Professional Documents
Culture Documents
A ) - LA RESISTENCIA EQUIVALENTE
B ) - LA CORRIENTE QUE CIRCULA POR LA PILA
C ) – LA CORRIENTE QUE CIRCULA POR R1 Y R2
Ejemplo: En una familia de 3 hijos, cuál es la
probabilidad de que haya un varón o menos?
a) Variable aleatoria X=
“Cantidad de varones”
1 3 1
X 1) p(0) p(1)
8 8 2
b) Diagrama de su distribución
de probabilidad
Variable aleatoria general X
Variable aleatoria
Hemos definido una función del espacio muestral en
la recta. Tales funciones X, cuyos valores dependen
del resultado de un experimento aleatorio se
llaman variables aleatorias.
Si toma ciertos valores aislados de un intervalo, es
v.a. discreta, si no continua.
La distribución se puede representar como:
Tabla
Diagrama
Fórmula
Variable aleatorias discretas
Las variables aleatorias discretas son aquellas en
que el número de valores posibles que toman es
finito o infinito, pero que puede numerarse.
Varianza
( x ) p( x)
2 2
Se simplifica como :
2 x 2 p( x) 2
x
Cálculo de la media y la varianza de X= número de varones
DISTRIBUCIÓN BINOMIAL
DISTRIBUCIÓN DE PROBABILIDADES
Ejemplo
a)
b)
Distribución de Poisson
Si X es una variable
Aleatoria Discreta, la
forma de hacer los
cálculos será:
Función de densidad:
Distribución normal
Entonces, al ser la distribución normal una función de densidad, el cálculo de
probabilidades se traduce en determinar el área bajo la curva entre dos
valores; esto es, se integra la función.
Distribución normal
Si varían los parámetros μ y σ se obtiene distribuciones normales diferentes; por
tanto, se tendrá un número infinito de distribuciones, como se muestra en la figura.
Esta distribución tiene media igual a cero y desviación estándar igual a uno.
Es importante señalar que a la variable aleatoria distribuida como una
normal estándar se le llama Z para diferenciarla de la X.
Función de densidad:
La función de densidad para una variable aleatoria Z que se distribuye como
una normal estándar es:
2 E[( X E ( X )) 2 ] E[( X ) 2 ]
X
X 6 7 8
f(x) 0.4 0.4 0.2
E(X)=6*0.4+7*0.4+8*0.2=6.8
Var(X)=(6-6.8)^2*0.4+(7-6.8)^2*0.4+
(8-6.8)^2*0.2=0.56
Transformación lineal Y de una v.a. X
Asimetría
3
1 n
Sesgo ( xi X )
n 1 i 1
Coeficiente de asimetría :
sesgo
3
Distribuciones
FX ( x) P[ X xi ]
x x
Como F(x) representa
i
una probabilidad es
claro que 0≤F(x)≤1 además:
Función de distribución acumulada
a. Limite Fx=0
X→-oo
b. Limite Fx=1
X→+oo
c. Si x1 < x2 entonces Fx(x1) ≤ Fx(x2)
La función acumulada para la variable
aleatoria continua X será:
x
FX ( x) P[ X x] f (h)dh
Distribuciones de variable discreta
(Probability Density Functions)
Distribuciones de variable
continua
Procesos de Bernoulli
P X v n . pv . qn v
v
Coeficientes binomiales:
Distribución Binomial
v 0 v
Ejemplos de variables
binomiales
Consideremos el experimento de lanzamiento de
dos dados:
1 2 3 4 5 6
1 x
2
1
2
f X ( x) e
2
x
Z
Curva campana simétrica
Distribución Normal Standard
Se ve que -como en
cualquier distribución
continua- la
probabilidad de que
P(X=a)=0 para
cualquier a. Luego lo
que se calculan son
áreas (gráfico).
Distribución Normal
Ejemplos
Pr( 1 Z 2)
1 Pr( Z 1) Pr( Z 2)
Pr( Z 2) 0.0228
Pr( Z 1) Pr( Z 1) 0.1587
1 0.1587 0.0228 0.8185
Distribución Normal
Es la más usada de las distribuciones continuas de probabilidad, ya
que es la distribución límite de varios modelos, incluso discretos y
ajusta muy bien a muchas situaciones reales. Su función de densidad
es la siguiente:
1 ( x )
2
2
e
f ( x)
2
Su forma es la conocida campana de Gauss. Una vez que se
especifican la media μ y el desvío estándar σ, la curva normal queda
completamente determinada.
Si una v.a. continua X sigue una distribución Normal con parámetros μ
y σ, lo denotamos como:
X N ( , ) 2
Distribución Normal
q=1-p
Esta variable con distribución geométrica tiene las
siguientes propiedades:
Distribución de Poisson
La función de densidadede k
probabilidad
es: P( X k ) k!
(1)
E(X)=λ Var(X)= λ
La función de distribución acumulada (fda) esta dada
por:
x
e i
F ( x)
i 0 i!
Proceso de Poisson
Considere eventos aleatorios tales como el arribo de aviones a un
aeropuerto, el arribo de barcos a un puerto, el arribo de llamadas
a una central, la falla de máquinas en una fábrica, etc.
Estos eventos pueden ser descriptos por una función de conteo
N(t) definida para todos los t >=0.
Esta función de conteo representará el número de eventos que
ocurrirán en [0,t].
El tiempo cero es el punto en el cual la observación comienza, ya
sea que un arribo ocurra o no en ese instante.
Si los arribos ocurren de acuerdo a un proceso de Poisson, la
probabilidad de que N(t)=n es:
(2)e t ( t ) n
P( N (t ) n)
n!
Función de Densidad
e k e t ( t ) n
P( X k ) P( N (t ) n)
k! n!
Si comparamos la ecuación (1) con (2) vemos que N(t)
tiene una distribución de Poisson con parámetro α=λt,
por lo tanto su media y su varianza son:
E[N(t)] = α = λt = V[N(t)]
Distribución uniforme
Es aquella que puede tomar cualquier valor dentro de un intervalo,
todos ellos con la misma probabilidad.
Una variable aleatoria X esta uniformemente distribuida en el
intervalo (a,b) si su función es la siguiente:
1 ,a x b
f ( x) b a
0, otro
1 ,a x b
f ( x) b a
0, otro
Distribución triangular
2( x a ) f(x)
(b a )(c a) a xb
2(c x)
f ( x) bxc
(c b)(c a)
0, otro
a b c x
La esperanza es:
0, xa
abc ( x a) 2
E( X ) a xb
3 (b a )(c a )
F ( x)
1 ( c x ) 2
bxc
(c b)(c a )
1 xc
Distribución Exponencial
Esta distribución ha sido usada para modelar tiempos
entre arribos cuando los arribos son totalmente
aleatorios (ver relación con Poisson).
Su función de densidad de probabilidad esta dada por:
e x x 0
f ( x)
0 otro
0 x0
x
F ( x) e t dt 1 e t
0
x0
Distribución Exponencial
Distribución chi-cuadrado
La distribución no es
simétrica
K=1
Es sesgada a la derecha
K=4
Para valores grandes de
k la distribución se
acerca a la distribución
normal
Lectura obligatoria