Modelos Probabilísticos

Discretos
 MODELOS PROBABILISTICOS
Son modelos matemáticos para calcular la
probabilidad en algunos problemas típicos en
los que intervienen variables aleatorias
discretas o variables aleatorias continuas.

El objetivo es obtener una formula matemática

f(x) para determinar los valores de probabilidad
de la variable aleatoria X
 Distribuciones Discretas
• Uniforme
• Binomial
• Geométrica
• Hipergeométrica
• Poisson
 Distribución Bernoulli
Es un experimento estadístico en el que pueden haber
únicamente dos resultados posibles, generalmente se
designan como éxito y fracaso , sin embargo pueden tener
otra representación y estar asociados a algún otro
significado de interés.
Por ejemplo, lanzar una moneda equilibrada (cara, sello), la
clasificación de un artículo que está siendo inspeccionado
(defectuosos, no defectuoso).
El espacio muestral asociado S={E,F} E: éxito F:fracaso
Si la probabilidad de tener éxito en cada ensayo es un valor
que lo representaremos con p, entonces , la probabilidad
de obtener fracaso será el complemento q=1-p
 Distribución Uniforme (Discreta)
Una variable aleatoria tiene distribución discreta
Uniforme si cada uno de los resultados de su espacio
muestral puede obtenerse con igual probabilidad.
Sea X: variable aleatoria discreta
x=𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛 son los n valores que puede tomar X
con igual probabilidad .
Entonces la distribución de probabilidad X es:

1
x=𝑥1 , 𝑥2 , 𝑥3 , … 𝑥𝑛
f(x)= 𝑛
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
 Distribución Uniforme (Discreta)
Ejemplo:
El experimento de lanzar un dado y observar el
resultado. Si X es la variable aleatoria correspondiente a
los seis resultados posibles, encuentre su distribución de
probabilidad .
Como cada resultado tiene igual probabilidad , por lo
tanto la distribución de probabilidad de X es discreta
Uniforme :
1
x=1,2,3,4,5,6
P(X=x)=f(x)= 6
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
 Distribución Uniforme (Discreta)
Ejemplo:
1
x=1,2,3,4,5,6
P(X=x)=f(x)= 6
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6

Calcule la probabilidad que X tome el valor 4

P(X=3)=f(3)=1/6
 Distribución Uniforme (Discreta)
Ejemplo: X 1 2 3 4 5 6
P(X=x) 1/6 1/6 1/6 1/6 1/6 1/6
 Distribución Uniforme (Discreta)
MEDIA Y VARIANZA de una v.a. con distribución
discreta Uniforme :
𝑛 1 𝑛
𝜇=𝐸 𝑋 = 𝑖=1 𝑥𝑖 f(𝑥𝑖 )=𝑛 𝑖=1 𝑥𝑖 MEDIA
𝑛 1 𝑛
𝜎 2 =E[(𝑋 − 𝜇)2 ]= 𝑖=1(𝑥𝑖 − 𝜇)2 f(x)= 𝑖=1(𝑥𝑖 − 𝜇)2 VARIANZA
𝑛
 Distribución Uniforme (Discreta)
Ejemplo:
Una tienda vende diariamente 0,1,2,3, o 4 artículos con igual
probabilidad .Calcule la probabilidad que un día venda al menos
dos artículos., calcular media y varianza
X=Cantidad de artículos que vende la tienda vende en un día

X 0 1 2 3 4
P(X=x) 1/5 1/5 1/5 1/5 1/5
P(X≥2)=p(2)+P(3)+p(4)=3*1/5=0,6
E(X)=1/5*10=2
V(X)=1/5*10=2
 Distribución Binomial
Un experimento que consiste de n ensayos bernoulli
independientes, cada uno con probabilidad de éxito p,
se llama experimento Binomial con n ensayos y
parámetros .
 Distribución Binomial
• Supongamos que realizamos ensayos Bernoulli
independientes, con probabilidad de éxito p en cada
ensayo. Si X es el número total de éxitos observados
en un experimento binomial, entonces X se llama
variable aleatoria Binomial con parámetros n y p.
• Dado que X cuenta el número de éxitos observados en
un experimento binominal, es claro que RX = 0, 1, ... ,
n, así X es una variable aleatoria discreta. Se puede
probar que la función de probabilidad de X es dada
por:
𝒏 x n–x 𝒏 𝒏!
• P(X = x) = p q , x = 0, 1, 2, . . ., n =
𝒙 𝒙 𝒏−𝒙 !𝒙!
• EX = np y la varianza de V(X) = npq.
 Ejemplo Distribución Binomial
Un agricultor que siembra fruta afirma que 3/5 de
su cosecha de duraznos ha sido contaminada por la
mosca del mediterráneo. Encuentre la probabilidad
de que al inspeccionar 10 duraznos
(aleatoriamente) de un cajón:
• Exactamente uno esté contaminado con la mosca
del mediterráneo.
• ¿Cuál es el número esperado de duraznos
contaminados?
 Ejemplo
• Sea:X: “Número de duraznos contaminados por la mosca
de la fruta de los 10 inspeccionados”
Como X indica el número de éxitos en n-ensayos tenemos que
X  b(10, 0.6). Así la f.d.p. es:
𝟏𝟎
P(X = x) = 0.6x (1 – 0.6)10 – x , x = 0, 1, . . . , 10
𝒙

