Está en la página 1de 18

INSTITUTO TECNOLGICO SUPERIOR

DE LA MONTAA.

CARRERA: INGENIERA CIVIL


ASIGNATURA: PROBABILIDAD Y ESTADISTICA


ENSAYO DE LA UNIDAD II VARIABLES
ALEATORIAS Y DISTRIBUCIONES



DOCENTE: ING. MARCO AURELIO



NOMBRE DEL ALUMNO: JORDIN CANDIA TITO


SEMESTRE:


GRUPO:


TLAPA DE COMONFORT GRO; A 24 DE ABRIL DE 2012

VALOR ESPERADO
Valor esperado de una variable aleatoria discreta es una medida de localizacin
central de una variable aleatoria. Es un promedio ponderado de los valores que
puede tener una variable en donde los factores de ponderacin son las
probabilidades y se expresa de acuerdo a:

MOMENTOS
El valor esperado de x elevado a una potencia entera se conoce como el momento
de la distribucin de x.
El conjunto total de los momentos incluye los valores esperados para todas las
potencias enteras positivas de x.
Entonces se define como el primer momento como:

Y el segundo momento es

Por lo que

Lo anterior explica que el conocer el primer momento y el segundo momento
permite conocer la media y la varianza de una variable aleatoria.
Experimento de Bernoulli: solo son posibles dos resultados: xito o fracaso.
Podemos definir una variable aleatoria
Discreta X tal que:
xito 1
Fracaso 0
Si la probabilidad de xito es p y la de
Fracaso 1 - p, podemos construir una funcin de probabilidad:
1 , 0
1
) 1 ( ) ( =

= x
x
p
x
p x P
Un tpico experimento de Bernoulli es el lanzamiento de una moneda con
probabilidad p para cara y (1-p) para cruz.
1 , 0
1
) 1 ( ) ( =

= x
x
p
x
p x P






Funcin de distribucin:

=
=
=
1 para , 1
0 para , 1
) (
x
x p
x F
Ejercicio: Calcular la esperanza y la varianza de la distribucin de Bernoulli.
p X P X P
x
x X P x X E
= = + =

=
= = = =
) 1 ( 1 ) 0 ( 0
1
0
) ( ] [

) 1 (
2
2
) 1 (
2
1 ) 0 (
2
0
1
0
2
) (
2 2
]) [ ( ]
2
[ ) (
p p p p
p X P X P
x
p x X P x X E X E X Var
=
= = + = =

=
= = =


La distribucin binomial aparece cuando estamos interesados en el nmero de
veces que un suceso A ocurre (xitos) en n intentos independientes de un
experimento.
P. ej.: # de caras en n lanzamientos de una moneda.
Si A tiene probabilidad p (probabilidad de xito) en un intento, entonces 1-p es la
probabilidad de que A no ocurra (probabilidad de fracaso).
Experimento aleatorio: n = 3 lanzamientos de una moneda.
Probabilidad de xito en cada lanzamiento (cara) = p.
Probabilidad de fracaso en cada lanzamiento (cruz) = 1- p = q.


Supongamos que el experimento consta de n intentos y definamos la variable
aleatoria:
X = Nmero de veces que ocurre A.
En nuestro ejemplo: X = Nmero de veces que sale cara.
Entonces X puede tomar los valores 0, 1, 2, ... n.
Si consideramos uno de estos valores, digamos el valor x , i.e. en x de los n
intentos ocurre A y en n - x no. Entonces la probabilidad de cada posible
ordenacin es p
x
q
n-x
y existen
|
|
.
|

\
|
x
n
idnticas ordenaciones.
La funcin de probabilidad P(X = x) ser la distribucin binomial:






2
) 1 ( 3 p p
) 1 ( 3
2
p p
x n
p
x
p
x n x
n
x n
p
x
p
x
n
x p

= =
|
|
.
|

\
|
) 1 (
)! ( !
!
) 1 ( ) (
Distribucin binomial para n = 5 y distintos valores de p, B(5, p)

Caractersticas de la distribucin binomial
Media
= E(X) = n p
= 5 0.1 = 0.5
= 5 0.5 = 0.25
Desviacin estndar
1 . 1 ) 5 . 0 1 ( 5 . 0 5
67 . 0 ) 1 . 0 1 ( 1 . 0 5
) 1 (
= =
= =
=
o
o
o p np



Cuando en una distribucin binomial el nmero de intentos (n)
es grande y la probabilidad de xito (p) es pequea, la
distribucin binomial converge a la distribucin de Poisson:

Observa que si p es pequea, el xito es un suceso raro.
La distribucin de Poisson, junto con la uniforme y la binomial, son las
distribuciones ms utilizadas.
Es una distribucin de probabilidad que muestra la probabilidad de x ocurrencias
de un evento en un intervalo especificado de tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual
longitud
La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la
ocurrencia o no ocurrencia en cualquier otro intervalo
La distribucin de Poisson se expresa como:
(x = cantidad de ocurrencia)

Se puede usar este distribucin de probabilidad como una aproximacin de la
distribucin binomial cuando p, la probabilidad xito es pequea y n, la cantidad de
intentos, es grande. Tan slo se iguala m=np
Ejemplo
El nmero de enfermos que solicitan atencin de urgencia en un hospital durante
un periodo de 24 horas tiene una media de m = 43,2 pacientes. Unas obras en las
0 2 1 0 ,
!
) ( > = =

... , , , x
x
e
x p
x

instalaciones mermarn las capacidades de atencin del servicio, el cual se sabe
que colapsar si el nmero de enfermos excede de 50. Cual es la probabilidad
de que colapse el servicio de urgencias del hospital?
Bajo las condiciones del modelo de Poisson, se trata de una distribucin P(43,2).
La probabilidad solicitada es
Pr{X > 50} = 1 - Pr{X <= 50} = 1 - F(50) = 0.13.
El responsable del servicio deber valorar si esta probabilidad es lo
suficientemente alta como para reforzar la atencin de urgencias con ms
efectivos, materiales, espacios, etc.
Caractersticas de la distribucin de Poisson
Media


Desviacin estndar

La distribucin de Poisson se obtiene como aproximacin de
una distribucin binomial con la misma media, para n grande
(n > 30) y p pequeo (p < 0,1). Queda caracterizada por un nico parmetro
(que es a su vez su media y varianza).
m = s = n p =
E X


Distribucin de Poisson para varios valores de .

En una serie de intentos independientes, con una probabilidad constante p de
xito, sea la variable X el nmero de ensayos realizados hasta la obtencin del
primer xito. Se dice que X tiene una distribucin geomtrica con parmetro p
cuando

La media y varianza para esta distribucin son

Una caracterstica de esta distribucin es que carece de memoria, es decir, se
puede empezar a contar en cualquier ensayo o intento hasta obtener el xito


Ejemplo:
La probabilidad de que una muestra de aire contenga una molcula rara es 0.01.
Si se supone que las muestras son independientes respecto a la presencia de la
molcula. Determine cul es la probabilidad de que sea necesario analizar 125
muestras antes de detectar una molcula rara

Consideremos el siguiente experimento:
Partimos de un experimento de Bernoulli donde la probabilidad de que ocurra un
suceso es
p (xito) y la probabilidad de que no ocurra q = 1- p (fracaso). Repetimos nuestro
experimento
hasta conseguir el primer xito. Definimos la variable aleatoria X, como el nmero
de fracasos hasta que se obtiene el primer xito.
Entonces:
( )
... , , , x
p
x
p x X P p G
2 1 0
, 1 ) ( ) (
=
= = =


Surge al considerar una variable aleatoria que toma valores equiprobables en un
intervalo finito y su nombre se debe al hecho de que la densidad de la probabilidad
de esta variable aleatoria es uniforme en todo su intervalo de definicin.
Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en un
intervalo finito, de manera que puede tomar cualquier valor de ese intervalo,
entonces si la probabilidad de que la variable aleatoria tome un valor en cada
subintervalo de la misma longitud es la misma, diremos que la variable aleatoria
est distribuida uniformemente en ese intervalo.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin uniforme en el intervalo real [a,b], con -<a<b<+ ,si su funcin de
densidad es:

1
,
( )
0, en el resto
a x b
f x b a

s s


Abreviadamente lo indicamos por X~U(a,b) en donde a y b son los parmetros.

Caractersticas:
1. Funcin de distribucin de una U(a,b) es:

0,
( ) ( ) ,
1,
x
a
x a
x a
P X x f x dx a x b
b a
x b
<


s = = s s

>

}

2. Media =
2
b a +
(es el centro del intervalo de definicin y en consecuencia
coincide con la mediana).
3. Varianza VAR(X)=
( )
2
12
b a

Ejemplo: Sea X una variable aleatoria que se distribuye de forma uniforme en el
intervalo [3,9] . Hallar: funcin de densidad, funcin de distribucin, Esperanza y
varianza.
Solucin:

f(x)= 1/6 3 9 s s x 0 x<3
0 resto F(x)= (x-3)/6 3 9 s s x
1 x>9
E[X]=6 y VAR[X]=3

Diremos que una variable aleatoria X, de tipo continuo, sigue una distribucin
exponencial de parmetro a , siendo a e9 y a >0, X~Exp( a ), si su funcin de
densidad es
f(x)=
, x>0
0 , x 0
ax
a e



Esta distribucin es un caso particular de la distribucin (p, a ) para p=1, hecho
que tendremos en cuenta para el estudio de sus caractersticas.

