Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


resumen de capitulo 3, Apuntes de Diseño de Sistemas

resumen del capitulo 3 del libro estadística para negocios y economía

Tipo: Apuntes

2018/2019

Subido el 24/02/2022

fer-vazquez-2
fer-vazquez-2 🇲🇽

2 documentos

1 / 5

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
María Fernanda Vázquez Hernández
A01328939
Capítulo 6
Distribuciones de probabilidad continua
Este capítulo se dedica al análisis de las cambiantes aleatorias sucesivas; en particu- lar, se
abordarán 3 distribuciones de posibilidad continua: uniforme, regular y exponencial. Para las
primeras, la capacidad de posibilidad f(x) otorga la posibilidad de que la variable aleatoria
asuma un costo especial. Tal cual, una vez que se calculan las probabilidades de las cambiantes
aleatorias sucesivas en verdad se está deter- minando la posibilidad de que la variable aleatoria
asuma cualquier costo en un intervalo.
Ya que la zona bajo la gráfica f (x) en cualquier punto en especial es cero, una de las im-
plicaciones de la definición de posibilidad para las cambiantes aleatorias sucesivas estriba en
que la posibilidad de cualquier costo especial de la variable aleatoria sea cero.
6.1 Distribucion de probabilidad uniforme
Ya que la variable aleatoria x puede aceptar cualquier costo en aquel intervalo, x es una variable
aleatoria continua más que una variable aleatoria discreta. Suponga además que cuenta con
suficientes datos reales sobre los vuelos para concluir que la probabili- dad de que la era de
vuelo se encuentre en cualquier intervalo de 1 minuto es igual a la proba- bilidad de que se
encuentre en cualquier otro intervalo de 1 minuto contenido dentro del intervalo distribuida de
forma como cada intervalo de 1 minuto es por igual posible, se plantea que la variable aleatoria
x tiene una posibilidad de repartición uniforme. La capacidad de densidad de posibilidad, que
define el reparto uniforme para la variable aleatoria del tiempo de vuelo es
En general, la función de densidad de probabilidad uniforme para una variable aleatoria x se
define por medio de la fórmula siguiente.
Area como medida de la probabilidad
Hay dos diferencias importantes entre el tratamiento de la variable aleatoria continua y el
tratamiento de sus homólogas discretas.
1. Ya no se alude a la probabilidad de que una variable aleatoria asuma un valor particu- lar. En
su lugar, se habla de la probabilidad de que asuma un valor dentro de cierto intervalo.
2. La probabilidad de que una variable aleatoria continua asuma un valor dentro de un intervalo
dado de xl a x2 se define como el área bajo la gráfica de la función de densidad de probabilidad
entre x1 y x2.
Como cada punto es un intervalo cuyo ancho es igual a cero, esto implica que la probabilidad de
que una variable aleatoria continua asuma cualquier valor particular es exactamente cero;
también significa que la probabilidad de que asuma un valor en cualquier intervalo es la misma,
ya sea que se incluyan o no los puntos finales.
pf3
pf4
pf5

Vista previa parcial del texto

¡Descarga resumen de capitulo 3 y más Apuntes en PDF de Diseño de Sistemas solo en Docsity!

A

Capítulo 6

Distribuciones de probabilidad continua

Este capítulo se dedica al análisis de las cambiantes aleatorias sucesivas; en particu- lar, se abordarán 3 distribuciones de posibilidad continua: uniforme, regular y exponencial. Para las primeras, la capacidad de posibilidad f(x) otorga la posibilidad de que la variable aleatoria asuma un costo especial. Tal cual, una vez que se calculan las probabilidades de las cambiantes aleatorias sucesivas en verdad se está deter- minando la posibilidad de que la variable aleatoria asuma cualquier costo en un intervalo. Ya que la zona bajo la gráfica f (x) en cualquier punto en especial es cero, una de las im- plicaciones de la definición de posibilidad para las cambiantes aleatorias sucesivas estriba en que la posibilidad de cualquier costo especial de la variable aleatoria sea cero.

6.1 Distribucion de probabilidad uniforme

Ya que la variable aleatoria x puede aceptar cualquier costo en aquel intervalo, x es una variable aleatoria continua más que una variable aleatoria discreta. Suponga además que cuenta con suficientes datos reales sobre los vuelos para concluir que la probabili- dad de que la era de vuelo se encuentre en cualquier intervalo de 1 minuto es igual a la proba- bilidad de que se encuentre en cualquier otro intervalo de 1 minuto contenido dentro del intervalo distribuida de forma como cada intervalo de 1 minuto es por igual posible, se plantea que la variable aleatoria x tiene una posibilidad de repartición uniforme. La capacidad de densidad de posibilidad, que define el reparto uniforme para la variable aleatoria del tiempo de vuelo es En general, la función de densidad de probabilidad uniforme para una variable aleatoria x se define por medio de la fórmula siguiente.

Area como medida de la probabilidad

Hay dos diferencias importantes entre el tratamiento de la variable aleatoria continua y el tratamiento de sus homólogas discretas.

  1. Ya no se alude a la probabilidad de que una variable aleatoria asuma un valor particu- lar. En su lugar, se habla de la probabilidad de que asuma un valor dentro de cierto intervalo.
  2. La probabilidad de que una variable aleatoria continua asuma un valor dentro de un intervalo dado de xl a x2 se define como el área bajo la gráfica de la función de densidad de probabilidad entre x1 y x2. Como cada punto es un intervalo cuyo ancho es igual a cero, esto implica que la probabilidad de que una variable aleatoria continua asuma cualquier valor particular es exactamente cero; también significa que la probabilidad de que asuma un valor en cualquier intervalo es la misma, ya sea que se incluyan o no los puntos finales.

A El cálculo del valor esperado y de la varianza de una variable aleatoria continua es análogo al de la variable aleatoria discreta. Sin embargo, como el procedimiento para determinarlo requie- re cálculo integral, la deducción de las fórmulas apropiadas se deja para libros más avanzados. En el caso de la distribución de probabilidad continua uniforme presentada en esta sección, las fórmulas para el valor esperado y la varianza son E(x)= a+b / Var (x) = (b - a)^2 / En estas fórmulas, a es el valor menor y b es el valor mayor que la variable aleatoria puede asumir.

6.2 Distribucion de probabilidad normal

El reparto de posibilidad más relevante para explicar una variable aleatoria continua es el reparto de posibilidad común. Ésta se ha usado en una extensa diversidad de aplicaciones en las cuales las cambiantes aleatorias son la elevación y el peso de los individuos, las calificaciones de los análisis, las mediciones científicas, la precipitación pluvial y otros valores parecidos.

Curva normal

La forma de la distribución normal se ilustra por medio una curva con forma de campana que exhibe la figura 6.3. La función de densidad de probabilidad que define la curva de la distribu-

ción normal se muestra en seguida.

La curva normal tiene dos parámetros μ y σ, que determinan la ubicación y la forma de la distribución normal. Formulacion de varias observaciones sobre caracteristicas de distribucion normal: 1.- La familia completa de distribuciones normales se diferencia por medio de dos parámetros: la media μ y la desviación estándar σ. 2.- El punto más alto de una curva normal se encuentra sobre la media, el cual coincide con la mediana y la moda de la distribución. 3.- La media de una distribución normal puede tener cualquier valor numérico: negativo, cero o positivo. A continuación se muestran tres distribuciones normales que tienen la misma desviación estándar pero tres medias diferentes (-10, 0 y 20). 4.- La distribución normal es simétrica: la forma de la curva normal a la izquierda de la media es una imagen de espejo de la forma de la curva a la derecha de la media. Los extremos de la curva normal se extienden hacia el infinito en ambas direcciones y en teoría nunca tocan el eje

A valores de z apropiados para obtener las probabilidades buscadas. La fórmula para convertir cualquier variable aleatoria normal x con media μ y desviación estándar σ a la variable aleatoria normal estándar z se presenta a continuación.

6.3 Aproximacion normal de las probabilidades binomiales

Recuerde que un experimen- to binomial consiste en una secuencia de n ensayos independientes idénticos cada uno con dos resultados posibles: un éxito o un fracaso. La probabilidad de éxito es la misma para todos los ensayos y se denota como p. La variable aleatoria binomial es el número de éxitos en los n ensayos y las preguntas de probabilidad pertenecen a la probabilidad de x éxitos en los n ensayos. uando el número de ensayos es grande, es difícil evaluar la función de probabilidad bi- nomial a mano o con una calculadora. En los casos en que np > 5 y n(1 - p)

5, la distribu- ción normal proporciona una aproximación fácil de usar de las probabilidades binomiales. Cuando se usa la aproximación normal a la binomial, se establece μ =np y σ 0 np(

  • p) en la definición de la curva normal.

6.4 Distribucion de probabilidad exponencial

La distribución de probabilidad exponencial puede usarse para variables aleatorias como el tiempo entre la llegada de un automóvil a un autolavado, el tiempo requerido para cargar un camión, la distancia entre los defectos importantes de una carretera, etc. La función de densidad de probabilidad exponencial se presenta a continuación.

Cálculo de probabilidades para la distribución exponencial

Al igual que con la distribución de probabilidad continua, el área bajo la curva correspondien- te a un intervalo proporciona la probabilidad de que la variable aleatoria asuma un valor en ese intervalo. Para calcular probabilidades exponenciales como las que se acaban de describir, se usa la fórmula siguiente, la cual proporciona la probabilidad acumulada de obtener un valor para la va- riable aleatoria exponencial menor o igual que un valor específico denotado por x0.

Relación entre las distribuciones de Poisson y exponencial

La distribución de probabilidad exponencial continua está relacionada con la distribución de Poisson discreta. Si la distribución de Poisson proporciona una descripción apropiada del nú- mero de ocurrencias por intervalo, la distribución exponencial provee una descripción de la duración del intervalo entre ocurrencias. Para ilustrar esta relación, suponga que el número de automóviles que llegan a un autola- vado durante una hora se describe por medio de una distribución de probabilidad de Poisson con una

A media de 10 automóviles por hora. La función de probabilidad de Poisson que da la probabilidad de x llegadas por hora es