P. 1
distribuciones discretas.pdf

distribuciones discretas.pdf

|Views: 2|Likes:
Publicado pornelsoncueto

More info:

Published by: nelsoncueto on May 16, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

05/16/2013

pdf

text

original

INSTITUTO TECNOLÓGICO DE APIZACO

Estadística

DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
ESPACIO MUESTRAL. El conjunto de todos los resultados posibles de un experimento estadístico denotado por “S” o “ Ω ” VARIABLE. Se denomina variable a la entidad que puede tomar un valor cualesquiera durante la duración de un proceso dado. Si la variable toma un solo valor durante el proceso se llama constante. VARIABLE ALEATORIA: Es una función que asocia un número real a cada elemento del espacio muestral. Es decir son aquellas que pueden diferir de una respuesta a otra. Una variable aleatoria se puede clasificar en: Variable aleatoria discreta. Variable aleatoria continua. Variable aleatoria discreta. Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y son respuestas numéricas que resultan de un proceso de conteo. La cantidad de alumnos regulares en un grupo escolar. El número de águilas en cinco lanzamientos de una moneda. Número de circuitos en una computadora. El número de vehículos vendidos en un día, en un lote de autos Variable aleatoria continua. Es aquella que se encuentra dentro de un intervalo comprendido entre dos valores cualesquiera; ésta puede asumir infinito número de valores y éstos se pueden medir. La estatura de un alumno de un grupo escolar. El peso en gramos de una moneda. La edad de un hijo de familia. Las dimensiones de un vehículo.

DEPARTAMENTO DE CIENCIAS BÁSICAS

1

M. en C. José Luis Hernández González

en C. Existen diferentes tipos de modelos que permiten describir el comportamiento de fenómenos estadísticos que permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre. Son aquellas donde las variables en estudio pueden asumir cualquier valor dentro de determinados límites. Es una distribución teórica de frecuencias que describe cómo se espera que varíen los resultados de un experimento.INSTITUTO TECNOLÓGICO DE APIZACO Estadística DISTRIBUCIONES Distribución de probabilidad. por ejemplo. Uniforme Continuas Exponencial Normal DEPARTAMENTO DE CIENCIAS BÁSICAS 2 M. por ejemplo el número de años de estudio. la estatura de un estudiante. Se pueden clasificar en: Discretas P(x) Distribuciones Continuas x1 P(x) x2 xn x x1 xn x Distribuciones discretas. José Luis Hernández González . Binomial Hipergeométrica Multinomial Poisson Discretas Distribuciones continuas. Son aquellas donde las variables asumen un número limitado de valores.

. . b) ∑ P(x i ) = 1 1 ∝ n −∝ ∫ P(x i )dx =1 Encuentre la distribución de probabilidad de lanzar dos monedas y la variable aleatoria número de águilas.. en C.. una distribución de probabilidad es un listado de las probabilidades de todos los resultados posibles que podrían presentarse si se efectuara el experimento. En xn p(xn) Dados los eventos E1. Las probabilidades que se asocian a cada uno de los valores que toma la variable aleatoria x constituyen lo que se conoce como DISTRIBUCIÓN DE PROBABILIDAD. será mayor o igual a cero pero menor que uno. es igual a la unidad. La diferencia consiste en que la función matemática se transforma en una función probabilística. en realidad se han presentado cuando se lleva a cabo un experimento.. . .. 0 ≤ P(xi) ≤ 1 ∀ xi La suma de todas las probabilidades asociadas a todos los valores que toma la variable x. una gráfica o una tabla de valores.INSTITUTO TECNOLÓGICO DE APIZACO Estadística Una distribución de frecuencias es un listado de las frecuencias observadas de todos los resultados de un experimento que. José Luis Hernández González . E2. se le asocia su probabilidad de ocurrencia y cumple con las siguientes condiciones: a) La probabilidad para todo valor que asuma la variable aleatoria xi. si a cada valor de xi que asume cada Ei. E1 S E0 X x0 x1 P(X) p(x0) p(x1) .. se dice que x es una variable aleatoria. la cual puede ser representada mediante una función matemática. S X E0 E1 E2 {Lanzar dos monedas} Número de águilas Caen x = 0 águilas Caen x = 1 águilas P(E0) = Caen x = 2 águilas 1 4 1 P(E1) = 2 1 P(E2) = 4 DEPARTAMENTO DE CIENCIAS BÁSICAS 3 M. en cambio.. En ⊂ S...

