1.

Experimento aleatorio Un experimento o fenmeno aleatorio es el que puede dar lugar a varios resultados, sin que pueda ser previsible enunciar con certeza cul de stos va a ser observado en la realizacin del experimento. Puede presentar resultados diferentes, es decir, no se puede predecir o reproducir el resultado exacto de cada experiencia particular. Por ejemplo el lanzamiento de un dado. Este tipo de fenmeno es opuesto al fenmeno determinista, en el que conocer todos los factores de un experimento nos hace predecir exactamente el resultado del mismo. Por ejemplo, conociendo la altura desde la que se arroja un mvil es posible saber exactamente el tiempo que tardar en llegar al suelo en condiciones de vaco. Un experimento aleatorio cumple estas 3 propiedades: a) El conjunto de todos los posibles resultados, son conocidos de antemano. b) En cualquier repeticin, no es conocido qu resultado tendr el experimento. c) El experimento puede ser repetido, bajo las mismas condiciones.

2. Espacio Muestral Es el conjunto formado por todos los resultados posibles de un experimento o fenmeno aleatorio. Lo representaremos por E (o bien por la letra griega ). Ejemplo: a) Espacio muestral de una moneda: E = {C, X}. b) Espacio muestral de un dado: E = {1, 2, 3, 4, 5, 6}.

De acuerdo a la naturaleza de los elementos que conforman un espacio muestral, este se puede clasificar en: a) Discreto: Se dice que un espacio muestral es discreto si al enumerar sus elementos, estos nmeros pueden ponerse en una correspondencia uno a uno con el conjunto de los enteros positivos o cuando contiene un nmero contable de elementos. b) Continuo: Se dice que un espacio muestral es continuo si sus resultados consisten de todos los puntos de un intervalo de nmeros reales, o todos los puntos de un plano, o en general algn rectngulo en el espacio dim 3. Probabilidad Es una rama de la matemtica que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra un determinado suceso est basada en el estudio de la combinatoria y es fundamento necesario de la estadstica. De la que se conocen todos los resultados posibles, bajo condiciones suficientemente estables.

4. Distribucin de probabilidad En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria. La distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x. Dada una variable aleatoria , su funcin de distribucin, , es

Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento. Una distribucin de probabilidad es similar a la distribucin de frecuencias relativas.

4. Funcin de densidad de probabilidad En teora de la probabilidad, la funcin de densidad de probabilidad, funcin de densidad, o, simplemente, densidad de una variable aleatoria continua es una funcin, usualmente denominada f(x) que describe la densidad de la probabilidad en cada punto del espacio de tal manera que la probabilidad de que la variable aleatoria tome un valor dentro de un determinado conjunto sea la integral de la funcin de densidad sobre dicho conjunto. Una funcin de densidad de probabilidad (FDP) es una funcin matemtica que caracteriza el comportamiento probable de una poblacin.

Es decir, es una funcin con la propiedad de que

5. Esperanza Matemtica La esperanza matemtica o valor esperado de una variable aleatoria discreta es la suma del producto de la probabilidad de cada suceso por el valor de dicho suceso.

Los nombres de esperanza matemtica y valor esperado tienen su origen en los juegos de azar y hacen referencia a la ganancia promedio esperada por un jugador cuando hace un gran nmero de apuestas. Si la esperanza matemtica es cero, E(x) = 0, el juego es equitativo, es decir, no existe ventaja ni para el jugador ni para la banca. Un ejemplo de ello es lo siguiente: Supongamos que hemos realizado n veces un experimento aleatorio que genera una variable X. El valor medio del experimento en esta n repeticiones es la suma de los productos de los valores de la variable por su frecuencia relativa.

