UNIVERSIDAD NACIONAL DE GUINEA ECUATORIAL

FACULTAD DE CIENCIAS ECONÓMICAS, GESTIÓN Y ADMINISTRACIÓN

DE EMPRESAS
DEPARTAMENTO DE CIENCIAS ECONÓMICAS

TEMA DE EXPOSICIÓN: Modelos de probabilidad

GRUPO I

ASIGNATURA: Estadística II
PROFESOR: Ramón BEE ENGONGA OYANA
CURSO: 2º ECONOMÍA
AUTORES:
- Ambrosio ENI ENGONGA
- Ana BENIGNA NCHAMA ETOHO NSEGUE
- Antonio BIKORO MITOGO BILE
- Avelina ABESO MANGUE AYANG
- Concepción NCHAMA ABAGA MBANG
- Daniel OBIANG
- David EBANG OKENVE
- Delvania MITOGO EYENGA
- Diosdado JEREMIAS ESONO
- Bernardo ESONO MBA

Fecha: 02/11/2024
Contenido
INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD.............................................................3
1. VARIABLES DISCRETAS...................................................................................................4
1.1. DISTRIBUCIÓN BERNOULLY.....................................................................................4
1.2. DISTRIBUCIÓN BINOMIAL.......................................................................................4
1.3. DISTRIBUCIÓN POISSON.........................................................................................5
2. VARIABLES CONTINUAS..................................................................................................6
2.1. DISTRIBUCIÓN UNIFORME CONTINUA....................................................................6
2.2. DISTRIBUCIÓN NORMAL.........................................................................................7
2.3. DISTRIBUCIÓN EXPONENCIAL.................................................................................8
CONCLUSIÓN.........................................................................................................................9
INTRODUCCIÓN A LOS MODELOS DE PROBABILIDAD
Un modelo balístico da una distribución de probabilidad como solución. Estos modelos tienen
en cuenta el hecho de que raras veces podemos saber todo acerca de una situación. Casi
siempre hay un elemento de aleatoriedad a tener en cuenta, por ejemplo, el seguro de vida se
basa en que sabemos con certeza que vamos a morir, pero no sabemos cuándo.
1. VARIABLES DISCRETAS
Una distribución de probabilidad discreta es aquella que solo puede tomar un número
finito de valores (generalmente enteros). En una distribución de probabilidad discreta
se asocia cada valor de la variable discreta que representa (xi) a un valor de
probabilidad (pi) que va desde 0 hasta 1. De manera que la suma de todas las
probabilidades de una distribución discreta da como resultado uno.

1.1. DISTRIBUCIÓN BERNOULLY

1) DEFINICION: Es una distribución de probabilidad que representa una
variable discreta la cual solo puede tener dos resultados: «éxito» o
«fracaso». La probabilidad de éxito es P y la probabilidad del fracaso es q.
2) CARACTERÍSTICAS:
 Solo puede tomar el valor de 1 (éxito) o de 0 (fracaso).
 La media es igual a la probabilidad de éxito.
 La varianza es igual a la probabilidad de éxito por la del fracaso.

 Su fórmula es: F (x) = Px (1- P) 1-x

3) EJEMPLO: En una mochila hay 6 libros: matemática, física, química,
mecánica, termodinámica y estadística ¿Cuál es la probabilidad de que el
estudiante saque al azar el libro de estadística?
Solución:
Posibles resultados: 6
P: Probabilidad de éxito: 1/6
Q: Probabilidad de fracaso 1-1/6 =5/6
Si X {0 ,1}
Si X= 1 F (x) = Px (1- P) 1-x
F (1) = (1/6)1 * (1-5/6) 1-1 = 1/6 = 0,17 = 17%
Si X= 0 F (0) = (1/6)0 *(1- 5/6) 1-0 = 5/6 = 0.84 = 83%
La probabilidad de que se escoja el libro de estadística es de 17% y la
probabilidad de que no se escoja es de 83%

1.2.DISTRIBUCIÓN BINOMIAL
1.2.1. DEFFINICIÓN: Es una extensión de la distribución de Bernoulli., por tanto,
sea X una variable aleatoria discreta, se dice que se distribuye como una
distribución binomial de parámetros (n, p). Siempre se debe de verificar
que n>1 y que p tome valores entre 0 y 1.
1.2.2. CARACTERÍSTICAS:
 se puede obtener como suma de n variables aleatorias
independientes Bernoulli con el mismo parámetro “p”.
  Si tenemos dos variables aleatorias que se
distribuyen según una Binomial con el mismo parámetro “p”, es decir,
con la misma probabilidad de éxito, X→B (n, p) e Y→ B (m, p)
entonces siempre se verifica X + Y → B (n+m, p) Si no tienen la misma
probabilidad no se pueden sumar.

 Sea X una variable aleatoria e Y otra variable

aleatoria que verifican que X→ B (n, p) e Y = X/n entonces se verifica
Y → B (1, p/n).

 La esperanza y la varianza son: E(x) = n.p y la Var

(x)= n.p.q
n x n−x
 Su fórmula es: p(X=x) = [ ] p q
x
1.2.3. EJEMPLO: Lanzamos un total de 10 veces una moneda, ¿cuál es la
probabilidad de obtener 6 veces cara?
Solución:

Así que la probabilidad de obtener exactamente seis veces cara al lanzar

diez veces una moneda es del 20,51%.

1.3.DISTRIBUCIÓN POISSON
1. DEFINICIÓN: Es una distribución de probabilidad que se utiliza para hacer
cálculos de probabilidades donde se requiere contar el número de veces que se
produce un suceso aleatorio durante un periodo de tiempo. Sus probabilidades
son muy bajas y se da en sucesos raros, es decir, sucesos pocos probables.
2. CARACTERÍSTICAS:
 La variable aleatoria X es el número de ocurrencias en algún intervalo.
 Las ocurrencias deben ser aleatorias.
 Las ocurrencias deben ser independientes entre sí.
 Dos acontecimientos no pueden suceder exactamente en el mismo instante.
 La E(X) = Var(X) = ƛ
−ƛ k
e ƛ
 Su fórmula es: X ̴ P(X=K) =
k!
3. EJEMPLO: Si un banco recibe un promedio de 6 cheques sin fondo por día, ¿Cuál
es la probabilidad de que reciba,
a) ¿4 cheques sin fondos en un día?
b) ¿10 cheques sin fondos en dos días?
2. VARIABLES CONTINUAS
Una de las características de las distribuciones de probabilidad continuas es que
pueden tomar cualquier valor dentro de un intervalo. De modo que, a diferencia de las
distribuciones de probabilidad discretas, las distribuciones de probabilidad continuas
pueden tomar valores decimales. En las distribuciones continuas, para calcular una
probabilidad acumulada se debe hallar el área bajo la curva de la distribución, por lo
que en este tipo de distribuciones de probabilidad la función de probabilidad
acumulada es equivalente a la integral de la función de densidad.

2.1. DISTRIBUCIÓN UNIFORME CONTINUA

1. DEFINICIÓN: es un tipo de distribución de probabilidad continua en la cual
todos los valores tienen la misma probabilidad de ocurrencia. Es decir, la
distribución uniforme continua es una distribución en la que la probabilidad se
distribuye uniformemente a lo largo de un intervalo.
2. CARACTERÍSTICAS:
 Queda definida por dos parámetros reales, a y b, que establecen los
límites dentro de los cuales la probabilidad es constante.
 La distribución uniforme continua solo puede tomar valores que se
encuentren dentro del intervalo formado por a y b, ambos incluidos.

 La media es: y la varianza es:

 Su formuala es: función de probabilidad
 3. EJEMPLO: Cierta variable aleatoria X tiene una distribución uniforme en el
intervalo [0,100]. Determinar:
a) La probabilidad de que el valor de X sea menor que 22.
b) La probabilidad de que X tome valores entre 20 y 35
Solución:
22−0
a. P(X<22) = = 0,22
100−0
35−20 15
b. P(20<x<35) = = =0 , 15
100−0 100
2.2. DISTRIBUCIÓN NORMAL
1. DEFINICIÓN: Es una distribución de probabilidad continua cuya gráfica tiene
forma de campana y es simétrica respecto a su media. En estadística, la
distribución normal sirve para modernizar fenómenos de características muy
diferentes, por eso es tan importante esta distribución.
2. CARACTERÍSTICAS:
 La distribución normal depende de dos parámetros característicos que
son su media aritmética (μ) y su desviación típica (σ).
 La distribución normal puede tomar tanto valores positivos como
negativos.

 La mediana y la moda de la distribución normal son iguales a la media

aritmética de la distribución.
 La fórmula de la función de densidad de la distribución normal

 Asimismo, la fórmula de la función de probabilidad acumulada de la

distribución normal.
x −µ
 Su fórmula es: Z=
ð
3. EJEMPLO: Suponga que tiene un conjunto de datos aleatorios x que siguen una
distribución normal de media 10 y desviación típica 2. Se pide encontrar la
probabilidad de que: a) La variable aleatoria x sea menor o igual a 8. b) Sea
menor o igual a 10.

Solución
A) N (x; μ, σ)
Con x = 8, μ = 10 y σ = 2.
Z= (8-10)/2 = -1
P (x ≤ 8) = N (x=8; μ=10, σ=2) = 0,1587
B) Con X= 10, μ = 10 y σ = 2.
Z= (10-10)/2= 0
 P (x ≤ 10) = N (x=10; μ=10, σ=2) = 0,5

2.3. DISTRIBUCIÓN EXPONENCIAL

1. DEFINICIÓN: Es una distribución de probabilidad continua que sirve para
modelizar el tiempo de espera para la ocurrencia de un fenómeno aleatorio.
2. CARACTERÍSTICAS:
 La distribución exponencial tiene un parámetro característico, λ, que
indica el número de veces que se espera que ocurra el fenómeno
estudiado durante un periodo de tiempo determinado.
 La distribución exponencial no puede tomar un valor negativo.

 La varianza es: y la media es: E(X)= ƛ

 La fórmula de la función de densidad de la distribución exponencial es
la siguiente:
 Mientras que la fórmula de la función de probabilidad acumulada de la
distribución exponencial es la siguiente:
3. EJEMPLO: En una página web concreta entran una media de λ=1 usuarios/min.
¿Cuál es la probabilidad de que el tiempo que transcurre entre la entrada de dos
usuarios sea de 3 minutos? ¿Y la probabilidad de que sea igual o menos de 2
minutos?
Solución:
Por lo tanto, para calcular la probabilidad de que el tiempo transcurrido entre
la entrada de dos usuarios diferentes sea de tres minutos tenemos que aplicar
la fórmula de la función densidad

Por otro lado, para determinar una probabilidad acumulada tenemos que
utilizar la fórmula de la función de distribución de la distribución exponencial:

La probabilidad de que sea igual o menos de 2 minutos es de 86%

CONCLUSIÓN
Tanto el grupo de variables aleatorias discretas como las continuas son muy importantes
porque nos ayudan a relacionar o vincular un experimento con la distribución.