.INSTITUTO TECNOLÓGICO DE APIZACO Estadística P(X) 1 2 1 4 X 0 1 2 Existen ciertas características que diferencian a las distribuciones de probabilidad. k ) = 1 k M. Una relación empírica de resultados y sus frecuencias relativas observadas. en C.2. José Luis Hernández González DEPARTAMENTO DE CIENCIAS BÁSICAS 4 ..La distribución de probabilidad de Poisson. Existen varios modelos matemáticos que representan diversos fenómenos discretos de la vida real.La distribución de probabilidad Hipergeométrica. llamadas momentos de la distribución que son: la media aritmética o esperanza matemática y la desviación estándar. FUNCIONES DE PROBABILIDAD DISCRETAS La distribución de probabilidad para una variable aleatoria discreta puede ser: 1..Una relación teórica de resultados y probabilidades que se puede obtener de un modelo matemático y que representa algún fenómeno de interés.La distribución de probabilidad Binomial o de Bernoulli. 3. Xk con iguales probabilidades. entonces la distribución uniforme es: f (x. y dichos valores son numerables.3. Las más útiles son: 1.La distribución uniforme discreta. . Una relación subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales que representan el grado de convicción del encargado en tomar decisiones sobre la probabilidad de posibles resultados. 1. 2. UNIFORME DISCRETA Si la variable aleatoria X asume valores de X1. X2. Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia bien definida entre dos de los valores consecutivos que asume.

5 M. La distribución binomial posee las siguientes propiedades esenciales: 1.5) 2 + (2 − 3. 4. 5. . .5) 2 + K + (6 − 3. Las observaciones posibles se pueden obtener mediante dos diferentes métodos de muestreo. 2. 3. en C.2.En las finanzas.INSTITUTO TECNOLÓGICO DE APIZACO Estadística P(x) x1 x2 xk µ= k i =1 ∑ xi k − µ )2 k k La distribucióin de probabilidad del lanzamiento de un dado es: S = {1. las cuales son mutuamente excluyentes es decir E ∩ E' = 0.- DEPARTAMENTO DE CIENCIAS BÁSICAS ..Control de calidad de un producto. Se puede considerar que cada observación se ha seleccionado de una población infinita sin reposición o de una población finita con reposición..El espacio muestral contiene n ensayos idénticos. 6} P (x = 1. 2. José Luis Hernández González 3.. . Cada observación se puede clasificar en una de dos categorías conocidas como éxito E o fracaso E'.6) 2 6 = 2. 6) = 1 6 µ= σ 2 = i =1 ∑ (x i 1+ 2 + 3+ 4 + 5 + 6 = 3 . .Juegos de azar.5 6 σ2 = (1 − 3.91 LA DISTRIBUCION BINOMIAL Esta distribución fue elaborada por Jacobo Bernoulli y es aplicable a un gran número de problemas de carácter económico y en numerosas aplicaciones como: .En educación.

 =      =   16 2   2  2   2   3 1 4 1   4  1   1    P (E3) = P 3. q = Probabilidad de fracaso x = Número de éxitos deseados n = Número de ensayos efectuados Si se lanza 4 veces una moneda.x) veces en n ensayos independientes está dado por la fórmula binomial: n x n-x P ( x. 3. durante los n ensayos. p ) =  p q x   donde: p = Probabilidad característica o probabilidad de éxito.p en un ensayo se mantienen constantes. 2 1 1 q = 1 .  =      =   16 2   1  2   2   6 1   4  1   1    P (E 2 ) = P 2.INSTITUTO TECNOLÓGICO DE APIZACO Estadística 4. n .- Las probabilidades de éxito p y de fracaso q = 1 . calcular el evento "Número de águilas que caen.4." datos: n = 4 ensayos.4.  =  =       2   0  2   2  16  1 3 4 1   4  1   1    P (E1) = P1. 4 S = {lanzar 4 veces la moneda} A = {número de águilas que caen} 0 4 1   4  1   1  1   P (E0) = P 0.4. 2.  =  =      2    3  2   2  16 2 2 DEPARTAMENTO DE CIENCIAS BÁSICAS 6 M.4. 1.p = 1− = 2 2 x = 0. en C.5. 1 p = probabilidad de éxito en un ensayo. El resultado de cualquier observación es independiente del resultado de cualquier otra observación. José Luis Hernández González . La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n .

