Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2. Distribuciones empíricas.-
Muestra:
Tabla 1.1
177 124 132 215 130 145 197 222 153 122
200 1 56 148 140 129 188 263 210 120 169
Tabla 1.2
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
AR = Rs - Ri
2.2. El Resultado superior (Rs): el resultado superior o número mayor es
el dato de valor más elevado.
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
Ejemplo:
AR = 227 - 120
AR = 107
Cuando el tamaño de muestras es muy grande, la representación
individual de todas las medidas u observaciones no siempre es posible. En
estos casos, los resultados de la muestra pueden ser condensados bajo la
forma de una tabla de frecuencia, como la que vemos a continuación:
FRECUENCIA
FRECUENCIA FRECUENCIA
RANGOS o RELATIVA
ABSOLUTA RELATIVA
CLASES ACUMULADA
(Fa) (Fr)
(Frac)
Ejemplo:
Nc = 1 + 3,33 log10(20)
Nc = 5,33
2.5. La Amplitud del Rango (Ar), hace referencia a que tan grande serán
cada uno de los intervalos de clases en cada rango o clase, se lo puede
determinar, de una manera empírica también, de la siguiente forma:
Ar = AR / Nc
Ejemplo:
Ar = 107/ 5
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
FRECUENCIA
RANGOS o
ABSOLUTA
CLASES
(Fa)
120-141 7
142-163 4
164-185 2
186-207 3
208-229 4
Fr=Fa/N
Ejemplo:
FRECUENCIA
RANGOS O FRECUENCIA RELATIVA (Fr)
ABSOLUTA
CLASES
(Fa)
FRACCION DECIMAL PORCENTAJE
120-141 7 7/20 0,35 35%
Ejemplo:
FRECUENCIA
FRECUENCIA
RANGOS o ABSOLUTA
ABSOLUTA
CLASES ACUMULADA
(Fa)
(Fi)
120-141 7 7
142-163 4 11
164-185 2 13
186-207 3 16
208-229 4 20
Ejemplo:
El histograma es la
representación gráfica de un
grupo de datos estadísticos.
Estos, agrupados en intervalos
numéricos o en función de
valores absolutos; el
histograma es entonces un
gráfico que permite mostrar cómo se distribuyen los datos de una muestra
estadística o de una población. Esto, respecto a alguna variable numérica.
4. Polígono de Frecuencia.-
Un polígono de frecuencias es
una herramienta gráfica que se
emplea a partir de un
histograma de frecuencia (es
decir, otro tipo de gráfico que
expresa las frecuencias
mediante columnas verticales).
Para ello, se unen con una línea
los distintos puntos medios de las columnas del histograma, sin dejar
espacio entre una y otra, logrando así una forma geométrica o polígono.
Con esta herramienta gráfica pueden representarse variables cuantitativas
o distribuciones diferentes, cosa que tradicionalmente no hace un
histograma, de un modo rápido y sencillo. Además cuenta con la virtud de
ser apreciable a simple vista.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
5.2. La Mediana (Me).-
*Se puede calcular aunque los números que se encuentren arriba y abajo
no tengan límites.
Si n es impar
Si n es par
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
5.3. La Moda (Mo).-
Ejemplo:
20 20 13 18 11 13 11 15 23 25
Se trata de un sistema trimodal o multimodal, debido a que tiene más de
dos valores repitentes en el sistema, tiene 3.
6. Medidas de dispersión.-
6.1. La Varianza.-
√
En las raras ocasiones en que la medida verdadera de la población es
conocida, el denominador n puede ser usado en la relación σ2. Pero, como
la media de la población raramente es conocida, debemos estimarla a
través de la media xm.
Ejemplo:
120 122 124 129 130 132 140 145 148 153
156 169 177 188 197 200 210 215 222 227
σ2 =
σ2 =
σ2 = 1329,4316 σ √
σ
6.2. Coeficiente de Variación.-
Ejemplo:
Dónde:
[ ]
∑ { ∑ }
[√ ]
METODOS ESTADISTICOS
MAT- 370 A
TEMA DE EXPOSICION:
TEMA 1
HISTOGRAMA Y DISTRIBUCIONES
EMPÍRICAS
Introducción
Llamamos estadística a la parte de las matemáticas que se ocupan de obtener
conclusiones a partir de datos observados.
El conjunto parcial donde realizamos las observaciones se llama muestra, mientras
que en el conjunto global del que queremos sacar alguna conclusión se llama
población o universo.
La población o universo puede ser finita o infinita, también cualquier variable ya sea
x, y o z puede asumir cualquier valor dentro de un conjunto llamado dominio.
Histograma
¿Qué es?
Una gráfica de la distribución de un conjunto de medidas. Un Histograma es un
tipo especial de gráfica de barras que despliega la variabilidad dentro de un
proceso. Un Histograma toma datos variables (tales como alturas, pesos,
densidades, tiempo, temperaturas, etc.) y despliega su distribución. Los patrones
inusuales o sospechosos pueden indicar que un proceso necesita investigación
para determinar su grado de estabilidad.
¿Cuándo se utiliza?
