PyE1

Laura A. Gonzalez

Modelos
probabilísticos
 PyE1
Laura A. Gonzalez

¿Cuál es la función que mejor

describe a la variable aleatoria en
estudio?
La selección de la función se realiza a
partir de la distribución empírica de la
variable (distribución de los valores
muestrales)
 PyE1

Distribución de una variable aleatoria

Laura A. Gonzalez

Usando la distribución
distribución de los
valores muestrales se
propone un modelo de
probabilidad para los
datos
 PyE1

Variables aleatorias
Laura A. Gonzalez

• Discretas
Distribución Binomial
Distribución de Poisson

• Continuas
Distribución Normal
Distribución Exponencial
 PyE1

Ensayo de Rendimiento
Laura A. Gonzalez

DISTRIBUCION BINOMIAL
 PyE1

Modelo binomial
Laura A. Gonzalez

• Aplicable a variables discretas

• Cada observación puede clasificarse
en una de dos categorías excluyentes:
éxito (se le asigna el valor 1) y fracaso
(se le asigna el valor 0)
• Modela la probabilidad de obtener x
éxitos en n experimentos
independientes, siendo la probabilidad
de éxito igual a p
 PyE1
Laura A. Gonzalez

Independencia:

Ningún evento se ve
afectado por eventos
anteriores o posteriores
 PyE1

Modelo binomial
Laura A. Gonzalez

• La probabilidad que una observación se

clasifique como fracaso es 1-p

• Su función de densidad es:

n x
f ( x) o P( x)    p (1  p) n x
 x
• Si X es una variable binomial, se denota
como: X~Bi(n,p)
 PyE1

Distribución binomial
Laura A. Gonzalez

• En una muestra de 5 empleados, si 3

estuvieran satisfechos (éxito) con su
trabajo y 2 no (fracaso), habría 111 y 00
• Sumando 1+1+1+0+0=3/5=0.60, esto es
la proporción de individuos en la
muestra que están satisfechos con su
trabajo, entonces:
x
p
n
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

• Considerar una situación en la que se

conoce que 7 de cada 10 de las personas
que solicitan un cargo en una empresa,
aprueban el examen de aptitud.

• Se dirá entonces que la probabilidad de

aprobar es 0.7 y de no aprobar es 0.3
así:
p = 0.7 y q = (1-p) = 1-0.7 = 0.3
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

• ¿Cuál es la probabilidad que de 4 personas

que rindan el examen aprueben 2?
x=2 p = 0.7
n=4 q = 0.3
• La probabilidad de tener x éxitos en n
intentos es:
n x n x
P( x)    p (1  p)
 x
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

n n!
 x   x! n  x !
   
n! n x
Entonces: P p (1  p)
x
x ! n  x !

n! = n  (n-1)  (n-2)…..

3! = 3  2  1 = 6
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

Entonces:
4!
P 0.702 (0.30)42
2! 4  2 !

4! 2 2
P 0.70 (0.30)
2! 2 !

4  3 2
P 0.70 (0.30)  0.2646
2 2
2 2
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

• Es frecuente que los empleados (5 en total)

de una farmacia lleguen tarde. El dueño
ha estudiado la situación durante un
cierto tiempo y determinó que la
probabilidad que cualquier empleado
llegue tarde es de 0.4 y que la llegada de
los mismos son independientes entre si.
• Se desea calcular las probabilidades de
que 0, 1, 2, 3, 4 o 5 empleados lleguen
tarde.
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

Entonces la probabilidad de que ningún

empleado llegue tarde es:
5!
P(0)  0.40 (0.60)  0.07776
0 5
0! 5  0 !
Nota: por definición 0!=1

Operando de la misma forma se obtiene:

P(1)=0.2592 P(2)=0.3456 P(3)=0.2304
P(4)=0.0768 P(5)=0.01024
 PyE1

Distribución binomial: ejemplo

Laura A. Gonzalez

0.36237

p=0.4

0.27178 q=0.6
n=5
Probabilidad

0.18118

0.09059

0.00000
0 1 2 3 4 5
Número de retardos
 PyE1

InfoStat
Laura A. Gonzalez

Estadísticas  Probabilidades y Cuantiles

 PyE1

Distribución binomial: uso de la tabla

Laura A. Gonzalez

• ¿Cuál es la probabilidad que 8 de cada 15

votantes empadronados no puedan votar
en las próximas elecciones, si la
probabilidad de que cualquier individuo
no pueda votar es de 0.30?

