



Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
resumen del capitulo 3 del libro estadística para negocios y economía
Tipo: Apuntes
1 / 5
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!




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