Esperanza matemtica de una variable discreta.

La esperanza de una variable aleatoria discreta es igual a la suma de la probabilidad de cada posible suceso aleatorio multiplicado por el valor de dicho suceso. Por lo tanto, representa la cantidad media que se "espera" como resultado de un experimento aleatorio cuando la probabilidad de cada suceso se mantiene constante y el experimento se repite un elevado nmero de veces. Cabe decir que el valor que toma la esperanza matemtica en algunos casos puede no ser "esperado" en el sentido ms general de la palabra el valor de la esperanza puede ser improbable o incluso imposible. En estadstica la esperanza matemtica de una variable aleatoria formaliza la idea de valor medio de un fenmeno aleatorio. , es el nmero E[X] que

Para una variable aleatoria discreta con valores posibles representadas por la funcin de probabilidad la esperanza se calcula como:

y sus probabilidades

Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es 3,5. Podemos hacer el clculo

Cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmtica.

Una aplicacin comn de la esperanza matemtica es en las apuestas o los juegos de azar. Por ejemplo, la ruleta americana tiene 38 casillas equiprobables. La ganancia para acertar una apuesta a un solo nmero paga de 35 a 1 (es decir, cobramos 35 veces lo que hemos apostado y recuperamos la apuesta, as que recibimos 36 veces lo que hemos apostado). Por tanto, considerando los 38 posibles resultados, la esperanza matemtica del beneficio para apostar a un solo nmero es:

Que es -0,0526 aproximadamente. Por lo tanto uno esperara, en media, perder unos 5 cntimos por cada euro que apuesta, y el valor esperado para apostar 1 euro son 0.9474 euros. En el mundo de las apuestas, un juego donde el beneficio esperado es cero (no ganamos ni perdemos) se llama un "juego justo". Nota: El primer parntesis es la "esperanza" de perder tu apuesta de 1, por eso es negativo el valor. El segundo parntesis es la esperanza matemtica de ganar los 35. La esperanza matemtica del beneficio es el valor esperado a ganar menos el valor esperado a perder.

Varianza de una variable aleatoria Discreta.

La varianza de una variable aleatoria es una caracterstica numrica que proporciona una idea de la dispersin de la variable aleatoria respecto de su esperanza. Decimos que es un parmetro de dispersin. La definicin es la siguiente:

Es, por tanto, el promedio terico de las desviaciones cuadrticas de los diferentes valores que puede tomar la variable respecto de su valor medio terico o esperanza. En el caso de las variables discretas, la expresin se convierte en:

Propiedades de la varianza: 1. Var(X) 0 2. Var(k X) = k2 Var (X) para todo numero real k. 3. Var(k) = 0 para todo numero real k. 4. Var(a X + b) = a2 Var(X) para todo par de nmeros reales a i b. 5. Var(X + Y) = Var(X) + Var(Y) nicamente en el caso que X y Y sean independientes.

Distribucin De Una Variable Aleatoria Discreta. Una variable aleatoria es discreta cuando slo puede tomar unos ciertos valores enteros. Ejemplos de variable aleatoria: Nmero de caras obtenidas al lanzar tres monedas: 0, 1, 2, 3. Suma de las caras superiores obtenidas al lanzar dos dados: 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12. Distribucin de probabilidad: En las distribuciones estadsticas discretas obtenemos los resultados (frecuencias absolutas fi y relativas hi) de forma experimental o emprica. Son los resultados obtenidos. Si suponemos que realizamos el experimento muchas veces (infinitas) obtenemos la distribucin de probabilidad. La distribucin de probabilidad de una variable aleatoria es terica. Son los resultados esperados. Es una idealizacin de la correspondiente distribucin de frecuencias. Tambin se llama funcin de probabilidad o ley de probabilidad. Caractersticas: A cada valor de la variable aleatoria xi le hacemos corresponder una probabilidad esperada terica pi. Se representa grficamente mediante un diagrama de barras. La suma de todas las probabilidades esperada es uno.

