You are on page 1of 6

UNIVERSIDAD DE LOS LLANOS

MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


INTRODUCCIN.

Un modelo es una simplificacin de la realidad. Un modelo probabilstico es un modelo matemtico
que describe el comportamiento de una variable aleatoria. Es una funcin que depende de los valores
de la variable aleatoria, y de otras cantidades que caracterizan a una poblacin en particular y que se
denominan parmetros del modelo.

En el proceso de modelacin, se recomienda seguir los siguientes pasos:

1. Seleccionar el modelo ms apropiado.
2. Ajustar el modelo (calcular el valor de sus parmetros).
3. Verificar el modelo.
4. Decidir su aceptacin o volver al paso 1.

Para ejecutar el paso 1, podemos optar por una amplia gama de modelos de probabilidad,
desarrollados para representar distintos tipos de variables y diferentes fenmenos aleatorios. Por lo
tanto, el problema se reduce a elegir el modelo ms apropiado para el caso en estudio. Para ejecutar
el paso 2, es necesario recopilar una muestra representativa de la poblacin en estudio y calcular las
cantidades necesarias como para evaluar los parmetros del modelo.

MODELOS PROBABILSTICOS PARA VARIABLES DISCRETA

LA DISTRIBUCIN BINOMIAL.

Esta distribucin describe una variedad de procesos de inters para los administradores y describe
datos discretos, no continuos, que son resultado de un experimento conocido como proceso de
Bernoulli.

Uso del proceso de Bernoulli.

Podemos describir el proceso de la manera siguiente:

1. Cada intento tiene slo dos resultados posibles.
2. La probabilidad del resultado de cualquier intento permanece fijo con respecto al tiempo.
3. Los intentos son estadsticamente independientes.
4. Frmula binomial:

Probabilidad de r xitos en n ensayos = n! / [r! (n - r)!] prqn r

p = probabilidad caracterstica o probabilidad de tener xito
q = 1 - p = probabilidad de fracaso
r = nmero de xitos deseados
n = nmero de intentos hechos

Generalizaciones:







UNIVERSIDAD DE LOS LLANOS
MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


Cuando p es pequea (0,1), la distribucin binomial est sesgada hacia la derecha.
Cuando p aumenta (0,3 por ejemplo), el sesgo es menos notable.
Cuando p = 0,5, la distribucin binomial es simtrica.
Cuando p es mayor que 0,5, la distribucin esta sesgada hacia la izquierda.
Las probabilidades para 0,3, por ejemplo, sonlas mismas para 0,7, excepto que los valores dep
y q estn invertidos. Esto es cierto paracualquier pareja de valores p y qcomplementarios.



Medidas de tendencia central y de dispersin para la distribucin binomial.

La distribucin binomial tiene un valor esperado o media y una desviacin estndar.

Valor esperado o media: m = np
Desviacin estndar: s = npq

Cumplimiento de las condiciones del proceso de Bernoulli.

Necesitamos ser cuidadosos en el uso de la distribucin binomial de la probabilidad y asegurar que se
cumplen las tres condiciones necesarias, en particular las condiciones 2 y 3. La condicin 2 requiere
que la probabilidad del resultado de cualquier intento permanezca fija en el tiempo. La condicin 3
requiere que los ensayos o intentos de un proceso de Bernoulli sean estadsticamente independientes,
es decir, que el resultado de un intento no puede afectar de ningn modo el resultado de cualquier otro
intento.

DISTRIBUCINES DE VARIABLE ALEATORIA CONTINUA.

LA DISTRIBUCIN NORMAL

La variable puede tomar cualquier valor que est en un intervalo de valores dado, y la distribucin de
probabilidad es continua. Las razones bsicas de la importancia de la distribucin normal son:

1. Tiene algunas propiedades que la hacenaplicable a un gran nmero de situaciones enlas que
es necesario hacer inferencias mediantela toma de muestras. La distribucin normal esuna til
distribucin de muestreo.
2. La distribucin normal casi se ajusta a lasdistribuciones de frecuencias reales observadasen
muchos fenmenos, incluyendocaractersticas humanas (pesos, alturas),resultados de
procesos fsicos (dimensiones yrendimientos) y muchas otras medidas deinters para los
administradores.

Caractersticas de la distribucin normal de probabilidad.

1. La curva tiene un solo pico; por tanto, esunimodal. Tiene forma de campana.
2. La media de una poblacin distribuidanormalmente cae en el centro de su curvanormal.






UNIVERSIDAD DE LOS LLANOS
MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


3. Debido a la simetra de la distribucin normal deprobabilidad, la mediana y la moda
seencuentran tambin en el centro; enconsecuencia, para una curva normal, la media,la
mediana y la moda tienen el mismo valor.
4. Los dos extremos de la distribucin normal deprobabilidad se extienden indefinidamente
ynunca tocan el eje horizontal.La mayor parte de las poblaciones reales no seextienden de
manera indefinida en ambas direcciones;pero en estas poblaciones, la distribucin normal es
unaaproximacin conveniente. No hay una sola distribucinnormal, sino una familia de curvas
normales. Paradefinir una distribucin normal de probabilidadnecesitamos definir slo dos
parmetros: la media y ladesviacin estndar. La curva normal puede describir ungran nmero
de poblaciones, diferenciadas solamentepor la media, la desviacin estndar o por ambas.

reas bajo la curva normal.

No importa cules sean los valores de m y s para una distribucin de probabilidad normal, el rea bajo
la curva es 1,00, de manera que podemos pensar en reas bajo la curva como si fueran
probabilidades.

Matemticamente:

1. Aproximadamente el 68% de todos los valoresde una poblacin normalmente distribuida
seencuentran dentro + 1 desviacin estndar de lamedia.
2. Aproximadamente 95,5% de todos los valoresde una poblacin normalmente distribuida
seencuentran dentro de + 2 desviaciones estndarde la media.
3. Aproximadamente 99,7% de todos los valoresde una poblacin normalmente distribuida
seencuentran dentro de + 3 desviaciones estndarde la media.

Las tablas estadsticas indican porciones del rea bajo la curva normal que estn contenidas dentro de
cualquier nmero de desviaciones estndar (ms, menos) a partir de la media. No es posible ni
necesario tener una tabla distinta para cada curva normal posible. En lugar de ello, podemos utilizar
una distribucin deprobabilidad normal estndar para encontrar reas bajo cualquier curva normal.
Con esta tabla podemos determinar el rea o la probabilidad de que la variable aleatoria distribuida
normalmente est dentro de ciertas distancias a partir de la media. Estas distancias estn definidas en
trminos de desviaciones estndar.

Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el mismo
nmero de desviaciones estndar a partir de la media contendrn la misma fraccin del rea total bajo
la curva para cualquier distribucin de probabilidad normal.

Uso de la tabla de distribucin de probabilidad normal estndar.

En esta tabla, el valor z est derivado de la frmula:

Z = (X
i
- ) /

en la que:







UNIVERSIDAD DE LOS LLANOS
MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


X
i
= valor de la variable aleatoria que nos preocupa
= media de la distribucin de la variable aleatoria
= desviacin estndar de la distribucin
Z = nmero de desviaciones estndar que hay desde X
1
hasta la media de la distribucin.

Por qu utilizamos Z en lugar del nmero de desviaciones estndar?

Las variables aleatorias distribuidas normalmente tienen unidades diferentes de medicin: dlares,
pulgadas, partes de milln, kilogramos, segundos, etc. Como vamos a utilizar una tabla, hablamos en
trminos de unidades estndar (que en realidad significa desviaciones estndar), ydenotamos a stas
con el smbolo z.
La tabla de distribucin de probabilidad normal estndar da los valores de nicamente la mitad del
rea bajo la curva normal, empezando con 0,0 en la media. Como la distribucin normal de
probabilidad es simtrica, los valores verdaderos para una mitad de la curva son verdaderos para la
otra.

Defectos de la distribucin normal de probabilidad.

Los extremos de la distribucin normal se acercan al eje horizontal, pero nunca llegan a tocarlo. Esto
implica que existe algo de probabilidad (aunque puede ser muy pequea) de que la variable aleatoria
pueda tomar valores demasiado grandes. No perderemos mucha precisin al ignorar valores tan
alejados de la media. Pero a cambio de la conveniencia del uso de este modelo terico, debemos
aceptar el hecho de que puede asignar valores empricos imposibles.

IDENTIFICACIN DEL MODELO APROPIADO.

