución
Binomial con:
n= número de regiones
p= probabilidad de una ocurrencia en una región
P(X=x)= px. ( 1 – p)n-x
Donde μ = E(X) = n p
Sea λ= promedio de ocurrencias por región
λ= n p
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
Si se continua subdividiendo el continuo indefinidamente,
la fórmula Binomial da la probabilidad de obtener 0, 1, 2,
3, ... n ocurrencias, con n tendiendo a infinito.
Entonces, en el límite, la fórmula Binomial tiende a la
fórmula de Poisson:
x = 0,1,2,…
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
Si λ > 0 es el número promedio de ocurrencias en un
CONTINUO (ESPACIO-TIEMPO) PREDETERMINADO O FIJO,
entonces la distribución de Poisson sigue el siguiente
modelo:
Con x = 0,1,2,…
El parámetro de la expresión matemática de la DISTRIBUCIÓN
de POISSON es λ .
Se dice X ~ Poi (λ)
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
MEDIDAS DESTACADAS DE LA DISTRIBUCIÓN DE POISSON:
E(X)= μ = n.p = λ
VAR(X)= σ2 = n.p.(1 – p)= λ [ya que p → 0 y (1 – p) → 1]
EL GRÁFICO DE LA DISTRIBUCIÓN de POISSON DEPENDE
DEL PARÁMETRO λ (VER SITUACIÓN EN EXCEL)
Observación: Un criterio para aproximar probabilidades
BINOMIALES por POISSON es “si p ≤ 0,10 y n.p ≤ 10” .
También se usan TABLAS DE POISSON.(VER TABLAS)
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
A) X: cantidad de llamadas en un minuto
Población → infinita numerable
{ 1,2,3,4,...,∞}
Se miden la cantidad de llamadas
Rango = { X/X > 0 ^ x C N+ cero}
B) Modelo Poisson
C) λ = 3 llamadas en un min.
D) P(X=2)=0,224
E) P(X>2)= 1 - P(X<= 2)= 0,58
MODELOS PARA VARIABLES ALEATORIAS
DISCRETAS: Modelo Poisson
F)
E(X)= μ = n.p = λ = 3
VAR(X)= σ2 = n.p.(1 – p)= λ =3
G) Y: cantidad de llamadas en cuatro minutos
λ = 3.4 =12 (debe tener la longitud del intervalo)
P(X=2) = 0,00044
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
La variable aleatoria X que mide el espacio-tiempo
entre ocurrencias sucesivas de un Proceso de Poisson
con media λ > 0, tiene DISTRIBUCIÓN EXPONENCIAL y
su función de densidad de probabilidad es:
VAR(X)= σ2
E(x)= μ = =
Se dice X ~ Exp(λ)
La función de densidad mide la concentración de probabilidad
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
¿Cómo se calcula probabilidad con la Exponencial?
Se usa la función de DISTRIBUCIÓN (acumulada)
F(x) = P( X ≤ x) = 1 –
Representa el valor del área encerrada por la curva de
f(x) desde 0 a x.
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
LOS GRÁFICOS DE LAS FUNCIONES DE DENSIDAD Y DE
DISTRIBUCIÓN DE LA EXPONENCIAL DEPENDEN DEL
PARÁMETRO λ
f(x) F(x)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
Relaciones entre Modelo Poisson y
Modelo Exponencial
Ambos modelos se deducen simultáneamente
Son pàrte de un proceso estocástico que se conoce
con el nombre de Proceso Poisson
Modelo Poisson
X= cantidad de éxitos en un intervalo de tiempo o
espacio
Parámetro: λ
μ= λ y σ2 = λ
Modelo exponencial
Y= tiempo o espacio entre éxito y éxito
Parámetro: λ
μ=1/λ y σ2 = 1/λ2
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
X: distancia entre
baches
medida en metros
A)F(1200)= 1 - e -1200/2000
= 0,4511
P(X<1200) ó P(X<=1200)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
X: distancia entre baches
medida en metros
B)
1- F(1500)=
=1 - (1 - e -1500/2000 )
= 0,4723
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
X: distancia entre baches medida en metros
C)
F(x0)= 0,20
1 - e -Xo/μ =0,20
x0=446,29
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Exponencial
X: distancia entre baches medida en metros
D) La probabilidad es cero
E)
Media
Mediana
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
Puntos de
inflexión
La distribución normal queda definida por dos
parámetros, su media y su varianza.
Se dice X ~ N( μ, σ2 )
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
¿Cómo se calcula probabilidad con la Normal?
No es posible calcular analíticamente P( X < x)= F(x)
ya que
f(x) no es integrable
F(x)
1
F(b)
F(a)
a b
F(x) OJIVA de la Normal
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
Se utiliza TABLA NORMAL TIPIFICADA y debe
transformarse la variable:
Z ~ N (0 , 1) NORMAL ESTANDAR
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
CAMBIOS SI SE MODIFICA LA VARIANZA
X~N(50;10)
X~N(50;8)
X~N(50;50)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
CAMBIOS SI SE MODIFICA LA MEDIA
X~N(50;10)
X~N(45;10)
X~N(55;10)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
P(μ-σ < x < μ+σ)= 0,68
P(μ-2σ < x < μ+2σ)=0,95
P(μ-3σ < x < μ+3σ)= 0,99
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
A) P(X>224) ó P(X>=224)
P(Z> z0) =
P(Z>(x0-μ)/σ)=
P(Z>(224-200)/15)=
P(Z> 1,60) = 1- P(Z<1,60)
=1-0,9452= 0,0548
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
P(Z> 1,60) = 0,055
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
B) P(X>195) ó P(X>=195)
P(Z> z0) =
P(Z>(x0-μ)/σ)=
P(Z>(195-200)/15)=
P(Z> -0,33) =
= 1 - P(Z<-0.33)
=1- 0,37
=0,63
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
c) P(191<X<215)=
= P(X<215) - P(X<191)
P( -z0< Z <z1) =
= P(Z<1,00) - P(Z<-0,60)
= 0,8413 - 0,2743
=0,567
d) P(180<X<191)=
P( -z0< Z <z1) =
= P(Z<-0,33) - P(Z<-1,33)
= 0,3695- 0,0912
=0,2783
Representar gráficamente
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
e) P(X>230)=0,0228 aproximamos 0,023
P(X<230)=0,97725 aproximamos 0,975
Si tenemos más de este contenido de 230 ml
por vaso se derrama
Puedo asimilar a un Modelo Binomial
p=0,0228 p=0,97725
n=1000 ensayos
Defino una nueva Variable
Y1/Y2= cantidad de vasos derramados (no
derramados) en lotes de 1000 vasos
independientes
E(Y1)= n.p= 23 (Cantidad de vasos que
espero se derramen)
E(Y2)= n.p= 977 (Nº de vasos que espero NO se
derramen)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
f) g)
MODELOS PARA VARIABLES ALEATORIAS
CONTINUAS: Modelo Normal
f) https://www.geogebra.org/m/QzqKYG5E
Xo = 200 - 1.96* 15 = 170.60
X1 = 200 + 1.96* 15 = 229,40
SITUACIÓN EJEMPLO
En una de las líneas de producción de una fábrica, el
tiempo que se tarda en llevar a cabo una operación
compleja es una variable aleatoria con media de 15
minutos y desvío de 3 minutos .
a) ¿Cuál es la probabilidad de que se tarde menos de
12 horas en realizar 50 operaciones complejas?
b) ¿Cuál es la probabilidad de que el tiempo promedio
(media muestral) de una operación sea menor a 14
minutos?
¿Cuál es la variable aleatoria a considerar para resolver el
ítem a) este problema?
Y: “Tiempo total en minutos para realizar 50 operaciones”
Xi: “Tiempo en minutos para realizar una operación”. (Es
una variable aleatoria con μ = 15, σ = 3 y distribución
de probabilidad desconocida)
¿Cómo determinar la Distribución de probabilidad de “Y”?
Con
Observación: Las 50 operaciones son iguales, es decir
tienen todas la misma distribución de probabilidad para
el tiempo de operación.
TEOREMA DEL LIMITE CENTRAL (TLC)
Sean X 1; X 2; X 3; ...; Xn n variables aleatorias
independientes e idénticamente distribuidas,(no
necesariamente continuas ni normales) con E(Xi)=μ y
Var(Xi) = σ2 para i=1,2,..n . Entonces:
Si n → ∞ la variable aleatoria Y= X1 + X2 +...+Xn
tiene distribución normal tal que: Y ~ N (nμ , nσ2)
¿Cuán grande debe ser n?
¿Cuál es la variable aleatoria a considerar para resolver el
ítem b) del problema?
:“Promedio de una muestra de tamaño 50 de una
población con media 15 y desvío 3”
¿Cómo determinar la Distribución de probabilidad de “ ” ?
CONSECUENCIA DEL TLC
Si es el promedio de una muestra de tamaño n,
suficientemente grande, de una población con media μ y
varianza σ2 ~ N (μ , σ2/n)