Ejemplo de variable aleatoria Lanzamos un dado perfecto 240 veces, anotamos el resultado obtenido en la cara superior obteniendo los siguientes resultados: Distribucin aleatoria discreta 1 2 3 Cara superior 40 39 42 Nmero de veces

4 38

5 42

6 39

1. 2.

Construir la tabla de distribucin de frecuencias relativas de los resultados obtenidos. Construir la tabla de distribucin de probabilidad de los resultados esperados.

3.

Representar grficamente las dos distribuciones.

* Si un es perfecto la probabilidad de todas las caras es la misma y vale 1/6. 1. Tabla de distribucin de frecuencias La tabla de distribucin de frecuencias muestra los resultados obtenidos.

2. Tabla de distribucin de probabilidad La tabla de distribucin de probabilidad muestra los resultados esperados.

3. Grfica de las distribuciones

En la grfica de los valores esperados, observamos que a cada valor de la variables aleatoria xi "cara del dado" le hacemos corresponder su probabilidad terica. A esta ley se le llama distribucin de probabilidad.

Distribucin Hipergeomtrica. En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hipergeotrica mide la probabilidad de obtener x ( ) elementos de la categora A en una muestra sin reemplazo de n elementos de la poblacin original. La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual a:

Donde es el tamao de poblacin, es el tamao de la muestra extrada, es el nmero de elementos en la poblacin original que pertenecen a la categora deseada y es el nmero de

elementos en la muestra que pertenecen a dicha categora. La notacin

hace referencia

al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar un total .

elementos de

El valor esperado de una variable aleatoria X que sigue la distribucin hipergeomtrica es:

y su varianza,

En la frmula anterior, definiendo

Se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y la binomial a muestreos con reemplazo. En situaciones en las que el nmero esperado de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la primera por la segunda. Esto es as cuando N es grande y el tamao relativo de la muestra extrada, n/N, es pequeo.

Ejercicio:

En una florera hay 20 variedades de flores, de las cuales 8 son diferentes clases de rosas. Que probabilidad hay de que al extraer una muestra al azar de12 flores, se incluyan 3 clases de rosas?

Es una distribucin hipergeomtrica , con los siguientes parmetros:

N=tamao de poblacin =20 n=tamao de muestra=12 A=xitos en la poblacin=rosas=8 k=xitos en la muestra=rosas=3 Sustituimos los valores en la frmula general:

Realizando clculos, obtenemos:

Distribucin Binomial. En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli.

Para representar que parmetros n y p, se escribe:

una variable

aleatoria X sigue

una

distribucin

binomial

de

La distribucin binomial es la base del test binomial de significacin estadstica. Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse por esta distribucin:

Se lanza un dado diez veces y se cuenta el nmero X de tres obtenidos: entonces X ~ B(10, 1/6) Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(2, 1/2)

Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan como p y q o p y 1-p).

Se designa por X a la variable que mide el nmero de xitos que se han producido en los n experimentos.

Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se denota B(n,p).

Su funcin de probabilidad es:

Donde

Siendo

las combinaciones de Ejemplo:

en

( elementos tomados

de

en

La probabilidad de que un hombre acierte en el blanco es 1/4. Si dispara 10 veces cul es la probabilidad de que acierte exactamente en tres ocasiones? Cul es la probabilidad de que acierte por lo menos en una ocasin? B(10, 1/4) p = 1/4 q = 3/4

DISTRIBUCIN DE POISSON. En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Caractersticas: En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc: De defectos de una tela por m2. De aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc. De bacterias por cm2 de cultivo. De llamadas telefnicas a un conmutador por hora, minuto, etc, etc. De llegadas de embarcaciones a un puerto por da, mes, etc, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

Donde: p(x, probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es = media o promedio de xitos por unidad de tiempo, rea o producto. = 2.718 x = variable que nos denota el nmero de xitos que se desea que ocurra. Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es independiente de otro intervalo dado, as como cada rea es independiente de otra rea dada y cada producto es independiente de otro producto dado.

Ejemplos: 1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?

Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. = 6 cheques sin fondo por da. = 2.718

b) x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos. Nota: siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x.

Variables Aleatorias Continas. Una variable aleatoria X es continua si su funcin de distribucin es una funcin continua. En la prctica, se corresponden con variables asociadas con experimentos en los cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones biomtricas, intervalos de tiempo, reas, etc. Ejemplos:

Resultado de un generador de nmeros aleatorios entre 0 y 1. Es el ejemplo ms sencillo que podemos considerar, es un caso particular de una familia de variables aleatorias que tienen una distribucin uniforme en un intervalo [a, b]. Se corresponde con la eleccin al azar de cualquier valor entre a y b.

Estatura de una persona elegida al azar en una poblacin. El valor que se obtenga ser una medicin en cualquier unidad de longitud (m, cm, etc.) dentro de unos lmites condicionados por la naturaleza de la variable. El resultado es impredecible con antelacin, pero existen intervalos de valores ms probables que otros debido a la distribucin de alturas en la poblacin. Ms adelante veremos que, generalmente, variables biomtricas como la altura se adaptan un modelo de distribucin denominado distribucin Normal y representada por una campana de Gauss. Dentro de las variables aleatorias continuas tenemos las variables aleatorias absolutamente continuas. Diremos que una variable aleatoria X continua tiene una distribucin absolutamente continua si existe una funcin real f, positiva e integrable en el conjunto de nmeros reales, tal que la funcin de distribucin F de X se puede expresar como:

Una variable aleatoria con distribucin absolutamente continua, por extensin, se clasifica como variable aleatoria absolutamente continua.

La distribucin Normal.

Se trata, sin duda, del modelo continuo ms importante en estadstica, tanto por su aplicacin directa, veremos que muchas variables de inters general pueden describirse por dicho modelo, como por sus propiedades, que han permitido el desarrollo de numerosas tcnicas de inferencia estadstica. En realidad, el nombre de Normal proviene del hecho de que durante un tiempo se crey, por parte de mdicos y bilogos, que todas las variables naturales de inters seguan este modelo. Su funcin de densidad viene dada por la frmula:

Que, como vemos, depende de dos parmetros (que puede ser cualquier valor real) y (que ha de ser positiva). Por esta razn, a partir de ahora indicaremos de forma abreviada que una variable X sigue el modelo Normal as: X ~ N(, ). Por ejemplo, si nos referimos a una distribucin Normal con = 0 y = 1 lo abreviaremos N(0, 1).

Una distribucin normal de media y desviacin tpica se designa por N(, ). Su grfica es la campana de Gauss:

El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad. Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.

La probabilidad equivale al rea encerrada bajo la curva.

Distribucin Normal Estndar. La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el valor cero , = 0 , y por desviacin tpica la unidad, =1 . Su funcin de densidad es:

Su grfica es:

La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y para calcularla utilizaremos una tabla. Tipificacin de la variable: Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribucin N(, ) en otra variable Z que siga una distribucin N(0, 1) .

TABLA DE LA DISTRIBUCION NORMAL ESTANDARIZADA.-

0,00

0,01

0,02

0,03

0,04

0,05

0,06

0,07

0,08

0,09

-3,4 -3,3 -3,2 -3,1 -3,0 -2,9 -2,8 -2,7 -2,6 -2,5 -2,4 -2,3 -2,2 -2,1 -2,0 -1,9 -1,8 -1,7 -1,6 -1,5 -1,4 -1,3 -1,2 -1,1 -1,0 -0,9 -0,8 -0,7 -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0,0

0,0003 0,0005 0,0007 0,0010 0,0013 0,0019 0,0026 0,0035 0,0047 0,0062 0,0082 0,0107 0,0139 0,0179 0,0228 0,0287 0,0359 0,0446 0,0548 0,0668 0,0808 0,0968 0,1151 0,1357 0,1587 0,1841 0,2119 0,2420 0,2743 0,3085 0,3446 0,3821 0,4207 0,4602 0,5000

0,0003 0,0005 0,0006 0,0009 0,0013 0,0018 0,0025 0,0034 0,0045 0,0060 0,0080 0,0104 0,0136 0,0174 0,0222 0,0281 0,0351 0,0436 0,0537 0,0655 0,0793 0,0951 0,1131 0,1335 0,1562 0,1814 0,2090 0,2389 0,2709 0,3050 0,3409 0,3783 0,4168 0,4562 0,4960

0,0003 0,0005 0,0006 0,0009 0,0013 0,0018 0,0024 0,0033 0,0044 0,0059 0,0078 0,0102 0,0132 0,0170 0,0217 0,0274 0,0344 0,0427 0,0526 0,0643 0,0778 0,0934 0,1112 0,1314 0,1539 0,1788 0,2061 0,2358 0,2676 0,3015 0,3372 0,3745 0,4129 0,4522 0,4920

0,0003 0,0004 0,0006 0,0009 0,0012 0,0017 0,0023 0,0032 0,0043 0,0057 0,0075 0,0099 0,0129 0,0166 0,0212 0,0268 0,0336 0,0418 0,5160 0,0630 0,0764 0,0918 0,1093 0,1292 0,1515 0,1762 0,2033 0,2327 0,2643 0,2981 0,3336 0,3707 0,4090 0,4483 0,4880

0,0003 0,0004 0,0006 0,0008 0,0012 0,0016 0,0023 0,0031 0,0041 0,0055 0,0073 0,0096 0,0125 0,0160 0,0207 0,0262 0,0329 0,0409 0,0505 0,0618 0,0749 0,0901 0,1075 0,1271 0,1492 0,1736 0,2005 0,2296 0,2611 0,2946 0,3300 0,3669 0,4052 0,4443 0,4840

0,0003 0,0004 0,0006 0,0008 0,0011 0,0016 0,0022 0,0030 0,0040 0,0054 0,0071 0,0094 0,0122 0,0158 0,0202 0,0256 0,0322 0,0401 0,0495 0,0606 0,0735 0,0855 0,1056 0,1251 0,1469 0,1711 0,1977 0,2266 0,2578 0,2912 0,3264 0,3632 0,4013 0,4404 0,4801

0,0003 0,0004 0,0006 0,0008 0,0011 0,0015 0,0021 0,0029 0,0039 0,0052 0,0069 0,0091 0,0119 0,0154 0,0197 0,0250 0,0314 0,0392 0,0485 0,0594 0,0721 0,0869 0,1038 0,1230 0,1446 0,1685 0,1949 0,2236 0,2546 0,2877 0,3228 0,3594 0,3974 0,4364 0,4761

0,0003 0,0004 0,0005 0,0008 0,0011 0,0015 0,0021 0,0028 0,0038 0,0051 0,0068 0,0089 0,0116 0,0150 0,0192 0,0244 0,0307 0,0384 0,0475 0,0582 0,0708 0,0853 0,1020 0,1210 0,1423 0,1660 0,1922 0,2206 0,2514 0,2843 0,3192 0,3557 0,3936 0,4325 0,7210

0,0003 0,0004 0,0005 0,0007 0,0010 0,0014 0,0020 0,0027 0,0037 0,0049 0,0066 0,0087 0,0113 0,0146 0,0188 0,0239 0,0301 0,0375 0,0465 0,0571 0,0694 0,0838 0,1003 0,1190 0,1401 0,1631 0,1894 0,2177 0,2483 0,2810 0,3156 0,3520 0,3897 0,4286 0,4681

0,0002 0,0003 0,0005 0,0007 0,0010 0,0014 0,0019 0,0026 0,0036 0,0048 0,0064 0,0084 0,0110 0,0143 0,0183 0,0233 0,0294 0,0367 0,0455 0,0559 0,0681 0,0823 0,0985 0,1170 0,1379 0,1611 0,1867 0,2148 0,2451 0,2776 0,3121 0,3483 0,3859 0,4247 0,4641

Z 0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2,0 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3,0 3,1 3,2 3,3

0,00 0,5000 0,5398 0,5793 0,6179 0,6554 0,6915 0,7257 0,7580 0,7881 0,8159 0,8413 0,8643 0,8849 0,9032 0,9192 0,9332 0,9452 0,9554 0,9641 0,9713 0,9772 0,9821 0,9861 0,9893 0,9918 0,9938 0,9953 0,9965 0,9974 0,9981 0,9987 0,9990 0,9993 0,9995

0,01 0,5040 0,5438 0,5832 0,6217 0,6591 0,6950 0,7291 0,7611 0,7910 0,8186 0,8438 0,8665 0,8869 0,9049 0,9207 0,9345 0,9463 0,9564 0,9649 0,9719 0,9778 0,9826 0,9864 0,9896 0,9920 0,9940 0,9955 0,9966 0,9975 0,9982 0,9987 0,9991 0,9993 0,9995

0,02 0,5080 0,5478 0,5871 0,6255 0,6628 0,6985 0,7324 0,7642 0,7939 0,8212 0,8461 0,8686 0,8888 0,9066 0,9222 0,9357 0,9474 0,9573 0,9656 0,9726 0,9783 0,9830 0,9868 0,9898 0,9922 0,9941 0,9956 0,9967 0,9976 0,9982 0,9988 0,9991 0,9994 0,9995

0,03 0,5120 0,5517 0,5910 0,6293 0,6664 0,7019 0,7357 0,7673 0,7967 0,8238 0,8485 0,8708 0,8907 0,9082 0,9236 0,9370 0,9484 0,9582 0,9664 0,9732 0,9788 0,9834 0,9871 0,9901 0,9925 0,9943 0,9957 0,9968 0,9977 0,9983 0,9988 0,9991 0,9994 0,9996

0,04 0,5160 0,5557 0,5948 0,6331 0,6700 0,7054 0,7389 0,7704 0,7995 0,8264 0,8508 0,8729 0,8925 0,9099 0,9251 0,9382 0,9495 0,9591 0,9671 0,9738 0,9793 0,9838 0,9875 0,9904 0,9927 0,9945 0,9959 0,9969 0,9977 0,9984 0,9989 0,9992 0,9994 0,9996

0,05 0,5199 0,5596 0,5987 0,6368 0,6736 0,7088 0,7422 0,7734 0,8023 0,8289 0,8531 0,8749 0,8944 0,9115 0,9265 0,9394 0,9505 0,9599 0,9678 0,9744 0,9798 0,9842 0,9878 0,9906 0,9929 0,9946 0,9960 0,9970 0,9978 0,9984 0,9989 0,9992 0,9994 0,9996

0,06 0,5239 0,5636 0,6026 0,6406 0,6772 0,7123 0,7454 0,7764 0,8051 0,8315 0,8554 0,8770 0,8962 0,9131 0,9279 0,9406 0,9515 0,9608 0,9686 0,9750 0,9803 0,9846 0,9881 0,9909 0,9931 0,9948 0,9961 0,9971 0,9979 0,9985 0,9989 0,9992 0,9994 0,9996

0,07 0,5279 0,5675 0,6064 0,6443 0,6808 0,7157 0,7486 0,7794 0,8078 0,8340 0,8577 0,8790 0,8980 0,9147 0,9292 0,9418 0,9525 0,9616 0,9693 0,9756 0,9808 0,9850 0,9884 0,9911 0,9932 0,9949 0,9962 0,9972 0,9979 0,9985 0,9989 0,9992 0,9995 0,9996

0,08 0,5319 0,5714 0,6103 0,6480 0,6844 0,7190 0,7517 0,7823 0,8106 0,8365 0,8599 0,8810 0,8997 0,9162 0,9306 0,9429 0,9535 0,9625 0,9699 0,9761 0,9812 0,9854 0,9887 0,9913 0,9934 0,9951 0,9963 0,9973 0,9980 0,9986 0,9990 0,9993 0,9995 0,9996

0,09 0,5359 0,5753 0,6141 0,6517 0,6879 0,7224 0,7549 0,7852 0,8133 0,8389 0,8621 0,8830 0,9015 0,9177 0,9319 0,9441 0,9545 0,9633 0,9706 0,9767 0,9817 0,9857 0,9890 0,9916 0,9936 0,9952 0,9964 0,9974 0,9981 0,9986 0,9990 0,9993 0,9995 0,9997

3,4 0,9997

0,9997

0,9997

0,9997

0,9997 0,9997 0,9997 0,9997 0,9997 0,9998

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0 0.0000 0.0040 0.0080 0.0120 0.0160 0.0199 0.0239 0.0279 0.0319 0.0359 0.1 0.0398 0.0438 0.0478 0.0517 0.0557 0.0596 0.0636 0.0675 0.0714 0.0753 0.2 0.0793 0.0832 0.0871 0.0910 0.0948 0.0987 0.1026 0.1064 0.1103 0.1141 0.3 0.1179 0.1217 0.1255 0.1293 0.1331 0.1368 0.1406 0.1443 0.1480 0.1517 0.4 0.1554 0.1591 0.1628 0.1664 0.1700 0.1736 0.1772 0.1808 0.1844 0.1879 0.5 0.1915 0.1950 0.1985 0.2019 0.2054 0.2088 0.2123 0.2157 0.2190 0.2224 0.6 0.2257 0.2291 0.2324 0.2357 0.2389 0.2422 0.2454 0.2486 0.2517 0.2549 0.7 0.2580 0.2611 0.2642 0.2673 0.2704 0.2734 0.2764 0.2794 0.2823 0.2852 0.8 0.2881 0.2910 0.2939 0.2967 0.2995 0.3023 0.3051 0.3078 0.3106 0.3133 0.9 0.3159 0.3186 0.3212 0.3238 0.3264 0.3289 0.3315 0.3340 0.3365 0.3389 1.0 0.3413 0.3438 0.3461 0.3485 0.3508 0.3531 0.3554 0.3577 0.3599 0.3621 1.1 0.3643 0.3665 0.3686 0.3708 0.3729 0.3749 0.3770 0.3790 0.3810 0.3830 1.2 0.3849 0.3869 0.3888 0.3907 0.3925 0.3944 0.3962 0.3980 0.3997 0.4015 1.3 0.4032 0.4049 0.4066 0.4082 0.4099 0.4115 0.4131 0.4147 0.4162 0.4177 1.4 0.4192 0.4207 0.4222 0.4236 0.4251 0.4265 0.4279 0.4292 0.4306 0.4319 1.5 0.4332 0.4345 0.4357 0.4370 0.4382 0.4394 0.4406 0.4418 0.4429 0.4441 1.6 0.4452 0.4463 0.4474 0.4484 0.4495 0.4505 0.4515 0.4525 0.4535 0.4545 1.7 0.4554 0.4564 0.4573 0.4582 0.4591 0.4599 0.4608 0.4616 0.4625 0.4633 1.8 0.4641 0.4649 0.4656 0.4664 0.4671 0.4678 0.4686 0.4693 0.4699 0.4706 1.9 0.4713 0.4719 0.4726 0.4732 0.4738 0.4744 0.4750 0.4756 0.4761 0.4767 2.0 0.4772 0.4778 0.4783 0.4788 0.4793 0.4798 0.4803 0.4808 0.4812 0.4817 2.1 0.4821 0.4826 0.4830 0.4834 0.4838 0.4842 0.4846 0.4850 0.4854 0.4857

2.2 0.4861 0.4864 0.4868 0.4871 0.4875 0.4878 0.4881 0.4884 0.4887 0.4890 2.3 0.4893 0.4896 0.4898 0.4901 0.4904 0.4906 0.4909 0.4911 0.4913 0.4916 2.4 0.4918 0.4920 0.4922 0.4925 0.4927 0.4929 0.4931 0.4932 0.4934 0.4936 2.5 0.4938 0.4940 0.4941 0.4943 0.4945 0.4946 0.4948 0.4949 0.4951 0.4952 2.6 0.4953 0.4955 0.4956 0.4957 0.4959 0.4960 0.4961 0.4962 0.4963 0.4964 2.7 0.4965 0.4966 0.4967 0.4968 0.4969 0.4970 0.4971 0.4972 0.4973 0.4974 2.8 0.4974 0.4975 0.4976 0.4977 0.4977 0.4978 0.4979 0.4979 0.4980 0.4981 2.9 0.4981 0.4982 0.4982 0.4983 0.4984 0.4984 0.4985 0.4985 0.4986 0.4986 3.0 0.4987 0.4987 0.4987 0.4988 0.4988 0.4989 0.4989 0.4989 0.4990 0.4990

Distribucin Exponencial. La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento. el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14, C14; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. Concretando, si una v.a. continua X distribuida a lo largo de densidad es , es tal que su funcin de

Se dice que sigue una distribucin exponencial de parmetro

Figura: Funcin de densidad, f, de

Un clculo inmediato nos dice que si x>0,

Luego la funcin de distribucin es:

Figura: Funcin de distribucin, F, de , calculada como el rea que deja por debajo de s la funcin de densidad.

Para calcular el valor esperado y la varianza de la distribucin exponencial, obtenemos en primer lugar la funcin caracterstica

Para despus, derivando por primera vez

Y derivando por segunda vez,

Entonces la varianza vale

Ejemplo En un experimento de laboratorio se utilizan 10 gramos de . Sabiendo que la duracin media de un tomo de esta materia es de 140 das, cuantos idas transcurrirn hasta que haya desaparecido el de este material? es una variable aleatoria de

Solucin: El tiempo T de desintegracin de un tomo de distribucin exponencial:

Como el nmero de tomos de existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo que transcurre hasta que el desintegra es el percentil 90, t90, de la distribucin exponencial, es decir del material radiactivo se

Figura: Como el nmero de tomos (observaciones) es extremadamente alto en 10 gramos de materia, el histograma puede ser aproximado de modo excelente por la funcin de densidad exponencial, y el polgono de frecuencias acumuladas por la funcin de distribucin.

Distribucin de Weibull. En teora de la probabilidad y estadstica, la distribucin de Weibull es una distribucin de probabilidad continua.

La funcin de densidad de una variable aleatoria con la distribucin de Weibull x es:

Donde

es el parmetro de forma y

es el parmetro de escala de la distribucin.

La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es proporcional a una potencia del tiempo:

Un valor k<1 indica que la tasa de fallos decrece con el tiempo. Cuando k=1, la tasa de fallos es constante en el tiempo. Un valor k>1 indica que la tasa de fallos crece con el tiempo.

EJEMPLOS

1. Esperanza Matemtica de una variable aleatoria discreta:

2. Varianza de una Variable Aleatoria Discreta:

3. Distribucin de variables aleatorias discretas:

4. Distribucin Hipergeometrica Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) b) Las probabilidades asociadas a cada uno de los resultados no son constantes. c) c) Cada ensayo o repeticin del experimento no es independiente de los dems. d) d) El nmero de repeticiones del experimento (n) es constante.

Ejemplo: En una urna o recipiente hay un total de N objetos, entre los cuales hay una cantidad a de objetos que son defectuosos, si se seleccionan de esta urna n objetos al azar, y sin reemplazo, cul es la probabilidad de obtener x objetos defectuosos? Solucin: Luego;

p( x , n )

C x* N a C n x N Cn

donde: p(x,n) = probabilidad de obtener x objetos defectuosos de entre n seleccionados

C x * N a C n x muestras de n objetos en donde hay x que son defectuosos y n-x buenos

todas las muestras posibles de seleccionar de n objetos tomadas de entre N objetos en total = espacio muestral
N

Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean defectuosos? Solucin: N = 10 objetos en total a = 3 objetos defectuosos n = 4 objetos seleccionados en muestra x = 2 objetos defectuosos deseados en la muestra
p( x 2 ,n 4 )
3

C2*10 3 C4 2 10 C4

3! 7! * C* C ( 3 2 )!2! ( 7 2 )!2! 3 2 7 2 10! 10 C4 ( 10 4 )!4!

3! 7! 3x 2 x1! 7 x6 x5! * * 1 ! 2 ! 5 ! 2 ! 1 ! 2 ! 5!2! 3x 2 x7 x6 * 4! 10! 10 x9 x8 x7 x6! 10 x9 x8 x7 2!2! 6!4! 6!4!

donde:
3 x 2 x7 x6 10 x9 x8 x7 probabilidad asociada a cada muestra de 4 objetos que se seleccionaron, con lo que se demuestra que las probabilidades no son constantes 4! 2!2! formas o maneras de obtener 2 objetos defectuosos entre los 4 seleccionados = muestras de 4 objetos entre los que 2 son defectuosos

Como se observa en el desarrollo de la solucin del problema, la pretensin es demostrar que las probabilidades asociadas a cada uno de los resultados no son constantes. Luego la probabilidad de obtener 2 objetos defectuosos entre los 4 seleccionados al azar sera:

3x 2 x7 x6 4! 252 24 6048 * * 0.30 10 x9 x8 x7 2!2! 5040 4 20160

Ejemplo: Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina que son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?. Solucin: a) N = 9+6 =15 total de tabletas a = 6 tabletas de narctico n = 3 tabletas seleccionadas x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)

 p( x 1,23tabletas; n 3 )

C1* 9 C2 6 C2* 9 C1 6 C3* 9 C0 15 C3 15 C3 15 C3

( 6 )( 36 ) ( 15 )( 9 ) ( 20 )(1 ) 216 135 20 371 0.81538 455 455 455 455 455

otra forma de resolver; p(el viajero sea arrestado por posesin de narcticos) = 1 p(de que entre las tabletas seleccionadas no haya una sola de narctico)
1 p( x 0; n 3 ) 1
6

C0* 9 C3 15 C3

( 1 )( 84 ) 0.184615 0.815385 455 b) b) p(no sea arrestado por posesin de narcticos) 1

C0* 9 C3 15 C3

( 1 )( 84 ) 0.184615 455

5. Distribucin Binominal Ej em pl o La l t i m a novel a de un aut or ha t eni do un gran x i t o, hast a el punt o de que el 80% de l os l ect ores ya l a h an l ei do. Un grupo de 4 am i gos s on afi ci onados a l a l ect ura: 1 . C ul es l a probabi l i dad de que e n el grupo h a yan l ei do l a novel a 2 pers onas? B(4, 0.2) p = 0.8 q = 0.2

2 . Y cm o m x i m o 2?

6. Distribucin de Poisson Ejemplos: 1. Supongamos que X es una variable aleatoria que sigue la ley de Poisson con parmetro 0.9. Nos piden calcular la probabilidad de que X sea menor o igual que 3. Localizamos en la tabla l=0.9, x=3 y tomamos la interseccin: 0.987.

2.-Y si nos pidieran la probabilidad de que X fuera mayor que 3? En este caso nos tendramos que fijar en que este suceso es el complementario del anterior y que por lo tanto la probabilidad buscada es de 1-0.987=0.013 3.-Y si nos pidieran la probabilidad de que X fuera exactamente 3? Una posibilidad seria calcular la probabilidad que X fuera menor o igual que 3 (0.987), la probabilidad que X fuera menor o igual que 2 (0.937) y restarlas, dando 0.05. Pero la frmula de la funcin de probabilidad nos dar un resultado exacto

4.-Qu pasa si el parmetro l no aparece de forma exacta en la tabla? Supongamos que tenemos una variable aleatoria X que se distribuye segn una ley de Poisson con parmetro 4.65. Queremos calcular la probabilidad que X sea menor o igual que 7. Tomaremos los dos parmetros ms cercanos a 4.65 que aparecen en la tabla, que son 4.6 y 4.8. Localizaremos las respectivas probabilidades

La interpolacin a realizar es la siguiente:

7. Variables Aleatoria Continua

8. Distribucin Normal En el caso que tanto p como n sean muy grandes, sera necesario aproximarla mediante la distribucin normal. 1. Cmo se usa la tabla de la distribucin normal para averiguar p=FZ(z), dado z>0? Supongamos z=1.66. Cul es la probabilidad de que Z<1.66? Se descompone el nmero en 1.6+0.06, y se busca en la interseccin: el resultado es 0.9515.

2. Y si z<0? En ese caso, P(Z<z) = P(Z>-z) = 1-P(Z<-z) = 1- FZ(-z); por ejemplo, cul es la probabilidad de que Z sea menor que 1.38? Segn la tabla, a 1.38 le corresponde 0.9162, luego el valor que buscamos es 0.0838.