Professional Documents
Culture Documents
SEMANA 2
NDICE
APRENDIZAJES ESPERADOS ........................................................................................................... 3
INTRODUCCIN ............................................................................................................................. 3
1. DISTRIBUCIN DE PROBABILIDADES DE UNA VARIABLE ALEATORIA ................................... 3
2. MEDIDAS DESCRIPTIVAS DE VARIABLES ALEATORIAS ........................................................... 6
3. VALOR CENTRAL .................................................................................................................... 6
4. PRIMER MOMENTO: ESPERANZA MATEMTICA .................................................................. 7
5. SEGUNDO MOMENTO: MEDIDAS DE DISPERSIN ................................................................ 7
6. DISTRIBUCIN EXPONENCIAL ............................................................................................. 10
7. DISTRIBUCIN NORMAL...................................................................................................... 12
8. APROXIMACIN DE LA DISTRIBUCIN BINOMIAL A LA NORMAL ...................................... 16
COMENTARIO FINAL.................................................................................................................... 19
REFERENCIAS ............................................................................................................................... 20
APRENDIZAJES ESPERADOS
INTRODUCCIN
Muchos indicadores econmicos y empresariales como las ventas, la inversin, el consumo los
costos y los ingresos se presentan por medio de variables expresadas en cantidades decimales.
Adems, las medidas del tiempo, la distancia, la temperatura y el peso encajan en esta
categora. Estas variables se denominan variables continuas, ya que estn medidas en nmeros
reales.
Aunque en la realidad casi todas las variables en algn momento se redondean, es importante
que las variables aleatorias continuas y sus distribuciones de probabilidad sean buenas
aproximaciones en muchos problemas aplicados. Por lo tanto, estos modelos son muy
relevantes y constituyen excelentes instrumentos para las aplicaciones empresariales y
econmicas.
FX x P X x para todo x
DEFINICIN:
Se llama soporte de X a todos los posibles valores que puede tomar la variable x (Olea, 2011, p.
9).
X x1 , x2 , x3 ,...xn
Si X es una variable aleatoria continua, las probabilidades estn asociadas a intervalos de x.
En este caso se define la funcin de densidad f X x tal que:
(1) P a X b
f X x dx
Y:
FX x P X x
f X t dt
Con:
fX x
d
FX x
dx
Notar que:
P x X x dx f X x dx
PROPIEDADES:
FX 0 y
FX 1
Para el caso continuo, la ecuacin (1) se puede escribir como (Olea, 2011, p. 13):
P a X b
f X x dx
f X x dx
P a X b pX xi pX xi
xi b
xi a
P a X b FX b FX a
Ejemplo 1: Considere la carga ejercida de 100 kg sobre un punto al azar de una viga de largo 10
m (ver figura). La distribucin de probabilidad de la posicin de carga X se distribuye en forma
uniforme (0,10).
c,
fX x
0,
0 x 10
en otro caso
0,
x
FX x ,
10
1,
x0
0 x 10
x 10
e t , t 0
fT t
En que es una constante positiva.
0,
en
otro
caso
Medidas de centralidad.
Medidas de dispersin.
Medidas de asimetras y otras.
3. VALOR CENTRAL
Del rango de los valores posibles de una variable aleatoria, el valor central tiene un inters
especial.
Dado que para cada valor existe una medida de probabilidad, el centro equivale a un promedio
ponderado.
Se define el valor esperado o esperanza o media de una variable aleatoria X a (Olea, 2011, p.
24):
X E X x f X xi dx,
Caso continuo
FX x med
1
2
E g x g x f X xi dx,
Caso continuo
X X
f X xi dx,
Caso continuo
X Var X
Si X 0 , se puede calcular una medida de variabilidad que es adimensional llamada
coeficiente de variacin (c. o. v.).
X
X
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad dada por:
e x ,
fX x
0,
x 0, 0
en otro caso
Solucin:
Para la esperanza:
X E X x f X x dx
x e x dx
0
t x
dt dx
dt
dx
t et dt
t et dt
te e dt
te
e t
0 0 0 1
FX xmed
1
2
FX x
f X x dx
FX x e t dt
x
e t
x
0
1 e t
FX xmed 1 e xmed
1
2
1
e xmed
2
1
ln ln e xmed
2
ln 2 xmed
ln 2
xmed
Para la varianza:
Var X E X 2 E X
Se calcula primero E X
E X 2 x 2 f X x dx
x 2 e x dx
0
x 2 e x dx x 2 e x 2 x e x dx
x 2 e x x e x dx
Pero
x e
dx
2 1
x 2 e x
2
X
1
1
X
6. DISTRIBUCIN EXPONENCIAL
En un proceso de Poisson el tiempo transcurrido entre la ocurrencia de eventos puede ser
descrito por una distribucin exponencial. Si T1 representa al tiempo pasado hasta la
ocurrencia del primer evento en un proceso de Poisson, el evento (T1 > t) implica que en el
intervalo (0, t) no ocurren eventos, es decir (Olea, 2011, p. 67):
P T1 t P X t 0
vt
e vt
0!
e vt
Esto quiere decir que la funcin de distribucin exponencial nace a partir del proceso de
Poisson.
10
FT1 t P T1 t 1 P T1 t 1 et
En la expresin anterior se conoce la funcin de distribucin exponencial acumulada.
