Estadística

Modelos probabilísticos

Variable Aleatoría y Modelos

probabilísticos

Algunos modelos de v.a.

Hay v.a. que aparecen con frecuencia en las diferentes
disciplinas.

Experimentos dicotómicos.
Bernoulli

Contar éxitos en experimentos dicotómicos repetidos:

Binomial
Hipergeometrica
Poisson (sucesos raros)

Y en otras muchas ocasiones…

Uniforme
Exponencial, Gamma
Distribución normal (gaussiana, campana,…)

El resto del tema está dedicado a estudiar estas

distribuciones especiales. Variable Aleatoría y Modelos probabilísticos

1
Distribución de Bernoulli
Tenemos un experimento de Bernoulli si al realizar
un experimentos sólo son posibles dos resultados:
X=1 (éxito, con probabilidad p)
X=0 (fracaso, con probabilidad q=1-p)

Lanzar una moneda y que salga cara.

p=1/2
Elegir una persona de la población y que esté enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que éste se cure.
p=95%, probabilidad de que el individuo se cure

Como se aprecia, en experimentos donde el resultado

es dicotómico, la variable queda perfectamente
determinada conociendo el parámetro p.
Variable Aleatoría y Modelos probabilísticos

Ejemplo de distribución de Bernoulli.

Se ha observado estudiando 2000 accidentes de
tráfico con impacto frontal y cuyos conductores no
tenían cinturón de seguridad, que 300 individuos
quedaron con secuelas. Describa el experimento
usando conceptos de v.a.

Solución.
La noc. frecuentista de prob. nos permite aproximar la
probabilidad de tener secuelas mediante 300/2000=0,15=15%

X=“tener secuelas tras accidente sin cinturón” es variable de

Bernoulli
X=1 tiene probabilidad p 0,15
X=0 tiene probabilidad q 0,85

Variable Aleatoría y Modelos probabilísticos

2
Distribución de Bernoulli.

Esperanza de X.

µ = + =
Varianza de X.

= + =

σ = −µ = − = − =
Variable Aleatoría y Modelos probabilísticos

Distribución Binomial
Si se repite un número fijo de veces, n, un experimento de
Bernoulli con parámetro p, el número de éxitos sigue una
distribución binomial de parámetros (n,p).

Lanzar una moneda 10 veces y contar las caras.

Bin(n=10,p=1/2)

Lanzar una moneda 100 veces y contar las caras.

Bin(n=100,p=1/2)
Difícil hacer cálculos con esas cantidades. El modelo normal será más
adecuado.

El número de defectuosos de un lote de 500.000 unidades, Si

el fabricante afirma que hay un defectuoso cada 2000
unidades.
Bin(n=500.000, p=1/2000)
Difícil hacer cálculos con esas cantidades. El modelo de Poisson
será más adecuado.

Variable Aleatoría y Modelos probabilísticos

3
Distribución binomial
Función de probabilidad
−
= = ≤ ≤

Media: =n p

Varianza: 2 =npq

Variable Aleatoría y Modelos probabilísticos

Suponga que el 4% de todos los chips producidos por una

empresa de hardware están defectuosos. Si compramos 30
de estos chips, calcule la probabilidad de encontrar:

a. Menos de dos chips defectuosos.

Sea X una variable aleatoria discreta, donde X es él número

de chips defectuosos encontrados en una muestra de 30
chips. Entonces, los posibles valores que puede tomar X
son: 0, 1, 2,........., 30.

Ahora tenemos, P(Éxito) = P = 0.04, P(Fracaso) = Q = 0.96,

Donde n = 30.

La función de probabilidad Binomial es de la forma:

−
= =
Variable Aleatoría y Modelos probabilísticos

4
 a. Menos de dos chips defectuosos.

< = = + = = +
< = =

−
= = = =

−
= = = =

R/ La posibilidad de encontrar menos de dos defectuosos en un lote de

30 chips es del 66,11%.

Variable Aleatoría y Modelos probabilísticos

b. Al menos un chip defectuoso. .

≥ = − = = − = =
R/ La posibilidad de encontrar al menos un defectuoso en un lote de 30
chips es del 70,61%.

c. Más de dos pero menos de cinco chips defectuosos.

< < = = + =

< < = + = =
R/ La posibilidad de encontrar más de dos pero menos de cinco
defectuosos en un lote de 30 chips es del 11,05%.

Variable Aleatoría y Modelos probabilísticos

5
 d. Si al menos un chip está defectuoso, cual es la probabilidad de
encontrar menos de cuatro chips defectuosos?.

≤ <
< ≥ =
≥

= + = + =
< ≥ =
− =

+ +
< ≥ = =
−
< ≥ = =

R/ Si se encuentra al menos un chip defectuoso en un lote de 30 chips, la

posibilidad de encontrar menos de cuatro defectuosos es del 95,66%.
Variable Aleatoría y Modelos probabilísticos

e. Si menos de tres chips están defectuosos, cual es la probabilidad de

encontrar mínimo dos chips defectuosos

=
≥ < =
= + = + =

≥ < =
+ +

R/ Si se encuentran menos de tres chips defectuosos en un lote de 30

chips, la posibilidad de encontrar al menos dos defectuosos es del 25,12%.

Variable Aleatoría y Modelos probabilísticos

6
Variable Aleatoria Hipergeométrica
Un club deportivo cuenta con 50 afiliados, 30 son golfista y 20 son
tenistas. Se va a formar un comité directivo de 3 miembros para
evaluar los candidatos a gerente del club. Sea X la variable aleatoria el
número de golfistas en el comité.

X es una variable hipergeométrica con N=50, M=30 y n=3, tiene la

siguiente función de masa

−
−
= =

Variable Aleatoría y Modelos probabilísticos

Variable Aleatoria Hipergeométrica

Un recipiente contiene N artículos, de los cuales M están en buenas
condiciones y los otros N-M son defectuosos. Se va a tomar una
muestra aleatoria (al azar) sin reemplazo de tamaño n.

Si X denota el número de artículos en buenas condiciones en la

muestra, entonces X es una variable aleatoria hipergeométrica con
parámetros N (tamaño población), M (Numero de éxitos en la
población) y n (tamaño de muestra) y función de masa:

−
− Si i = 0,1,2,..min(M,n)
= =

Variable Aleatoría y Modelos probabilísticos

7
Variable Aleatoria Hipergeométrica
Si X es una variable aleatoria hipergeométrica con parámetros N, M y n
entonces:

µ =

− −
σ =
−

Variable Aleatoría y Modelos probabilísticos

Ejemplo: V.A.Hipergeométrica
Una compañía tiene 5 aspirantes para dos puestos: dos mujeres y tres
hombres. Suponga que los aspirantes tienen la misma
capacitación, y que para escoger no hay preferencia de género.
Sea X la variable aleatoria número de mujeres elegidas para
ocupar las dos posiciones:

a. Encuentre la función de masa para X.

b. ¿Cuál es la probabilidad de tener al menos una mujer en los dos
puestos?
c. ¿Cual es la Media y la varianza de la distribución?
d. Construya gráficos para la función de masa y de distribución.
e. Identifique la moda y la Mediana de X.

Variable Aleatoría y Modelos probabilísticos

8
Ejemplo: V.A.Hipergeométrica
Una compañía tiene 5 aspirantes para dos puestos: dos mujeres y tres
hombres. Suponga que los aspirantes tienen la misma
capacitación, y que para escoger no hay preferencia de género.
Sea X la variable aleatoria número de mujeres elegidas para
ocupar las dos posiciones:

a. Encuentre la función de masa para X.

X es una V.A hipergeométrica con parámetros N=5, M=2 y n=2, por lo

tanto la función de masa esta dada por:

−
− Si i=0,1,2
= =

Variable Aleatoría y Modelos probabilísticos

Ejemplo: V.A.Hipergeométrica
Una compañía tiene 5 aspirantes para dos puestos: dos mujeres y tres
hombres. Suponga que los aspirantes tienen la misma
capacitación, y que para escoger no hay preferencia de género.
Sea X la variable aleatoria número de mujeres elegidas para
ocupar las dos posiciones:

b. ¿Cuál es la probabilidad de tener al menos una mujer en los dos

puestos?

≥ = − < = − =
−

≥ =

Variable Aleatoría y Modelos probabilísticos

9
Ejemplo: V.A.Hipergeométrica
c. ¿Cual es la Media y la varianza de la distribución?

Como X es V.A. hipergeometrica con N=5, M=2 y n=2

µ = = =

− −
σ = = =
−

Variable Aleatoría y Modelos probabilísticos

Ejemplo: V.A.Hipergeométrica
Una compañía tiene 5 aspirantes para dos puestos: dos mujeres y tres
hombres. Suponga que los aspirantes tienen la misma
capacitación, y que para escoger no hay preferencia de género.
Sea X la variable aleatoria número de mujeres elegidas para
ocupar las dos posiciones:

a. Construya gráficos para la función de masa y de distribución.

b. Identifique la moda y la Mediana de X.

