Documente Academic
Documente Profesional
Documente Cultură
Enero-Junio 2020
CARRERA:ING. ELECTROMECÁNICA
Profesor: Ing. Orlando Morales Bonilla
Objetivo
Con los siguiente subtema que abarca la tercera unidad de la materia de probabilidad y estadística
se pretende desarrollar una investigación muy definida y concreta con el objetivo de obtener un
conocimiento previo y útil a lo que estamos investigando.
Alcance
La siguiente investigación se realizó con el tiempo adecuado con el propósito de tener una buena
investigación, también para saber comprenderlo a la hora de poner en práctica o al momento que se
requiera ya sea para realizar un ejemplo o definir alguno de ellos.
Justificación
Marco de Teórico
En otras palabras:
"Una variable aleatoria es una función que asigna un número real a cada resultado en el espacio
muestral de un experimento aleatorio."
La variable aleatoria se denota tal como la letra mayúscula X y con una letra minúscula como x, el
valor posible de X. El conjunto de los posibles valores de la variable aleatoria X recibe el nombre de
rango de X.
Una variable aleatoria es una función que asigna un valor, usualmente numérico, al resultado de un
experimento aleatorio. Por ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2),
etc. o un número real (p.e., la temperatura máxima medida a lo largo del día en una ciudad concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles resultados de un
experimento aún no realizado, o los posibles valores de una cantidad cuyo valor actualmente
existente es incierto (p.e., como resultado de medición incompleta o imprecisa). Intuitivamente, una
variable aleatoria puede tomarse como una cantidad cuyo valor no es fijo pero puede tomar
diferentes valores; una distribución de probabilidad se usa para describir la probabilidad de que se
den los diferentes valores. En términos formales una variable aleatoria es una función definida sobre
un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios
como valores lógicos, funciones o cualquier tipo de elementos (de un espacio medible). El término
elemento aleatorio se utiliza para englobar todo ese tipo de conceptos relacionados. Un concepto
relacionado es el de proceso estocástico, un conjunto de variables aleatorias ordenadas
(habitualmente por orden o tiempo).
Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto discreto. La variable
del ejemplo anterior es discreta. Sus probabilidades se recogen en la función de cuantía. (Véanse las
distribuciones de variable discreta).
2 de 22
intervalo de números reales. Por ejemplo, la variable que asigna la estatura a una persona extraída
de una determinada población es una variable continua ya que, teóricamente, todo valor entre,
pongamos por caso, 0 y 2,50 m, es posible.
Ejemplo:
Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el conjunto de
resultados elementales posibles asociado al experimento, es:
donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a cada suceso
elemental del experimento el número de caras obtenidas. De este modo se definiría la variable
aleatoria X como la función.
dada por:
3 de 22
3
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.
Las distribuciones de probabilidad discreta son una función que asigna a cada elemento de
X(S)={x1,x2,…,xi,…}, donde X es una variable aleatoria discreta dada y S es su espacio muestral, la
probabilidad de que dicho suceso ocurra. Esta función f de X(S) definida como f(xi)=P(X=xi) a veces
es llamada función masa de probabilidad.
4 de 22
Esta masa de probabilidades es representada generalmente en forma de tabla. Como X es una
variable aleatoria discreta, X(S) cuenta con un número finito de sucesos o infinito numerable. Entre
las distribuciones de probabilidad discreta más comunes tenemos la distribución uniforme, la
distribución binomial y la distribución de Poisson.
Características
La función de distribución de probabilidad debe cumplir con las siguientes condiciones:
Además, si X toma solo un número finito de valores (por ejemplo x1,x2,…,xn), entonces p(xi)=0 si i>n
y, por lo tanto, la serie infinita de la condición b llega a ser una serie finita.
Sea B un suceso asociado con la variable aleatoria X. Esto quiere decir que B está contenido en
X(S). Específicamente, supongamos que B={xi1,xi2,…}. Por lo tanto:
5 de 22
Ejemplo:
Con una distribución discreta, a diferencia de una distribución continua, usted puede calcular la
probabilidad de que X sea exactamente igual a algún valor. Por ejemplo, puede utilizar la distribución
discreta de Poisson para describir el número de quejas de clientes en un día. Supongamos que el
número promedio de quejas por día es 10 y usted desea saber la probabilidad de recibir 5, 10 y 15
quejas de clientes en un día.
