Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 ace necesaria la cuantificacin de los resultados cualitativos de un espacio muestral para lue!o, mediante el empleo de medidas num"ricas, estudiar su comportamiento aleatorio.
#ara 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.
$na variable aleatoria es pues, una funcin que asi!na 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(denotar el evento formado por todos los resultados para los que & ' x
)a 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 !rfica, 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.
*oda distribucin de probabilidad debe satisfacer cada uno de los dos requisitos si!uientes+
") f( #) $% &
')
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.
.ormalmente, 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,b0 se cumple que+
") f(,) $&
')
-)
reales: .) E (c ) = c /) E (X0c ) = E(X) 0 c 1) E (cX) = c E(X) 2) E (X0,) = E(X) 0 E(,) 3) E (X4,) = E(X) 4 E(,) 5) Si X e , son independientes E (X,) = E(X) 6 E(,)
1tra alternativa para medir la variabilidad, que con frecuencia es ms fcil de interpretar pues sus unidades son id"nticas a las de la variable aleatoria X, es la desviacin estndar denotada por positiva de la varian2a. y que corresponde a la ra2 cuadrada
,e examinan a continuacion seis familias de distribuciones de probabilidad discreta y se acen comentarios sobre su aplicacin. Estas son+ las distribuciones uniforme discreta, binomial, !eom"trica, binomial ne!ativa, iper!eom"trica y #oisson. *ambi"n se estudian sus parmetros estadsticos ms usados3 es decir, la media o valor esperado, la varian2a y la desviacin estndar.
(a variable aleatoria discreta ms sencilla es aquella que toma slo un nmero finito de valores posibles n, cada uno con la misma probabilidad. *lla se denomina entonces variable aleatoria discreta uniforme y su distribucin uniforme discreta est dada por!
Distribuciones de probabilidad
DISTRI !"I&$ I$#'IAL
)as distribuciones binomiales son las ms tiles dentro de las distribuciones de probabilidad discretas. ,us reas de aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia, medicina, investi!acin de opiniones, entre otras. En !eneral, un experimento aleatorio que consiste de n ensayos repetidos tales que+
/ada ensayo es de tipo 0ernoulli. *sto es, tiene slo dos resultados posibles! 1,ito2 o 1fracaso2. (a probabilidad de ,ito de cada ensayo, denotada por p, permanece constante.
recibe el nombre de experimento binomial. )a 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 ' 4, 5,6 y su funcin de probabilidad es
7onsidere a ora una serie de ensayos 8ernoulli 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 reali2an asta que se obtiene el primer "xito. ,ea entonces, la variable aleatoria X el nmero de ensayos reali2ados asta obtener un "xito, ella tiene una distribucin geomtrica con parmetro p y se expresa+
En la distribucin !eom"trica, la variable aleatoria estaba definida como el nmero de ensayos 8ernoulli necesarios para obtener el primer "xito. ,upon!a a ora que se desea conocer el nmero de ensayos asta obtener r "xitos3 en este caso la variable aleatoria es denominada binomial ne!ativa.
de la distribucin !eom"trica donde la variable aleatoria X es el nmero de ensayos 8ernoulli efectuados asta que se tienen r "xitos, con una probabilidad constante de "xito p. ,e dice entonces que X tiene una distribucin binomial ne!ativa con parmetros p y r ' 4, 5, 9,6
En la distribucin binomial se vea que el muestreo se aca con reempla2o, ase!urando la independencia de los ensayos y la probabilidad constante. ,upn!ase a ora que el muestreo es sin reemplazo, caso en el cual los ensayos no son independientes.
,ea N el nmero de elementos de un conjunto de los cuales k son determinados como "xitos y N-k como fallas, se trata a ora de determinar la probabilidad de x "xitos en n ensayos de los N elementos del conjunto donde : ; <. ,ea tambi"n 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. )a distribucin de #oisson, llamada as en onor a ,imen -enis #oisson probabilista franc"s que fue el primero en describirla, es el principal modelo de probabilidad empleado para anali2ar problemas de lneas de espera, confiabilidad y control de calidad3 como el nmero de personas que lle!an a un lu!ar determinado en un tiempo definido, los defectos en pie2as similares para el material, el nmero de bacterias en un cultivo, el nmero de !oles anotados en un partido de ftbol, el nmero de fallas de una mquina en una ora o en un da, la cantidad de ve culos que transitan por una autopista, el nmero de llamadas telefnicas por minuto, etc. 7omo se puede observar se trata de allar la probabilidad de ocurrencia de cualquier nmero por unidad de medicin (temporal o espacial).
-ado un intervalo de nmeros reales, si "ste puede dividirse en subintervalos suficientemente peque=os, tales que+ (4))a probabilidad de ms de un acierto en un subintervalo es cero o insi!nificante. (5))a probabilidad de una ocurrencia en un subintervalo es la misma para todos los subintervalos, y es proporcional a la lon!itud de estos. (9)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.
$n proceso #oisson constituye un mecanismo fsico aleatorio en el cual los eventos ocurren al a2ar en una escala de tiempo (o de distancia). #or ejemplo, la ocurrencia de accidentes en un cruce especfico de una carretera si!ue dic o proceso. 7abe 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 !ran nmero de dic os intervalos.
-ado un proceso #oisson 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+
(a distribucin 3oisson representa la probabilidad de que un evento aislado ocurra un nmero espec fico de veces en un intervalo de tiempo (o un espacio) dado, al fi4arse la tasa de acontecimientos en un continuo temporal (o espacial). Su parmetro es ?, el nmero promedio de ocurrencias del e,perimento aleatorio
Su respuesta ! *l nmero de accidentes automovil sticos por a+o en una ciudad /orrecto5555
6e las siguientes variables cual corresponde a una variable aleatoria />?<:?@=!
/orrecto5555
*n un Bospital el promedio de urgencias que se reciben es de "' por Bora. *ncontrar la probabilidad de que en la pr,ima media Bora lleguen m,imo 'H
/on esta ley de probabilidad, la probabilidad de que al Bacer un e,perimento aleatorio, el valor de X este comprendido en cierto subintervalo de La,bM depende nicamente de la longitud del mismo, no de su posicin.
de fenmenos se comportan segn una distribucin normal. *sta distribucin de caracteri)a porque los valores se distribuyen formando una ca)pana de +auss, en torno a un valor central que coincide con el valor medio de la distribucin!
(a distribucin gaussiana, recibe tambin el nombre de distribucin normal, ya que una gran mayor a de las variables aleatorias continuas de la naturale)a siguen esta distribucin. Se dice que una variable aleatoria X sigue una distribucin nor)al si su funcin de densidad es!
desde el inicio de la curva por la i)quierda Basta dicBo valor. ?o nos da la probabilidad concreta en ese punto. *n una distribucin continua en el que la variable puede tomar infinitos valores, la probabilidad en un punto concreto es prcticamente despreciable
*n cierto negocio de construccin el salario promedio mensual es de D-AF&&& con una desviacin estandar de D8E&&. si se supone que los salarios tienen una distribucin normal. /ual es la probabilidad de que un obrero reciba un salario entre D-A&.&&& y D -AE.&&& H
Su respuesta ! &,'F8correcto555
@n taller de reparacin de televisores, gasta en promedio 8E minutos en el arreglo de un aparato, con una desviacin t pica de ocBo minutos. si el tiempo se distribuye normalmente, cual es la probabilidad de que en el arreglo de un televisor se gasten menos de E& minutosH
P(+=,) = e-(!) * -, / ,. en es'e /aso0 P(+=,) = e-(!() *(-, / ,. a) P(+=0) = e-(!() * (-0 / 0. = 0100#2 3) P(+"() = P(+=#) 4 P(+=2) 4 P(+=5) 4 111 P(+"() = 1 ! P(+6=() 7on7e p(+6=() = P(+=0) 4 P(+=1) 4 P(+=8) 4 P(+=)) 4 P(+=9) 4 P(+=() P(+=0) P(+=1) P(+=8) P(+=)) P(+=9) P(+=() = = = = = = e-(!() e-(!() e-(!() e-(!() e-(!() e-(!() * * * * * * (-0 (-1 (-8 (-) (-9 (-( / / / / / / 0. 1. 8. ). 9. (. = = = = = = 0100#2 010))# 010598 01190) 0112(9 0112(9