Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Nombres:
Una variable discreta es aquella que está en condiciones de adoptar valores de un conjunto
numérico dado.
Ejemplo:
Las variables continuas pueden adquirir cualquier valor en un intervalo, existiendo siempre
otros valores intermedios entre dos valores observables. La existencia de más o menos
valores depende de la precisión de la medición.
Ejemplo:
1. La altura de un niño puede ser 1,2 metros, 1,24 metros o 1,249 metros de acuerdo a
cómo se mida.
2. El peso que tiene un hombre o una mujer.
3. El peso de las frutas que se han comprado en el mercado.
4. La velocidad que alcanza un coche.
5. El ancho que tiene la cintura de una persona.
Ejemplo
Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
un intervalo (finito o infinito) de números reales.
Ejemplo:
1. El peso de las vacas en una granja (una vaca puede pesar 632,12 kg, otra puede
pesar 583,12312 kg, otra 253,12012 kg, otra 198,0876 kg y nunca terminaríamos de
enumerar todos los posibles valores).
2. El tiempo de espera de un paciente antes de ser atendido
3. La edad, el peso y la Temperatura
4. Ingresos e egresos de una familia
5. El número de accidentes de tránsito que ocurren en una carretera en determinado
tiempo.
Ejemplo:
1. Soy fans de un corredor de una competición ciclista en la cual solo compiten dos
corredores. Queremos apostar a que ese corredor gana. Entonces, si gana será un
resultado “éxito” y si pierde será un resultado “no éxito”. Esquemáticamente:
Solución: sólo existirán dos resultados posibles: 0 (no salga cruz, es decir, salir cara) y
1 (salga cruz), por lo tanto, la variable aleatoria X se distribuirá como una Bernoulli con
parámetro p=0.5 , es decir, X - Bernoulli (0.5) , por lo que
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de procesos dicotómicos
reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña
Ejemplo:
Solución:
4. Dada la variable aleatoria X continua y con función de distribución F se define la
variable Y=F(X). Demuéstrese que Y sigue una distribución uniforme en [0,1].
Solución: Por ser F una función de distribución, la variable Y toma valores entre
cero y uno. Será uniforme en [0,1] si se verifica que:
Ejemplo:
1. Cada muestra de aire tiene 10% de posibilidades de contener una molécula rara
particular. Suponga que las muestras son independientes con respecto a la
presencia de la molécula rara. Encuentre la probabilidad de que en las siguientes 18
muestras, exactamente 2 contengan la molécula rara.
2. Sean λ y η las variables aleatorias que cuentan el número de veces que sale 1 y 6,
respectivamente, en 5 lanzamientos de un dado. ¿Son λ y η independientes?.
Solución: tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos
hayan visto el partido de la final del mundial.
4. La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80%
de los lectores ya la han leído. Un grupo de 4 amigos son aficionados a la lectura.
¿Cuál es la probabilidad de que en el grupo hayan leído la novela 2 personas?
Ejemplo:
2. Los mensajes que llegan a una computadora utilizada como servidor lo hacen de
acuerdo con una distribución de Poisson con una tasa promedio de 0.1 mensajes por
minuto. ¿Cuál es la probabilidad de que lleguen como mucho 2 mensajes en una hora?
Solución: Sea X= mensajes por minuto con Po (0.1). Entonces el número de mensajes
por hora será de Po ( 6 ).
Solución:
Solución:
Solución:
Que otras funciones de distribución discretas existen
Distribución Hipergeométrica: La distribución hipergeométrica es una distribución discreta
que modela el número de eventos en una muestra de tamaño fijo cuando usted conoce el
número total de elementos en la población de la cual proviene la muestra. Cada elemento de la
muestra tiene dos resultados posibles (es un evento o un no evento). Las muestras no tienen
reemplazo, por lo que cada elemento de la muestra es diferente.
Distribución binomial negativa: Esta distribución puede considerarse como una extensión o
ampliación de la distribución geométrica . La distribución binomial negativa es un modelo
adecuado para tratar aquellos procesos en los que se repite un determinado ensayo o prueba
hasta conseguir un número determinado de resultados favorables (por vez primera) .Es por tanto
de gran utilidad para aquellos muestreos que procedan de esta manera. Si el número de
resultados favorables buscados fuera 1 estaríamos en el caso de la distribución geométrica .
Está implicada también la existencia de una dicotomía de resultados posibles en cada prueba y
la independencia de cada prueba o ensayo, o la reposición de los individuos muestreados.
Describe la probabilidad relativa según la cual dicha variable aleatoria tomará determinado valor.
La probabilidad de que la variable aleatoria caiga en una región específica del espacio de
posibilidades estará dada por la integral de la densidad de esta variable entre uno y otro límite
de dicha región.
EJEMPLOS:
Solución:
P(X<123.5) = (123.5 −123.0)x 0.5 = 0.25
5. En una práctica de presión aérea se deja caer una bomba a lo largo de una línea de un
kilómetro de longitud. El blanco se encuentra en el punto medio de la línea. El blanco se
destruirá si la bomba cae a una distancia menor que 75 m del centro. Calcule la
probabilidad de que el blanco se destruya si la bomba cae al azar a lo largo de la línea.
Es una distribución que tiene forma de campana, es simétrica y puede tomar valores entre
menos in!nito y más infinito,Es decir, los valores centrales de la variable se presentan con
más frecuencia que los valores extremos. Así por ejemplo, en el caso de los errores de
medida, los errores por defecto o por exceso pequeños en valor absoluto se presentan
frecuentemente, mientras que los errores grandes, tanto los positivos como los negativos,
se observan menos veces.