Usted también puede visualizar una distribución discreta en una gráfica de distribución para ver las
probabilidades entre los rangos.
Durante las pruebas, las cápsulas son destruidas y no pueden ser devueltas al lote del que
provienen. En esta situación, la variable que cuenta el número de cápsulas que no cumplen
los criterios de calidad establecidos sigue una distribución hipergeométrica. Por tanto, esta
distribución es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo.
Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N
elementos, de los cuales R tiene determinada característica que se llama "éxito"
(diabetes, obesidad, hábito de fumar, etc...). El número de "éxitos" en una muestra aleatoria
de tamaño n, extraída sin reemplazo de la población, es una variable aleatoria con
distribución hipergeométrica de parámetros N, R y n.
Cuando el tamaño de la población es grande, los muestreos con sin reemplazo son
equivalentes, por lo que la distribución hipergeométrica se aproximan en tal caso a la
Binomial
parámetros:
N: tamaños de la población, N>0 entero
R: número de éxito en la población, R≥0 entero
n: número de pruebas, n>0 entero
Ejemplo:
Se sabe que el 7% de los útiles quirúrgicos en un lote de 100 no cumplen ciertas
especificaciones de calidad. Tomada una muestra al azar de 10 unidades sin reemplazo,
interesa conocer la probabilidad de que no más de 2 sean defectuosos.
El número de útiles defectuosos en el lote R=0,07 x 100=7. Para un tamaño muestral de
n=10, la probabilidad buscada es P{número de defectuosos ≤ 2}.
7 de 22
La probabilidad de que a lo sumo haya 2 útiles defectuosos en el lote es aproximadamente
0,98
9 de 22
representar probabilidades y éstas son valores numéricos positivos, la función de densidad debe caer
completamente arriba del eje x.
3.6 Distribución T
La distribución T o de Student es una función de probabilidad con forma tipo campana simétrica su
aplicación más importante se describe a continuación.
Suponer que se toma una muestra aleatoria de tamaño n<30 de una población con distribución
normal con media µ y varianza desconocida. En este caso ya no se puede usar la variable aleatoria
Z. En su lugar debe usarse otro estadístico denominado T o de Student este estadístico es útil
cuando por consideraciones prácticas no se puede tomar una muestra aleatoria grande y se
desconoce la varianza poblacional. Pero es necesario que la población tenga distribución normal.
Definición: Distribución T
Sean X y S2 la media y varianza de una muestra aleatoria de tamaño n<30 tomada de
una población normal con media µ y varianza desconocida, entonces la variable aleatoria
GRÁFICO DE LA DISTRIBUCIÓN T
La forma específica de la distribución T depende del valor de ν, el cual es el parámetro para
este modelo con la definición: ν = n – 1 y se denomina “grados de libertad”.
10 de 22
9
Definición: tα
tα es el valor de T tal que el área a la derecha es igual a α: P(T ≥ tα) = α
1011
9 ISBN: 978-607-32-1417-9
PROBABILIDAD Y ESTADÍSTICA
BÁSICA PARA INGENIEROS. Escuela Superior Politécnica del Litoral
Instituto de Ciencias Matemáticas Guayaquil - Ecuador
2007
10
11
11 de 22
3.7 Distribución Chi-cuadrada
La distribución Chi-cuadrada también conocida como distribución ji cuadrada o distribución de
Pearson permite determinar la relación entre 2 variables para conocer si existe dependencia
estadística.
La hipótesis nula (H0) indica que ambas variables son independientes, mientras que la hipótesis
alternativa (H1) indica que las variables tienen algún grado de asociación o relación.
Grados de libertad: De un conjunto de observaciones, los grados de libertad están dados por el
número de valores que pueden ser asignados de forma arbitraria, antes de que el resto de las
variables tomen un valor automáticamente, producto de establecerse las que son libres; esto, con el
fin de compensar e igualar un resultado el cual se ha conocido previamente. En pocas palabras es el
tamaño de la muestra menos 1 (n-1).
12 de 22
(2007) Probabilidad y estadistica para ingenieria y ciencias (8a edicion) Mexico
Web : https://www.youtube.com/watch?v=gHkMGcn2MsE
Ejemplo:
1.
2.
13 de 22
Primero establecemos nuestras hipótesis:
- Fórmula de Chi-Cuadrado
4.
14 de 22
En este ejemplo utilizando la tabla de frecuencias de chi cuadrado y la fórmula de chi cuadrado, se
conoce que el chi cuadrado calculado < al chi cuadrado de la tabla, así que se cumple la condición
de la hipótesis alternativa.
3.8 Distribución F
Esta distribución es útil para realizar inferencias con las varianzas de dos poblaciones normales
utilizando los datos de la varianzas de dos muestras aleatorias independientes con la siguiente
definición.
Definición: Distribución F
Sean S1 y S2 las varianzas de dos muestras aleatorias independientes de tamaño n1 y n2 tomadas
de poblaciones normales con varianza σ1, σ2 entonces la variable aleatoria
La distribución F tiene forma tipo campana con sesgo positivo y depende de dos parámetros para
este modelo V1, V2 los cuales se denominan granos de libertad.
15 de 22
3.9 Esperanza Matemática
Donde x es el valor del suceso, P la probabilidad de que ocurra, i en el periodo en que se da dicho
suceso y n el número total de periodos u observaciones.
Vamos a ver un ejemplo sencillo para entenderlo. Imaginemos una moneda. Dos caras, cara y cruz.
¿Cúal sería la esperanza matemática (valor esperado) de que salga cara? La esperanza matemática
se calcularía como la probabilidad de que, tirando la moneda un número muy muy grande de veces,
salga cara.
Dado que la moneda solo puede caer en una de esas dos posiciones y ambas tienen la misma
probabilidad de salir, diremos que la esperanza matemática de que salga cara es una de cada dos, o
lo que es lo mismo, el 50% de las veces.
13
Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos que la moneda
es perfecta:
● Tirada 1: C
● Tirada 2: X
● Tirada 3: X
● Tirada 4: C
● Tirada 5: X
● Tirada 6: C
● Tirada 7: C
● Tirada 8: C
● Tirada 9: X
● Tirada 10: X
¿Cuántas veces ha salido cara (contamos las C)? 5 veces ¿Cuántas veces ha salido cruz (contamos
las X)? 5 veces. La probabilidad de que salga cara será de 5/10=0,5 o en porcentaje del 50%.
Una vez ha ocurrido ése suceso podemos calcular la media matemática del número de veces que ha
ocurrido cada suceso. El lado cara ha salido una de cada dos veces, es decir, un 50% de las veces.
La media coincide con la esperanza matemática.
17 de 22
14
Reflexión
Al estar desarrollando este tema de " funciones de distribución de probabilidades " con su diferentes
subtemas nos demostró cómo es que funciona cada uno de ellos ya que al momento de solo leer los
temas no tenemos una idea precisa de en qué consiste, es por eso que cada tema nuevo que
desarrollamos nos deja una idea y una enseñanza muy clara de lo que es y cuál es su función.
Un ejemplo de ello es el subtema uno que nos damos cuenta que es el principal tema que debemos
comprender para saber concluir los siguientes temas ya que se puede decir que es el principal para
poder ir entendiendo cada subtema y saber sus importancia en la materia de probabilidad y
estadística.
Otro ejemplo sería el tema de chi-cuadrada tal vez sea confuso entender para qué funciona o para
qué hacerlo pero cuando nos damos cuenta que todo ese proceso matemático sirve para
respondernos preguntas como sobre si algo realmente importa o influye, te das cuenta que los
números no son solo para sumar.
Esta unidad nos permitió desarrollar las aplicaciones y técnicas de los modelos estadísticos, en
donde se vio el tema de las distribuciones, así como las probabilidades continuas.
Entre otros temas más como la distribución de poisson en donde su usan muchos factores tales
como el tiempo como cualquier otro dato estadístico. Haciendo de esta unidad algo muy relevante en
cuanto a la estadística dentro de los factores diarios.
