Estadística

0
[Escriba el subttulo del documento] | Memo

UNIVERSIDAD DE ORIENTE
NCLEO DE ANZOTEGUI
ESCUELA DE INGENIERA Y CIENCIAS APLICADAS
DEPARTAMENTO DE SISTEMAS INDUSTRIALES

PROFESOR: BACHILLER:
Abraham Meneses Luis Gaetano Agostini C.I. 24.447.833
Estadstica I Seccin 03
Barcelona, octubre de 2014

Valor Esperado y
Distribuciones de
Probabilidad
1

INTRODUCCIN.....2
VALOR ESPERADO DE VARIABLE DISCRETA...3
VARIANZA DE LAS VARIABLES DISCRETAS..5
DESVIACIN ESTNDAR DE VARIABLES DISCRETAS...6
VALOR ESPERADO DE VARIABLE CONTINUA..7
VARIANZA DE VARIABLE CONTINUA...8
DESVIACIN ESTNDAR DE VARIABLE CONTINUA8
DISTRIBUCIN BINOMIAL8
DISTRIBUCIN DE POISSON10
DISTRIBUCIN HIPERGEOMTRICA.13
DISTRIBUCIN MULTINOMIAL.....14
DISTRIBUCIN GEOMTRICA.15
DISTRIBUCIN PASCAL.16
TRABAJO #2..17
CONCLUSIONES..19
FUENTES REFERENCIALES.20

NDICE
2

1- VALOR ESPERADO DE VARIABLE DISCRETA

Las funciones de distribucin y de densidad de una variable aleatoria
permiten el clculo de probabilidades asociadas a eventos descritos en trminos
de intervalos de nmeros reales. Estas funciones encierran otras informaciones de
mucho inters para entender an ms el significado de la relacin establecida
entre el espacio muestral del experimento y la correspondiente variable aleatoria.
La base de estas nuevas informaciones es el concepto de valor esperado,
el cual se explicar ms adelante.

Tambin se hablar de las distribuciones de probabilidad, las cuales indican
toda la gama de valores que pueden representarse como resultado de un
experimento. Una distribucin de probabilidad es similar al distribucin de
frecuencias relativas. Sin embargo, en vez de describir el pasado, describe la
probabilidad que un evento se realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede disear un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos
fenmenos naturales.

En el presente trabajo, se estudia de manera gil los diversos tipos de
distribucin probabilstica, caracterizaremos cada distribucin, la
fundamentacin matemtica de los diversos resultados no se enfocarn en el
presente trabajo.

INTRODUCCIN
3


Es imposible hablar acerca del valor esperado de las variables discretas,
sin saber qu es lo que son este tipo de variables.
Definicin:
Sea X una variable aleatoria. Si el nmero de valores posibles de X (esto
es, R
x
, el recorrido) es finito o infinito numerable, llamamos a X una variable
aleatoria discreta. Esto es, se pueden anotar los valores posibles de X como x
1
,
x
2
,, x
n
En el caso finito la lista termina y en el caso infinito numerable la
lista contina indefinidamente.

Podemos definirla entonces como aquel tipo de variable que puede tomar
un nmero de valores finito o infinito contable. Las variables discretas representan
datos que se pueden contar o nmeros enteros, tales como: nmero de accidentes
por ao en una va rpida, nmero de muertes en una localidad, nmero de
personas que viajan en un autobs, nmero de estudiantes en la seccin 03 de
Estadstica I en la Universidad de Oriente, entre otros.
El valor esperado tambin se conoce con el nombre de esperanza
matemtica o media. Es el valor o la cantidad media que se "espera" como
resultado de un experimento que se repite un determinado nmero de veces. El
valor esperado se suele representar como E(x).
Tambin es de vital importancia tener en cuenta las siguientes propiedades
bsicas del valor esperado:
Si x 0, entonces E(x) 0
Si a x b, entonces a E(x) b
Si c es una constante, E(c) = c

4

Pongamos un ejemplo para explicar un poco mejor la definicin:

Es importante saber que, para obtener el valor esperado de las variables
discretas, cada posible valor que la variable x puede asumir es multiplicado por la
probabilidad que tiene de ocurrir y el producto resultante se suma para producir el
valor esperado. Esto se expresa mediante la siguiente ecuacin:

() ()

Ec. 1.1

Si lanzamos al aire una moneda en 20
oportunidades, esperamos que salga 10 veces cara y
las otras 10 veces sello.
Esperamos estos valores ya que la probabilidad
de que salga cara es 0,5 y si lanzamos la moneda 20
veces, obtenemos 10.

