Sie sind auf Seite 1von 14

LECCIN EVALUATIVA UNIDAD No.

2
Capitulo 4: Variable aleatoria y distribuciones de probabilidad Capitulo 5: distribuciones de probabilidad discretas Capitulo 6: distribuciones de probabilidad continuas

Variables aleatorias y distribuciones de probabilidad

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.

Variable aleatoria discreta

VARIABLE ALEATORIA DISCRETA Se dice que una variable aleatoria X es discreta si el nmero de valores que puede tomar es finito (o infinito contable).Frecuentemente el inters recae en la probabilidad de que una variable aleatoria tome un valor particular, para ello se requiere primero definir claramente la variable aleatoria. Ser importante pues, acordar la siguiente simbologa:

{X = x}denotar el evento formado por todos los resultados para los que X = x

ser la probabilidad de dicho evento.

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) f( X) > 0

2) Se dice que una variable aleatoria X es continua si el nmero de valores que puede tomar estn contenidos en un intervalo (finito o infinito) de nmeros reales. Dichos valores pueden asociarse a mediciones en una escala continua, de manera que no haya huecos o interrupciones.

La distribucin de probabilidad de una variable aleatoria continua X est caracterizada por una funcin f(x) que recibe el nombre de funcin de densidad de probabilidad. Esta funcin f(x) no es la misma funcin de probabilidad de una variable aleatoria discreta. La grfica de la funcin f(x) es una curva que se obtiene para un nmero muy grande de observaciones y para una amplitud de intervalo muy pequea.

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)

Valor Esperado de una variable aleatoria


ESPERANZA (MEDIA O VALOR ESPERADO) DE UNA VARIABLE ALEATORIA La esperanza es un parmetro de la distribucin. Es una medida de tendencia central. Si X es una variable aleatoria discreta: E(X) = xi.p(xi) Si X es una variable aleatoria continua: E(X) = x.f(x).dx La esperanza E(x) no es un resultado que esperararamos cuando X se observa slo una vez. Pero si observramos un gran nmero de observaciones independientes de X el promedio de esos resultados estar cerca de E(x). PROPIEDADES DE LA ESPERANZA Sean X e Y variables aleatorias y c una constante perteneciente a los reales: 1) E (c ) = c 2) E (X+c ) = E(X) + c 3) E (cX) = c E(X)

4) E (X+Y) = E(X) + E(Y) 5) E (X-Y) = E(X) - E(Y) 6) Si X e Y son independientes E (XY) = E(X) * E(Y)

Varianza de una variable aleatoria

Varianza de una variable aleatoria La varianza de una variable aleatoria es una medida de la dispersin de la distribucin de probabilidad de sta. Se calcula ponderando el cuadrado de cada desviacin con respecto a la media, con la probabilidad asociada con la desviacin.

para la variable aleatoria discreta

para la variable aleatoria continua

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 y que corresponde a la raz cuadrada positiva de la varianza.

La funcin de probabilidad de una variable aleatoria discreta X, representa:

Su respuesta : P ( X = Xo) Correcto!!!

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(x2 + 4) para X = 0, 1, 2, 3

Su respuesta : 1/30 Correcto

De las siguientes variables cual corresponde a una variable aleatoria DISCRETA:

Su respuesta : El nmero de accidentes automovilsticos por ao en una ciudad Correcto!!!!

De las siguientes variables cual corresponde a una variable aleatoria CONTINUA:

Su respuesta : 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

Su respuesta : 1/10 Correcto!!!!

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?

Su respuesta : 70 Correcto!!!

Distribuciones de probabilidad Discretas

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

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.

DISTRIBUCIN UNIFORME DISCRETA

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

DISTRIBUCIN GEOMTRICA

Considere ahora una serie de ensayos Bernoulli con una probabilidad constante de xitos p, en la que el nmero de ensayos no es fijo como en la distribucin binomial si no que stos se realizan hasta que se obtiene el primer xito. Sea entonces, la variable aleatoria X el nmero de ensayos realizados hasta obtener un xito, ella tiene una distribucin geomtrica con parmetro p y se expresa:

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,

DISTRIBUCIN HIPERGEOMTRICA

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 o:preferrelative="t" 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:

DISTRIBUCIN POISSON

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

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?

Su respuesta : 0,0619 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 mas de 2 urgencias?

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], X --> U (a,b) si su funcin de densidad es la siguiente:

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


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: Funcin de densidad de una variable aleatoria de distribucin normal

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:

Distribucin normal estndar o tipificada

Cuando la media de la distribucin normal es 0 y la varianza es 1, se denomina "normal tipificada", y su ventaja reside en que hay tablas, o rutinas de clculo que permiten obtener esos mismos valores, donde se recoge la probabilidad acumulada para cada punto de la curva de esta distribucin.

La distribucin normal tipificada tiene la ventaja, como ya hemos indicado, de que las probabilidades para cada valor de la curva se encuentran recogidas en una tabla. (Ver tabla completa en el modulo)

Cmo se lee esta tabla? La columna de la izquierda indica el valor cuya probabilidad acumulada queremos conocer. La primera fila nos indica el segundo decimal del valor que estamos consultando. Queremos conocer la probabilidad acumulada en el valor 2,75. Entonces buscamos en la columna de la izquierda el valor 2,7 y en la primera fila el valor 0,05. La casilla en la que se interceptan es su probabilidad acumulada (0,99702, es decir 99.7%).

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
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 ?

Su respuesta : 0,3211 correcto!!!

Un taller de reparacin de televisores, gasta en promedio 45 minutos en el arreglo de un aparato, con una desviacin tpica de ocho minutos. si el tiempo se distribuye normalmente, cual es la probabilidad de que en el arreglo de un televisor se gasten mas de 50 minutos?

Su respuesta : 0,2643 correcto!!!


Un taller de reparacin de televisores, gasta en promedio 45 minutos en el arreglo de un aparato, con una desviacin tpica de ocho minutos. si el tiempo se distribuye normalmente, cual es la probabilidad de que en el arreglo de un televisor se gasten menos de 50 minutos?

Su respuesta : 0,7357 correcto!!!!!