Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MODELOS DE
PROBABILIDA
D
Profesor:
Efraín Entralgo.
Hecho por:
Michelle Nathalie Curiel De Sousa.
C.I: 27.844.031
Cátedra:
Métodos Estadísticos I.
2. La variable aleatoria resulta de realizar conteos, es decir, permite contar el número de éxitos
en una cantidad fija (n) de repeticiones.
La fórmula de la distribución de probabilidad de una variable aleatoria binomial está dada por:
Donde:
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:
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:
La fórmula de la distribución de probabilidad de una variable aleatoria Poisson está dada por:
Donde:
e: constante 2.71828
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?
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
Donde:
N: tamaño de la población
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.
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.
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.
Ejemplos:
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:
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.
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:
Y → N ( μ 1+ μ 2 , √ σ 2 ,+σ 22 )
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.
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.
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.
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.
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