Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2- Cada uno de los ensayos o pruebas arroja solo uno de dos resultados posibles resultados:
xito fracaso.
3- La probabilidad del llamado xito (
ensayo o prueba.
Para
entero y
a)
Tendencia central:
aplicando la definicin
Dispersin variacin:
lo
d) Asimetria deformacon (Forma): con base en la razn entre los momentos centrales de
orden dos y tres como quedo definido antes:
(por lo tanto
tienda a
Total
; tambien
Su
funcin
de
distribucin
acumulada
sera:
f(x)
Debido a que solamente hay 2 posibles resultados y estos son mutuamente excluyentes, se
cumple que
, por lo que
y como:
entonces:
. se define
Esos intervalos de medida pueden referirse a: Tiempo: (Segundo, minuto, hora, da, semana,
etc.) rea: (Segmento de lnea, pulgada cuadrada, Centmetro cuadrado, etc.). Volumen:( Litro,
galn, onza, etc.)
Ejemplos
Criterios propiedades
1.
2.
3.
4.
sea menor
sern ms pequeos
Valor Esperado:
Varianza:
Forma sesgo: Hacia la derecha con sesgo positivo y que se va perdiendo a medida que
crece. Veamos una grfica de funciones de probabilidad para diferentes valores de
Es de observar que
Donde
Promedio de ocurrencias por intervalo unidad de medida considerada en X
Y
Aqu
Ejemplo
El nmero de pulsos que llegan a un contador GEIGER se presentan en promedio de 6 pulsos por
minuto. Hallar la probabilidad de que en 15 minutos se reciban exactamente 20 pulsos.
por
minutos.
y de la cual
satisface
no la satisface (fracaso).
Criterios o propiedades
1.
La poblacin
una parte:
son "fracasos".
2.
3.
4.
Se busca la probabilidad de
elementos y
resultados
En la practica, si
, no se aplica el
Ejemplo
En una empresa industrial diariamente se producen 90 unidades de unidad metalmecnica, de
las cuales generalmente 5 salen defectuosas. Se examina en un dia cualquiera una muestra de 5
unidades. Hallar la probabilidad de
unidades defectuosas.
para
que resolviendo permite definir la tabla de distribucin de probabilidad:
Media:
Que simplificadamente:
Varianza:
tambien.
pues
pues
embargo, la propiedad aditiva de la Esperanza no requiere independencia, por lo que para esta
variable es vlido establecer que:
= E(X) = n
V(X) = npq = n
, pero como en el modelo Hipergeomtrico no hay reemplazo, se
introduce el llamado factor de correccin, cuya deduccin queda fuera del alcance este libro, por
lo solamente lo usaremos y que es
V(X) = n
P(X = x) =
De acuerdo a lo anterior, podemos decir que:
Una variable aleatoria X se distribuye de acuerdo con un modelo probabilstico geomtrico, si su
funcin de probabilidades es:
Ejemplo. Se lanza un dado hasta que aparece el nmero 6. Cul es la probabilidad de que el
nmero de lanzamientos sean 3?
Solucin.
En este problema el xito es la aparicin del nmero 6 y la probabilidad de que salga el nmero
6 al lanzar un dado es 1/6, por lo que p = 1/6 y q = 5/6. Como nos interesa calcular la
probabilidad de que el 6 aparezca en el tercer lanzamiento, entonces:
P(X = 3) = (
)3-1 (
)=(
)2 (
) = 0.1157
Ejemplo. La probabilidad de que cierto anlisis clnico d una reaccin positiva es 0.4. Los
resultados de los anlisis son independientes unos de otros Cul es la probabilidad de que la
primera reaccin positiva ocurra antes del tercer anlisis?
Solucin.
Aqu el xito es que salga una reaccin positiva, por lo que p = 0.4 y q = 0.6. Si la primera
reaccin positiva debe aparecer antes del tercer anlisis, entonces:
P(X < 3) = P(X = 1) + P(X = 2) = (0.6) 1-1 (0.4) + (0.6)2-1 (0.4) = 0.64
4.7 ESPERANZA MATEMTICA Y VARIANZA DE LA DISTRIBUCIN GEOMTRICA.
La media y la variancia de la distribucin Geomtrica se obtiene en la forma siguiente:
Ejemplo.
a)
Se lanzan 2 dados hasta que la suma de los nmeros que aparecen sea 7. Calcular:
b)
Solucin.
El xito en este experimento es que la suma de los nmeros que aparecen sea 7, por lo que el
primer paso es el clculo de su probabilidad.
