Nota 4
Nota 4
Nota 4
Cali - Colombia
MODELOS PROBABILÍSTICOS
Distribuciones discretas:
• Distribución Binomial.
• Distribución Poisson.
Distribuciones continuas:
• Distribución Exponencial.
• Distribución Normal.
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.
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 / , x0
Donde la media (valor esperado) y la varianza están dadas por:
E(X ) = V (X ) = 2
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.
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
para cometer un nuevo hurto por fleteo?
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?
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 , x0
Están preguntando por P(X ≤ 3):
P ( X 3) = 1 − e −3/5 = 0.4512 +DISTR.EXP(3;1/5;1)
Ejemplo 1:
El tiempo promedio hasta que un delincuente reincide en un hurto por fleteo
es de 5 días, con la anterior información determinar:
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)
Ejemplo 1:
El tiempo promedio hasta que un delincuente reincide en un hurto por fleteo
es de 5 días, con la anterior información determinar:
c) ¿Cuál es la probabilidad de que un delincuente espere entre 7 y 10 días
para cometer un nuevo hurto por fleteo?
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)
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?
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?
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.
Ejemplo 2:
El tiempo promedio necesario para que una persona sea atendida en una
cafetería de la universidad es de aproximadamente 4 minutos:
b) ¿Cuál es la probabilidad de que una persona tenga que esperar hasta 10
minutos en poder ser atendida en la cafetería?
Solución:
Tenemos que θ = 4 minutos y preguntan por:
P(X ≤ 10), entonces:
P ( X 10 ) = 0.9179
+DISTR.EXP(10;1/4;1)
Ejemplo 2:
El tiempo promedio necesario para que una persona sea atendida en una
cafetería de la universidad es de aproximadamente 4 minutos:
c) ¿Cuál es el tiempo máximo que tendrían que esperar el 90% de las
personas hasta que son atendidas en la cafetería?
Solución:
Tenemos que θ = 4 minutos y preguntan por:
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
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
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.
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
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
DISTRIBUCIÓN NORMAL EN EXCEL:
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.
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
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
DISTRIBUCIÓN NORMAL:
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(X > 230):
P ( X 230 ) = 1 − P ( X 230 )
= 1 − 0.9772
+1-DISTR.NORM(230;200;15;1)
= 0.0228
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
DISTRIBUCIÓN NORMAL:
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?
𝑓 𝑥
Solución:
Entonces: µ = 200 y σ = 15.
Nos preguntan por c:
P ( X c ) = 0.98 0.98
𝑐
c = ¿? 𝑥
+DISTR.NORM.INV(0.98;200;15)
c = 230.81
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
DISTRIBUCIÓN NORMAL:
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?
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?
Solución:
Entonces: µ = 36 y σ = 4.
Nos preguntan por P(X ≤ 30):
P ( X 30 ) = 0.0668
+DISTR.NORM(30;36;4;1)
Ejemplo 4:
Los docentes de una universidad trabajan en promedio 36 horas por semana,
con una desviación estándar de 4 horas por semana:
b) ¿Cuál es la probabilidad de que un docente de esa universidad trabaje
más de 40 horas a la semana?
Solución:
Entonces: µ = 36 y σ = 4.
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)
Ejemplo 4:
Los docentes de una universidad trabajan en promedio 36 horas por semana,
con una desviación estándar de 4 horas por 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?
Solución: 𝑓 𝑥
Entonces: µ = 36 y σ = 4.
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
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello
DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS
EJERCICIO_1:
+DISTR.EXP(5;1/15;1)
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?
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?
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)
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:
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)
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:
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)
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:
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
Universidad Santiago de Cali Estadística Aplicada Carlos Garibello