MODELADO ESTADSTICO

06/03/2014 1
Por modelado estadstico se entiende
establecer qu tipo de distribucin de
probabilidad sigue una variable aleatoria
que se quiere caracterizar:
Distribucin de tiempo entre llegadas de las
llamadas o del servicio.

Teora de Trfico. Henry Lamos Diaz.
UIS-UNAB
2

Distribucin probabilstica binomial
La distribucin binomial tiene las
siguientes caractersticas:
un resultado de un experimento se clasifica en una de
dos categoras mutuamente excluyentes -xito o
fracaso.
los datos recolectados son resultados de contar.
la probabilidad de xito es la misma para cada ensayo.
los ensayos son independientes.
6-18
06/03/2014 3
Distribucin probabilstica binomial
Para elaborar una distribucin binomial, sea
n el nmero de ensayos
x el nmero de xitos observados
la probabilidad de xito en cada
ensayo
t
6-19
06/03/2014 4
Distribucin probabilstica binomial
La frmula para la distribucin de
probabilidad binomial es:
P x
n
x n x
x n x
( )
!
!( )!
( ) =

t t 1
6-20
06/03/2014 5
EJEMPLO 3
La UIS reporta que 20% de los egresados estn
desempleados. De una muestra de 14
egresados, calcule la probabilidad de
encontrar tres desempleados :
tres estn desempleados: P(x=3)=.250
t
6-21
06/03/2014 6
EJEMPLO 3 continuacin
Nota: stos tambin son ejemplos de
distribuciones probabilsticas acumulativas:
tres o ms estn desempleados:
P(x > 3)=.250 +.172 +.086 +.032
+.009 +.002=.551
al menos un egresado est desempleado: P(x >
1) = 1 - P(x=0) =1 - .044 = .956
a lo ms dos egresados estn desem-pleados:
P(x s 2)=.044 +.154 +.250
=.448
6-22
06/03/2014 7
Media y varianza de la distribucin
binomial
La media est dada por:


La varianza est dada por:
t = n
o t t
2
1 = n ( )
6-23
06/03/2014 8
Distribucin binomial para n igual a 3 y 20,
donde t =.50
7-20
n=3
0
0,1
0,2
0,3
0,4
0 1 2 3
nmero de eventos
P
(
x
)
n=20
0
0,05
0,1
0,15
0,2
2 4 6 8 10 12 14 16 18 20
n m e r o d e e v e n t o s
P
(
x
)
06/03/2014 9
Distribucin binomial negativa
En relacin con ensayos de Bernoulli
repetidos, nos interesa el nmero de
ensayos en el cual ocurre el k-simo exito:
La probabilidad de que el dcimo nio expuesto a una
enfermedad ser el tercero en contagiarse.
la probabilidad de que la quinta persona en escuchar un
rumor ser la primera en creerlo.
La probabilidad de sorprender un ladrn por segunda
vez en su octavo robo.
6-18
06/03/2014 10
Distribucin binomial negativa
Si el ksimo xito va a ocurrir en el ensayo
xsimo, debe haber k-1 xitos en los primero
x-1 ensayos, y la probabilidad para esto es
Para elaborar una distribucin binomial, sea
k x 1 k
) 1 (
1 k
1 x
) ; 1 x ; 1 k ( b

t t
|
|
.
|

\
|

= t
6-19
06/03/2014 11
Distribucin binomial negativa
La probabilidad de un xito en el xsimo
ensayo es , y la probabilidad de que el
ksimo xito ocurra en el ensayo xsimo es,
por consiguiente:
6-20
06/03/2014 12
k x k
) 1 (
1 k
1 x
) ; 1 x ; 1 k ( b .

t t
|
|
.
|

\
|

= t t
Distribucin binomial negativa
Una variable aleatoria X (representa el
nmero de ensayos hasta incluir el k-simo
xito) tiene una distribucin binomial
negativa y se conoce como una variable
aletoria binomial negativa si y slo si
6-20
06/03/2014 13
,... 2 k , 1 k , k x
) 1 (
1 k
1 x
) ; x ; k ( b
k x k *
+ + =
t t
|
|
.
|

