Beruflich Dokumente
Kultur Dokumente
Probabilidad y Estadstica
Sergio David Moya Hilarin- Sergio.moyah89@hotmail.com
20112007098
variable aleatoria proporciona un
medio matemtico para relacionar
1. Introduccin
cualquier resultado con una medida
cuantitativa.
Los experimentos se conciben de
manera que los resultados del
espacio muestral son de tipo
cualitativos o cuantitativos. Es por
ello que las distribuciones de
probabilidad indica toda la gama de
valores que pueden resultar de un
experimento. Sin embargo las
distribuciones
de
probabilidad,
constituye
una
herramienta
fundamental para la prospectiva de
eventos, puesto que se puede
disear
un
escenario
de
acontecimientos
futuros
considerando
las
tendencias
actuales de diversos fenmenos que
afecten el experimento.
Realmente las distribuciones de
probabilidad
describen
los
fenmenos aleatorios de la vida
real, como por ejemplo la eficacia
de un nuevo frmaco en los
pacientes que lo usaron,
o los
productos
que
pueden
ser
defectuosos o no defectuosos en
una lnea de produccin. Por ello la
2. Objetivos
Objetivo General
Identificar la variable discreta
y continua, asocindola con
los respectivos problemas
propuestos.
Objetivos Especficos
Estimar la
esperanza y
varianza matemtica de la
respectiva variable discreta o
continua.
Definir y verificar su f.m.p, y
f.d.a.
Describir
las
diferentes
caractersticas
de
las
variables
y
calcular
las
probabilidades
de
los
ejercicios propuestos.
Establecer las propiedades de
la funcin de distribucin de
probabilidad acumulada de
una
variable
aleatoria
discreta y continua.
3. Variables aleatorias.
3.1.
Binomial Negativa
Sea un escenario binomial en que
se observa una secuencia de
ensayos
independientes;
la
probabilidad de xito en cada
ensayo es constante e igual a p. En
lugar de fijar el nmero de ensayos
en n y observar el nmero de xitos,
supngase que se continan los
ensayos hasta que han ocurrido
exactamente r xitos. En este caso,
la variable aleatoria es el nmero de
ensayos necesarios para observar r
xitos. De nuevo nos concentramos
en
intentos
independientes
e
idnticos, cada uno de los cuales
conduce a uno de dos resultados:
xito o fracaso. La probabilidad p de
xito sigue siendo igual de un
intento a otro. La distribucin
maneja el caso donde estamos
interesados en el nmero de intento
en el que ocurre el primer xito.
Qu pasa si estamos interesados
en conocer el nmero de intento en
el que ocurre el xito segundo,
tercero o cuarto? La distribucin que
se aplica a la variable aleatoria Y
igual al nmero del intento en el
que ocurre el rsimo xito (r = 2, 3,
4, etc.) es la distribucin binomial
negativa.
Y
B = {el intento y resulta en un
xito}.
Como suponemos que los intentos
son independientes, se deduce que
A y B son eventos independientes y
las suposiciones previas implican
que P(B) = p. Por tanto,
p(y) = p(Y = y) = P(A B) = P(A)
P(B).
Observe que P(A) es 0 si (y 1) < (r
1) o, de igual manera, si y < r. Si y
r, implica que la distribucin de
probabilidad es:
y1 p (1 p )
(
)
p ( y )= r1
r
yr
0 p1
0 en otro valor
r + y1 p r ( 1p )r y=0,1,2
r 1
p ( n; r , p )=
r =1,2
0 p1
0 en otro valor
y1
3.1.2. Esperanza
d [ y]
q = y ( y1)q y2
2
dq
E[Y (Y 1)]=qp
Y
d2 y
[q ] =
d q2
2
d
qp 2
dq
E[Y (Y 1)]=
Fig 1. Demostracin matemtica de
la esperanza de la distribucin
binomial negativa
1
E ( Y )=
P
Ec 1: Esperanza de la distribucin
binomial negativa
V [Y ]=E [Y 2]E[Y ]2
2
E[Y 2 ]=
2 q 1 2 q+ p
+ =
p2 p
p2
2
V [ Y ]=E [Y 2 ] E [ Y ]
3.1.3. Varianza
Si
2q
p2
V [Y ]=
2 q+ p 1 2 ( 1 p ) + p1 1 p
2=
= 2
p2
p
p2
p
V ( Y )=
1 p
p2
Ec 2: Varianza de la distribucin
binomial negativa
3.1.4. Ejemplos:
En la serie de campeonatos de la
NBA, el equipo que gane 4 de 7
juegos ser el ganador. Suponga
que los equipos A y b se enfrentan
en los juegos de campeonato y que
el equipo A tiene una probabilidad
de 0.55 de ganarle al equipo B.
