UNIVERSIDAD NACIONAL DE

CHILECITO

CARRERA:

 TECNICATURA UNIVERSITARIA
EN ANÁLISIS DE ALIMENTOS

 LICENCIATURA EN ENOLOGÍA

 INGENIERÍA MECATRÓNICA

 TOPOGRAFÍA

ESTADÍSTICA

Docentes: Lic. Jorge Leyva

Lic. Gabriel Quiroga

AÑO: 2020

1
 CAPITULO Nº 7

MODELO ESTADISTICOS

Modelos univariantes de distribución de probabilidad para variables aleatorias

discreta

Como hemos mencionados anteriormente los fenómenos aleatorios son situaciones con
resultados inciertos. Pero si el fenómeno aleatorio presenta determinadas características se
puede utilizar un modelo (representación simplificada de la realidad) estadístico para
entender no solamente la distribución de probabilidad de la variable aleatoria, sino también
los valores posición central (esperanza) y dispersión de dicha variable.

A continuación se presentan tres modelos estadístico que se pueden utilizar si el fenómeno

aleatorio arroja variables aletorias discretas.

El proceso de Bernoulli y sus distribuciones asociadas

Proceso de Bernoulli

Un fenómeno aleatorio puede ser modelado teniendo en cuenta la distribución de Bernoulli

si se dan las siguientes particularidades en el fenómeno:

Supongamos un experimento o fenómeno donde se observan elementos de una población,

con las siguientes características:

1) Las observaciones consiste en clasificarlas en dos categorías, por ejemplo a uno lo

llamaremos aceptable y al otro lo llamaremos defectuoso.
2) La proporción de elementos de aceptable y defectuoso en la población es constante
y no se modifica cualquiera que sea la cantidad observada. Llamaremos a la
probabilidad del defectuoso, y a la de aceptable.
3) Las observaciones son independiente, es decir, la probabilidad de elementos
defectuoso es siempre la misma.

Este modelo se aplica a poblaciones finitas de las que tomamos elementos al azar con
reemplazo, y también a poblaciones conceptualmente infinitas, como las piezas que
producen una máquina, siempre que el proceso generador sea estable y sin memoria.

2
Ejemplos: observar el sexo de un recién nacido, si un cliente está satisfecho o no con un
servicio, la aparición de un elemento defectuosos en su proceso de fabricación.
En este proceso podemos definir distintas variables aleatorias que darán lugar a distintas
distribuciones de probabilidad

A - Distribución de Bernoulli

Definimos la variable aleatoria de Bernoulli por: la misma puede asumir dos valores, por
ejemplo en el fenómeno de lanzar una moneda al aire y mirar que lado salio tendríamos:

0 si la moneda cae cruz

1 si la moneda cae cara

La función de probabilidad o distribución de probabilidad (o sea el modelo estadístico) de

esta variable se escribe:

Su media será:

y la desviación típica:.

B - Distribución Binomial

La distribución Binomial es una distribución discreta de probabilidad. Se relaciona con un

experimento de etapas múltiples que llamamos binomial.
Se utiliza cuando analizamos un fenómeno aleatorio en donde queremos ver la cantidad de
éxitos que se da al analizar el fenómenos n cantidad de veces.

Un experimento o fenómeno aleatorio podría utilizar un modelo de distribución binomial si

el fenómeno tiene estas cuatro características:

1) El experimento consiste en una sucesión de n intentos o ensayos idénticos.

2) En cada intento o ensayo son posibles dos resultados. A uno lo llamaremos éxito (E)
y al otro lo llamaremos fracaso (F).
3) La probabilidad de un éxito y fracaso es constante y no se modifica cualquiera que
sea la cantidad ensayos. Llamaremos a la probabilidad del éxito, y a la de
fracaso.
4) Los intentos o ensayos son independientes.

3
La variable binomial como:

Número de éxito al observar el fenómeno n veces

El espacio muestral de y o conjunto de valores posibles son los valores 0,1,….,n.

Para calcular la probabilidad de un valor particular x, consideremos el suceso x elementos

exitosos, seguidos de fracasos.

Por la hipótesis de independencia este suceso es

La probabilidad de x elementos exitosos en cualquier orden requiere sumar las

probabilidades de todos los sucesos excluyentes que verifican esta condición. Su número es
igual a las permutaciones de n elementos con x y repetidos; este número es

Por tanto la función de probabilidad binomial es

Su media será:

y la desviación típica:.

Por ejemplo: Estamos analizando el fenómeno de controlar la calidad de 5 artículos.

Se sabe por información histórica que la probabilidad de encontrar un artículo bueno es de
0.8.

Este fenómeno aleatorio cumple las condiciones para ser modelado por una distribución
binomial porque:

 Estoy analizando el fenómeno 5 veces (debo controlar cada uno de los 5 artículos)
 Hay dos resultado posible cuando analizo cada vez el fenómeno. El artículo puede
ser bueno o malo.
 La probabilidad que sea bueno el artículo es 0.8 y la probabilidad que sea malo es
de 0.20. Pero la misma es constante independientemente de la cantidad de artículos
que controle.

4
  Cuando controle un artículo este me puede salir bueno, pero cuando controlo el
siguiente articulo este puede ser bueno o malo, es decir es independiente los
resultados de los experimentos de un fenómeno a otro.

Viendo que se cumplen las condiciones podemos analizar la distribución de dicha variable
aleatoria.

Por ejemplo:

a) Cuál es la probabilidad de encontrar que todos los artículos en buen estado?

P(x=5)= (55)=0.8 ∗0.2

5 5−5
=0.3276

Al analizar 5 artículos, existe una probabilidad de 0.33 de que todos sean buenos.

b) Cuál es la probabilidad de encontrar 3 artículos en buen estado?

P(x=3)= (53)=0.8 ∗0.2

3 5 −3
=0.2048

Existe una probabilidad de 0.20 de que tres de los cinco este en buen estado

c) Cuanto artículos se esperan que estén en buen estado cuando controlo 5 de ellos?

= 5*0.8= 4

Cuando se controlan cinco artículo, se espera que 4 de ellos estén en buen estado.

El proceso de Poisson

Consideremos un experimento en el que observamos la aparición de sucesos puntuales

sobre un soporte continuo. Por ejemplo, averías de máquinas en el tiempo, llegadas de
aviones a un aeropuerto, pedidos a una empresa. Supondremos que el proceso que genera
estos sucesos se caracteriza por:

1) Es estable: produce a largo plazo, un número medido de sucesos constante por

unidad de observación (tiempo, espacio, área, etc.).
2) Los sucesos aparecen aleatoriamente de forma independiente, es decir, el proceso
no tiene memoria: conocer el número de sucesos en un intervalo no ayuda a predecir el
número de sucesos en el siguiente.

5
Este proceso es la generalización a un soporte continuo del proceso de Bernoulli.

C - Distribución de Poisson

La variable de Poisson se define en el proceso anterior como

Numero de sucesos en un intervalo de longitud fija

La distribución de Poisson aparece como límite de la distribución binomial si suponemos

que el número de elementos observados es muy grande pero que la probabilidad de
observar la característica estudiada en cada elemento es muy pequeña de tal manera que el
número medio esperado de sucesos, n p, permanezca constante. Ejemplo el número de
accidentes por 100 horas de conducción para un grupo de conductores es . La variable x,
el número de accidentes en 100 horas de conducción, será una variable de Poisson. La
probabilidad de accidente p será tal que

La función de probabilidad de Poisson es

Sus medidas características son

Ejemplo: las llamadas por averías en un puesto de servicio siguen una distribución de
Poisson de media dos averías/semanas. Calcular la probabilidad de:

a) ninguna avería por semana

b) menos de cinco en una semana
c) menos de seis en un mes

a-

b-

6
c- la media de cuatro semanas será , averías por mes. Entonces