0% encontró este documento útil (0 votos)
95 vistas29 páginas

Modelos de Probabilidad

Descargar como pdf o txt
Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1/ 29

Modelos Probabilísticos

Introducción a las variables


aleatorias y sus leyes de
probabilidad.
Variable Aleatoria: descripción

Descripción: Una variable aleatoria es una cantidad


afectada por el azar
Ejemplos:
1) Número que sale al lanzar un dado.
2) Tiempo necesario para resolver un problema.
3) Precio de una acción al cierre de operaciones.
4) Cantidad de personas que entran a una determinada
estación del metro, durante el fin de semana.
5) Peso de un estudiante de este curso, escogido al azar.
Variable Aleatoria: rango

Llamaremos rango, al conjunto de valores que puede tomar


una variable aleatoria (con probabilidad positiva de
ocurrencia)

Ejemplos
1) N = Número que sale al lanzar un dado.
rango de N = {1,2,3,4,5,6}
2) T = tiempo necesario para resolver un problema
rango de T = (0, +∞)
Variable Aleatoria: clasificación

Dependiendo de la naturaleza del rango de una variable


aleatoria podemos clasificarla en tres categorías :
– Discreta: cuando el rango es un conjunto finito o infinito
numerable (ejemplo: número que sale al lanzar un dado)
– Continua: cuando el rango es un intervalo o unión de
intervalos (ejemplo: peso de una persona seleccionada al
azar)
– Mixta: cuando el rango es la unión disjunta de intervalos y
un conjunto numerable
Función de distribución

Para toda variable aleatoria X es posible definir la función


de distribución de probabilidad

FX ( x)  P( X  x)
que estará definida para todo valor de x. Esta función tiene
las siguientes propiedades:
0  F ( x)  1 para todo x
Si x  y entonces F ( x)  F ( y)

lim F ( x) 1 lim F ( x)  0
x  x 
Tipos de Funciones de distribución
(tipos de gráficos)

1
1

0,8
0,8

0,6 0,6

0,4 0,4

0,2 0,2

0 0
-0,5 0 0,5 1 1,5 -0,5 0 0,5 1 1,5

1) Si la función de distribución es absolutamente continua, diremos que la variable


aleatoria es continua.
2) Si la función de distribución es una función escalera, diremos que la variable
aleatoria es discreta
3) En cualquier otro caso, diremos que la variable aleatoria es mixta
Variable Aleatoria Discreta

Si X es una variable aleatoria discreta, entonces Rango


de X = {x1,x2, . . .} y queda

FX ( x)   P( X  xi )
xi  x

Para todo x, se define la función de masa de


probabilidad como

f X ( x )  P( X  x )
Variable Aleatoria Discreta

La función de masa de probabilidad tiene las siguientes


propiedades:
1) f X ( x)  0 para todo x
2)  f (x )  1
i
i

Esta función f, puede ser:


•construida, como consecuencia de algunos supuestos
razonables,
•propuesta , a partir de alguna evidencia experimental
Ejemplos de funciones de masa de
probabilidad
1) X: número que sale al lanzar un “dado legal
Es razonable proponer que
f(x) = 1/6 para x =1,2,3,4,5, 6

2) N: número de veces que lanzo un dado legal hasta que sale el 5, por primera vez
Es fácil deducir matemáticamente que
f(n) = (5/6)n-1(1/6) para n = 1,2, . . .

3) D: número computadoras que vende una minitienda de computación en un día


Es posible que la evidencia experimental (en este caso, el histórico) sugiera que
d 0 1 2 3 4
f(d) 0,25 0,40 0,20 0,10 0,05
Valor Esperado

Se define el valor esperado de una variable aleatoria


discreta X como
E ( X )   xi f (xi )
i
al valor esperado de una variable aleatoria también se le
llama media poblacional y se usa la notación X
Paras los ejemplos anteriores se tiene
E(X) = 3,5
E(N) = 6
E(D) = 1,3
Varianza
Sea X una variable aleatoria discreta y consideremos una
función g:R R. Se define el valor esperado de g(X) como

E ( g ( X ))   g ( xi ) f (xi )
i

Cuando g(X) = (X- X)2 al valor esperado definido arriba


se le llama Varianza de X (Var(X)) y se usa la notación  X2
Es fácil deducir que

Var ( X )  E ( X 2 )   X2

Llamaremos desviación estándar de X a  X


Modelo Probabilístico Binomial

• Supongamos que estamos frente a un experimento


aleatorio con las siguientes características
– El experimento se realiza un número determinado de
veces ( digamos n veces)
– El resultado de cada experimento se clasifica en dos
categorías: éxito o fracaso
– Hay independencia entre los resultados del
experimento
– La probabilidad de éxito no cambia (la denotamos p)
Modelo Binomial
Bajo las condiciones anteriores, consideremos la variable
aleatoria discreta
X : número de éxitos observados
Observemos que Rango de X = {0,1,...,n}; se deduce que
n!
f ( x)  p x (1  p) n x
x!(n  x)!
Se dice que X tiene distribución binomial con parámetros
n, p (notación: XBin(n;p)) Se deduce que:
E(X) = np Var(X) = np(1-p)
Modelo Binomial: ejemplo 1

