Nota 4

ESTADÍSTICA APLICADA
Carlos Andres Garibello

[email protected]
Cali - Colombia
MODELOS PROBABILÍSTICOS
Algunas distribuciones de probabilidad discretas y continuas
Distribuciones discretas:
• Distribución Binomial.
• Distribución Poisson.
Distribuciones continuas:
• Distribución Exponencial.
• Distribución Normal.
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

MODELOS PROBABILÍSTICOS

DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
Características:
• Es un modelo adecuado para la distribución de probabilidad
del tiempo de espera entre dos eventos que sigan un proceso
de Poisson, por tal razón la variable aleatoria será continua.
• Presenta un único parámetro θ, que representa el lapso
promedio de tiempo entre dos eventos de Poisson.

CONTINUAS
Algunos ejemplos son:

• El tiempo transcurrido en un call center hasta recibir la primer
llamada del día.
• El tiempo que tarda una partícula radiactiva en desintegrarse.
• El tiempo que puede transcurrir en un servicio de urgencias,
para la llegada de un paciente.
• El tiempo que transcurre entre que sufrimos dos veces una
herida importante.
• El tiempo que transcurre para que un delincuente reincida en
el delito.

CONTINUAS
Definición:
Si una variable aleatoria X tiene una distribución Exponencial, su
función de densidad de probabilidad está dada por:
 1 − x /
f ( x ) =  e , x  0.

Su función de distribución acumulada es:
F ( x ) = P ( X  x ) = 1 − e− x / , x0
Donde la media (valor esperado) y la varianza están dadas por:
E(X ) = V (X ) = 2

CONTINUAS
DISTRIBUCIÓN EXPONENCIAL EN EXCEL:
Sea X una variable aleatoria con una distribución continua:
Distribución Exponencial:
+DISTR.EXP(x;lambda;acum)
x: Es el valor de la variable x.
lambda: Es el valor inverso del parámetro 𝜃 (lambda=1/𝜃).
acum: Falso o 0 para probabilidad puntual.
Verdadero o 1 para probabilidad acumulada.

CONTINUAS
Ejemplo 1:
El tiempo promedio hasta que un delincuente reincide en un hurto por fleteo
es de 5 días, con la anterior información determinar:
a) ¿Cuál es la probabilidad de que un delincuente espere tres días o menos
para cometer un nuevo hurto por fleteo?
b) ¿Cuál es la probabilidad de que un delincuente espere como mínimo 5
días para cometer un nuevo hurto por fleteo?
c) ¿Cuál es la probabilidad de que un delincuente espere entre 7 y 10 días

CONTINUAS
Ejemplo 1:
a) ¿Cuál es la probabilidad de que un delincuente espere tres días o menos
Solución:
La distribución Exponencial proporciona un buen modelo de ajuste del
tiempo que transcurre hasta que ocurre un evento Poisson.
Entonces θ = 5 días. Por lo cual F(x) estará dada por:
F ( x ) = P ( X  x ) = 1 − e− x /5 , x0
Están preguntando por P(X ≤ 3):
P ( X  3) = 1 − e −3/5 = 0.4512 +DISTR.EXP(3;1/5;1)

CONTINUAS
Ejemplo 1:
b) ¿Cuál es la probabilidad de que un delincuente espere como mínimo 5
días para cometer un nuevo hurto por fleteo?
Solución:
Tenemos que θ = 5 días.
Están preguntando por P(X ≥ 5):
P ( X  5) = 1 − P ( X  5)
= 1 − (1 − e −5/5 ) = e −1 = 0.3679
+1-DISTR.EXP(5;1/5;1)

CONTINUAS
Ejemplo 1:
c) ¿Cuál es la probabilidad de que un delincuente espere entre 7 y 10 días
Solución:
Tenemos que θ = 5 días.
Están preguntando por P(7 ≤ X ≤ 10):
P ( 7  X  10 ) = P ( X  10 ) − P ( X  7 )
P ( X  10 ) = 1 − e −10/5 = 0.8647
P ( X  7 ) = 1 − e −7/5 = 0.7534
P ( 7  X  10 ) = 0.8647 − 0.7534 = 0.1113 +DISTR.EXP(10;1/5;1)-DISTR.EXP(7;1/5;1)

CONTINUAS
Ejemplo 2:
El tiempo promedio necesario para que una persona sea atendida en una
cafetería de la universidad es de aproximadamente 4 minutos:
a) ¿Cuál es la probabilidad de que una persona tenga que esperar
exactamente 2 minutos en poder ser atendida en la cafetería?
b) ¿Cuál es la probabilidad de que una persona tenga que esperar hasta 10
minutos en poder ser atendida en la cafetería?
c) ¿Cuál es el tiempo máximo que tendrían que esperar el 90% de las
personas hasta que son atendidas en la cafetería?

