Академический Документы
Профессиональный Документы
Культура Документы
GRUPO 100402A_226
PROGRAMA. PROBABILIDAD.
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA U.N.A.D
PROGRAMA DE INGENIERA DE SISTEMAS
CEAD: VALLEDUPAR
Fecha de Entrega: 29 de Noviembre de 2015
TUTOR: HEBERT MURIEL
(TUTOR)
al singleton
es
o una parte de
2. Calcular
Dichos valores pueden asociarse a mediciones en una escala continua, de manera que no
haya huecos o interrupciones.
En algunos casos, la variable aleatoria considerada continua en realidad es discreta, pero
como el rango de todos los valores posibles es muy grande, resulta ms conveniente
utilizar un modelo basado en una variable aleatoria continua.
La distribucin de probabilidad de una variable aleatoria continua X
est
caracterizada por una funcin f(x) que recibe el nombre de funcin de densidad
de probabilidad. Esta funcin f(x) no es la misma funcin de probabilidad de una
variable aleatoria discreta.
La grfica de la funcin f(x) es una curva que se obtiene para un nmero muy
grande de observaciones y para una amplitud de intervalo muy pequea. Recuerde
que la grfica de una funcin de probabilidad de una variable aleatoria discreta es
escalonada, dando la sensacin de peldaos en ascendencia (ver figura 1.1. (a)).
Esta funcin de densidad de probabilidad f(x) permite calcular el rea bajo la curva que
representa la probabilidad de que la variable aleatoria continua X tome un valor entre
el intervalo donde se define la funcin.
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
El valor esperado o esperanza de una variable aleatoria tiene su origen en los juegos de azar, debido a
que los jugadores deseaban saber cual era su esperanza de ganar o perder con un juego determinado.
Como a cada resultado particular del juego le corresponde una probabilidad determinada, esto equivale
a una funcin de probabilidad de una variable aleatoria y el conjunto de todos los resultados posibles
del juego estar representado por la distribucin de probabilidad de la variable aleatoria. El valor
esperado o esperanza es muy importante, ya que es uno de los parmetros que describen una variable
aleatoria.
Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el valor esperado de
la variable aleatoria X, el cual se representa por E(X), est definido por:
E(X) = xi f(xi)
Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la variable
aleatoria por la probabilidad que le corresponde y despus se suman esos productos.
DISTRIBUCIN BINOMIAL
Las distribuciones binomiales son las ms tiles dentro de las distribuciones de
probabilidad discretas. Sus reas de aplicacin incluyen inspeccin de calidad, ventas,
mercadotecnia, medicina, investigacin de opiniones, entre otras. Estas distribuciones
permiten enfrentar circunstancias en las que los resultados pertenecen a dos categoras
relevantes: que ocurra un evento determinado o que no lo haga. Este tipo de experimento
aleatorio particular es denominado ensayo de Bernoulli. Sus dos resultados posibles son
denotados por xito y fracaso y se define por p la probabilidad de un xito y 1-p la
probabilidad de un fracaso.
En general, un experimento aleatorio que consiste de n ensayos repetidos tales que:
Cada ensayo es de tipo Bernoulli. Esto es, tiene slo dos resultados posibles:
xito o fracaso.
DISTRIBUCIN HIPERGEOMTRICA
En la distribucin binomial se vea que el muestreo se haca con reemplazo,
asegurando la independencia de los ensayos y la probabilidad constante. Supngase
ahora que el muestreo es sin reemplazo, caso en el cual los ensayos no son
independientes.
DISTRIBUCIN POISSON
Esta es otra distribucin de probabilidad discreta til en la que la variable aleatoria
representa el nmero de eventos independientes que ocurren a una velocidad
constante. La distribucin de Poisson, llamada as en honor a Simen Denis Poisson
probabilista francs que fue el primero en describirla, es el principal modelo de
probabilidad empleado para analizar problemas de lneas de espera, confiabilidad y
control de calidad; como el nmero de personas que llegan a un lugar determinado en
un tiempo definido, los defectos en piezas similares para el material, el nmero de
bacterias en un cultivo, el nmero de goles anotados en un partido de ftbol, el nmero de
fallas de una mquina en una hora o en un da, la cantidad de vehculos que transitan
por una autopista, el nmero de llamadas telefnicas por minuto, etc. Como se puede
observar se trata de hallar la probabilidad de ocurrencia de cualquier nmero por unidad
de medicin (temporal o espacial).
Dado un intervalo de nmeros reales, si ste puede dividirse en subintervalos
suficientemente pequeos, tales que:
1. La probabilidad de ms de un acierto en un subintervalo es cero o
insignificante.
2. La probabilidad de una ocurrencia en un subintervalo es la misma para todos
los subintervalos, y es proporcional a la longitud de estos.
3. El conteo de ocurrencias en cada subintervalo es independiente del de los dems
subintervalos.
4. entonces el experimento aleatorio recibe el nombre de proceso Poisson o flujo
de procesos de Poisson.
DISTRIBUCION UNIFORME
Se dice que una variable X posee una distribucin uniforme en el intervalo [a,b], si su
funcin de densidad es la siguiente:
DISTRIBUCIN
ESTANDAR
NORMAL
USO
DE
LA
DISTRIBUCIN
NORMAL
Esperanza
valor
esperado:
Varianza:
Funcin de distribucin acumulada es: