Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 24 vistas

    Introduccion Unidad 3

    Cargado por

    Jesica Trucco
    Este documento introduce los modelos de probabilidad y estadística. Explica que los modelos de probabilidad son funciones que representan la distribución de probabilidades esperada de una variable aleatoria en lugar de realizar millones de mediciones. Se seleccionan modelos discretos como binomial y de Poisson y modelos continuos como normal y exponencial. Estos modelos aproximan el comportamiento de variables aleatorias comunes y tienen propiedades como valor esperado, varianza y asimetría.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Introduccion Unidad 3

    Cargado por

    Jesica Trucco
    24 vistas3 páginas
    Este documento introduce los modelos de probabilidad y estadística. Explica que los modelos de probabilidad son funciones que representan la distribución de probabilidades esperada de una variable aleatoria en lugar de realizar millones de mediciones. Se seleccionan modelos discretos como binomial y de Poisson y modelos continuos como normal y exponencial. Estos modelos aproximan el comportamiento de variables aleatorias comunes y tienen propiedades como valor esperado, varianza y asimetría.

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento introduce los modelos de probabilidad y estadística. Explica que los modelos de probabilidad son funciones que representan la distribución de probabilidades esperada de una variable aleatoria en lugar de realizar millones de mediciones. Se seleccionan modelos discretos como binomial y de Poisson y modelos continuos como normal y exponencial. Estos modelos aproximan el comportamiento de variables aleatorias comunes y tienen propiedades como valor esperado, varianza y asimetría.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    24 vistas3 páginas

    Introduccion Unidad 3

    Cargado por

    Jesica Trucco
    Este documento introduce los modelos de probabilidad y estadística. Explica que los modelos de probabilidad son funciones que representan la distribución de probabilidades esperada de una variable aleatoria en lugar de realizar millones de mediciones. Se seleccionan modelos discretos como binomial y de Poisson y modelos continuos como normal y exponencial. Estos modelos aproximan el comportamiento de variables aleatorias comunes y tienen propiedades como valor esperado, varianza y asimetría.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 3

    PROBABILIDAD Y ESTADÍSTICA 1

    Al analizar el tema Probabilidades encontramos que la forma de determinar la posibilidad


    de que ocurra un evento consiste en realizar muchas veces el experimento aleatorio y calcular la
    frecuencia relativa de la aparición del suceso. Expresado formalmente esto es:

    P(A) = lim ( nA / n )
    n→∞

    Pero debemos reconocer que esto no resulta demasiado práctico a nivel operativo, para la mayor
    parte de los problemas que se nos pueden presentar en la realidad.

    Supongamos por ejemplo que para dimensionar una Playa de Estacionamiento


    necesitamos evaluar la probabilidad que en un minuto lleguen entre 5 y 10 autos. Si sólo
    contamos con la expresión anterior, tendremos que realizar millones de veces la medición durante
    un minuto. Pensemos en otro ejemplo: necesitamos conocer la posibilidad que una persona mida
    más de 1,80 mts. En ese caso podremos encontrar la respuesta midiendo “apenas” seis ó siete
    millones de personas.

    Existe una forma de evitar tantas mediciones, y es la utilización de los Modelos de


    Probabilidades, que son funciones que representan la distribución de probabilidades esperada de
    una variable aleatoria. Es decir, frente a un problema concreto se define una variable que
    represente a los posibles resultados de la experimentación y se selecciona una función que
    distribuya las probabilidades sobre esos valores.
    Si bien la identificación de la distribución de probabilidades de una variable aleatoria puede ser
    sencilla en algunos casos, como en el ejemplo de las tiradas de las tres monedas que vimos en la
    Unidad anterior, donde pudimos identificar con facilidad la Población de la variable y su Función
    de Probabilidad, un cálculo parecido no es factible en la mayor parte de las aplicaciones reales.
    Esto es lo que justifica el uso de los modelos.

    Imaginemos ejemplos tan comunes como los de las variables: Estatura o Cantidad de
    personas que llegan a un Banco por minuto. Allí no es posible una deducción analítica y por lo
    tanto queda sólo el recurso de la observación directa. ¿Es imprescindible realizar millones de
    mediciones para identificar la distribución de probabilidades propia de cada variable? La
    respuesta es NO. Afortunadamente los matemáticos han desarrollado funciones que permiten
    valorar probabilidades asociadas a diferentes variables. Dichas funciones reciben en algunos
    textos la denominación de Distribuciones Especiales de Probabilidades.

    En esta Asignatura, las llamaremos Modelos, porque constituyen herramientas que


    permiten representar de manera simplificada a las verdaderas distribuciones de probabilidades de
    una variable aleatoria.

    Nuestro problema entonces, se reduce a identificar la variable aleatoria asociada al estudio que
    realizamos y elegir el modelo de probabilidades más conveniente para representar el
    comportamiento de dicha variable. Estos Modelos en general constituyen excelentes
    aproximaciones a la realidad. La validez de los mismos ha sido verificada tanto analítica como
    experimentalmente.

    Para esta Asignatura hemos seleccionado algunos de los Modelos de mayor aplicabilidad. Para el
    caso de las Variables Discretas elegimos Binomial y Poisson, mientras que para Variables
    Continuas seleccionamos Normal y Exponencial.

    Interpretación de Salidas de Software


    2 PROBABILIDAD Y ESTADÍSTICA
    Por supuesto, para poder elegir el modelo adecuado a nuestro problema debemos conocer las
    propiedades fundamentales de los mismos. Esas propiedades se resumen en general en los
    siguientes aspectos:
    • Definición de la variable aleatoria.
    • Forma de las funciones de probabilidad.
    • Parámetros: son los valores que necesitamos conocer para poder utilizar el modelo.
    • Valor Esperado, Varianza y Asimetría de la variable.

    MODELOS

    Variables Variables
    DISCRETAS CONTINUAS

    Binomial Normal
    Poisson Exponencial

    Interpretación de Salidas de Software


    PROBABILIDAD Y ESTADÍSTICA 3

    Esquema Conceptual.

    VARIABLES Población
    ALEATORIAS

    Distribución de
    Probabilidades

    Parámetros CONTINUAS

    Características
    E(X): μ
    V(X): σ2
    Asimetría: γ

    MODELOS

    Binomial Normal
    Poisson Exponencial

    Interpretación de Salidas de Software

    También podría gustarte