\
|

= t

Ejemplo
Si la probabilidad es 0.40 de que un nio
expuesto a una enfermedad contagiosa la
contraiga, cul es la probabilidad de que el
dcimo nio expuesto a la enfermedad ser el
tercero en contrarela?
6-20
06/03/2014 14
0645 . 0 ) 4 . 0 1 ( 4 . 0
2
9
) 4 . 0 , 3 , 10 ( b
7 3 *
=
|
|
.
|

\
|
=
Distribucin binomial negativa
La media y la varianza de
6-20
06/03/2014 15
) 1
1
(
k
,
k
2

t t
= o
t
=
Una binomial negativa constituye una
suma de variables aleatorias geomtricas
Suponga que una secuencia de ocho ensayos
de Bernoulli independientes, cada uno con
probabilidad de xito , aparece de la
siguiente manera FFSFSFFS.
Si X es el nmero de ensayos incluyendo al
tercer xito, entonces
6-20
06/03/2014 16
) , 8 , 3 ( * b X t ~
06/03/2014 17
Modelo Poisson
Los eventos de llegadas
se modelan como
independientes, dichos
eventos son producidos
por un gran # de clientes
Hay nico parmetro de
( velocidad media )
Correlaciones son fugaces y los bursts son limitados
La agregacin de trfico tiende a suavizarse
rpidamente

Esto implica (Si asumimos
un modelo de Poisson):

PROCESO DE POISSON
Se dice
que el
proceso
de conteo
X(t) es
un
proceso
de
Poisson
si
1. El nmero
de
ocurrencias
durante
intervalos de
tiempos
disjuntos son
variables
aleatorias
independiente
s.
2. Proceso
tiene
incrementos
independient
es.
3. Si h es un
intervalo de
tiempo
suficientemente
pequeo,
entonces la
probabilidad de
que ocurra una
llegada en este
intervalo es
proporcional a h.
( h + o(h))
4. La
probabilidad
de obtener
dos o ms
ocurrencia en
el intervalo
de tiempo h
es
despreciable.
19
06/03/2014
Tipos de procesos

Incrementos independientes: los cambios en el
valor del proceso en intervalos de tiempo disjuntos,
son independientes.
{ }
), ( ) (
), ( ) (
), ( ) (
discretos estados de espacio de ), (
1
1 2
1

e
n n
o
t X t X
t X t X
t X t X
T t t X
SON VARIABLES
INDEPENDIENTES
20
Funcin densidad de probabilidad, PDF (Probability density
function )



Poisson esta categorizado, por un parmetro .
La agregacin de trfico de Poisson es tambin Poisson
Poisson
P
n
(t) = e
t

(t)
n

n!
Poisson
Poisson
Poisson

Poisson

=> Poisson
06/03/2014
21
t) [0, perido el durante llegadas de Nmero
t
2
t t
2
t
t
X
X E X E X Var
t
) X ( E
= =
= =
o

m ] X E[
) X Var(
Burstiness
t
t
o
= =
06/03/2014
APLICACIONES
La distribucin de Poisson es un buen
modelo para representar el nmero de
veces que un evento sucede, por unidad de
tiempo o espacio.
Nmero de clientes que llegan a una
estacin de servicio, durante un minuto.
Nmero de reclamaciones contra una
compaa de seguros, durante una semana
determinada.
06/03/2014 22
06/03/2014 23
23
Proceso de tiempo entre
llegadas, caso discreto.
Proceso de Bernoulli
Para un proceso de Bernoulli de modelacin
de llegadas durante un slot (tiempo) se tiene
0 llegada) 1 ( Prob
1 llegadas) 0 ( Prob
llegada) 1 ( Prob
,... ,.... , X
0
1
2 1
= >
= =
= =
p p
p p
X X
n
06/03/2014 24
24
) ( ) | (
, y ra cualesquie
positivos enteros dos Para Teorema.
, ) ( ,
1
) (
,.. 2 , 1 , ) (
A de ocurrencia primera la incluir hasta
necesarias es repeticion de nmero
2
1
t T P s T t s T P
t s
p
q
T Var
p
T E
k p q k T P
T
k
> = > + >
= =
= = =

