You are on page 1of 10

Trabajo Individual Uniddad 1

Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

ACTIVIDAD INDIVIDUAL: UNIDAD 2.

JUAN JOS CELEDN DAZ, CDIGO: 84103964

GRUPO 100402A_226

PROGRAMA. PROBABILIDAD.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA U.N.A.D
PROGRAMA DE INGENIERA DE SISTEMAS
CEAD: VALLEDUPAR
Fecha de Entrega: 29 de Noviembre de 2015
TUTOR: HEBERT MURIEL
(TUTOR)

VALLEDUPAR CESAR, NOVIEMBRE, 2.015

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

RESUMEN CONCEPTOS TERICOS DE LA UNIDAD 2


CONCEPTO DE VARIABLE ALEATORIA
Una variable aleatoria es pues, una funcin que asigna un nmero real a cada resultado
en el espacio muestral de un experimento aleatorio. Ellas se denotan con una letra
mayscula, tal como X.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados del espacio
muestral, y se define X como una funcin porque transforma todos los posibles
resultados del espacio muestral en cantidades numricas reales.
Ejemplo 1.
Considere el lanzamiento de una moneda. El espacio muestral de este experimento
aleatorio est constituido por dos resultados: cara y sello.
Si se define X(cara)=0 y X(sello)=1, se transforman los dos posibles resultados del
espacio muestral en cantidades numricas reales.

De esta manera P(X=0) representa la probabilidad de que el resultado al lanzar la moneda


es cara.
VARIABLE ALEATORIA DISCRETA
Definicin Se dice que una variable aleatoria es discreta si toma un nmero finito o a lo ms numerable
de valores:

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

En este caso la ley de la variable aleatoria

conjunto de los valores posibles de

es la ley de probabilidad sobre el

que asocia la probabilidad

En la prctica el conjunto de los valores que puede tomar

al singleton

es

o una parte de

Determinar la ley de una variable aleatoria discreta es:


1. Determinar el conjunto de los valores que puede tomar

2. Calcular

para cada uno de estos valores

Leccin 18: VARIABLE ALEATORIA CONTINUA

En el tema anterior se present el concepto de variable aleatoria como una funcin de


valor que asigna un nmero real finito (o infinito contable) a cada resultado en el
espacio muestral de un experimento aleatorio; variables aleatorias que han sido
denominadas discretas. En este tema, donde las variables aleatorias pueden tomar
valores en una escala continua, el procedimiento es casi el mismo.
Se dice que una variable aleatoria X es continua si el nmero de valores que puede
tomar estn contenidos en un intervalo (finito o infinito) de nmeros reales.

Dichos valores pueden asociarse a mediciones en una escala continua, de manera que no
haya huecos o interrupciones.
En algunos casos, la variable aleatoria considerada continua en realidad es discreta, pero
como el rango de todos los valores posibles es muy grande, resulta ms conveniente
utilizar un modelo basado en una variable aleatoria continua.
La distribucin de probabilidad de una variable aleatoria continua X

est

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

caracterizada por una funcin f(x) que recibe el nombre de funcin de densidad
de probabilidad. Esta funcin f(x) no es la misma funcin de probabilidad de una
variable aleatoria discreta.
La grfica de la funcin f(x) es una curva que se obtiene para un nmero muy
grande de observaciones y para una amplitud de intervalo muy pequea. Recuerde
que la grfica de una funcin de probabilidad de una variable aleatoria discreta es
escalonada, dando la sensacin de peldaos en ascendencia (ver figura 1.1. (a)).
Esta funcin de densidad de probabilidad f(x) permite calcular el rea bajo la curva que
representa la probabilidad de que la variable aleatoria continua X tome un valor entre
el intervalo donde se define la funcin.
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de azar, debido a
que los jugadores deseaban saber cual era su esperanza de ganar o perder con un juego determinado.
Como a cada resultado particular del juego le corresponde una probabilidad determinada, esto equivale
a una funcin de probabilidad de una variable aleatoria y el conjunto de todos los resultados posibles
del juego estar representado por la distribucin de probabilidad de la variable aleatoria. El valor
esperado o esperanza es muy importante, ya que es uno de los parmetros que describen una variable
aleatoria.
Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el valor esperado de
la variable aleatoria X, el cual se representa por E(X), est definido por:
E(X) = xi f(xi)
Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la variable
aleatoria por la probabilidad que le corresponde y despus se suman esos productos.

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

DISTRIBUCIONES DE PROBABILIDAD DISCRETA


Distribuciones discretas y continuas
Las distribuciones discretas son aquellas en las que la variable puede pude tomar un nmero
determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un
nmero de 1 al 6; en una ruleta el nmero puede tomar un valor del 1 al 32.
Las distribuciones continuas son aquellas que presentan un nmero infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto
intervalo (42,37 kg, 42,3764 kg, 42,376541kg, etc); la esperanza media de vida de una poblacin (72,5
aos, 72,513 aos, 72,51234 aos).

DISTRIBUCIN BINOMIAL
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad, ventas,
mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas distribuciones
permiten enfrentar circunstancias en las que los resultados pertenecen a dos categoras
relevantes: que ocurra un evento determinado o que no lo haga. Este tipo de experimento
aleatorio particular es denominado ensayo de Bernoulli. Sus dos resultados posibles son
denotados por xito y fracaso y se define por p la probabilidad de un xito y 1-p la
probabilidad de un fracaso.
En general, un experimento aleatorio que consiste de n ensayos repetidos tales que:

Los ensayos son independientes

Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles:

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

xito o fracaso.

