INSTITUTO TECNOLGICO DE PIEDRAS NEGRAS

PROBABILIDAD Y ESTADSTICA REPORTE DE EXPOSICIN UNIDAD 3

Equipo 2:
Yajaira Yackelin Villa Medina (12430127) 3.1 Definicin de Variable Aleatoria Discreta Zacnit Yamilet Hinojosa Navarro (12430135), Ada Eisenia Martnez Garca (12430019) - 3.2 Funcin de probabilidad y de distribucin, valor esperado, varianza y desviacin estndar Sarah Esqueda Garca - 3.3 Distribucin Binomial Wilfredo Torres Rubio 3.4 Distribucin Hper geomtrica Jos Luis Vzquez - 3.4.1. Aproximacin de la hipergeomtrica por la binomial. Ayde Berenice Lira 3.5 Distribucin geomtrica Arturo Mesta Chong - 3.6 Distribucin multinomial Adan Vela Ayala (12430083) 3.7 Distribucin de Poisson Uriel Ernesto Lpez Guerrero (12430005) 3.8 Aproximacin de la binomial por la de Poisson Priscila Guerrero 3.9 Distribucin binomial negativa Marco Antonio Escalante Rodrguez (12430082) Distribucin uniforme discreta

INGENIERA INDUSTRIAL

PROBABILIDAD Y ESTADSTICA UNIDAD 3 Definicin de variable aleatoria discreta Primero hay que conocer que es Variable.Se les llama as a los sucesos que pueden tomar valores diferentes. Aleatorio? .Significa al azar, o sin un orden definido. Variable Aleatoria Si los valores numricos que toma una variable provienen de un determinado valor no se puede predecir con precisin, esa variable recibe el nombre de variable aleatoria (v. a.). Variable Aleatoria Discreta Las variables aleatorias pueden ser discretas y continuas... Podemos decir que las discretas surgen generalmente al contar, mientras que las continuas aparecen cuando se mide. Una variable aleatoria X es discreta, si solamente puede tomar un conjunto numerable de valores. 3.2 Funcin de probabilidad y de distribucin, valor esperado, varianza y desviacin estndar Una vez tenemos un suceso, nos preocupa saber si hay muchas o pocas posibilidades de que al realizar la experiencia se haya verificado. Por lo tanto, sera interesante el tener alguna funcin que midiera el grado de confianza a depositar en que se verifique el suceso. A esta funcin la denominaremos funcin de probabilidad. La funcin de probabilidad ser, pues, una aplicacin entre el conjunto de resultados y el conjunto de nmeros reales, que asignar a cada suceso la probabilidad de que se verifique. La notacin: P(A) significar: probabilidad de que se verifique el suceso A. Lo que se hace para decir qu es y qu no es una funcin de probabilidad es construir una serie de propiedades (axiomas) que se exigirn a una funcin para poder ser catalogada como funcin de probabilidad. Funcin de distibucin La funcin de densidad de una variable aleatoria X permite trasladar la medida de probabilidad o "suerte" de realizacin de los sucesos de una experiencia aleatoria a la caracterstica numrica que define la variable aleatoria.

Para definir F , la funcin distribucin de probabilidad de X , distinguiremos el caso discreto, donde los posibles valores de X forman un conjunto discreto (finito o numerable), del continuo, donde el recorrido de la variable aleatoria es un intervalo de la recta real : o Si X es discreta su funcin de distribucin se define por

En el caso de que X sea continua se tiene

Valor esperado El valor esperado o esperanza es muy importante, ya que es uno de los parmetros que describen una variable aleatoria. Sea X una variable aleatoria discreta con funcin de probabilidades f(x). Entonces, el valor esperado de la variable aleatoria X, el cual se representa por E(X), est definido por: E(X) = xi f(xi) Lo anterior significa, que para calcular E(X) se multiplica cada valor que puede tomar la variable aleatoria por la probabilidad que le corresponde y despus se suman esos productos. Ejemplo Un casino le permite a un jugador que lance un dado legal y que reciba tantos pesos como puntos aparezcan en la cara superior del dado. El jugador debe pagar una cantidad k de pesos cada vez que juegue. Calcular cunto debe valer k para que el jugador ni gane ni pierda. Solucin. Sea X la variable aleatoria que representa el resultado al lanzar un dado. Su distribucin de probabilidad es la siguiente:

En este caso el valor esperado debe ser igual al valor k, con lo que se espera que el jugador ni gane ni pierda. Aplicando la frmula del valor esperado tenemos: xi f(xi) = 1(1/6) + 2(1/6) + 3(1/6) + 4(1/6) +5(1/6) + 6(1/6) = 3.5 El jugador debe pagar 3.5 pesos cada vez que participa en un juego. Si la cuota k fuera de 4 pesos por juego, la ganancia neta esperada del casino es de 0.50 pesos por juego, ya que k - = 4.00 - 3.50 = 0.50 pesos. Como lo que recibe el jugador en un solo juego no puede ser igual a 3.5 pesos (debe ser un nmero entero entre 1 y 6), entonces la E(X) no necesariamente coincide con el resultado de un solo juego. El significado de E(X) = 3.5 pesos, es que si el juego se realiza un gran nmero de veces, el

cociente Varianza

debe ser aproximadamente igual a 3.5 pesos.

La desviacin estndar () mide cunto se separan los datos. La frmula es fcil: es la raz cuadrada de la varianza. As que, "qu es la varianza?" La varianza se define as: Es la media de las diferencias con la media elevadas al cuadrado. En otras palabras, sigue estos pasos: 1. Calcula la media (el promedio de los nmeros) 2. Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado). 3. Ahora calcula la media de esas diferencias al cuadrado. La desviacin slo significa qu tan lejos de lo normal *Nota: por qu al cuadrado? Todos los nmeros sean positivos (para evitar que los nmeros negativos reduzcan la varianza) Pero elevarlas al cuadrado hace que la respuesta sea muy grande, as que lo deshacemos (con la raz cuadrada) y as la desviacin estndar es mucho ms til.

Ejemplo

Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm. Calcula la media, la varianza y la desviacin estndar. Respuesta:

as que la altura media es 394 mm.

Ahora calculamos la diferencia de cada altura con la media:

Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:

As que la varianza es 21,704. Y la desviacin estndar es la raz de la varianza, as que: Desviacin estndar: = 21,704 = 147 y lo bueno de la desviacin estndar es que es til: ahora veremos qu alturas estn a distancia menos de la desviacin estndar (147mm) de la media:

As que usando la desviacin estndar tenemos una manera "estndar" de saber qu es normal, o extra grande o extra pequeo. Desviacin estndar La desviacin estndar es la raz cuadrada de la varianza. Es decir, la raz cuadrada de la media de los cuadrados de las puntuaciones de desviacin. La desviacin estndar se representa por .

3.3 Distribucin Binomial En estadstica, la distribucin binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y tiene una probabilidad de ocurrenciap y al otro, fracaso, con una probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en una distribucin de Bernoulli. Para representar que una variable aleatoria X sigue una distribucin binomial de parmetros n y p, se escribe:

X - B( n, p) La distribucin binomial es la base del test binomial de significacin estadstica. Las caractersticas de esta distribucin son: a) En los experimentos que tienen este tipo de distribucin, siempre se esperan dos tipos de resultados, ejem. Defectuoso, no defectuoso, pasa, no pasa, etc, etc., denominados arbitrariamente xito (que es lo que se espera que ocurra) o fracaso (lo contrario del xito). b) Las probabilidades asociadas a cada uno de estos resultados son constantes, es decir no cambian. c) d) Cada uno de los ensayos o repeticiones del experimento son independientes entre s. El nmero de ensayos o repeticiones del experimento (n) es constante.

Ejemplos:

Las siguientes situaciones son ejemplos de experimentos que pueden modernizarse por esta distribucin: Se lanza un dado diez veces y se cuenta el nmero X de tres obtenidos: entonces X~ B(10, 1/6) Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas: entonces X ~ B(2, 1/2) Una partcula se mueve unidimensionalmente con probabilidad p de moverse de aqu para all y 1-q de moverse de all para ac

Experimento binomial: Existen muchas situaciones en las que se presenta una experiencia binomial. Cada uno de los experimentos es independiente de los restantes (la probabilidad del resultado de un experimento no depende del resultado del resto). El resultado de cada experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso). Las probabilidades de ambas posibilidades han de ser constantes en todos los experimentos (se denotan comop y q o p y 1-p). Se designa por X a la variable que mide el nmero de xitos que se han producido en losn experimentos. Cuando se dan estas circunstancias, se dice que la variable X sigue una distribucin de probabilidad binomial, y se denota B(n,p). Caractersticas analticas: Su funcin de probabilidad es: F(x) = ( n ) p con exponente x ( 1-p) con exponente n-x donde X = ( 0,1,2.n) Siendo ( n ) = ___n!___ x x! ( n-x)!

