Tema4 Diapositivas Modelos EDB 2021-I

Modelos de Probabilidad
Tema 4
Dr. Ing. Willy Ugaz

Ingeniería Industrial y
de Sistemas
Tema 4: Modelos de probabilidad
99,7%
Universidad de Piura
1. Introducción.
2. El proceso de Bernoulli.
3. El proceso de Poisson.
4. Variables aleatorias asociadas al proceso de Poisson.
5. La variable aleatoria normal.
6. Relación entre la normal, la binomial y la Poisson.
7. Otros modelos de probabilidad.
3
1. Introducción
Objetivo: Catálogo de modelos de probabilidad que sean útiles para describir

variables aleatorias en problemas reales en ingeniería.
Dados una datos reales...
...seleccionamos el modelo que más

se parezca a esos datos
¿f(x)?
¿f(x)? ¿f(x)?
1. Introducción
Ya hemos visto en el tema anterior dos modelos: la uniforme discreta y la uniforme continua
Distribución Uniforme Discreta
Sea 𝑋 una variable aleatoria discreta que toma los valores 𝑥1 , 𝑥2 , … , 𝑥𝐽 todos con
igual probabilidad (no tienen por qué ser valores enteros consecutivos). Entonces 𝑋
recibe el nombre de variable aleatoria discreta.
Función de probabilidad:
1
𝑝 𝑥 =
𝐽
1
1
5
𝑥1 𝑥2 𝑥3 𝑥4 𝑥5 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
Función de probabilidad Función de distribución de Prob.
1. Introducción
Distribución Uniforme Continua

La variable aleatoria continua X definida en el intervalo [a,b] recibe el nombre de
uniforme o rectangular, si su densidad es constante en todo su soporte [a,b]. Su
notación es 𝑋 ∼ 𝑈(𝑎, 𝑏)
Función de probabilidad Función de distribución
1 0 𝑠𝑖 𝑥 < 𝑎
𝑓 𝑥 = , 𝑥 ∈ [𝑎, 𝑏] 𝑥−𝑎
𝑏−𝑎 𝐹 𝑥 =൞ 𝑠𝑖 𝑥 ∈ [𝑎, 𝑏]
𝑏−𝑎
1 𝑠𝑖 𝑥 > 𝑏
𝑎+𝑏 𝑏−𝑎 2
𝐸 𝑋 = ; 𝑉𝑎𝑟 𝑋 =
2 12
1
1
𝑏−𝑎
𝑎 𝑏 𝑏
𝑎
¿Moda?¿Asimetría? ¿𝑄1 , 𝑄2 , 𝑄3 ?
1. Introducción.
7
2. El proceso de Bernoulli
Supongamos un experimento que sólo tiene dos resultados posibles:

• Éxito/fracaso
• Observamos un atributo/no observamos dicho atributo
Ejemplos:
• Artículo aceptable/defectuoso
• Cliente satisfecho/no satisfecho
• Conexión/bloqueo
• Cara/cruz
• Votará/no votará
• Compra/no compra
2.1 La distribución de Bernoulli
Supongamos un proceso productivo que genera artículos que pueden ser

defectuosos o aceptables ...
Proceso
productivo
... ...
Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2
Cada artículo puede ser defectuoso o aceptable
Asignamos una variable 𝑋𝑖 a cada

artículo...
1 si el artículo i es defectuoso Variable aleatoria
𝑋𝑖 = de Bernoulli
0 si el artículo i no es defectuoso

Proceso
productivo
... ...
𝑋1 𝑋2 𝑋3 𝑋4 𝑋𝑛 𝑋𝑛+1 𝑋𝑛+2
1ó0 1ó0 1ó0 1ó0 1ó0 1ó0 1ó0
A la secuencia de estas v. aleatorias: X1,X2,X3,... PROCESO DE BERNOULLI

