TECNM
Instituto Tecnológico de Aguascalientes
Materia:
Probabilidad y estadística
Nombre del Alumno:
José Manuel Díaz Martínez
Alan Barbosa Contreras
José Leonardo Zermeño Carrillo
Numero De Control:
22150104
22150110
Carrera:
Ingeniería en TIC`s
INTRODUCCION
Se va a llevar a cabo una investigación acerca de las variables aleatorias
(Variables continuas y discretas) siendo un poco más específicos se va a
investigar sobre la distribución de probabilidad en forma general, valor
esperado y la varianza y desviación estándar de dichas variables, para así
aprender un poco mas sobre ellas y saber como aplicarlas.
MARCO TEORICO
VALOR ESPERADO EN VARIABLE
Una distribución de probabilidad es aquella que permite establecer toda la gama de resultados
probables de ocurrir en un experimento determinado. Es decir, describe la probabilidad de que un
evento se realice en el futuro.
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE CONTINUA
Las distribuciones de probabilidad de variable continua son idealizaciones de las
distribuciones estadísticas de variable continua. Estas se obtienen empíricamente
(experimentando u observando). Aquellas son distribuciones teóricas.
Las distribuciones de probabilidad de variable continua se definen por medio de una
función y = f(x) que se llama función de probabilidad o función de densidad. Ha de
ser f(x) ≥ 0 para todo x.
Las probabilidades vienen dadas por el área bajo la curva. Por tanto, el área encerrada
bajo la totalidad de la curva es 1. Es decir, tomamos como unidad el área bajo la curva
completa.
Para que f(x) sea la función de densidad o de probabilidad de una variable
aleatoria es necesario que:
- f(x) se no negativa para todo x
- El área bajo la curva y = f(x) sea igual a 1
Para hallar la probabilidad P[a ≤ x ≤ b], obtendremos el área que hay bajo la curva en el
intervalo [a,b]
Las probabilidades de sucesos puntuales son cero: P[x = a] = 0.
Por tanto: P[a ≤ x ≤ b] = P[a < x < b]
La media y la desviación típica tienen los mismos significados que en las distribuciones
estadísticas pero su cálculo exacto no corresponde a este curso.
Ejercicio resuelto de variable aleatoria continua #1
La longitud de ciertos tornillos (en centímetros) es una variable
aleatoria con la siguiente función de densidad:
f(x)={34(–x2+4x–3)si1≤x≤30enotropuntof(x)={34(–x2+4x–
3)si1≤x≤30enotropunto
a) Para hacer cierto trabajo se prefieren tornillos con longitud entre
1,7 cm y 2,4 cm. ¿Cuál es la probabilidad de que un tornillo tenga
dicha longitud?
b) Si la longitud de cada tornillo es independiente de la longitud de
otro tornillo. ¿Cuál es la probabilidad de que tres tornillos tengan la
longitud que se prefiere?
c) Si para construir lo que se necesita con uno de estos tornillos
hay que hacer un gasto de $10 por cm de longitud que tenga el
tornillo más un gasto fijo de $4. ¿Cuál es el gasto medio esperado
por un tornillo?
Resolución del ejercicio 1
ÍTEM A
La variable es XX: longitud de ciertos tornillos (en cm).
Calculamos la probabilidad
pedida P(1,7≤X≤2,4)P(1,7≤X≤2,4) cómo el área bajo la curva de
densidad entre x=1,7x=1,7 y x=2,4x=2,4:
P(1,7≤X≤2,4)=2,4∫1,734(–x2+4x–
3)dxP(1,7≤X≤2,4)=∫1,72,434(–x2+4x–3)dx
=34[–x33+2x2–3x]2,41,7=34[–x33+2x2–3x]1,72,4
=34[(–(2,4)33+2(2,4)2–3(2,4))–(–(1,7)33+2(1,7)2–3(1,7))]=34[(–
(2,4)33+2(2,4)2–3(2,4))–(–(1,7)33+2(1,7)2–3(1,7))]
=0,50225=0,50225
Una gráfica de la curva de densidad ff mostrando el área
comprendida entre x=1,7x=1,7 y x=2,4x=2,4 es la siguiente:
ÍTEM B
Si llamamos TiTi al suceso de que el tornillo ii tiene la longitud que
se prefiere. La probabilidad que buscamos puede expresarse así:
P(T1∩T2∩T3)P(T1∩T2∩T3)
Cómo son sucesos independientes:
P(T1∩T2∩T3)=P(T1)P(T2)P(T3)P(T1∩T2∩T3)=P(T1)P(T2)P(T3
)
Pero ya conocemos P(Ti)P(Ti) porque la calculamos en el ítem a.
Luego:
P(T1∩T2∩T3)=(0,50225)3≅0,1267P(T1∩T2∩T3)=(0,50225)3≅
0,1267
ÍTEM C
La variable gasto GG depende de la variable XX de la siguiente
forma:
G=10X+4G=10X+4
Aplicando esperanza a cada miembro y usando propiedades de la
esperanza obtenemos:
E(G)=10E(X)+4E(G)=10E(X)+4
Entonces debemos calcular E(X)E(X).
E(X)=∞∫–∞f(x)xdxE(X)=∫–∞∞f(x)xdx
=3∫134(–x2+4x–3).xdx=∫1334(–x2+4x–3).xdx
=343∫1(–x3+4x2–3x)dx=34∫13(–x3+4x2–3x)dx
=34.[–x44+4x33–3x22]31=34.[–x44+4x33–3x22]13
=34.[(–344+4.333–3.322)–(–144+4.133–3.122)]=34.[(–
344+4.333–3.322)–(–144+4.133–3.122)]
=34.[(–814+1083–272)–(–14+43–32)]=34.[(–814+1083–
272)–(–14+43–32)]
=2=2
Notemos que la función de densidad es simétrica respecto de x=2.
Así que es razonable que hallamos obtenido que E(X)=2E(X)=2.
Entonces:
E(G)=10.2+4=24E(G)=10.2+4=24
Ejercicio resuelto de variable aleatoria continua #2
Las marcas obtenidas por un lanzador (distancias medidas en
decámetros) es una variable aleatoria continua con la siguiente
función de densidad:
f(x)={kx29si0≤x≤30enelrestof(x)={kx29si0≤x≤30enelresto
a) Encontrar el valor de k.
b) Encontrar la probabilidad de que la distancia conseguida por el
lanzador sea mayor a 2 decámetros.
c) Encontrar la probabilidad de que la marca sea superior a 2,5
decámetros si se sabe que es superior a 2 decámetros.
d) Encontrar la distancia media esperada.
Resolución del ejercicio 2
Ítem a
Si ff es función de densidad, entonces el área bajo la curva en todo
su recorrido debe ser 1:
3∫0k.x29dx=[k.x39.3]30=k=1∫03k.x29dx=[k.x39.3]03=k=1
ÍTEM B
Podemos calcular la probabilidad de que X>2X>2 cómo el área
bajo la curva de densidad:
P(X>2)=3∫2x29dx=[x39.3]32=1–
827=1927≅0,703P(X>2)=∫23x29dx=[x39.3]23=1–
827=1927≅0,703
ÍTEM C
La “probabilidad de que la marca sea superior a 2,5 decámetros si
se sabe que es superior a 2 decámetros” es una probabilidad
condicional:
P(X>2,5|X⟩2)P(X>2,5|X⟩2)
Aplicando la definición de probabilidad condicional:
P(X>2,5|X⟩2)=P({X>2,5}∩{X>2})P(X>2)P(X>2,5|
X⟩2)=P({X>2,5}∩{X>2})P(X>2)
La intersección entre {X>2,5}{X>2,5} y {X>2}{X>2} es {X>2,5}
{X>2,5}:
P(X>2,5|X⟩2)=P(X>2,5)P(X>2)P(X>2,5|X⟩2)=P(X>2,5)P(X>2)
El denominador ya fue calculado en el ítem b, así que sólo queda
calcular P(X>2,5)P(X>2,5):
P(X>2,5)=3∫2,5x29dx=[x39.3]32,5=1–125827=1–
125216=91216≅0,421P(X>2,5)=∫2,53x29dx=[x39.3]2,53=1
–125827=1–125216=91216≅0,421
P(X>2,5|X⟩2)=P(X>2,5)P(X>2)≅0,5993P(X>2,5|
X⟩2)=P(X>2,5)P(X>2)≅0,5993
ÍTEM D
Recordemos que la esperanza matemática de una variable aleatoria
continua se define:
E(X)=+∞∫–∞x.f(x)dxE(X)=∫–∞+∞x.f(x)dx
Entonces:
E(X)=3∫0x.x29dx=[x49.4]30=94=2,25E(X)=∫03x.x29dx=[x49.4]
03=94=2,25
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable
aleatoria discreta. Una variable aleatoria discreta es una variable aleatoria que tiene valores
contables, tales como una lista de enteros no negativos.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria discreta
puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una distribución de
probabilidad discreta suele representarse en forma tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede calcular la
probabilidad de que X sea exactamente igual a algún valor. Por ejemplo, puede utilizar la
distribución discreta de Poisson para describir el número de quejas de clientes en un día.
Supongamos que el número promedio de quejas por día es 10 y usted desea saber la probabilidad de
recibir 5, 10 y 15 quejas de clientes en un día.
X P(X=x)
5 0.037833
10 0.12511
15 0.034718
Gráfica de distribución del número de quejas de clientes
Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las quejas
diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo tanto, la
probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.
En el experimento de lanzar tres monedas al
aire, la aplicación que asigna a cada resultado el numero de cruces
obtenidas es una variable aleatoria. En este caso:
Como conclusión una distribución de probabilidad es aquella que permite establecer toda la gama
de resultados probables de ocurrir en un experimento determinado. Es decir, que nos permite ver el
comportamiento del problema ya se con todos los resultados posibles en una grafica que nos hace
entender los resultados de manera mas directa
VALOR ESPERADO EN VARIABLE CONTINUA
Es la generalización de la media aritmética a toda la población, es
decir, es la media de la variable aleatoria. También se llama valor
medio, valor esperado o esperanza matemática, y se representa por la
letra griega μ.
Y la siguiente es la fórmula
EJEMPLO
La variable aleatoria continua X tiene la siguiente función de densidad
de probabilidad:
Calcular el valor esperado
Solución:
Empezaremos graficando esta función de densidad de probabilidad. Yo
lo haré con ayuda de GeoGebra, pero puedes hacerlo manualmente.
Ahora sí, calculamos la media o valor esperado:
Como la función tiene 3 tramos, expresaremos la integral original como
la suma de 3 integrales:
VALOR ESPERADO EN VARIABLE DISCRETA
La media «µ» o valor esperado «E(X)» es un promedio ponderado de
los valores que asume la variable aleatoria cuando los pesos son las
probabilidades. Es una medida de tendencia central. Cuando
trabajamos con una variable aleatoria discreta, la media o valor
esperado se calcula mediante la siguiente fórmula:
Como verás, la media µ de una variable aleatoria discreta X se
encuentra al multiplicar cada posible valor de X por su propia
probabilidad y luego sumar todos los productos.
El valor esperado o media no tiene que ser un valor que la variable
aleatoria pueda asumir.
EJEMPLO
Sea X el número de clientes que visitan una tienda por día. Calcular el
valor esperado de X a partir de su función de probabilidad:
Solución:
Entonces reemplazamos los valores:
En conclusión, podemos utilizar estas formulas para sacar la media y lo que ya
sabíamos hacer anteriormente pero con las variables discretas y continuas,
cada una tiene su fórmula y será algo nuevo a aprender.
