You are on page 1of 22

Claudia Virginia Cruz Huerta

Probabilidad
Tareas e investigaciones
Media Aritmtica



1. 3, 8, 4, 10, 6, 2



2. 85, 46, 128, 108, 26, 64, 55, 87, 91, 35, 12, 9, 37



3. 125, 68, 14, 36, 57, 22, 14, 97, 46, 36, 77, 41, 98, 24, 66, 81, 65, 32



Mediana =



8 10 12 24 35 36 42 49 50

=35
------------------------------------------
35 38 62 95 120 124 136

=95
------------------------------------------
1 3 18 34 62 74 85 96 98 103 111 134 137

=85



Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
Moda
1. 4, 5, 7, 10, 11, 11, 13, 24, 25, 32, 57
= 11

2. 85, 46, 128, 108, 26, 46, 55, 87, 46, 35, 26, 9, 26

= 26, 46

3. 125, 68, 14, 36, 57, 22, 14, 97, 46, 36, 77, 41, 98, 24, 66, 81, 65, 32

= No existe moda

Amplitud
8 10 12 24 35 36 42 49 50

Amplitud = 50 8 = 42

35 38 62 95 120 124 136

Amplitud = 136 35 = 101

1 3 18 34 62 74 85 96 98 103 111 134 137

Amplitud = 137 1 = 136
Desviacin Media=



8 10 12 24 35 36 42 49 50


DM=


DM=

=14.2777
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
---------------------------------------------------
35 38 62 95 120 124 136


DM=


DM=

=36.1228
----------------------------------------------------
62 74 85 96 98 103 111 134


DM=


DM=

=16.2825

Varianza=



Desviacin estndar=



Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
Regla Emprica
Es el resultado de la experiencia practica de investigadores en muchas diciplinas
que han observado muy diferentes tipos de conjuntos de datos de la vida real.
En series de datos simtricos, donde la mediana y la media son
iguales, las observaciones tienden a distribuirse igualmente
alrededor de estas mediciones de tendencia central. Cuando el
sesgado extremo no se presenta y tal agrupamiento se observa
en una serie de datos, podemos usar la denominada regla
emprica para examinar la propiedad de variabilidad de datos y
obtener una mejor idea de lo que la desviacin estndar est
midiendo.

Diagrama de Pareto
El diagrama de Pareto, tambin llamado curva cerrada o Distribucin A-B-C, es una
grfica para organizar datos de forma que estos queden en orden descendente, de
izquierda a derecha y separados por barras. Permite, pues, asignar un orden de
prioridades.
El diagrama permite mostrar grficamente el principio de Pareto (pocos vitales,
muchos triviales), es decir, que hay muchos problemas sin importancia frente a unos
pocos muy importantes. Mediante la grfica colocamos los "pocos que son vitales" a
la izquierda y los "muchos triviales" a la derecha.
El diagrama facilita el estudio de las fallas en las industrias o empresas comerciales,
as como fenmenos sociales o naturales psicosomticos.
Ejercicios:
1.
Numero Motivos Del Consumo de Agua Galones Por Dia % % Acumulada
Riego De Jardin 143 42% 42%
Bao Personal 108 32% 74%
Pisina 28 8% 82%
Lavado De Ropa 25 7% 90%
Lavado De Trastes 12 4% 93%
Lavado De Auto 10 3% 96%
Agua para beber 8 2% 99%
Cocina 5 1% 100%
Total De Galones 339
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones




2.
Numero Queja Frecuencia % Acumulada % Acumulada
1 mala calidad de alimentos 84 28% 28%
2 Atencion Deficion por el pesonal 71 24% 52%
3 condiciones de desaceo 63 21% 73%
4 Nada Que Hacer 45 15% 88%
5 falta de respeto por el personal 35 12% 99%
6 errores en la medicacin 2 1% 100%
Total 300




3.
0%
20%
40%
60%
80%
100%
0
50
100
150
200
250
300
Galones Por Dia
% Acumulada
0%
20%
40%
60%
80%
100%
0
50
100
150
200
250
300
Frecuencia
% Acumulada
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones

Numero

Malas condiciones del camino N De Decesos % % Aculudado
1 Reparacion/construccion del camino 39 29% 29%
2 Agua Estancada 25 19% 47%
3 Orillas del camino blandas o bajas 20 15% 62%
4 Otros 17 13% 75%
5 Material Superficial Suelto 13 10% 84%
6 Agujeros, surcos, etc. 8 6% 90%
7 Obstrucciones Sin Advertencia 7 5% 96%
8 Superficie Desgastada 6 4% 100%
Total De Decesos 135


Diagrama de Dispersin
Es un tipo de diagrama matemtico que utiliza las coordenadas cartesianas para
mostrar los valores de dos variables para un conjunto de datos.
Los datos se muestran como un conjunto de puntos, cada uno con el valor de una
variable que determina la posicin en el eje horizontal y el valor de la otra variable
determinado por la posicin en el eje vertical.
1
Un diagrama de dispersin se llama
tambin grfico de dispersin.
Se emplea cuando una variable est bajo el control del experimentador. Si existe un
parmetro que se incrementa o disminuye de forma sistemtica por el
experimentador, se le denomina parmetro de control o variable independiente y
habitualmente se representa a lo largo del eje horizontal (eje de las abscisas). La
variable medida o dependiente usualmente se representa a lo largo del eje vertical
(eje de las ordenadas). Si no existe una variable dependiente, cualquier variable se
puede representar en cada eje y el diagrama de dispersin mostrar el grado
de correlacin (no causalidad) entre las dos variables.

Ejercicios:
0%
20%
40%
60%
80%
100%
0
50
100
N De Decesos
% Aculudado
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
y = -0.17 x + 32.543
R = 0.9298
0
5
10
15
20
25
30
0 20 40 60 80
Millas por galon (Y)
Millas por galon
(Y)
Linear (Millas por
galon (Y))
y = 0.007x + 0.7497
R = 0.9958
0
0.2
0.4
0.6
0.8
1
1.2
1.4
1.6
0 50 100 150
Y
Linear (Y)
1.
Un individuo asegura que el consumo de combustible de su automvil no depende
de la velocidad. Para demostrar la plausibilidad de esta hiptesis, se prob el
automvil a diferentes velocidades entre 45 y 75 millas por hora. Se determinaron las
millas por galn a cada una de estas velocidades y los resultados se presentan en la
tabla siguiente:
Velocidad (X)
Millas por
galon (Y)
45 24.2
50 25
55 23.3
60 22
65 21.5
70 20.6
75 19.8


2.
La espectroscopia de infrarrojo se usa, con frecuencia, para determinar el contenido
de hule natural en mezclas de hule natural y hule sintetico. Para mezclas con
porcentajes conocidos se obtuvieron las siguientes lecturas infrarrojo:
X Y
0 0.734
20 0.885
40 1.05
60 1.191
80 1.314
100 1.432




3.
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
y = 238.26x + 61.055
R = 0.9601
$0.00
$200.00
$400.00
$600.00
$800.00
$1,000.00
$1,200.00
$1,400.00
0 2 4 6
Y
Linear (Y)
El nmero de miembros de una familia (X), y la cantidad que se gasta en
provisiones, cada semana (Y), se midi en 6 familias del vecindario.
X Y
2 $457.50
2 $601.90
3 $683.30
4 $1,009.20
1 $358.60
5 $1,306.20



Tipos de Errores
La palabra error en el contexto estadstico se utiliza en sentido tcnico, no
peyorativo. Se refiere a las variaciones que son a menudo inevitables. El error puede
definirse tambin como la variacin producida por factores distorsionantes tanto
conocidos como desconocidos.
Los tipos de errores son:
Error de tratamiento
Error de estado
Error de medida
Error de muestreo
Error Experimental
Error Observacional

