Академический Документы
Профессиональный Документы
Культура Документы
Variable aleatoria.
Es una descripcin numrica del resultado de un experimento.
Un modo de determinar si una variable aleatoria es discreta o continua es imaginar los valores de la variable aleatoria como puntos sobre un segmento de la recta. Elegir dos puntos que representen valores de la variable aleatoria. Si todo el segmento de la recta entre esos dos puntos representa tambin valores posibles para la variable aleatoria, entonces la variable aleatoria es continua.
f(x) 0 f(x) = 1
Ejemplo: Una concesionaria de autos vende durante los ltimos 300 das. Los datos muestran que durante 54 das no se vendi ningn automvil, 117 das en los que vendi 1 automvil por da, 72 das en los que vendi 2 autos, 42 das en los que vendieron 3 autos, 12 das en los vendieron 4 automviles y 3 das en los que vendieron 5 automviles. Definimos la variable aleatoria como x= nmero de autos vendidos en un da, de acuerdo a los datos del pasado se sabe que x es una variable aleatoria discreta que puede tomar los valores 0, 1, 2, 3, 4 o 5. En la notacin de funciones de probabilidad f(0) da la probabilidad de vender 0 automviles. Y as sucesivamente con las otras. La probabilidad de vender en un da 0 automvil es = 54/300 = 0,18, se arma una tabla y se asignan las probabilidades. x f(x) 0 0,18 1 0,39 2 0,24 3 0,14 4 0,04 5 0,01 Total 1 Se observa las probabilidades de la variable aleatoria x satisfacen las condiciones requeridas para un funcin de probabilidad o sea que f(x) sea igual o mayor a 0 y la suma de las probabilidades sean iguales a 1.
Se pueden representar grficamente, en el eje horizontal los valores de la variable aleatoria x y en el eje vertical aparecen las probabilidades correspondientes a estos valores.
DISTRIBUCION DE PROBABILIDAES DISCRETAS
Probabilidad de ventas diarias 0,5 0,4 0,3 0,2 0,1 0 0 1 2 3 4 5 Ventas diarias
Adems de tablas y grficos, para describir las funciones de probabilidad se suele usar una frmula que da el valor de la funcin de probabilidad f (x), para cada valor de x.
FUNCIN DE PROBABILIDAD UNIFORME DISCRETA
f(x) = 1 / n
n = nmeros de valores que puede tomar la variable aleatoria
Ejemplo. Si en el experimento que consiste en lanzar un dado se define una variable aleatoria x como el nmero de puntos en al cara del dado que cae hacia arriba. En este experimento la variable aleatoria toma n = 6; x = 1, 2, 3, 4, 5, 6; la funcin de probabilidad de esta variable aleatoria uniforme discreta es f(x) = 1/ 6 x= 1, 2, 3, 4, 5, 6 x 1 2 3 4 5 6 f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Las funciones de probabilidad discreta ms empleadas suelen especificarse mediante frmulas. Las principales son: Distribucin binomial Distribucin de Poisson Distribucin hipergeomtrica
Valor esperado
El valor esperado o media de una variable aleatoria es una medida de la localizacin central de la variable aleatoria.
VALOR ESPERADO DE UNA VARIABLE ALEATORIA DISCRETA
E(x) = =
x. f (x)
La ecuacin indica que para calcular el valor esperado de una variable aleatoria discreta se multiplica cada valor de la variable aleatoria por su probabilidad correspondiente f (x). Volviendo al ejemplo de las ventas de autos, tenemos: x 0 1 2 3 4 5 E(x) = = f(x) 0,18 0,39 0,24 0,14 0,04 0,01 x . f(x) 0. (0,18)= 0,00 1. (0,39)= 0,39 2. (0,24)= 0,48 3. (0,14)= 0,42 4. (0,04)= 0,16 5. (0,01)= 0,05 1,50
x. f(x) = 1,50
Indica que el valor esperado es de 1,50 automviles por da. Si en el mes hay 30 das podemos pronosticar que las ventas promedio mensuales sern de 30 (1,50) = 45 autos.
Varianza
Medida de variabilidad o dispersin su utiliza para resumir la variabilidad en los valores de la variable aleatoria.