Cuando n sea igual a infinito, el valor medio del experimento se llama valor esperado o esperanza matemtica, E[X]. Si X es una variable discreta con funcin d probabilidad f(x), el valor esperado de X se calcula segn decamos anteriormente sumando los productos de los valores de la variable por sus respectivas probabilidades. 6. Valores Esperados El valor esperado tambin es conocido como valor promedio a largo plazo de la variable aleatoria, esta media es un promedio ponderado, en el que los valores posibles se ponderan mediante sus probabilidades correspondientes de ocurrencia, se calcula con la formula:

Donde P(X) es la probabilidad que puede tomar la variable aleatoria X. 7. Varianza La varianza es la media aritmtica del cuadrado de las desviaciones respecto a la media de una distribucin estadstica se representa por . Es decir, es una medida de dispersin o de la variacin de los valores de la variable aleatoria alrededor de la medida . Si los valores tienden a conectarse cerca de la medida, la varianza es pequea, mientras si los valores tienden a distribuirse lejos de la medida, la varianza es grande. 8. Distribuciones de Probabilidad a) Distribucin Bidimensional Una distribucin bidimensional es aquella en las que a cada individuo le corresponden los valores de dos variables, las representamos por el par (xi, yi). Si representamos cada par de valores como las coordenadas de un punto, el conjunto de todos ellos se llama nube de puntos o diagrama de dispersin. b) Distribucin Binomial La distribucin de probabilidad Binomial es uno de los modelos de probabilidad (expresin matemtica para representar una variable) que se utiliza cuando la variable aleatoria discreta es el nmero de xitos en una

muestra compuesta por n observaciones. Es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. . En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para representar que una variable aleatoria X sigue una distribucin Binomial de parmetros n y p, se escribe:

Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin: Se lanza un dado diez veces y se cuenta el nmero X de treses obtenidos: entonces X ~ B(10, 1/6) Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(2, 1/2) Una partcula se mueve unidimensionalmente con probabilidad p de moverse de aqu para all y 1-q de moverse de all para ac.

c) Distribucin de Poisson En teora de probabilidad y estadstica, la distribucin de Poisson es la que proporciona un buen modelo para los datos que representan la frecuencia de un evento especfico en una unidad dada de tiempo o espacio. Entre los ejemplos de esta distribucin tenemos: El nmero de llamadas que recibe un conmutador telefnico durante cierto tiempo, el nmero de clientes que llegan a una caja en un minuto determinado y las averas de una maquina en un da dado. Es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo.

donde k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento suceda precisamente k veces).

 es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40. e es la base de los logaritmos naturales (e = 2,71828...).

d) Distribucin Normal En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales. La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana. La importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme cantidad de variables incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo que cada observacin se obtiene como la suma de unas pocas causas independientes. La distribucin normal tambin es importante por su relacin con la estimacin por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos. Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo de la normal son: Caracteres morfolgicos de individuos como la estatura; Caracteres fisiolgicos como el efecto de un frmaco; Caracteres sociolgicos como el consumo de cierto producto por un mismo grupo de individuos; Caracteres psicolgicos como el cociente intelectual; Nivel de ruido en telecomunicaciones.

Los smbolos e y son constantes matemticas.

e) Distribucin Gamma Es una distribucin de probabilidad continua con dos parmetros cuya funcin de densidad para valores es y

Aqu

es el nmero e y

es la funcin gamma. Para valores

la aquella es (el factorial de ). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribucin distribucin Erlang con un parmetro. .

f) Distribucin beta Es una distribucin de probabilidad continua con dos parmetros cuya funcin de densidad para valores es y

Aqu

es la funcin gamma.

La funcin beta es una funcin especial estrechamente relacionada con la funcin gamma. Fue estudiada originalmente por Euler yLegendre. No obstante, su nombre le fue dado por Jacques Binet. 9. Procesos Aleatorios Se define como proceso aleatorio a toda experiencia que genere una secuencia de valores modelizables como variables aleatorias. Cada experiencia individual tiene un posicionamiento, o sea un orden en la experiencia global. Tambin podemos decir que una serie ordenada de experiencias individuales genera una experiencia global que denominamos proceso aleatorio. 10. Proceso de Bernoulli Un Proceso de Bernoulli no es otra cosa que la repeticin de un Ensayo de Bernoulli. Si nos fijamos en el ejemplo de la moneda, en este caso estaremos estudiando cuntas veces sale "cara" o cuntas sale "cruz", o las probabilidades de que salga "cara", al menos una vez, de un nmero n de intentos. Es importante que se cumpla que:

1. 2.

La probabilidad de xito permanece constante ensayo tras ensayo. Los ensayos deben de ser independientes entre s.

Para esto hay una distribucin conocida como Distribucin Binomial que permite calcular la probabilidad de que ocurra r veces un suceso en n intentos, si la probabilidad de que suceda en un intento es p:

Un proceso de Bernoulli tiene uno de dos resultados mutuamente exclusivos, que por lo general se denotan xito y fracaso y en conclusin no hay otros resultados posibles. La probabilidad de xito y fracaso se denotan con la letra p y q. 11. Propiedades de la caminata aleatoria El camino aleatorio o paseo aleatorio, abreviado en ingls como RW (Random Walks), es una formalizacin matemtica de la trayectoria que resulta de hacer sucesivos pasos aleatorios. Por ejemplo, el ruta trazada por una molcula mientras viaja por un lquido o un gas, el camino que sigue un animal en su bsqueda de comida, el precio de una accin fluctuante y la situacin financiera de un jugador pueden tratarse como un camino aleatorio. En su forma ms general, los paseos aleatorios son cualquier proceso aleatorio donde la posicin de una partcula en cierto instante depende slo de su posicin en algn instante previo y alguna variable aleatoria que determina su subsecuente direccin y la longitud de paso. El trmino camino aleatorio fue introducido por Karl Pearson en 1905. Los resultados del anlisis de paseo aleatorio han sido aplicados a muchos campos como la computacin, la fsica, la qumica, la ecologa, la biologa, la psicologa o la economa. Digamos que X(t) define una trayectoria que empieza en la posicin X(0)=X0. Un paseo aleatorio se modela mediante la siguiente expresin:

Donde es la variable aleatoria que describe la ley de probabilidad para tomar el siguiente paso y es el intervalo de tiempo entre pasos subsecuentes. A medida que la longitud y direccin de un paso dado depende solo de la posicin X(t) y no de alguna posicin previa, se dice que el paseo aleatorio posee la

Propiedad de Mrkov. Comnmente la distribucin del paso ser independiente de la posicin o del tiempo transcurrido, una propiedad llamada homogeneidad. De cualquier modo, la formulacin es extremadamente general. Los paseos aleatorios pueden ocurrir en cualquier nmero de dimensiones, ser parciales o imparciales, discretos o continuos en el tiempo y/o espacio, y pueden violar la homogeneidad en algn nmero de formas. Por ejemplo self-avoiding walks, nunca se interceptan ellas mismas, violando la propiedad de Mrkov, mientras que los paseos que rebotan en un borde o estn restringidos en su rango de algn modo son no homogneos. La trayectoria de un paseo aleatorio es la coleccin de puntos por los que pasa, considerada como un conjunto que no tiene en cuenta cundo el paseo lleg a ese punto. En una dimensin, la trayectoria es simplemente la coleccin de todos los puntos entre los puntos ms remotos que alcanza el paseo (siendo ambos de media del orden de n para un paseo de n pasos). Cuando se consideran ms dimensiones el conjunto tiene propiedades geomtricas interesantes. Por ejemplo, se obtiene un fractal discreto, consistente en un conjunto que muestra una auto similitud estocstica a grandes escalas, mientras que visto de cerca presenta el aspecto cuadriculado que corresponde a la malla por la que se realiza el paseo.