Cuando se quiere comprender mejor el sistema, específicamente al:
· Hacer seguimiento del desempeño actual del proceso
· Seleccionar el siguiente producto o servicio a mejorar
· Probar y evaluar las revisiones de procesos para mejorar
· Necesitar obtener una revisión rápida de la variabilidad dentro de un
proceso.
Observaciones y Conclusiones
Observar Concluir
Observar Concluir
Observar Concluir
DISTRIBUCIONES EMPIRICAS
Para empezar de hablar de que es una distribución empírica, primero comencemos
a definir cada uno de eso términos por separado:
Distribuciones: hace referencia a distribución, que es la acción de
distribuir o distribuirse.
Empírico: es un adjetivo que señala que algo está basado en la
práctica, experiencia y en la observación de los hechos. La palabra
empírico viene del griego “empeirikos”, que significa “experimentado".
En sí, las Distribuciones Empíricas hacen referencia a tablas creadas por el
usuario con una serie de valores obtenidos mediante ensayo u observaciones.
Donde dichos valores deben estar ordenadas de manera ascendente de menor a
mayor y se las coloca en tablas para su mejor representación.
Consideremos que en un laboratorio se hicieron diferentes ensayos para ver la
resistencia de ruptura del hormigón, donde cuyas unidades están en kg/cm2. En
dicho ensayo se obtuvieron los siguientes datos:
267 247 271 296 305 300 276 285 267 289
254 283 290 285 250 265 277 308 287 254
Observemos que estos datos no están ordenados de forma ascendente, así que si
lo ordenamos quedaría de la siguiente manera:
247 250 254 254 265 267 267 271 276 277
283 285 285 287 289 290 296 300 305 308
Una vez ya ordenado, podemos decir que la resistencia media de dicho hormigón
vario entre los límites de 247 y el máximo de 308 kg/cm2 y que la Amplitud De
Resultados (AR) fue de: 61 Kg/cm2
Mediante la siguiente formula:
AR =Rs-Ri donde:
AR =308-247 AR = Amplitud de resultados
Rs= Resultado superior (mayor)
AR = 61 kg/cm2 Ri= Resultado Inferior (menor)
TABLA DE FRECUENCIAS
Es un dispositivo para agrupar datos y facilitar su interpretación
Rangos o clases Frecuencia Frecuencia Frecuencia
absoluta relativa relativa
(Fa) (Fr) acumulada
(Frac)
247-259 4 20% 20%
260-272 4 20% 40%
273-285 5 25% 65%
286-298 4 20% 85%
299-311 3 15% 100%
HISTOGRAMA
En estadística, un Histograma es una representación gráfica de una variable en
forma de barras, donde la superficie de cada barra es proporcional a
la frecuencia de los valores representados. O también podríamos definirlo como un
conjunto de barras rectangulares verticales que su altura es proporcional a
las frecuencias absolutas de cada uno de los intervalos (también se pueden
representar las frecuencias relativas o frecuencias relativas porcentuales).
El histograma permite dar una primera mirada al tipo de distribución de los datos:
Si las alturas de las barras son similares se dice que tiene una distribución
tipo uniforme
Si las alturas son mayores en la zona central se dice que tiene forma tipo
campana, y puede ser simétrica o asimétrica con sesgo hacia el lado positivo
o al lado negativo.
(El sesgo es un peso desproporcionado a favor o en contra de una cosa.)
Si hay barras muy alejadas del grupo, se dice que son datos atípicos
(probablemente estos datos se pueden atribuir a errores de medición y se los
puede descartar pues no pertenecen al grupo que se desea caracterizar.
HISTOGRAMA
6
RANGO O MEDIA DE FRECUENCIA
5
CLASE CLASE ABSOLUTA
247-259 253 4 4
260-272 266 4 3
273-285 279 5
2
286-298 292 4
299-311 305 3 1
0
253 266 279 292 305
MEDIAS DE CLASE
DIAGRAMA DE FRECUENCIA
Es una manera de representar el perfil de la distribución de los datos. Se obtiene
uniendo mediante segmentos de recta los puntos (marca de clase, frecuencia)
DIAGRAMA DE FRECUENCIA
120%
100%
100% 85%
80% 65%
60%
40%
40%
20%
20%
0%
253 266 279 292 305
MEDIA
Asignatura Nota
Matemáticas 7
Educación
8
Física
Biología 5
Economía 10
MEDIANA
Nota: el símbolo (º) indica la posición una vez agrupado en forma ascendente.
Moda
Trabajador Salario
1 € 1.236
2 € 1.236
3 € 859
4 € 486
5 € 1.536
6 € 1.536
7 € 1.621
8 € 978
9 € 1.236
10 € 768
La moda sería 1.236€. Si vemos los salarios de los 10 trabajadores, veríamos que
1.236€ se repite en tres ocasiones.
MEDIDAS DE DISPERSIÓN
Son números que proveen información adicional acerca del comportamiento
describiendo numéricamente su dispersión.
RANGO
Es la diferencia entre el mayor valor y el menor valor de los datos de la muestra.
VARIANZA MUESTRAL
Esta medida cuantifica las distancias de los datos con respecto al valor de la media
muestral.
TABLAS DE FRECUENCIAS
La tabla de frecuencias (o distribución de frecuencias) es una tabla que
muestra la distribución de los datos mediante sus frecuencias. Se utiliza
para variables cuantitativas o cualitativas ordinales.
La tabla de frecuencias es una herramienta que permite ordenar los
datos de manera que se presentan numéricamente las características
de la distribución de un conjunto de datos o muestra.
Los pasos iniciales para formar una tabla de frecuencias con datos
agrupados están encaminados a determinar el número de intervalos y
definirlos (siempre que no se conozcan de antemano). Los pasos son:
1. Obtener el rango R de los datos. Es la diferencia entre el dato
mayor y el menor del conjunto de valores que toma la variable a
tabular. Se llama también amplitud total.
R = Xmáx – Xmín
TIPOS DE FRECUENCIA:
Frecuencia absoluta: La frecuencia absoluta (n i) de un valor Xi
es el número de veces que el valor está en el conjunto (X 1, X2,…,
XN).
La suma de las frecuencias absolutas de todos los elementos
diferentes del conjunto debe ser el número total de sujetos N. Si
el conjunto tiene k números (o categorías) diferentes, entonces:
El número 2 indica
que los rótulos se
coloquen arriba a la
izquierda
INTEGRANTES: REGISTRO:
- Yhonatan Mamani Cahuana 219030413
- Said Diaz Espinoza 219017131
- Sebastián Riofrio Choré 219066949
- David Cahuasiri Garrón 219008868
- Jose Gustavo Aima Acapa 219061191
- Ponce Villarroel Deiner Enrique 219066620
DOCENTE: ING. FLAVIO CARREÑO HEVIAVACA
La variable aleatoria al ser una función cuenta con un dominio y un rango. En el dominio
tenemos todos los resultados posibles de nuestro experimento aleatorio y el conjunto de
todos los resultados posibles de este experimento aleatorio se le llama espacio muestral el
cual se lo representa con la letra “S”. Por otro lado, en el rango tendremos números reales
y cada uno de estos números reciben un nombre x1, x2, x3, etc.
EJEMPLO: supongamos que tenemos dos monedas de 5 bs las cuales se lanzan al aire y de
todos los resultados posibles queremos contar el número de escudos.
La variable aleatoria viene a ser el número de escudos la cual llamaremos “X”, y el espacio
muestral viene a ser: {Cara - Cara, Cara - Escudo, Escudo - Cara, Escudo - Escudo}
X = número de escudos
c (x,c)
c (c,c)
x
c
(c,x) (x,x)
x
x
Donde:
C=cara E=espacio muestral
X=escudo
Este pequeño grafico que acabamos de hacer, es el diagrama de árbol
4. SUCESOS
En el contexto probabilístico, denominamos suceso a cualquier subconjunto de un
espacio muestral; esto es, a cualquier posible resultado de un experimento aleatorio.
Conceptos de Probabilidad
La probabilidad se refiere a la mayor o menor posibilidad de que ocurra un
suceso. Como medida de la oportunidad o probabilidad con la que pueda ocurrir
es conveniente asignar un numero entre 0 y 1. Si tenemos la certeza de que el
suceso ocurrirá seria de un 100% o 1, y de caso contrario si sabemos que el
suceso no ocurrirá es cero. Ejemplo: si decimos que la probabilidad es de ¼
diríamos que hay un 25% de oportunidad de que ocurra y un 75% de oportunidad
de que no ocurra. Es como decir la probabilidad contra su ocurrencia es del 75%
al 25% o de 3 a 1.
Existen 2 procedimientos por medio de los cuales podemos obtener estimativas
para la probabilidad de un suceso.
1. Enfoque clásico o a priori Si un suceso puede ocurrir en h maneras diferentes de un
número total de n maneras posibles, todos igualmente factibles, entonces la probabilidad
del suceso es h/n.
2. Enfoque como frecuencia relativa o a posteriori. Si después de n repeticiones de un
experimento, donde n es muy grande, un suceso ocurre h veces, entonces la probabilidad
del suceso es h/n.
Esto también se llama la probabilidad empírica del suceso.
LOS AXIOMAS DE LA PROBABILIDAD
TEOREMA: necesita demostración
POSTULDO: no se demuestra, pero es base de la teoría
AXIOMA: verdad incuestionable que no necesita demostración
La probabilidad puede ser definida como el numero asociado a un acontecimiento y que
goza de ciertas propiedades llamadas axiomas del cálculo de las probabilidades. Si
representamos por P la función de probabilidad, P(A) la probabilidad de que suceda el
suceso el evento A, P(AUB) la probabilidad de que suceda A o B o ambos, P(A∩B) la
probabilidad de que sucedan simultáneamente los eventos A y B los siguientes axiomas
son validos
Ya que la primera canica es reemplazada, el tamaño del espacio muestral (9) no cambia de
la primera sacada a la segunda así los eventos son independientes.
Ejemplo:
Suponga que tenemos 5 canicas azules y 5 canicas rojas en una bolsa. Sacamos una canica,
que puede ser azul o roja. Ahora quedan 9 en la bolsa. ¿Cuál es la probabilidad de que la
segunda canica será roja?