kn que representan el número de ocurrencias de E1. k 2 . 5!  1   1   1  P(5. Por esto es que el resultado de una observación depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores.00385 2!2!1!  6   6   6  LA DISTRIBUCIÓN HIPERGEOMÉTRICA Se emplea para calcular la probabilidad de obtener determinado número de éxitos en un espacio muestral de n ensayos. . Dado un espacio muestral S de tamaño N con los subespacios M ⊂ N y (N .. . la probabilidad de que en n ensayos x pertenezca a M y (n . En en n intentos independientes es: npq P(n.M) ⊂ N entonces. pk en un solo ensayo. k n ) = n! k kn p 1 1 p k2 2 K pn k 1!k 2! K k n! Calcular la probabilidad de obtener dos veces el número 4.x) pertenezca a (N . pero a diferencia de la distribución binomial es que los datos de la muestra se extraen sin reemplazo en una población finita. 1) =       = 0... en C. la distribución de probabilidad de las variables aleatorias k1. k2. p2. k 1 . K ... Es decir la distribución hipergeométrica se emplea para muestreos sin reemplazo de una población finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo. E2.. 2... . Las probabilidades de ocurrencia p1.INSTITUTO TECNOLÓGICO DE APIZACO Estadística MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN El cálculo de estas magnitudes pueden realizarse con las siguientes fórmulas: µ = np σ 2 = npq σ= µ = Media σ2 = Varianza σ = Desviación estándar DISTRIBUCIÓN MULTINOMIAL Ocurre cuando en el experimento binomial cada intento tiene más de dos resultados posibles.. dos veces el número 5 y una vez el número 2. José Luis Hernández González 2 2 1 . en el lanzamiento de un dado 5 veces.M) está dada por: DEPARTAMENTO DE CIENCIAS BÁSICAS 7 M. 2.

= Se contratan x2 = 2 hombres.INSTITUTO TECNOLÓGICO DE APIZACO Estadística  M  N − M       x   x − n  P(x. N. equivale a contratar (n . en C. calcular " El número de hombres contratados. n) = N   n   Gráficamente se puede representar como: E M E’ N-M N n x n-x donde: N n M N-M x n-x = El tamaño de espacio muestral S = El número de ensayos = El número de éxitos en el espacio muestral = Número de fracasos del espacio muestral = Número de éxitos en la muestra = Número de fracasos de la muestra.x2) = 0 mujeres. equivale a contratar (n . equivale a contratar (n . M. José Luis Hernández González ." N A E0 E1 E2 = {13 aspirantes para cubrir 2 vacantes} = {Número de hombres contratados} = Se contratan x0 = 0 hombres. E M=5 E’ N-M = 8 N = 13 n=2 x=0 n-x = 2 DEPARTAMENTO DE CIENCIAS BÁSICAS 8 M.x0) = 2 mujeres. Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y 8 son mujeres. = Se contratan x1 = 1 hombres.x1) = 1 mujeres.

5128 = 51.5.13.2) = = = 0.0 mujeres posibles a contratar  5  8        0 28   2  P(E0) = P(0.1282 = 12.1.13.28% 78 13    2    5  8        2 10   0  P(E2) = P (2.2) = = = 0.88% 78 13    2    5  8       1 40   1  P(E1) = P(1.2 hombres posibles a contratar n-x = 2.2) = = = 0.3588 = 35.INSTITUTO TECNOLÓGICO DE APIZACO Estadística desarrollando N = 13 total de aspirantes M = 5 aspirantes hombres N-M = 8 aspirantes mujer n = 2 vacantes totales x = 0.13.1.5. José Luis Hernández González .5.82% 78 13   2    MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN El cálculo de estas magnitudes pueden realizarse con las siguientes fórmulas: M µ = n  N σ2 = nM(N − M)(N − n) N 2 (N − 1) σ= µ = Media σ2 = Varianza σ = Desviación estándar σ2 DEPARTAMENTO DE CIENCIAS BÁSICAS 9 M. en C.

