Escolar Documentos
Profissional Documentos
Cultura Documentos
En un experimento aleatorio lo que ms interesa es conocer el nmero total de veces que se obtiene un mismo resultado en un determinado nmero de ejecuciones (es decir, cuantificar) y no en cul ejecucin se obtiene un determinado resultado. Es por esto que en la teora de la probabilidad, se hace necesaria la cuantificacin de los resultados cualitativos de un espacio muestral para luego, mediante el empleo de medidas numricas, estudiar su comportamiento aleatorio.
Para facilitar estos clculos se acude a una funcin que ubica el espacio muestral en el conjunto de los nmeros reales, la cual es conocida como variable aleatoria.
Una variable aleatoria es pues, una funcin que asigna un nmero real a cada resultado en el espacio muestral de un experimento aleatorio. Ellas se denotan con una letra mayscula, tal como X.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados del espacio muestral, y se define X como una funcin porque transforma todos los posibles resultados del espacio muestral en cantidades numricas reales.
{X = x}denotar el evento formado por todos los resultados para los que X = x
La distribucin de probabilidad de una variable aleatoria X es una descripcin del conjunto de posibles valores de X, junto con la probabilidad asociada con cada uno de estos valores. Esta distribucin bien puede ser una grfica, una tabla o una ecuacin que da la probabilidad de cada valor de la variable aleatoria y se considera como el resumen ms til de un experimento aleatorio.
Toda distribucin de probabilidad debe satisfacer cada uno de los dos requisitos siguientes:
1) 0 < f( x ) <= 1
2)
Variable aleatoria continua Esta funcin de densidad de probabilidad f(x) permite calcular el rea bajo la curva que representa la probabilidad de que la variable aleatoria continua X tome un valor entre el intervalo donde se define la funcin. Formalmente, la funcin de densidad de probabilidad f(x) de una variable aleatoria continua, se define como tal si para cualquier intervalo de nmeros reales [a,b] se cumple que:
1) f(x) >0
2) 3)
Otra alternativa para medir la variabilidad, que con frecuencia es ms fcil de interpretar pues sus unidades son idnticas a las de la variable aleatoria X, es la desviacin estndar denotada por positiva de la varianza. y que corresponde a la raz cuadrada
Determine el valor de c de manera que la funcin pueda servir como distribucin de probabilidad de la variable aleatoria discreta X: f (x) = c(x + 4) para X = 0, 1, 2, 3
4454 continue 11699 ryeYBw SgNd
2
4454
continue
11700
ryeYBw SgNd
el tiempo para jugar 18 hoyos de golf cantidad de leche que se produce en un hato peso del grano producido en una hectrea El nmero de accidentes automovilsticos por ao en una ciudad El nmero de accidentes automovilsticos por ao en una ciudad Correcto!!!!
De las siguientes variables cual corresponde a una variable aleatoria CONTINUA:
4454 continue 11701 ryeYBw SgNd
el numero de permisos para construccin que emite una entidad la cantidad de cursos que matricula un estudiante el tiempo para jugar 18 hoyos de golf el numero de permisos para construccin que emite una entidad el tiempo para jugar 18 hoyos de golf correcto!!!
Determine el valor de a de manera que la funcin pueda servir como distribucin de probabilidad de la variable aleatoria discreta X: f (x)= a.( 2Cx).( 3C3-x) para X = 0, 1, 2
4454 continue 11702 ryeYBw SgNd
Suponga que un comerciante de joyera antigua esta interesado encompraruna gargantilla de oro para la cual las probabilidades de poder venderla con una ganancia de $ 250,$ 100, al costo, o bien con una prdida de $150 son: respectivamente: 0.22, 0.36, 0.28, 0.14 . cul es la ganancia esperada del comerciante?
4454 continue 11703 ryeYBw SgNd
Se examinan a continuacion seis familias de distribuciones de probabilidad discreta y se hacen comentarios sobre su aplicacin. Estas son: las distribuciones uniforme discreta, binomial, geomtrica, binomial negativa, hipergeomtrica y Poisson. Tambin se estudian sus parmetros estadsticos ms usados; es decir, la media o valor esperado, la varianza y la desviacin estndar.