• p = 0.30
•x=8 P(8) = 0.0347
• n = 15
 PyE1

Distribución binomial: media

Laura A. Gonzalez

y desviación estándar
  n p

  n pq
• Una máquina empacadora produce el 20% de
paquetes defectuosos. Encontrar la media y la
desviación estándar, si se tiene una muestra de
tamaño 10.
 PyE1

Distribución binomial: media

Laura A. Gonzalez

y desviación estándar

  n  p  (10)(0.2)  2

  n  p  q  (10)(0.2)(0.8)  1.265
 PyE1

Ensayo de Rendimiento
Laura A. Gonzalez

DISTRIBUCION DE POISSON
 PyE1

Modelo de Poisson
Laura A. Gonzalez

Aplicable a variables discretas. Se usa para

describir por ejemplo:
• La distribución del número de llamadas que
entran a una central telefónica
• La distribución del número de solicitudes de
pacientes que requieren servicio en una
institución de salud
• La distribución del número de camiones y autos
que llegan a una estación de peaje
• La distribución del número de accidentes
registrados en una ciudad, etc.
 PyE1

Fórmula de Poisson
Laura A. Gonzalez

-
 e
x
P( x) 
x!
Donde:
 = número medio de presentaciones
por intervalo
e = 2.71828 base de los logaritmos
neperianos o naturales
x! = factorial de x
 PyE1

Distribución de Poisson: ejemplo

Laura A. Gonzalez

• En un estudio de seguridad vial, se está

investigando una peligrosa intersección de
calles.
• Los registros policíacos indican una media
de 5 accidentes mensuales en ese cruce.
• El número de accidentes está distribuido
de acuerdo a una distribución de Poisson.
• Calcular la probabilidad de que en
cualquier mes ocurran exactamente 0, 1,
2, 3 o 4 accidentes.
 PyE1

Distribución de Poisson: ejemplo

Laura A. Gonzalez

-
 e
x
P( x) 
x!
Para este caso  = 5 e = 2.71828
Entonces la probabilidad que no ocurra
ningún accidente es:
0 -5
(5) (e )
P(0)   0.00674
0!
 PyE1

Distribución de Poisson: ejemplo

Laura A. Gonzalez

Operando de la misma forma se obtiene:

P(1)=0.03370 P(2)=0.08425
P(3)=0.14042 P(4)=0.17552
Usando estas probabilidades, se puede
responder a la siguiente pregunta:
¿Cuál es la probabilidad de que ocurran
menos de 3 accidentes?
 PyE1

Distribución de Poisson: ejemplo

Laura A. Gonzalez

Entonces se debe plantear: P(X< 3)

Esto se puede averiguar sumando términos,
de la siguiente manera:
P(X< 3) = P(X=0) + P(X=1) + P(X=2) =
= 0.00674 + 0.03370 + 0.08425 =
= 0.12469
 PyE1

Distribución de Poisson: ejemplo

Laura A. Gonzalez

0.18396

0.13797
Probabilidad

0.09198

0.04599

0.00000
0 1 2 3 4 5 6 7 8 9 10
Número de accidentes por mes
 PyE1

InfoStat
Laura A. Gonzalez

Estadísticas  Probabilidades y Cuantiles

 PyE1

Distribución de Poisson: media

Laura A. Gonzalez

y desviación estándar

 

 
Si X es una variable con distribución de
Poisson se denota como: X~P()
 PyE1

Distribución de Poisson como una

Laura A. Gonzalez

aproximación de la distribución binomial

 np 
x - np
e
P( x) 
x!

