Está en la página 1de 11

UNIVERSIDAD NACIONAL DE

COLOMBIA

SEDE MANIZALES

Tarea 3 y Examen 2

PRESENTA

Juan Sebastián García Alvarez


ID: 1002609297

PROFESORA

Ph.D Nubia Esteban Duarte

ASIGNATURA

Probababilidad y Estadistica

24 de noviembre de 2020
Manizales
Caldas
1. Tarea 3
1. Simulación del Ejercicio de la distribución binomial.

Ejercicio:
En una planta procesadora de productos lácteos se produce crema de leche, en términos ge-
nerales la crema de leche es la parte grasa de la leche y se consigue descremando la leche y
empacándose, el caso es que en esta planta de lácteos, se tiene el parámetro de que en cada
lote de 500 cremas de leche, cada una de 500ml, de estas 20 tienen riesgo de inflarse y repre-
sentar averías, por consiguiente la probabilidad de que se infle es 0.05, se necesita simular
la variedad del lote para mirar a futuro las cantidades a las que tienden las averías y saber la
rentabilidad del producto.
Para definir la variable aleatoria discreta que va a ser:

X := "El número de cremas de leches que salen infladas."

La esperanza se puede calcular de la siguiente manera:

[E] = np (1)

Por la ecuación 1 y por los datos del valor n = 500 y p = 0.05 calculamos la esperanza de X

[E] = (500).(0.05)

[E] = 25
Ahora al pasar esta simulación al programa R, para probar con un ensayo, lo que nos debe
dar es que la simulación da 25, que en la interpretación es que de las 500 cremas de leche,
25 se vana ir por averías y se a perder ese dinero Si esto fuera el lote real, se va cumplir la

Figura 1: Código de la primera simulación

esperanza y se van a perder 25, pero este comportamiento no es exactamente igual para cada
lote, el ingeniero a cargo de producción plantea experimentos simulados con las siguientes
cantidades de lotes para observar su comportamiento y intentar reducir pérdidas.

1er Experimento: En 500 lotes, un futuro cercano.


2do Experimento: En 10.000 lotes, casi 1 año.
3er Experimento: En 10 000.000 lotes, como compañía consolidado.

2
a) 1er Experimento: En 500 lotes, un futuro cercano:
Como podemos ver en la (figura 2), en 500 lotes se representa mucha dispersión todavía
y las perdidas van a ser muy aleatorias, pero van a estar la mayoría de veces entre los
24 y 27 productos por lote.

Figura 2: Simulación de 500 lotes.

b) 2do Experimento: En 10.000 lotes, casi 1 año:


En la segunda simulación como se puede ver en la (figura 3) se ve que normaliza entre
23 y 29 productos, ya en este punto el ingeniero puede observar que las perdidas se van
a mantener entre ciertos valores.

Figura 3: Simulación de 10.000 lotes.

3
c) 3er Experimento: En 10 000.000 lotes, como compañía consolidado:
En esta simulacion representada en la (figura 4), podemos ver que al millon de lotes las
perdidas mayoritariamente van a ser de 25 productos, ya se generalizo un poco mas en
relación a la esperanza.

Figura 4: Simulación de 1’000.000 lotes.

Conclusiones:
Para concluir sobre los experimentos realizados es que sale muy rentable esta producción ya
que si de 500 productos 475 salen en buen estado, por consiguiente pues mejorar el proceso
para rebajar la cantidad de averías, es una opción, pero con los productos lácteos siempre va
existir ciertos factores que generen averías, entonces mantenerlo entre 19 y 31 mayoritaria-
mente, de cada lote, es una buena estadística.

2. Definición de la distribución binomial según el libro de la UNAM.


Para llegar a la definición de la distribución binomial, el autor inicia desde una estructura-
ción puntual de la probabilidad, nociones muy básicas sobre la probabilidad sus valores, los
eventos, después pasa por un poco de las probabilidades compuestas y sus características el
autor realiza un ejercicio de ejemplo cada uno y después llega a la distribución binomial, para
llegar a esto se inicia con un sistema ideal N spines, el spin es la propiedad de que la partícula
vaya en varias direcciones, el spin tiene valor 12 y cuando va hacia el otro lado es igual a 21 en
este ejemplo el autor ponía un campo electromagnético B entonces el spin puede ser paralelo
o antiparalelo, entonces p es la probabilidad de que sea paralelo y q es la probabilidad de que
sea antiparalelo, por consiguiente
p+q = 1
Volviendo al inicio se definió N como la cantidad de momentos magnéticos del sistema de
spines, entonces por consiguiente
n + n0 = N

4
Ahora se propone la pregunta motivadora, ¿Cuál es la probabilidad P(n) de que n de los N
momentos magnéticos señalen hacia arriba? Esta pregunta se puede resolver fácilmente por
la definición de la compuesta contrastamos la probabilidad de que hayan n hacia arriba y n0
hacia abajo
= pp · · · p qq · · · q
| {z } | {z }
n f actores n0 f actores

Esta notación es un concepto muy general pero para llegar a la respuesta de la pregunta es lo
siguiente necesitamos saber la cantidad de posibilidades de que la cantidad N tenga n hacia
arriba, a esta cantidad la notamos como Cn (n) pues yo interpreto que es c de combinación ya
que por lo siguiente que nos propone el auto, designemos el momento de que el spin va hacia
arriba como U, el resultado de Cn (n) es la cantidades de que aparecen de U, entonces pueden
existir 3 hacia arriba por ejemplo seria U1 ,U2 y U3 , del mismo modo si es de n spines hacia
arriba seria U1 ,U2 ,U3 , · · · ,Un , ahora como podemos distribuir las U, la primera U que es el
primer spin paralelo, tiene la posibilidad de estar en N lugares y al segundo está en (N − 1)
ya que U1 está ocupando un puesto, U2 es igual a (N − 2) hasta Un que se puede representar
como (N − n + 1) y por medio de los factoriales se puede escribir como

N!
JN (n) =
(N − n)!

Ahora en términos reales el uso de los índices son despreciables ya que son la misma poca,
son equivalentes, ahora para eliminar esta permutación de índices se divide la función JN (n)
que es la cantidad de diferentes posibilidades de spines hacia arriba en N muestra, y si lo
observamos nos damos cuenta que se asemeja a la permutación, en las permutaciones estric-
tamente el orden importa, en la combinación esto no se cumple por ese motivo eliminamos
la permutación del orden dividiendo por el n!, quedando de la siguiente manera

JN (n) N!
Cn (n) = =
n! n!(N − n)!

Ahora esto lo unimos a la probabilidad condicional generalizada llegamos a la formula rela-


cionada a la distribución binomial definida como P(n)

N! 0
P(n) = pn qn
n!(N − n)!

Ahora representamos de la siguiente forma N = N y n = r y q = 1 − p, n0 = N − n y como


r = n, n0 = N − r para dar lugar a esto:
 
N N
P(n) = p (1 − p)N−r (2)
r
Con eso vemos resumidamente como llego el autor a la formula de distribución binomial [1]

5
Ejemplos Generales:

a) Gas Nobles: En los gases nobles se puede usar para encontrar las probabilidades de que
las moléculas estén en un volumen x o y, diciendo en términos de las distribuciones, un
gas de N moléculas en un volumen V que se dividen en dos volúmenes V y V 0 , p es
la probabilidad de que este en el volumen V y q a la probabilidad de que este en V 0 de
modo que estas probabilidades son

V V0
p= yv=
Vo Vo
Pero en una cantidad N de partículas, la probabilidad de que n estén en el volumen V es
una distribución binomial.
b) Lanzamiento de Dados y Monedas: En esta se ve la distribución binomial cuando
queremos ver la repetición de algún suceso de una cantidad N de eventos, por ejemplo
que de una cantidad de 4 lanzamientos de moneda, salgan 2 caras esa es la aplicación
de esta distribución a los lanzamientos de monedas y dados.