Depende. Si la primera canica fue roja, entonces en la bolsa quedan 4 canicas rojas de 9
así que la probabilidad de sacar una canica roja en la segunda oportunidad es de
4/9. Pero si la primera canica que sacamos es azul, entonces todavía hay 5 canicas rojas
en la bolsa y la probabilidad de sacar una canica roja de la bolsa es de 5/9.
Distribuciones discretas de probabilidad
Una distribución de probabilidades para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultados numéricos posibles para esa variable
aleatoria tal que una probabilidad específica de ocurrencia se asocia con cada resultado
Si x es una variable aleatoria discreta, la función dada por f(x) para cada x contenida en el
intervalo de x se denomina función de probabilidad, o distribución de probabilidad, de x.
Una función puede ejercer como la distribución de probabilidad de una variable aleatoria
discreta x si y sólo si sus valores, f(x), cumple las condiciones siguientes:
a) f(x) ≥ 0 para cada valor con tenido en su dominio
b) ∑ f(x) = 1, donde la sumatoria se extiende sobre todos los valores contenidos en su
dominio.
Ejemplo
x pi
P (𝑎 ≤ 𝑋 ≤ 𝑏 ) P (𝑎 ≤ 𝑋) P (𝑋 ≤ 𝑏 )
𝑏
P(x) P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑎
a b
x
Características de la distribución continua de probabilidad
- Es generada por una variable continua x
∞
F(x) =∫
−∞
𝑓 (𝑥 )𝑑𝑥
- X es una variable que puede tomar tanto valores enteros como fraccionarios, y
estos valores están dados desde hasta infinito.
P(x)
-1 | 0 | 1/2| 1| ∞… x
- P(x) ≥ 0 las probabilidades asociadas a cada uno de los valores que toma x deben ser ..
mayores o iguales a cero. Dicho de otras formas, la función de densidad o área de
probabilidad deberá tomar solo valores mayores o iguales a cero.
Por lo tanto, solo estará representada en el primer y segundo cuadrante del plano de
coordenadas.
P(x) P(x) ≥ 0
II I
II I IV
- La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe
ser igual a 1, es decir, el área que se encuentra definida bajo la función de densidad de
probabilidad deberá ser 1 como máximo que será el 100% de probabilidad.
P(x)
1
0,5
0 b x
𝑎
P (𝑎 ≤ 𝑋 ≤ 𝑏) = F(b) − F(a) = ∫ 𝑓(𝑥)𝑑𝑥 = 1
𝑏
P(x)
100%
a b
x
Esperanza matemática
La esperanza matemática de una variable aleatoria X, es el número que
expresa el valor medio del fenómeno que representa dicha variable.
La esperanza matemática, también llamada valor esperado, es igual al sumatorio
de las probabilidades de que exista un suceso aleatorio, multiplicado por el valor
del suceso aleatorio. Dicho de otra forma, es el valor medio de un conjunto de
datos. Esto, teniendo en cuenta que el término esperanza matemática está
acuñado por la teoría de la probabilidad.
Imaginemos una moneda. Dos caras, cara y cruz. ¿Cual sería la esperanza
matemática (valor esperado) de que salga cara?
Dado que la moneda solo puede caer en una de esas dos posiciones y ambas
tienen la misma probabilidad de salir, diremos que la esperanza matemática de
que salga cara es una de cada dos, o lo que es lo mismo, el 50% de las veces.
Vamos a hacer una prueba y vamos a tirar una moneda 10 veces. Supongamos
que la moneda es perfecta.
Tiradas y resultado:
1. Cara.
2. Cruz.
3. Cruz.
4. Cara.
5. Cruz.
6. Cara.
7. Cara.
8. Cara.
9. Cruz.
10. Cruz.
¿Cuantas veces ha salido cara (contamos las C)? 5 veces ¿Cuantas veces ha
salido cruz (contamos las X)? 5 veces. La probabilidad de que salga cara será de
5/10=0,5 o, en porcentaje, del 50%.
Una vez ha ocurrido ese suceso podemos calcular la media matemática del
número de veces que ha ocurrido cada suceso. El lado cara ha salido una de cada
dos veces, es decir, un 50% de las veces. La media coincide con la esperanza
matemática.
Dónde:
Dentro de las teorías sobre mercados financieros, muchas utilizan este concepto
de esperanza matemática. Entre esas teorías se encuentra la que
desarrolló Markowitz sobre las carteras eficientes.
1. 12%.
2. 6%.
3. 15%
4. 12%
GRUPO: 2A “INGENIERITAS”
INTEGRANTES:
OBJETIVOS ESPECÍFICOS:
Comprensión de los conceptos básicos
de probabilidad, sus propiedades
Identificación de los tipos de
distribución de probabilidad.
Comprensión del concepto de valor
esperado
CONTENIDO:
1. Introducción
2. Conjunto de los resultados posibles
3. Variables aleatorias
4. Probabilidad
5. Axiomas de la probabilidad
6. Probabilidad condicional e independencia
7. Distribuciones discretas de probabilidad
8. Distribuciones continuas de probabilidad
9. Esperanza o Valor esperado
1-. INTRODUCCIÓN
En la vida cotidiana aparecen muchas
situaciones en las que los resultados
observados son diferentes, aunque
las condiciones iniciales en las que se
produce la experiencia sean las
mismas. Por ejemplo, al lanzar una
moneda unas veces resultará cara y
otras cruz. Estos fenómenos,
denominados aleatorios, se ven
afectados por la incertidumbre.
