Documente Academic
Documente Profesional
Documente Cultură
CIVIL
2DO SEMESTRE
GRUPO A
PROBABILIDAD Y ESTADISTICAS
TEMA 2
VARIABLES ALEATORIAS Y DISTRIBUCIONES
DOCENTE: LUCILA GUADALUPE AGUILAR RIVERO
Consideremos el experimento que consiste en lanzar un dado dos veces. El espacio muestral
será:
={(1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) (3,2) (3,3) (3,4) (3,5) (3,6)
(4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2) (5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6) }
Definimos la variable aleatoria (v.a.) X como la suma de las puntuaciones, entonces
X((1,1))=2 X((3,4))=7 X((2,6))=8 X((5,6))=11
La función de densidad de probabilidad es una función que describe la probabilidad relativa de
esta variable aleatoria que se produzca en un momento dado. La probabilidad de que la variable
aleatoria que entren en una región en particular está dada por la integral de la densidad de esta
variable a lo largo de la región. La función de densidad de probabilidad no es negativo en todas
partes, y su integral sobre todo el espacio es igual a uno.
La función de densidad de probabilidad (PDF) es una ecuación que representa la distribución de
probabilidad de una variable aleatoria continua. Por ejemplo, una máquina que corta corchos para
botellas de vino produce corchos de diferentes diámetros. En la siguiente gráfica de barras de los
diámetros de los corchos, cada barra representa el porcentaje de corchos con ese diámetro
correspondiente.
PDF continua
La curva es la PDF para el diámetro del corcho. Utilice la PDF para identificar regiones de
mayores y menores probabilidades de valores de una variable aleatoria. Por ejemplo, solo un
pequeño porcentaje de corchos (1%) tiene un diámetro por debajo de 2.8 cm.
La función de distribución acumulada (CDF) calcula la probabilidad acumulada de un valor dado de x.
Utilice la CDF para determinar la probabilidad de que una observación aleatoria que se toma de la
población sea menor que o igual a cierto valor. También puede usar esta información para determinar la
probabilidad de que una observación sea mayor que cierto valor o se encuentre entre dos valores.
Por ejemplo, los pesos de llenado de una lata de gaseosa siguen una distribución normal, con una
media de 12 onzas y una desviación estándar de 0.25 onzas. La función de densidad de probabilidad
(PDF) describe la probabilidad de valores posibles de peso de llenado. La CDF proporciona la
probabilidad acumulada de cada valor de x.
La CDF para pesos de llenado en cualquier punto específico es igual al área que se encuentra por
debajo de la curva PDF a la izquierda de ese punto.
Utilice la CDF para determinar la probabilidad de que una lata de gaseosa seleccionada
aleatoriamente tenga un peso de llenado menor que 11.5 onzas, mayor que 12.5 onzas o entre 11.5 y
12.5 onzas.
La probabilidad de que una lata de gaseosa seleccionada aleatoriamente tenga un peso de llenado
menor que o igual a 11.5 onzas es la CDF en 11.5 o aproximadamente 0.023.
Supongamos que hemos realizado n veces un experimento aleatorio que genera una variable X.
El valor medio del experimento en estas n repeticiones es la suma de los productos de los valores
de la variable por su frecuencia relativa. Cuando n sea igual a infinito, el valor medio del
experimento se llama valor esperado o esperanza matemática, E[X].
Si x es una variable discreta con función d probabilidad f(x), el valor esperado de x se calcula
según decíamos anteriormente sumando los productos de los valores de la variable por sus
respectivas probabilidades.
En el caso de una variable continua
Al multiplicar todos los valores de una variable por una misma constante, el valor esperado de ésta queda
multiplicado por el valor de la constante.
Al sumar a todos los valores de una variable una misma constante, el valor esperado de
ésta queda incrementado por el valor de la constante.
Momentos respecto del origen
Dada una variable aleatoria X con función de probabilidad o densidad f(x) podemos definir una función de X
que sea igual a la variable elevada a un exponente entero no negativo.
A este primer momento respecto al origen que es igual al valor esperado se le llama
también media aritmética de la variable y se le denomina μx, simplemente μ.
En la mayoría de los casos, la media μ expresa la tendencia central de la variable o el orden de
magnitud de sus valores.
El resto de los momentos respecto al origen tienen escaso interés en la mayoría de los casos.
5 0.037833
10 0.12511
15 0.034718
Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados bajo esta distribución de
probabilidad. Imaginemos el lanzamiento de una moneda en el que definimos el suceso “sacar cara” como el éxito. Si
lanzamos 5 veces la moneda y contamos los éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades
se ajustaría a una distribución binomial.
Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos en la que solo podemos tener
2 resultados (éxito o fracaso), siendo el éxito nuestra variable aleatoria.
Propiedades de la distribución binomial
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que cumplir las
siguientes propiedades:
• En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
• La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La probabilidad de que
salga cara al lanzar una moneda es 0,5 y esta es constante dado que la moneda no cambia en cada
experimento y las probabilidades de sacar cara es constate.
• La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra q = 1-p. Es
importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos obtener la que nos falte.
• El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo que ocurra en cada
experimento no afecta a los siguientes.
• Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo tiempo. No se puede
ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga cara y cruz al mismo tiempo.
• Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir. Si no se es
hombre, se es mujer y si se lanza una moneda, si no sale cara ha de salir cruz.
• La variable aleatoria que sigue una distribución binomial se suele representar como X~(n,p). n representa el
número de ensayos o experimentos y p la probabilidad de éxito.
Formula de la distribución binomial
La fórmula para calcular la distribución normal es:
Donde:
n = número de ensayos/experimentos
x = número de éxitos
p = probabilidad de éxito
q = probabilidad de fracaso (1-p)
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que es un resultado de una
combinatoria sin repetición. Este se obtiene con la siguiente formula:
Imaginemos que un 80% de personas en el mundo han visto el partido de la final del último mundial de futbol.
Tras el evento, 4 amigos se reúnen a conversar, ¿Cuál es la probabilidad de que 3 de ellos hayan visto?
Definamos las variables del experimento:
n = 4 (es el total de la muestra que tenemos)
x = número de éxitos, que en este caso es igual a 3, dado que buscamos la probabilidad de que 3 de los 4
amigos lo hayan visto.
p = probabilidad de éxito (0,8)
q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.
Tras definir todas nuestras variables, simplemente sustituimos en la formula.
Este modelo tiene muchas aplicaciones. Se emplea generalmente en donde, se desea optimizar los tiempos, tanto de
espera como de servicio, a este tipo de problemas se les estudia en el área de investigación de operaciones en
Líneas de Espera o Teorías de Colas.
Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o producto, la fórmula a utilizar
sería:
Donde:
= 2.718
Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad de
tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es independiente de
otro intervalo dado, así como cada área es independiente de otra área dada y cada producto es
independiente de otro producto dado.
Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las probabilidades de que reciba, a)
cuatro cheques sin fondo en un día dado, b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
Solución:
a)
x = variable que nos define el número de cheques sin fondo que llegan al banco en un día cualquiera = 0,
1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por día
e = 2.718
b)
x= variable que nos define el número de cheques sin fondo que llegan al banco en dos días consecutivos
= 0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días consecutivos
Nota: l siempre debe de estar en función de x siempre o dicho de otra forma, debe “hablar” de lo mismo
que x.
2.En la inspección de hojalata producida por un proceso electrolítico continuo, se identifican 0.2 imperfecciones en promedio
por minuto. Determine las probabilidades de identificar a) una imperfección en 3 minutos, b) al menos dos imperfecciones en 5
minutos, c) cuando más una imperfección en 15 minutos.
Solución: a)
x = variable que nos define el número de imperfecciones en la hojalata por cada 3 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata
b)
x = variable que nos define el número de imperfecciones en la hojalata por cada 5 minutos = 0, 1, 2, 3, ...., etc., etc.
l = 0.2 x 5 =1 imperfección en promedio por cada 5 minutos en la hojalata
=1-(0.367918+0.367918) = 0.26416
c)
x = variable que nos define el número de imperfecciones en la hojalata por cada 15 minutos = 0, 1, 2, 3, ....., etc., etc.
l = 0.2 x 15 = 3 imperfecciones en promedio por cada 15 minutos en la hojalata
Por lo tanto, el precio medio esperado de la gasolina para el próximo año es de 150 ptas.
Las distribuciones uniformes corresponden al experimento de elegir dos puntos al azar entre dos
fijos m y n. como la probabilidad de elegir cualquier punto es la misma, la función de densidad
tendrá la misma altura en todos los puntos entre m y n, es decir se trata de una función constante
desde m a n, de altura 1/(m-n).
1) Supón que tenemos una cuerda de 2 m de longitud que queremos cortar por un punto al azar a distancia x de
uno de los extremos.
¿Cuál es la función de densidad?
Se trata de elegir un punto al azar entre 0 y 2, como el área debe ser 1, la altura del rectángulo será 1/2
Calcula:
1.P(X £ 0,5)
2.P(0,5 £ X £ 1,25)
Dada una variable aleatoria X que tome valores reales no negativos {x ≥ 0} diremos que tiene una distribución
exponencial de parámetro a con a ≥ 0, si y sólo si su función de densidad tiene la expresión:
Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribución Binomial
s= = desviación estándar de la distribución Binomial
Cuando ocurren las condiciones anteriores, la gráfica de la distribución Binomial, es muy parecida a la distribución Normal,
por lo que es adecuado calcular probabilidades con la Normal en lugar de con la Binomial y de una forma más rápida.
En resumen, se utiliza la aproximación Normal para evaluar probabilidades Binomiales siempre que p no esté cercano a 0 o
1. La aproximación es excelente cuando n es grande y bastante buena para valores pequeños de n si p está razonablemente
cercana a ½. Una posible guía para determinar cuando puede utilizarse la aproximación Normal es tener en cuenta el cálculo
de npy nq. Sí ambos, np y nq son mayores o iguales a 5, la aproximación será buena.
Antes de empezar a resolver problemas con la aproximación Normal, es bueno aclarar que se están evaluando
probabilidades asociadas a una variable discreta x, con una distribución que evalúa variables de tipo continuo como
es la Normal,
Por lo que z sufre un pequeño cambio como se muestra a continuación: