Este documento introduce conceptos básicos sobre modelos probabilísticos. Explica qué son las variables aleatorias y cómo se clasifican en discretas, continuas y mixtas dependiendo de su rango. También describe las funciones de distribución de probabilidad y cómo estas caracterizan completamente a una variable aleatoria. Finalmente, presenta algunos modelos probabilísticos comunes como el binomial, Poisson y normal.
0 calificaciones0% encontró este documento útil (0 votos)
95 vistas29 páginas
Este documento introduce conceptos básicos sobre modelos probabilísticos. Explica qué son las variables aleatorias y cómo se clasifican en discretas, continuas y mixtas dependiendo de su rango. También describe las funciones de distribución de probabilidad y cómo estas caracterizan completamente a una variable aleatoria. Finalmente, presenta algunos modelos probabilísticos comunes como el binomial, Poisson y normal.
Este documento introduce conceptos básicos sobre modelos probabilísticos. Explica qué son las variables aleatorias y cómo se clasifican en discretas, continuas y mixtas dependiendo de su rango. También describe las funciones de distribución de probabilidad y cómo estas caracterizan completamente a una variable aleatoria. Finalmente, presenta algunos modelos probabilísticos comunes como el binomial, Poisson y normal.
Este documento introduce conceptos básicos sobre modelos probabilísticos. Explica qué son las variables aleatorias y cómo se clasifican en discretas, continuas y mixtas dependiendo de su rango. También describe las funciones de distribución de probabilidad y cómo estas caracterizan completamente a una variable aleatoria. Finalmente, presenta algunos modelos probabilísticos comunes como el binomial, Poisson y normal.
Descargue como PDF, TXT o lea en línea desde Scribd
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: XBin(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 XBin(20;0,25). Se pide calcular f(3) = P{X = 3 } ; aplicando la fórmula se obtiene f(3)=0,0321. Más aun, tendremos que
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 (XPoisson(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
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) PX 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