La teoría de la probabilidad pretende ser
una herramienta para modelizar y tratar con situaciones de
este tipo.
El cálculo de probabilidad nos permite calcular el grado de fiabilidad o
error de las conclusiones obtenidas mediante inferencia estadística. La
probabilidad mide o cuantifica la incertidumbre que tenemos sobre el
resultado de un experimento aleatorio.
DISCRETO
Cuando R es un conjunto numerable, se subdivide en:
Espacio muestral discreto finito: consta de un número
determinado de posibles resultados. Como, por ejemplo, al
lanzar un dado y ver qué cara sale, el espacio muestral serán
las seis caras de los dados R = {1,2,3,4,5,6}
Espacio muestral discreto infinito: consta de un numero
infinito numerable de posibles resultados (por ejemplo, si el
experimento consiste en lanzar una moneda legal, hasta que
aparezca el primer sello, el espacio muestral es: R = {1, 2, 3, - -
-,n}; Ya que el resultado deseado puede ocurrir en la primera,
segunda, tercera, . . .,n tirada.)
CONTINUO
Consta de un número infinito no numerable de posibles resultados.
(por ejemplo, el peso de una persona al azar)
3.VARIABLE ALEATORIA
Una variable aleatoria es una función que asocia un valor numérico a cada
posible resultado de un experimento aleatorio.
VARIABLE ALEATORIA DISCRETA Una variable aleatoria es discreta
si toma un número finito o numerable de valores.
VARIABLE ALEAORIA CONTINUA Una variable aleatoria es continua
si toma un número infinito no numerable de valores (por ejemplo,
en un intervalo de R).
Ejemplos
• X =“número de vehículos que pasan por un determinado lugar, en un
lapso finito de tiempo” es una variable discreta.
• Y = “la cantidad de lluvia caída en un año.” es una variable continua.
4.PROBABILIDAD
Sabemos que la naturaleza aleatoria del experimento impide predecir de
antemano el resultado que obtendremos al llevarlo a cabo. Es decir que
en cualquier experimento aleatorio siempre hay incertidumbre sobre si un
suceso especifico ocurrirá o no. Como medida de la oportunidad o
probabilidad con la que podemos esperar que un suceso ocurra es
conveniente asignar un número entre 0 y 1. Si estamos seguros de que el
suceso ocurrirá decimos que su probabilidad es 100% o 1, pero si estamos
seguros de que el suceso no ocurrirá decimos que su probabilidad es cero.
Por ejemplo, si la probabilidad es de 1/4, diríamos que hay un 25 % de
oportunidad de que ocurra y un 75% de oportunidad de que no ocurra.
Equivale a decir que la probabilidad contra su ocurrencia es del 75% al 25
% o de 3 a1.
En Probabilidad la pregunta se formula del siguiente modo:
¿Qué posibilidad hay de que tenga lugar cada uno de los
sucesos?
La respuesta exige un tercer elemento que nos
proporcione esa información: Una función de conjunto P
que a cada uno de ellos le asocie un valor numérico que
exprese la mayor o menor probabilidad o posibilidad de producirse
cuando se realiza el experimento. Esta función de conjunto se conoce
como medida de probabilidad o simplemente probabilidad.
Existen 2 procedimientos por medio de los cuales podemos obtener
estimativas para la probabilidad de un suceso:
También se lo aplica en
el análisis del tiempo de
transporte de los materiales. Estadísticas de entrega del material y
elementos importados.
En el análisis y probabilidad del tiempo requerido para la
terminación de una obra.
5. AXIOMAS DE LA PROBABILIDAD
Los axiomas de probabilidad son las condiciones mínimas que deben
verificarse para que una función definida sobre un conjunto de sucesos
determine consistentemente sus probabilidades
La probabilidad puede ser definida como el número asociado a un
acontecimiento y que goza de ciertas propiedades llamadas axiomas del
cálculo de las probabilidades:
Si representamos por:
P la función de la probabilidad
P(A) la probabilidad de que suceda el evento A
P(A∪B) la probabilidad de que sucede A o B o ambos
P(A∩B) la probabilidad de que sucedan simultáneamente los eventos A y B
Los siguientes axiomas son válidos:
1) Para cada evento A, 0≤ P(A) ≤1
2) P(R)= 1 (probabilidad de un evento cierto o verdadero
3) P(∅)=0 (probabilidad de un vento imposible)
4) Si A y B son eventos mutuamente exclusivos entonces, P(A∪B) =
P(A)+ P(B) (dos eventos son mutuamente exclusivos cuando la
realización de uno impide la realización del otro).
De estos axiomas pueden ser deducidas dos propiedades importantes:
1 . Si A es el complemento del evento A, entonces: P(A)=1- P(A)
FORMULA
n° de cosas favorables de x
P(x)=
𝑛° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Sucesos independientes
Sean A y B dos sucesos independientes si la probabilidad de uno de
ellos ocurra no depende de que haya ocurrido el otro.
Si una variable aleatoria discreta “x” puede asumir los valores x 1, x2,…. xn,
con probabilidades p1, p2...pn donde:
Σ 𝑃𝑖 = 1 𝑦 𝑃𝑖 ≥ 0
Entonces la variable aleatoria define una distribución discreta de
probabilidad para “x”.
La función de distribución acumulada es representada por la relación:
𝐹 (𝑏) = Σ 𝑃𝑖
𝑥𝑖 ≤ b
La función de distribución acumulativa especifica la probabilidad de que
una variable aleatoria sea menor o igual a un valor dado.
2 propiedades importantes son:
Los valores de F(x) se encuentran siempre en este intervalo:
0 ≤ F(x) ≤ 1.
F(x) no es una función decreciente.
Ejemplo. -
Vamos a considerar la variable aleatoria “x” como correspondiendo a la
suma de puntos del lanzamiento de dos dados, pudiendo asumirlos a la
suma de puntos del lanzamiento de dos dados, pudiendo asumir los
valores 2,3, 4,….12. Por intuición sabemos, que las respectivas
probabilidades son:
En caso de lanzar los dados en 36 ocasiones, obtengo los siguientes
resultados:
P (2) =P (12) = 1/36
P (3) =P (11) = 2/36
P (4) =P (10) = 3/36
P (5) =P (9) = 4/36
P (6) =P (8) = 5/36
P (7) = 6/36
𝐸 (𝑥 ) = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
𝑖=1
Dónde:
Es decir, le valor esperado será la sumatoria del valor del suceso por la
probabilidad de que ocurra ese suceso.
La esperanza matemática se utiliza en todas aquellas disciplinas en las que
la presencia de sucesos probabilísticos es esencial en las mismas.
Disciplinas tales como la estadística teórica, la física cuántica, la
econometría, la biología o los mercados financieros. Una gran cantidad de
procesos y sucesos que ocurren en el mundo son inexactos. Es lo que
esperamos que suceda, pero no podemos confirmarlo. Todo se basa en
probabilidades, no en certezas.
INTEGRANTES:
INDICE
INTRODUCION…………………………………………………………………………………
QUE ES LA PROBABILIDAD……………………………………………….....
QUE ES LA PROBABILIDAD (EN ESTADISTICAS) ……………………
QUE ES UNA DISTRUBUCION DISCRETA………………………………
OBJETIVOS……………………………………………………………………………………………….
VARIABLES DISCRETAS……………………………………………………………………………
DISTRIBUCION BINOMIAL……………………………………………………………
DISTRIBUCION DE POISON …………………………………………………………
DISTRIBUCION HIPERGEOMETRICA ……………………………………………..
DISTRIBUCION GEOMETRICAS……………………………………………………..
DISTRIBUCION DE PASCAL……………………………………………………………
CONCLUSIONES ………………………………………………………………………………………..
BIBLIOGRAFIA ……………………………………………………………………………………………
MAT370 U.A.G.R.M
INTRODUCCION
¿QUÉ ES LA PROBABILIDAD?
Por ejemplo suponemos que tenemos 9 cartas enumeradas del 1 al 9, ¿Cuál es la probabilidad de
sacar la carta con el numero 9?
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
OBJETIVOS.
Distribución binomial
Distribución poisson
Distribución hipergeometrica
DISTRIBUCION BINOMIAL
B(n, p)
B (100, 0.5)
Probabilidad de obtener 50 bolsas sanas
Resumiendo, que es lo que caracteriza una distribución binomial:
Que la variable “X” sea discreta
Que los resultados del experimento sean dicotomizados (que solo sean dos opciones)
Ejm.- Cara o escudo, etc.
Que la probabilidad de que suceda un evento “P” sea constante
DISTRIBUCIONES DE POISSON
En teoría la distribución de Poisson es una distribución de probabilidad discreta que expresa, a
partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado
número de eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos
Cuando una distribución Binomial, tiene un tamaño de muestra (N) muy grande y la probabilidad
de que suceda el evento (P) es muy pequeña, permaneciendo infinito o no – nulo el producto, la
probabilidad de (x) suceso en una muestra (N), más exactamente, llamada una distribución de
poisson, La distribución de poisson posee una expresión.
𝑒 −𝜇.(𝜇)𝑥
Expresión → 𝑝(𝑋 = 𝜆) = x!
Ejemplo:
Si el 2% de ladrillos en una CONSTRUCCION tiene ladrillos defectuosos, obtener la probabilidad
de que 5 de cada 400 ladrillos tengan ladrillos defectuosos.
(X, se puede encontrar como k en algunos libros)
¡Desarrollo del ejemplo!
K=5, 𝛌=400(0.02)= 8
𝑒 −8 .(8)5
P (5;8)= = 0.092
5!