Coeficiente de correlacin
El coefi ciente de correlacin l ineal es el cociente entre l a covarianza y
el producto de las desvi aci ones tpi cas de ambas variabl es.
El coefi ciente de correlacin l ineal se expresa mediante
l a letra r.
Variables aleatorias
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
Una variable aleatoria es una funcin, que asigna eventos (los posibles resultados
de tirar un dado dos veces: (1, 1), (1, 2), etc.) a nmeros reales (su suma).
Una variable aleatoria o variable estocstica es una variable estadstica cuyos
valores se obtienen de mediciones en experimento aleatorio.
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento an no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (como resultado de medicin
incompleta o imprecisa). Intuitivamente, una variable aleatoria puede tomarse como
una cantidad cuyo valor no es fijo pero puede tomar diferentes valores;
una distribucin de probabilidad se usa para describir la probabilidad de que se den
los diferentes valores.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lgicos, funciones... El trmino elemento aleatorio se
utiliza para englobar todo ese tipo de conceptos relacionados. Un concepto
relacionado es el de proceso estocstico, un conjunto de variables aleatorias
ordenadas (habitualmente por orden o tiempo).
Esperanza Matemtica
la esperanza matemtica (tambin llamada esperanza, valor esperado, media
poblacional o media) de una variable aleatoria , es el nmero que formaliza
la idea de valor medio de un fenmeno aleatorio.
Cuando la variable aleatoria es discreta, la esperanza 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.
Por ejemplo, el valor esperado cuando tiramos un dado equilibrado de 6 caras es
3,5. Podemos hacer el clculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
el que todos los sucesos son de igual probabilidad, la esperanza es igual a
la media aritmtica.
Ej erci cios:
1.
Suponga que el nmero de aeronaves pri vadas que aterri zan en un
pequeo aeropuerto en cierto da ti ene la si guiente funcin de
probabi l idades.
X 0 1 2 3 4 5 6
fx(X) 0.003 0.009 0.09 0.158 0.197 0.261 0.282
E(X)=(0)(0.003)+(1)(0.009)+(2)(0.090)+(3)(0.158)(4)(0.197)+(5)(0.261)+(6)(0.282)=4.448
VAR(X)=[ (0-4.448)^2(0.003)+(1-4.448)^2(0.009)+(2-4.448)^2(0.090)+
(3-4.448)^2(0.158)+(4-4.448)^2(0.197)+(5-4.448)^2(0.261)+(6-4.448)^2(0.282)=6.68

2.
La si guiente tabla muestra l a funcin de probabi l idades para premi os
en efecti vo de una rifa l levando a cabo en una tienda de autoservi cio.
X 0 10 100 500
fx(X) 0.45 0.3 0.2 0.05

E(X)=(0)(0.45)+(10)(0.30)+(100)(0.20)+(500)(0.05)=48
VAR(X)=[(0-48)^2(0.45)+(1-48)^2(0.30)+(2-48)^2(0.20)+(-48)^2(0.05)]=2.223


3.
Un vendedor de automviles nuevos de cierta agencia, generalmente negocia el
mayor nmero de vehculos, los das sbado. Ha establecido la siguiente funcin de
probabilidades para el nmero de autos que espera vender en un sbado en
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
particular.
X 0 1 2 3 4
fx(X) 0.1 0.2 0.3 0.3 0.1

E(X)=(0)(0.10)+(1)(0.20)+(2)(0.30)+(3)(0.30)+(4)(0.10)=2.1
VAR(X)= [(0-2.1)^2(0.10)+(1-2.1)^2(0.20)+(2-2.1)^2(0.30)+(3-2.1)^2(0.30)+(4-2.1)^2(0.10)]=1.29

Teorema de Chevyshev
Seala la probabilidad de que variable aleatoria difiera de su media en t veces la
desviacin estndar es por lo menos iguala 1/t)
o Teorema de Chebyshev: Para un conjunto cualquiera de observaciones (muestra o
poblacin), la proporcin mnima de los valores que se encuentran dentro de k
desviaciones estndares desde la media es al menos 1 1/k2, donde k es una
constante mayor que 1.
En probabilidad, la desigualdad de Chebyshev es un resultado estadstico que
ofrece una cota inferior a la probabilidad de que el valor de una variable
aleatoria con varianza finita est a una cierta distancia de su esperanza
matemtica o de su media; equivalentemente, el teorema proporciona una cota
superior a la probabilidad de que los valores caigan fuera de esa distancia respecto
de la media. El teorema es aplicable incluso en distribuciones que no tienen forma
de "curva de campana" y acota la cantidad de datos que estn o no "en medio".

Teorema Fundamental de conteo
Si un evento puede realizarse de n1 maneras diferentes, y si, continuando el
procedimiento un segundo evento puede realizarse de n2 maneras diferentes y as
sucesivamente entonces el nmero de maneras que los eventos pueden realizarse
en el orden indicado n1 n2 n3

Distribucin de Bernoulli
Consiste en realizar un experimento aleatorio una sla vez y observar si cierto
suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el
que no lo sea (fracaso). En realidad no se trata ms que de una
variable dicotmica, es decir que nicamente puede tomar dos modalidades, es
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
por ello que el hecho de llamar xito o fracaso a los posibles resultados de las
pruebas obedece ms una tradicin literaria o histrica, en el estudio de las v.a.,
que a la situacin real que pueda derivarse del resultado. Podramos por tanto
definir este experimento mediante una v.a. discreta Xque toma los valores X=0 si
el suceso no ocurre, yX=1 en caso contrario, y que se denota
Ejercicio:
Suponga que un grupo de computadoras de las cuales 3 no funcionan y 27 no
funcionan, se elige de tal forma que cada computadora tiene la misma
probabilidad de ser elegida. Se registra, si la computadora no funciona entonces
se registra xito, en caso contrario se denomina como fracaso.
p=


q=



Distribucin Binomial
Es una distribucin de probabilidad discreta que cuenta 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 una variable aleatoria X sigue una distribucin binomial de
parmetros n y p, se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica.