CONTINUAS
Ejemplo 2:
a) ¿Cuál es la probabilidad de que una persona tenga que esperar
exactamente 2 minutos en poder ser atendida en la cafetería?
Solución:
Tenemos que θ = 4 minutos y preguntan por:
P(X = 2), entonces:
P ( X = 2) = 0
Pues es una probabilidad puntual, en una distribución de probabilidad
continua.

CONTINUAS
Ejemplo 2:
b) ¿Cuál es la probabilidad de que una persona tenga que esperar hasta 10
minutos en poder ser atendida en la cafetería?
Solución:
P(X ≤ 10), entonces:
P ( X  10 ) = 0.9179
+DISTR.EXP(10;1/4;1)

CONTINUAS
Ejemplo 2:
c) ¿Cuál es el tiempo máximo que tendrían que esperar el 90% de las
personas hasta que son atendidas en la cafetería?
Solución:
P ( X  t ) = 0.90  F ( t ) = 1 − e −t 4 = 0.90 𝑓 𝑥
1 − 0.90 = e −t 4
0.10 = e −t 4
ln ( 0.10 ) = − t 4
−4*ln ( 0.10 ) = t
0.90
t = 9.21 𝑡 𝑥
CONTINUAS
DISTRIBUCIÓN NORMAL:
Características:
• La variable aleatoria puede tomar valores entre (-∞, +∞).
• Los valores cercanos a la media, tienen mayor probabilidad y
conforme nos separamos de la media, la probabilidad va
decreciendo de igual forma hacia la derecha que hacia la
izquierda (la distribución es simétrica).
• Presenta dos parámetros que son μ y σ, donde μ representa la
media y σ es la desviación estándar.

CONTINUAS
Algunos ejemplos son:

• Caracteres morfológicos de individuos (personas, animales,
plantas) de una especie, por ejemplo: tallas, pesos, diámetros,
distancias, perímetros, entre otros.
• Caracteres fisiológicos, por ejemplo: efecto de una misma
dosis de un fármaco, o de una misma cantidad de abono.
• Caracteres sociológicos, por ejemplo: consumo de cierto
producto por un mismo grupo de individuos, puntuaciones de
examen.
• Caracteres psicológicos, por ejemplo: cociente intelectual,
grado de adaptación a un medio.
CONTINUAS
Definición:
Se dice que una variable aleatoria X tiene una distribución
Normal, si su función de densidad de probabilidad está dada por:
 1
2
1  x− 
−  
f ( x) =  e 2  
, −  x  +
 2
Su función de distribución acumulada:
F ( x) = P ( X  x)
No se puede obtener de forma directa. Sin embargo, la media
(valor esperado) y la varianza están dadas por:
E(X ) =  V (X ) =2
CONTINUAS
DISTRIBUCIÓN NORMAL EN EXCEL:
Sea X una variable aleatoria con una distribución continua:
Distribución Normal:
+DISTR.NORM(x;media;desv_estándar;acum)
x: Es el valor de la variable x.
media: Es el valor del parámetro μ.
desv_estándar: Es el valor del parámetro σ.
acum: Falso o 0 para probabilidad puntual.
Verdadero o 1 para probabilidad acumulada.
+DISTR.NORM.INV(probabilidad;media;desv_estándar)
probabilidad: Es el valor de la probabilidad.
media: Es el valor del parámetro μ.
desv_estándar: Es el valor del parámetro σ.

