Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTRODUCCION
La Función de Probabilidad es la probabilidad de que la variable aleatoria tome un valor particular:
Ejemplo
Podemos obtener las frecuencias relativas de las calificaciones de un curso y disponerlas en una
tabla:
Función de Distribución
Fuente de información:
https://www.uv.es/webgid/Descriptiva/3_funciones_de_probabilidad_y_distribucin.html.
3.1 VARIABLES ALEATORIAS Y SU CLASIFICACION
Variable aleatoria: es una variable que toma valores numéricos determinados por el resultado de
un experimento aleatorio.
Ejemplo: Suponga que se lanza una moneda 2 veces de tal forma que el espacio muestral es:
S= {SS, SA, AS, AA}
Si x representa el número de caras que puedan resultar como cada punto muestral se puede
asociar un número para cada x.
Usted también puede visualizar una distribución discreta en una gráfica de distribución para ver las
probabilidades entre los rangos.
las aplicaciones principales de la distribución hipergeométrica son: control de calidad en procesos con
poca población y el cálculo de probabilidades en los juegos de azar. En cuanto a la función matemática
que define la distribución hipergeométrica, esta consta de tres parámetros, que son:
–Población total es N.
En este caso, X es una variable aleatoria que toma el valor x y P(x) indica la probabilidad
de ocurrencia de x casos favorables de la característica estudiada.
– La propiedad a estudiar es binaria, es decir sólo puede tomar dos valores: 1 o 0, o bien cierto o
falso.
Ejemplo 1
Supongamos una máquina que produce tornillos y los datos acumulados indican que el 1% salen
con defectos. Entonces en una caja de N=500 tornillos el número de defectuosos será:
n = 500 * 1/100 = 5
Supongamos que de esa caja (es decir de esa población) tomamos una muestra de m=60
tornillos.
La probabilidad que ningún tornillo (x=0) de la muestra salga defectuoso es 52,63%. A este
resultado se llega al usar la función de distribución hipergeométrica:
La probabilidad que x=3 tornillos de la muestra salgan defectuosos es: P(500, 5, 60; 3)=0,0129.
Por su parte, la probabilidad de que x=4 tornillos de los sesenta de la muestra salgan defectuosos
es: P(500, 5, 60; 4)=0,0008.
Finalmente, la probabilidad que x=5 tornillos en esa muestra salgan con defecto es: P(500, 5, 60;
5)=0.
Pero si se quiere saber la probabilidad de que en esa muestra existan más de 3 tornillos
defectuosos, entonces hay que obtener la probabilidad acumulada, sumando:
P(3)+P(4)+P(5)= 0,0129+0,0008+0=0,0137.
Este ejemplo está ilustrado en la figura 2, obtenida mediante el uso de GeoGebra un software libre
de amplio uso en escuelas, institutos y universidades.
La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro es igual a
la media y la varianza. Cuando lambda aumente a valores lo suficientemente grandes, la
distribución normal (λ, λ) podría utilizarse para aproximar la distribución de Poisson.
Utilice la distribución de Poisson para describir el número de veces que un evento ocurre en un
espacio finito de observación. Por ejemplo, una distribución de Poisson puede describir el número
de defectos en el sistema mecánico de un avión o el número de llamadas a un centro de llamadas
en una hora. La distribución de Poisson se utiliza con frecuencia en el control de calidad, los
estudios de fiabilidad/supervivencia y los seguros.
Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:
Los datos son conteos de eventos (enteros no negativos, sin límite superior).
Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de lambda.
Lambda = 3 Lambda = 10
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-and-random-
data/supporting-topics/distributions/poisson-distribution/.
La forma matemática de la distribución de Poisson es la siguiente:
– La probabilidad de obtener y = k es P
Las variables aleatorias discretas, como su nombre lo indica, dependen del azar y únicamente
toman valores discretos: 0, 1, 2, 3, 4…, k.