La variable aleatoria discreta ms sencilla es aquella que toma slo un nmero finito de valores posibles n, cada uno con la misma probabilidad.
Ella se denomina entonces variable aleatoria discreta uniforme y su distribucin uniforme discreta est dada por:
Distribuciones de probabilidad
DISTRIBUCIN BINOMIAL
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia, medicina, investigacin de opiniones, entre otras. En general, un experimento aleatorio que consiste de n ensayos repetidos tales que:
Los ensayos son independientes Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles: xito o fracaso. La probabilidad de xito de cada ensayo, denotada por p, permanece constante.
recibe el nombre de experimento binomial. La variable aleatoria X, de un experimento binomial, que corresponde al nmero de ensayos donde el resultado es un xito, tiene una distribucin binomial con parmetros p y n = 1, 2, y su funcin de probabilidad es<!--[if !supportFootnotes]-->
<!--[endif]-->
DISTRIBUCIN BINOMIAL NEGATIVA En la distribucin geomtrica, la variable aleatoria estaba definida como el nmero de ensayos Bernoulli necesarios para obtener el primer xito. Suponga ahora que se desea conocer el nmero de ensayos hasta obtener r xitos; en este caso la variable aleatoria es denominada binomial negativa. La distribucin binomial negativa o distribucin de Pascal es una generalizacin de la distribucin geomtrica donde la variable aleatoria X es el nmero de ensayos Bernoulli efectuados hasta que se tienen r xitos, con una probabilidad constante de xito p. Se dice entonces que X tiene una distribucin binomial negativa con parmetros p y r = 1, 2, 3,
En la distribucin binomial se vea que el muestreo se haca con reemplazo, asegurando la independencia de los ensayos y la probabilidad constante. Supngase ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no son independientes.
Sea N el nmero de elementos de un conjunto de los cuales k son determinados como xitos y N-k como fallas, se trata ahora de determinar la probabilidad de x xitos en n ensayos de los N elementos del conjunto donde k < N <V:SHAPETYPE id="_x0000_t75" coordsize="21600,21600" o:spt="75" o:preferrelative="t" path="m@4@5l@4@11@9@11@9@5xe" filled="f" stroked="f">
o:title=""/><!--[if !vml]--><!--[endif]-->y n<N<!--[if !vml]--><!--[endif]-->. Sea tambin la variable aleatoria X el nmero de xitos en la muestra.
Entonces, X tiene una distribucin hipergeomtrica y su funcin de distribucin de probabilidad est dada por:
Esta es otra distribucin de probabilidad discreta til en la que la variable aleatoria representa el nmero de eventos independientes que ocurren a una velocidad constante. La distribucin de Poisson, llamada as en honor a Simen Denis Poisson probabilista francs que fue el primero en describirla, es el principal modelo de probabilidad empleado para analizar problemas de lneas de espera, confiabilidad y control de calidad; como el nmero de personas que llegan a un lugar determinado en un tiempo definido, los defectos en piezas similares para el material, el nmero de bacterias en un cultivo, el nmero de goles anotados en un partido de ftbol, el nmero de fallas de una mquina en una hora o en un da, la cantidad de vehculos que transitan por una autopista, el nmero de llamadas telefnicas por minuto, etc. Como se puede observar se trata de hallar la probabilidad de ocurrencia de cualquier nmero por unidad de medicin (temporal o espacial).
Dado un intervalo de nmeros reales, si ste puede dividirse en subintervalos suficientemente pequeos, tales que: (1)La probabilidad de ms de un acierto en un subintervalo es cero o insignificante. (2)La probabilidad de una ocurrencia en un subintervalo es la misma para todos los subintervalos, y es proporcional a la longitud de estos. (3)El conteo de ocurrencias en cada subintervalo es independiente del de los dems subintervalos.
entonces el experimento aleatorio recibe el nombre de proceso Poisson o flujo de procesos de Poisson.
