Modelos de Probabilidad

Universidad de Guadalajara
Centro Universitario de Ciencias Exactas e

Ingenieras
DIVISIN DE ELECTRNICA Y COMPUTACIN
DEPARTAMENTO DE CIENCIAS COMPUTACIONALES
ESTADISTICA Y PROCESOS ESTOCSTICOS
ACTIVIDAD INTEGRADORA:
6. MODELOS DE PROBABILIDAD
INTRODUCCIN
La probabilidad es la rama de las matemticas la cual permitir mediante
ciertos clculos ver, como la misma palabra lo dice, la probabilidad de que ciertos
eventos ocurran, es decir, se encarga del estudio de los fenmenos o
experimentos aleatorios, la probabilidad ayuda para la toma de decisiones
debido a que proporciona una forma de medir, expresar y analizar las
incertidumbres asociadas con eventos futuros de razones entre el nmero de
casos favorables y el nmero de casos posibles, esta es muy til para las
empresas pues permite evaluar sus productos o su personal. En la informtica,
la probabilidad nos permite evaluar y analizar algoritmos, pues es importante
saber cual el la velocidad en la cual ejecutar ciertas tareas, la cual es una
variable aleatoria a la que se le pueden hacer pruebas probabilsticas
Antes de entrar con los modelos de probabilidad es importante reconocer
conceptos como experimento, el cual es el proceso en el que se emplean
medidas y se realizan pruebas para comprobar y estudiar algn evento que nos
proporcione ciertos datos, este puede ser un experimento aleatorio, pues no
podemos predecir el resultado del mismo. La cantidad de datos recabados
conforman el espaci muestral, que abarca a todos los posibles resultados. Esta
Ingenieras
puede ser discreta si las observaciones son un numero finito o bien puede ser
un espacio muestral continuo si contiene un numero infinito de observaciones.
Otro concepto que debemos entender es la variable aleatoria, esta es toda
funcin que asocia a cada elemento del espacio muestral E un nmero real. Esta
puede ser variable aleatoria discreta si puede tomar valores finitos Una variable
discreta es aquella que solo puede tomar un nmero finito de valores entre dos
valores cualesquiera de una caracterstica, o bien puede ser continua si toma
valores infinitos.
Para poder hacer el clculo adecuado de probabilidad, existen modelos
de probabilidad, tal como es la distribucin de probabilidad binomial,
hipergeomtrica, poisson, y la normal estndar, entre muchas otras, pero en este
ensayo me enfocar en esas cuatro antes mencionadas.
Para las variables aleatorias discretas usaremos la distribucin de
probabilidad binomial, hipergeomtrica y la de poisson mientras que para las
variables aleatorias continuas usamos la distribucin normal.

Ingenieras
OBJETIVOS
Definir los trminos distribucin de probabilidad y variable aleatoria.

Distinguir entre distribuciones de probabilidad discretas y continuas.
Describir las caractersticas de la distribucin Binomial y entender su
aplicacin en casos prcticos.
Describir las caractersticas de la distribucin de Poisson y entender su
Describir las caractersticas de la distribucin Hipergeomtrica y entender
su aplicacin en casos prcticos.
Describir las caractersticas de la distribucin normal y entender su
Implementar un software que permita resolver los modelos
probabilsticos.
Ingenieras
MODELO MATEMTICO O ESTADSTICO
Una distribucin de probabilidad queda definida y caracterizada por:
La especificacin de la variable aleatoria y su campo de variacin.

Los parmetros que definen el enunciado del problema
La especificacin de la asignacin de probabilidad, a travs de la
funcin de distribucin
Modelos de probabilidad para variables discretas
Se pueden encontrar ejemplos de variables aleatorias discretas en

numerosas situaciones prcticas. No obstante, se cuenta con tres distribuciones
discretas de probabilidad que sirven para modelar un gran numero de aplicaciones.
En este captulo se analizarn las distribuciones de probabilidad binomial,
hipergeomtrica y de Poisson.
Distribucin de probabilidad Binomial
La variable aleatoria X tiene la distribucin binomial si su funcin de

probabilidad est dada por:

() = ( )

Ingenieras
Ejemplo:
Una compaa productora de equipos de cmputo afirma que el 90% de sus

equipos no presentan ninguna falla de hardware en su primer ao de uso, una
empresa distribuidora est interesada en comprar 50 unidades y desean saber cul
es la probabilidad de que 10 presenten fallas antes de su primer ao de uso.
50
(10) = ( ) . 110 . 95010 = 0.0151
10
USO DEL STATGRAPHICS Y SOFWARE
StatAdvisor
Esta ventana evala la distribucin acumulada de la Distribucin Binomial.

Calcular las reas de colas para hasta 5 valores crticos de la distribucin.
Tambin calcular la probabilidad de densidad o la funcin de masa. Por ejemplo,
el resultado indica que, para la primera distribucin especificada, la probabilidad de
obtener un valor menor que 10.0 es 0.975462. Tambin, la probabilidad de obtener
un valor mayor que 10.0 es 0.00935452. La probabilidad de obtener un valor
exactamente igual a 10.0 es 0.0151833.
Ingenieras
Distribucin de probabilidad hipergeomtrica
La variable aleatoria X tiene esta distribucin si su funcin de probabilidades

con parmetro N, n y A esta expresada por:
()(

)
() =
()
Ejemplo:
La misma empresa distribuidora se dio cuenta que de los 50 equipos

de cmputo, 30 tenan procesador Intel y 20 AMD, se enviaron 10 unidades a una
sucursal y desean saber cul es la probabilidad de que 5 tengan un procesador
Intel.
(30
5
)(5030
105
)
(5) = = 0.2150
(50
10
)

Ingenieras
StatAdvisor
Esta ventana evala la distribucin acumulada de la Distribucin

Hipergeomtrica. Calcular las reas de colas para hasta 5 valores crticos de la
distribucin. Tambin calcular la probabilidad de densidad la funcin de masa.
Por ejemplo, el resultado indica que, para la primera distribucin especificada, la
probabilidad de obtener un valor menor que 5.0 es 0.139888. Tambin, la
probabilidad de obtener un valor mayor que 5.0 es 0.645027. La probabilidad de
obtener un valor exactamente igual a 5.0 es 0.215085.
Distribucin de Poisson
La variable aleatoria X tiene esta distribucin si su funcin de probabilidades

con parmetro esta expresada por:

() =
!
Ejemplo:
Un programador realiza un programa, en las pruebas el detecto que 3 de

cada 10 veces que lo ejecuta ocurre un error de acceso a la memoria protegida, y
desea saber la probabilidad de que se corrompa dos veces si lo ejecuta 5 veces en
su exposicin.
1.5 1.52
(2) = = 0.2510
2!
Ingenieras
StatAdvisor
Esta ventana evala la distribucin acumulada de la Distribucin Poisson.

Tambin calcular la probabilidad de densidad la funcin de masa. Por ejemplo,
un valor mayor que 2.0 es 0.191153. La probabilidad de obtener un valor
exactamente igual a 2.0 es 0.251022.
Ingenieras
Modelos de probabilidad para variables continuas
Distribucin normal y normal estndar
La distribucin continua ms usada en todo el campo de la estadstica es la

distribucin normal.
Describe una forma muy aproximada a muchos fenmenos que suceden en

la naturaleza, en la industria y en la investigacin cientfica de mercados.
La grfica de la distribucin se conoce como curva normal.