La Distribucin Geomtrica. Suponga que se efecta un
experimento y se esta interesado slo en la ocurrencia o
no ocurrencia de algn evento A.
06/03/2014 25
25
Interpretacin.
No hay memoria, esto si el evento A no ha
ocurrido durante las primeras repeticiones
del experimento, entonces la probabilidad de
no ocurra durante las prximas t repeticiones
es la misma que la probabilidad de no ocurra
durante las primeras t repeticiones. En otras
palabras, la informacin de ningn xito es
olvidada en lo que se refiere a clculos
subsecuentes.
Distribucin hipergeomtrica
Frmula:


donde N es el tamao de la poblacin, S
es el nmero de xitos en la poblacin, x
es el nmero de xitos de inters, n es el
tamao de la muestra, y C es una
combinacin.
P x
C C
C
S x N S n x
N n
( )
( )( )
=

6-26
Distribucin hipergeomtrica
Use la distribucin hipergeomtrica para
encontrar la probabilidad de un nmero
especfico de xitos o fracasos si:
la muestra se selecciona de una poblacin
finita sin reemplazo (recuerde que un criterio
para la distribucin binomial es que la
probabilidad de xito es la misma de un ensayo
a otro).
el tamao de la muestra n es mayor que
5% del tamao de la poblacin N.
6-27
EJEMPLO 5
Aerocivil tiene una lista de 10 violaciones a la
seguridad reportadas por ValueJet. Suponga
que slo 4 de ellas son en realidad violaciones
y que el Safety Board slo podr investigar
cinco de las violaciones. Cul es la
probabilidad de que tres de las cinco
violaciones seleccionadas al azar para
investigarlas sean en realidad violaciones?
6-28
EJEMPLO 5 continuacin
P
C C
C
( )
*
*
. 3
4 15
252
238
4 3 6 2
10 5
= = =
N=10
S=4
x=3
n=5
6-29
Distribucin multinomial
06/03/2014 30
1 n x i n ,.., 1 , 0 x
x ..
x ,.. x , x
n
) ,.., , ; x ,.. x , x ( f
k
1 i
i
k
1 i
i i
x
k
x
2
x
1
k 2 1
k 2 1 k 2 1
k
2 1
= t = =
t t t
|
|
.
|

\
|
= t t t

= =
y donde , cada para cada para
Las variables aleatorias X1, X2,..Xk tienen una distribucin
multinomial y se conocen como variables aleatorias multinomiales
si y slo si du distribucin de probabilidad conjunta esta dada por
MODELADO MEDIANTE VARIABLES
ALEATORIAS CONTINUAS
06/03/2014 31
06/03/2014 32


proceso? este
tiene ad probabilid de n distribuci Qu gadas.
lle entre tiempo el ejemplo, por sucesivos, eventos
entre tiempo el como aleatoria variable una
definimos poisson; de proceso un a Asociado
DISTRIBUCION EXPONENCIAL
Si un proceso de llegada a un sistema se
puede modelar mediante un proceso de
Poisson, entonces el tiempo entre llegadas
se modela mediante una variable aleatoria
llamada exponencial. En otras palabras, si
es el nmero promedio de eventos
independientes de Poisson que ocurren por
unidad de tiempo, entonces 1/ es el tiempo
promedio entre dos eventos sucesivos.