Su funcin de densidad se obtiene como sigue:
fT1 t
d
FT1 t e t
dt
Ejemplo: Un motor tiene una vida til de X horas, que puede considerarse como una variable
continua con distribucin exponencial. Si la vida til esperada es de 50 horas y posee un costo
de 320 dlares. Si el motor dura menos de 70 horas se asigna una prdida de 110 dlares
adicionales al fabricante. Calcular el costo esperado.
Solucin:
Si X Vida til en horas de un motor.
exp 50 con
1
50
11
E C C x P X 70 C x P X 70
Recordar que las probabilidades deben acumular a los percentiles, por lo tanto para
E C C x 1 P X 70 C x P X 70
Se sabe que la distribucin exponencial acumulada tiene la forma:
1
1
70
70
E C 320 1 1 e 50 430 1 e 50
E C 320 1 1 e 50 430 1 e 50
E C 320 e
1
70
50
1
70
430 1 e 50
E C 78,91 323,96
7. DISTRIBUCIN NORMAL
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin
gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms
frecuencia aparece en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de
un determinado parmetro. Esta curva se conoce como campana de Gauss.
La importancia de esta distribucin radica en que permite modelar numerosos fenmenos
naturales, sociales y psicolgicos.
La funcin densidad de una variable aleatoria X con distribucin normal , es de la forma
(Santiago, 2006):
12
fX x
1
2 2
1 x
, 0
1
fX x
e
2
x2
2
.
13
Sea S una variable aleatoria con distribucin normal estndar, cuya funcin de distribucin de
probabilidad acumulada est dada por:
s FS s
1
e
2
x2
2
dx
PROPIEDADES:
SP 1 p 1 1 p
s 1 s
Sea X una variable aleatoria normal , con funcin de distribucin acumulada FX . Para
dos valores dados a y b (con a < b) se tiene que (Olea, 2011, p. 42):
14
P a X b FX b FX a
Ejemplo: Durante una tormenta el drenaje de una comunidad se comporta como una variable
aleatoria normal con una media y desviacin estndar estimada de 1,2 y 0,4 millones de
galones diarios (mgd) respectivamente.
a) Si el sistema de drenaje de aguas pluviales fue diseado para soportar una capacidad
mxima de 1,5 mgd. Cul es la probabilidad de que el sistema colapse?
Solucin:
P X 1,5 1 P X 1,5
1 FX 1,5
1,5 1, 2
1
0, 4
1 0,75
1 0,7734
0, 2266
b) Cul es la probabilidad que el sistema deba soportar un drenaje entre 1,0 y 1,6 mgd?
Solucin:
P 1 X 1,6 P X 1,6 P X 1
15
FX 1,6 FX 1
1,6 1, 2 1 1, 2
0, 4 0, 4
1 0,5
1 1 0,5
0,8413 1 0,6915
0,8413 0,3085
0,5328
c) Cul es la carga de agua durante una tormenta que soporta el sistema de drenaje
correspondiente al percentil 90?
Solucin:
P X x 0,9
X x 1, 2
P
0,9
0, 4
x
0,9
x 1, 2
1, 28
0, 4
x 1,71
16
TEOREMA
Sea x una variable aleatoria binomial con media np y desviacin estndar
np 1 p . La
x np
np 1 p
B 16.000.000,1105
Se pide P x 150 :
P x 150 1 P x 150
Si se resuelve como el modelo binomial:
150 16.000.000
5 x
5 16.000.000 x
1
10 1 10
x
x 0
0,772
Si se resuelve como si se tratara de una distribucin normal, sabiendo que en este caso:
x np
np 1 p
17
x np
x 16.000.000 105
P x 150 P
np 1 p
5
5
16.000.000 10 1 10
x 160
P z
5
160 1 10
P z 0,79
Se aplican propiedades de la distribucin normal estndar:
P z 0,79
Luego se busca en la tabla Normal Estndar:
0,785
Observacin 1:
La aproximacin de la distribucin binomial a la normal es buena si se cumple que np 5 y
n 1 p 5 .
Observacin 2:
Correccin por continuidad:
En ocasiones la aproximacin normal de una probabilidad binomial se modifica con un factor
de correccin de 0,5 que mejora la aproximacin. Por ejemplo, si P X 2 , como X es una
variable discreta, entonces se cumplir que P X 2,5 . De la misma manera, si P X 2 ,
entonces P X 1,5 .
18
COMENTARIO FINAL
Muchos indicadores econmicos y empresariales como las ventas, la inversin, el consumo, los
costos y los ingresos pueden presentarse como variables aleatorias continuas.
Las variables aleatorias continuas y sus distribuciones son buenas aproximaciones en muchos
problemas aplicados. Por lo tanto, estos modelos son muy importantes y constituyen
excelentes instrumentos para las aplicaciones empresariales y econmicas.
19
REFERENCIAS
Canavos, G. (1984). Probabilidad y estadstica, aplicaciones y mtodos. 1 edicin. Estados
Unidos: McGraw-Hill.
Montgomery, D. & Runger, G. (1998). Probabilidad y estadstica aplicadas a la ingeniera. 1
edicin. Arizona, Estados Unidos: McGraw-Hill.
Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadstica para la administracin y economa.
6 edicin. Nueva Jersey, Estados Unidos: Pearson, Prentice-Hall.
Olea, R. (2011). Estadstica para ingeniera. Apuntes Curso de verano TAV. Chile. Pontificia
Universidad Catlica de Chile.
Santiago, J. (2006). Apuntes Curso de estadstica II. Santiago, Chile: Universidad de Santiago de
Chile.
20