Pierre-Simon Laplace
(1749-1827)
Nacido en Normanda, Francia.
Creador del trmino Valor Esperado en 1814.
5

Se entiende entonces que la varianza consiste en una medida vinculada a
la dispersin de la variable aleatoria, en este caso discreta. Es decir, la varianza
establece la variabilidad de la variable.

Definicin:

Sea X una variable aleatoria. Definimos la varianza de X, denotada por
V(x)
, como sigue:
() (
) ()

La raz cuadrada positiva de V(x) se llama desviacin estndar de x y est
denotada por
x
.

Observaciones:
En este trabajo de investigacin se trata a la desviacin estndar
como S(x).
El nmero V(x) est expresado en unidades cuadradas de x. Es
decir, si x se mide en horas, entonces la varianza est expresada
en (horas)
2
.
V(x) 0.

2- VARIANZA DE LAS VARIABLES DISCRETAS
Ec. 1.2

6

Se encarga de medir la cantidad de variacin o dispersin de la media. Una
baja desviacin estndar indica que los datos tienen a estar muy cerca al valor
esperado; mientras que una alta desviacin estndar indica que los datos estn
dispersos en un extenso nmero de valores.
Generalmente se suele utilizar para medir la confianza en conclusiones
estadsticas.
La desviacin estndar es la raz de la varianza. Es decir:
() ()

Ronald Fisher
(1890-1962)
Nacido en Londres, Reino Unido.
Creador del trmino Varianza en 1935.

3- DESVIACIN ESTNDAR DE VARIABLE DISCRETA

Karl Pearson
(1857-1936)
Nacido en Londres, Reino Unido.
Creador del trmino Desviacin Estndar en
1894.

Ec. 1.3
7

Procedamos a definir lo que es una variable continua:
Definicin:
Se dice que X es una variable continua si existe una funcin f, llamada
funcin de densidad de probabilidad (fdp) de X, que satisface las siguientes
condiciones:
(a) f(x) 0 para todo x,
(b) ()

(c) Para cualquier a, b, tal que - < a < b < +, tenemos:
P(a X b) = ()

Por ende, se entiende que las variables continuas son aquellas que toman
valores de un conjunto infinito no numerable. Es decir, puede tomar infinitos
valores, abarcando tanto nmeros enteros como fraccionarios (a diferencia de las
variables discretas que solo toman enteros).
Unos ejemplos de este tipo de variable pueden ser el peso de una persona
o la velocidad de un automvil.
Las variables discretas y las continuas comparten tanto la definicin de
valor esperado, as como sus propiedades. Recordemos que el valor esperado es
el nmero que proporciona una idea del valor medio de un evento o fenmeno
aleatorio.
La ecuacin utilizada para hallar el valor esperado en las variables
continuas es la siguiente:
4- VALOR ESPERADO DE VARIABLE CONTINUA
8

() ()

El trmino varianza es igual tanto para las variables discretas como las
continuas.
Las distribuciones continuas que no tienen valor esperado (como la
distribucin de Cauchy, por ejemplo), tampoco tienen varianza.
La varianza de las variables continuas se puede calcular mediante la
siguiente ecuacin:

()
()
()

Tanto la definicin, como las caractersticas, son iguales entre la desviacin
estndar de las variables discretas y continuas.
Incluso la ecuacin para obtenerla es igual en los dos tipos de variable:
() ()

Es un tipo de distribucin discreta que se utiliza cuando se quiere conocer
la probabilidad de obtener X xitos en n ensayos.
Algunas de las caractersticas de este importantsimo tipo de distribucin
son:

Ec. 1.4
7- DISTRIBUCIN BINOMIAL
5- VARIANZA DE VARIABLE CONTINUA
Ec. 1.5

6- DESVIACIN ESTNDAR DE VARIABLE CONTINUA

Ec. 1.6
9

Es dicotmico, es decir, arroja solamente dos posibles resultados en
cada ensayo, mutuamente excluyentes. Uno de los posibles
resultados se denota (arbitrariamente) como un xito y el otro como
fracaso, sin implicar que un xito sea necesariamente deseable.
La probabilidad de un xito permanece constante de un ensayo a
otro.
Hay n ensayos, donde n es constante.
Los ensayos son independientes, es decir, el resultado de algn
ensayo en particular no es afectado por el resultado de cualquier otro
ensayo.