La probabilidad de xito de cada ensayo, denotada por p, permanece constante.

recibe el nombre de experimento binomial.


La variable aleatoria X, de un experimento binomial, que corresponde al nmero de
ensayos donde el resultado es un xito, tiene una distribucin binomial con parmetros
8
p y n = 1, 2, y su funcin de probabilidad es :

DISTRIBUCIN BINOMIAL NEGATIVA Y GEOMTRICA


En la distribucin geomtrica, la variable aleatoria estaba definida como el nmero de ensayos
Bernoulli necesarios para obtener el primer xito. Suponga ahora que se desea conocer el nmero de
ensayos hasta obtener r xitos; en este caso la variable aleatoria es denominada binomial negativa.
La distribucin binomial negativa o distribucin de Pascal es una generalizacin de la distribucin
geomtrica donde la variable aleatoria X es el nmero de ensayos Bernoulli efectuados hasta que se
tienen r xitos, con una probabilidad constante de xito p. Se dice entonces que X tiene una
distribucin binomial negativa con parmetros p yr = 1, 2, 3,...
f(x,p,r)=x-1Cr-1 qx-r . pr x=r,r+1,r+r+2+....
Algunos autores denotan esta distribucin como b*(x,p,r) Observe que en el caso especial donde r = 1,
la variable aleatoria binomial negativa se convierte en una variable aleatoria geomtrica.
La tabla siguiente expresa la diferencia entre una variable aleatoria binomial y una variable aleatoria
binomial negativa. En este sentido, la variable aleatoria binomial negativa se considera como el
opuesto, o el negativo, de una variable aleatoria binomial.

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

DISTRIBUCIN HIPERGEOMTRICA
En la distribucin binomial se vea que el muestreo se haca con reemplazo,
asegurando la independencia de los ensayos y la probabilidad constante. Supngase
ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no son
independientes.
DISTRIBUCIN POISSON
Esta es otra distribucin de probabilidad discreta til en la que la variable aleatoria
representa el nmero de eventos independientes que ocurren a una velocidad
constante. La distribucin de Poisson, llamada as en honor a Simen Denis Poisson
probabilista francs que fue el primero en describirla, es el principal modelo de
probabilidad empleado para analizar problemas de lneas de espera, confiabilidad y
control de calidad; como el nmero de personas que llegan a un lugar determinado en
un tiempo definido, los defectos en piezas similares para el material, el nmero de
bacterias en un cultivo, el nmero de goles anotados en un partido de ftbol, el nmero de
fallas de una mquina en una hora o en un da, la cantidad de vehculos que transitan
por una autopista, el nmero de llamadas telefnicas por minuto, etc. Como se puede
observar se trata de hallar la probabilidad de ocurrencia de cualquier nmero por unidad
de medicin (temporal o espacial).
Dado un intervalo de nmeros reales, si ste puede dividirse en subintervalos
suficientemente pequeos, tales que:
1. La probabilidad de ms de un acierto en un subintervalo es cero o
insignificante.
2. La probabilidad de una ocurrencia en un subintervalo es la misma para todos
los subintervalos, y es proporcional a la longitud de estos.
3. El conteo de ocurrencias en cada subintervalo es independiente del de los dems
subintervalos.
4. entonces el experimento aleatorio recibe el nombre de proceso Poisson o flujo
de procesos de Poisson.

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

Un proceso Poisson constituye un mecanismo fsico aleatorio en el cual los eventos


ocurren al azar en una escala de tiempo (o de distancia). Por ejemplo, la ocurrencia de
accidentes en un cruce especfico de una carretera sigue dicho proceso. Cabe recordar
que no es posible predecir con exactitud la cantidad de accidentes que pueden ocurrir
en determinado intervalo de tiempo, pero s el patrn de los accidentes en gran nmero
de dichos intervalos.
Dado un proceso Poisson donde es el nmero promedio de ocurrencias en el intervalo
de nmeros reales donde este se define, la variable aleatoria X
DISTRIBUCIONES DE PROBABILIDAD CONTINUA

DISTRIBUCION UNIFORME
Se dice que una variable X posee una distribucin uniforme en el intervalo [a,b], si su
funcin de densidad es la siguiente:

Con esta ley de probabilidad, la probabilidad de que al hacer un experimento


aleatorio, el valor de X este comprendido en cierto subintervalo de [a,b] depende
nicamente de la longitud del mismo, no de su posicin.

DISTRIBUCIN
ESTANDAR

NORMAL

USO

DE

LA

DISTRIBUCIN

NORMAL

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de


fenmenos se comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando una
campana de Gauss, en torno a un valor central que coincide con el valor medio de la
distribucin:
Figura 3.2
Funcin de densidad de una variable aleatoria de distribucin normal

DISTRIBUCION EXPONENCIAL Y CHI CUADRADO


Distribucin Exponencial
Esta distribucin se utiliza como modelo para la distribucin de tiempos entre la
presentacin de eventos sucesivos. Existe un tipo de variable aleatoria que obedece a una
distribucin exponencial la cul se define como EL TIEMPO QUE OCURRE DESDE
UN INSTANTE DADO HASTA QUE OCURRE EL PRIMER SUCESO.
Se dice que una variable aleatoria continua tiene una distribucin exponencial con
parmetro > 0 si su funcin de densidad es

Trabajo Individual Uniddad 1


Probabilidad: Grupo: 100402A_226 Tutor: Adriana Morales Robayo

Esperanza

valor

esperado:

Varianza:
Funcin de distribucin acumulada es: