Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INVESTIGACIÓN TEMA 2
PROBABILIDAD Y ESTADISTICA
INTEGRANTES:
INGENIERIA CIVIL
ÍNDICE
Índice.....................................................................................¡Error! Marcador no definido.
Introducción......................................................................................................................3
Referencias:..................................................................................................................332
Bibliografía....................................................................................................................332
INTRODUCCIÓN.
En este tema se tratará de formalizar numéricamente los resultados de un
fenómeno aleatorio. Por tanto, una variable aleatoria es un valor numérico que
corresponde a un resultado de un experimento aleatorio. Algunos ejemplos son: número
de caras obtenidas al lanzar seis veces una moneda, número de llamadas que recibe
un teléfono durante una hora, tiempo de fallo de una componente eléctrica, etc.
El estudio que se hará en este tema será análogo al que se hace con las variables
estadísticas en descriptiva. Así retomaremos el concepto de distribución y las
características numéricas, como la media y varianza. El papel que allí jugaba la
frecuencia relativa lo juega ahora la probabilidad. Esto va a proporcionar aspectos y
3
propiedades referentes a fenómenos aleatorios que permitirán modelos muy estudiados
en la actualidad.
Una variable aleatoria puede ser discreta o continua según sea el rango de esta
función. Este conjunto de valores P[X=xi]=pi es lo que se llama la ley o distribución de la
probabilidad de la variable X. En otras palabras, se llama función de probabilidad de la
variable aleatoria discreta X a la aplicación que asocia a cada valor xi de la variable
aleatoria su probabilidad pi.
Dada una variable aleatoria discreta X, a la función acumulativa:
Sea X la V.A que nos da el número de caras obtenido. Los valores que puede tomar X
son 0, 1,2 y la función de distribución de probabilidad viene dada por:
6
La gráfica de f(x) se suele llamar curva de densidad.
La función de probabilidad de una variable aleatoria continua siempre cumplirá con
estas condiciones:
No te asustes con las integrales, dado que estamos en el curso de estadística, las inte -
grales no serán difíciles y en muchos de los casos podemos usar la calculadora para
encontrar el valor de estas integrales definidas. En otros casos, el área bajo la curva
tendrá forma de triángulo o rectángulo y será muy sencilla de calcular.
Recuerda también que, al ser una función acumulativa, esta no puede ser decreciente.
Dónde:
Las probabilidades de que sucedan eventos no siempre son las mismas, como las
monedas. En innumerables situaciones, es más probable que ocurra un evento que el
otro. Por eso usamos P en la fórmula. Además, al calcular números matemáticos,
tenemos que multiplicar el valor del evento.
(x 1 s + x 2 s + x 3 s + ... + x n s) / n
El uso de esta fórmula requiere que tengamos cuidado con nuestro orden de
operaciones. Primero tenemos que hacer los exponentes, sumar y luego dividir esta
suma por n el número total de valores de datos.
9
Decimos que una variable aleatoria 𝑋 tiene una distribución uniforme discreta sobre el
diferentes y todos ellos tienen la misma probabilidad de ocurrir. Los juegos de lotería
10
distribución. Cada salto de la función de distribución es de tamaño 1/5. Es fácil ver que
Un ensayo Bernoulli se define como aquel experimento aleatorio con únicamente dos
Este es el esquema general donde surge esta distribución, que, aunque sencilla, es de
amplia aplicación.
𝑛 elementos
Si ahora definimos la variable aleatoria 𝑋 como aquella que cuenta el número de éxitos
en cada una de estas sucesiones, esto es,
entonces tenemos que 𝑋 puede tomar los valores 0, 1, 2, . . ., 𝑛 con las probabilidades
que aparecen abajo. Decimos entonces que 𝑋 tiene una distribución binomial con
fracasos.
𝑝 ⋯ 𝑝 (1 − 𝑝) ⋯ (1 − 𝑝) = 𝑝 𝑥 (1 − 𝑝) 𝑛−𝑥
Pero hemos colocado los 𝑥 éxitos en los primeros 𝑥 ensayos, tenemos entonces que
multiplicar por las diferentes formas en que estos 𝑥 éxitos pueden distribuirse en los
𝑛 ensayos, este factor es el coeficiente binomial (𝑛𝑥). Para esta distribución2, puede 13
demostrarse que 𝐸(𝑋) = 𝑛𝑝, y 𝑉𝑎𝑟(𝑋) = 𝑛𝑝 (1 − 𝑝).
1
Cualidad de probable o circunstancia de ser algo probable.
2
conjunto de actividades, que se realizan desde que el producto
Así, tenemos que, sea 𝑋 el número de reses afectadas por 𝐴 de entre 5. Entonces 𝑋
tiene
dentro de un intervalo de tiempo dado, por ejemplo, el número de clientes que llegan a 14
un cajero automático durante la noche, o tal vez deseamos registrar el número de
accidentes que ocurren en cierta avenida durante todo un día. Para modelar este tipo
este evento en el intervalo de tiempo dado. Es claro entonces que 𝑋 puede tomar los
3
Elemento o dato importante desde el que se examina un tema, cuestión o asunto.