Entre otros ejemplos, Poisson ha sido empleada en centrales telefónicas en distribuir las llamadas
de los usuarios
Se puede decir entonces que hay dos factores que se deben cumplir para poder diferenciarla de
una distribución binomial, tiene que ser un número fijo y no amplio, se utiliza para calcular la
probabilidad de una selección aleatoria de un objeto sin repetición
Es una distribución fundamental en el estudio de muestras pequeñas de poblaciones pequeñas
y en el cálculo de probabilidades de juegos de azar. Tiene grandes aplicaciones en el control de
calidad para procesos experimentales en los que no es posible retornar a la situación de partida.
20 77520
7
• 𝑃(𝑥 = 8) = 0.0774
La probabilidad de que tengan que visitar solo 8 casas es del 7.74%
CONCLUSION
MAT370 U.A.G.R.M
Una vez desarrollado el tema sobre probabilidades se puede llegar a las siguientes conclusiones:
A través de esas construcciones teóricas, se podrá experimentar sobre aquello que la realidad no
permitía; se usa extensamente en áreas como la estadística, la física, la matemática, la ciencia
para lograr conclusiones sobre la probabilidad de sucesos potenciales en sistemas complejos.
Debido a la necesidad de modelar lo observable la probabilidad constituye un importante
parámetro en la determinación de las diversas casualidades obtenidas tras una serie de eventos
esperados dentro de un rango estadístico; un modelo resulta extremadamente útil, siempre que
se corresponda con la realidad que pretende representar o predecir; por ello es necesario
conocer cada distribución de la probabilidad en el casos especifico, sus usos y formas de
aplicarlas. Asimismo la probabilidad mide la frecuencia con la que se obtiene un resultado (o
conjunto de resultados) al llevar a cabo un experimento aleatorio, del que se conocen todos los
resultados posibles, bajo condiciones suficientemente estables.
BIBLIOGRAFIA
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
https://es.slideshare.net/alexanderfloresvalencia/distribucion-
hipergeometrica-28097904
https://www.youtube.com/watch?v=PCt4vvWnRlc
https://www.youtube.com/watch?v=DvhMwb89YW0
UNIVERSIDAD AUTONOMA GABRIEL
RENE MORENO
FACULTAD DE CIENCIAS EXACTAS Y
TECNOLOGIA
CARRERA Ing. Civil
DEFINICION:
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo,
puede utilizar la distribución discreta de Poisson para describir el número de quejas de
clientes en un día. Supongamos que el número promedio de quejas por día es 10 y usted
desea saber la probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.
x P (X = x)
5 0.037833
10 0.12511
15 0.034718
también puede visualizar una distribución discreta en una gráfica de distribución para
ver las probabilidades entre los rangos.
Decimos que una variable aleatoria discreta (X) tiene distribución uniforme cuando la
probabilidad en todos los puntos de masa probabilística es la misma; es decir, cuando
todos los posibles valores que puede adoptar la variable (x1,x2,...,xk) tienen la misma
probabilidad.
Pongamos el socorrido pero útil caso del lanzamiento de un dado. Si definimos una
variable aleatoria (X) como el número resultante tras su lanzamiento, los valores que
puede tomar esa variable aleatoria son {1, 2, 3, 4, 5, 6}. Pues bien, esa variable aleatoria
tiene distribución uniforme si, como es el caso, la probabilidad es la misma para cada
uno de los resultados posibles.
Representación grafica
valores probabilidad
x=1 1/6
x=2 1/6
x=3 1/6
x=4 1/6
x=5 1/6
x=6 1/6
𝟏
𝒇(𝒙) = , n= son todos los valores posibles
𝒏
Esperanza o media varianza
DISTRIBUCION BINOMIAL
Introducción:
Siendo:
N es el número de pruebas
k es el número de éxitos
p es la probabilidad de éxitos
q= 1-p es la probabilidad de fracaso
Distribución binominal por tabla
Supongamos que lanzamos al aire una moneda trucada. Con esta moneda la