La varianza σ, que mide la dispersión de los datos, es otro parámetro importante. Para la
distribución de Poisson es:
σ=μ
μ → constante
Ejercicio 1
Un estudio sismológico determinó que durante los últimos 100 años, hubo 93 terremotos grandes
en todo el mundo, de al menos 6.0 en la escala de Richter –logarítmica-. Supongamos que la
distribución de Poisson es un modelo adecuado en este caso. Hallar:
– 47 años (0 terremotos)
– 31 años (1 terremotos)
– 13 años (2 terremotos)
– 5 años (3 terremotos)
– 2 años (4 terremotos)
– 0 años (5 terremotos)
– 1 años (6 terremotos)
– 1 años (7 terremotos)
¿Cómo se comparan estos resultados con los obtenidos en el inciso b? ¿Es la distribución de
Poisson una buena elección para modelar estos eventos?
Solución a)
Solución b)
y=2
μ = 0.93
e = 2.71828
P (0) = 0.395, P (1) = 0.367, P (2) = 0.171, P (3) = 0.0529, P (4) = 0.0123, P (5) = 0.00229, P (6) =
0.000355, P (7) = 0.0000471.
Por ejemplo, podríamos decir que hay una probabilidad de 39.5 % de que no ocurra ningún gran
terremoto en un año dado. O que hay 5,29 % de que ocurran 3 grandes terremotos en dicho año.
Solución c)
Por ejemplo:
– Una frecuencia de 39.5 indica que, en 39.5 de 100 años ocurren 0 terremotos grandes,
podríamos decir que está bastante cerca al resultado real de 47 años sin ningún gran terremoto.
– El valor obtenido de 36.7 significa que en un período 37 años hay 1 gran terremoto. El resultado
real es que en 31 años hubo 1 gran terremoto, una buena coincidencia con el modelo.
– Se esperan 17.1 años con 2 grandes terremotos y se sabe que en 13 años, que es un valor
cercano, hubo en efecto 2 grandes terremotos.
Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto
valores enteros como fraccionarios y un número infinito de ellos.
Características:
1. Es generada por una variable continua (x).
X Es una variable que puede tomar tanto valores enteros como fraccionarios.
2. f(x) ≥0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la función de densidad de probabilidad
deberá tomar solo valores mayores o iguales a cero. La función de densidad de
probabilidad sólo puede estar definida en los cuadrantes I y II.
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/04Distribuciones%20de%
20Probabilidad.htm
3.6 DISTRIBUCION T
Supóngase que se toma una muestra de una población normal con media y varianza . Si
es el promedio de las n observaciones que contiene la muestra aleatoria, entonces la
https://sites.google.com/site/estadisticainfprocesamiento4/3-5-distribucion-t-student
3.7 DISTRIBUCION CHI-CUADRADA
Si graficamos curvas para diferentes valores de n, encontramos que la forma de la distribución chi-
cuadrada cambia dependiendo del número de grados de libertad.
https://sites.google.com/site/estadisticainfprocesamiento4/3-6-distribucion-ji-cuadrada
3.8 DISTRIBUCION F
donde
U1 y U2 siguen una distribución chi-cuadrado con d1 y d2 grados de libertad
respectivamente, y
U1 y U2 son estadísticamente independientes.
La distribución F aparece frecuentemente como la distribución nula de una prueba estadística,
especialmente en el análisis de varianza. Véase el test F.
La función de densidad de una F(d1, d2) viene dada por
para todo número real x ≥ 0, donde d1 y d2 son enteros positivos, y B es la función beta.
La función de distribución es
y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos
los sucesos son de igual probabilidad, la esperanza es igual a la media aritmética.
Una aplicación común de la esperanza matemática es en las apuestas o los juegos de azar.
Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una
apuesta a un solo número paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos
apostado y recuperamos la apuesta, así que recibimos 36 veces lo que hemos apostado). Por
tanto, considerando los 38 posibles resultados, la esperanza matemática del beneficio para
apostar a un solo número es:
que es -0,0526 aproximadamente. Por lo tanto uno esperaría, en media, perder unos 5
céntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474
euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no
ganamos ni perdemos) se llama un "juego justo".
Nota: El primer paréntesis es la "esperanza" de perder tu apuesta de $1, por eso es
negativo el valor. El segundo paréntesis es la esperanza matemática de ganar los $35. La
esperanza matemática del beneficio es el valor esperado a ganar menos el valor esperado
a perder.
http://probabilidadyestadisticaitsav.blogspot.com/2012/06/45-esperanza-matematica.html