Variable Aleatoría y Modelos probabilísticos

10
 V.A.Hipergeométrica: aproximación
Si N y M son valores muy grandes. La Variable aleatoria
Hipergeometrica con parámetros N, M y n se puede
aproximar como una Variable Aleatoria Binomial con
parámetros n y p= M/N

µ = =

− −
σ =
−
σ =
Variable Aleatoría y Modelos probabilísticos

V.A.Hipergeométrica: aproximación
En una bodega hay 5,000 botellas de vino, de las cuales hay 1,000 con vino
descompuesto, Si se toma una muestra al azar de 30 botellas:

¿Cual es la probabilidad de hallar máximo 2 botellas descompuestas?

¿Cuál es el numero promedio de botellas descompuestas que se

encuentran en la muestra?

Variable Aleatoría y Modelos probabilísticos

11
Tarea
Aprender a Manejar las tablas de
la Función de Distribución
(Acumulada) para la Binomial

Variable Aleatoría y Modelos probabilísticos

Distribución de Poisson
Proceso de Poisson

La probabilidad de observar exactamente un resultado en el

intervalo es estable.
La probabilidad de observar exactamente más de un
resultado en un intervalo pequeño tiende a cero.
La ocurrencia de un resultado en cualquier intervalo es
estadísticamente independiente de aquella en cualquier otro
intervalo.

X es la variable Aleatoria que representa el número de

resultados en un intervalo (región) dado.

Variable Aleatoría y Modelos probabilísticos

12
 Proceso de Poisson Ejemplos
# de llamadas por hora que recibe una oficina.
# de personas en una cola por hora.
# de cortes de energía por el mal tiempo durante el mes.
# de matas infectadas por hectárea.
# de defectuosos por cada 10,000 unidades.
# de errores mecanográficos por pagina.

X variable Aleatoria representa el número de resultados en un intervalo

(región) dado y tiene la siguiente función de Probabilidad:

Donde µ es el número promedio

−µ µ de resultados por unidad de
= = = tiempo o región

σ2 = µ
Variable Aleatoría y Modelos probabilísticos

En un conmutador entra un promedio de 5 llamadas por minuto.

a. Cuál es la probabilidad que en el próximo minuto entren 2 llamadas?

− −

= = = =

b. Cuál es la probabilidad que en el próximo minuto entren menos de 2 llamadas?

− −
< = ≤ = = + = = + =

c. Cuál es la probabilidad que en el próximo minuto entren 2 llamadas o más?

≥ = − ≤ = − =

Variable Aleatoría y Modelos probabilísticos

13
 En un conmutador entra un promedio de 5 llamadas por minuto.

d. Si en un minuto han entrado más de una llamada,¿Cuál es la probabilidad que entren

menos de 5 llamadas? −
=

< < = + = + =
< > = =
> ≥
− − −
+ +
< > = = ==

e. ¿Cuál es la probabilidad que entren 120 llamadas en la siguiente hora?

− −

= = = ≈

Variable Aleatoría y Modelos probabilísticos

Distribución de Poisson
También se denomina de sucesos raros.
Sirve para aproximar la distribución binomial con la misma
media, para ‘n grande’ (n>30) y ‘p pequeño’ (p<0,1).
Ejemplo
El número de individuos que será atendido un día cualquiera en una
oficina de servicios.
En Cali hay 2,500.000 habitantes (n grande)
La probabilidad de que cualquier persona necesite acercarse a
una oficina un día cualquiera es pequeña, pero no nula.
Supongamos que es 1/1,000.000
Bin(n=2,500.000,p=1/1,000.000) Poisson( =np=2,5)

Variable Aleatoría y Modelos probabilísticos

14
Ejemplos de variables de Poisson
Sospechamos que diferentes proveedores pueden tener
insumos para mi proceso de diferente “calidad”, algunos
presentan muy pequeños porcentajes de defectuosos y nos
suministran grandes cantidades de insumos, Para
Compararlos tenemos de cada proveedor No. de unidades
suministradas y los porcentajes de defectuosos.
Tenemos p pequeño, pequeños % de defectuosos con
respecto al total de unidades que suministra el proveedor.
Se puede modelar mediante Poisson( =np)

Variable Aleatoría y Modelos probabilísticos

Tarea
Aprender a Manejar las tablas de
la Función de Distribución
(Acumulada) para la Poisson

Variable Aleatoría y Modelos probabilísticos

15