VARIANZA DE UNA VARIABLE ALEATORIA DISCRETA
Var(x) =
(x - )2 f(x)
Para el caso de venta de autos, la varianza es la siguiente: x 0 1 2 3 4 5 x- 0 1,50 = 1 - 1,50 = 2 1,50 = 3 - 1,50= 4 - 1,50= 5 - 1,50= -1,50 -0,50 0,50 1,50 2,50 3,50 (x - )2 2,25 0,25 0,25 2,25 6,25 12,25 f(x) 0,18 0,39 0,24 0,14 0,04 0,001 (x - )2 f(x) 2,25 (0,189= 0,4050 0,25 (0,39)=0,0975 0,25 (0,24)= 0,0600 2,25 (0,14)= 0,3150 6,25 (0,04)= 0,2500 12,25 (0,01)= 0,1225 1,2500
(x - )2 f(x) = 1,2500
La desviacin estndar
DESVIACIN ESTANDAR
=2
= 1,25 = 1,1180
A la distribucin de probabilidad correspondiente a esta variable aleatoria se la llama distribucin de probabilidad binomial. Ejemplo: lanzar una moneda cinco veces y observar si la cara de la moneda cae hacia arriba o hacia abajo (ceca). Si analizamos si cumple con las propiedades de un experimento binomial y cul es la variable aleatoria? Tenemos: a) El experimento consiste en cinco ensayos idnticos, cada ensayo es lanzar una moneda. b) En cada ensayo hay dos resultados posibles: cara o ceca. Se puede considerar cara como xito y ceca como fracaso. c) La probabilidad de xito y la probabilidad de fracaso son iguales en todos los ensayos, siendo p= 0,5 y 1-p = 0,5. d) Los ensayos o lanzamientos son independientes porque al resultado de un ensayo no lo afecta que pasa en los siguientes lanzamientos. Por lo tanto, se satisfacen las propiedades de un experimento binomial. La variable aleatoria que interesa es x = nmeros de caras que aparecen en cinco lanzamientos. En este caso x puede tomar los valores 0, 1, 2, 3, 4, 5. Otro ejemplo: Consideremos las decisiones de compra de los prximos 3 clientes de un negocio de venta de ropas. De acuerdo con la experiencia, el gerente del local estima que la probabilidad que un cliente realice una compra es = 0,30. Cul es la probabilidad que 2 de los prximos 3 clientes realice una compra? Entonces se verifican primero las propiedades del experimento binomial: a) Es posible describir el experimento como una serie de tres ensayos idnticos, un ensayo por cada uno de los clientes que llegan al local. b) Cada ensayo tiene dos posibles resultados: el cliente hace una compra (xito) o el cliente no hace ninguna compra (fracaso). c) La probabilidad que el cliente haga una compra (0,30) o que no haga ninguna compra (0,70) se supone que es la misma para todos los clientes. d) La decisin de comprar de cada cliente es independiente de la decisin de comprar de los otros clientes. Podemos realizar un diagrama de rbol de experimento para observar a los tres clientes para ver si cada uno de ellos decide realizar una compra, tiene ocho posibles resultados. Denotamos con E como xito (compra) y F fracaso (no compra), lo que interesa son los resultados experimentales en los que haya 2 xitos (decisiones de compra) en los tres ensayos.
Diagrama de arbol
Primer Cliente Segundo Cliente Tercer Cliente Resultado Experimental Valor de x
E E F E F E F F E F F E F E
(E; E; E)
(E; E; F) (E; F; E)
2 2
(E; F; F) (F; E; E)
1 2
F; E; F) (F; F; E)
1 1
(F; F; F)
El diagrama nos indica en los resultados experimentales que hay dos compra, elnero de maneras posibles x=2 xitos en n= 3 ensayos.
f(x)
0 1
3! 0! 3! 3! 1! 2!
2 3
3! 2! 1! 3! 3! 0!
Total
1,000
Representacin grfica
Distribucin Probabilidad Binomial
0,5 0,45 0,4 Probabilidad 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0 1 2 3 Nmero de cliente s que hacen una compra
La funcin de probabilidad binomial es aplicable a cualquier experimento binomial. Si encuentra que una situacin presenta las propiedades de un experimento binomial y conoce los valores de n y p se usa la ecuacin para calcular la probabilidad de x xitos en n ensayos.
f(4) = 10! (0,30)4 (0,70)6 = 0,2001 4!6! Por la tabla se comienza a buscar por la n= 10 ; luego se identifica la x= 4; se sigue el rengln hasta hallar la p= 0,30 y el resultado nos da 0,2001.
Otro ejemplo: n= 20 x = 0, 1, 2 p= 0,10 f(x 2) = f(0) + f(1) + f(2) = 0,1216 + 0,2702 + 0.2852 = 0,6670
E (x) =
n.p
Continuando con el ejemplo del local de ropa el gerente pronostica para el prximo mes que 1000 clientes visitaran el negocio. Cul es el nmero esperado de clientes que harn una compra? Aplicando la formula del valor esperado sera.
= n. p (1 p)
Desvo estndar =
Para los prximos 1000 clientes que visiten el local de venta la varianza y el desvo estndar ser de:
= 14,49
Estudia a una variable aleatoria discreta que se suele utilizar para estimar el nmero de veces que sucede un hecho determinado (ocurrencias) en un intervalo de tiempo o de espacio.
x e-
x!
El nmero de ocurrencias x, no tiene limite superior, es una variable discreta que toma los valores de una sucesin infinita de nmeros (x=0, 1, 2; .) Ejemplo. Suponga que desea saber el nmero de personas que llegan en un lapso de 15 minutos al cajero automtico de un banco, en un anlisis de datos pasados se establece que el nmero promedio de personas que llegan en un lapso 15 minutos es de 10 personas. Verificada el cumplimiento de las propiedades. Y la administracin quiere saber la probabilidad que lleguen exactamente 5 personas en 15 minutos, x = 5 y se obtiene: f (5) = 105 e- 10 = 0,0378 5!
= 10
x=5
Suponga que desea calcular la probabilidad que llegue 1 persona en un lapso de 3 minutos. Entonces es la siguiente, como 10 personas es el nmero esperado de llegada en 15 minutos debemos realizar lo siguiente 10 /15 = 2/3 es el nmero esperado de personas en un lapso de 1 minuto. Entonces debemos multiplicar 2/3 (3) = 2 es el nmero esperado en 3 minutos. Por consiguiente la probabilidad de llegadas x en un lapso de 3 minutos con = 2, est dada por siguiente funcin de probabilidad de Poisson. f(x) = 2x e-2 = f(1)= 2 e 2 = 0,2707 x! 1!
Las funciones de probabilidad correspondientes a una variable aleatoria continua reciben el nombre de funciones de densidad de probabilidad o simplemente funciones de densidad. Si en un experimento puede dar lugar a un nmero infinito y no enumerable de resultados, estamos frente a una variable aleatoria continua. Cuando el valor de una variable aleatoria se mide y no se cuenta queda definida como una variable aleatoria continua.
Ejemplos: Nivel de agua en un lago La presin en una caldera La distancia entre dos puntos Temperaturas
La cantidad de gramos en una caja de cereales El tiempo de vuelo entre dos ciudades.
El valor de la variable puede ser cualquiera de los infinitos nmeros pertenecientes a un intervalo definido. Puede tomar cualquier valor entre dos lmites.
Ejemplo: Considere una variable aleatoria x que represente el tiempo de vuelo de un avin que viaja de Bs.As. a San Pablo. Suponga que el tiempo de vuelo es cualquier valor en el intervalo de 120 minutos a 140 minutos. Dado que la variable aleatoria x toma cualquier valor en este intervalo, x es una variable aleatoria continua y no una variable aleatoria discreta. Se admite que la probabilidad es la misma para todos los intervalos de 1 minuto dentro del mismo intervalo de tiempo, entonces se dice que tiene una distribucin de probabilidad uniforme. La funcin densidad es la siguiente:
f(x)
1/20
1/20
10
Dada la distribucin uniforme del tiempo de vuelo y usando la interpretacin de rea como probabilidad es posible contestar cualquier pregunta acerca de la probabilidad de los tiempos de vuelo. Cul es la probabilidad de un tiempo de vuelo entre 128 y 136 minutos? Ancho del intervalo es: 136 -128 = 8 Altura uniforme es 1/ 20 Entonces es 8 (1/20) = 0,40
Observe P (120 x 140) = 20 (1/20) = 1; es decir que el rea total bajo la grafica de f(x) es iguala 1. Propiedades de las funciones de densidad. f(x) 0; la funcin densidad nunca es negativa P ( x + ) = 1 ; el rea total bajo la funcin de densidad siempre es igual a 1
CURVA NORMAL
Funcin de densidad de probabilidad normal f(x) = = media = desviacin estndar = 3,14159 e = 2,71828 1
2
e-(x-)2 / 22
Las principales caractersticas de las distribucin normal son. Toda distribucin normal se diferencia por medio de dos parmetros la media y la desviacin estndar . El punto ms alto de una curva normal se encuentra sobre la media , la cual coincide con la mediana y la moda. La media de una distribucin normal positivo o cero. puede tener cualquier valor: negativo,
La distribucin normal es simtrica. Las colas de la curva normal se extienden al infinito en ambas direcciones y en teora jams tocan el eje horizontal. Dado que es simtrica la distribucin normal no es sesgada: su sesgo es =0. La desviacin estndar determina que tan plana y ancha es la curva. Desviaciones estndar grandes corresponden a curvas ms planas, lo cual indica mayor variabilidad en los datos.
