Professional Documents
Culture Documents
ASIGNATURA:
TEORA DE DECISIONES
TEMA:
DISTRIBUCION DE PROBABILIDAD CONTINUA
INTEGRANTES:
DOCENTE:
Ing. Larry Palma Arredondo
CICLO: VII.
TURNO: NOCHE.
2015
INDICE
Contenido
Introduccin............................................................................................................ 2
OBJETIVO GENERAL............................................................................................. 4
OBJETIVOS ESPECFICOS....................................................................................... 4
MARCO TEORICO.................................................................................................. 4
1
1.
1.1.
Variable aleatoria......................................................................................... 4
1.2.
2.
2.1
Distribucin uniforme...................................................................................... 9
3.1.
3.2.
3.4.
Introduccin
El concepto de probabilidad surge con las ansias de conocer los sucesos futuros. Por esto, el
estudio de probabilidad nace como una herramienta a la cual recurrira la nobleza para tener
ventaja en los juegos y entretenimientos de la poca. En la actualidad se contina con el
estudio de nuevas metodologas que permitan ampliar el empleo de ordenadores en el
estudio y anlisis de las probabilidades, minimizando de esta forma, los mrgenes de error
potenciales
la
mecnica
en
sistemas
de
gran
complejidad.
OBJETIVO GENERAL
1. Desarrollar la Distribucin de Probabilidad Continua
OBJETIVOS ESPECFICOS
1. Describir la importancia de los datos estadsticos
2. Estudiar la variable aleatoria continua
3. Identificar y comprender los Modelos de la Distribucin Continua
MARCO TEORICO.
1 Variables aleatorias continuas
1 Variable aleatoria
Definimos el trmino Variable Aleatoria: transformacin que permite pasar del campo del
experimento al campo o conjunto de los nmeros reales.
En la mayora de los experimentos slo nos interesan nmeros asociados con sus
resultados valores asumidos por las Var. Aleatorias
Ejemplo: Supongamos un experimento consistente en lanzar una moneda 2 veces: W[ (cc)
(cx) (xc) (xx)]. Definimos una variable aleatoria = n de caras al lanzar una moneda 2
veces, el nuevo espacio muestral B en el entorno de los nmeros reales es:
(cc)2
(cx)1
B[2,1,0]
(xc)1
(xx)0
Es aquella que dentro de determinado intervalo su medicin puede dar lugar a cualquier
valor, o sea que la variable puede tomar cualquiera del infinito nmero de valores del
intervalo, como:
Peso de un animal del zoolgico
Cantidad de leche que produce una vaca en un da
La medida del voltaje de una batera
Caractersticas:
1. Es generada por una variable continua (x).
X: Es una variable que puede tomar tanto valores enteros como fraccionarios.
X: 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
2. f(x)0
Las probabilidades asociadas a cada uno de los valores que toma x deben
3.
valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de
probabilidad deber ser de 1.
F ( x ) P X x f ( x)dx
x
Frmula
La probabilidad de que el lapso de tiempo sea menor que o igual a cierta cantidad x es:
P(X X )=1e. t
Donde:
t = Lapso de tiempo
e = Base del logaritmo natural aproximadamente igual a 2,718281828
Ejemplos ilustrativos
1) Los buses interprovinciales llegan al terminal a una tasa promedio de 10 buses
a)
b)
c)
d)
por hora.
Cul es la probabilidad de que llegue un bus en no ms de 5 minutos?
Cul es la probabilidad de que llegue un bus en no ms de 10 minutos?
Cul es la probabilidad de que llegue un bus entre 5 minutos y 10 minutos?
Cul es la probabilidad de que llegue un bus en ms de 5 minutos?
Solucin:
= 10 por una hora
a) Como la tasa promedio est dada por hora, y el problema se plantea en minutos, se
calcula el porcentaje que representa 5 minutos de una hora (60 minutos), el cual es:
5
1
=
60 12
Reemplazado valores de la frmula se obtiene:
. t
P(X X )=1e
10.
P( X 5)=1e
1
12
=0,5654
P(X X )=1e. t
10.
