Академический Документы
Профессиональный Документы
Культура Документы
INTRODUCCION
Una variable es aquella la cual cambia de valor dentro de un programa o de
una operacin.
Por ejemplo si hay una campaa en un centro medico de cualquier poblado,
sobre paternidad responsable a un grupo de mujeres. Una vez finalizada la
charla se les entrega un papelito con una nica pregunta:
Deseara usted ser esterilizada?
1. Si
2. No
Entonces nosotros tenemos que investigar si las charlas tienen un efecto
favorable para que las mujeres se decidan a ser sometidas a la esterilizacin.
Ante esta situacin en la cual uno se encuentra todos los das, tenemos que
acudir a las Distribuciones de Probabilidades. En nuestro ejemplo, la variable
Deseo ser esterilizada, es una variable discreta. Por lo tanto se requieren de las
Distribuciones de Probabilidades Discretas. Que es la que estudiaremos.
VARIABLES ALEATORIAS
Una variable se dice que es aleatoria, si los posibles valores que puede tomar
son determinados por el azar. Esto significa que se sabe qu valores puede
tomar la variable pero no se sabe si va a ocurrir, slo se sabe que puede ocurrir
con una cierta probabilidad.
Por ejemplo, en una epidemia de clera, se sabe que una persona cualquiera
puede enfermar o no (eventos), pero no se sabe cul de los dos eventos va a
ocurrir. Solamente se puede decir que existe una probabilidad de que la
persona enferme.
Esta variable se clasifica:
1. Discretas: tiene un rango finito o infinito numerable, por ejemplo numero
de hijos de una familia
2. Continuas: resultan del producto de una medicin, por ejemplo el peso
Ejemplo
Por ejemplo si observamos la altura de un grupo de personas y vamos a
seleccionar a una persona al azar. La probabilidad de que la altura de esa
persona sea exactamente 1,62894635... m es cero. Pero la probabilidad de
que la altura de esa persona est entre 1,62 m y 1,63 m tendr un valor un
poco real y casi es probable que sea mayor que la probabilidad de que est
entre 2,10 m y 2,11 m. Por tanto, la densidad de probabilidad en el entorno de
1,625 m es mayor que la densidad de probabilidad en el entorno de 2,105 m.
por esta razn el valor exacto 1,62894635 tenga probabilidad cero de ocurrir
no implica que sea imposible que ocurra. De hecho, cualquier persona que
seleccionemos tendr una altura concreta y exacta que tena probabilidad
cero de suceder
DISTRIBUCIN GEOMTRICA Y LA FUNCIN GENERADORA DE MOMENTOS
Los distintos momentos de una distribucin son una importante clase de
esperanzas.
Muchas veces la distribucin exponencial rige los tiempos de vida, de falla o
tiempos de sobrevivencia. Cuando est ligada con una distribucin de
Poisson es el equivalente de la distribucin geomtrica por que rige el tiempo
de espera o tiempo transcurrido hasta que ocurre un primer suceso de Poisson,
o tiempo de espera entre acontecimientos (sucesos) consecutivos de Poisson.
Ejemplo
El numero de clientes que llegan a un banco durante un lapso de una hora en
cierta ciudad es una variable aleatoria Poisson con = 8.4 . Cual es la
probabilidad de tener un tiempo de espera menor de 10 minutos entre
clientes sucesivos que llegan al banco?
Solucin.
Ejemplo:
Se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si
todas han sido cara la variable toma el valor 10
La distribucin de probabilidad de este tipo de distribucin sigue el siguiente
modelo:
P (x = 6) = 0,205
.
Ejemplo
Un pediatra desea conseguir 5 parejas, cada una de las cuales espera a su
primer hijo, para que participen en un rgimen de nacimiento natural. Sea p =
P(una pareja seleccionada al azar acceda a participar). Si p = 0,2 cual es la
probabilidad de que se le pida a 15 parejas que participen antes de encontrar
5 que accedan?
DISTRIBUCIN HIPERGEOMTRICA
La distribucin hipergeomtrica es el modelo que se aplica en experimentos
del siguiente tipo:
En una urna hay bolas de dos colores (blancas y negras), cul es la
probabilidad de que al sacar 2 bolas las dos sean blancas?
Este experimento es donde, al igual que en la distribucin binomial, en cada
ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se
diferencia de la distribucin binomial en que los distintos ensayos son
dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer intento saco una
bola blanca, en el segundo intento hay una bola blanca menos por lo que las
probabilidades son diferentes, en donde hay una dependencia entre los
distintos ensayos y tambin al hacer el segundo intento existe una probabilidad
condicional tratada en el capitulo 2
La distribucin hipergeomtrica sigue la siguiente formula
Ejemplo
Si en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas Cul es la
probabilidad de que 3 sean blancas?
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
DISTRIBUCIN DE POISSON
La distribucin de Poisson parte de la distribucin binomial:
Ejemplo
Por ejemplo la probabilidad de tener un accidente de trfico es de 0,02 cada
vez que se viaja, si se realizan 300 viajes, cual es la probabilidad de tener 3
accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor
que 10, entonces aplicamos el modelo de distribucin de Poisson.
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es
del 8,9%
Conclusiones
Una variable aleatoria discreta slo puede tomar valores mayores que
cero
Nombredearchivo:
ensayo3
Directorio:
C:\DocumentsandSettings\ALEXANDRA\Mis
documentos\UTPLGustavo
Plantilla:
C:\DocumentsandSettings\ALEXANDRA\Datosde
programa\Microsoft\Plantillas\Normal.dotm
Ttulo:
Asunto:
Autor:
ALEXANDRA
Palabrasclave:
Comentarios:
Fechadecreacin:
05/04/200814:19:00
Cambionmero:
2
Guardadoel:
05/04/200814:19:00
Guardadopor:
ALEXANDRA
Tiempodeedicin:
1minuto
Impresoel:
05/04/200814:20:00
ltimaimpresincompleta
Nmerodepginas:
8
Nmerodepalabras:
1.779(aprox.)
Nmerodecaracteres:
9.787(aprox.)