Académique Documents
Professionnel Documents
Culture Documents
La Uniforme
Binomial
Poisson
Hipergeometrica
Normal
T de Student
F de Snedecor
Ji cuadrado
1
[Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]
Es utilizado en gráficos de control para La llegada de un cliente al negocio durante una La importancia de la distribución normal se debe
Ejemplo de su análisis de número o porcentaje hora. principalmente a que hay muchas variables asociadas a
utilidad defectuoso, adicionalmente se utiliza para Las llamadas telefónicas que se reciben en un día. fenómenos naturales que siguen el modelo de la normal.
calcular probabilidades de aceptación o Los defectos en manufactura de papel por cada - Caracteres morfológicos de individuos (personas,
rechazo de lotes en muestreo de metro producido. animales, plantas,…) de una especie. Por ejemplo: tallas,
aceptación, de ahí su importancia. Los envases llenados fuera de los límites por cada pesos, envergaduras, diámetros, perímetros,…
100 galones de producto terminado. - Caracteres fisiológicos, por ejemplo: efecto de una misma
dosis de un fármaco, o de una misma cantidad de abono.
- Caracteres sociológicos, por ejemplo: consciente
intelectual, grado de adaptación a un medio.
[Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]
2. Explica detalladamente cuál modelo se puede usar según las condiciones del
caso de estudio; puedes apoyarte de organizadores gráficos.
Partiendo de que una distribución de probabilidad queda definida y caracterizada por los siguientes
elementos:
Si un conjunto dado de distribuciones tiene sus funciones de distribución con la misma ESTRUCTURA
FUNCIONAL, diremos que pertenece a la misma FAMILIA DE DISTRIBUCIONES, al mismo MODELO DE
PROBABILIDAD o a la misma DISTRIBUCIÓN-TIPO.
p.ej : Todas las distribuciones que están definidas sobre una v.a. continua de modo que para x³ 0 la
función de densidad es : f(x)= a e-ax siendo a un real positivo (alternativamente: F(x)= 1- e-ax; f (t) = (1-
t/a )-1; son equivalentes la tres caracterizaciones), pertenecen a la misma familia, modelo o tipo (el
exponencial).
El procedimiento es sencillo: primero haremos una clasificación de los fenómenos aleatorios de más fácil
determinación (procesos experimentales), después determinaremos algunas aleatorizaciones que nos
generan variables aleatorias cargadas de gran significado práctico y, por último, obtendremos la
estructura funcional de las funciones de definición de su distribución, partiendo, para ello, de la
probabilidad inducida para la variable por el fenómeno aleatorio.
Conviene apoyarse, por tanto, en el concepto de proceso experimental para definir muchos de los
modelos de probabilidad a utilizar.
A partir de las características del fenómeno que analicemos (partiendo del proceso experimental del que
se trate) podremos, identificando la variable aleatoria que nos interesa, estudiar y determinar la
estructura matemática de su distribución.
[Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]
3. Escribe las recomendaciones que le harías a alguien que está estudiando los
modelos probabilísticos; es decir, ¿cuáles conceptos o detalles deberían
centrar su atención para que el tema sea comprendido?
Las recomendaciones principales es que se tenga bien claro que los modelos probabilísticos son modelos
matemáticos para situaciones reales, en este caso se debe tener bien claro cual es el objetivo de modelar
una situación.
Asimismo es importante que se identifique correctamente cual es la variable a estudiar para así poder
elegir el tipo de modelo a aplicar.
Éxitos – Es la ocurrencia del evento de interés como cantidad de defectos, llamadas recibidas,
servicios completados.
prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados son agrupados en dos
conjuntos excluyentes que llamaremos ´éxito (E) y fracaso (F).
Resultado discreto – Son resultados con un número finito de valores (3 defectos, menos de 8,
hasta 5, etc.)
Variable Aleatoria Discreta - Variable que puede obtener un número finito de valores de forma
impredecible o al azar.
variable aleatoria continua, cuando puede tomar cualquier valor en un intervalo de la recta real.
Variable Discreta – Variable que puede obtener un número finito de valores como 0, 1, 2, 3.
1
[Unidad 1. Modelos probabilísticos Sergio Rubén Martinez Luna
Actividad 4. Modelos probabilísticos]
Fuentes de consulta
http://aprendeenlinea.udea.edu.co/lms/moodle/file.php/402/Tema_4/Modelos_probabilisticos_Caucasi
a.pdf
http://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/tema3.pdf