El documento describe conceptos estadísticos como variables aleatorias discretas y continuas, distribuciones de probabilidad binomial y normal, y cómo calcular valores esperados y varianzas. También presenta un ejemplo numérico de una variable aleatoria discreta que representa el número de automóviles vendidos diariamente y cómo construir su distribución de probabilidad.
0 calificaciones0% encontró este documento útil (0 votos)
46 vistas3 páginas
El documento describe conceptos estadísticos como variables aleatorias discretas y continuas, distribuciones de probabilidad binomial y normal, y cómo calcular valores esperados y varianzas. También presenta un ejemplo numérico de una variable aleatoria discreta que representa el número de automóviles vendidos diariamente y cómo construir su distribución de probabilidad.
Descripción original:
Título original
Reporte de Aprendizaje Unidad 3_27daff8f5e0edb322716f0958015c0b8 (1)
El documento describe conceptos estadísticos como variables aleatorias discretas y continuas, distribuciones de probabilidad binomial y normal, y cómo calcular valores esperados y varianzas. También presenta un ejemplo numérico de una variable aleatoria discreta que representa el número de automóviles vendidos diariamente y cómo construir su distribución de probabilidad.
El documento describe conceptos estadísticos como variables aleatorias discretas y continuas, distribuciones de probabilidad binomial y normal, y cómo calcular valores esperados y varianzas. También presenta un ejemplo numérico de una variable aleatoria discreta que representa el número de automóviles vendidos diariamente y cómo construir su distribución de probabilidad.
Descargue como DOCX, PDF, TXT o lea en línea desde Scribd
Descargar como docx, pdf o txt
Está en la página 1de 3
Adriana Medina Novas
Reporte de Aprendizaje unidad 3.
Para cualquier experimento en particular una variable aleatoria puede definirse de modo que cada resultado experimental posible genere exactamente un valor numérico para la variable aleatoria. Por ejemplo, si consideramos el experimento de vender automóviles un día en una concesionaria, podríamos describir los resultados experimentales en función de la cantidad de automóviles vendidos. En este caso, si x = cantidad de automóviles vendidos, x se conoce como variable aleatoria. El valor numérico particular que asume este tipo de variable depende del resultado del experimento; es decir, el valor específico de la variable aleatoria no se conoce hasta que se observa el resultado experimental. Por ejemplo, si cierto día se venden tres automóviles, el valor de la variable aleatoria es 3; si otro día (una repetición del experimento) se venden cuatro automóviles, el valor es 4. Una manera de determinar si una variable aleatoria es discreta o continua es pensar en los valores de la variable como si fueran puntos de una recta. Elija dos puntos que representen los valores que la variable aleatoria podría asumir. Si el segmento de recta entero entre los dos puntos también representa los valores posibles que la variable aleatoria puede asumir, ésta es continua. Podemos demostrar el uso de una variable aleatoria discreta al considerar las ventas de automóviles en De Carlo Motors, Inc., con sede en Saratoga, Nueva York. El propietario de esta compañía está interesado en el volumen de ventas diario de los automóviles. Suponga que x es una variable aleatoria que denota la cantidad de automóviles vendidos en un día determinado. Los registros de ventas muestran que 5 es el número máximo de automóviles que De Carlo vendió en un día. El propietario considera que el historial de ventas anterior representa de manera adecuada lo que ocurrirá en el futuro, así que esperaríamos que la variable aleatoria x asumiera uno de los valores numéricos 0, 1, 2, 3, 4 o 5. Los valores posibles de la variable aleatoria son fi nitos; por tanto, clasificaríamos a x como una variable aleatoria discreta. Distribución de probabilidad de una variable aleatoria discreta. Suponga que al revisar los registros de ventas de Carlo descubrimos que el año pasado la empresa estuvo abierta durante 300 días. El volumen de ventas generado y la frecuencia de su ocurrencia se resumen en la tabla 3.2. Con estos datos históricos disponibles, el propietario de esta empresa piensa que el método de frecuencia relativa proporcionará un medio razonable para evaluar las probabilidades de la variable aleatoria x. La función de probabilidad, denotada por f(x), determina la probabilidad de que la variable aleatoria x tome un valor específico. Después de establecer una variable aleatoria y su distribución de probabilidad, podemos determinar una variedad de información de probabilidad adicional, dependiendo de las necesidades e intereses de quien toma las decisiones. Después de construir la distribución de probabilidad para una variable aleatoria, con frecuencia queremos calcular la media o valor esperado de esa variable. El Adriana Medina Novas
