MODELOS DE PROBABILIDAD

El modelo de probabilidad es una expresión matemática que resulta de un cumulo de

supuestos.
El modelo describe el comportamiento de una variable aleatoria si el experimento se
repite bajo ciertas condiciones iniciales, y por lo tanto ayuda a predecir resultados de
futuras repeticiones.

Modelo Bipuntual o de Bernoulli

Se aplica a una variable que solo puede asumir dos valores: 0 y 1

Consideremos un experimento que puede presentar solo dos resultados , que
podríamos llamar éxito y fracaso , y una variable a la cual le asignaremos valores 0 y 1
según resulte éxito o fracaso respectivamente.
Es decir Ω = {E , F }
Entonces definimos la variable X como presencia o ausencia de cierta característica
Es decir:
ausencia de la característica
ω = E ⇒ X (ω) = X ( E ) = 1⇒ausencia de la característica
Sea p la probabilidad conocida de que se presente la característica (es decir , la
proporción poblacional).

P = P (E ) ⇔ P ( X = 1) = p

q =1 − P = P( F ) ⇔ P ( X = 0) = q = 1 − p

La distribución de probabilidad bipuntual se expresa de la siguiente manera.

 p x.q1− x p a r xa = 0,1, . .n. . .

p( x) = 
 0 ∀ o t rx o El único parámetro de esta distribución es
P = P (E ) , simbólicamente escribimos
X ≈ Bi ( p ) , y leemos X se distribuye Bernoulli con parametro “p”.
La función de distribución acumulada F ( x) = P ( X ≤ x) se expresa de la siguiente
forma:

0 s ix < 0
x

F ( x) =  ∑ p k q1− k s ix = 0, 1
 k= 0
 1 s ix > 1 Las características de posición y dispersión son su
esperanza y variancia:

E( X ) = p

V ( X ) = p.q
Modelo Binomial :

Consideremos repetidas pruebas Bernoulli independientes, donde solo interesa la

cantidad de veces que ocurre éxito. El experimento debe cumplir con:
1.- Debe haber un número fijo de pruebas repetidas e independientes (n).
2.- Cada prueba debe ser dicotómica, es decir debe resultar en éxito o fracaso.
3.- La probabilidad de éxito debe ser conocida y constante para todas las prueba,
P(E)=p.
Simbolizamos a la variable con X y se define como: X: cantidad de éxitos ocurridos en
las n repeticiones del experimento.
Simbolizando R x al recorrido de la variable tenemos que:
R x = {0,1,2....... n }

n 
Luego, existen   secuencias diferentes con k éxitos, todas ellas con la misma
k
 
probabilidad de ocurrir. Por lo tanto, la probabilidad de obtener k éxitos (en cualquier
orden) es igual a la probabilidad de una secuencia en particular multiplicada por este
número combinatorio .Así:

 n  k n− k
P( X = k) =   p q
k 
La función de cuantía se expresa y grafica:

  n x n− x
   . p .q s xi = 0,1, . .n . . .
p( x) =   x 
 0 ∀ o t xr o

p(x)

Función de
cuantía

0 1 2 3............ n x
Y la función de distribución acumulada se expresa y grafica:

F(x)=1

0 s xi < 0
F(x)

Función de

x
distribución
acumulada
de una

  n k n− k
variable

F (x) =  ∑   p .q s xi = 0,1, . n. . ,
discreta
F(x)=0

0 1 2 3............ n x

k = 0  k 
Los parámetros de esta distribución son n y p,
y simbólicamente escribimos X ~ B(n, p) y
leemos X se distribuye binomial con

1
parámetros n y p.

s xi > n
La esperanza y la variancia son:


E(X)=n.p
V(X)=n.p.q
Modelo poisson
Hay ciertos acontecimientos que suceden continuamente en forma aleatoria con una
cierta tasa de ocurrencia,sobre un campo continuo (que puede ser el tiempo, una
superficie o un volumen).Un proceso de poisson satisfase las siguientes tres hipótesis:
1-.Tasa constante de ocurrencia
2-. La cantidad de acontecimientos ocurridos durante un intervalo es independiente al
número de acontecimientos ocurridos en otro intervalo (excluyente al primero)
3) La probabilidad de dos acontecimientos simultáneos es nula.
Simbolisaremos con λ al número promedio de acontecimientos ocurridos en una
determinada magnitud del campo continuo sobre el cual se dan los acontecimientos.
La variable de poisson ser de fine como X: número de acontecimientos ocurridos en un
determinado intervalo ,(de tiempo de superficie, de volumen, etc ), y puede asumir
cualquier numero no negativo es decir :
X= 0,1,2,3,4, ……………………, ∞

En base a las tres hipótesis consideradas se demuestra (mediante el análisis

matemático diferencial ) que la probabilidad de que ocurran k acontecimientos en un
intervalo esta dado por la siguiente expresion :

e −λ .λ k
P( x = k ) =
k!
Donde λ representa la cantidad media de ocurrencias de ese fenómeno en dicho
intervalo.El valor de λ depende de la magnitud del intervalo, siendo proporcional al
mismo ya que la tasa de ocurrencia es constante.
Por lo tanto , la variable poisson tiene la siguiente función de cuantía :
  e− λ λ x
 s ix = 0 ,1, 2. . . . . . ∞. . . .
p( x) =  x!
o ∀ o t r xo Y la siguiente función de
 distribución acumulada:

0 s ix < 0

F ( x) =  x e − λ λ k
 ∑ k! s ix = 0,1, 2. . . . . ...,∞. . .
 k= 0
La esperanza y la
variancia de la variable poisson son:

E (x ) = λ
V (x ) = λ
Aplicación
El modelo poisson puede ser utilizado como caso limite de una variable binomial, para
n muy grande y p muy pequeño. Para la practica, basta n≥100 y p ≤ 0.01 .En
estos casos la variable X ; N° de éxitos se distribuye aproximadamente poisson con
parametro λ = n. p

3.- Modelo Normal.

Una variable aleatoria continua x tiene una distribución normal si su función de
densidad tiene la siguiente expresión:

 x− µ  2
1 − 1/ 2 
f ( x) =
2π
e σ 
σ
para - ∞ < x < ∞
Siendo µ una constante cualquiera, µ ∈ R y σ una constante positiva.
Es una curva simétrica en forma de campana, asintótica al eje de las absisas que
alcanza su valor máximo en x= µ , siendo:
1
f ( µ) =
2π σ

Y tiene dos puntos de inflexión en x= µ - σ y en x= µ + σ , y prácticamente f(x) es

nula para x< µ - 4 σ y para x> µ -4 σ .
Función de densidad de una distribución normal con µ = 5 σ = 1,2

f(x) en funcion de x
f(x)
0,4

0,3

0,2

0,1

0
0 1 2 3 4 5 6 7 8 9 10 x

La función densidad cumple con:

1.- f(x) ≥ 0 para todo x (no negatividad)

Como σ > 0 , entonces 2πσ >0, luego f(x)>0, ∀x ∈ R

b-
Rx
∫ f ( x). dx =1 (condición de cierre)

Los parámetros son µ y σ , que representan la media y el desvío Standard de la

variable X.
La notación utilizada es X ≈ N ( µ , σ )
La esperanza y la varianza son:
E(X)= µ V(X)= σ 2

Función de distribución (o de probabilidad acumulada)

x 2
 x− µ 
1 − 1/ 2 
F ( x) =
−∞
∫ 2π
eσ  σ  d s para la cual no existe una función matemática

F(x) función de distribución

F(x)
1,2

0,8

0,6

0,4

0,2

0
0 1 2 3 4 5 6 7 8 9 10 x

No contar con una expresión matemática de F(x) hace impracticable el cálculo

inmediato de las probabilidades.
Por esta razón, se han tabulado los resultados de la función de distribución de una
variable normal con media nula (E(x)=0) y variancia igual a la unidad (V(x)=1).Esta
variable recibe el nombre de variable normal standart, y cualquier variable normal
puede ser transformada en una normal standart mediante operaciones matemáticas.
Esto se llama estandarización.

Variable normal standart

Sea X ≈ N ( µ , σ ) por lo tanto E(x) = µ y V(x)= σ 2

La variable normal standart se simboliza con Z y se define:
X − µ y tiene E (Z=0) y V (Z)= 1
Z =
σ
Su función de densidad es:

1 − 1/ 2*Z 2
f ( z) =
2π
e para −∞ < z< ∞

Y su función de distribución se simboliza por Φ (z)=P (Z<z)

Existen distintos tipos de tablas que nos brindan estas probabilidades Φ( z )

Usos
Una importante cantidad de poblaciones correspondientes a variables aleatorias
continuas siguen la ley normal.
Ejemplo:
Estatura de individuos adultos, resistencia a la tracción de un gran número de
muestras de acero, diámetro de arandelas.
Esta distribución sirve como buena aproximación de muchas variables aleatorias
discretas (Binomial, Poisson).
En teoría estadística, la hipótesis de normalidad de las variables aleatorias, permite
solucionar problemas de tipo teórico, justificando o rechazando la aplicación del
método.

Modelos que se aproximan a la normal

Si X es una variable aleatoria binomial, entonces

X − np
Z =
np (1 − p )

Es, de manera aproximada, una variable Normal Standart.

La expresión anterior es una fórmula para estandarizar la variable aleatoria X. La
distribución Normal es una aproximación adecuada a la distribución Binomial si np>5 y
n (1-p)>5
Además como la distribución Binomial es una aproximación satisfactoria a la
Hipergeométrica cuando n (tamaño de la muestra) es pequeño en comparación con N
(tamaño de la población),la distribución Normal es una aproximación adecuada a las
probabilidades hipergeométricas cuando:
n/N < 0,1 , np >5 y n(1-p)>5 .
La distribución de Poisson es el límite de una distribución Binomial cuando el número
de ensayos tiende a infinito, en consecuencia la distribución Normal puede emplearse
par aproximar las probabilidades de una variable aleatoria de Poisson.

Si X es una variable de poisson con E(X)= λ y V(X)= λ entonces

X −λ
Z ≈
λ
Es de manera aproximada una variable Normal standart.
La aproximación es buena para λ >5.

Modelo exponencial

Se aplica a una variable aleatoria continua que puede asumir cualquier valor positivo,
pero la densidad de probabilidad va disminuyendo conforme la variable asume valores
mayores.
Su función de densidad y representación grafica es:

f(x )
0.1

1 1
− x
β
0.08

 e s ix ≥ 0 0.06

f ( x) =  β 0.04 ß=12.5
0 s ix < 0
0.02

 0 10 20 30 40 x

Veamos que verifica con las condiciones de no negatividad y de cierre, requisitos para
sea considerada función de densidad.
1
1 − x
1) f ( x) = e β ≥ 0 ∀x ∈ R, pues β> 0
β
∞ ∞ 1 1 ∞
1 −β x −β x
∫− ∞ ∫0 β e d x= − e = − (0 − 1) = 1
2) f ( x) d x=

La función de probabilidad acumulada F ( x) = P ( X ≤ x) , para los valores positivos de

x, esta dada por:

x − 1x 1 x 1 1
1 − x − x − x
F ( x) = ∫ e = − e
β β β
= − (e − 1) = 1 − e β

0
β 0
Luego la función distribución y su gráfico correspondiente son:
 F( x )
 1

0 s ix < 0 0.8

 0.6 ß=12.5
F ( x) =  0.4

 − 1x 0.2

1− e β s ix ≥ 0
0 10 20 30 40 60 X


Su único parámetro es β y su notación es X ≈ exp( β)

La esperanza y la variancia son:

∞
E ( x) = ∫ x. f ( x)dx = β
−∞

V ( x) = E ( X 2 ) − [ E ( X )] = β 2
2