EJEMPLOS:
R/. 50%
2. ¿Cuántos minutos tienen que pasar antes de que el 10 por ciento de los
trabajadores monten la pieza?
R/. 0.8012
5. Los sueldos mensuales en una empresa siguen una distribución normal con media
de 1200 soles, y desviación estándar de 200 soles. ¿Qué porcentaje de trabajadores
ganan entre 1000 y 1550 soles?
R/. 0.8964
La distribución exponencial es para una variable aleatoria contínua x ≥ 0 x ≥0, que tiene la
siguiente función de densidad:
EJEMPLOS:
1. El tiempo de revisión del motor de un avión sigue una distribución exponencial con
media 22 minutos. Encontrar la probabilidad de que el tiempo de revisión sea menor
a 10 minutos.
2. Cuál es el tiempo de revisión de un motor superado por el 10% de los tiempos de
revisión?
3. El tiempo de vida de una lámpara especial sigue una distribución exponencial con
media 100 hs. ¿Cuál es la probabilidad de que una lámpara dure por lo menos 30
horas?
4. Si una lámpara ya lleva 50 horas de uso, ¿cuál es la probabilidad de que dure más
de 80 horas?
5. Se seleccionan cinco lámparas, ¿Cuál es el número esperado de lámparas que
duran por lo menos 30 hs (considerando las 5)?
Se denomina así por el hecho de que la función de densidad tiene una forma triangular, que
viene definida en la tabla anterior Se denomina triangular cuando viene definida por dos
parámetros, que representan el valor mínimo y el valor máximo de la variable. En este caso
el triángulo es equilátero. Se denomina triangular (triangular general), cuando viene dada
por tres parámetros, que representan el valor mínimo y el valor máximo de la variable, y el
valor del punto.
EJEMPLOS:
4. Una compañía aérea está estudiando su política de gestión de tarifas. Para un tipo
de avión determinado y una ruta concreta la compañía dispone de 150 plazas en
cada vuelo, a asignar a 3 tipos de tarifas: B, EF, EA. El precio del billete
correspondiente a cada una de las tarifas es de 400, 200 y 100 euros
respectivamente. Las plazas solo se pueden cubrir con billetes de la tarifa
correspondiente.
● Distribución Beta
● Distribución F
● Distribución Gamma
● Distribución Ji cuadrado
● Distribución t student
12. ¿Qué es una función de distribución de probabilidad acumulada?
Es una función matemática que depende de una variable aleatoria real y de una distribución
de probabilidad determinada que devuelve la probabilidad de que la variable sea igual o
menor que un valor concreto.
Propiedades:
● Los valores de F(x) se encuentran siempre en este intervalo: 0 ≤ F(x) ≤ 1.
● F(x) no es una función decreciente.
Sea X una variable aleatoria continua con función de densidad de probabilidad f(x).
La función de distribución acumulativa de X es la función:
De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x. Recordemos
que cuando trabajamos con la función de densidad, área es probabilidad.
Además, tenemos algunas fórmulas interesantes que nos servirán para resolver los
problemas.
es una función que asocia a cada punto de su espacio muestral X la probabilidad de que
esta lo asuma En concreto, si el espacio muestral, E de la variable aleatoria X consta de los
puntos x1, x2, …, xk, la función de probabilidad P asociada a X es
La variable aleatoria Z una vez fijada sólo podrá tomar dos valores concretos: cero (0) o uno
(1). Entonces, la función de distribución de probabilidad de la distribución de Bernoulli solo
será distinta de cero (0) cuando z sea cero (0) o uno (1). El caso contrario sería que la
función de distribución de la distribución de Bernoulli fuera cero (0) dado que z será
cualquier valor distinto de cero (0) o uno (1).
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de procesos dicotómicos
reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña.
N(x; μ,σ)
Obviamente, entonces , la variable aleatoria será continua. Por otro lado existe una
relación entre el parámetro a de la distribución exponencial , que más tarde
aparecerá , y el parámetro de intensidad del proceso l , esta relación es a = l
● Distribución Lognormal
● Distribución Logística
● Distribución Beta
● Distribución Gamma
● Distribución Ji-cuadrado
● Distribución t de Student
● Distribución F de Snedecor
● Distribución Cauchy
● Distribución Weibull
● Distribución Laplace
● Distribución Pareto
14. En una hoja de cálculo realice las gráficas de las funciones de distribución de la
probabilidad y las funciones de distribución de probabilidad acumulada, para 2
funciones discretas y 2 funciones continuas.
15. ¿En qué consiste la ley de los grandes números y cómo se puede relacionar con
las funciones de probabilidad estudiadas?
De este modo, aseguran cierta convergencia de variables aleatorias bajo unas condiciones
determinadas.
16. ¿Qué es el Teorema del Límite Central (TLC)? En una hoja de cálculo elabore un
ejemplo con variables aleatorias para explicar el concepto del “TLC”.
Este teorema nos dice que si una muestra es lo bastante grande (generalmente cuando el
tamaño muestral (n) supera los 30), sea cual sea la distribución de la media muestral,
seguirá aproximadamente una distribución normal, es decir, dada cualquier variable
aleatoria, si extraemos muestras de tamaño n (n>30) y calculamos los promedios
muestrales, dichos promedios seguirán una distribución normal. Además, la media será la
misma que la de la variable de interés, y la desviación estándar de la media muestral será
aproximadamente el error estándar.
De este modo, se establece que sin importar su distribución con la que generamos ciertas
variables aleatorias, su suma siempre es gaussiana, y tanto más estrecha cuantas más
variables sumemos.