La ecuacin de la distribucin binomial es:
()
( )

Siendo:
p(x) = Probabilidad de ocurrencia cuando la variable discreta (X) toma un
valor finito
n = tamao de la muestra
x = variable aleatoria discreta a la cual se le asigna el valor de la pregunta
p = probabilidad de xito
1-p = probabilidad de fracaso
Esta ecuacin es idnea cuando el nmero de pruebas n es pequeo. Si
es grande, lo mejor es utilizar la distribucin normal (tambin conocida como
gaussiana).

Ec. 1.7
10

El valor esperado (o media) de esta distribucin se puede calcular mediante
la siguiente ecuacin:
()

Para calcular la varianza, se utiliza la frmula a continuacin:
() ( )

Mientras que la desviacin estndar se consigue mediante:
() ()

Es un modelo discreto, pero en el que el conjunto de valores con
probabilidad no nula no es finita, sino numerable (o contable). Esta distribucin
expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de un
nmero dado de apariciones por unidad de tiempo, cuando los sucesos o

8- DISTRIBUCIN POISSON

Jakob Bernoulli
(1655-1705)
Nacido en Basel, Suiza.
Creador de esta distribucin en el ao 1689.

11

apariciones son independientes y el nmero promedio de apariciones por unidad
de tiempo permanece constante. De igual forma se debe saber que esta
distribucin tambin se puede adaptar al nmero de ocurrencias de un suceso
dentro de los lmites fijados de un rea o un volumen.
Especficamente est especializada en estudiar la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeas, es decir, sucesos
raros.
Esta distribucin se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. Es decir, no se sabe el total de posibles
resultados.
Se suele expresar mediante la siguiente ecuacin:
()

Siendo:
valor finito
= Promedio del nmero de eventos. Debe ser mayor a 0.
e = Tiene un valor aproximado de 2,71828183
IMPORTANTE: Si x no es un nmero natural, p(x) = 0.

Tambin es recomendable utilizarla en problemas donde el fenmeno se
presente en ms de una oportunidad. Otra utilizacin de esta distribucin es que
permite determinar la probabilidad de ocurrencia de un suceso con resultado
discreto.

Ec. 1.8

12

El valor esperado (o media) de esta distribucin, se puede calcular
mediante la siguiente ecuacin:
()

La varianza es igual al valor esperado:
() ()

Mientras que la desviacin estndar se consigue mediante:
()

Relacin de la Distribucin de Poisson con otras Distribuciones de
probabilidad discreta:
Se puede emplear como una aproximacin a la Distribucin Binomial
cuando n es grande y P es pequeo (dgase n 20 y P 0,05). Es
decir, este tipo de distribucin es muy til cuando la probabilidad de
xitos es pequea, generalmente siempre ser menor que 1.

Simon-Denis Poisson
(1781-1840)
Nacido en Pithiviers, Francia.
Creador de esta distribucin en el ao 1838.

13

Es una distribucin discreta que se utiliza para calcular la probabilidad de
una seleccin aleatoria de un objeto sin repeticin. Es decir, es especialmente til
en todos aquellos casos en los que se extraigan muestras o se realizan
experiencias repetidas sin regresar a la situacin experimental inicial.
Es fundamental en el estudio de muestras pequeas de poblaciones,
juegos de azar, as como en otros muchos campos.
Su ecuacin es:

()
()(
()
)

Siendo:
valor finito
N = tamao de la poblacin
K = nmero de xito en la poblacin

9- DISTRIBUCIN HIPERGEOMTRICA
Ec. 1.9

14

Es una generalizacin de la distribucin binomial, ya expuesta en el
presente trabajo de investigacin. La diferencia est en que la distribucin
multinomial puede haber mltiples resultados, al contrario de que la binomial solo
ofrece dos.
Esta distribucin posee las siguientes caractersticas:
El nmero de repeticiones del experimento n es constante.
Las probabilidades asociadas a cada uno de los resultados son
constantes.
Cada uno de los ensayos o repeticiones del experimento son
independientes.

La ecuacin de esta distribucin es la siguiente:

(

Siendo:

10- DISTRIBUCIN MULTINOMIAL

Ec. 1.10
15

Es un modelo adecuado para aquellos procesos en los que se repiten
pruebas hasta la consecucin del xito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de este modo.
El proceso consta de un nmero no definido de pruebas o experimentos
separados o separables y concluir cuando se obtenga por primera vez el
resultado deseado (xito).
Implica la existencia de una dicotoma de los posibles resultados y la
independencia de las pruebas entre s.
El primer xito ocurrir en la n-sima prueba s y solo s:
Las primeras n-1 pruebas son un fracaso.
La n-sima prueba es un xito, la cual tiene una probabilidad p de
ocurrencia.

() ( )

Siendo:
valor finito
1-p = Probabilidad de fracaso
11- DISTRIBUCIN GEOMTRICA
Ec. 1.11

16

Es importante saber que:

Los valores que puede tomar p(x) son positivos y su suma es igual a
1.

Relacin de la Distribucin Geomtrica con otras Distribuciones de
probabilidad discreta:
En la Distribucin Binomial el nmero de repeticiones del suceso es
predeterminado, mientras que en sta Distribucin es una variable
aleatoria, es decir, se realizar hasta alcanzarse el primer xito.

Es una generalizacin obvia de la Distribucin Geomtrica. Mientras que en
sta el experimento se hace hasta que se llega al xito por primera vez, la
Distribucin de Pascal contina hasta que un suceso particular ocurre por n-sima
vez.
() ( )(
( )

Siendo:
valor finito
12- DISTRIBUCIN PASCAL
Ec. 1.12

17

Trabajo #2:
Determinar el valor esperado y varianza para () ( ) limitada en el
intervalo .
*Quinto dgito de la cdula de izquierda a derecha. En mi caso, * = 7.
Perodo:
; Avance:

X Ksen(7x)
()

*(
)+
*(
)+
[(
)]
[(
)]
[(
)]
[(
)]

*(
)+
[(
)]
18

[(
)]
[(
)]
[(
)]
[(
)]
[(
)]

()

Esta grfica fue enviada como archivo adjunto en el mismo correo.

19


Las variables aleatorias son funciones que asocian a cada elemento del
espacio muestral [conjunto de los diferentes resultados de un experimento
estadstico], se clasifican en:
Variable aleatoria discreta, proporciona datos cuantitativos discretos, es el
resultado de un proceso de conteo (ejemplo: el nmero de estudiantes en la
UNIVERSIDAD DE ORIENTE).
Variable aleatoria continua, se encuentra dentro de un intervalo
comprendido entre dos nmeros x (por ejemplo: estatura de un alumno de un
grupo escolar).
Las distribuciones de probabilidad describen el comportamiento de
fenmenos estadsticos, es decir, es un listado de las probabilidades de todos los
resultados posibles que podran presentarse si se efecta un experimento.
En la distribucin discreta, las variables asumen un nmero limitado de
valores, por ejemplo: el nmero de aos de estudio. En la distribucin continua, las
variables en estudio pueden asumir cualquier valor dentro de determinados
lmites, como por ejemplo, la estatura de un estudiante.

CONCLUSIONES
20

1. Surez, Digenes y Bravo, Darwin (2012). Fundamentos de Mantenimiento.
Puerto La Cruz - Venezuela. Universidad de Oriente.

2. Meyer, Paul (1973). Probabilidades y Aplicaciones Estadsticas. Mxico
Fondo Educativo Interamericano, S.A.

De internet
1. (2012, 04). Jimnez, Bianca. Distribucin de Probabilidad de Variables
Aleatorias Discretas. Es.scribd.com. Realizado 04, 2012 de
https://es.scribd.com/doc/90903142/Conclusion-de.

2. (2012, 10). Martnez, Rodrigo. Distribuciones de Probabilidad y Valor
Esperado. Es.slideshare.net. Realizado 10, 2012, de
http://es.slideshare.net/rodrigomartinezs/distribuciones-de-probabilidad-
14742985.

3. (2011, 06). Mltiples autores bajo anonimato. Valor esperado, varianza y
desviacin estndar de variables aleatorias. Polilibros. Realizado 06, 2011, de
http://148.204.211.134/polilibros../z_basura/Polilibros/Probabilidad/doc/Unidad
%202/2.5.HTM.

4. (2009, 01). Alborn, Mara. Distribuciones discretas. Maralboran.org. Realizado
01, 2009, de
http://www.maralboran.org/web_ma/ejercicios/op_estad/Discretas.pdf
FUENTES REFERENCIALES

Estadística

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Estadística

Transféré par

Droits d'auteur :

Formats disponibles

0

[Escriba el subttulo del documento] | Memo

Vous aimerez peut-être aussi