[ 1]
Cul es la probabilidad de que el
equipo A gane la serue de 6 juegos?
V (Y )=
B) b*(4;4,0.55)+ b*(5;4,0.55)+
b*(6;4,0.55)+ b*(7;4,0.55)=
0.0915+0.01647+0.185+0.1
66=0.6083
[ 2]
E ( Y )=
3
=15
( .2 )2
3(.8)
=60
2
. Debido a
(.2)
T =10 Y + 3(20)
E ( T ) =10 E ( Y ) +60=10 ( 15 ) +60=210
PROPUESTO
Una gran acumulacin de bombas
usadas contiene 20% que necesitan
ser reparadas. Una trabajadora de
mantenimiento es enviada a esas
bombas con tres juegos de piezas
de
reparacin. Ella selecciona
bombas al azar y las prueba una por
una. Si la bomba funciona, la separa
para usarla ms adelante, pero, si
no funciona, utiliza uno de los
conjuntos de reparacin en la
3.2.
POISSON
El nmero de errores de
ortografa que uno comete al
escribir una nica pgina.
El
nmero
de
llamadas
telefnicas en una central telefnica
por minuto.
El nmero de estrellas en un
determinado volumen de espacio.
Las
caractersticas
ms
sobresalientes de esta distribucin
son:
La distribucin de Poisson tiene la
particularidad de que la esperanza y
la varianza son iguales.
El espacio muestral en un modelo
de Poisson se genera por un nmero
muy grande (puede considerarse
infinito) de repeticiones de un
experimento
cuyo
modelo
de
probabilidad es el de Benorulli, con
probabilidad de xito muy pequea.
Por esta razn se le suele llamar de
eventos raros. Las repeticiones
del experimento de Bernoulli se
realizan en cada uno de los puntos
de un intervalo de tiempo o espacio.
La probabilidad de que se tenga dos
o ms xitos es en el mismo punto
del intervalo es cero. El nmero
, de la
probabilidad de la
de
una
variable
Definicin:
Sea
una
variable
aleatoria que representa el nmero
de
eventos
aleatorios
independientes que ocurren a una
rapidez constante sobre el tiempo o
el espacio. Se dice entonces que la
variable
aleatoria
tiene
una
distribucin de Poisson con funcin
de probabilidad
Aun cuando no hay una forma nica de
seleccionar los subintervalos y por tanto
no conocemos
ni n ni p, parece razonable que cuando
dividimos la semana en un nmero
mayor de n subintervalos, disminuye la
probabilidad p de un accidente en uno
de estos subintervalos ms cortos.
Haciendo = np y tomando el lmite de
la probabilidad binomial
lim n y
n y
p ( 1 p )
cuando
n y
()
S q , tenemos
e i ! =F (x ; )
i=0
3.2.3.Esperanza de poisson
La media o esperanza y la varianza,
se obtienen mediante el mismo
procedimiento, tomando los limites
cuando n tiende a , p tiende a 0 y
np tiende a
E ( X )= lim ( np )=
np
( np ( 1 p )) =
2= lim
np
basa en la serie de
para la esperanza:
E ( X )= xf ( x)
x
e x
, si x=0,1,2 , n
f ( x )=
x!
0, e . o . c
x
x=0
3.2.2.Funcin de Distribucin
Acumulativa:
La probabilidad de que una variable
aleatoria de Poisson sea menor o
igual a un valor de x se determina
por la funcin de distribucin
acumulativa:
e x , se tendr
e x
x1
= e
x!
x=1 ( x1 ) !
si y=x1entonces :
E ( X )= e
y=0
y
= e e =
y!
Ec 3: Esperanza de la distribucin
Poisson.
3.2.4.Varianza de poisson
Por propiedades de la varianza se
tiene que:
2
Var ( X )=E ( X )[ E ( X ) ] , Adems de
que;
E ( X 2 ) =E [ X ( X1 ) ] + E( X )
x=0
x=0
E [ X ( X1 ) ]= x ( x 1 ) f ( x )= x ( x1)(
y=0
y
2
=
y!
, entonces;
Var ( X )= 2+ 2
Var ( X )=
)=2 econsecutivos?
x!
x=2 ( x2 ) !
[ 3]
Solucin:
A. x= variable que nos define el
nmero de cheques sin fondo
que llegan al banco en un da
cualquiera= 0, 1, 2,3etc.
y=x2
Ahora sea:
x
x2
e (6 )
P ( =6, x=4 )=
=0.1338
4!
Ec 4: Varianza de la distribucin
Poisson.
P ( =12, x=10 )=
3.2.5.Ejemplos
Durante un experimento de
laboratorio el nmero de promedio
de partculas radioactivas que pasan
a travs de un contador en un
milisegundo es 4. Cul es la
probabilidad que entren 6 particulas
al contador en un milisegundo
3.3.
10
( 12 )
=0.1048
10 !
HIPERGEOMTRICA
K NK
(
x )( nx )
f ( x ; N , K , n) =
; x=0,1,2, . n
N
(n)
x
K N K
(
x )( nx )
P( X x)=
( Nn )
x
i=0
3.3.2.Esperanza de
Hipergeomtrica
Para poder determinar la esperanza
se con los parmetros
anteriormente mencionados: n,N y
m se tiene
Se obtiene:
3.3.3.Varianza de
Hipergeomtrica
Podemos decir que:
Se tiene que:
Donde Y es una variable aleatoria
hipergeomtrica con parmetros n1, N-1 y K-1. Tomando k=1 se tiene:
E [ X K]
se
obtiene:
N n
N1
es aproximadamente = 1
Var ( x ) np (1q )
Ec 6: Varianza de la distribucin
hipergeomtrica.
3.3.4.Ejemplos
Ya que:
E [ X ]=
nK
N
Ec 5: Esperanza de la distribucin
hipergeomtrica.
componente defectuoso
lote hay 3 defectuosos?
si en el
[ 1]
3 37
(
1 )( 4 )
f ( 1 ; 40 , 5 , 3 )=
=0.3011
40
(5)
x
[ 3]
Solucin:
Sea X el nmero de partes en la
muestra que son del proveedor
local. Entonces, X tiene una
distribucin hipergeomtrica y la
probabilidad pedida es P(X=4).
100 200
4
0
P ( 4 )=
=0.0119
30
4
( )( )
( )
200 100
(
4 )( 0 )
P ( 1 )=1
=0.196
300
(4)
Calcule la varianza y la esperanza
del ejercicio anterior:
Primero se debe calcular la razn
entre los xitos y la cantidad de
objetos totales
P=K/N= 100/300
E(X)=(4)*(1/3)=1.33
Var ( x ) np (1q )
V(x)=1.33*(1-1/3)*(276/279)= 0.879
3.4.
GAMMA
poseen
una
distribucin
de
frecuencia sesgada. La poblacin
asociada
con
estas
variables
aleatorias posee con frecuencia
funciones de densidad que son
modeladas de manera adecuada por
una funcin de densidad gamma.
En la funcin de densidad la
Earlang, el parmetro r aparece
como r! Para definir una variable
aleatoria
Gamma
se
requiere
generalizar la funcin factorial.
3.4.3. Esperanza.
Ec 7: Varianza de la distribucin
Gamma.
3.4.4. Varianza
Ec 8: Varianza de la distribucin
Gamma.
Par
a X>0.
Funcin
Acumulada
3.4.5. Ejemplos.
Supngase
que
cierta
pieza
metlica se romper despus de
sufrir dos ciclos de esfuerzo. Si
estos ciclos ocurren de manera
independiente a una frecuencia
promedio de dos por cada 100
horas, obtener la probabilidad de
que el intervalo de tiempo se
encuentre hasta que ocurre el
segundo ciclo.
de
[ 2]
Distribucin
la funcin de distribucin
acumulada no es ms que la
integral desde menos infinito hasta
un valor x el cual es hasta donde
queremos determinar la
acumulacin.
(2)=
xe x dx
0
Vemos que
r
2
= =
=100
0.02
2=
r
2
=
=50 00
2
2
0.02
3.5.
WEIBULL
parmetro de la forma.
parmetro de la escala.
Esta distribucin es una funcin de
densidad de probabilidad que nos
permite tener diversas aplicaciones
en la ingeniera (confiabilidad de
materiales).
Fue establecida con base en
evidencia emprica para demostrar
que el esfuerzo al que se someten
- parmetro
de forma, es el
indicador
de
mecanismo
falla.
de
- parmetro
de escala, vida
caracterstica.
- parmetro
de localizacin,
vida mnima.
adimencional.
Ec 9: Esperanza de la distribucin
weibull.
3.5.4. Varianza
3.5.4. Ejemplos
La duracin de un ventilador, en una
hora, que se usa en un sistema
computacional
tiene
una
distribucin de Weibull con
=1,5 y
[ 3]
=0,0001.
A. Cul es la probabilidad de
que un ventilador dure ms
de 10000 horas?
B. Cul es la probabilidad de
que un ventilador dure entre
3000 y 9000 horas?
Solucin:
1)Usando la funcin de Distribucin
acumulada
F ( x 10000 )= e
0.0001
( 1.5X )
10000
]]
=0.6324
F ( x 10000 )=10.6324=0.36755
2) Usando Funcin de distribucin
acumulada:
[ ( ) ]]
F ( x 90000 ) =[e
X
1.5
0.0001
X
1.5
0.0001
=0.6324405961
3000
[ ( ) ]]
F ( x 3000 )=[e
9000
=0.6324001809
curva de la funcin de
distribucin acumulada para
estos parmetros veramos
que
se
trata
de
unos
parmetros muy favorables
en cuanto a la confiabilidad
de la maquinaria dado que el
parmetro
beta
da
una
bajsima frecuencia de fallas
a travs del tiempo.
punto de referencia, la
probabilidad
acumulada de la Pareto
es siempre igual a
cero.
Estimacin
del
parmetro : Dado que
la
distribucin
de
Pareto depende del
parmetro para su
clculo se tienen dos
diferentes opciones.
Propuesto.
El tiempo de vida X en horas de un
artculo en el taller mecnico tiene
=2.
Cul
es
la
[ 2]
( 0.01) 64
F ( x <8 )=1e
La funcin de densidad de
pareto viene dada por:
3.5.2.
F x ( x )= x +1
0
Donde
=10.527=0.473
si x
en otro caso
> 1,
> 0
(Espacio Paramtrico)
3.6.
Distribucin
Pareto
de
Demostracin de la densidad
de pareto
f ( x) dx
1.
2.
1
x +1
de la
Pareto: es slo un
punto de referencia
determinable. En ese
dx
+1
x
3.
lim
dx
x 1 +1 dx
lim
4.
{ }[ ]
1 b
1F ( x ) x=
5.
lim
1 1
=1
()
FUNCIN ACUMULATIVA
DE PARETO
La funcin acumulativa de
pareto se obtiene de la
primicia de la funcin de
densidad.
x
+1
t
{}
representa
la proporcin de personas en
la poblacin con ingresos
mayores que x.
3.5.4.Esperanza.
En este punto demostraremos
como
se
expresa
la
Esperanza.
E ( )= xf ( x ) dx
dt
1.
1
t
+1
1.
x
x +1 dx
2.
xx( +1 ) dx
dt
2.
1 1
3.
3.
lim
x( ) dx
lim
Entonces
la
funcin
acumulativa de pareto es:
4.
Si x >
4.
( 1 )
{ [ ]}
x(1)
5.
lim
( 1 )
{b( 1 )( 1 )}
5.
lim
( 1 )
(
1 )
( 1 )
6.
( 2 )
7.
D ( )= x f ( x ) dx { E ( ) }
2
( 2 ) ( 1 )
1.
x
+1
x
dx
( 1 )
3.5.6.Ejemplos
2.
x x
(+1)
dx
( 1 )
3.
b
lim x( 1 ) dx
b
( 1 )
4.
lim
b
(2)
{ [ ]} { }
x(2)
( 1 )
[ 1]
E [ x ]=
x
92,4
=
=15,42
1 2,41
18
dt
2,49 dt
=
+1
t
t 3,4
( 1 )
( 2 )
( 1 )
( 2 )
{b( 2 )(2 )}
6.
VARIANZA.
2,4
2,4
= 19 (18
=1-0,81= 0,19
2,4
4. Conclusiones
La distribucin hipergeomtrica es
fundamental en el estudio de
muestras en poblaciones pequeas,
as como en el clculo de
probabilidades de, juegos de azar,
adems tiene gran utilidad en el
control de calidad y en diferentes
procesos experimentales en los que
no es posible retornar a la situacin
de partida
La distribucin Gamma no se usa
con
frecuencia
para
el
modelamiento de sistemas fsicos,
sin embargo el caso especial, es
decir, la distribucin de Earlang es
de gran ayuda para experimentos
aleatorios.
La distribucin de Pareto aunque
tiene una gran aplicacin en
economa tambin puede tener
aplicaciones en otras disciplinas
como Fluidos y en la sociologa.
La distribucin Pareto se caracteriza
por que la mayor parte de la riqueza
de un sistema econmico siempre
tiende a ser acaparada por un
sector
muy
poblacin.
pequeo
de
la
5. BIBLIOGRAFA
[4]Distribucin
hipergeomtrica.
Universidad
de
Valencia
[online].disponible
en:
http://www.uv.es/ceaces/base/model
os%20de
%20probabilidad/hipergeometrica.ht
m
[5] La distribucin de Poisson
Paper, Martnez Gmez, Mnica,
Martnez Gmez, Mnica, [online],
disponible
en:
http://riunet.upv.es/bitstream/handl
e/10251/7937/Distribucion
%20Poisson.pdf