Esta distribucin est relacionada con la de Poisson, as pues si el nmero de
sucesos que ocurren en un determinado intervalo sigue una distribucin de
Poisson, entonces la variable aleatoria que representa el tiempo entre ocurrencia
de sucesos sigue una distribucin exponencial. As, por ejemplo, si el nmero de
ventas semanales de un cierto modelo de coche sigue una distribucin de
Poisson, entonces el tiempo transcurrido entre las ventas seguir una distribucin
exponencial.

Tambin se pueden modelizar mediante la distribucin exponencial las siguientes
situaciones:
- la duracin de la prestacin de un servicio.
- el tiempo entre llegadas sucesivas a una cola o punto de servicio.
- el tiempo de duracin de algunos equipos, etc.

Caractersticas:

1. Funcin de distribucin
1 , x>0
( ) ( )
0 , x 0
ax
e
f x P X x


= s =


2. Media : E[X]=1/a

3.Varianza : Var(X)=1/a

Ejemplo: El tiempo transcurrido entre la llegada de dos clientes consecutivos al
departamento de ventas de un concesionario de una determinada marca de
automviles, es de 20 minutos. Calcular la probabilidad de que el tiempo
transcurrido entre la llegada de dos clientes consecutivos no supere la media hora.
Solucin:
E[X]=1/a=20 luego a= 0,05. P(X 30 s )=0,7769.

La distribucin normal o distribucin de Gauss es sin duda la ms importante y la
de ms aplicacin de todas las distribuciones continuas. Esta distribucin es
bastante adecuada para describir la distribucin de muchos conjuntos de datos
que ocurren en la naturaleza, la industria y la navegacin. As pues para los
siguientes conjuntos de datos, se puede considerar adecuada la distribucin
normal:

- Datos meteorolgicos correspondientes a temperaturas, lluvias, etc.
- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas fsicas de productos manufacturados.
- La vida media de un tipo de lmparas con un voltaje dado, etc.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin normal de parmetros y si su funcin de densidad es:
2
2
( )
2
1
( )
2
x
f x e

o
o t

= , -< x<+
donde , e9 y tales que -<<+ y >0. (=3,14159... , e=2,71828 )

Abreviadamente la indicaremos por X~N(,)

Veamos ahora la representacin grfica de la funcin de densidad f(x) de la N(
,). Para ello veremos que se cumplen las siguientes propiedades:
1. f(x) es continua en toda la recta real.
2. f(x) es simtrica respecto de x = es decir es simtrica respecto del
parmetro .
3. f(x) tiene como asntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<, y estrictamente decreciente
cuando x>.
5. f(x) presenta un mximo cuando x=, ese mximo vale f()=
1
2 o t


El grfico nos muestra la representacin grfica de la funcin de densidad, f(x), de
una distribucin normal de parmetros y :




Se observa que tiene forma de campana, de aqu que frecuentemente se le llame
campana de Gauss. Tambin se pone de manifiesto que el parmetro
corresponde al mximo y al centro de la distribucin y el parmetro nos da idea
del grado de apertura o aplastamiento de la curva f(x)






Se usa para calcular la probabilidad de que una muestra aleatoria de n artculos
seleccionados sin reemplazo, obtengamos x elementos identificados como xitos,
y n-x como fracasos. Para que suceda esto debemos obtener x xitos de los r de
la poblacin, y n-x fracasos de los N-r de la poblacin.






Ejemplo
Se debe seleccionar 2 miembros de un comit, entre 5, para que asistan a una
convencin en Santiago. Suponga que el comit est formado por 3 mujeres y 2
hombres. Determine la probabilidad de seleccionar 2 mujeres al azar
Tenemos N=5, n=2, r=3 y x=2
Luego el clculo de la probabilidad es:




CONCLUSIN
El aprendizaje de las distribuciones, para as aplicarlos en los problemas
cotidianos que nosotros nos enfrentamos.



|
|
.
|

\
|

|
|
.
|

\
|
=
=
|
|
.
|

\
|

=
|
|
.
|

\
|
x n
A N
x
A
A N x n
x n
A N
A x
x
A
favorables Casos
de rojas no bolas tomar de formas diferentes
de rojas bolas tomar de formas diferentes
) ..., , 1 , 0 ( ) ( ) , , ( n x
n
N
x n
A N
x
A
x P A N n H =
|
|
.
|

\
|
|
|
.
|

\
|

|
|
.
|

\
|
= =
INSTITUTO TECNOLGICO SUPERIOR
DE LA MONTAA.

CARRERA: INGENIERA CIVIL


ASIGNATURA: PROBABILIDAD Y ESTADISTICA


EJERCICIOS



DOCENTE: ING. MARCO AURELIO



NOMBRE DEL ALUMNO: JORDIN CANDIA TITO


SEMESTRE:


GRUPO:


TLAPA DE COMONFORT GRO; A 24 DE ABRIL DE 2012

También podría gustarte