Documente Academic
Documente Profesional
Documente Cultură
DATOS GENERALES
1
San Salvador, El Salvador, Centro Amrica
DESCRIPCIN DE LA ASIGNATURA
El curso est estructurado en tres unidades didcticas, con contenidos estadsticos que
forman parte de los conocimientos, herramientas y tcnicas, que el alumnado necesita
para desarrollar competencias en la organizacin y anlisis de datos.
En la unidad III, se estudian las variables aleatorias discretas (VAD) y las variables
aleatorias continuas (VAC), se realizan clculos de esperanza matemtica y de
varianza, destacando la importancia de su interpretacin. Se estudian algunos modelos
de distribucin de probabilidad de variable aleatoria discreta y de variable aleatoria
continua. El nfasis est puesto en el anlisis de variables aleatorias que tienden a
comportarse de manera similar a los modelos de probabilidad tericamente
establecidos. Se estudian los modelos de distribucin: binomial, poisson, normal y
exponencial.
2
UNIDADES DIDCTICAS
Objetivo:
Que los y las estudiantes utilicen los modelos de distribucin de probabilidades
mediante el anlisis del comportamiento de variables discretas y variables continuas
para modelar situaciones relacionadas con problemas de los mbitos: econmico,
social y empresarial.
Contenidos:
3.1 Definicin de variable aleatoria
3
4
3.2.2. Distribucin Acumulada de Probabilidad
La funcin distribucin acumulada de la variable aleatoria discreta , cuya distribucin de
probabilidad es , es la probabilidad de que la variable sea menor o igual al valor Esto
es,
5
3.2.3. Esperanza Matemtica [E(X)] y Varianza [V(X)]
6
7
8
9
Ojo : http://www.scribd.com/doc/52816014/68/Definicion-2-13-Funcion-de-densidad-de-una-v-
a-discreta
10
11
12
3.3. Definicin de variable aleatoria continua
3.2.1. Funcin de Densidad
13
14
15
3.2.2. Funcin Acumulada de Probabilidad
Funcin de Probababilidad Acumulada
Ejemplo
16
Luego La funcin distribucin acumulada de la variable aleatoria discreta es dada por
Teorema
17
es la funcin de densidad de alguna variable aleatoria continua .
Este teorema nos sirve para determinar cuando una funcin integrable
sobre es una funcin de densidad de alguna variable aleatoria
continua .
Ejemplo
Adems
18
3.4 Aplicaciones relacionadas al anlisis de variables aleatorias de inters en
economa
19
20
21
22
23
24
25
26
27
28
EJERCICIOS
3.5.2 Poisson
29
30
31
32
EJERCICIOS
k
n k n k np ( np)
p q e
k k!
Teorema
Si n y p0 en forma tal que npa entonces C(n,k) pkqnk ea ak / k!
Demostracin
Definimos an = np as que ana. Tenemos que:
n k nk n( n 1) ( n k 1) k nk
p q p q
k k!
n
k 1 2
k 1 an
n 1 1 1 k 1 k
=
n n n an n
a
e
a
k k
k! n a k!
1 n
n
Ejemplo
Se distribuyen al azar n bolillas entre n cajas. Cual es la probabilidad de encontrar k bolillas en una dada
caja ?
C(n,k) (1/n)k (1 1/n)nk e1 / k!
Ejemplo
Durante la segunda guerra mundial cayeron sobre Londres 537 bombas voladoras. El rea afectada fu
dividida en 576 sectores iguales. Sea N k el nmero real de sectores en los cuales cayeron k bombas.
Suponiendo que las bombas cayeron al azar, el nmero esperado de bombas por sector es 537/576= 0.932.
La probabilidad que caigan k bombas en un sector, segn la aproximacin Poisson , es P k= e0.932 (0.932)k /
k! La tabla adjunta muestra la comparacin entre real y terico:
k 0 1 2 3 4 5
Nk 229 211 93 35 7 1
576 Pk 226 211 99 31 7 2
33
Proceso Poisson
A lo largo del eje positivo del tiempo (t>0) se presentan aleatoriamente eventos. Por ejemplo, una sustancia
radioactiva emite partculas o llegan llamadas a una central telefnica. El modelo ms simple para describir
este tipo de proceso es el que se describe a continuacin.
Demostracin
Realizaremos la demostracin en 4 pasos.
2) Demostraremos que
De (B) resulta para k=0 que P0(t+s) = P0(t) P(s). Esto muestra que P0(t) es no creciente. Adems, si r y s
son enteros positivos deducimos que:
P0(r/s) = [P0(1/s)]r
Para el caso particular r=s se deduce P0(1/s) = [P0(1)]1/s . Reemplazando:
P0(r/s) = [P0(1)]r/s
Como P0(t) es no creciente debemos tener 0P0(1)1.
P0(1)= 1 implica P0(t) = 1 para t racional lo que contradice III)
P0(1)= 0 implica por (B) P 1 (t+s)=0 lo que tambien contradice III)
Por lo tanto, existe >0 tal que P0(1) = e. Esto demuestra (C) para t racional.
Sea t>0 un nmero real y dos sucesiones de numeros racionales tales que r n t y sn t entonces:
exp(rn) P0(t) exp(sn)
Tomando el lmite queda demostrado (C).
3) De (C) resulta:
34
Finalmente observamos que 0 P0(t) + P1(t) + Pk(t) 1. De donde:
0 Pk(t) / t P1(t) / t + [1P0(t)] / t . De donde:
Pk (t s ) Pk (t ) P0 ( s ) 1 P (s) Pk ( s )
Pk (t ) Pk 1 (t ) 1 P0 (t )
s s s s
Haciendo s0 y teniendo en cuenta (D1), (D2) y (D3) resulta:
Pk(t) = Pk(t) + Pk1(t) et [Pk(t) + Pk(t)] = et Pk1(t)
e
t u
Pk (t ) e Pk 1 (u)du
0
Observemos que P{B2} = 1P0(x)P1 (x). Por lo tanto, P{B2}/x 0 cuando x0.
Como A0Bn ... + An2B2 B2 resulta que P{A0Bn ... + An2B2}/x0.
35
36
37
38
3.6.1 Exponencial
39
40
41
42
3.6.2 Normal
43
44
45
46
47
48
49
50
51
52
3.6.3 Aproximacin del modelo binomial a la distribucin binomial
53
METODOLOGA
Evaluaciones Diferidas:
Exmenes Parciales y Control de lectura una semana despus de cada evaluacin,
y/o segn indique profesor de cada grupo.
DISPOSICIONES GENERALES
REFERENCIAS BIBLIOGRAFICAS
54
2. Lind Marchal Wathen. Estadstica Aplicada a los Negocios y economa
Dcimo segunda edicin,
Editorial Mc Graw Hill
55