Академический Документы
Профессиональный Документы
Культура Документы
VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la
duración de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante.
VARIABLE ALEATORIA: Es una función que asocia un número real a cada elemento del espacio
muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos
cuantitativos discretos y son respuestas numéricas que resultan de un proceso de conteo.
Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos
valores cualesquiera; ésta puede asumir infinito número de valores y éstos se pueden medir.
DISTRIBUCIONES
Discretas
x1 x2 xn x
Distribuciones
P(x)
Continuas
x1 xn x
Distribuciones discretas. Son aquellas donde las variables asumen un número limitado de valores,
por ejemplo el número de años de estudio.
Binomial
Discretas Hipergeométrica
Multinomial
Poisson
Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier
valor dentro de determinados límites; por ejemplo, la estatura de un estudiante.
Uniforme
Continuas Exponencial
Normal
Una distribución de frecuencias es un listado de las frecuencias observadas de todos los resultados
de un experimento que, en realidad se han presentado cuando se lleva a cabo un experimento; en
cambio, una distribución de probabilidad es un listado de las probabilidades de todos los resultados
posibles que podrían presentarse si se efectuara el experimento.
Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen
lo que se conoce como DISTRIBUCIÓN DE PROBABILIDAD, la cual puede ser representada
mediante una función matemática, una gráfica o una tabla de valores. La diferencia consiste en que la
función matemática se transforma en una función probabilística.
S E0 E1 ... En
X x0 x1 ... xn
P(X) p(x0) p(x1) ... p(xn)
Dados los eventos E1, E2, ..., En ⊂ S, se dice que x es una variable aleatoria, si a cada valor de xi que
asume cada Ei, se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones:
a) La probabilidad para todo valor que asuma la variable aleatoria xi, será mayor o igual a cero
pero menor que uno.
0 ≤ P(xi) ≤ 1 ∀ xi
b) La suma de todas las probabilidades asociadas a todos los valores que toma la variable x, es
igual a la unidad.
n
∑ P(x i ) = 1
1
∝
∫ P(x i )dx =1
−∝
P(X)
1
2
1
4
X
0 1 2
1.- Una relación teórica de resultados y probabilidades que se puede obtener de un modelo
matemático y que representa algún fenómeno de interés.
2.- Una relación empírica de resultados y sus frecuencias relativas observadas.
3.- Una relación subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales
que representan el grado de convicción del encargado en tomar decisiones sobre la probabilidad
de posibles resultados.
Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia
bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables.
Existen varios modelos matemáticos que representan diversos fenómenos discretos de la vida real.
UNIFORME DISCRETA
Si la variable aleatoria X asume valores de X1, X2, ..., Xk con iguales probabilidades, entonces la
distribución uniforme es:
1
f (x, k ) =
k
P(x)
x1 x2 xk
k
∑ xi
i =1
µ=
k
k
∑ (x i − µ )2
σ 2 = i =1
k
La distribucióin de probabilidad del lanzamiento de un dado es:
S = {1, 2, 3, 4, 5, 6}
1
P (x = 1, 2, ..., 6) =
6
1+ 2 + 3+ 4 + 5 + 6
µ= = 3 .5
6
LA DISTRIBUCION BINOMIAL
Esta distribución fue elaborada por Jacobo Bernoulli y es aplicable a un gran número de problemas
de carácter económico y en numerosas aplicaciones como:
- Juegos de azar.
- Control de calidad de un producto.
- En educación.
- En las finanzas.
La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos
independientes está dado por la fórmula binomial:
n
P (x, n, p) = p x qn - x
x
Si se lanza 4 veces una moneda, calcular el evento "Número de águilas que caen."
datos:
n = 4 ensayos.
1
p = probabilidad de éxito en un ensayo.
2
1 1
q = 1 - p = 1− =
2 2
x = 0, 1, 2, 3, 4
S = {lanzar 4 veces la moneda}
A = {número de águilas que caen}
0 4
1 4 1 1 1
P (E0) = P 0,4, = =
2 0 2 2 16
1 3
1 4 1 1 4
P (E1) = P1,4, = =
2 1 2 2 16
2 2
1 4 1 1 6
P (E 2 ) = P 2,4, = =
2 2 2 2 16
3 1
1 4 1 1 4
P (E3) = P 3,4, = =
2 3 2 2 16
µ = np
σ 2 = npq
σ= npq
µ = Media
σ2 = Varianza
σ = Desviación estándar
DISTRIBUCIÓN MULTINOMIAL
Ocurre cuando en el experimento binomial cada intento tiene más de dos resultados posibles.
Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribución de probabilidad de las
variables aleatorias k1, k2, ..., kn que representan el número de ocurrencias de E1, E2, ..., En en n
intentos independientes es:
n! k kn
P(n, k 1 , k 2 , K , k n ) = p 1 1 p k2
2 K pn
k 1!k 2! K k n!
Calcular la probabilidad de obtener dos veces el número 4, dos veces el número 5 y una vez el
número 2, en el lanzamiento de un dado 5 veces.
2 2 1
5! 1 1 1
P(5, 2, 2, 1) = = 0.00385
2!2!1! 6 6 6
LA DISTRIBUCIÓN HIPERGEOMÉTRICA
Es decir la distribución hipergeométrica se emplea para muestreos sin reemplazo de una población finita
cuya probabilidad de ocurrencia cambia a lo largo del ensayo.
M N − M
x x − n
P(x, N, M, n) =
N
n
E E’
M N-M
N
x n-x n
donde:
N = El tamaño de espacio muestral S
n = El número de ensayos
M = El número de éxitos en el espacio muestral
N-M = Número de fracasos del espacio muestral
x = Número de éxitos en la muestra
n-x = Número de fracasos de la muestra.
Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y
8 son mujeres, calcular " El número de hombres contratados."
E E’
M=5 N-M = 8
N = 13
desarrollando
N = 13 total de aspirantes
M = 5 aspirantes hombres
N-M = 8 aspirantes mujer
n = 2 vacantes totales
x = 0,1,2 hombres posibles a contratar
n-x = 2,1,0 mujeres posibles a contratar
5 8
0 2 28
P(E0) = P(0,13,5,2) = = = 0.3588 = 35.88%
13 78
2
5 8
1 1 40
P(E1) = P(1,13,5,2) = = = 0.5128 = 51.28%
13 78
2
5 8
2 0 10
P(E2) = P (2,13,5,2) = = = 0.1282 = 12.82%
13 78
2
nM(N − M)(N − n)
σ2 =
N 2 (N − 1)
σ= σ2
µ = Media
σ2 = Varianza
σ = Desviación estándar
(2)(5)(13 − 5)(13 − 2)
σ2 = = 0.4339
(13) 2 (13 − 1)
σ= 0.4339 = 0.6587
Si N resultados pueden dividirse en la k celdas N1, N2, ..., Nk con k1 ,k2, ..., kn elementos
respectivamente, entonces la distribución de probabilidad representa el número de elementos
selecionados, en una muestra aleatoria de tamaño n, es:
N 1 N 2 N n
K
k 1 k 2 k n
P(n; k 1, k 2 , K , k n ) =
N
n
N1 = 3 N2 = 5 N3 = 4 N = 12
k1 = 2 k2 = 4 k3 = 4 n=7
3 5 4
2 4 1
P(7;2,4,1) = = 0.0758
12
7
DISTRIBUCIÓN DE POISSON
Esta función de distribución de variable discreta se emplea para calcular las probabilidades asociadas a
la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente
una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc.
Algunos de los problemas que presentan como un fenómeno con distribución de Poisson son:
A este tipo de problemas se les conoce el número de éxitos x obtenidos por unidad de medida en n
ensayos; pero es totalmente imposible conocer el número de fracasos (n - x).
λ x e -λ
P(E) = P(x, λ ) =
x!
donde:
n = Número de ensayos
x = Número de éxitos esperados en n ensayos
e = 2.71828...
λ = n p = Constante igual al número de éxitos promedio por unidad de medida
p = Probabilidad constante durante el proceso igual al número de éxitos promedio por unidad de
medida.
Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. ¿Cuál es la
probabilidad de que en una hora tomada al azar reciba?
a) Ninguna llamada.
b) Exactamente 3 llamadas.
c) No más de 3 llamadas.
a) Ninguna llamada. x = 0
5 0 e .5
P (E 0 ) = P (0,5) = = 0.00674963
0!
b) Exactamente 3 llamadas: x = 3
5 3 e .5
P (E 3 ) = P (3,5) = = 0.1404
3!
c) No más de 3 llamadas: x < 4
µ = Media
σ2 = Varianza
σ = Desviación estándar