Académique Documents
Professionnel Documents
Culture Documents
“Modelos analíticos de
fenómenos aleatorios
discretos y continuos.”
Investigación.
Materia: Probabilidad y estadística.
Docente: Dr. Jorge Alberto Ramírez Cano
Alumna: María Guadalupe Rodríguez Utrera
Carrera: Ingeniería en sistemas
Semestre y grupo: 2 “A”
Fecha: 17-Abril-2020
Tabla de contenido
Introducción………………………………………………………………………………..3
1.4 Varianza…………………………………………………………………………...5-6
3 Conclusión…………………………………………………………………………….14
4 Referencias……………………………………………………………………………15
2
INTRODUCCIÒN:
• El tiempo que hay que esperar para que se presente una falla en un
circuito.
3
DESARROLLO:
4
1.3 Valor esperado:
El valor esperado o esperanza de una variable aleatoria tiene su origen en los
juegos de azar, debido a que los jugadores deseaban saber cuál 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 función
de probabilidad de una variable aleatoria y el conjunto de todos los resultados
posibles del juego estará representado por la distribución de probabilidad de la
variable aleatoria. El valor esperado o esperanza es muy importante, ya que es
uno de los parámetros que describen una variable aleatoria.
Sea X una variable aleatoria discreta con función de probabilidades f(x). Entonces,
el valor esperado de la variable aleatoria X, el cual se representa por E(X), está
definido por: E(X) = å 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 después se
suman esos productos.
1.4 Varianza:
Existen dos aspectos que caracterizan de forma simple el comportamiento de la
distribución de probabilidad, porque proporcionan una descripción completa de la
forma en que se comporta: la medida de tendencia central y la de dispersión.
5
dispersión es de gran importancia. Por lo tanto, para tener un conocimiento claro y
completo del comportamiento de los valores que puede tomar la variable aleatoria,
es indispensable conocer tanto la media como la variancia o la desviación
estándar de la distribución de probabilidad.
Las desviaciones (X - m ) toman valores: (x1 - m), (x2 - m), (x3 - m), ,(xi - m), con
probabilidades respectivas: f(x1), f(x2), f(x3), . . . , f(xi). Sin embargo, al tomar el
valor esperado de estas desviaciones nos encontramos con que:
Esto se debe a que las desviaciones positivas se compensan con las desviaciones
negativas. Para determinar una medida de dispersión, necesitamos considerar
únicamente la magnitud de las desviaciones sin sus signos.
6
1.5 Desviación estándar:
En vista de lo anterior, si queremos expresar la medida de dispersión en las
mismas unidades en que se miden los valores de la variable aleatoria X, debemos
tomar la raíz cuadrada positiva de la variancia. A esta cantidad se le conoce con el
nombre de desviación estándar y se representa con s. La desviación estándar de
una variable aleatoria X se define y simboliza como:
𝑛 𝑛!
𝑏(𝑥, 𝑛, 𝑝) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 = 𝑝 𝑥 𝑞 𝑛−𝑥 𝑥 = 0, 1, 2, … … 𝑛
𝑥 (𝑛
𝑥! − 𝑥)!
7
1.7 Distribución hipergeométrica:
(𝑘𝑥)(𝑁−𝐾
𝑛−𝑥
)
ℎ(𝑥, 𝑁, 𝑛, 𝑘) = 𝑝𝑎𝑟𝑎 𝑥 = 0, 1, 2, … 𝑛(𝐾)
(𝑁𝑛)
8
en n pruebas independientes tiene distribución multinomial.
𝑛 𝑛!
𝑓(𝑥1, 𝑥2 … 𝑥𝑘, 𝑝1, 𝑝2 … 𝑝𝑘) = ( ) 𝑝1𝑥1 𝑝2𝑥2 … 𝑝𝑘𝑥𝑘 = 𝑝1𝑥1 𝑝2𝑥2 … 𝑝𝑘𝑥𝑘
𝑥1, 𝑥2, … 𝑥𝑘 𝑥1! 𝑥2! … 𝑥𝑘!
1. El número de éxitos que ocurren en cada región del tiempo o del espacio
es independiente de lo que ocurra en cualquier otro tiempo o espacio
disjunto del anterior.
9
La función de probabilidad de una variable Poisson es:
𝑒 −𝜆 𝜆𝑥
𝑝(𝑥, 𝜆) = 𝑥 = 0, 1, … ∞ 𝑒 = 2.71828
𝑥!
El parámetro de la distribución es λ que es igual a la media y a la varianza de la
variable. La distribución de Poisson se puede considerar como el límite al que
tiende la distribución binomial cuando n tiende a ∞ y p tiende a 0, siendo np
constante (y menor que 7); en esta situación sería difícil calcular probabilidades en
una variable binomial y, por tanto, se utiliza una aproximación a través de una
variable Poisson con media l = n p.
10
2. MODELOS ANALÍTICOS DE FENÓMENOS
ALEATORIOS CONTINUOS:
2.1 Definición de variable aleatoria continua:
11
2.2 Función de densidad y acumulativa:
Como en el caso de la v.a. discreta, la función de distribución proporciona la
probabilidad acumulada hasta un determinado valor de la variable, es decir,
ª Su valor es cero para todos los puntos situados a la izquierda del menor
valor de la variable.
ª Su valor es 1 para todos los puntos situados a la derecha del mayor valor
de la variable.
1 𝑥
∗ 𝑒𝑝, 𝑠𝑖 𝑥 > 0
𝑓(𝑥) = {𝛽 𝛽>0
0, 𝑠𝑖 𝑥 ≤ 0
Su parámetro es β.
12
2.5 Distribución normal:
La distribución normal fue definida por De Moivre en 1733 y es la distribución de
mayor importancia en el campo de la estadística.
Las variables normales tienen una función de densidad con forma de campana a
la que se llama campana de Gauss.
13
CONCLUSION:
En conclusión podemos decir que una variable aleatoria discreta es una variable
aleatoria cuyos valores posibles o constituyen un conjunto finito o bien pueden ser
puestos en lista en una secuencia infinita en la cual existe un primer elemento, un
segundo elemento, y así sucesivamente.
Ejemplo:
Suponga que se eligen al azar parejas de casados y que a cada persona se le
hace una prueba de sangre hasta encontrar un esposo y esposa con el mismo
factor Rh. Con X _ el número de pruebas de sangre que serán realizadas, los
posibles valores de X son D _ {2, 4, 6, 8,. . .}.
Como los posibles valores se dieron en secuencia, X es una variable aleatoria
discreta.
14
BIBLIOGRAFÍA:
15