La seleccin depende, entre otros, de los siguientes factores:

Una vez identificado el modelo apropiado, hay quecalcular sus parmetros, en base a las
observacionesque se dispongan de la variable en estudio. Siplaneamos utilizar una
probabilidad para describir unasituacin, debemos escoger con cuidado la correcta.
Ladistribucin binomial se aplica cuando el nmero deensayos est fijo antes de que empiece
el experimento,y cada ensayo es independiente y puede tener slo dos Resultados
mutuamente excluyentes. Al igual que ladistribucin binomial, se aplica cuando cada ensayo
esindependiente de los dems. Pero, aunque laprobabilidad de Poisson se aproxima a cero
despus delos primeros valores, el nmero de valores posibles esinfinito. No se conoce el
lmite de dos resultadosmutuamente excluyentes. En ciertas condiciones, ladistribucin de
Poisson se puede utilizar comoaproximacin de la binomial, pero no siempre es posiblehacerlo.
Todas las suposiciones que conforman la basede una distribucin deben cumplirse, si la
intencin deluso de dicha distribucin es producir resultadossignificativos.

TALLER DE APLICACIONES

1. Disee un cuadro comparativo explicando los criterios de seleccin para los modelos Binomial,
Poisson y Normal.







UNIVERSIDAD DE LOS LLANOS
MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


2. Al posesionarse, el Gerente de Ventas de una empresa encuentra que los equipos de ventas
tienen un probabilidad del 40% para cerrarnegocios en las visitas a sus clientes. Siacompaa a un
equipo en 4 visitas, quprobabilidad hay de que:

a. Se cierren 2 ventas
b. Se cierre por lo menos 1 venta
c. Se cierren ms de la mitad de lasventas
d. Explique por qu seleccion estemodelo.

3. Un distribuidor mayorista de frutas tiene elregistro de que en sus ventas 0,5 de las frutassale
defectuosa, por lo que decidi estudiar msde cerca la situacin.

a. Qu modelo probabilstica emplearapara estudiar la situacin.
b. Estime la media y el Coeficiente deVariacin e interprtelos.
c. Qu probabilidad hay de que al revisar12 guacales, 7 salgan defectuosos.

4. Una empresa est haciendo un estudio sobre lacomposicin de las familias para lanzar suhijos.
Qu probabilidad hay de que:

a. Hayan 2 varones
b. 3 nias
c. 1 nia

5. Una compaa de seguros encuentra que el0,10% de la poblacin fallece anualmente porcierto tipo
de accidente. Explique qu modelo escogera para resolver las probabilidades.

6. El Gerente de Producto de un laboratoriofarmacutico encuentra que al tomar un
nuevomedicamento en prueba la reaccindesagradable es de 0,12%. Se hace una nuevaprueba
con 1000 personas voluntarias. Qu probabilidad hay de que:

a. 5 tengan reaccin desagradable
b. Ms de 2 tengan reaccindesagradable.
c. 25 tengan reaccin desagradable

7. Para una variable aleatoria Xi N(3, 4), estimelas siguientes probabilidades (realizando
elcorrespondiente diagrama):

a. P(2< X < 4)
b. P(5 < X < 8)
c. P(X < 2,5)
d. P(X > 5,3)
e. P(4,1 < X )
f. P(X < 3,6)
g. P(X > 5,3)
h. P(0,8 < X < 2,6)
i. P(X < 1,5)






UNIVERSIDAD DE LOS LLANOS
MODELOS PROBABILSTICOS
PROFESOR OSCAR BUENDIA PERDOMO


j. P(X > 2,5)

8. Z es una variable normal tipificada oestandarizada; halle los valores de K tales que:

a. P(0 < Z < K) = 0,4868
b. P(-K < Z < 0,5) = 0,6315
c. P(Z < K) = 0,7357
d. P(K < Z < 2) = 0,1915
e. P(Z > K) = 0,6064

9. El peso promedio de 500 estudiantes deUNILLANOS es 70,5 Kg con una desviacintpica de 12.6
Kg. Estime cuntos estudiantespesan:

a. Entre 60 y 75 Kg
b. Ms de 92,5 Kg
c. Menos de 64 Kg

10. La Asociacin de Microempresarios del Calzadoencontr que entre sus asociados la
produccinmedia de pares de zapatos es de 2.500 pares almes con una desviacin tpica de 1.000
pares almes. Qu probabilidad hay de que la produccinmensual sea:

a. P(1500 < X < 2000)
b. P(2000 > X)
c. P(2600 < X < 2400)

11. Una mquina empacadora es defectuosa en un10% de lo que empaca. Al tomar una muestra
alazar de 400 empaques producidos laprobabilidad de salgan defectuosos:

a. como mucho 30
b. entre 30 y 50
c. entre 35 y 45
d. 55 o ms

12. En el libro de Ciro Martnez Cap. 6 resuelva los siguientes ejercicios: 9, 20, 40, 140, 147, 150, 162,
165