33 06/03/2014
34

<
>
=

0 , 0
0 ,
) (
T aleatoria variable
la de probilidad de densidad de funcin La
t
t e
t f
t

El valor esperado y varianza son

2
1
) var( ,
1
) (

= = X X E
Burstiness?
06/03/2014
35
35
{ }
t
t
t
o
e t f
e t T t F
e t p t T
t t N t T

=
= s =
= = >
= >
) (
1 ) Pr( ) (
) ( ) Pr(
tiempo el en llegadas hay no 0 ) (
1
1
1
2
de probab de n distribuci la Deducir Ejercicio. X
1 1
t T =
( )
1 2 1 1 2
| | t t t T T = =
t
06/03/2014
DISTRIBUCION EXPONENCIAL
La distribucin exponencial es til para
modelar el tiempo que transcurre entre
dos ocurrencias consecutivas de un
evento.
Tiempo entre dos fallas sucesivas de
un componente electrnico.
Tiempo entre dos llegadas sucesivas
de clientes a una estacin de servicio.
06/03/2014 36
06/03/2014 37
37 37
PROCESO SIN MEMORIA
T es una variable aleatoria con distribucin exponencial,
con parmetro, entonces



Es decir, T pierde la memoria.
En trminos del proceso de llegadas Poisson la propiedad sin
memoria significa que la distribucin del tiempo hasta la
siguiente llegada es la misma no importa cual es el punto en
que nosotros nos encontramos

), ( ) | (
1 1
t T P t T t t T P
o o
> = > + >
A la propiedad de la
distribucin exponencial se
le llama prdida de memoria,
es decir, lo que ocurra de
aqu en adelante, no es
afectado por lo que ha
ocurrido hasta ahora.
La distribucin exponencial
es la nica distribucin
continua que posee esta
propiedad.
06/03/2014 38
RELACIN ENTRE POISSON
Y EXPONENCIAL
Si el nmero de ocurrencias de un evento
obedece una distribucin de Poisson con
parmetro , entonces el tiempo entre dos
llegadas sucesivas del evento obedece una
distribucin exponencial con parmetro y
viceversa.
06/03/2014 39
06/03/2014
j
R
,
3
4
) (
o
j
m
j
p
j
j
R R R
R E
+ +
=
,
18
) )( ( ) (
) (
2 m
j
o
j
p
j
m
j
p
j
o
j
j
R R R R R R
R Var

=
VARIABLE ALEATORIA TRIANGULAR



40
06/03/2014
< <
|
|
.
|

\
|
|
.
|

\
|

= x
x
x n - para ,
2
1
exp
2
1
) , ; (
2
o

o t
o
VARIABLE ALEATORIA NORMAL

Una variable aleatoria tiene una distribucin normal
y se conoce como una variable aleatoria normal
si y slo si su densidad de probabilidad esta dada por:

41
Caractersticas de una v.a normal
La curva normal tiene forma de campana con un solo
pico justo en el centro de la distribucin.
La media, mediana y moda de la distribucin
aritmtica son iguales y se localizan en el pico.
La mitad del rea bajo la curva est a la derecha del
pico, y la otra mitad est a la izquierda.
7-3
06/03/2014 42
Cont.
La distribucin normal es simtrica respecto a su
media.
La distribucin normal es asinttica - la curva se
acerca cada vez ms al eje x pero en realidad nunca
llega a tocarlo.
7-4
06/03/2014 43
- 5
0 . 4
0 . 3
0 . 2
0 . 1
. 0
x
f

(

x

r a l i t r b u i o n : = 0 , o
2
= 1
Caractersticas de una distribucin normal
La media, mediana y
moda son iguales
La curva
normal es
simtrica
En teora,
la curva se
extiende hasta
infinito
a














06/03/2014 44
V.a normal estndar
Una distribucin normal que tiene media igual a 0 y
desvicin estndar igual a 1 se denomina
distribucin normal estndar.
Valor z: la distancia entre un valor seleccionado,
designado como X, y la poblacin media , dividida
entre la desviacin estndar de la poblacin o,
o