CONTINUAS
Ejemplo 3:
Una máquina despachadora de gaseosa está ajustada para servir un
promedio de 200 ml por vaso. Si la cantidad de gaseosa es normalmente
distribuida con una desviación estándar de 15 ml, ¿Cuál es la probabilidad de
que un vaso contenga entre 200 y 215 ml?, ¿Cuál es la probabilidad de que un
vaso contenga más de 230 ml?, ¿Cuál es la cantidad máxima que tendrán el
98% de los vasos despachados por dicha máquina?
Solución:
Entonces: µ = 200 y σ = 15.
Nos preguntan por P(200 ≤ X ≤ 215):
P ( 200  X  215 ) = P ( X  215 ) − P ( X  200 )
= 0.8413 − 0.5000
+DISTR.NORM(215;200;15;1)-DISTR.NORM(200;200;15;1)
= 0.3413
CONTINUAS
Ejemplo 3:
Solución:
Nos preguntan por P(X > 230):
P ( X  230 ) = 1 − P ( X  230 )
= 1 − 0.9772
+1-DISTR.NORM(230;200;15;1)
= 0.0228
CONTINUAS
Ejemplo 3:
𝑓 𝑥
Solución:
Nos preguntan por c:
P ( X  c ) = 0.98 0.98
𝑐
c = ¿? 𝑥
+DISTR.NORM.INV(0.98;200;15)
c = 230.81
CONTINUAS
Ejemplo 4:
Los docentes de una universidad trabajan en promedio 36 horas por semana,
con una desviación estándar de 4 horas por semana:
a) ¿Cuál es la probabilidad de que un docente de esa universidad trabaje 30
horas o menos a la semana?
b) ¿Cuál es la probabilidad de que un docente de esa universidad trabaje
más de 40 horas a la semana?
c) Si los ascensos son más probables para los docentes que están dentro del
20% de los que pasan más tiempo trabajando. ¿Cuánto debe trabajar un
docente de esa universidad para mejorar sus oportunidades de ascenso?

CONTINUAS
Ejemplo 4:
a) ¿Cuál es la probabilidad de que un docente de esa universidad trabaje 30
horas o menos a la semana?
Solución:
Nos preguntan por P(X ≤ 30):
P ( X  30 ) = 0.0668
+DISTR.NORM(30;36;4;1)

CONTINUAS
Ejemplo 4:
b) ¿Cuál es la probabilidad de que un docente de esa universidad trabaje
más de 40 horas a la semana?
Solución:
Nos preguntan por P(X > 40):
P ( X  40 ) = 1 − P ( X  40 )
= 1 − 0.8413
= 0.1587
+1-DISTR.NORM(40;36;4;1)

CONTINUAS
Ejemplo 4:
c) Si los ascensos son más probables para los docentes que están dentro del
20% de los que pasan más tiempo trabajando. ¿Cuánto debe trabajar un
docente de esa universidad para mejorar sus oportunidades de ascenso?
Solución: 𝑓 𝑥
Nos preguntan por t:
P ( X  t ) = 0.20
P ( X  t ) = 0.80 0.80
𝑡
0.20
𝑥
t = ¿? +DISTR.NORM.INV(0.80;36;4)
t = 39.37
CONTINUAS
EJERCICIO_1:
En una oficina de reclamos de una empresa de servicio público, se tiene que

el tiempo (en minutos) que dura el empleado en atender un reclamo de un
usuario, presenta una media de 15 minutos. Si un cliente llega a la oficina de
reclamos y en ese momento no hay cola de espera, pero el empleado está
atendiendo a un usuario:
a) ¿Cuál es la probabilidad de que tenga que esperar menos de 5 minutos en
ser atendido?
b) ¿Cuál es la probabilidad de que tenga que esperar más de 15 minutos en
ser atendido?
c) ¿Cuál es la probabilidad de que tenga que esperar entre 5 y 15 minutos en
ser atendido?
d) ¿Cuál es el tiempo que se tarda en atender al 95% de los usuarios?

CONTINUAS
SOLUCIÓN_1:

a) ¿Cuál es la probabilidad de que tenga que esperar menos de 5 minutos en
ser atendido?
P(X < 5):
P ( X  5 ) = 0.2835
+DISTR.EXP(5;1/15;1)

CONTINUAS
SOLUCIÓN_1:

b) ¿Cuál es la probabilidad de que tenga que esperar más de 15 minutos en
ser atendido?
P(X > 15):
P ( X  15 ) = 1 − P ( X  15 )
= 1 − 0.6321
= 0.3679
+1-DISTR.EXP(15;1/15;1)