Ejercicios:
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
1.
Un ingeniero de control de trfico reporta que 75% de los vehculos que pasan por
un punto de verificacin tienen matrculas del estado. Cul es la probabilidad de
que ms de 4 de los siguientes 9 vehculos no sean del estado?
k=0.75 n=9 p=4
p(x=4)= p(x=5) + p(x=6) + p(x=7) + p(x=8) + p(x=9) P(X=4)=0.9504
p(x=5) (

=(126)(0.2373)(.0039)=0.1167
p(x=6) = (

=(84)(0.1779)(0.0156)=0.2334
p(x=7) = (

=(36)(.1334)(.0625)=0.3001
p(x=8) = (

=(9)(0.1001)(.25)=0.2252
p(x=9) = (

=(1)(0.0750)(1)=0.075
2.
Un ingeniero que labora en el departamento de control de calidad de una empresa
elctrica, inspecciona una muestra al azar de 10 alternadores de un lote. Si el 20%
de los alternadores del lote estn defectuosos. Cul es la probabilidad de que en la
muestra:
a) ninguno est defectuoso,

b) uno salga defectuoso,
c) al menos dos salgan
defectuosos
d) ms de tres estn con
defectos
e) no ms de tres estn con
defectos.


Solucin:
a) P(x=0)=b(x=0;n=10,p=0.20)=
0.1074
b) P(x=1)=b(x=1;n=10,p=0.20)=
0.2684
c) P(x2)=1-P(x1)=1-B(x1;n=10,p=0.20)=1-[0.1074+0.2684]=1-
0.3758=0.6242

d) P(x3)=1-P(x2)= 1-B(x2;n=10,p=0.20)= 1 - [0.1074+0.2684+0.3020]=1-
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
0.6778=0.3222
e) P(x3)= B(x3;n=10,p=0.20)= 0.1074 + 0.2684 + 0.3020 +
0.2013=0.8791
3.
Sea X=nmero de preguntas contestadas correctamente en el test de un total de 10
preguntas. Calcular las probabilidades de contestar:
a) cinco preguntas correctamente

b) uno ms preguntas correctamente

c) cinco o ms preguntas correctamente

d) entre 3 y 6 preguntas correctamente.

Solucin:

n=10

p=p(xito)=p(pregunta contestada correctamente)=0.5, por tanto p permanece constante.
Asumiendo independencia entre las contestaciones de las preguntas,
obtenemos que X~ b(10,0.5).
Entonces:

a) P(x=5)=b(x=5,n=10,p=0.5)

b) P(X1)=1-P(X<1)=1-P(X=0)=1-b(x=0,n=10,p=0.5).

c) P(X5)=1-P(X<5)=1-P(X4)=1-B(x4,n=10,p=0.5).

d) P(3x6)= B(x6;n=10,p=0.5)-B(x2;n=10,p=0.5)

Los resultados son los siguientes:

a) b(x=5,n=10,p=0.5)= 0.2461

b) 1-b(x=0,n=10,p=0.5)= 1 0.0010= 0.9990

c) 1-B(x4,n=10,p=0.5)= 1 [0.0010+0.0098+0.0439+0.1172+0.2051]=1-0.3770=0.6230
d)B(x6;n=10,p=0.5)B(x2;n=10,p=0.5)=0.2051+0.2461+0.2051+0.1172=0.7735

Distribucin Hipergeometrica
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 hipergeomtrica mide la probabilidad de
obtener x ( ) elementos de la categora A en una muestra sin reemplazo
de n elementos de la poblacin original.
Ejercicios:
1.
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?
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones

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

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

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?

N = 10 objetos en total
a = 3 objetos defectuosos
n = 4 objetos seleccionados en muestra
x = 2 objetos defectuosos deseados en la muestra





2.
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?.


Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones


3.

De un lote de 10 proyectiles, 4 se seleccionan al azar y se disparan. Si el lote
contiene 3 proyectiles defectuosos que no explotarn, cul es la probabilidad de
que,
a) los 4 exploten?
b) al menos 2 no exploten?

a) N = 10 proyectiles en total
a = 7 proyectiles que explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2, 3 o 4 proyectiles que explotan = variable que nos define el nmero de
proyectiles que explotan entre la muestra que se dispara


b) N = 10 proyectiles en total
a = 3 proyectiles que no explotan
n = 4 proyectiles seleccionados
x = 0, 1, 2 o 3 proyectiles que no explotan
p(al menos 2 no exploten) = p( 2 o ms proyectiles no exploten) = p(x = 2 o 3; n=4) =




Distribucin de Poisson
Es una probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia
media, la probabilidad de que ocurra un determinado nmero de eventos durante
cierto perodo de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeas, o sucesos "raros".
Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilit des jugements en matires criminelles et
matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).
La funcin de masa o probabilidad de la distribucin de Poisson es
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones

donde
k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la
probabilidad de que el evento suceda precisamente k veces).
es un parmetro positivo que representa el nmero de veces que se espera
que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en
la probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,
usaremos un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)

Ejercicios:
1.
En la inspeccin de hojalata producida por un proceso electroltico continuo, se
identifican 0.2 imperfecciones en promedio por minuto. Determine las probabilidades
de identificar
a) una imperfeccin en 3 minutos
b) al menos dos imperfecciones en 5 minutos.
a) x = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 3 =0.6 imperfecciones en promedio por cada 3 minutos en la hojalata


b) x = 0, 1, 2, 3, ...., etc., etc.
= 0.2 x 5 =1 imperfeccin en promedio por cada 5 minutos en la hojalata


Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
=1-(0.367918+0.367918) = 0.26416

2.
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad
de que entre 800 recin nacidos haya 5 pelirrojos?

P (x = 5) = 4,602 La probabilidad es de 4.6%


3.
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba cuatro cheques sin fondo en un dia?
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




Distribucin normal
Se llama distribucin normal, distribucin de Gauss o distribucin gaussiana, a una
de las distribuciones de probabilidad de variable continua que con ms frecuencia
aparece aproximada en fenmenos reales.
[cita requerida]

La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
respecto de un determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observacin se obtiene como la suma
de unas pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de
ah que al uso de la estadstica en psicologa y sociologa sea conocido
como mtodo correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el
modelo de la normal son:
caracteres morfolgicos de individuos como la estatura;
caracteres fisiolgicos como el efecto de un frmaco;
caracteres sociolgicos como el consumo de cierto producto por un mismo grupo
de individuos;
caracteres psicolgicos como el cociente intelectual;
nivel de ruido en telecomunicaciones;
errores cometidos al medir ciertas magnitudes;
etc.
Ejercicios:


1.
Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X +3).
P(x1 X x2) se define como:
Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones


=P(z3) -1 + P(z3)= 0.9986 -1 + 0.9986 = 0.9972

2.
En una distribucin normal de media 4 y desviacin tpica 2, calcular el valor de a
para que: P(4a x 4+a) = 0.5934
X x2) se define como:



Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
3.
En una ciudad se estima que la temperatura mxima en el mes de junio sigue una
distribucin normal, con media 23 y desviacin tpica 5.
Calcular el nmero de das del mes en los que se espera alcanzar mximas entre
21 y 27.
=23 y =5 se define como:


Distribucin Uniforme
Distribucin uniforma discreta:
Es una distribucin de probabilidad que asume un nmero finito de valores
con la misma probabilidad.
Si la distribucin asume los valores reales , su funcin de probabilidad
es

y su funcin de distribucin la funcin escalonada

Su media estadstica es

Claudia Virginia Cruz Huerta
Probabilidad
Tareas e investigaciones
y su varianza


Distribucin uniforme Continua:
Es una familia de distribuciones de probabilidad para variables aleatorias
continuas, tales que cada miembro de la familia, todos los intervalos de igual
longitud en la distribucin en su rango son igualmente probables. El dominio
est definido por dos parmetros, a y b, que son sus valores mnimo y
mximo. La distribucin es a menudo escrita en forma abreviada como U(a,b).
La funcin de densidad de probabilidad de la distribucin uniforme continua es:

La funcin de distribucin de probabilidad es:

You might also like