Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ACTIVIDAD: 1
GRUPO: 2º “V”
CARRERA: CONTADOR PÚBLICO
Cuando una variable aleatoria x es discreta, se puede asignar una probabilidad positiva a cada uno de los
valores que x pueda tomar y obtener la distribución de probabilidad para x. La suma de todas las
probabilidades asociada con los diferentes valores de x es 1, pero no todos los experimentos resultan en
variables aleatorias que sean discretas. Las variables aleatorias continuas, por ejemplo estaturas y pesos,
lapso de vida útil de un producto en particular o un error experimental de laboratorio, pueden tomar los
infinitamente numerosos valores correspondientes a puntos en un intervalo de una recta. Si se trata de
asignar una probabilidad positiva a cada uno de estos numerosos valores, las probabilidades ya no sumarán
1, como es el caso con variables aleatorias discretas. Por tanto, se debe usar un método diferente para
generar la distribución de probabilidad para una variable aleatoria continua
Supongamos que usted tiene un conjunto de mediciones en una variable aleatoria continua y que crea un
histograma de frecuencia relativa para describir la distribución de las mismas. Para un pequeño número de
mediciones, se puede usar un pequeño número de clases;
entonces, a medida que se recolecten más y más mediciones, se
pueden usar más clases y reducir el ancho de clase. El perfil del
histograma cambiará ligeramente, casi todo el tiempo haciéndose
cada vez más irregular, como se muestra en la figura 6.1. Cuando
el número de mediciones se hace muy grande y los anchos de
clase se hacen muy angostos, el histograma de frecuencia relativa
aparece cada vez más como la curva suave que aparece en la
figura 6.1d). Esta curva suave describe la distribución de
probabilidad de la variable aleatoria continua.
Varias propiedades importantes de distribuciones continuas de probabilidad son comparables a sus similares
discretas. Así como la suma de probabilidades discretas (o la suma de las frecuencias relativas) es igual a 1
y la probabilidad de que x caiga en cierto intervalo puede hallarse al sumar las probabilidades en ese intervalo,
las distribuciones de probabilidad tienen las características que se detallan a continuación. • El área bajo una
distribución continua de probabilidad es igual a 1. • La probabilidad de que x caiga en un intervalo particular,
por ejemplo de a a b, es igual al área bajo la curva entre los dos puntos a y b. Ésta es el área sombreada de
la figura 6.2. También hay una diferencia importante entre variables aleatorias discretas y continuas.
Considere la probabilidad de que x sea igual a algún valor en particular, por ejemplo a. Como no hay área
arriba de un solo punto, por ejemplo x a, en la distribución de probabilidad para una variable aleatoria
continua, nuestra definición implica que la probabilidad es 0. • P(x a) 0 para variables aleatorias continuas. •
Esto implica que P(x a) P(x a) y P(x a) P(x a). • Esto no es cierto en general para variables aleatorias
discretas. ¿Cómo se escoge el modelo, es decir, la distribución de probabilidad f(x) apropiada para un
experimento dado? Existen muchos tipos de curvas continuas para modelar. Algunas son de forma de
montículo, como la de la figura 6.1d), pero otras no lo son. En general, trate de escoger un modelo que
satisfaga estos criterios: • Se ajusta al cuerpo de datos acumulado. • Permite hacer las mejores inferencias
posibles usando los datos.
LA DISTRIBUCIÓN NORMAL DE PROBABILIDAD
Las distribuciones de probabilidad continua pueden tomar varias formas, pero un gran número de variables
aleatorias observadas en la naturaleza poseen una distribución de frecuencia que tiene más o menos la forma
de montículo, o bien, como diría un estadístico, es aproximadamente una distribución normal de probabilidad.
La fórmula que genera esta distribución se muestra a continuación
DISTRIBUCIÓN NORMAL DE PROBABILIDAD
Cálculo de probabilidades para una variable aleatoria normal general Casi todo el tiempo, las probabilidades
en las que estamos interesados contienen x, una variable aleatoria normal con media m y desviación estándar
s. Entonces se debe estandarizar el intervalo de interés, escribiéndolo como el intervalo equivalente en
términos de z, la variable aleatoria normal estándar. Una vez hecho esto, la probabilidad de interés es el área
que se encuentra usando la distribución estándar normal de probabilidad.