Introduccin Al momento de realizar cualquier actividad y desarrollar procesos para la resolucin de algn conflicto o necesidad e incluso para la toma de una simple decisin pueden presentarse ciertas eventualidades que definirn de una u otra forma si el evento que se pretende efectuar tendr el xito deseado. Entonces se dira que estamos en presencia de un experimento aleatorio ya que aparecen varios resultados, sin que pueda ser previsible enunciar con certeza cul de stos va a ser observado en el momento que se concrete la accin y al estar en presencia de una situacin con estas caractersticas se procede a la delimitacin de lo que se conoce como espacio muestral que no es ms que la identificacin de posibles opciones que llegasen a resultar para posteriormente hacer uso de la probabilidad, la cual se ocupara de medir cuantitativamente la posibilidad de que ocurra un determinado suceso aunque para cristalizar lo antes mencionado se hace uso de la conocida distribucin de probabilidad que es una til funcin encargada de asignar a cada suceso la probabilidad de que ocurra Adems de ello existen una serie de distribuciones, procesos, y propiedades que vale la pena traer a memoria para que en un cierto caso identifiquemos con prontitud y agilidad en presencia de cual nos encontramos e inclusive conocer la ms factible a utilizar en dicha situacin garantizando de este modo conocer con la mayor exactitud posible el desempeo de la accin a efectuar y estas son: Distribuciones de variable discreta, Distribuciones de variable continua, Esperanza, Matemtica, Valor esperado y Varianza, Distribucin Bidimensional, Distribucin Binomial, Distribucin de Poisson, Distribucin gamma, Distribucin normal, Distribucin beta, Procesos aleatorios, Proceso de Bernoulli y Propiedades de la caminata aleatoria.

Conclusin La teora de las probabilidades se basa en el estudio de experimentos aleatorios, cuyos resultados son impredecibles. Para determinar la ocurrencia de cierto evento con ms exactitud es necesario que dicho evento se repita varias veces para as conocer cul es la probabilidad o la tasa de xito para que ocurra cada uno de esos posibles resultados. Es necesario aplicar lo que se conoce como distribucin de probabilidad la cual contendr todos los posibles resultados de un evento en variables aleatorias las cuales se clasifican en discretas que pueden ser finitas o infinitas pero numerables y las continuas que son infinitas pero innumerables. Estas variables toman valores mediante una funcin que se asigna a cada una de ellas y determina la probabilidad para que ocurra. Existen diferentes tipos de distribuciones que son usadas para distintos casos de la vida real, tal cual como la distribucin de Poisson que nos permite determinar por ejemplo el nmero de llamadas que recibe un telfono en determinado momento.

REPBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA DEFENSA UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA DE LA FUERZA ARMADA BOLIVARIANA - UNEFA NCLEO ANZOTEGUI - SEDE SAN TOM

Bachilleres: Biannellys Mata CI: 20.549.168 Profesora: Selenia Snchez Luis Zapata CI: 20.172.647 Robert Figueroa CI: 21.515.353 Danielys Alvarez CI: 20.710.027 Seccin (D-03) 6to Semestre de Ing. De Sistemas San tome, Noviembre de 2012

Bibliografa Espacio muestral: http://www.educared.org/wikiEducared/Experimentos_aleatorios._Espacio_muestr al.Sucesos.html Experimento aleatorio: http://www.wikimatematica.org/index.php?title=Experimento_Aleatorio http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_207_49.html Probabilidades: http://www.profesorenlinea.cl/matematica/probabilidades.htm Densidad de probabilidad: http://es.wikipedia.org/wiki/Funci%C3%B3n_de_densidad_de_probabilidad Distribucin bidimensional: http://www.vitutor.com/estadistica/bi/distribuciones_bidimensionales.html Distribucin binomial: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial Distribucin normal: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal Distribucin beta: http://es.wikipedia.org/wiki/Distribuci%C3%B3n_beta Caminos aleatorios: http://es.scribd.com/doc/52962638/1/Martingalas-y-Caminos-Aleatorios