En el ejemplo 1, si definimos la variable aleatoria discreta


X : número de veces que sale el 2
entonces vemos que el modelo probabilístico que la describe es el
modelo binomial. Mas aún, podemos afirmar que XBin(20;0,25). Se
pide calcular f(3) = P{X = 3 } ; aplicando la fórmula se obtiene
f(3)=0,0321. Más aun, tendremos que

x 0 1 2 3 4 5
f(x) 0,4019 0,4019 0,1608 0,0321 0,0032 0,0001

De donde se obtiene X = 0,8331 , X = 0,8328


Modelo Binomial: ejemplos

1) Se lanza un dado legal cinco veces seguidas, ¿cuál es


la probabilidad de que el 2 salga tres veces?
2) Un examen de selección múltiple consta de 20
preguntas. Cada cada pregunta tiene cuatro opciones de
respuesta, de las cuales sólo una es correcta. Suponga
que el examen se aprueba si se responden
correctamente por lo menos 18 preguntas. Si el examen
se responde aleatoriamente, determine la probabilidad
de aprobarlo.
Modelos Probabilístico Poisson

• Supongamos que para un intervalo de tiempo dado (o


una región del espacio dada) se observa el número de
veces que ocurre un determinado suceso

• Ejemplos:
1. Número de accidentes de tránsito que ocurren en un
mes en la entrada de la urbanización Terrazas del
Ávila
2. Número de defectos observados en un metro
cuadrado de tela
Modelos Probabilístico Poisson

Supongamos que la ocurrencia de estos sucesos satisface


lo siguiente:
1. La probabilidad de que ocurra mas de un suceso en un
instante específico es cero
2. Las ocurrencias que puedan observarse en intervalos
de tiempo disjuntos, son independientes.
3. La probabilidad de observar una ocurrencia en un
intervalo de tiempo, es proporcional a la longitud del
intervalo
Modelos Probabilístico Poisson
Consideremos la variable aleatoria discreta
X : número de ocurrencias en el intervalo de tiempo dado
Entonces Rango de X= {0,1,2, . . .} y se puede demostrar
X que tiene función de masa de probabilidad

lx e  l
f ( x) 
x!
Donde l es una cantidad positiva que representa las
ocurrencias promedio por unidad de tiempo. Se dice que X
tiene distribución Poisson con parámetro l (XPoisson(l))
Se demuestra que E(X)= l , Var(X)= l
Modelos Probabilístico Poisson

• Ejemplo: en la entrada de terrazas del Avila ocurren, en


promedio, 10 accidentes de tránsito a la semana. ¿cuál
es la probabilidad de que en un día se observe mas de
un accidente?
X: número de accidentes de tránsito en un día
Observemos que es razonable suponer que tiene
distribución de Poisson con l =10/7=1,43. Entonces,
P(X >1) = 1 - [P(X =0) + P(X =1)]
= 1 – [0,7165 + 0,2388] = 0,0447
Otros Modelos Probabilísticos
Discretos
• Geométrico

• Binomial Negativa

• Hipergeométrico
Modelos Probabilísticos Continuos

Si X es una variable aleatoria continua, entonces su


rango es un intervalo o unión de intervalos. El cálculo de
probabilidades se hace con base en su función de
densidad f, que debe cumplir

a ) f X ( x)  0 x  R b)  f ( x)dx  1 c) PX  A   f ( x)dx


R A

De donde se obtiene que la función de distribución


viene dada por
x
F ( x)   f ( y)dy

Modelos Probabilísticos Continuos
Ejemplo
Sea X una variable aleatoria continua, cuya función de
densidad viene dada por
 3( x  2)(6  x)
 si x [2,6]
f ( x)   32

 0 otro caso

Calcule P{ 3 < X < 5 }


Obtenga F(x)
Calcule P{ X < 5 / X >3 }
Calcule E( X ) y Var(X)
Modelo Probabilistico Normal
(Gaussiano)
• . Esta distribución es frecuentemente utilizada
en las aplicaciones estadísticas. Su propio
nombre indica su extendida utilización,
justificada por la frecuencia o normalidad con la
que ciertos fenómenos tienden a parecerse, en
su comportamiento probabilístico, a esta
distribución.
Modelo Probabilístico Normal
(Gaussiano)
• Se dice que la variable aleatoria X tiene
distribución normal, si su función de
densidad de probabilidad es:

1 x 2
1  ( )
f ( x)  e 2 
 2
Modelo Probabilístico Normal
(Gaussiano)
Donde:
 es la media (puede ser cualquier
número)
 es la desviación estandar (positiva)
 = 3.14159265358....
e = 2.71828182846.....
Se denotará X ~ N(;2) y se leerá “X tiene
distribución normal con media  y varianza 
Modelo Probabilístico Normal
(Gaussiano)
• .
Modelo Probabilístico Normal
(Gaussiano)
Afirmación: (tipificación)
Si X tiene distribución normal con media  y
desviación estándar  , es decir X ~ N(; ) ,
entonces Z = (X-  )/  tiene distribución
normal con media 0 y desviación estándar 1, en
otras palabras Z ~ N(0;1))
Modelo Probabilístico Normal
(Gaussiano)
Lo que se tiene tabulado es la función de distribución de Z, por eso
conviene tipificar .

Ejemplo:

Supongamos que X~N(10;2) , para calcular P{X < 13} hacemos o


siguiente:

P{X < 13} = P{X - 10 < 13 -10}

= P {(X-10)/2 < (13-10)/2}

= P{Z < 1.5}

= 0.9332 (buscando en la tabla)


Modelo Probabilístico Normal
(Gaussiano)
Ejemplo:

Supongamos que X~ N(; ), donde se conoce que  = 15. ¿Qué


valor debe tener  para que P{X<17} = 0.7389 ?

0.7389 = P{ X < 17 }

= P{ Z < (17-15)/ }

Buscando en la tabla, (al revés) se deduce

(17-15)/ = 0.64

Por lo tanto se concluye que  = 1.28

También podría gustarte