Proceso
productivo
... ...
... ...
0 1 1 0 0 1 0
11
Hipótesis simplificadoras:
Estabilidad: el riesgo de que un artículo sea defectuoso es siempre el

mismo. El sistema ni empeora ni mejora con el tiempo
Independencia: la probabilidad de que un artículo sea defectuoso no

depende de si el anterior artículo fue o no defectuoso. Un artículo será
defectuoso por causas que aparecen de forma fortuita. NO HAY MEMORIA
La probabilidad de que un artículo sea

defectuoso es siempre la misma = 𝒑
𝑷(𝑿𝒊 = 𝟏) = 𝒑; i=1,2,...
Proceso
productivo
... ...
𝑋1 𝑋2 𝑋3 𝑋4 𝑋𝑛−2 𝑋𝑛−1 𝑋𝑛
Todas las Xi tienen las mismas propiedades

𝑋1 , 𝑋2 , 𝑋3 , … es una sucesión de Bernoullis idénticas
Proceso
productivo
... ...
|
𝑋1 𝑋2 𝑋3 𝑋4 𝑋𝑛 𝑋𝑛+1 𝑋𝑛+2
1 si el artículo i es defectuoso ......... 𝑃(𝑋𝑖 = 1) = 𝑝
𝑋𝑖 =
0 si el artículo i no es defectuoso ..... 𝑃(𝑋𝑖 = 0) = 1 − 𝑝
𝑋𝑖 = variable aleatoria Bernoulli

𝑿𝒊 ~𝑩𝒆(𝒑) 𝐸(𝑋𝑖) = 𝑝; 𝑉𝑎𝑟(𝑋𝑖) = 𝑝(1 − 𝑝)
2.2 La distribución Binomial
Proceso
productivo
... ...
𝑋1 𝑋2 𝑋3 𝑋4 ... 𝑋n 𝑋n+1 𝑋n+2 ...

Tomamos una muestra de n artículos
𝑋 = número de artículos defectuosos en n
X=¿? ¿0,1,2,3,4,...,n?
𝑋 = variable aleatoria BINOMIAL
𝑿~𝑩(𝒏, 𝒑)
2.2 La distribución de Binomial
X= variable aleatoria BINOMIAL

• Espacio muestral: Ωx ={0,1,2,...,n}
• Función de probabilidad
𝑛 𝑥 𝑛−𝑥
𝑝 𝑥 =𝑃 𝑋=𝑥 = 𝑝 1−𝑝 ; 𝑥 = 0,1, ⋯ , 𝑛;
𝑥
𝑛 𝑛!
=
𝑥 𝑥! 𝑛 − 𝑥 !
𝑋 ∼ 𝐵(7; 0.3)
Función de probabilidad Función de distribución
Ejercicios: • ¿p(3)?
• 𝐹 ? = 0.25
• 𝑃 𝑋 ≤ 1 =?
Proceso
productivo
... ...
𝑋1 𝑋2 𝑋3 𝑋4 𝑋n 𝑋n+1 𝑋n+2
1ó0 1ó0 1ó0 1ó0 1ó0 1ó0 1ó0
X= número de artículos defectuosos en n

Bernoullis (1 ó 0)
X= suma de las n Bernoullis

18
𝑋 = variable aleatoria BINOMIAL

Bernoullis (1 ó 0) independientes
Propiedades:
𝐸 𝑋 =? y Var 𝑋 =?
Por ser independientes, la

varianza de su suma es la 𝑝𝑞
suma de sus varianzas
Ejemplo: Se sabe por información histórica que cuando la máquina M opera en

condiciones normales produce un 0.5% de artículos defectuosos. Se produce un
lote con 200 artículos:
•¿Cuál es la probabilidad de producir 2 artículos defectuosos?
•¿Cuál es la probabilidad de producir más de 4 artículos defectuosos?
artículos producidos
1 2 200
Máquina ... 𝑋 = número de artículos
defectuosos en n=200
Si la máquina funciona correctamente, supondremos que
𝑋~𝐵(200,0.005)
Ejemplo: Se sabe por información histórica que cuando la máquina M opera en
condiciones normales produce un 0.5% de artículos defectuosos. Se produce un
lote con 200 artículos:
•¿Cuál es la probabilidad de producir más de 4 artículos defectuosos?
𝑋 = número de artículos defectuosos en 𝑛 = 200

𝑋~𝐵(200,0.005)
P(X 5)=1-P(X 4)=1-(0.367+0.369+0.184+0.061+0.015)=0.004
1. Introducción.
22
3. El proceso de Poisson
Proceso de Bernoulli: sucesión de elementos en los que SI/NO se observa un suceso
Los sucesos aparecen de forma fortuita sobre un elemento

(soporte discreto)
Algunos elementos tienen el suceso y otros no lo tienen
Proceso de Poisson: los sucesos aparecen de forma fortuita...

sobre un soporte continuo (longitud, tiempo, superficie, etc)
Proceso productivo Soporte en el que se observan los

sucesos: tiempo, longitud,
superficie ...
0 1 2 3 4 5 6 ...
Unidad de medida
...
X=sucesos observados (p.e. defectos) en cada unidad de medida
Proceso de Poisson: los sucesos aparecen
con una media estable y de forma
independiente sobre un soporte continuo:
no hay memoria
1. Introducción
2. El proceso de Bernoulli
4. Variables aleatorias asociadas al proceso de Poisson
4.1 Distribución de Poisson
4.2 Distribución exponencial
5. La variable aleatoria normal
6. Relación entre la normal, la binomial y la Poisson
25
Proceso productivo Soporte en el que se observan los

superficie ...
...
0 1 2 3 4 5 6 i-1 i
xi=? sucesos
x1=2 sucesos x2=2 sucesos x3=4 sucesos x4=1 sucesos x5=3 sucesos x6=1 sucesos
X=sucesos observados en cada unidad de medida

x={0,1,2,3,...}
X es una variable aleatoria de Poisson

X~P()
X~Poi()
X es una variable aleatoria de Poisson

X~P() 𝑋~𝑃𝑜𝑖()
número medio de
sucesos por unidad de
•Función de probabilidad: medida
•Medidas características:
•Aditividad:
Sea 𝑋1 y 𝑋2 dos v. aleatorias de Poisson independientes
𝑋1 ~𝑃𝑜𝑖(𝜆1 ) ; 𝑋2 ~𝑃𝑜𝑖(𝜆2 )
Entonces 𝑌 = 𝑋1 + 𝑋2 es también Poisson
𝑌 ~𝑃𝑜𝑖(𝜆1 + 𝜆2 )
Ejemplo: Un servidor de una pequeña red recibe una media de 7 accesos al minuto.
Suponiendo que los accesos a dicho servidor suceden de forma
independiente y con un ritmo medio constante.
Se quiere calcular la probabilidad de que reciba 3 accesos en un minuto
X= número de accesos en un minuto; X~Poi(7)
73 −7
𝑃 𝑋 = 3 = 𝑒 = 0.0521
3!
28
Ejemplo: Un servidor de una pequeña red recibe una media de 7 accesos al minuto.
Suponiendo que los accesos a dicho servidor suceden de forma
independiente y con un ritmo medio constante.
Se quiere calcular la probabilidad de que reciba más de 10 accesos en un
minuto, que es el número de accesos a partir del cual el servidor tendría
un rendimiento deficiente.
X= número de accesos en un minuto; X~Poi(7)
29
4.2 La distribución exponencial
Proceso productivo
Soporte en el que se observan los
superficie ...
1 2 3
0
t1 t2 t3 t4 t5
• T=intervalo entre dos sucesos consecutivos de un proceso de Poisson

• Intervalos: unidades de tiempo, longitud, etc
• V. aleatoria continua. Sus valores: 𝑡 ≥ 0
T se denomina variable aleatoria exponencial
𝑇~𝐸𝑥𝑝()
La media del proceso de Poisson. Número
medio de sucesos por unidad de medida
T=intervalo entre dos sucesos consecutivos de un proceso de Poisson
𝑇~𝐸𝑥𝑝()
Función de densidad de probabilidad

•Función de densidad:
𝑓 𝑡 = 𝜆𝑒 −𝜆𝑡 ; 𝑡 ≥ 0, 𝜆 > 0
•Función de distribución de probabilidad:
𝐹 𝑡 = 𝑃 𝑇 ≤ 𝑡 = 1 − 𝑒 −𝜆𝑡
Función de distribución de probabilidad