En primer término, tenemos la variable discreta binomial. Tiene cinco características que ayudan a
identificarlo fácilmente de los otros.
Un experimento binomial consta de n intentos idénticos con probabilidad p de éxito en cada intento.
La variable aleatoria x, el número de éxitos en n intentos, tiene una distribución de
probabilidad con este centro y dispersión.
Calcular probabilidades binomiales es un trabajo complicado, incluso para valores relativamente pequeños
de n. Cuando n se hace grande, se hace casi imposible sin ayuda de una calculadora o computadora. Existen
dos herramientas que facilitan su obtención, las tablas de probabilidades binomiales acumulativas generadas
por computadora se dan en la tabla 1 del apéndice I, para valores de n que van de 2 a 25 y para valores
seleccionados de p. Estas probabilidades también pueden ser generadas si se usa el MINITAB o los applets
Java en el sitio web Premium.
Las probabilidades binomiales acumulativas difieren de las probabilidades binomiales individuales que se
calcularon con la fórmula binomial.
Una variable aleatoria es discreta si toma valores en un conjunto finito o infinito numerable, es decir, sólo
toma valores enteros. Una distribución binomial es una distribución de probabilidad discreta que describe el
número de éxitos al realizar experimentos independientes entre sí, acerca de una variable aleatoria.
Una variable aleatoria continua puede tomar cualquiera de un número infinito de valores de la recta real, en
forma semejante al número infinito de granos de arena en una playa. La distribución de probabilidad es
creada al distribuir una unidad de probabilidad a lo largo
de la recta, igual que como se puede distribuir un puñado de arena.
Varias propiedades importantes de distribuciones continuas de probabilidad son comparables a sus similares
discretas. Así como la suma de probabilidades discretas (o la
suma de las frecuencias relativas) es igual a 1 y la probabilidad de que x caiga en cierto
intervalo puede hallarse al sumar las probabilidades en ese intervalo, las distribuciones
de probabilidad tienen las características que se detallan a continuación.
También hay una diferencia importante entre variables aleatorias discretas y continuas.
La variable aleatoria uniforme se emplea para modelar el comportamiento de una variable aleatoria continua
cuyos valores estén uniforme o exactamente distribuidos en un intervalo dado.
La variable aleatoria exponencial se utiliza para modelar variables aleatorias continuas tales como tiempos
de espera o vidas útiles asociadas con componentes electrónicos
Raras veces se encuentra una variable con valores que sean infinitamente pequeños
Aun así, muchas variables aleatorias positivas (por ejemplo, estaturas, pesos y tiempos) tienen distribuciones
que son bien aproximadas por una distribución normal.
Casi todo el tiempo, las probabilidades en las que estamos interesados contienen x, una variable aleatoria
normal con media m y desviación estándar s. Entonces se debe estandarizar el intervalo de interés,
escribiéndolo como el intervalo equivalente en términos de z, la variable aleatoria normal estándar. Una vez
hecho esto, la probabilidad de interés es el área que se encuentra en la distribución estándar normal de
probabilidad.
Otra variable aleatoria discreta que tiene numerosas aplicaciones prácticas es la variable aleatoria de
Poisson. Su distribución de probabilidad da un buen modelo para datos que representa el número de
sucesos de un evento especifi cado en una unidad determinada de tiempo o espacio.
A continuación veamos algunos ejemplos de experimentos para los cuales la variable aleatoria x puede ser
modelada por la variable aleatoria de Poisson:
• El número de llamadas recibidas por un conmutador durante un tiempo determinado
• El número de bacterias por volumen pequeño de fl uido • El número de llegadas de clientes al mostrador
de una caja de pago en un minuto determinado
• El número de descomposturas
de una máquina durante un día
determinado
• El número de accidentes de
tránsito en un crucero dado
durante un tiempo determinado En
cada uno de estos ejemplos, x
representa el número de eventos
que ocurren en un periodo o
espacio, durante el cual se puede
esperar que ocurra un promedio
de m de estos eventos. Las únicas
suposiciones necesarias, cuando
uno usa la distribución de Poisson
para modelar experimentos tales
como éstos, son que las cuentas o
eventos ocurren al azar e independientemente unos de otros. La fórmula para la distribución de
probabilidad de Poisson, así como su media y varianza, se dan a continuación.