Observar que  se reemplaza por np,

expresión que representa el promedio
en una distribución binomial
 PyE1

Ensayo de Rendimiento
Laura A. Gonzalez

DISTRIBUCION NORMAL
 PyE1

 Se usa para estudiar la distribución de

Laura A. Gonzalez

una variable que puede tomar cualquier

valor en un intervalo de valores dado y en
los cuales la distribución de probabilidad es
continua.

 Se ajusta a las distribuciones de

frecuencias reales de muchos fenómenos,
como características humanas (peso, altura,
coeficiente intelectual), procesos físicos
(dimensiones y rendimientos), etc.
 PyE1

Ejemplo
Laura A. Gonzalez

Hay rendimientos que no justifican el

costo de producción…

¿Cuál es la probabilidad que el

rendimiento tome valores menores a
un valor determinado?
 PyE1

Ejemplo
Laura A. Gonzalez

Se necesita realizar un estudio de

mercado de los posibles compradores
de un tipo de televisor…
¿Cuál es la probabilidad de que el
ingreso promedio per cápita tome
valores mayores a un valor
determinado?
 PyE1

Función de densidad
Laura A. Gonzalez

normal o modelo de
Gauss
0.30

0.23
frecuencia relativa

0.15

0.08

0.00
83.19 87.10 91.00 94.91 98.82 102.72 106.63 110.53 114.44 118.35
X
 PyE1

Distribución normal: función de densidad

Laura A. Gonzalez

1 x   
2
1 
f ( x)  e 2  
 2

-  X 
 PyE1

Distribución normal
Laura A. Gonzalez

 Existen infinitas distribuciones

normales.
 Los parámetros  (esperanza) y 2
(varianza) caracterizan a la distribución
de una variable.

X  N (,2)
 PyE1

Distribuciones normales
Laura A. Gonzalez

f (X1) X1  N (, 21)

 21<  22

f (X2) X2  N (, 22)

- μ 

X1  N (1, 2) X2  N (2, 2) X3  N (3, 2)

- μ1 μ2 μ3 
 PyE1

Distribución normal
Laura A. Gonzalez

A A = P (x1 X  x2)
 x1 x 2  
 PyE1

Estandarización
Laura A. Gonzalez

Transformación X 
Z
2

Estandarización

A 
X
   Z
X1 X2  Z1 Z2 0

X 
X~ N(,2) ==> Z ~ N (0,1)
2
 PyE1

Función de distribución acumulada normal

Laura A. Gonzalez

¿Cuál es la probabilidad de obtener

rendimientos menores a x ?
P ( -  X  x ) = F(x)

F(x)

 X

 PyE1

Función de distribución acumulada normal

Laura A. Gonzalez

F(x2) - F(x1)

X
 x1 x2 

P[ x1 ≤ X ≤ x2 ] = F(x2) - F(x1)
 PyE1

Cálculo del área entre dos puntos

Laura A. Gonzalez

Sea X ~ N (  = 10, 2 = 4), calcular P [ 8 ≤ X ≤ 9 ]

Estandarización

A B
  X
8 9 10  Z 1 Z2 0  Z

P [ 8 ≤ X ≤ 9 ] = P [ z1 ≤ Z ≤ z2 ]
 PyE1

Cálculo del área entre dos puntos

Laura A. Gonzalez

Estandarización:
8  10 9  10
Z1 = = -1 Z2 = = -0.5
2 2
Cálculo del área:
F(z1) = F(-1) = 0.1587 F(z2) = F(-0.5) = 0.3085