CONTINUAS
SOLUCIÓN_1:

c) ¿Cuál es la probabilidad de que tenga que esperar entre 5 y 15 minutos en
ser atendido?
P(5 ≤ X ≤ 15):
P ( 5  X  15 ) = P ( X  15 ) − P ( X  5 )
P ( X  15 ) = 0.6321
P ( X  5 ) = 0.2835
P ( 5  X  15 ) = 0.6321 − 0.2835 = 0.3487
+DISTR.EXP(15;1/15;1)-DISTR.EXP(5;1/15;1)

CONTINUAS
SOLUCIÓN_1:

d) ¿Cuál es el tiempo que se tarda en atender al 95% de los usuarios?
Tenemos que θ = 15 minutos y preguntan por t:
P ( X  t ) = 0.95  F ( t ) = 1 − e −t 15 = 0.95 𝑓 𝑥
1 − 0.95 = e −t 15
0.05 = e −t 15
ln ( 0.05 ) = − t 15
−15*ln ( 0.05 ) = t
0.95
t = 44.94 𝑡 𝑥
CONTINUAS
EJERCICIO_2:
Una fábrica de golosinas produce dulces a los cuales se les realiza un control
de calidad sobre el peso. Según estudios realizados en dicha fábrica, el peso
se encuentra adecuadamente clasificado por una distribución normal con un
promedio de 5.0 gr y una desviación estándar de 0.1 gr. Para que uno de estos
dulces pase el control de calidad su peso debe encontrarse entre 4.8 y 5.2 gr.
Si el peso es menor que 4.8 gr el dulce se desecha; si es mayor que 5.2 gr
puede reprocesarse:
a) ¿Qué porcentaje de dulces pasaran el control de calidad?
b) ¿Qué porcentaje será desechado?
c) ¿Qué porcentaje será reprocesado?
d) Si se piensa realizar un cambio en los estándares del proceso, ¿Cuál debe
ser el peso de los dulces para que máximo el 20% de ellos sean
desechados?

CONTINUAS
SOLUCIÓN_2:
puede reprocesarse:
a) ¿Qué porcentaje de dulces pasaran el control de calidad?
P ( 4.8  X  5.2 ) = P ( X  5.2 ) − P ( X  4.8 )
= 0.9772 − 0.0228
= 0.9545
 95.45%
+DISTR.NORM(5.2;5.0;0.1;1)-DISTR.NORM(4.8;5.0;0.1;1)

CONTINUAS
SOLUCIÓN_2:
puede reprocesarse:
b) ¿Qué porcentaje será desechado?
P ( X  4.8 ) = P ( X  4.8 )
= 0.0228
 2.28%
+DISTR.NORM(4.8;5.0;0.1;1)

CONTINUAS
SOLUCIÓN_2:
puede reprocesarse:
c) ¿Qué porcentaje será reprocesado?
P ( X  5.2 ) = 1 − P ( X  5.2 )
= 1 − 0.9772
= 0.0228
 2.28%
+1-DISTR.NORM(5.2;5.0;0.1;1)

CONTINUAS
SOLUCIÓN_2:
puede reprocesarse:
d) Si se piensa realizar un cambio en los estándares del proceso, ¿Cuál debe
ser el peso de los dulces para que máximo el 20% de ellos sean
desechados? 𝑓 𝑥
P ( X  p ) = 0.20
p = ¿?
p = 4.92
0.20 +DISTR.NORM.INV(0.20;5.0;0.1)
𝑝 𝑥

Nota 4

Cargado por

Copyright:

Formatos disponibles

Nota 4

Cargado por

Información del documento

Descripción original:

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

Nota 4

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA APLICADA

Carlos Andres Garibello

Algunas distribuciones de probabilidad discretas y continuas

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Algunos ejemplos son:

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Sea X una variable aleatoria con una distribución continua:

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Algunos ejemplos son:

Sea X una variable aleatoria con una distribución continua:

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

En una oficina de reclamos de una empresa de servicio público, se tiene que

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

En una oficina de reclamos de una empresa de servicio público, se tiene que

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

En una oficina de reclamos de una empresa de servicio público, se tiene que

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

En una oficina de reclamos de una empresa de servicio público, se tiene que

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

En una oficina de reclamos de una empresa de servicio público, se tiene que

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

Universidad Santiago de Cali Estadística Aplicada Carlos Garibello

También podría gustarte