3. Ejercicio.
Un vendedor de planes de turismo al caribe, sabe por experiencia, que la oportunidad de
vender un plan es mayor, mientras más contactos realice con los clientes potenciales. Em-
píricamente él estableció que la probabilidad que una persona compre un plan, luego de su
visita es constante e igual a 0.01. Si el conjunto de visitas que realiza el vendedor constituye
un conjunto independiente de ensayos, cuántos compradores potenciales debe visitar para
que la probabilidad de vender por lo menos un plan sea igual a 0.85?
Para la solución de este ejercicio definiremos la variable aleatoria x de la siguiente manera

X := "El número de planes al caribe que desea vender."

Y también definir un valor N el cual usaremos mas adelante, este valor se define como:

N := "Cantidad de visitas a clientes potenciales."

Ahora, tenemos los siguientes datos sobre el ejercicio P(X ≥ 1) = 0.85 el valor de probabi-
lidad p = 0.01 y el valor de (1 − p) = 0.99
El problema nos pide la cantidad de visitas N para que se cumpla de que la probabilidad de
que venda mas de uno P(X ≥ 1) sea de 0.85, ahora por las propiedades de la probabilidad
podemos decir que
P(X ≥ 1) = 1 − p(X = 0) (1)
Ahora desarrollamos la operación 1, ya que este ejercicio es una distribucón binomial de
orden X ∼ Bin(N, 0.01)

6
P(X ≥ 1) = 1 − p(X = 0)
 
N
= 1− (0.01)0 (0.99)N−0
0
= 1 − 1(0.99)N
= 1 − (0.99)N

Ahora se remplaza 0.85 que es el resultado que tenemos desde el inicio para P(X ≥ 1) que
es 0.85 y resolvemos
P(X ≥ 1) = 1 − p(X = 0)
0.85 = 1 − (0.99)N
(0.99)N = 1 − 0.85
(0.99)N = 0.15
N = log0.99 0.15
N ≈ 189

En conclusión tenemos que el vendedor debe realizar 189 visitas para que la probabilidad de
vender al menos un plan turístico sea = 0.85
4. Ejercicio.
Una empresa electrónica observa que el número de componentes que fallan antes de cumplir
100 horas de funcionamiento es una variable aleatoria de Poisson.
Solución:
Definiremos como siempre la variable aleatoria discreta X y ya tenemos que el parametro
λ =8

X := "Numero de componente con fallo."

a) ¿cuál es la probabilidad de que falle un componente en 25 horas?

Hallamos el parámetro λ para 25 horas


25h.8
λ= =2
100h
Encontrado el valor de λ = 2 remplazamos en la distribución de Poisson
21
P(X = 1) = e−2
1!
−2
= e ·2
= 0.27

La probabilidad de que un componente falle es de 27.06 %

7
b) ¿y de que fallen no mas de dos componentes en 50 horas?

Lo que nos dice el problema es que la probabilidad de P(X) no puede ser mayor a
2, entonces en este ejercicio trabajamos con P(X ≥)
Hallamos otra vez el parámetro λ para las 50 horas
50h.8
λ= =4
100h
ya con nuestro parámetro podemos realizar el ejercicio

P(X ≥ 2) = P(X = 0) + P(X = 1) + P(X = 2)


40 41 42
= e−4 · + e−4 · + e−4 ·
0! 1! 2!
1 4 16
= e−4 · + e−4 · + e−4 ·
1 1 2
−4 −4 −4
= e + 4e + 8e
= 0.24

Podemos concluir que la probabilidad de que se dañen 2 componentes en las primeras


50 horas es de 24 % que es mucho mas bajo que ka de que se dañe 1 en 25 horas, pero
no por mucha diferencia
c) Encontrar, Esperanza, Varianza y sd.

La esperanza y la varianza son el mismo parámetro λ del inicio del problema lo pode-
mos interpretar como que se espera 8 componentes en 100 horas, pero este √ valor puede
2
tener variaciones del doble y al calcular la desviacion de estandar que es 8 = 3.46, po-
demos interpretar que la cantidad de componentes en estas 100 horas van a estabilizarse
en números de sucesos muy grandes.

5. Ejercicio.
Las ruletas que se usan en los casinos, tienen 38 lugares de los cuales 18 son negros, 18
son rojos y 2 son verdes. Sea X la variable aleatoria que denota el número de veces que es
necesario hacer girar la ruleta para obtener por primera vez un número rojo.
Solución:

a) Hallar la función de probabilidad de X.


