Está en la página 1de 13

PROBABILIDADES FASE 6 DISTRIBUCIONES DE PROBABILIDAD

Resumen

FRANCISCO JAVIER PEREIRA LOPEZ


Tutor

Entregado por:

HERNEY GALVIS RIVERA Cdigo: 80177610

Grupo: 100402_315

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD


ESCUELA DE CIENCIAS BASICAS, INGENIERIAS Y TECNOLOGIAS
NOVIEMBRE 2017
BOGOTA
RESUMEN CONCEPTOS TERICOS DE LA UNIDAD 2

CONCEPTO DE 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.

Ejemplo 1.

Considere el lanzamiento de una moneda. El espacio muestral de


este experimento aleatorio est constituido por dos resultados: cara y
sello.

Si se define X(cara)=0 y X(sello)=1, se transforman los dos posibles


resultados del espacio muestral en cantidades numricas reales.

De esta manera P(X=0) representa la probabilidad de que el resultado


al lanzar la moneda es cara.

VARIABLE ALEATORIA DISCRETA


Definicin Se dice que una variable aleatoria es discreta si toma un nmero finito
o a lo ms numerable de valores:

En este caso la ley de la variable aleatoria es la ley de probabilidad sobre el

conjunto de los valores posibles de que asocia la probabilidad al

singleton .
En la prctica el conjunto de los valores que puede tomar es o una parte
de .

Determinar la ley de una variable aleatoria discreta es:

1. Determinar el conjunto de los valores que puede tomar .

2. Calcular para cada uno de estos valores .

Leccin 18: VARIABLE ALEATORIA CONTINUA

En el tema anterior se present el concepto de variable aleatoria como


una funcin de valor que asigna un nmero real finito (o infinito
contable) a cada resultado en el espacio muestral de un experimento
aleatorio; variables aleatorias que han sido denominadas discretas.
En este tema, donde las variables aleatorias pueden tomar
valores en una escala continua, el procedimiento es casi el mismo.

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.

En algunos casos, la variable aleatoria considerada continua en


realidad es discreta, pero como el rango de todos los valores
posibles es muy grande, resulta ms conveniente utilizar un modelo
basado en una variable aleatoria continua.

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. Recuerde que la grfica de una funcin de
probabilidad de una variable aleatoria discreta es escalonada,
dando la sensacin de peldaos en ascendencia (ver figura 1.1.
(a)).

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.

VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA

El valor esperado o esperanza de una variable aleatoria tiene su origen en los


juegos de azar, debido a que los jugadores deseaban saber cual era su esperanza
de ganar o perder con un juego determinado. Como a cada resultado particular del
juego le corresponde una probabilidad determinada, esto equivale a una funcin
de probabilidad de una variable aleatoria y el conjunto de todos los resultados
posibles del juego estar representado por la distribucin de probabilidad de la
variable aleatoria. El valor esperado o esperanza es muy importante, ya que es
uno de los parmetros que describen una variable aleatoria.

Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces,
el valor esperado de la variable aleatoria X, el cual se representa por E(X), est
definido por:
E(X) = xi f(xi)

Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede
tomar la variable aleatoria por la probabilidad que le corresponde y despus se
suman esos productos.

DISTRIBUCIONES DE PROBABILIDAD DISCRETA

Distribuciones discretas y continuas

Las distribuciones discretas son aquellas en las que la variable puede pude tomar
un nmero determinado de valores:

Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado
puede salir un nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del
1 al 32.
Las distribuciones continuas son aquellas que presentan un nmero infinito de
posibles soluciones:

Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores
dentro de cierto intervalo (42,37 kg, 42,3764 kg, 42,376541kg, etc); la esperanza
media de vida de una poblacin (72,5 aos, 72,513 aos, 72,51234 aos).

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. Estas distribuciones permiten
enfrentar circunstancias en las que los resultados pertenecen a dos
categoras relevantes: que ocurra un evento determinado o que no lo
haga. Este tipo de experimento aleatorio particular es denominado
ensayo de Bernoulli. Sus dos resultados posibles son denotados por
xito y fracaso y se define por p la probabilidad de un xito y 1-p la
probabilidad de un fracaso.

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 es8:

DISTRIBUCIN BINOMIAL NEGATIVA Y GEOMTRICA

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 yr = 1, 2, 3,...

f(x,p,r)=x-1Cr-1 qx-r . pr x=r,r+1,r+r+2+....

Algunos autores denotan esta distribucin como b*(x,p,r) Observe que en el caso
especial donde r = 1, la variable aleatoria binomial negativa se convierte en una
variable aleatoria geomtrica.

La tabla siguiente expresa la diferencia entre una variable aleatoria binomial y una
variable aleatoria binomial negativa. En este sentido, la variable aleatoria binomial
negativa se considera como el opuesto, o el negativo, de una variable aleatoria
binomial.
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.

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.
4. 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

DISTRIBUCIONES DE PROBABILIDAD CONTINUA

DISTRIBUCION UNIFORME

Se dice que una variable X posee una distribucin uniforme en el


intervalo [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.

DISTRIBUCIN NORMAL Y USO DE LA DISTRIBUCIN NORMAL


ESTANDAR

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:

Figura 3.2
Funcin de densidad de una variable aleatoria de distribucin
normal
DISTRIBUCION EXPONENCIAL Y CHI CUADRADO

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

Esperanza o valor
esperado: Varianza:

Funcin de distribucin acumulada es:


BIBLIOGRAFIA

Rodrguez, F. & Pierdant, A. (2014). Estadstica para administracin. Recuperado


de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=194&do
cID=11013767&tm=1489690058527
Monroy, S. (2008). Estadstica Descriptiva. Editorial: Instituto Tcnico Nacional.
Recuperado
de:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10436
604&ppg=128
Martn, J. y Ruiz, L. (2004). Estadstica I: Probabilidad. 2nd ed. Madrid: Paraninfo.
vii-viii. Recuperado
de:http://bibliotecavirtual.unad.edu.co:2081/ps/eToc.do?rcDocId=GALE%7CCX405
2400005&inPS=true&prodId=GVRL&userGroupName=unad&resultClickType=Abo
utThisPublication
&contentModuleId=GVRL&searchType=BasicSearchForm&docId=GALE%7C3BD
C
Gil, M., Gonzales, A. J Salagre, M. (2014). Ejercicios de estadstica terica:
Probabilidad e inferencia. Recuperado
de:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=10995
669&ppg=19
Martnez, C. (2011). Estadstica Bsica Aplicada. Ecoe, 4a edicin. Recuperado
de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=239&do
cID=10560355&tm=1489690264128
M. Pliego Lpez, R. M. Prez, Estadstica I (2004) 2nd ed., pp. 27-94. Madrid:
Paraninfo. Recuperado
de http://bibliotecavirtual.unad.edu.co:2081/ps/i.do?id=GALE%7CCX4052400006
&v=2.1&u=unad&it=r&p=GVRL&sw=w&asid=b039aa4c3b2b62b99f8129c3bb3ab6
09
Pea, D. (2014). Fundamentos de Estadstica. Alianza Editorial S.A. Edicin
electrnica. Disponible en la base de datos de la biblioteca de la
UNAD:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?ppg=121
&docID=11028686&tm=1470689905871

Snchez, S. E. A., Inzunza, C. S., & vila, A. R. (2015). Probabilidad y estadstica


1. Distrito Federal, MXICO: Grupo Editorial Patria. Retrieved from Recuperado de
:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?docID=1123088
6&p00=conceptos+generales+estad%C3%ADstica+descriptiva&ppg=46