Tarea Semana 5

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 19

INSTITUTO TECNOLÓGICO DE CIUDAD JUÁREZ

PROBABILIDAD Y ESTADISTICA
UNIDAD III. TAREA DE INVESTIGACIÓN
NATALIA AGUIRRE SOSA (No. CONTROL: 24110295)
ING. INDUSTRIAL EAD
PROFESOR: RUBEN FAVILA MIRANDA
SABADO DE 2:00 A 4:00 PM
3.1 VARIABLES ALEATORIAS DISCRETAS:
3.1.1. DISTRIBUCION DE PROBABILIDAD EN FORMA GENERAL
La distribución de probabilidad es una herramienta fundamental para la prospectiva,
puesto que con ella es posible diseñar un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenómenos.
Las características más importantes a considerar en una distribución de probabilidad
son:
 La probabilidad de un resultado específico está entre cero y uno.
 La suma de las probabilidades de todos los resultados mutuamente excluyentes
es 1.
Toda distribución de probabilidad se genera por una variable (debido a que puede
tomar diferentes valores) aleatoria x (porque el valor que se toma es completamente al
azar), y puede ser de dos tipos:
1. Variable aleatoria discreta (x)
Solo puede tomar valores representados por números enteros y un número finito de
ellos. Por ejemplo:
X variable que nos define el número de alumnos aprobados en el curso de historia
universal en un grupo de 30 alumnos (1, 2 ,3 y así sucesivamente ó los 30).
2. Propiedades de una variable aleatoria discreta (X)
Las probabilidades que se relacionan con cada uno de los valores que toma x deben
ser mayores o iguales a cero y menores o iguales a 1:
P (xi) < 1
La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x
debe ser igual a 1:
E p (xi) = 1
Ejemplo de variable aleatoria discreta:
Al lanzar una moneda se puede obtener solo dos resultados: cara (50%) o sello (50%).
En la siguiente tabla vemos los posibles resultados de lanzar dos veces una moneda:

Si realizamos la tabla de distribución del número posible de caras que se obtiene al


lanzar una moneda dos veces, obtendremos:

3.1.2. VALOR ESPERADO


Se trata de un número que nos indica el valor promedio que se espera obtener de una
variable aleatoria a largo plazo. En otras palabras, si repetimos un experimento
aleatorio muchas veces, la esperanza matemática nos dice cuál será el resultado
promedio.

Imagina que lanzas una moneda al aire 100 veces. La esperanza matemática nos dice
que, aproximadamente, la mitad de las veces saldrá cara y la otra mitad cruz. Aunque
en cada lanzamiento individual no podemos saber el resultado, la esperanza
matemática nos da una idea del comportamiento general a largo plazo.
Esto es útil en diversas áreas, como la toma de decisiones financieras, la planificación
de seguros o el análisis de datos científicos.

Se calcula utilizando la probabilidad de cada suceso. La fórmula que formaliza este


cálculo se enuncia como sigue:

Dónde:

 X = valor del suceso.


 P = Probabilidad de que ocurra.
 i = Periodo en el que se da dicho suceso.
 N = Número total de periodos u observaciones.

Ejemplo:

Imaginemos una moneda. Dos caras, cara y cruz. ¿Cuál 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 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.

Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos que la
moneda es perfecta.

Tiradas y resultado:

1. Cara.

2. Cruz.

3. Cruz.
4. Cara.

5. Cruz.

6. Cara.

7. Cara.

8. Cara.

9. Cruz.

10. Cruz.

¿Cuántas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas 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 ese 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.

3.1.3. VARIANZA, DESVIACION ESTANDAR

La varianza y la desviación estándar son medidas de dispersión o variabilidad, es decir,


indican la dispersión o separación de un conjunto de datos. Hay que tener en cuenta
que las fórmulas de la varianza y la desviación estándar son diferentes para una
muestra que para una población.
Ejemplo:

Calcular la varianza y la desviación estándar de los siguientes datos: 2, 4, 6 y 8


sabiendo que corresponden a una población.

Solución:
Nos indican que estos datos forman una población, por lo tanto, usaremos las fórmulas
de varianza y desviación estándar para la población, teniendo en cuenta que tenemos 4
datos, es decir, N = 4.

Empezamos calculando la media poblacional:

Ahora calculamos la varianza poblacional:

El valor de la varianza poblacional, es de 5.

Ahora calculamos la desviación estándar, teniendo en cuenta que es la raíz cuadrada


de la varianza.
3.1.4. FUNCION ACUMULADA

La función de distribución acumulativa es la función que para un valor x, nos da la


probabilidad de que la variable aleatoria sea menor o igual que dicho valor x. A la
función de distribución acumulativa la denominamos F(x).

Sea X una variable aleatoria continua con función de densidad de probabilidad f(x). La
función de distribución acumulativa de X es la función:

De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x.


Recordemos que cuando trabajamos con la función de densidad, área es probabilidad.

Además, tenemos algunas fórmulas interesantes que nos servirán para resolver los
problemas.

La siguiente fórmula nos permite pasar de la función de distribución acumulativa a la


función de densidad de probabilidad:

Recuerda también que, al ser una función acumulativa, esta no puede ser decreciente.

Ejemplo:

La variable aleatoria continua X tiene la siguiente función de densidad:


Definir y graficar la función de distribución acumulativa de X.

Solución:

Iniciamos graficando la función de densidad para no meternos en problemas.

Como se ve en la gráfica, la curva de densidad tiene 3 tramos bien marcados. Vamos a


calcular el valor de F(x) en cada uno de los tramos empleando la siguiente fórmula:

Vuelvo a colocar la colocar la misma función de densidad f(x), pero esta vez como f(t),
es lo mismo, no te preocupes.

