Universidad de los Andes

Facultad de Ciencias Económicas y Sociales

Escuela de Estadística
Mérida - Venezuela

MODELOS DE
PROBABILIDA
D
Profesor:
 Efraín Entralgo.
Hecho por:
 Michelle Nathalie Curiel De Sousa.
C.I: 27.844.031

Cátedra:
Métodos Estadísticos I.

Mérida, 08 de Enero de 2019.

Distribución de Probabilidad Binomial. 

Una distribución de probabilidad binomial presenta las siguientes características:

1.       Sólo existen dos posibles resultados mutuamente excluyentes: “éxito” o “fracaso”

2.       La variable aleatoria resulta de realizar conteos, es decir, permite contar el número de éxitos
en una cantidad fija (n) de repeticiones.

3.       La probabilidad de éxito (p) se mantiene invariable en cada repetición.

4.       Las repeticiones son independientes para cada una de las repeticiones.

La fórmula de la distribución de probabilidad de una variable aleatoria binomial está dada por:

Donde:

n: número fijo de repeticiones. 

x: valor que toma la variable aleatoria y que corresponde al número de “éxitos” que ocurren
en dicho experimento.
p: probabilidad de ocurrencia del “éxito”.
q: probabilidad de ocurrencia del “fracaso” (1-p)

La media o valor esperado de esta distribución de probabilidad está dada por:

La varianza de esta distribución de probabilidad está dada por:

Ejemplos.

 La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80% de los
lectores ya la han leído. Un grupo de 4 amigos son aficionados a la lectura:

    
¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?

          ¿Y cómo máximo 2?

 Un agente de seguros vende pólizas a cinco personas de la misma edad y que disfrutan de
buena salud. Según las tablas actuales, la probabilidad de que una persona en estas
condiciones viva 30 años o más es 2/3. Hállese la probabilidad de que, transcurridos 30
años, vivan:

          Las cinco personas:

          Al menos tres personas:

          Exactamente dos personas:

Distribución de Probabilidad Poisson.

Una distribución de probabilidad Poisson describe el número de veces que se presenta un evento
durante un intervalo específico el mismo que puede ser de tiempo, distancia, área o volumen, y
que además presenta las siguientes características:

1. La variable aleatoria representa el número de veces que ocurre un evento durante un

intervalo definido.

2. La probabilidad de ocurrencia del evento es proporcional al intervalo.

3. Los intervalos no se traslapan y además son independientes.

La fórmula de la distribución de probabilidad de una variable aleatoria Poisson está dada por:

Donde:

µ: es la media de la cantidad de veces que se presenta un evento en un intervalo particular.

e: constante 2.71828

x: número de veces que se presenta un evento.

La media o valor esperado al igual que la varianza de esta distribución de probabilidad está dada
por:

Ejemplo.

Una central telefónica recibe una media de 480 llamadas por hora. Si el número de llamadas se
distribuye según una Poisson y la central tiene una capacidad para atender a lo sumo 12 llamadas
por minuto, ¿cuál es la probabilidad de que en un minuto determinado no sea posible dar línea a
todos los clientes?

Si definimos X = “Nº de llamadas por minuto” entonces X → P (8).

P (X > 12) = 1 − P (X ≤ 12) = 1 − 0,9362 = 0,0638.

Distribución de Probabilidad Hipergeométrica. 

Una distribución de probabilidad Hipergeométrica presenta las siguientes características:

1.       Sólo existen dos posibles resultados mutuamente excluyentes: “éxito” o “fracaso”

2.       La variable aleatoria representa el número de éxitos en una cantidad fija (n) de repeticiones.

3.       El muestreo se realiza de una población finita sin reemplazo, además n/N > 0.05

4.       Las repeticiones no son independientes entre ellas.

La fórmula de la distribución de probabilidad de una variable aleatoria Hipergeométrica está dada

por:

Donde:

N: tamaño de la población

n: tamaño de la muestra o número fijo de repeticiones.

X: número de éxitos en la población. 

x: valor que toma la variable aleatoria y que corresponde al número de “éxitos” que ocurren en la
muestra.

Ejemplo.

Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor de
tubería del estado vecino. Si se seleccionan 4 piezas al azar y sin reemplazo.

a) ¿Cuál es la probabilidad de que todas sean del proveedor local?

N = 300  |  X = 100   |  n = 4  |  x = 4
b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?

N = 300 | X = 100   | n = 4 | x = 2, 3 o 4

c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?

N = 300 | X = 100   | n = 4 | x = 1, 2, 3 o 4
Distribución de Probabilidad Geométrica. 

Una distribución de probabilidad Geométrica presenta las siguientes características:

1.         Sólo existen dos posibles resultados mutuamente excluyentes: “éxito” o “fracaso”

2.         La probabilidad de éxito (p) se mantiene invariable en cada repetición.

3.         Las repeticiones son independientes para cada una de las repeticiones.

4.         Los valores que toma la variable aleatoria son iguales al número de repeticiones que se
requieren en el experimento hasta lograr que el primer “éxito” ocurra.

La fórmula de la distribución de probabilidad de una variable aleatoria Geométrica está dada por:

Donde:

x: valor que toma la variable aleatoria hasta lograr que el primer “éxito” ocurra.

p: probabilidad de ocurrencia del “éxito”.

La media o valor esperado de esta distribución de probabilidad está dada por:

La varianza de esta distribución de probabilidad está dada por:

Ejemplos:

 Si la probabilidad de que un cierto dispositivo de medición muestre una desviación

excesiva ws de 0.05, ¿cuál es la probabilidad de que el sexto de estos dispositivos de
medición sometidos a prueba sea el primero en mostrar una desviación excesiva?