Las probabilidades correspondientes a la variable aleatoria normal se dan mediante reas bajo la curva. Toda el rea bajo la curva de una distribucin normal es 1. Como esta distribucin es simtrica, el rea bajo la curva y a la izquierda de la media es 0,50 y el rea bajo la curva y a la derecha es 0,50. Los porcentajes de los valores que se encuentran en algunos intervalos comnmente usados son: +- 1 = 68,2% de los valores de una variable aleatoria normal. +- 2 = 95,4% de los valores de una variable aleatoria normal. +- 3 = 99,7 % de los valores de una variable aleatoria normal.
Una variable aleatoria que tiene una distribucin normal con una media igual a 0 y desviacin estndar igual a 1, tiene una distribucin normal estndar. Para designar esa variable normal se suele usar la letra z =0 =1 FUNCION DE DENSIDAD NORMAL ESTANDAR f(z) = 1
2
e z2/ 2
Como ocurre con otras variables aleatorias continuas, los clculos de la probabilidad se hacen calculando el rea bajo la curva de la funcin de densidad de probabilidad. Para la distribucin normal estndar ya se encuentran calculadas las reas bajo la curva normal y se cuentan con tablas que dan esas reas y que se usan para calcular las probabilidades. Conversin a la variable aleatoria normal estndar
Z=
x-
1) Convertimos el problema en otro equivalente con una variable medida en unidades de desviacin estndar que recibe el nombre de variable normal estandarizada 2) Se usa la tabla para tener respuesta al problema transformado. 3) Finalmente volviendo a las unidades originales de medida de x, podemos obtener la respuesta al problema original.
=0y =1
Ejemplo: = 10 = 2 Cul es la probabilidad de que la variable aleatoria x est entre 10 y 14? Z= 10 10 = 0 2 y Z= 14 -10 = 2 2 = 0,4772. Por lo tanto la
P ( 0 z 2 ) = P ( z 2 ) - P( z 0 ) = 0,9772 0,5000 probabilidad que este x entre 10 y 14 es de 0,4772. E(z) = E ( x- ) = 0 V(z)= V ( x- ) = 1 Si nos dan z y hay que hallar x es igual a: x= Z. + Si hay que halar es igual a: =Z. -x Aproximacin normal de las probabilidades binomiales. Se utiliza la aproximacin normal cuando tienen. 1) La misma media = n . p 2) Misma varianza 2 = n. p .(1-p)
3) Se usa cuando los numero de observaciones tienden a infinito o sea cuando n es grande en estas condiciones aseguran que la distribucin normal permitir obtener una aproximacin razonablemente buena de la binomial una buena aproximacin se la considera cuando:
A medida que aumenta el tamao tiende al formato de la distribucin normal. Ejemplo: Suponga que una empresa sabe por la experiencia que 10% de sus facturas tienen algn error. Toma una muestra de 100 facturas y desea calcular la probabilidad de que 12 de estas facturas contengan algn error. Es decir, quiere hallar la probabilidad binomial de 12 xitos en 100 ensayos. Aplicando la aproximacin normal a este caso se tiene = n.p = (100)(0,1) = 10 y = np (1 p ) = (100 )( 0,1)( 0,9) =3
= 10 y = 3
Se debe aplicar un factor de correccin de continuidad o sea que se lo trata como un intervalo 11,5 y 12,5. Entonces de una distribucin binomial discreta se aproxima a P( 11 ,5 x 12 ,5 ) en la distribucin normal continua. Z = x- = 12,5 10,0 = 0,83 3 Z = x- = 11,5 10,0 = 0,50 3 P( 11 ,5 x 12 ,5 ) = 0,7967 0,6915 = 0,1052