valor esperado de una variable aleatoria discreta es un promedio ponderado de
todos los valores posibles de la misma, donde los pesos son las probabilidades asociadas con los valores. Varianza. El valor esperado proporciona una idea del valor medio o central para la variable aleatoria, pero con frecuencia queremos una medida de la dispersión, o variabilidad, de los valores posibles de esta variable. Por ejemplo, si los valores de la variable aleatoria varían de muy grandes a muy pequeños, esperaríamos un valor grande para la medida de la variabilidad. Si los valores muestran sólo una variación modesta, esperaríamos un valor relativamente pequeño. La varianza es una medida que se utiliza comúnmente para resumir la variabilidad de los valores que asume una variable aleatoria. Distribución de probabilidad binomial. En esta sección consideramos una clase de experimentos que cumple con las condiciones siguientes: 1. El experimento consiste en una secuencia de n ensayos idénticos. 2. Dos resultados son posibles en cada ensayo. Nos referimos a un resultado como un éxito y al otro como un fracaso. 3. Las probabilidades de los dos resultados no cambian de un ensayo a otro. 4. Los ensayos son independientes (por ejemplo, el resultado de un ensayo no afecta al resultado del otro). El problema de Nastke Clothing Store. Para ilustrar la distribución de probabilidad binomial considere el experimento de los clientes que entran a la tienda Nastke Clothing Store. Para mantener el problema relativamente pequeño, restringimos el experimento a los siguientes tres clientes. Si, con base en la experiencia, el gerente de la tienda estima que la probabilidad de que un cliente haga una compra es 0.30, ¿cuál es la probabilidad de que exactamente dos de los tres clientes siguientes hagan una compra? Primero queremos demostrar que tres clientes que entran a la tienda de ropa y deciden si hacen una compra o no puede considerarse como experimento binomial. Valor esperado y varianza para la distribución binomial. A partir de la distribución de probabilidad de la tabla 3.6 podemos utilizar la ecuación (3.3). para calcular el valor o el número esperados de clientes que hace una compra: a f (x) 0(0.343) 1(0.441) 2(0.189) 3(0.027) 0.9. Note que podríamos haber obtenido este mismo valor esperado con sólo multiplicar n (el Adriana Medina Novas
número de ensayos) por p (la probabilidad de éxito en cualquier ensayo):
np 3(0.30) 0.9 Para el caso especial de una distribución de probabilidad binomial, el valor esperado de la variable aleatoria está dado por: np (3.6). En esta sección consideraremos una variable aleatoria discreta, la cual con frecuencia resulta útil cuando tratamos con el número de ocurrencias de un evento durante un intervalo específico de tiempo o espacio. Por ejemplo, la variable aleatoria de interés podría ser la cantidad de automóviles que llega a un centro de lavado en una hora, el número de reparaciones necesarias en 10 kilómetros de carretera, o de fugas en 100 kilómetros de tubería. En esta sección se presentan las distribuciones de probabilidad para las variables aleatorias continuas. Recuerde que en la sección 3.1 se estableció que las variables aleatorias que asumen cualquier valor en cierto intervalo o colección son continuas. Quizás la distribución de probabilidad más importante utilizada para describir una variable aleatoria continua es la distribución de probabilidad normal. Excel cuenta con la capacidad para calcular probabilidades para varias distribuciones de probabilidad discretas, incluidas la binomial y la de Poisson. En este apéndice se describe cómo usar Excel para calcular las probabilidades de cualquier distribución de probabilidad binomial. Los procedimientos para las distribuciones de probabilidad de Poisson son parecidos a aquellos que se describieron para la distribución de probabilidad binomial. Excel tiene una función para calcular probabilidades para varias distribuciones de probabilidad continuas, incluidas las distribuciones de probabilidad normal y exponencial. En este apéndice se describe cómo usar Excel para calcular probabilidades para cualquier distribución de probabilidad normal. Los procedimientos para las distribuciones de probabilidad exponenciales y continuas son similares a aquellos descritos para la distribución de probabilidad normal. El procedimiento de Excel para generar probabilidades es similar al procedimiento que acabamos de describir. El paso 4 se puede utilizar para elegir el nombre de la función expondist (distr.exp). El cuadro de diálogo del paso 5 guiará al usuario a lo largo de los valores de entrada requeridos para calcular la probabilidad buscada. Observe que el valor introducido en el cuadro lambda es 1. Cuando se hace clic en ok (Aceptar) en el paso 5, la probabilidad exponencial acumulada aparece en la hoja de trabajo.