En problemas anteriores hemos visto que la magnitud del espacio muestral de este experimento
es 36. Ahora calculemos el nmero de formas posibles en que aparece el 7. Los posibles
resultados son: {(1, 6) (2, 5) (3, 4) (4, 3) (5, 2) (6, 1)} y aplicando la funcin de conjunto aditivo
vemos que son 6 resultados, por lo que p = 6/36 = 1/6 y q = 5/6.
a)
Sabemos que para calcular el valor esperado utilizamos el modelo matemtico que dice
y sustituyendo valores
b)
La
variancia
del
nmero
de
lanzamientos
se
calcula
con:
Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos valores
existentes dentro de un intervalo. En el caso de variable continua la distribucin de probabilidad
es la integral de la funcin de densidad, por lo que tenemos entonces que:
Funcin de Densidad
Una variable aleatoria continua X se apega a un modelo probabilstico uniforme en el intervalo
[a, b], si todos los puntos del intervalo tienen la misma probabilidad de ocurrencia.
Definicin. Una variable aleatoria X est distribuida uniformemente en el intervalo [a, b], en
donde a y b son finitos, si su funcin de densidad es:
De acuerdo a lo anterior, una variable aleatoria distribuida uniformemente, tiene una funcin de
densidad que es una constante en el intervalo de definicin [a, b]. A fin de satisfacer la condicin
de que
intervalo.
, por lo que:
Ejemplo. Sea X una lnea cuyos valores se apegan a una distribucin uniforme. Se elige un
punto al azar sobre el segmento de la lnea [0, 2]. Cul es la probabilidad de que el punto
elegido se encuentre entre 1 y 1.5?.
Solucin.
Se ha establecido que para cualquier subintervalo que est dentro del intervalo donde tiene
validez la distribucin, la probabilidad se calcula mediante la siguiente expresin:
P(c
d)=
En consecuencia:
, donde
. Si nuevamente referimos esta
expresin al intervalo [a, b] y utilizamos la funcin de densidad de la distribucin, tenemos:
La variable aleatoria exponencial, es el tiempo que transcurre hasta que se da el primer evento
de Poisson. Es decir, la distribucin exponencial puede modelar el lapso entre dos eventos
consecutivos de Poisson que ocurren de manera independiente y a una frecuencia constante.
Esta distribucin se emplea con bastante frecuencia con objeto de modelar problemas del tipo
"tiempo - falla" y como modelo para el estudio de intervalos en problemas de espera; por
ejemplo, la duracin de componentes electrnicos. Posteriormente se demostrar que la
distribucin exponencial no tiene memoria, es decir, la probabilidad de ocurrencia de eventos
presentes o futuros no depende de los que hayan ocurrido en el pasado. De esta forma, la
probabilidad de que una unidad falle en un lapso especfico depende nada ms de la duracin de
ste y no del tiempo en que la unidad ha estado en operacin.
Funcin de Densidad
Definicin. Si una variable aleatoria X tiene una distribucin exponencial, su funcin de densidad
de probabilidades esta dada por:
Esta distribucin se caracteriza por un parmetro q, que representa el lapso promedio de tiempo
entre dos eventos independientes de Poisson. En el contexto de la Teora de la Confiabilidad, q
recibe el nombre de tiempo promedio entre fallas, y 1/q es la frecuencia de falla. En ocasiones la
distribucin exponencial se define en trminos del parmetro l = 1/q .
Supongamos que un componente tiene la propiedad de que el tiempo transcurrido de operacin
no afecta la posibilidad del componente de funcionar al menos b unidades adicionales de tiempo.
Es decir, la probabilidad de que el componente funcione durante ms de a + b unidades de
tiempo, dado que ya oper durante por lo menos a unidades de tiempo, es igual a la probabilidad
de que un componente nuevo funcione durante por lo menos b unidades de tiempo, si se pone
en servicio el componente nuevo en el tiempo 0.
Funcin de Distribucin Acumulada
La funcin de distribucin acumulada se obtiene en forma directa y est dada por:
Valor esperado:
Variancia
En problemas de la Teora de la Confiabilidad, el inters recae en determinar el tiempo de vida
promedio de un componente o de un sistema de estos.
El problema consiste en identificar la distribucin de probabilidades de la variable aleatoria que
proporcione de manera adecuada un modelo para el tiempo de falla. Una cantidad muy til es la
funcin de confiabilidad.