•Medidas características
Ejemplo: El proceso de llegadas de clientes a un puesto de servicio se produce de manera estable e
independiente, siendo el intervalo transcurrido entre la llegada de dos clientes
consecutivos una variable aleatoria exponencial.
Por término medio llega un cliente cada minuto.
(a) ¿Cuál es la probabilidad de que no lleguen clientes en 3 minutos?
(b) ¿Cuál es la probabilidad de que el intervalo de tiempo entre dos clientes consecutivos
sea inferior a un minuto?
t6 t5 t4 t3 t2 t1
T=intervalo (minutos) entre dos clientes consecutivos

T~Exp(); =1 cliente/minuto
(a)
(b)
32
Ausencia de memoria
El proceso de Poisson no tiene memoria.

Por ejemplo, no se acuerda de cuánto tiempo ha transcurrido desde el último suceso observado
1 1
¿Probabilidad de que
esperemos menos de un P(T  1) =  f (t )dt =  e− t dt =1 − e− 1
minuto al próximo
cliente? 0 0
¿T<1? P  (T  11)  (T  10)  P (10  T  11)

P(T  11| T  10) = =
P (T  10) P (T  10)
Después de esperar 10
minutos sin venir clientes... P(T  11) − P(T  10)
=
¿Probabilidad de que llegue P(T  10)
en el próximo minuto?
( ) − (1 − e ) = 1− e
10 t
−  11 −  10 10 11
1− e −  1
¿T<1? = = P (T  1)
e −  10
33
La distribución exponencial también es útil para modelizar el tiempo transcurrido desde
un instante dado hasta que aparece una avería por causa fortuita
0 Tiempo hasta fallo fortuito
Componente 1 t1
Componente 2 t2
Componente 3 t3
Componente K tK
T=tiempo hasta que un equipo, componente, comunicación, etc, falla por causa fortuita.
T~Exp()
¿Por qué fortuita? Porque NO HAY MEMORIA
No hay envejecimiento ni mejora, E(T)=1/ es constante
Ejemplo: La duración de un componente es una v. aleatoria exponencial de media 5000 h.

(a) ¿Cuál es la probabilidad de que dure más de 6000 horas?
(b) ¿Cuál es la probabilidad de que dure más de 6000 horas adicionales si lleva
funcionando 1000 horas? (6000 horas adicionales a las 1000 que lleva
funcionando)
T= duración: tiempo hasta FALLO T~Exp()
E(T)=1/=5000 horas =(1/5000) fallos/hora
(a)
(b)
No hay envejecimiento. Tampoco fallos ‘infantiles’ (por defectos de fabricación)

¿Es esta hipótesis siempre razonable?
1. Introducción.
36
Sea X una variable aleatoria continua con 𝐸(𝑋) = 𝜇 y 𝑣𝑎𝑟(𝑋) = 𝜎2

Sigue una distribución normal o Gaussiana si tiene la siguiente función de densidad
𝑋~𝑁(𝜇 , 𝜎2)
Propiedades más importantes:
• Simétrica con forma de campana (‘campana de Gauss’)

• Media y varianza son características independientes
• Concentrada alrededor de la media (moda=media)
95% 99,7%
μ 2σ μ 3σ
Otras propiedades importantes:
• Si hacemos una transformación lineal de una normal, el resultado es

una variable aleatoria normal
• La combinación lineal de variables aleatorias normales, da como

resultado una variable aleatoria normal
Ejemplo: Sean 𝑋₁ ∼ 𝑁(𝜇1, 𝜎12 ) y 𝑋₂ ∼ 𝑁(𝜇2, 𝜎22 ), dos variables aleatorias normales
independientes la una de la otra.
Entonces 𝑌 = 𝑎𝑋₁ + 𝑏𝑋₂ es también una distribución normal.
Además se tendrá que
𝐸(𝑌) = 𝐸(𝑎𝑋₁ + 𝑏𝑋₂) = 𝑎𝜇₁ + 𝑏𝜇₂
Por ser ambas variables aleatorias independientes se tiene también
que
𝑉𝑎𝑟(𝑌) = 𝑉𝑎𝑟(𝑎𝑋₁ + 𝑏𝑋₂) = 𝑎²𝜎1² + 𝑏²𝜎2²,
Es difícil de integrar
• Integramos usando métodos numéricos (computadora)