18 de 22
En el subtema de probabilidad de distribución continúa se aprende que describe las probabilidades
de los posibles valores de una variable aleatoria, también vemos que la probabilidad de que una
variable aleatoria continua equivalga a cualquiera valor es cero.
En el subtema de la distribución t nos hemos dado cuenta que es muy importante porque la
distribución de t se puede usar cuando la muestra es pequeña y además la varianza es desconocida,
por lo cual estos temas son de suma importancia ya que son herramientas que utilizaremos en
nuestra carrera.
Nos queda claro al haber investigado el tema de esperanza matemática que es un concepto
sumamente útil en varias disciplinas, como ejemplo la estadística teórica, física cuántica o los
mercados financieros.
También sabemos que la esperanza matemática no es otra cosa que la media aritmética.
probabilid
ad y
estadístic
a
Distribució
contin una variable esta permite
n de
discret ua aleatoria la relación
a poisson
continua tiene entre 2
un valor 0. variables
una v.a es Describ
una v.a es continua si e
discreta si su varios esperanz
un recorrido proces a distribución distribució
recorrido es un os matemáti T nF
es un conjunto ca
cojunto no
discreto numerable
la esta
esperanza es una función distribución es
distribució distribucion matemátic de util para
n de hipergeometr a también probabilidad realizar
probabilidad ica llamado con forma tipo interferencia.
discreta valor campana.
describe la esta suele esperado.
probabilidad aparecer
de en
ocurrencia processos
de cada muestrales
valor .
19 de 22
Conclusiones
Al concluir el desarrollo de esta unidad hemos aprendido los diferentes tipos de distribución que
podemos encontrar en la probabilidad y estadística, y gracias a la investigación que hemos hecho,
aprendimos que tan importante son estos tipos de distribución para resolver problemas estadísticos
tanto en nuestra formación profesional como en el campo laboral.
La importancia de esta unidad dentro del mundo estadístico es más hacia lo profesional y eficiente,
así como el detectar los errores en datos.
Como se mostró al término de cada subtema dentro de la unidad, se colocaba un ejemplo o una
referencia sobre el tema, su finalidad era contribuir a la reflexión del subtema.
Entre los temas más expansivos era las distribuciones,la chi-cuadrada, así como la distribución F,
expandiendo los temas de probabilidad, haciendo de esta una unidad con buen contraste y haciendo
buena referencia a la estadística.
Cuestionario:
20 de 22
R= El valor de v.
7.- ¿Cuál es la función de distribución acumulativa F(x), de una variable aleatoria continua X
con función de densidad f (x)?
R=F (x ) = P (X ≤ x ) = x(integral)−∞ f (t) dt, para −∞< x < ∞.
8¿Qué probabilidad tiene una variable aleatoria continua de adoptar cualquiera de sus valores
y cuál es su consecuencia?
R=tiene una probabilidad 0 de adoptar exactamente cualquiera de sus valores. En consecuencia, su
distribución de probabilidad no se puede presentar en forma tabular.
21 de 22
R= los muestreos con sin reemplazo son equivalentes, por lo que la distribución hipergeométrica se aproximan
en tal caso a la
Binomial.
Bibliografías
PROBABILIDAD Y ESTADÍSTICA
BÁSICA PARA INGENIEROS
Escuela Superior Politécnica del Litoral
Instituto de Ciencias Matemáticas
Guayaquil - Ecuador
2007.
Webster, Allen L., Estadística aplicada a los negocios y la economía, México, McGraw-Hill, 2002.
Cuadras, Carles M., Problemas de probabilidades y estadística I y II, España, PPU, 1999.
Doménech JM. Métedos estadísticos en ciencias de las salud. Barcelona: Signo; 1997
Nota adicional
● El nombre del archivo es PyE-Eq#-U#, compartir con sus compañeros de equipo y con el profesor, una
vez terminado el trabajo guardar como PDF y compartirlo con el mismo nombre a las mismas personas.
● La letra es Arial y tamaño 11, los títulos y subtítulos en negritas.
● A las imágenes colocar nota referencial y contexto
22 de 22