Un proceso Poisson constituye un mecanismo fsico aleatorio en el cual los eventos ocurren al azar en una escala de tiempo (o de distancia). Por ejemplo, la ocurrencia de accidentes en un cruce especfico de una carretera sigue dicho proceso. Cabe recordar que no es posible predecir con exactitud la cantidad de accidentes que pueden ocurrir en determinado intervalo de tiempo, pero s el patrn de los accidentes en gran nmero de dichos intervalos.
Dado un proceso Poisson donde ? es el nmero promedio de ocurrencias en el intervalo de nmeros reales donde este se define, la variable aleatoria X correspondiente al nmero de ocurrencias en el intervalo es llamada variable aleatoria Poisson y su funcin de probabilidad est dada por:
<!--
La distribucin Poisson representa la probabilidad de que un evento aislado ocurra un nmero especfico de veces en un intervalo de tiempo (o un espacio) dado, al fijarse la tasa de acontecimientos en un continuo temporal (o espacial). Su parmetro es ?, el nmero promedio de ocurrencias del experimento aleatorio
Una de las siguientes proposiciones NO corresponde a una Variable aleatoria binomial negativa
4454 continue 11709 ryeYBw SgNd
Experimento aleatorio con dos posibles resultados: xito y fracaso Variable aleatoria representa el numero de xitos en n repeticiones Variable aleatoria representa el numero de repeticiones para obtener k xitos
Probabilidad de xito conocida y constante Su respuesta : Variable aleatoria representa el numero de xitos en n repeticiones Correcto!!!!
En un hospital el promedio de urgencias que se reciben es de 12 por hora. Encontrar la probabilidad de que en la prxima media hora lleguen mximo 2?
4454 continue 11710 ryeYBw SgNd
6,19% 93,81% 6,05% 1,15% Su respuesta : 93,81% correcto!!! Distribuciones de probabilidad continuas
DISTRIBUCION UNIFORME
Se dice que una variable X posee una distribucin uniforme en el
intervalo
[a,b],
-->
(a,b)
o:preferrelative="t" stroked="f">
path="m@4@5l@4@11@9@11@9@5xe"
filled="f"
style='width:60pt;height:21pt'>
!vml]--
Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el valor de X este comprendido en cierto subintervalo de [a,b] depende nicamente de la longitud del mismo, no de su posicin.
DISTRIBUCION NORMAL O GAUSSIANA Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de fenmenos se comportan segn una distribucin normal. Esta distribucin de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin:
La distribucin gaussiana, recibe tambin el nombre de distribucin normal, ya que una gran mayora de las variables aleatorias continuas de la naturaleza siguen esta distribucin. Se dice que una variable aleatoria X sigue una distribucin normal si su funcin de densidad es:
filled="f" stroked="f">
style='width:260.25pt;height:32.25pt' o:bordertopcolor="blue"
o:href="http://www.bioestadistica.uma.es/libro/img1060.gif"/><!--[if !vml]-->
<!--[endif]-->
style='position:absolute;left:0;text-align:left;margin-left:297pt;
margin-top:34.85pt;width:75pt;height:25.5pt;z-index:251670016'>
Atencin: la tabla nos da la probabilidad acumulada, es decir, la que va desde el inicio de la curva por la izquierda hasta dicho valor. No nos da la probabilidad concreta en ese punto. En una distribucin continua en el que la variable puede tomar infinitos valores, la probabilidad en un punto concreto es prcticamente despreciable
Distribucion Exponencial
Distribucin Exponencial
Esta distribucin se utiliza como modelo para la distribucin de tiempos entre la presentacin de eventos sucesivos. Existe un tipo de variable aleatoria que obedece a una distribucin exponencial la cul se define como EL TIEMPO QUE OCURRE DESDE UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO. Se dice que una variable aleatoria continua tiene una distribucin exponencial con parmetro > 0 si su funcin de densidad es:
En cierto negocio de construccin el salario promedio mensual es de $386000 con una desviacin estandar de $4500. si se supone que los salarios tienen una distribucin normal. Cual es la probabilidad de que un obrero reciba un salario entre $380.000 y $ 385.000 ?
4454 continue 11717 ryeYBw SgNd