probabilidad de obtener cara es del 30%. La probabilidad que salga cruz será, pues, del
70%. Lanzamos la moneda 10 veces de manera consecutiva. Si queremos calcular la
probabilidad de que observemos 6 caras o menos nos fijamos en la tabla: localizamos
n=10, x=6, p=0.3 y buscamos la intersección: 0.9894
Ejemplos:
B (n, p) → B (6.055)
N=6 p=0.55 q=1-0.55= 0.45
6
a) P (x=4) =(4) 0,554 * 0,452 = 15 * 0,554 * 0,452 = 0,2779
6
b) P (x=6) =(6) 0,556 * 0,450 = 1 * 0,556 * 0,450 = 0,0277
6
c) P (x=0) =(0) 0,550 * 0,456 = 1 * 0,550 * 0,456 = 0,0083
2) Un jugador marca el 85% de los penaltis que intenta. Si lanza 8 penaltis calcular la
probabilidad de
B (n, p) → B (8.085)
85
N=8 p= = 0.85 q=1-p= 0.15
100
B (n, p) → B (5.025)
1
N=5 p=4= 0.25 q=1-p= 0.75
DISTRIBUCION HIPERGEOMTRICA
Introducción:
𝒌 𝑵 −𝒌
( )( )
𝒑(𝒙 = 𝒌) = 𝒙 𝒏 −𝒙
𝑵
( )
𝒏
𝑁 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
𝑛 = 𝑡𝑎𝑚𝑎ñ𝑜 𝑑𝑒 𝑚𝑢𝑒𝑠𝑡𝑟𝑎
𝑘 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑞𝑢𝑒 𝑐𝑢𝑚𝑝𝑙𝑒𝑛 𝑢𝑛𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎 𝑑𝑒𝑠𝑒𝑎𝑑𝑎
𝑥 = 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 é𝑥𝑖𝑡𝑜𝑠
Aplicaciones
Ejemplos. -
Datos:
N = 12
K=3
n=4
x=2
Desarrollo
𝟑 𝟏𝟐 −𝟑 𝟑 𝟗
( )( ) ( )( ) (𝟑)(𝟑𝟔)
𝒑(𝒙 = 𝟐) = 𝟐 𝟒 −𝟐 𝒑(𝒙) = 𝟐 𝟐 𝒑(𝒙) =
𝟏𝟐 𝟏𝟐 (𝟒𝟗𝟓)
( ) ( )
𝟒 𝟒
̅̅̅̅
= 𝟎. 𝟐𝟏𝟖
𝑷 = 𝟐𝟏. 𝟖%
3 3! 6 6
( )= = = = 3
2 2! (3 − 2)! 2! × 1! 2
9 9! 362880 362880
( )= = = = 36
2 2! (9 − 2)! 2! × 7! 10080
P(x=n) = p(1-p)x-1
Ejemplo:
x 1 r x r
P( x) p q
r 1
En resumen
Variable discreta
Valor esperado varianza
V x rq / p2
E x r / p
𝑟(1 − 𝑝)
𝑉(𝑥) =
𝑝2
Aplicación
Ejemplo:
Si la probabilidad de que suceda A es 80%. Cuál es el # esperado de repeticiones
necesarias para obtener 4 veces ese evento.
R
P= 80% E x
P
R= 4 4
E x
0.8
E x 5 rep.
Ejemplo
Una tropa de niñas vendedoras vende galletas casa por casa, buscan vender 5 cajas al
día la probabilidad de vender una caja por casa es del 40%
¿Cuál es la posibilidad de que tengan que visitar exactamente solo 8 casas?
x = números de casas que tienen que visitar para poder vender las 5 cajas
r=5
p= 0.4
• Resolviendo
𝑥−1
• 𝑃(𝑥 = 𝑥) = ( 𝑟−1) . 𝑝𝑟 . (1 − 𝑝)𝑥−𝑟
8−1
• 𝑃(𝑥 = 8) = (5−1) . 0.45 . (1 − 0.4)8−5
7
• 𝑃(𝑥 = 8) = 4. (0.4)5 . (0.6)3
• 𝑃(𝑥 = 8) = 0.0774
La probabilidad de que tengan que visitar solo 8 casas es del 7.74
Ejemplo:
𝑥 = 10
𝑝 = 0.4
𝑟=3
𝑥−1 𝑟
Para 𝐹(𝑥) = ( ) 𝑝 (1 − 𝑝)𝑥−𝑟
𝑟−1
Reemplazando datos
9
𝐹(𝑥) = ( ) (0.4)𝑟 (1 − 0,4)7
2
Realizando los cálculos 𝐏(𝒙) = 𝟎, 𝟎𝟔𝟒𝟓
Valor media
𝑟 3
𝐸(𝑥) = = = 7,5
𝑝 0,4
Varianza
𝑟(1 − 𝑝) 3(0,6)
𝑉(𝑥) = = = 11,25
𝑝2 (0,4)2
DISTRIBUCION DE POISSON
Introducción:
En la estadística se bautiza con el nombre de la distribución de poisson a la fórmula o
datos
constantes, con cada cierto rango de tiempo o de unidad para calcular un hecho
probable,
el nombre de poisson se debe al francés poisson que aplica esta fórmula para el estudio
de
las probabilidades de cada cierta unidad que ocurre algún dato constante.
estos datos son las unidades que tomamos en cuenta cuando tenemos un valor
definido de
unidad o un número dado, en cada tiempo no son más que los valores constantes
dados
para trabajar en los cálculos de las probabilidades de Poisson.
Cuando se practica cada intervalos o número en una función, en repetidas ocasiones y
no
hay falló por as de la unidad, entonces el equilibrio o distribución de poisson, funciona.
https://www.sergas.es/Saude-publica/Epidat-4-1--13--Distribuci%C3%B3ns-de-probabilidade
https://www.youtube.com/watch?v=nGca92W6f98
https://www.youtube.com/watch?v=DvhMwb89YW0
https://www.profesor10demates.com/2014/04/la-distribucion-binomial-o-de-
bernoulli_3.html
https://www.youtube.com/watch?v=1ORBCrcRk_g&list=PLunRFUHsCA1zYeaUZH-
fhD7rVhWmv_1LE
https://www.youtube.com/watch?v=fsrzbhBiz3w
https://www.youtube.com/watch?v=ckTxTTxkZpg
https://www.youtube.com/watch?v=14hrsMLTOPk
http://www-eio.upc.edu/teaching/estad/MC/taules/com-usar-taules.pdf