Sea:

    x  = 6 - El sexto dispositivo sea el primero que muestre una variación excesiva.
   p = 0.05 - La probabilidad de que un dispositivo de medición muestre una variación excesiva.
  

 Los registros de una compañía constructora de pozos, indican que la probabilidad de que
uno de sus pozos nuevos, requiera de reparaciones en el término de un año es de 0.20.
¿Cuál es la probabilidad de que el quinto pozo construido por esta compañía en un año
dado sea el primero en requerir reparaciones en un año?

Sea:

x = 5 - El quinto pozo sea el primero que requiera reparaciones en un año.

p=  0.20 - La probabilidad de que un pozo requiera reparaciones en el término de un año.
Distribución Normal (normal estándar, normal con cualquier media y

varianza)

Se utiliza como modelo para variables como el peso, la altura, la calificación en un examen…, es
decir, en variables cuya distribución es simétrica con respecto a un valor central (alrededor del
cual toma valores con gran probabilidad) y apenas aparecen valores extremos.
Si una variable aleatoria x tiene distribución normal suele representarse como N(m,σ) donde
m=mx es la media o valor esperado de la variable y σ= σx es la desviación típica de la variable, que
son los dos parámetros que caracterizan la distribución normal.

 Distribución Normal Es una de las distribuciones más importantes. Es el modelo de

distribución más utilizado en la práctica, ya que multitud de fenómenos se comportan según
una distribución normal.

Esta distribución de caracteriza porque los valores se distribuyen formando una campana de
Gauss, en torno a un valor central que coincide con el valor medio de la distribución:

Las ventajas teóricas de este modelo hacen que su uso se generalice en las aplicaciones reales.

Sea X una variable aleatoria continua, se dice que se distribuye como una normal.

X →N (μ,σ); μϵ R

Donde se verifica que, −∞< X <+ ∞ , μ ,es el valor medio de la distribución y es precisamente
donde se sitúa el centro de la curva (de la campana de Gauss), y σ es cualquier valor entre
−∞ y +∞ ,si su función de densidad viene dada por:
−(x− μ)
1 2σ2
f ( x )= e
√ 2 πσ
Cuando la media de la distribución es 0 y la varianza es 1, se denomina "normal tipificada", y su
ventaja reside en que hay tablas, o rutinas de cálculo que permiten obtener esos mismos valores,
donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribución. Es se
verá con más detalle en el siguiente apartado.

Propiedades:

 Tiene un parámetro que es la media

E [ X ] =μ
 Tiene otro parámetro que nos da la dispersión.
V [ X ] =σ 2
 La media, la moda y la mediana coinciden.
 Es una función simétrica respecto a la media.
  Si definimos la variable Y = a X + b, donde X se distribuye como una normal de parámetros
X → N ( μ , σ ), entonces:
Y → N ( aμ+b , aσ )

 Sean dos variables aleatorias normales que se distribuyen X 1 → N ( μ , σ ) , y X 2→ N ( μ 2 , σ ) ,

se define una nueva variable de la forma Y = X1 + X2, entonces esta nueva variable se
distribuye como:

Y → N ( μ 1+ μ 2 , √ σ 2 ,+σ 22 )

 Distribución Normal Estándar

Como se decía anteriormente, este es un caso particular de una variable aleatoria continua X que
se distribuye como una Normal de parámetros (0,1), por lo que su función de densidad viene dada
por:
2
x
1
f ( x )= e2
√2 π
Propiedades:

E(x)=0.

V(x)=1.

La importancia de la distribución normal tipificada es que tiene la ventaja, como ya hemos

indicado, de que las probabilidades para cada valor de la curva se encuentran recogidas en una
tabla.

Así, lo que se hará es transformar cualquier variable que se distribuya como una normal en una
normal tipificada. Para hacer este cambio, se crea una nueva variable Z que será igual a la
anterior X menos su media y dividida por su desviación típica (que es la raíz cuadrada de la
varianza).

Esta nueva variable se distribuye como una normal tipificada, permitiéndonos, por tanto,
conocer la probabilidad acumulada en cada valor, es decir, X → N ( μ , σ ) ; al definir la nueva
X−μ
variable Z= siempre se verifica que Z → N ( 0 ; 1 ) ;
σ
X −μ x−μ x−μ
P [ X ≤ x ]= [ σ
<
σ ] [
=P Z <
σ ]
Ejemplo:

El peso de los atletas de pruebas de medio fondo sigue una distribución normal con media 64,3
kilos y desviación típica 2,3 kilos. Hallar un intervalo centrado alrededor de la media que contenga:
El 68,3% de la población.

En la distribución normal se concentra el 68,3% de la probabilidad en el intervalo de valores

comprendido entre
m x  x y
m x  x . En este caso como m x  6 4 ,3  x  2 ,3
será:

m x   x  6 4 ,3  2 ,3  6 6 ,6
m x   x  6 4 ,3  2 ,3  6 2
El 95,5% de la población.

En la distribución normal se concentra el 95,5% de la probabilidad en el intervalo de valores

comprendido entre
m x  2 x y m x  2 x .

Luego será:

m x  2  x  6 4 ,3  2  2 ,3  6 8 ,9
m x  2  x  6 4 ,3  2  2 ,3  5 9 ,7
El 99,7% de la población.

En la distribución normal se concentra el 99,7% de la probabilidad en el intervalo de valores

comprendido entre
m x  3 x y m x  3 x .

Luego será:

m x  3  x  6 4 ,3  3  2 ,3  7 1 ,2
m x  3  x  6 4 ,3  3  2 ,3  5 7 ,4