Partimos con el primer tramo:


Parte 1: si x > 4

Parte 2: si 0 ≤ x ≤ 4

Parte 3: si x > 4
Finalmente, definimos F(x).

Terminamos con la gráfica de F(x).


3.2. VARIABLES ALEATORIAS CONTINUAS:

3.2.1. DISTRIBUCION DE PROBABILIDAD EN FORMA GENERAL

Una variable aleatoria continua, es aquella que puede asumir un número incontable de
valores.

Ejemplo:

si vamos a una agencia del banco y registramos los datos de atención a los clientes,
podemos definir la variable aleatoria D:

D = tiempo de atención a los clientes del banco (en segundos).

Un cliente puede ser atentido en 24,123 s; otro cliente en 72,32142 s; otro en


51,123123 s. Si seguimos tomando más clientes, tendríamos más valores. Se conoce
además que el tiempo mínimo de atención en ventanilla es de 1 s y el tiempo máximo
es de 240 s.

Y así, tendríamos un número incontable de valores para el rango de esta variable. El


rango de esta variable puede ser cualquier valor dentro del intervalo que va desde 1 s
hasta 240 s. Por ello, se trata de una variable aleatoria continua.

3.2.2. VALOR ESPERADO

La media, llamada también valor esperado o esperanza, se denota con μ o E(X) y su


fórmula es:
3.2.3. VARIANZA Y DESVIACION ESTANDAR

VARIANZA

Es una medida de dispersión, se representa con σ2 o V(X) y su fórmula es:

Una fórmula alternativa y mucho más rápida es la siguiente:

DESVIACION ESTANDAR

Es una medida de dispersión. Se representa con σ y se calcula teniendo en cuenta que


es la raíz cuadrada (positiva) de la varianza:

La varianza y la desviación estándar dan medidas cuantitativas de cuánta dispersión


hay en la distribución o población de valores x.

Ejemplo:

La variable aleatoria continua X tiene la siguiente función de densidad de probabilidad:


Calcular el valor esperado, la varianza y la desviación estándar.

Solución:

Empezaremos graficando esta función de densidad de probabilidad. Yo lo haré con


ayuda de GeoGebra, pero puedes hacerlo manualmente.

Ten en cuenta que la función de densidad obtenida, tiene 3 tramos.

Ahora sí, calculamos la media o valor esperado:

Como la función tiene 3 tramos, expresaremos la integral original como la suma de 3


integrales:
Luego, calcularemos la varianza. Es mejor usar la fórmula alternativa:
Terminamos con la desviación estándar, que es la raíz cuadrada positiva de la
varianza:
3.2.4. FUNCION ACUMULADA

La definición de F(x) es la misma para variables aleatorias discretas o continuas, pero


los cálculos para el caso continuo utilizan la integración en vez de las sumatorias.

La función de distribución acumulada F(x) es una función continua para todo x en los
reales.

Geométricamente, F(x) es el área bajo la gráfica de su correspondiente función de


densidad f(x) a la izquierda de x. De esta forma, para la función de densidad
exponencial

La función de distribución acumulada F(x), gráficamente, es:


Así, si en la gráfica anterior x = 2.75, entonces F(X = 2.75) = F(2.75) = P(X ≤ 2.75) ,
que resulta

La función F(x) es creciente, continua y ya que da la probabilidad hasta cierto valor x,


es positiva. Para la función de densidad f(x)= e−x, la función de distribución F(x) es:

Al graficar la función de Distribución acumulativa F(x)= 1 − e−x, que corresponde a la


función de densidad f(x)= e−x, resulta:
Y así mismo al calcular F(2.75) = 1 − e−2.75 = 0.9361, como en el caso anterior, pero
ahora se podría leer directamente de la última figura con x = 2.75 en el eje x y el valor
correspondiente de F(2.75) = 0.9361 sobre el eje vertical. O como se muestra en la
siguiente figura para F(3) que corresponde a un valor de 0.95

Propiedades de la Función de Distribución Acumulada

a) 0 ≤ F(t) ≤ 1

b) F'(t) = f(t).

c) F(t) es una función Creciente, así si a < b entonces F(a) ≤ F(b)

d) F'(t) = f(t).

e) F(t) → 0 en cuanto t → −∞ y F(t) → 1 en cuanto t → ∞

f) P(a < X ≤ b) = F(b) − F(a).


3.2.5. CALCULOS DE PROBABILIDAD

El cálculo de probabilidades es el estudio de cómo se determina la posibilidad de


ocurrencia de un suceso. Esto, cuando tiene injerencia el azar.

Es decir, mediante el cálculo de las probabilidades, se usan herramientas matemáticas


para hallar qué tan factible es que suceda un evento. Esto, en el marco de ciertas
condiciones.

El cálculo de probabilidades forma parte de la teoría de la probabilidad. Esta es aquella


área de las matemáticas y la estadística que engloba todos los conocimientos relativos
a la probabilidad. Dicho análisis es aplicado, por ejemplo, en los juegos de azar; como
el póker.

La fórmula básica para el cálculo de probabilidades que debemos tener en cuenta es la


siguiente:

Número de casos favorables/Número total de casos posibles

Con esta fórmula podemos realizar todos los cálculos que queramos, desde los más
simples hasta los más complejos.

Ejemplo:

Supongamos que voy a lanzar un dado y deseo saber la probabilidad de obtener como
resultado un múltiplo de tres:

 Casos favorables: 3,6 : Dos casos.

 Casos posibles: 1,2,3,4,5,6 : Seis casos.

Por tanto, la probabilidad sería: 2/6= 1/3= 0,3333= 33,33%

También podría gustarte