𝟏𝟎
• P(X = 1) = (0.6)1 (1 – 0.6)10 – 1 = 0.0016, así la
𝟏
probabilidad de que exactamente un durazno este
contaminado con la mosca de la fruta es de un 0,16%.
• EX = 10  0.6 = 6, es decir, se esperan encontrar 6
duraznos contaminados
 Distribución Binomial
Distribución de Probabilidad Acumulada
Sea X: Variable aleatoria discreta con
distribución Binomial con parámetros n y p
Entonces , la distribución de probabilidad
acumulada F de X es:

n t
F ( x)  P ( X  x)     p (1  p ) n t , x  0
tx  t 
 Ejercicio
Dada la variable aleatoria B(10; 0.1)
• Obtener las funciones de probabilidad y de
distribución acumulada
• ¿Cuáles son los valores de la media y de la
desviación estándar de esta variable?
• Calcule la probabilidad de que la variable
tome un valor menor o igual que la media, y
mayor o igual que la media
 Ejercicio
Un Ingeniero trabaja en el departamento de
control de calidad de una empresa eléctrica,
inspecciona una muestra al azar de tres motores
de la producción, se sabe que el 15% de los
motores sale defectuoso. Calcule la probabilidad
que en la muestra:
• Ninguno sea defectuoso
• Uno sea defectuoso
• Al menos dos sean defectuosos
• Obtenga la media y la varianza de la variable
 Distribución Geométrica
• Supóngase un experimento aleatorio que
consiste en n ensayos (ensayos de Bernoulli):7
• Los ensayos son independientes
• Cada ensayo tiene sólo dos resultados
posibles: éxito o fracaso
• La probabilidad de éxito p permanece
constante de ensayo a ensayo
 Distribución Geométrica
• Sea X la variable aleatoria que cuenta el
número de ensayos hasta la ocurrencia del
primer éxito. X es una variable aleatoria
geométrica con parámetro p y tiene la
siguiente función de distribución de
probabilidades:
• X~G (p) o bien X~Geo(p)
 Distribución Geométrica
Ejemplo:
Calcular la probabilidad que en el quinto lanzamiento de
tres monedas se obtengan tres sellos por primera vez .
Como vimos en ejemplos anteriores el experimento de lanzar
tres monedas hay 8 resultados posibles.
En cada ensayo la probabilidad que salgan tres sellos es
constante e igual 1/8 y la probabilidad que no salgan tres sellos
es 7/8
Sea X: Cantidad de ensayos hasta obtener el primer éxito
X=1,2,3,…
P(X=x)=f(x)=(7/8)x-1 (1/8)
Luego P(X=5)=f(5)=(7/8) 4 (1/8) =0,0733
 Distribución Geométrica
Ejercicio
Una máquina detecta fallas en los productos
que elabora una fábrica. Si los productos tienen
una probabilidad de falla del 5%, calcular la
probabilidad de que la máquina encuentre su
primer producto defectuoso en la octava
ocasión que selecciona un producto para su
inspección.
Distribución Geométrica
 Distribución Hipergeométrica
Esta distribución se refiere a los experimentos
estadísticos que consisten en tomar una muestra sin
reemplazo, de un conjunto finito el cual contiene
algunos elementos considerados éxitos y los
restantes son considerados fracasos.
Al ser sin reemplazo , podemos concluir que los
ensayos no son independientes , pues la probabilidad
de éxito al tomar un nuevo elemento se ve afectada
por el resultado de los ensayos anteriores
 Distribución Hipergeométrica
Sea N un conjunto de objetos tal que:
K objetos son clasificados como “éxitos”
N-K objetos son clasificados como “fracasos”
Se extrae sin reposición una muestra de tamaño n del
conjunto de N objetos, con K≤Ny n≤N
La variable aleatoria X, que cuenta el número de éxitos
en un experimento aleatorio con las características
anteriores, se denomina variable aleatoria
Hipergeométrica
 Distribución Hipergeométrica
Entonces la distribución de probabilidad de X es :

 K  N  K 
  
 x  n  x 
f ( x)  x=0,1,2,..,n
N
 
n 

MEDIA Y VARIANZA:
𝑵−𝒏
𝜇=E(X)=np 𝝈𝟐 =V(X)=𝒏𝒑(𝟏 − 𝒑)
𝑵−𝟏

Con p=K/N p es interpretado como la proporción de éxitos el

conjunto de N objetos
 Distribución Hipergeométrica
Ejemplo: Un lote de tuberías está compuesto por 100
partes provenientes de un proveedor local y 200
partes de un proveedor extranjero. Si se seleccionan al
azar 4 partes sin reemplazo,
a) ¿Cual es la probabilidad de que todas sean
nacionales? R:0,0119
b) ¿Cual es la probabilidad que dos o mas sean
nacionales ? R:0,408
c) ¿Cual es la probabilidad que al menos 1 sea
nacional? R: 0,804
X: número de partes del proveedor local
 Distribución Hipergeométrica
Factor de corrección por población finita
𝑁−𝑛
El término en la varianza de una variable aleatoria
𝑁−1
Hipergeométrica, Se denomina factor de corrección por
población finita.
Si el tamaño de la muestra n es pequeño comparado con el
tamaño del lote N, la distribución Hipergeométrica puede ser
aproximada por una distribución Binomial con probabilidad de
éxito p=K/N.
En la práctica:
n/N ≤0.05
 Ejemplo
• Distribución Hipergeométrica N=500 n=5
K=250
p=250/500=0,5
5/500=0,01 ≤0,05
Luego X ≈B(p=0,5)

𝑁−𝑛 500−5 495

y Además = = =0,991≈ 1
𝑁−1 500−1 499
 Distribución de Poisson
La distribución de Poisson es un modelo que puede usarse para
calcular la probabilidad correspondiente al número de éxitos
que se obtendrán en una región o intervalo de tiempo
especificados., si se conoce el número promedio de éxitos que
ocurren .
El modelo requiere que se cumplan las siguientes suposiciones

• El número de éxitos que ocurren en un intervalo de tiempo o

en una región especificada, son independientes de los que
ocurren en otro intervalo de tiempo o región del espacio
disjunto
• La probabilidad de que ocurra un sólo éxito durante un
intervalo de tiempo muy corto o una pequeña región es
proporcional a la duración del intervalo de tiempo o al
tamaño de la región
• La probabilidad de que ocurra más de un éxito en dicho
intervalo de tiempo o región es despreciable
 Distribución de Poisson
Algunos ejemplos que se pueden analizar con este
modelo:
• N° de defectos por unidad de área en piezas de un
material.
• N° de personas que llegan a una estación en un
intervalo de tiempo especificado
• N° de errores de transmisión de datos en un intervalo
de tiempo dado
• Número de llamadas que entran a una central por
minuto
• Número de accidentes automovilísticos producidos en
una intersección en una semana.
 Distribución de Poisson
Sea la variable aleatoria X, que cuenta el número de
éxitos en una región o intervalo especificado , se
denomina variable aleatoria de Poisson, con parámetro
λ>0. X~𝑃( 𝝀)
Donde
λ: es la cantidad promedio de éxitos en la región o
intervalo especificados.
𝑒 −𝝀 𝝀𝑥
f(x)= , x=0,1,2, ….,
𝑥!
MEDIA Y VARIANZA
𝜇=E(X)=𝝀 𝝈𝟐 =V(X)=𝝀
 Distribución de Poisson
Es importante utilizar unidades consistentes en
el cálculo de probabilidades, medias y varianzas
que involucran variables de Poisson.
Si por ejemplo:
•El número promedio de llamadas por seg es 9,
entonces
•El número promedio de llamadas en 1 min es
540
 Distribución de Poisson
Ejemplo:
En la fabricación de discos ópticos la contaminación constituye
un problema. El número de partículas de contaminación que
están presentes en un disco tiene una distribución de Poisson, y
el número promedio de partículas por cm2 de superficie es de
0.1. El área de un disco bajo estudio es de 100 cm2. Encontrar la
probabilidad de que en el área bajo estudio se presenten 12
partículas de contaminantes.
X: número de partículas en el área(100 cm2 )de un disco bajo
estudio
𝝀=0,1 promedio de partículas por cm2
𝝀=100 cm2 * 0,1 partículas / cm2 =10 partículas
𝝀=10 promedio de particula en 100 cm2
𝑒 −10 1012
Luego P(X=12)= f(x)= =0,095
12!
 Distribución de Poisson
Ejemplo:
Determinar la probabilidad de no encontrar ninguna partícula de
contaminante.
𝝀=10
𝑒 −10 100
Luego P(X=0)= f(x)= =4,54*10-5
0!

Determinar la probabilidad de encontrar 2 o menos partículas

de contaminante en el disco bajo estudio.
P(X≤ 2)=P(X=0)+P(X=1)+P(X=2) 4,54*10-5 +0,000454+0,00227=0,002769
 Distribución de Poisson
Ejercicio
La cantidad de errores de transmisión de datos en una
hora es 5 en promedio . Suponiendo que es una
variable con distribución de Poisson , determine la
probabilidad que:
a) En cualquier hora ocurra solamente 1 error
b) En cualquier hora ocurran al menos 3 errores
c) En dos horas cualesquiera ocurran no mas de dos
errores
 Distribución de Poisson
X:Cantidad de errores de transmisión de datos en una
hora
𝝀=5 (promedio de errores de transmisión de datos en
una hora )
a) P(X=1)=0,0337
b) P(X≥ 3) =1-P(x<3)=1-[P(X=0)+P(X=1)+P(X=2)]=0,8743
c) X:Cantidad de errores de transmisión de datos en dos hora
Luego 𝝀=10 promedio de errores de transmisión de datos en
dos horas.
P(X≤ 2)=0,0028