Está en la página 1de 39

Unidad 4

Distribucin de probabilidad de variables aleatorias continuas


Ana Gabriela Luna Cristian Avila Luis Leal Ramn Nez Felipe Gaytan

Unidad 4 Distribucin de probabilidad de variables aleatorias continuas


4.1- Introduccin, conceptos bsicos de variables aleatorias continuas 4.2- Variables aleatorias discretas 4.2.1- Valor esperado y varianza de una variable aleatoria discreta 4.2.2- Regla emprica y teorema de Chebyshev 4.3- Distribucin de probabilidad binomial 4.3.1- Valor esperado y varianza de una variable aleatoria binomial 4.4- Distribucin de probabilidad de una variable aleatoria hipergeomtrica 4.4.1- Valor esperado y varianza (VA) hipergeomtrica 4.5- Distribucin de una variable aleatoria Poisson 4.5.1- Valor esperado y varianza de una VA Poisson

Introduccin y conceptos variables aleatorias continuas

bsicos,

de

La variable aleatoria es una codificacin del experimento aleatorio, de tal manera que a cada elemento del espacio muestral (e) le corresponde un valor numrico real.

Una variable aleatoria representa una codificacin del experimento de tal manera que a cada elemento del espacio muestral le hace corresponder una x(e) que es un numero real.

Se dice que una Variable aleatoria Discreta X, tiene un conjunto definido de valores posibles x1,x2,x3,..xn con probabilidades respectivas p1,p2,p3,..pn. Es decir, slo puede tomar ciertos valores dentro de un campo de variacin dado. Como X ha de tomar uno de los valores de este conjunto, entonces p1 + p2 ++ pn=1. En general, una variable aleatoria discreta X representa los resultados de un espacio muestral en forma tal que por P(X = x) se entender la probabilidad de que X tome el valor de x. De esta forma, al considerar los valores de una variable aleatoria es posible desarrollar una funcin matemtica que asigne una probabilidad a cada realizacin x de la variable aleatoria X.

El valor esperado es un concepto fundamental en el estudio de las distribuciones. Este concepto ha sido aplicado para tomar decisiones en condiciones de incertidumbre. Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio ponderado de los resultados que se esperan en el futuro. Sea X una Variable Aleatoria que toma valores en un conjunto discreto, por ejemplo si la variable aleatoria X toma los siguientes valores: X = 0, 1, 2, 3, decimos que es discreta

Ejemplo.- Sea el experimento aleatorio consistente en lanzar una moneda al aire. Los sucesos elementales del experimento, que salga cara, que salga cruz, no vienen representados por los nmeros, por lo que a cada suceso elemental se le hace corresponder un nmero real. As al suceso elemental que salga cara se le hace corresponder el nmero 1 y al suceso elemental que salga cruz se le hace corresponder el nmero 2. La variable aleatoria ser: X = (1,2). Se trata de una variable aleatoria discreta, ya que nicamente puede adoptar los valores 1 y 2.

Regla emprica Si una variable est normalmente distribuida puede aplicarse la regla emprica para saber la probabilidad de que la variable tome cualquier valor dentro de un rango que est a 1, 2 3desviaciones estndar del valor esperado.

Para demostrar cmo la desviacin estndar es indicadora de la dispersin de la distribucin de una variable aleatoria, el matemtico ruso Pafnuty Lvovich Chbyshev desarroll un teorema en el que ofrece una garanta mnima acerca de la probabilidad de que una variable aleatoria asuma un valor dentro de k desviaciones estndar alrededor de la media.

Para cualquier variable aleatoria X con media y desviacin estndar , la probabilidad de que X tome un valor contenido en k desviaciones estndar de la media, siendo k una constante positiva cualquiera, es cuando menos 1 - 1/k

La desigualdad de Chbyshev es muy importante, ya que permite determinar los lmites de las probabilidades de variables aleatorias discretas o continuas sin tener que especificar sus funciones de probabilidad. Este teorema asegura que la probabilidad de que una variable aleatoria se aleje de la media no ms de k desviaciones estndar, es menor o igual a 1/k2 para algn valor de k >1. Aunque la garanta no siempre es muy precisa, la ventaja sobre este teorema es su gran generalidad por cuanto es aplicable a cualquier variable aleatoria con cualquier distribucin de probabilidad, ya sea discreta o continua.

La distribucin binomial 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. Un experimento de Bernoulli se caracteriza por tener solo dos posibles resultados, xito si tiene la probabilidad de ocurrencia p y al otro fracaso, con una probabilidad q = 1 p.

Es una distribucin de probabilidades que surge al cumplirse cinco condiciones:


1. 2. 3. 4. 5.

Existe una serie de N ensayos, En cada ensayo hay slo dos posibles resultados, En cada ensayo, los dos resultados posibles son mutuamente excluyentes, Los resultados de cada ensayo son independientes entre si, y La probabilidad de cada resultado posible en cualquier ensayo es la misma de un ensayo a otro.

Cuando se cumple estas condiciones, la distribucin binomial proporciona cada resultado posible de los N ensayos y la probabilidad de obtener cada uno de estos resultados.

Para este tipo de distribucin de probabilidad, la funcin matemtica es la siguiente:


Donde: P(X) = probabilidad de X xitos dados los parmetros n y p n = tamao de la muestra p = probabilidad de xito 1 p = probabilidad de fracaso X = numero de xitos en la muestra ( X = 0, 1, 2, .. N) El trmino indica la probabilidad de obtener X xitos de n observaciones en una secuencia especfica. En trmino indica cuantas combinaciones de los X xitos entre n observaciones son posibles. Entonces dado el nmero de observaciones n y la probabilidad de xito p, la probabilidad de X xitos es: P(X) = (numero de secuencia posibles) x (probabilidad de un secuencia especifica) Por eso que llegamos a la funcin matemtica que representa esta distribucin.

Tabla de distribucin binomal Cmo utilizar la tabla de la distribucin Binomial? Un examen consta de 10 preguntas a las que hay que contestar si o no. Suponiendo que a las personas que se le aplica no sabe contestar a ninguna de las preguntas y en consecuencia contesta al azar hallar. A) probabilidad de obtener 5 aciertos B) Probabilidad de obtener algn acierto C) Probabilidad de obtener al menos 5 aciertos.

A) probabilidad de obtener 5 aciertos

P(X=5)

B) Probabilidad de obtener algn acierto

P(X=0)

P(X 1)= 1 P(X=0) P(X 1) = 1 - .0010 = 0.999

C) Probabilidad de obtener al menos 5 aciertos.


PROBABILIDAD BINOMIAL ACUMULADA

P(X 5) = .6231

Valor esperado El valor esperado es un concepto fundamental en el estudio de las distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido aplicado por otros profesionales que casi siempre toman decisiones en condiciones de incertidumbre. Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio ponderado de los resultados que se esperan en el futuro.

Varianza Se podra usar un argumento parecido para justificar las frmulas para la varianza de la poblacin y la desviacin estndar de la poblacin . Estas medidas numricas describen la dispersin o variabilidad de la variable aleatoria mediante el promedio o valor esperado de las desviaciones cuadrticas de los valores de x a partir de su media .

V(x)= npq

Ejemplo Los clientes de una gasolinera pagan con tarjetas de credito (A) tarjeta de debito (B) o en efectivo (C). Suponga que clientes sucesivos eligen su forma de pago de manera independiente con P(A)= 0.5 P(B)=0.2 P(C) 0.3 A) Entre los siguientes 100 clientes Cuales son la media y varianza del numero de quienes pagan con tarjeta de crdito?

Distribucin hipergeomtrica
En estadstica la Distribucin hipergeomtrica es una distribucin de probabilidad discreta con tres parmetros discretos N, d y n cuya funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual a :

Donde N = Total de Poblacin. n = Tamao de la Muestra Extrada. d = Nmero de elementos en la poblacin original que pertenecen a la categora deseada X = Nmero de xitos en la muestra.
La notacin hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar elementos de un total.

Ejemplo De 50 edificios de un parque Industrial 12 no cumplen con el cdigo elctrico. Si se seleccionan 10 edificios aleatoriamente. Determine:
A) 3 no cumplan con el cdigo. B) 4 no cumplan con el cdigo. C) Menos de 5 no cumplan con el cdigo

Solucin:

Datos:
N = Total de la Poblacin d = # de elementos de la categora deseada n = Tamao de la muestra X = # de xitos de la muestra A) = = 50 = 12 = 10 3

Solucin:

X = # de xitos de la muestra

B) =

Solucin:

X = # de xitos de la muestra

C) =

X<5

El valor esperado de una variable aleatoria X de distribucin hipergeomtrica es:

N = 50

n = 10

d = 12

Introduccion
Esta funcin de distribucin de variable discreta se emplea

para calcular las probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.

Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son:
Los embotellamientos que se producen por da. - Nmero de llamadas por hora. - Defectos por m2 de tela. - Nmero de defectos por lote de un proceso de

produccin. - Nmero de negocios cerrados por semana

A este tipo de problemas se les conoce el nmero de

xitos x obtenidos por unidad de medida en n ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x).

Se dice que se da un proceso de Poisson si se pueden

observar eventos discretos en un intervalo continuo en forma tal que si se acorta el intervalo lo suficiente: 1.- La probabilidad de observar exactamente un xito en el intervalo es estable. 2.- La probabilidad de observar dos o ms xitos en el intervalo es cero. 3.- La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que suceda en cualquier otro intervalo.

La distribucin de Poisson se expresa mediante la siguiente frmula.


P (E P)=

p (x, )=

x - e X!

donde: n = Nmero de ensayos x = Nmero de xitos esperados en n ensayos e = 2.71828... = n p = Constante igual al nmero de xitos promedio por unidad de medida p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de medida.

Ejemplo
Un conmutador recibe en promedio 5 llamadas sobre

autos extraviados por hora. Cul es la probabilidad de que en una hora tomada al azar reciba? a) Ninguna llamada. b) Exactamente 3 llamadas. c) No ms de 3 llamadas.

Para este problema = 5, en otros casos deber calcularse con:

= n p. a) Ninguna llamada. x = 0 0 -5 P( E0)=P(0,5)= 5 e =0 .00674963 0! b) Exactamente 3 llamadas: x = 3 3 -5 P(E3)=P(3,5)=5 e =0 .1404 3! c) No ms de 3 llamadas: x < 4
P(x < 4) = P(x 3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2) + P(x3 = 3) P(x < 4) = 0.0067+ 0.0337 + 0.0842 + 0.1406 = 0.2652 = 26.52 %

Valor esperado y Varianza


El clculo de estas magnitudes pueden realizarse con

las siguientes frmulas: = = np ^2 = = sqrt

= Media ^2= Varianza = Desviacin estndar Valor esperado = su parametro=