Propiedades:
La grfica de la distribucin es simtrica, continua y de forma de

campana, por lo que la media, la mediana y la moda coinciden en
el intervalo de la curva.
La distancia paralela al eje horizontal que parte de una lnea
perpendicular que se levanta a partir de la media o el valor
esperado de X, al punto de inflexin de la curva, se llama
desviacin estndar.
Los puntos de inflexin de la curva se localizan en -1 y 1.
El rea total bajo la curva es igual a 1.
Definicin
La variable aleatoria X tiene la distribucin normal si su funcin de densidad

de probabilidades est dada por:
1 [
1
()2 ]
() = 22
2
Ingenieras
La aplicacin de la expresin es compleja y laboriosa, debido a que se tiene

que integrar por partes la funcin.
Distribucin normal estndar
En la prctica es comn que todos los valores de la variable aleatoria normal

X sean convertidas a otro conjunto de valores de la variable aleatoria normal
estndar Z, con media igual a cero y varianza igual a 1, a travs de la expresin:
Es decir, los valores reales se transforman en unidades de desviacin

estndar y el resultado se interpola en la tabla de reas bajo la curva normal, donde
la primera columna de la tabla tiene distintos valores de Z entre -3.6 a 3.6 que al
interpolarse con el segundo decimal de la fila superior se encuentra la probabilidad
o el rea.
Ejemplo:
Un programador afirma que el promedio de tiempo de ejecucin de su

logaritmo es de 450 milisegundos, donde el tiempo es una variable aleatoria
continua que se distribuye normalmente con una desviacin estndar de 100
milisegundos.
Cul es la probabilidad de que el programa se ejecute con un tiempo menor

de 500 milisegundos?
500450
= = .5
100
Ingenieras
El programa tiene una probabilidad de correr con un tiempo menor a 500

milisegundos de 69.15%
Cul es la probabilidad de que el programa se ejecute con un tiempo mayor

de 550 milisegundos?
550450
= = .5
100
El programa tiene una probabilidad de correr con un tiempo mayor a 550

milisegundos de 15.87%
Ingenieras
StatAdvisor
Esta ventana evala la distribucin acumulada de la Distribucin Normal.

Tambin calcular la probabilidad de densidad la funcin de masa. Por ejemplo,
un valor mayor que 500.0 es 0.308536. La altura de la funcin de densidad de
probabilidad en 500.0 es 0.00352065.
CONCLUSION
Despus de realizar esta actividad se lleg a la conclusin de que una

distribucin de probabilidad son los valores probabilsticos que se le da a la variable
aleatoria, las distribuciones de probabilidad pueden ser discretas o continuas segn
la variable aleatoria. La variable aleatoria es la funcin que asigna un valor al
resultado de un experimento aleatorio, se le llama aleatoria porque puede tomar
mltiples valores, si sus posibles resultados son finitos entonces se dice que es una
variable aleatoria discreta, de lo contrario se le llama variable aleatoria continua.
Dependiendo de la variable aleatoria se pueden aplicar distintos modelos de

probabilidad, por ejemplo, para las variables aleatorias discretas existen la
distribucin binomial, hipergeomtrica y de Poisson mientras que para la variable
aleatoria continua se usa la distribucin normal, la cual se aplica en muchos casos
de la naturaleza, la industria y en investigacin cientfica de mercados, as como
tambin en el anlisis de algoritmos.
Ingenieras
La distribucin de probabilidad binomial la podemos identificar si esta

presenta slo dos parmetros, el numero de la muestra y la probabilidad de que
ocurra algo, slo existen dos posibles resultados, el xito o el fracaso. Se utiliza
cunado se tiene una probabilidad fija, es decir, esta no cambia y siempre es la
misma para todos los experimentos que se hagan donde todos los experimentos
son idnticos.
La distribucin de probabilidad hipergeomtrica es otro modelo para variables

aleatorias discretas, sta la identificamos cuando se nos dan tres parmetros, el
nmero total de la poblacin N, el numero de la muestra n, y el nmero de resultados
con xito en N. Se utiliza cuando no es posible remplazar el evento del espacio
muestral.
La distribucin de probabilidad de Poisson se caracteriza por tener un solo

parmetro, que es el promedio de xitos en funcin de tiempo o espacio, se utiliza
cuando el nmero de ensayos es grande y la probabilidad es mnima a tal grado
que pueda ser infinita, se asemeja con la distribucin binomial.
BIBLIOGRAFA

Modelos de Probabilidad

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modelos de Probabilidad

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad de Guadalajara

Centro Universitario de Ciencias Exactas e

La probabilidad es la rama de las matemticas la cual permitir mediante

eventos ocurran, es decir, se encarga del estudio de los fenmenos o

experimentos aleatorios, la probabilidad ayuda para la toma de decisiones

debido a que proporciona una forma de medir, expresar y analizar las

incertidumbres asociadas con eventos futuros de razones entre el nmero de

empresas pues permite evaluar sus productos o su personal. En la informtica,

la probabilidad nos permite evaluar y analizar algoritmos, pues es importante

saber cual el la velocidad en la cual ejecutar ciertas tareas, la cual es una

variable aleatoria a la que se le pueden hacer pruebas probabilsticas

Antes de entrar con los modelos de probabilidad es importante reconocer

conceptos como experimento, el cual es el proceso en el que se emplean

proporcione ciertos datos, este puede ser un experimento aleatorio, pues no

podemos predecir el resultado del mismo. La cantidad de datos recabados

un espacio muestral continuo si contiene un numero infinito de observaciones.

Otro concepto que debemos entender es la variable aleatoria, esta es toda

valores cualesquiera de una caracterstica, o bien puede ser continua si toma

Para poder hacer el clculo adecuado de probabilidad, existen modelos

de probabilidad, tal como es la distribucin de probabilidad binomial,

hipergeomtrica, poisson, y la normal estndar, entre muchas otras, pero en este

ensayo me enfocar en esas cuatro antes mencionadas.

Para las variables aleatorias discretas usaremos la distribucin de

probabilidad binomial, hipergeomtrica y la de poisson mientras que para las

variables aleatorias continuas usamos la distribucin normal.

Definir los trminos distribucin de probabilidad y variable aleatoria.

MODELO MATEMTICO O ESTADSTICO

Una distribucin de probabilidad queda definida y caracterizada por:

La especificacin de la variable aleatoria y su campo de variacin.

Modelos de probabilidad para variables discretas

Se pueden encontrar ejemplos de variables aleatorias discretas en

Distribucin de probabilidad Binomial

La variable aleatoria X tiene la distribucin binomial si su funcin de

Una compaa productora de equipos de cmputo afirma que el 90% de sus

USO DEL STATGRAPHICS Y SOFWARE

Esta ventana evala la distribucin acumulada de la Distribucin Binomial.

Distribucin de probabilidad hipergeomtrica

La variable aleatoria X tiene esta distribucin si su funcin de probabilidades

La misma empresa distribuidora se dio cuenta que de los 50 equipos

USO DEL STATGRAPHICS Y SOFWARE

Esta ventana evala la distribucin acumulada de la Distribucin

La variable aleatoria X tiene esta distribucin si su funcin de probabilidades

Un programador realiza un programa, en las pruebas el detecto que 3 de

USO DEL STATGRAPHICS Y SOFWARE

Esta ventana evala la distribucin acumulada de la Distribucin Poisson.

Modelos de probabilidad para variables continuas

Distribucin normal y normal estndar

La distribucin continua ms usada en todo el campo de la estadstica es la

Describe una forma muy aproximada a muchos fenmenos que suceden en

La grfica de la distribucin se conoce como curva normal.

La grfica de la distribucin es simtrica, continua y de forma de

La variable aleatoria X tiene la distribucin normal si su funcin de densidad

La aplicacin de la expresin es compleja y laboriosa, debido a que se tiene

En la prctica es comn que todos los valores de la variable aleatoria normal

Es decir, los valores reales se transforman en unidades de desviacin

Un programador afirma que el promedio de tiempo de ejecucin de su

Cul es la probabilidad de que el programa se ejecute con un tiempo menor

El programa tiene una probabilidad de correr con un tiempo menor a 500

Cul es la probabilidad de que el programa se ejecute con un tiempo mayor

El programa tiene una probabilidad de correr con un tiempo mayor a 550

Esta ventana evala la distribucin acumulada de la Distribucin Normal.

Despus de realizar esta actividad se lleg a la conclusin de que una

Dependiendo de la variable aleatoria se pueden aplicar distintos modelos de

La distribucin de probabilidad binomial la podemos identificar si esta