=
X
z
7-6
06/03/2014 45
EJEMPLO 1
El ingreso mensual que una corporacin grande ofrece
a los recin graduados en Ing Financiera tiene una
distribucin normal con media de $2000 y desviacin
estndar de $200. Cul es el valor z para un ingreso
de $2200? y cul para uno de $1700?
Para X = $2200, z = (2200 - 2000) /200
= 1.
7-7
06/03/2014 46
EJEMPLO 1 continuacin
Para X = $1700, z = (1700 - 2000) /200
= - 1.5
Un valor z igual a 1 indica que el valor de $2200 es
mayor que la desviacin estndar de la media de
$2000, as como el valor z igual a -1.5 indica que el
valor de $1700 es menor que la desviciacin estndar
de la media de $2000.
7-8
06/03/2014 47
reas bajo la curva normal
Cerca de 68% del rea bajo la curva normal est a
menos de una desviacin estndar respecto a la
media.


Alrededor de 95% est a menos de dos desviaciones
estndar de la media.

99.74% est a menos de tres desviaciones estndar de
la media.
o 1
o 2
o 3
7-9
06/03/2014 48
- 5
0 . 4
0 . 3
0 . 2
0 . 1
. 0
x
f

(

x

r a l i t r b u i o n : = 0 , o
2
= 1
reas bajo la curva normal

o +1
o +2
o +3
o 1
o 2
o 3
Entre:
1.68.26%
2.95.44%
3.99.74%













06/03/2014 49
EJEMPLO 2
El consumo de agua diario por persona en
Bucaramanga tiene una distribucin normal con
media de 20 galones y desviacin estndar de 5
galones.
Cerca de 68% del consumo de agua diario por
persona en Bucaramanga est entre cules dos
valores.
Esto es, cerca de 68% del consumo diario de agua
est entre 15 y 25 galones.
). 5 ( 1 20 1 = o
7-11
06/03/2014 50
Cul es la probabilidad de que una persona de
Bucaramanga seleccionada al azar use menos de 20
galones por da?
El valor z asociado es z = (20 - 20) /5 = 0. As, P(X<20)
= P(z<0) = .5
Qu prcentaje usan entre 20 y 24 galones?
El valor z asociado con X = 20 es z = 0 y con X = 24, z =
(24 - 20) /5 = .8. As, P(20<X<24) = P(0<z<.8) = 28.81%
7-12
06/03/2014 51
Ejemplo
Usted tiene la oportunidad de comprar un proyecto que
produce al final de los aos 1 a 5 los siguientes flujos
de efectivo (aleatorios): El flujo de efectivo al final del
ao 1 es normal con media 1 000 y desviacin estndar
200. Calcular la probabilidad de que el flujo del primer
ao sea mayor a 1200. Calcular la probabilidad que el
flujo este entre 850 y 1450.
Calcular la probabilidad que el flujo sea mayor a 1980.
Cul es el valor z para un flujo 1000? y cul para uno
de $1700?



7-4
06/03/2014 52
06/03/2014 53
reas bajo la curva normal
Cerca de 68% del rea bajo la curva normal est a
menos de una desviacin estndar respecto a la
media.


Alrededor de 95% est a menos de dos desviaciones
estndar de la media.

99.74% est a menos de tres desviaciones estndar de
la media.
o 1
o 2
o 3
7-9
06/03/2014 54
Aproximacin normal a la binomial
06/03/2014 55
) p 1 ( np
np X
Z
Sea X una variable aleatoria binomial; l a forma limitante de
la distribucin de
Conforme n tiende a infinito es la distribucin normal
estndar.
Distribucin gamma
06/03/2014 56
)! 1 n ( ) n (
n x
0 x , du e u ) x (
u 1 x
0

entonces positivo entero un Si

La funcin gamma se define
Distribucin gamma
06/03/2014 57
0 ,
0 x , e x
) (
1
) x ( f
/ x 1 | o
o
Cuando
La variable aleatoria continua X tiene una distribucin
gamma, con parmetros y , si su funcin de densidad est
dada por
Forma - Alpha=3, Escala -beta=1
06/03/2014 58
Media y varianza de X gamma
06/03/2014 59
2 2
o| = o
o| =
La variable aleatoria continua X tiene una distribucin
gamma, con parmetros y , si su funcin de densidad est
dada por
Distribucin ji cuadrada
06/03/2014 60
La variable aleatoria continua X tiene una distribucin ji
cuadrada, con parmetros y , si su funcin de densidad
est dada por
libertad de grados llamado
positivo, entero un es Cuandou
>