B = F(-0.5)-F(-1) = 0.3085- 0.1587 = 0.1498

Entonces:
P [ 8≤ X ≤ 9 ] = P [ -0.5 ≤ Z ≤ -1 ] = 0.1498
 PyE1

Tabla de cuantiles de la distribución normal

Laura A. Gonzalez

z área z área z área quantil z

-3.25 0.00058 -1.00 0.15866 1.25 0.89435 0.00001 -4.265
-3.20 0.00069 -0.95 0.17106 1.30 0.90320 0.0001 -3.719
-3.15 0.00082 -0.90 0.18406 1.35 0.91149 0.001 -3.090
-3.10 0.00097 -0.85 0.19766 1.40 0.91924 0.00 -2.576
. . . . . . . .
-2.80 0.00256 -0.55 0.29116 1.70 0.95543 0.05 -1.645
-2.75 0.00298 -0.50 0.30854 1.75 0.95994 0.06 -1.555
-2.70 0.00347 -0.45 0.32636 1.80 0.96407 0.07 -1.476
. . . . . . . .
-1.20 0.11507 1.05 0.85314 3.30 0.99952 0.995 2.576
-1.15 0.12507 1.10 0.86433 3.35 0.99960 0.999 3.090
-1.10 0.13567 1.15 0.87493 3.40 0.99966 0.9999 3.719
-1.05 0.14686 1.20 0.88493 3.45 0.99972 0.99999 4.265
 PyE1

Usando la tabla: distribución de probabilidad

Laura A. Gonzalez

normal estándar

Los valores 0.3085 y 0.1587 se hallan restando a 0.50

(área correspondiente a la media de la distribución)
los valores de probabilidad para Z=1 y Z=0.5
Estas probabilidades se encuentran en la Tabla
Normal Estándar, así:

Para Z=1 P=0.3413 y para Z=0.5 P=0.1915

F(z1) = 0.50-0.3413 = 0.1587

F(z2) = 0.50-0.1915 = 0.3085
 PyE1

Retomando el ejemplo…
Laura A. Gonzalez

F(z1) = 0.50-0.3413 = 0.1587

F(z2) = 0.50-0.1915 = 0.3085
Cálculo del área:

B = F(-0.5)-F(-1) = 0.3085- 0.1587 = 0.1498

Entonces:
P [ 8≤ X ≤ 9 ] = P [ -0.5 ≤ Z ≤ -1 ] = 0.1498
 PyE1

Ejemplo
Laura A. Gonzalez

¿Cuál es la probabilidad
para rendimientos
inferiores a 60 qq/ha, si la
distribución del
rendimiento se aproxima
a una
N(75; 400)?

0 15 30 45 60 75 90 105 120 135 150

Rendimiento (qq/ha)

P [X < 60 ] = P [Z < z ]
 PyE1

Cálculo del área por debajo de un punto

Laura A. Gonzalez

Estandarización 60  75
z  0.75
400

Cálculo del área F(z) = F(- 0.75)

Tabla de cuantiles de la
distribución normal
 PyE1

Cálculo del área por debajo de un punto

Laura A. Gonzalez

Función de densidad
Normal(75,400): p(evento)=0.2266

-25.00 25.00 75.00 125.00 175.00

Rendimiento (qq/ha)

F(z) = F(- 0.75) = 0.2266

P [X<60 ] = P [Z<-0.75] = 0.2266
 PyE1

Cálculo del área por encima de un punto

Laura A. Gonzalez

¿Cuál es la probabilidad de obtener rendimientos

mayores a 60 qq/ha?

Función de densidad
Normal(75,400): p(evento)=0.7734 P [X > 60]=

1 - P[X ≤ 60]=
1 – 0.2266=
0.7734
-25.00 25.00 75.00 125.00 175.00
Rendimiento(qq/ha)
 PyE1

InfoStat
Estadísticas  Probabilidades y Cuantiles
Laura A. Gonzalez

-5.00 -2.50 0.00 2.50 5.00

Z
 PyE1

Distribución normal como una

Laura A. Gonzalez

aproximación de la distribución binomial

  n p

  n pq
Usar estos parámetros de la binomial en:

x
z Si n es


grande
 PyE1

Ejercicio
Laura A. Gonzalez

 Si el nivel de colesterol en sangre se puede

modelar con una Distribución Normal,
con media 220mg/100ml y desviación
estándar 15mg/100ml, ¿cuál es la
proporción esperada de colesterol que está
por encima de 240mg/100ml?

P(x>240)=0.09