Nos encontramos una distribución Geométrica de orden P X ∼ Geo(P), y vamos a defi-
nir la función de masa de probabilidad de la siguiente manera, primero vamos a definir
X
X := "El número de veces que se gira la ruleta para obtener el numero rojo."

8
Tenemos la probabilidad de p = 18 20
38 ,(1 − p) = 38 y definimos la función de probabilidad
como.
18 x−1

 (1 − 38 ) p x>0
P(X = x) = f (x) =
0 x<0

b) Un jugador tiene la siguiente estrategia de juego a la ruleta: él apuesta dos unidades mo-
netarias al color rojo, si en el primer giro de la ruleta aparece un número rojo, toma el
dinero ganado y se retira del juego. Si en el primer giro de la ruleta aparece un número
negro o verde, él hace girar la ruleta dos veces más y apuesta cada vez tres unidades
monetarias al color rojo y luego se retira del juego.

Lo primero que voy a hacer para ilustrar el problema es un diagrama de árbol con
lo que hace el jugador de casino. y ya según la figura 5b podemos construir la función

18
38

R
+2 18
38
R
+3
Jugador
18
38
−2
R¯ R −3 ¯
R
+3
20
38
20
38
18
−3 R 38
R¯ +3

20
38
−3 ¯
R
20
38

Figura 5: Diagrama de Árbol del problema

de la variable X que esta definida como


X := "Fortuna."
Podemos generar la tabla de masica Donde hallamos la probabilidad y la cantidad de

x 2 4 -4 -2 -8
f(x) 18
38
810
6859
900
6859
900
6859
1000
6859

9
fortuna que tiene el jugador del casino
Ahora vamos a calcular la esperanza de la variable X, la formula de la esperanza para
la distribución geométrica es igual a
1
E[X] = (2)
p
18
cuando p = 38 resolvemos:

1
E[X] =
p
1
= 18
38
1
1
= 18
38
38
=
18
≈ 2.11

Concluimos que la Esperanza de fortuna es de 2.11, pero por lo visto en la figura 5b,
parece mas a que va perder mucho dinero, si no hace un buen primer tiro.

6. Ejercicio.
Se lanza una moneda corriente tantas veces como sea necesario hasta obtener por primera
vez çara". Sea X la variable aleatoria que representa el número de lanzamientos requeridos.
Primero de todo definimos la variable aleatoria X

X := "Número de intentos hasta sacar Cara."

a) Calcular E[X]; Es una distribución geométrica la cual su esperanza esta dada por la
ecuación 2 que la vimos en el ejercicio pasado, y la probabilidad p de que pase el
suceso es p = 12 entonces

1
E[X] =
p
1
= 1
2
1
1
= 1
2
2
=
1
= 2

10
b) Hallar, si existe, E[2X ].
Para esta vamos a usar la formula de esperanza basada en sumatorias, y tendremos que
comprobar primero cuando hay mas de un intento X ≥ 1 y la otra cuando la variable X
es estrictamente igual a 0 ya que esta es porque en el primer ensayo hubo cara y no hay
mas. Primero ver la sumatoria

E[X] = ∑ xi P(X = xi ) (3)
i=1
y ya sabemos que como trabajamos con una distribución geométrica P(X = xi ) es igual
a (1 − p)x−1 p La esperanza nos queda así

E[X] = ∑ xi (1 − p)x−1 p (4)
i=1
Ahora empezamos con probabilidad cuando X vale x − 1

E[X] = ∑ xiP(X = xi)
i=1
 X−1

1 1 X
= ∑2
i=1 2 2

1 1
= ∑ 2X 2X−1 2
i=1

1
= ∑ 2X 2−(X−1) 2
i=1

1
= ∑ 21 2
i=1

2
= ∑2 = 1
i=1

= ∑1 = ∞
i=1

Ahora cuando Vale solamente X



E[X] = ∑ xiP(X = xi)
i=1
 X

1 1 X
= ∑2
i=1 2 2

1 1
= ∑ 2X 2X 2
i=1

1
= ∑2 = ∞
i=1

Concluimos que esta esperanza no existe ya que no tiene un valor fijo.

11

También podría gustarte