Академический Документы
Профессиональный Документы
Культура Документы
CICLO 2014-1
___________________________________________________________________________________
MODELOS PROBABILISTICOS
Son modelos matemticos apropiados para situaciones reales en condiciones especficas,
son importantes porque nos ayudan a predecir la conducta de futuras repeticiones de un
experimento aleatorio. Los modelos pueden ser discretos o continuos.
Los modelos o distribuciones discretas ms comunes son: La Uniforme, Binomial, Poisson
y la Hipergeometrica. Vamos a presentar los modelos ms usados en investigacin, y ms
especficamente en reas sociales y humansticas, ac se abordarn los temas de la
Binomial, la cual es base para definir los tamaos mustrales y la Poisson, de gran utilidad
en teora de colas o fenmenos de espera.
En cuanto a las continuas, se utilizan fundamentalmente las siguientes: Z de la Normal, T
de Student, las cuales sern objeto de estudio.
DISTRIBUCIONES DISCRETAS
ENSAYO DE BERNOULLI
Consiste en realizar un slo experimento (ensayo) en el cual existen nicamente dos
posibles resultados:
S = {xito, fracaso}
Por ejemplo: observar un artculo y ver si es defectuoso.
DISTRIBUCIN DE BERNOULLI
Definimos a la variable aleatoria de Bernoulli de la siguiente forma:
{
su distribucin de probabilidad queda:
( )
Varianza
( )
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
MODELO BINOMIAL
Es un modelo discreto, es decir, la variable toma valores conocidos y finitos. Es utilizado
en grficos de control para anlisis de nmero o porcentaje defectuoso, adicionalmente se
utiliza para calcular probabilidades de aceptacin o rechazo de lotes en muestreo de
aceptacin, de ah su importancia.
Un modelo Binomial cumple las siguientes propiedades:
1) El experimento tiene un nmero fijo de ensayos.
2) De cada prueba solo puede presentarse uno de dos resultados. Un xito o un fracaso.
3) La probabilidad de xito y la probabilidad de fracaso son constante para cada prueba.
4) Cada una de las pruebas es independiente de todas las dems, es decir, lo que ocurre en
una prueba cualquiera, no afecta los resultados de las otros ensayos.
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
( )
Para encontrar el nmero de formas en que se pueden obtener los xitos y luego los
fracasos, recordemos la expresin para el clculo de permutaciones con grupos de objetos
iguales:
Hagamos
Es decir que el nmero de formas en que se pueden ordenar los xitos y los fracasos es
(
).
Finalmente, tenemos que el trmino
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
):
CICLO 2014-1
___________________________________________________________________________________
Varianza
( )
( )
( )
Ejemplo
La probabilidad de que un jugador de basket-ball anote un tiro libre es de . sus tiros son
independientes, si en un juego puede hacer 5 tiros libres, determinar:
a) la probabilidad de que acierte en todos sus tiros.
b) la probabilidad de que falle todos sus tiros.
c) la probabilidad de que acierte por lo menos la mitad de sus tiros.
Solucin:
xito: acierta un tiro libre.
n=5
( )
( ) ( )
b)
( )
( ) ( )
c)
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
Ejemplo2:
Segn el ltimo estudio sobre favorabilidad del actual gobernante, ste tiene a su favor el
52% de todos los habitantes mayores de edad. Si de esta poblacin se selecciona al azar 5
personas, a) cul es la probabilidad de que exactamente 3 de personas estn a favor del
mandatario?, b) mximo 3, c) entre 2 y 4 inclusive estn a favor.
SOLUCIN EXCEL.
MODELO DE POISSON
Es una distribucin discreta, tiene su principal aplicacin en teora de colas o fenmenos de
espera y en control estadstico de calidad., as, como para calcular probabilidades en
eventos escasos y en intervalos de tiempo y espacio.
Es decir los experimentos que resulten en valores numricos de una variable aleatoria X,
misma que representa el nmero de resultados durante un intervalo de tiempo dado, o
regin especfica, frecuentemente se llaman experimentos de poisson.
Ejemplo. Llamadas por minuto, clientes por hora, toneladas por hectrea, baches por
kilmetro, etc.
De un experimento de Poisson, surge el proceso de Poisson que tiene las siguientes
propiedades:
1. El nmero de resultados que ocurren en un intervalo de tiempo o regin especficos
es independiente del nmero que ocurre en cualquier otro intervalo o regin.
2. La probabilidad de que un resultado sencillo ocurra en un intervalo de tiempo corto
o una regin pequea es proporcional a la longitud del intervalo de tiempo o al
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
( )
para
donde:
es el nmero promedio de ocurrencias del evento por unidad de tiempo o espacio
= 2.72782 base de los logaritmos neperianos.
La media y varianza de la variable aleatoria de Poisson son:
( )
Ejemplo:
El nmero promedio de individuos que llegan a solicitar informacin sobre un nuevo
producto es de 5 por hora. Determine la probabilidad de que, en una hora determinada,
lleguen: a) exactamente 2 usuarios, b) a lo ms 4, c) ms de 4, d) 2 en media hora.
Solucin
Sea X= nmero de personas que solicitan informacin sobre el producto.
Lo primero a determinar es si cumple los requerimientos del modelo Poisson.
Las personas llegan de manera aleatoria y sus llegadas son independientes.
Los sucesos ocurren en un intervalo determinado .
Al cumplir los requerimientos, entonces,
( )
donde = 5 personas/hora
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
)
(
)
(
)
(
)
(
)
b) (
)
(
)
c) (
d) Dado que se cambi la unidad de medida, el promedio se altera.
= 2.5 personas/30 minutos.
( )
(
)
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
( )
Vamos a demostrar:
Considerando la expresin general para la probabilidad binomial:
(
=
Sea
)(
( )
) (
; por tanto
(
(
)
y
)
sustituyendo:
(
( ) (
= [( ) (
)(
)] [
= [( ) (
)(
)] [
] [
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
Sea
cuando
).
)(
, al igual que [
tienden a 1 si
es cuando
[
Finalmente
Ejemplo 1:
Si el 2% de los transistores producidos por una fbrica salen defectuosos encontrar la
probabilidad de que en un lote de 200 transistores haya caundo ms 5 transistores
defectuosos.
Por binomial
n=200 p =0.2
(
=(
)
)(
(
) (
)
)
)
(
(
)(
Por Poisson:
(
(
}=0.78
Ejemplo 2:
Si la probabilidad de que una viga de concreto falle a la compresin es de 0.05.Obtener la
probabilidad de que en 50 vigas:
a) Ninguna falle
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
b) Cuando ma 2 fallen
c) 5 fallen
Solucin
P=0.05 n=50
(
a)
)
(
b)
entonces
c) (
entonces
}=0.5437
DISTRIBUCIONES CONTINUAS
DISTRIBUCION NORMAL
Es el modelo continuo ms utilizado en inferencia estadstica, dado que muchos fenmenos
socio demogrfico y de otra ndole tienen un comportamiento acampanado y por ende
cumplen la teora de la distribucin normal, sin embargo, es importante aclarar que antes de
proceder a aplicar los mtodos sugeridos por la teora estadstica, es imprescindible
identificar primero si en realidad los datos si se comportan como tal, es decir, se debe saber
a ciencia cierta si los datos son aproximadamente acampanados, para ello se disponen de
procedimientos descriptivos ya descritos, como son: el histograma, comparar las medidas
de posicin relevantes (media, mediana y moda), calcular los coeficientes de asimetra y
curtosis. Adems, de otras pruebas ms avanzadas como la de Smirnov Kolmogorov y la de
Shapiro Wilks.
CARACTERISTICAS DE LA DISTRIBUCION NORMAL
1. Forma
Es una campana simtrica con respecto a su centro
La curva tiene un solo pico; por tanto, es unimodal.
La media de una poblacin distribuida normalmente cae en el centro de su curva
normal.
Debido a la simetra de la distribucin normal de probabilidad, la mediana y la
moda de la distribucin se encuentran tambin en el centro; en consecuencia, para
una curva normal, la media, la mediana y la moda tienen el mismo valor.
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
3. FUNCIN DE DENSIDAD
Empleando clculos bastante laboriosos, puede demostrarse que el modelo de la funcin de
densidad que corresponde a tales distribuciones viene dado por la frmula
( )
donde
: Media
: Varianza
= 3.1415
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
Dominio:
Mximo: (
Punto de inflexin: en
Asntotas: el eje OX es una asntota horizontal
Simetra: respecto a la recta
) y decreciente(
Monotona: creciente(
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
, es decir
es
(
y sigue
)
y su funcin de distribucin es
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
(155-132)/15)= 1 - P(Z<1.53)
1 0.9370= 0.063.
Se busca el valor de 1.53 en la tabla, encontrando el valor de 0.9370 sombreado en la tabla.
b) P(x 100) = P(x1 00)=P(Z ( 100-132)/15)= P(Z-2 .13)= 0.0166
Al ser un valor para la probabilidad se calcula de manera directa, es decir, se ubica el
valor de Z=-2.13 correspondiendo la probabilidad de 0.0166.
c) P (105 < x < 143) = P(x<143) P(x< 105). Luego de tipificar, se tiene:
P(Z< 0.73) P(Z<-1.8) = 0.7673 0.0359 = 0.7324
Siempre los valores de Z, se ubican en la tabla normal.
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
); X ~ N (140, (50)2)
a) (
)
=DISTR.NORM(100;140;50;VERDADERO)
b) b P ( x > 200) = 1 P (x
200).
=DISTR.NORM(200;140;50;VERDADERO) = 0.884930
c) P (40 < x < 240)= P(z<240)-P(z<40)
=DISTR.NORM(240;140;50;VERDADERO)
=DISTR.NORM(40;140;50;VERDADERO)
0,97724994 - 0,02275006 = 0.9544
)
d) (
. En ste caso, se requiere entrar la probabilidad para que el
procedimiento entregue el valor de x. Note que la sintaxis cambia, adicionando la
palabra INV.
=DISTR.NORM.INV(0,5;140;50) = 140
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
6. Una fbrica produce cierto tipo de ladrillos, en tres hornos. El horno A produce 50 %; el
horno B produce 30 % y el horno C produce 20 % de la produccin total. Adems se
sabe que el 0.1%, 0.2% y 0.3% de lo que producen los hornos respectivamente son
defectuosos. El control de calidad se realiza del siguiente modo: se elige aleatoriamente
100 ladrillos y se acepta el lote si hay 5 o menos defectuosos. Qu probabilidad hay de
rechazar el lote?
7. Aproximdamente el 5% de los clavos de acero de cierta marca son defectuosos.
a. Cuntos clavos, como mximo debe tener la muestra para que la probabilidad de que al
menos uno sea defectuoso, no sea mayor que 0.9?
b. Hallar el menor valor de n para que sea mayor o igual que 0.99, la probabilidad de
que al menos uno de los clavos sea defectuoso?
8. El nmero de defectos que tiene cierto tipo de locetas, sigue una distribucin de Poisson
con un promedio de 3 defectos/ loceta. El precio de cada loceta es S/. 3.00 si no tiene
defectos, de S/.2.00 si tiene 1 o 2 defectos y S/. 1.00 si tiene ms de 2 defectos. Si se
compran 100 locetas, elegidas al azar. Cul es el precio esperado de las 100 locetas?
9. Se lanza un dado 7 veces, cul es la probabilidad de obtener al menos 4 nmeros iguales
en los 7 lanzamientos
10. El artculo Reliability-Based Service Life Assesment of Aging Concrete Structures.
(J. Structural Engr., 1993: 1600-1621) sugiere que un proceso de Poisson puede ser
utilizado para representar la ocurrencia de cargas estructurales en el transcurso del tiempo.
Suponga que =0.5/ao
a. Cuntas cargas se espera que ocurra durante um perodo de 2 aos?
b. Qu tan largo debe ser um perodo de modo que la probabilidad de que no ocurran
cargas durante ese perodo sea cuando mucho de 0.1?
11. Una empresa electrnica observa que el nmero de componentes que fallan antes de
cumplir 100 horas de funcionamiento es una variable aleatoria de Poisson. Si el nmero
promedio de estos fallos es ocho,
a. cul es la probabilidad de que falle un componente en 25 horas?
b. y de que fallen no ms de dos componentes en 50 horas?
c. cul es la probabilidad de que fallen por lo menos diez en 125 horas?
12. Supongamos que el nmero de imperfecciones en un alambre delgado de cobre sigue
una distribucin Poisson con una media de 2.3 imperfecciones por milmetro.
a. Determine la probabilidad de 2 imperfecciones en un milmetro de alambre.
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.
CICLO 2014-1
___________________________________________________________________________________
13/05/14
LA PROFESORA
ESTADISTICA Y RPOBABILIDADES____________________________________________________________________F.N.Q.C.