Puede demostrarse que la función 𝑓(𝑥) arriba definida es efectivamente una función de
15
Puede además demostrarse que cuando 𝑋 ∼ 𝑏𝑖𝑛 (𝑛, 𝑝) y hacemos tender 𝑛 a infinito y 𝑝
Este resultado sugiere que cuando 𝑛 es grande, la distribución binomial puede ser
que el 0.01% de los equipos tiene un cierto tipo de fallo cada año. ¿Cuál es la
probabilidad de que esta empresa tenga que pagar por más de cuatro de sus 10000
Así, tenemos que, sea 𝑋 el número de pagos efectuados en un año dado. 𝑋 Distribución
16
2.3.4 DISTRIBUCIÓN GEOMÉTRICA
Bernoulli, en cada uno de los cuales la probabilidad de éxito es 𝑝. Para cada una de
17
(No el de fracasos), antes del primer éxito. En este caso, la variable es 𝑋 + 1, es decir,
la
el primero defectuoso?
pedida es:
18
2.4 DISTRIBUCIONES CONTINUAS (Montgomery, 200)
Decimos que una variable aleatoria 𝑋 tiene una distribución uniforme continua en el
intervalo (𝑎, 𝑏), y escribimos 𝑋 ∼ 𝑢𝑛𝑖𝑓 (𝑎, 𝑏), cuando su función de densidad es:
modo que la varianza o dispersión crece cuando 𝑎 y 𝑏 se alejan uno del otro, y por el
Esta distribución es una de las más sencillas, y se usa naturalmente para cuando no se
20
conoce mayor información de la variable aleatoria de interés, excepto que toma valores
continuos dentro de algún intervalo.
Decimos que una variable aleatoria continua 𝑋 tiene una distribución exponencial con
parámetro 𝜆 > 0, y escribimos 𝑋 ∼ 𝑒𝑥𝑝(𝜆), cuando su función de densidad es:
servidor de correo:
2.4.3. NORMAL Y
NORMAL ESTÁNDAR
Un poco de historia con la distribución normal, estos métodos fueron descubiertas por
primera vez en el siglo XVIII cabe recalcar que en esa época astrónomos y otros
científicos observaron con cierto asombro que las mediciones repetidas de un gran 22
número de veces de un mismo fenómeno tendían a variar y que al reunir grandes
cantidades de estas mediciones y agruparlas en las distribuciones de frecuencias
correspondientes, tendía a reaparecer constantemente un perfil semejante al siguiente:
Supóngase que un dado se tira dos veces y se registra la suma del número de puntos.
De modo que, si en el primer lanzamiento del dado cae un 3, y en el segundo un 4, el
total es el que interesa, es decir, 7. ¿Cuál es la forma de la población de los números
de puntos?, ¿cuáles son los resultados posibles en el experimento?, ¿Cuál es la forma
de la distribución de la suma de los números de puntos cuando se tira un dado dos
veces?
Figura 3.
Registro
de totales
Nota. muestra los cambios que se presentan al tirar el dado dos veces, fuente;
https://psicolearning.files.wordpress.com/2014/10/d-normal-estc3a1ndar-apunte-
alumnos.pdf
24
surgieron las curvas del tipo normal es necesario saber que posteriormente se
descubrieron las distribuciones de este tipo, las cuales se pueden definir o generalizar
mediante una distribución matemática continua que es la siguiente:
25
cualquier conjunto de valores se puede definir con este criterio. Bajo esta consideración
se puede utilizar la media como punto de referencia y la desviación estándar como una
medida de la desviación de dicho punto de referencia, y con este criterio se puede
reordenar cualquier distribución normal para ser expresada en una forma
estandarizada. Cuando se toma este criterio de estandarización, cualquier valor real
puede ser transformado en su equivalente medido en términos de su desviación
estándar y con esto se genera una escala que se conoce como escala z, que se calcula
aplicando la siguiente fórmula:
26
27
Nota. muestra los cambios que se presentan al tirar el dado dos veces, fuente;
https://psicolearning.files.wordpress.com/2014/10/d-normal-estc3a1ndar-apunte-
alumnos.pdf
Una distribución binomial B (n, p) se puede aproximar por una distribución normal,
siempre que n sea grande y p no esté muy próxima a 0 o a 1. La aproximación consiste
en utilizar una distribución normal con la misma media y desviación típica que la
distribución binomial.
En cuyo caso:
CONCLUSIÓN.
Una distribución de frecuencia es una tabla de resumen en la que los datos se disponen
en agrupamientos o categorías convenientemente establecidas de clases ordenadas
numéricamente.
En esta forma las características más importantes de los datos se aproximan muy
fácilmente, compensando así el hecho de que cuando los datos se agrupan de ese
modo, la información inicial referente a las observaciones individuales de que antes se 29
disponía se pierde a través del proceso de agrupamiento o condensación.
La principal ventaja de usar una de estas tablas de resumen es que las principales
características de los datos se hacen evidentes inmediatamente para el lector. La
principal desventaja de tal tabla de resumen es que no podemos saber cómo se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales. El punto medio de la clase, sin embargo, es el valor
usado para representar todos los datos resumidos en un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los límites de
cada clase y es representativo de los datos de esa clase.
La regla más evidente para las probabilidades es que deben variar en valor de 0 a 1. Un
evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad de
ocurrencia de un evento simple.
REFERENCIAS:
Zapata, Fanny. (9 de noviembre de 2020). Distribución uniforme continua:
características, ejemplos, aplicaciones. Lifeder. Recuperado
de https://www.lifeder.com/distribucion-uniforme-continua/.
BIBLIOGRAFÍA
Canavos, G . (s.f.). Probabilidad y estadistica. Metodos y Aplicaciones .
Montgomery, D. and Runger, G. (2014). Applied Statistics And Probability For Engi-
neers. 6th ed. USA, p.107.
Córdova Zamora, M. (2009). Estadística Descriptiva E Inferencial. 5th ed. Lima: Moshe-
ra, pp.214-221.
32