4. k 2 . cúal es la probabilidad de que al surtir un pedido de 7 envases tomados al azar 2 sean de manzana. 4 de naranja y 1 de uva. entonces la distribución de probabilidad representa el número de elementos selecionados. kn elementos respectivamente. Nk con k1 . k n ) = N   n   Si en un refrigerador hay 12 envases de refrescos de los cuales son 10 de manzana.4339 = 0. en una muestra aleatoria de tamaño n.1) = = 0. . k 1. 5 µ = 2  = 0.k2.7693  13  σ2 = (2)(5)(13 − 5)(13 − 2) (13) 2 (13 − 1) σ= = 0. José Luis Hernández González ....INSTITUTO TECNOLÓGICO DE APIZACO Estadística sustituyendo en el ejemplo anterior. en C.4339 0..2..0758 12   7    DEPARTAMENTO DE CIENCIAS BÁSICAS 10 M. . N2. N1 = 3 N2 = 5 N3 = 4 N = 12 k1 = 2 k2 = 4 k3 = 4 n=7  3  5  4           2   4  1  P(7.. K . 5 de naranja y 4 de uva.6587 DISTRIBUCIÓN HIPERGEOMÉTRICA GENERALIZADA (MULTIVARIADA) Si N resultados pueden dividirse en la k celdas N1. es:  N 1  N 2   N n       K   k   1  k 2   k n  P(n.

. La distribución de Poisson se expresa mediante la siguiente fórmula. .Número de defectos por lote de un proceso de producción. Algunos de los problemas que presentan como un fenómeno con distribución de Poisson son: .La probabilidad de observar exactamente un éxito en el intervalo es estable. . litros. pero es totalmente imposible conocer el número de fracasos (n ..Número de negocios cerrados por semana. José Luis Hernández González . en C. ¿Cuál es la probabilidad de que en una hora tomada al azar reciba? a) Ninguna llamada. λ ) = λ x e -λ x! donde: n = Número de ensayos x = Número de éxitos esperados en n ensayos e = 2.3.Defectos por m2 de tela. . gramos. etc.. La probabilidad de observar dos o más éxitos en el intervalo es cero.2. La ocurrencia de un éxito en cualquier intervalo es estadísticamente independiente de que suceda en cualquier otro intervalo.x).Los embotellamientos que se producen por día. este intervalo es generalmente una unidad de medida conocida: cm2. Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en un intervalo continuo en forma tal que si se acorta el intervalo lo suficiente: 1. DEPARTAMENTO DE CIENCIAS BÁSICAS 11 M.Número de llamadas por hora. km. pulgadas. Un conmutador recibe en promedio 5 llamadas sobre autos extraviados por hora. c) No más de 3 llamadas.INSTITUTO TECNOLÓGICO DE APIZACO Estadística DISTRIBUCIÓN DE POISSON Esta función de distribución de variable discreta se emplea para calcular las probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de tiempo o espacio.71828. P(E) = P(x. λ = n p = Constante igual al número de éxitos promedio por unidad de medida p = Probabilidad constante durante el proceso igual al número de éxitos promedio por unidad de medida. b) Exactamente 3 llamadas. A este tipo de problemas se les conoce el número de éxitos x obtenidos por unidad de medida en n ensayos.

0337 + 0.5) = = 0.1404 3! P(x < 4) = P(x ≤ 3) = P(x0 = 0) + P(x1 = 1) + P(x2 = 2) + P(x3 = 3) P(x < 4) = 0.5 = 0.0067+ 0.1406 = 0.00674963 0! b) Exactamente 3 llamadas: x = 3 P (E 3 ) = P (3.52 % MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIÓN El cálculo de estas magnitudes pueden realizarse con las siguientes fórmulas: µ = λ = np σ2 = λ σ= λ µ = Media σ2 = Varianza σ = Desviación estándar DEPARTAMENTO DE CIENCIAS BÁSICAS 12 M.0842 + 0.INSTITUTO TECNOLÓGICO DE APIZACO Estadística Para este problema λ = 5. en C.5) = c) No más de 3 llamadas: x < 4 5 3 e . José Luis Hernández González .2652 = 26. x = 0 5 0 e . en otros casos deberá calcularse con: λ = n p. a) Ninguna llamada.5 P (E 0 ) = P (0.

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->