• Integramos usando Tablas
• Sólo hay tablas de la N(0,1), que también se llama Normal Estándar o Z
• Transformamos un problema de X~N(μ,σ2) a Z~N(0,1). Esta transformación se

llama estandarización o tipificación
Entonces:
Función de distribución de la normal

estándar: P(z<z0)
X
σ
b a
μ
z
1
El área es la misma
zb za
0
41
𝑃(𝑧 < −2.25)=0.0122
42
La longitud L en milímetros, de las piezas fabricadas en un proceso es una variable
Ejemplo: aleatoria que se distribuye según una N(32,0.3²), considerándose aceptables
aquellas cuya medida se encuentra dentro del intervalo (31.1,32.6). Calcular la
probabilidad de que una pieza elegida al azar sea aceptable.
Ejemplo Varios tests de inteligencia dieron una puntuación que sigue una ley normal con media
100 y desviación típica 15.
(a) Determinar el porcentaje de población que obtendría un coeficiente entre 95 y 100.
(b) ¿Qué intervalo centrado en 100 contiene al 50% de la población?
(a)
(b)
43
El Teorema Central del Límite (TCL)
• Sean X1,X2,...,Xn un conjunto de v. aleatorias cualquiera tal que
• Sea Y= X1+X2+...+Xn
Entonces, si n→∞ 𝑌 ∼ 𝑁[𝐸(𝑌), 𝑉𝑎𝑟(𝑌)]
Si sumamos muchas variables aleatorias, el resultado es una

normal, aunque las variables que sumemos no lo sean
Ejemplo
Para completar un proceso productivo es necesario realizar un total de 60 tareas que se van ejecutando
una a continuación de la otra. La duración de cada tarea sigue una distribución exponencial de media 1
minuto. ¿Cuál es la probabilidad de que el proceso se complete antes de una hora?
Por el TCL El tiempo T total será una normal

N(60,60). Por tanto P(T<60)=0.5
1. Introducción.
45
Aplicación del TCL a la Binomial
Sea 𝑋~𝐵(𝑛, 𝑝). Entonces 𝑋 = 𝑋1 + 𝑋2 + ⋯ + 𝑋𝑛 ,

donde 𝑋𝑖 son variables de Bernoulli
Entonces, si n es suficientemente grande, tal que 𝑛𝑝(1 − 𝑝) > 5

𝑋~𝑁(𝑛𝑝, 𝑛𝑝(1 − 𝑝))
B(10,0.1) B(30,0.5)
Ejemplo: Se tiene un lote de 5000 artículos fabricados por la misma máquina M. Se sabe que en
condiciones habituales de funcionamiento, la máquina produce un 1% de artículos
defectuosos. ¿Cuál es la probabilidad de que en ese lote haya más de 50 artículos
defectuosos?
𝑋 ∼ 𝐵(5000,0.01). Como np(1-p)=5000×0.01×0.99=49.5 tendremos que

𝑋 ∼ 𝑁 50,49.5 ⇒ 𝑃(𝑋 > 50) = 0.5
46
Aplicación del TCL a la Poisson
Sea Yi ~Poi(i) Entonces 𝑌 = 𝑌1 + 𝑌2 + ⋯ + 𝑌𝑛 ~Poi() con  = 1 + ⋯ + 𝑛
Si n es suficientemente grande, tal que >5, entonces

