República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica
de la Fuerza Armada Bolivariana
Extensión Puerto Píritu – Ambiente Laya

Profesora: Estudiantes:
Odalys Triana Luis Aray.
C.I.: 24.861.516
Antonio Bolívar.
C.I.:25.879.711
Ing. Civil, III Semestre.

Puerto Píritu, 01 de Marzo de 2018.

 Índice

Págs
Introducción……………………………………………………………… 3
Estadísticas……………………….…………………………...…………. 4
Probabilidades………………..….…………………………...………….. 4
Aleatorio…………….…………..………………………….….………... 4
Azar………………………..…….………………..……………...……… 4
Resultados…………………………………………………….....…......... 5
Muestra...………….……….……………………………………...……... 6
Error………………………………………………………………...……. 6
Variable Aleatoria………………………..……………….………...……. 7
Momentos de una Variable Aleatoria…………………………....…...….. 7
Variable Aleatoria Binomial………………………….…………….…… 8
Variable Continua……………………..………………………...……….. 8
Variable Aleatoria Discreta…………………………………………........ 11
Distribución de Probabilidad…………………….….….……..…………. 11
Variable Aleatoria Unidimensional………………..…….………………. 12
Esperanza Matemática, Discreta y Continua.....…………….………........ 12
Varianza de una Alianza Aleatoria…………………………………….… 13
Función Generatriz de Momento………………………………................ 14
Experimento Aleatorio………………………………………………...… 15
Espacio Muestral………………...…………………………….……….... 15
Eventos mutuamente excluyentes, sucesos independientes………….….. 15
Teorema de Valles.......………………………........................................... 16
Conclusión……………………………………….………...………….…. 17
Bibliografía................................................................................................. 18
Anexo…………………………………………………………………...... 19

2
 Introducción

Cada sistema de muestreo se usa para obtener estimaciones de ciertas propiedades

de la población objeto de estudio, y será tanto más adecuado cuanto mejores sean las
estimaciones que proporcione. Las estimaciones individuales pueden ser, por casualidad,
muy aproximadas o diferir considerablemente del verdadero valor, dando una prueba
deficiente de los méritos del sistema. Un mal sistema de muestreo puede dar a veces
algunas estimaciones muy exactas, así como también un buen sistema dar alguna muy
alejada del verdadero valor. La mejor manera de juzgar un sistema de muestreo consiste en
observar la distribución de frecuencias de las estimaciones que se obtienen por muestreos
repetidos. Un buen sistema proporciona estimaciones cuya distribución de frecuencias
posee una pequeña variancia y su valor medio está muy próximo al valor verdadero. La
diferencia entre la estimación media y el valor verdadero se denomina sesgo. Las
magnitudes del sesgo y la variancia de un sistema de muestreo son, en una gran extensión,
independientes entre sí; un sistema puede dar estimaciones con una pequeña variancia, es
decir, difiriendo poco entre ellas, pero con un gran sesgo, esto es, quedando todas las
estimaciones muy lejos del valor verdadero.

3
Estadísticas.
La estadística es una herramienta de estudio de un colectivo. Para el cual
emplea un método (estadístico) y tiene como objeto establecer predicciones de
cambio en relación a un futuro incierto.

Probabilidades.

Probabilidad radica en que, mediante este recurso matemático, es posible ajustar de

la manera más exacta posible los imponderables debidos al azar en los más variados
campos tanto de la ciencia como de la vida cotidiana.

La importancia esencial de la aplicación de los métodos de cálculo de la

probabilidad reside en su capacidad para estimar o predecir eventos. Cuanto mayor sea la
cantidad de datos disponibles para calcular la probabilidad de un acontecimiento, más
preciso será el resultado calculado. Dada la complejidad de los sistemas en los que suele
aplicarse la teoría de la probabilidad, se requiere de modelos informáticos y estadísticos de
gran elaboración, que serían imposibles de no contarse con los modernos recursos
tecnológicos relacionados con la computación.

Por lo tanto, la probabilidad es una herramienta fundamental en la planificación

estratégica de los movimientos sociales, económicos y laborales de toda la comunidad.

Aleatorio y al Azar.

Azar, suceso aleatorio y probabilidad.

El azar, en el lenguaje normal, se considera como la característica de un suceso

imprevisible.

En estadística esta definición se modifica añadiendo una propiedad adicional: El azar es la

característica de un experimento que produce resultados diversos, impredecibles en cada situación
4
concreta, pero cuyas frecuencias, a la larga, tienden a estabilizarse hacia un valor "límite" en el
infinito.

Como consecuencia, se definen los sucesos aleatorios como los resultados de un

experimento cuya variación (la de los resultados) es debida al azar.

La probabilidad de un suceso sólo se define para el caso de sucesos aleatorios.

Resultados.

Un evento es una colección particular de resultados. Los eventos normalmente se

describen usando características comunes de los resultados.

Apliquemos este lenguaje para ver cómo los términos funcionan en la práctica.
Algunos juegos requieren aventar un dado de 6 caras, numerado del 1 al 6. El cuadro siguiente
ilustra el uso de la prueba, el resultado, y el evento de dicho juego:

Prueba Resultados Ejemplos de eventos

Sacar un número par: {2, 4, 6}

Existen 6 resultados Sacar un 3: {3}

posibles:
Tirar el dado
Sacar un o un 3: {1, 3}
{1, 2, 3, 4, 5, 6}
Sacar un 1 y un 3: { } (Sólo podemos obtener un
número, por lo que este resultado es imposible. El
evento no contiene resultados.)

Muestra.

5
 Una muestra aleatoria de tamaño n es un conjunto de n individuos tomado de tal
manera que cada subconjunto de tamaño n de la población tenga la misma probabilidad de
ser elegido como muestra; es decir, si la población tiene tamaño N, cada una de las
combinaciones posibles de n elementos debe ser probable.

Los sistemas de muestreo se basan normalmente en la asignación de un número a

cada uno de los individuos de la población y la posterior obtención de una muestra de n
números aleatorios que se obtendrá por sorteo utilizando bolas numeradas, ordenadores, etc

Error.
• El error estándar de la media es la desviación estándar de la distribución de
muestreo de la media.
• Es calculada por

x 
n

•
x es el símbolo para error estándar de la media.
•  es la desviación estándar de la población.
• n es el tamaño de la muestra.

Variable Aleatoria.
Es una función cuyos valores son números reales determinados por los elementos
6
del espacio muestral, es decir, una variable aleatoria es una variable matemática cuyos
valores posibles son las descripciones numéricas de todos los resultados posibles de un
experimento estadístico.

A los valores posibles de la variable aleatoria se les asigna una probabilidad que es
la frecuencia del resultado al que corresponden.

Se pueden distinguir distintos tipos de variables aleatorias según dos criterios de

clasificación:

 Variables cuantitativas que son las que resultan de experimentos cuyos

resultados son directamente numéricos.

 Variables cualitativas que son las que proceden de experimentos cuyos

resultados expresan una cualidad no numérica que necesita ser cuantificada.

Otra clasificación más operativa de las variables aleatorias sería:

 Variable discreta.

 Variable continúa.

Momentos de una Variable Aleatoria.

Momentos de una variable aleatoria

Dada una v.a X, se define su momento de orden k (k = 0, 1, 2,...) respecto a la media o

momento central de orden k como la esperanza de (X − μ)k :μ k =E (X − μ)k] del mismo
modo se define su momento de orden k (k = 0, 1, 2, ...) respecto al origen o momento no
central de orden k como la esperanza de Xk :][ K α k= XE. De las definiciones se deduce
que:

 o αo = 1

 o α1 = μ

7
  o μo = 1

 o μ1 = 0

 o El segundo momento central se llama también varianza, y se denota por V(X) o

σ2.

Variable Aleatoria Binomial

Nos encontramos con un modelo derivado de un proceso experimental puro, en el

que se plantean las siguientes circunstancias.

 Se realiza un número n de pruebas (separadas o separables).

 Cada prueba puede dar dos únicos resultados A y Ã

 La probabilidad de obtener un resultado A es p y la de obtener un resultado à es

q, con q= 1-p, en todas las pruebas.

Variable Continua.
La variable aleatoria X será continua si los valores asignados pueden ser
cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor de R. Por
ejemplo, si consideramos el experimento aleatoria consistente en medir el nivel de agua en
un embalse y tomamos la variable aleatoria X=”nivel de agua”, esta puede tomar valores
entre 0 y más infinito.

P(a ≤ X ≤ b) = P(X = a) + P(a < X < b) + P(X = b) = P(a < X < b)

Tal como ocurría en el caso de las variables discretas, cuando existe una asignación
regular de probabilidad se puede definir una función que nos permita calcular
probabilidades para cualquier intervalo de valores, a esta función se le llama función de
densidad, f(x)

La función de densidad de una variable aleatoria continua X es una función continua

tal que su integral entre los extremos de un intervalo nos da el valor de la probabilidad de
que X tome valores en ese intervalo.
8
 La función de densidad siempre se define para todos los valores en el intervalo (-
∞,∞) Esto no ofrece problemas si el campo de variación de X se extiende por todo el
intervalo; si no fuera así, la función se define como igual a cero para todos los valores no
incluidos en el campo de variación de X.

La función de densidad debe cumplir tres condiciones análogas a las de la función

de probabilidad:

 como consecuencia del primer axioma.

 como consecuencia del segundo axioma.

 por definición

Función de distribución.

Para variables continuas también se define la función de distribución, de la siguiente

9
manera:

Las características de F(x) son iguales a las expuestas para el caso de las variables
discretas, salvo que, obviamente, nunca se expresan en forma tabular.

En general, cualquiera que sea el tipo de variable, las funciones de distribución nos
pueden servir para calcular probabilidades. Por ejemplo, en el caso de las variables
continuas:

Dada su definición, resulta que, para variables continuas, la función de densidad es

la derivada respecto a X de la función de distribución.

Las funciones de distribución de las variables continuas más interesantes están

tabuladas.

Variable Aleatoria Discreta.

La variable aleatoria X se dice que es discreta si los números asignados a los

sucesos elementales de E son puntos aislados. Sus posibles valores constituyen un conjunto

10
finito o infinito numerable. Por ejemplo, supongamos el experimento consistente en lanzar
tres veces una moneda no trucada; si consideramos la variable aleatoria X=”número de
caras obtenidas en los tres lanzamientos”, los valores que puede tomar esta variable
aleatoria son finitos (0,1,2,3).

Distribución de Probabilidad.

Es un modelo teórico que describe la forma en que varían los resultados de un

experimento aleatorio, es decir, nos da todas las probabilidades de todos los posibles
resultados que podrían obtenerse cuando se realiza un experimento aleatorio. Se clasifican
como discretas o continuas. En la distribución de probabilidad discreta está permitido tomar
sólo un número limitado de valores. En la continua, llamada función de Variable aleatoria
y función de distribución 27 densidades, la variable que se está considerando puede tomar
cualquier valor dentro de un intervalo dado.

Distribución de probabilidad discreta:

Sea un espacio probabilístico y sea X una variable aleatoria discreta que toma como
posibles valores x1,x2,.....xn, se define la distribución de probabilidad de X como el
conjunto de pares (xi, pi) que a cada valor de la variable le asocia una probabilidad, donde
pi= P(X=xi), tal que la suma de todas las probabilidades es igual a la unidad.

Ejemplo realizado anteriormente se desprende que la distribución de probabilidad

viene dada por: (0,1/8); (1,3/8); (2,3/8); (3,1/8).

Variable Aleatoria unidimensional.

Dado un experimento aleatorio y asociado al mismo, un espacio probabilístico (E, Ą
,P), una variable aleatoria es una aplicación Χ : Ε → R , a cada valor de X, del espacio
muestral le hace corresponder un número real. Se dice que X es una variable aleatoria si
para cualquier x perteneciente a R, el conjunto de los sucesos elementales le hace
11
corresponder un valor que verifica: ∀Χ ∈ )( ≤ XSXR

Esperanza Matemática, Discreta y Continua.

La esperanza matemática o valor esperado de una variable aleatoria

discreta es la suma del producto de la probabilidad de cada suceso por el
valor de dicho suceso.

Los nombres de esperanza matemática y valor esperado tienen su

origen en los juegos de azar y hacen referencia a la ganancia promedio
esperada por un jugador cuando hace un gran número de apuestas.

Si la esperanza matemática es cero, E(x)=0, el juego es equitativo ,

es decir, no existe ventaja ni para el jugador ni para la banca.

Ejemplos:

Si una persona compra una papeleta en una rifa, en la que puede

ganar de 5.000 € ó un segundo premio de 2000 € con probabilidades de:
0.001 y 0.003. ¿Cuál sería el precio justo a pagar por la papeleta?

E(x) = 5000 · 0.001 + 2000 · 0.003 = 11 €

Un jugador lanza dos monedas. Gana 1 ó 2 € si aparecen una o dos

caras. Por otra parte pierde 5 € si no aparece cara. Determinar
la esperanza matemática del juego y si éste es favorable.

E = {(c,c);(c,x);(x,c);(x,x)}
12
 p(+1) = 2/4

p(+2) = 1/4

p(−5) = 1/4

E(x)= 1 · 2/4 + 2 · 1/4 - 5 · 1/4 = −1/4. Es desfavorable

Varianza de una Alianza Aleatoria.

La varianza (que es el cuadrado de la desviación estándar: σ2) se define así:

Es la media de las diferencias con la media elevadas al cuadrado.

En otras palabras, sigue estos pasos:

1. Calcula la media (el promedio de los números)

2. Ahora, por cada número resta la media y eleva el resultado al cuadrado (la
diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado.

EJEMPLO: Tú y tus amigos han

medido las alturas de sus
perros (en milímetros):

Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y
300mm.Calcula la media, la varianza y la desviación estándar.

Respuesta:

Media = 600 + 470 + 170 + 430 + 300 = 1970 = 394

13
 5 5

Así que la altura media es 394 mm. Vamos a dibujar esto en el gráfico:

Para calcular la varianza, toma cada diferencia, elévala al cuadrado, y haz la media:

2062 + 762 + (-224)2 + 362 + (-94)2 108,520

Varianza: σ2 =
= = 21,704

5 5

Función Generatriz de Momento.

La función generatriz de momentos vendrá dada por:

Partiendo de ella podemos establecer, por aplicación del teorema de los

momentos, que la media vendrá establecida en siendo la varianza

Experimento Aleatorio.

Experimento aleatorio, Operación que repetimos bajo idénticas condiciones iniciales

y no se obtienen siempre los mismos resultados.

Ejemplo:

Lanzamiento de un dado observando la sucesión de números que se presentan {1, 2, 3, 4, 5,6}.

Espacio Muestral.

14
 Espacio muestral.- Conjunto de todos los sucesos elementales del experimento
aleatorio y lo designaremos como (E). Ejemplo del dado: {1,2,3,4,5,6}.

Eventos mutuamente excluyentes, sucesos independientes.

Eventos mutuamente excluyentes:
1. Si se tira un dado calcular la probabilidad de:
A caen 3 puntos o menos o
B caen 5 puntos o mas Como son Mutuamente excluyentes AnB=0 P(AoB)=P(a)+P(B)
=P(salen 3 o menos)+P(salen 5 o mas) =3/6 + 2/6 =5/6
2. Se tiene una urna con 50 papeles de colores 15 rojos, 5 morados, 9 verdes, 11
naranjas y 10 azules.
Cuál es la probabilidad de:
A sale un papel azul o
B sale un papel rojo
P(AoB)=P(AuB)=P(A)+P(B) =P(sale un azul)+P(sale 1 rojo) =10/50 + 15/50 =25/50
=1/2
Sucesos Independientes:

Sean A y B dos sucesos del espacio muestral. El suceso A se dice independiente del
suceso B si el conocimiento de la ocurrencia de B no modifica la probabilidad de aparición
de A, es decir, si P (A/B) = P (A) o P(A) = P(A/B).

Propiedad: Si dos sucesos A, B son independientes, entonces siempre se verifica:

A es independiente de B =P (A∩ B) =*P ( B), De la definición y de esta propiedad se

deduce que si los sucesos A y B son independientes, se verifica:

 Los sucesos A y B son independientes.

 Los sucesos A y B son independientes.

 Los sucesos A y B son independientes.

 Decimos que n sucesos son independientes si se verifica:

15
 P (A1 ∩ A2 ∩...∩An) = P (A1 )*P (A2)°...°P (An )

Teorema de Valles.

El teorema de Bayes, en la teoría de la probabilidad, es una proposición planteada

por el filósofo inglés Thomas Bayes (1702-1761)1 en 1760,2 que expresa la probabilidad
condicional de un evento aleatorio A dado B en términos de la distribución de probabilidad
condicional del evento B dado A y la distribución de probabilidad marginal de sólo A.

Sea P (A1,A2 ,...,An), un conjunto de sucesos mutuamente excluyentes y

exhaustivos, y tales que la probabilidad de cada uno de ellos es distinta de cero (0). Sea B
un suceso cualquiera del que se conocen las probabilidades condicionales P(B|Ai).
Entonces, la probabilidad P(Ai|B). Viene dada por la expresión: P(Ai|B)= P(B|Ai)P(Ai )
P(B)

donde:

P(Ai), son las probabilidades a priori,

P(B|Ai), es la probabilidad de B en la hipótesis A_i,

P(Ai|B), son las probabilidades a posteriori.

Conclusión
Es importante destacar que a través de esta investigación Se tratará de formalizar
numéricamente los resultados de un fenómeno aleatorio. Por tanto, una variable aleatoria es
un valor numérico que corresponde a un resultado de un experimento aleatorio. Algunos
ejemplos son: número de caras obtenidas al lanzar seis veces una moneda, número de
llamadas que recibe un teléfono durante una hora, tiempo de fallo de una componente
eléctrica, etc. El estudio que se hace en este tema es análogo al que se hace con las
variables estadísticas en descriptiva. Así retomaremos el concepto de distribución y las
características numéricas, como la media y varianza. El papel que allí jugaba la frecuencia
16
relativa lo juega ahora la probabilidad. Esto va a proporcionar aspectos y propiedades
referentes a fenómenos aleatorios que permitirán modelos muy estudiados en la actualidad.

Bibliografía

www.htt/librosdeestadisticaprobabilistica.com

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1t7.com

https://www.uv.es/ceaces/normaMu/chi2/chi2.com

http://distribucionnormal3t1is.blogspot.com/2011/11/esperanza-y-varianza.com

https://www.importancia.org/probabilidad.php

17
.

18
ANEXOS

19
20