u I
=
= | u = o
u
u
0 x , e x
) 2 / ( 2
1
) x ( f
2 , 2 /
2 / x 1 2 /
2 /
Distribucin lognormal
06/03/2014 61
2
2
2
2
varianza y media
con normal es entonces, , y parmetros
con normal n distribuci una tiene si que Observe
y
parmetros con lognormal n distribuci tiene
aleatoria variable la entonces, varianza y
media con normal aleatoria variable una X Sea
o
= o
o
=
o
Y ln X
Y
.
e Y
,
X
Parmetros
06/03/2014 62
) 1 e ( e ) Y var(
e ) Y ( E
2 2
2
2
2 /
=
=
o o +
o +
Observe el pico al principio y
la larga cola. Por lo tanto, un
histograma con esta
apariencia de un conjunto de
datos empricos se podra
modelar as.
Ejemplo
06/03/2014 63
Los precios de las acciones u otros instrumentos
financieros con frecuencia se modelan como una
distribucin lognormal. Un inversionista est
considerando comprar acciones en una de dos
compaas, A o B. Hoy el precio de una accin en
ambas compaas es de un dlar. Para la A, el valor de
la accin en un ao a partir de ahora se modela como
una lognormal con parmetros miu=0.05 y sigma=0.1.
Para la B, el valor de la accin en un ao a partir de
ahora se modela como una lognormal con parmetros
miu=0.02 y sigma=0.2.
Ejemplo
06/03/2014 64
a. Determine la media del precio de una accin de la compaa
A en un ao a partir de ahora.
b. Determine la probabilidad de que el precio de una accin de
la compaa A en un ao a partir de ahora sea mayor a $1,20
c. Determine la media del precio de una accin de la compaa
B en un ao a partir de ahora.
d. Determine la probabilidad de que el precio de una accin de
la compaa B en un ao a partir de ahora sea mayor a $1,20

Media geomtrica
06/03/2014 65
variable. la de valores los de logaritmos los de aritmtica
media la a igual es geomtrica media la de logaritmo El
entonces
nmeros los
todos de producto del sima - n raz la es (n) nmeros
de arbitraria cantidad una de geomtrica media La
3 x x x x 9 x , 3 x , 1 x
, x .. x x x
3
3 2 1 3 2 1
n
n 2 1
= = = = =
=
Datos Ln(x)
1 0
3 1,09861229
9 2,19722458
1,09861229
Relacin con media y desviacin
estndar geomtrica
06/03/2014 66
La distribucin log-normal, la media geomtrica y la
desviacin estndar estn relacionadas. En este caso, la media
geomtrica es igual a
exp(
es geomtrica estndar desviacin la y exp(
)
)
o

Estimacin de los parmetros de una

distribucin lognormal
06/03/2014 67
n n 2 2
1 1
n 2
Y ln X ,.. Y ln X
, Y ln X
Y ,.. Y , Y
. Y ln ,
Y ln X
Y
= =
=
o
= o
a logartmic escala
la a a etransform s primero lognormal, poblacin una
de aleatoria muestra una es si tanto, Por
de varianza y media
con normal es entonces, , y parmetros
con normal n distribuci una tiene Si
1
2
2
06/03/2014
DESIGUALDAD DE CHEBYSHEV.
Sea X una v.a con
x
X E = ) ( y sea c un nmero real cualquiera. Entonces,
si
2
) ( c X E es finita y c es cualquier nmero positivo, tenemos


2
2
) (
1
] | [(| c X E c X P s >
c
c

o bien :

2
2
) (
1
1 ] | [(| c X E c X P s <
c
c

al elegir = c obtenemos

) (
1
] | [(|
2
X Var X P
c
c s >

al elegir , = c y o c k =

2
] | [(|

s > k k X P o
68