Y~N(, )
0.4 0.14
0.35
0.12
λ=15
0.3
0.25
λ=1.5 0.1
0.08
0.2
0.06
0.15
0.04
0.1
0.05 0.02
0
-1 0 1 2 3 4 5 6 7 8 10 0
0 5 10 15 20 25 30
Ejemplo: Un cable de fibra óptica tiene por término medio 2 defectos por cada 10
metros de cable. ¿Qué unidad de medida deberíamos usar para utilizar la
normal en el cálculo de probabilidades?
Para que >5 defectos por unidad de medida necesitamos utilizar

como unidad de medida mínima los 25 metros
47

Tema4 Diapositivas Modelos EDB 2021-I

Cargado por

Copyright:

Formatos disponibles

Tema4 Diapositivas Modelos EDB 2021-I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema4 Diapositivas Modelos EDB 2021-I

Cargado por

Copyright:

Formatos disponibles

Modelos de Probabilidad

Dr. Ing. Willy Ugaz

Objetivo: Catálogo de modelos de probabilidad que sean útiles para describir

Dados una datos reales...

...seleccionamos el modelo que más

Distribución Uniforme Discreta

Distribución Uniforme Continua

Supongamos un experimento que sólo tiene dos resultados posibles:

Supongamos un proceso productivo que genera artículos que pueden ser

Cada artículo puede ser defectuoso o aceptable

Asignamos una variable 𝑋𝑖 a cada

Supongamos un proceso productivo que genera artículos que pueden ser

A la secuencia de estas v. aleatorias: X1,X2,X3,... PROCESO DE BERNOULLI

Supongamos un proceso productivo que genera artículos que pueden ser

Estabilidad: el riesgo de que un artículo sea defectuoso es siempre el

Independencia: la probabilidad de que un artículo sea defectuoso no

La probabilidad de que un artículo sea

Todas las Xi tienen las mismas propiedades

Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

𝑋𝑖 = variable aleatoria Bernoulli

𝑋1 𝑋2 𝑋3 𝑋4 ... 𝑋n 𝑋n+1 𝑋n+2 ...

𝑋 = número de artículos defectuosos en n

X= variable aleatoria BINOMIAL

• Espacio muestral: Ωx ={0,1,2,...,n}

Función de probabilidad Función de distribución

Artículo 1 Artículo 2 Artículo 3 Artículo 4 Artículo n Artículo n+1 Artículo n+2

X= número de artículos defectuosos en n

X= suma de las n Bernoullis

𝑋 = variable aleatoria BINOMIAL

Por ser independientes, la

Ejemplo: Se sabe por información histórica que cuando la máquina M opera en

Si la máquina funciona correctamente, supondremos que

𝑋 = número de artículos defectuosos en 𝑛 = 200

P(X 5)=1-P(X 4)=1-(0.367+0.369+0.184+0.061+0.015)=0.004

Proceso de Bernoulli: sucesión de elementos en los que SI/NO se observa un suceso

Los sucesos aparecen de forma fortuita sobre un elemento

Algunos elementos tienen el suceso y otros no lo tienen

Proceso de Poisson: los sucesos aparecen de forma fortuita...

Proceso productivo Soporte en el que se observan los

Proceso productivo Soporte en el que se observan los

X=sucesos observados en cada unidad de medida

X es una variable aleatoria de Poisson

X es una variable aleatoria de Poisson

X= número de accesos en un minuto; X~Poi(7)

• T=intervalo entre dos sucesos consecutivos de un proceso de Poisson

Función de densidad de probabilidad

Función de distribución de probabilidad

T=intervalo (minutos) entre dos clientes consecutivos

El proceso de Poisson no tiene memoria.

¿T<1? P  (T  11)  (T  10)  P (10  T  11)

¿Por qué fortuita? Porque NO HAY MEMORIA

No hay envejecimiento ni mejora, E(T)=1/ es constante

Ejemplo: La duración de un componente es una v. aleatoria exponencial de media 5000 h.

T= duración: tiempo hasta FALLO T~Exp()

E(T)=1/=5000 horas =(1/5000) fallos/hora

No hay envejecimiento. Tampoco fallos ‘infantiles’ (por defectos de fabricación)

Sea X una variable aleatoria continua con 𝐸(𝑋) = 𝜇 y 𝑣𝑎𝑟(𝑋) = 𝜎2

Propiedades más importantes:

• Simétrica con forma de campana (‘campana de Gauss’)