Definicin. Sea T una variable aleatoria que representa el tiempo de vida de un sistema y sea f(t)
la f.d.p. de la variable aleatoria T. La funcin de confiabilidad del sistema R(t) al tiempo t, es la
probabilidad de que el lapso de duracin del sistema sea mayor que un tiempo t dado. De
acuerdo con esto:
R(t) = P(X > t) = 1-F(t)
para t > 0
Ejemplo. El tiempo de vida de un circuito obedece una ley exponencial, con parmetro l =
1/1000. Una compaa que produce estos circuitos desea garantizarlos por cierto tiempo. Por
cuntas horas se puede garantizar su funcionamiento, de modo que la probabilidad de que el
circuito funcione despus del nmero de horas garantizadas sea del 95%?
En este caso la f.d.p. est especificada por:
Ejemplo. Supngase que una variable aleatoria X se distribuye uniformemente en [0, 2] y que
otra variable aleatoria Y se distribuye en forma exponencial con parmetro l. Encontrar el valor
del parmetro, de tal manera que P(x < 1 ) = P(y < 1 ).
La f.d.p. de la v. a. X est dada por:
Por lo tanto:
Para
se define la funcin
como
.
-
con
, tal
Se verifica que
, por tanto,
. La distribucin
y
y que
que es la distribucin
Su
esperanza
es
Su
varianza
es
p.
p2
4.
La curva tiene forma de campana, por lo que se le llama curva acampanada o campana
de Gauss
5.
La distribucin es simtrica respecto a la media, es decir, el 50% del rea est a la
izquierda de la media y el otro 50% a la derecha.
6.
El punto de inflexin de la curva (el punto donde la curva deja de ser cncava hacia abajo
y empieza a ser cncava hacia arriba), se encuentra a una distancia de una desviacin estndar
(+s y -s) respecto al eje de las y, e invariablemente la tangente en este punto de inflexin corta
al eje de las x a una distancia de 2 desviaciones estndar (+2s y -2s).
7.
La curva se extiende en ambas direcciones y tiende gradualmente a unirse al eje de las x
(se hace asinttica al eje de las x), por lo que solamente se juntan en menos infinito (-) y en
mas infinito (+), aunque en la prctica la curva se corta en +4s y -4s.
Funcin de Densidad
Se dice que una variable aleatoria X tiene distribucin normal, si su funcin de densidad de
probabilidad (f d p) est dad por:
Su esperanza es .
Su varianza es 2 y, por tanto, su desviacin tpica es .
Es simtrica respecto a su media , como puede apreciarse en la representacin anterior.
Media, moda y mediana coinciden ().
Cualquier transformacin lineal de una variable con distribucin Normal seguir tambin el
modelo Normal. Si X ~ N(, ) y definimos Y = aX + b (con a 0), entonces Y ~ N(a + b, |a|).
Es decir, la esperanza de Y ser a + b y su desviacin tpica, |a|.
Cualquier combinacin lineal de variables normales independientes sigue tambin una
distribucin Normal. Es decir, dadas n variables aleatorias independientes con distribucin Xi ~
N(i, i) para i = 1, 2, ..., n la combinacin lineal: Y = anXn + an1Xn1+ ... + a1X1 + a0 sigue
tambin el modelo Normal:
, el
tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de libertad
y se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta dado por:
2.
3.
4.
5.
6.
para x>0
INTEGRANTES:
ENRIQUE CORDERO
CI. 20662798
KERMAN SANCHEZ
CI. 25668245
INDICE
4. Distribuciones de probabilidad
4.1.Distribuciones de variables aleatorias discretas
4.1.1. Distribucin Binomial.
4.1.1.1. Esperanza matemtica y varianza
de
la
distribucin
Binomial.
4.1.2. Distribucin de Poisson.
4.1.2.1. Esperanza matemtica y varianza de la distribucin de
Poisson.
4.1.3. Distribucin geomtrica.
4.1.3.1. Esperanza matemtica
varianza
de
la
distribucin
geomtrica.
4.1.4. Distribucin hipergeomtrica.
4.1.4.1. Esperanza matemtica
varianza
de
la
distribucin
hipergeomtrica.
4.2.Distribuciones de variables aleatorias continuas.
4.2.1. Distribucin Uniforme.
4.2.1.1. Esperanza matemtica y varianza
de
la
distribucin
uniforme.
4.2.2. Distribucin Exponencial.
4.2.2.1. Esperanza matemtica
varianza
de
la
distribucin
Exponencial.
4.2.3. Distribucin Gamma.
4.2.3.1. Esperanza matemtica
varianza
de
la
distribucin
Gamma.
4.2.4. Distribucin normal.
4.2.4.1. Esperanza matemtica y varianza de la distribucin normal.
4.2.5. Distribucin de Pearson.
4.2.5.1. Esperanza matemtica y varianza.
Anexos
Bibliografia
BIBLIOGRAFIA