P( X 10)=1e
1
6
=0.8111
= 1/
F (96) e t dt 1 e t
0
Distribucin uniforme
Definicin
Es una distribucin en el intervalo en la cual las probabilidades son las mismas para todos
los posibles resultados, desde el mnimo de a hasta el mximo de b. El experimento de
lanzar un dado es un ejemplo que cumple la distribucin uniforme, ya que todos los 6
resultados posibles tienen 1/6 de probabilidad de ocurrencia. (Devor, 2008)
i) Funcin de densidad de una distribucin uniforme (altura de cada rectngulo en la grfica
anterior) es:
f
( x )= Altura=
1
ba
Dnde:
a = mnimo valor de la distribucin
b = mximo valor de la distribucin
b a = Rango de la distribucin
ii) La media, valor medio esperado o esperanza matemtica de una distribucin uniforme se
calcula empleando la siguiente frmula:
E
( x )==
a+ b
2
(ba)
12
v) La probabilidad de que una observacin caiga entre dos valores se calcula de la siguiente
manera:
P(X1 X X2) =
Ejemplo ilustrativo
Sea X el momento elegido al azar en que un estudiante recibe clases en un determinado da
entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00 - 13:00
a)
b)
c)
d)
e)
f)
Solucin:
a) a = 7 y b = 13
Reemplazando valores en la ecuacin de la funcin de densidad se obtiene:
f(x) = Altura =
f(x) = Altura =
1
137
1
ba
1
6
= 0.167
Interpretacin:
Cada rectngulo tiene 1 de base y 1/6 = 0,167 de altura.
El rea de cada rectngulo es:
1
A = base. Altura = 1 . 6
1
6
El rea total (rectngulo de base el intervalo 7-13 y altura 1/6=0,167) representa a la suma
de todas las probabilidades, y es igual a uno:
1
A = base. Altura = ( 137 ) . 6
= 6.
1
6 =1
( x )==
7+13
2
= 10
(ba)
12
(137)
=
=
12
2
(6)
12
2
Por lo tanto la desviacin estndar es: = =
36
12
=3
3 = 1.732
e) Llegar en la primera media hora significa que llega a la 7:30. Por lo tanto se debe
calcular la probabilidad entre las 7:00 y las 7:30.
Como 7:30 = 7 horas + 30 minutos, y el porcentaje que representa 30 minutos de una hora
es:
30
60
= 0.5
=>
P (7 X 7,5) =
7,57
137
0.5
6
= 0.0833
= 0.25
=>
P (10 X 12,25) =
12,2510
137
2,25
6
= 0.375
Y
N
log (X )
i1
12
1 N
loga(Xi ) ln X T = ln + k ln
N i1
1/2 ln 1 + cv
exp k T ln 1 + cv 2 -
k=
cv
1
1
-1
k T = F 1 - Fu 1 1
T
TI
-1
Intervalos de confianza
: Nivel de confianza o significancia
ST: Error estndar
2
= 1 + k T
2
ln X T + _ T 1- S T
1/2
ST =
ln
n
= 1 + k T
2
1/2
de 5%
ST =
ln
n
=1.92
ST=0.075
5.0711.6*0.075
4.94 QY 5.14
3
Caudales mnimos
| | ( )
-1
-
( ) = z -1 e- z dz
0
(Parmetro de escala)
2
2
= =
1
1
2
3
K KT + (K t 1) + ( KT 6KT ) (K T 1) + KT
6 3
6
6
6 3 6
2
| | ( )
P( X x)
-1
x - xo
exp
x x0
( ) 0
x x0
dx
Funcin de densidad acumulada
Parmetros
( ) =
-1
-z
dz
xo parmetro de localizacin.
1
X 0 =
X T u1 2 S T
ST =
K = 2.32
ST
N
ST = 17.6
De tabla 95=1.6
146,4 1.6*17.6
146.4 28.16 m3/s
3.5 distribucin log Pearson tipo III
Funcin de distribucin de probabilidad
1
f x (x) =
x (
ln (x) - yo
-1
ln( x)- yo
Parmetros
y , parmetros de escala y forma y yo parmetro de localizacin
Estimacin de Parmetros
Mtodo de los momentos
2
= y
y
2
y 0 y
Factor de Frecuencia:
Y T = ln X T = y + K y
Intervalos de Confianza: Que tan cercano puede estar el estimado al verdadero valor
desconocido de la poblacin: Conocer con cierta certeza. Franja grande: mucha
incertidumbre.
X T u1- 2 S T
y
N
ln X T 1 / 2 ST
x
F(x) = exp - 1 -
1/
Dnde:
, y son parmetros que deben ser determinados.
Los tres casos limitantes son:
1
f(x) =
x-
1
x-
exp - exp
Rango:
- x
x 0.5772
Estimacin de parmetros:
2. < 0 Distribucin de Valor Extremo Tipo II (Frechet)
x
f(x) = exp - 1 -
1/
( / ) x
Rango:
3. > 0 Distribucin de Valor Extremo Tipo III (Weibull)
x
f(x) = exp - 1 -
1/
x ( / )
Rango:
x
F(x) exp - exp
K=-
6
0.577 + ln ln Tr - ln Tr - 1
Intervalos de confianza: Que tan cercano puede estar el estimado al valor verdadero
desconocido de la poblacin.
X T u1- 2 S T
ST =
N
QTr 95ST
K100
6
0.577 ln ln TR ln( TR 1)
QTr 100 K
QTr 100 94.35 3.13 22.45 164.77
Intervalos de confianza:
ST =
KTr=100 = 3.13
Conclusiones
1. Al iniciar el anlisis estadstico de una serie de datos, y despus de la etapa de
deteccin y correccin de errores, un primer paso consiste en describir la
distribucin de las variables estudiadas, esta distribucin es frecuentemente
utilizada en las aplicaciones estadsticas y, en particular, de los datos numricos; su
propio nombre indica su extendida utilizacin, justificada por las frecuencia o
normalidad con la que las ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin. Adems de las medidas descriptivas
correspondientes, el comportamiento de estas variables puede explorarse
grficamente de un modo muy simple.
2. Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana. Las variables aleatorias, se encuentran asociadas a
la circunstancia de un fenmeno aleatorio. Si una de estas variables aleatorias toma
determinados valores, la probabilidad que se asocia a cada uno de dichos valores,
pueden ser establecidas como forma de distribuir la probabilidad. Tambin pueden
ser representadas mediante un grfico o frmula. En este caso la norma de
correspondencia se llama funcin de probabilidad. Cuando se aprueba que en una
variable aleatoria sea permitido adjudicar un valor cualquiera dentro de lmites
establecidos, recibir la denominacin, variable aleatoria continua. Dicha variable
puede tomar cualquiera de los valores infinitos que se encuentran adentro de un
intervalo.
3. La distribucin normal tiene una gran importancia 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. La distribucin exponencial tiene como
funcin expresar el tiempo transcurrido entre eventos que se contabilizan por medio
de la distribucin de Poisson. Un ejemplo de esto podra ser el tiempo que
transcurre entre dos llamadas por telfono, nmero de peatones que llegan a un
semforo, etc. Podemos caracterizar la distribucin gamma del modo
siguiente: si se est interesado en la ocurrencia de un evento generado
por un proceso de Poisson de media , la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una
distribucin gamma con parmetros = n (escala) y p=n (forma). Se
denota Gamma (,p).Por ejemplo, la distribucin gamma aparece
cuando se realiza el estudio de la duracin de elementos fsicos (tiempo
de vida). Puesto que esta distribucin presenta como propiedad
interesante la falta de memoria. Por esta razn, es muy utilizada en las
teoras de la fiabilidad, mantenimiento y fenmenos de espera (por
ejemplo en una consulta mdica tiempo que transcurre hasta la llegada
del
segundo
paciente).
Redundando sobre la relacin entre la distribucin exponencial y la
distribucin gamma, explicamos el por qu, Si p=1 (parmetro de
forma), entonces la gama se convierte en una exponencial cuyo
parmetro es igual al parmetro de escala de la gama, . Y por ltimo
concluimos indicando que la funcin de distribucin gama no se puede
calcular analticamente, salvo en casos especiales.
Bibliografa
Devor, J. L. (2008). Probabilidad y estadistica para Ingenierias y Ciencias.
Mexico: Abril Vega Orozco.
Docentes Innovadores. (s.f.). Recuperado el jueves de abril de 2015, de
http://docentesinnovadores.net/Archivos/5734/DISTRIBUCIONES
%20CONTINUAS.pdf
Lopez, C. P. (2001). Tecnicas estadisticas SPSS. mexico: Pearson.
Lopez, C. P. (2001). Tecnicas estadisticas SPSS. Mexico: Pearson.