las combinaciones de N en X ( N elementos tomados de X en X). Ejemplo: Supongamos que se lanza un dado (con 6 caras) 50 veces y queremos conocer la probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(50, 1/6) y la probabilidad sera P(X=20):

Ejemplo Se lanza al aire una moneda normal 3 veces, determine la probabilidad de que aparezcan 2 guilas. Solucin: Antes de empezar a resolver este problema, lo primero que hay que hacer es identificarlo como un problema que tiene una distribucin binomial, y podemos decir que efectivamente as es, ya que se trata de un experimento en donde solo se pueden esperar dos tipos de resultados al lanzar la moneda, guila o sello, cutas probabilidades de ocurrencia son constantes, cada uno de los lanzamientos es independiente de los dems y el nmero de ensayos o repeticiones del experimento son constantes, n = 3. Para dar solucin a este problema, lo primero que hay que hacer es un diagrama de rbol, en donde representaremos los tres lanzamientos, de ah se obtendr el espacio muestral y posteriormente la probabilidad pedida, usando la frmula correspondiente. Distribucin Hper geomtrica En teora de la probabilidad la distribucin hper geomtrica es una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo. La distribucin hper geomtrica es especialmente til en todos aquellos casos en los que se extraigan muestras o se realizan experiencias repetidas sin devolucin del elemento extrado o sin retornar a la situacin experimental inicial. Supngase que se tiene una poblacin de N elementos de los cuales, d pertenecen a la categora A y N-d a la B. La distribucin hper geomtrica mide la probabilidad de obtener x ( ) elementos de la categora A en una muestra sin reemplazo de n elementos de la poblacin original. Propiedades La funcin de probabilidad de una variable aleatoria con distribucin hper geomtrica puede deducirse a travs de razonamientos combinatorios y es igual a

donde N es el tamao de poblacin, n es el tamao de la muestra extrada, a es el nmero de elementos en la poblacin original que pertenecen a la categora deseada y x es el nmero de elementos en la muestra que pertenecen a dicha categora. La notacin (a/x) hace referencia al coeficiente binomial, es decir, el nmero de combinaciones posibles al seleccionar X elementos de un total a. Los experimentos que tienen este tipo de distribucin tienen las siguientes caractersticas: a) Al realizar un experimento con este tipo de distribucin, se esperan dos tipos de resultados. b) Las probabilidades asociadas a cada uno de los resultados no son constantes.

c) d)

Cada ensayo o repeticin del experimento no es independiente de los dems. El nmero de repeticiones del experimento (n) es constante.

Ejercicio de ejemplo:

En una florera hay 20 variedades de flores, de las cuales 8 son diferentes clases de rosas. Qu probabilidad hay de que al extraer una muestra al azar de 12 flores, se incluyan 3 clases de rosas? Es una distribucin hper geomtrica, con los siguientes parmetros: N=tamao de poblacin =20 n=tamao de muestra = 12 A=xitos en la poblacin= rosas = 8 k=xitos en la muestra= rosas = 3 Sustituimos los valores en la frmula general:

Realizando clculos, obtenemos:

3.2.3. APROXIMACIN DE LA HIPERGEOMTRICA POR LA BINOMIAL. Distribucin hipergeomtrica Por claridad, consideremos el siguiente ejemplo: Tenemos una baraja de cartas espaolas (N=40 naipes), de las cuales nos vamos a interesar en el palo de oros (D=10 naipes de un mismo tipo). Supongamos que de esa baraja extraemos n=8 cartas de una vez (sin reemplazamiento) y se nos plantea el problema de calcular la probabilidad de que hayan k=2 oros (exactamente) en esa extraccin. La respuesta a este problema es

En lugar de usar como dato D es posible que tengamos la proporcin existente, p, entre el nmero total de oros y el nmero de cartas de la baraja

de modo que podemos decir que

Este ejemplo sirve para representar el tipo de fenmenos que siguen una ley de distribucin hipergeomtrica. Diremos en general que una v.a. X sigue una distribucin hipergeomtrica de parmetros, N, n y p, lo que representamos del modo, si su funcin de probabilidad es

Observacin Cuando el tamao de la poblacin (N) es muy grande, la ley hipergeomtrica tiende a aproximarse a la binomial:

El valor esperado de la hipergeomtrica es el mismo que el de la binomial,

sin embargo su varianza

no es exactamente la de la binomial, pues est corregida por un factor,

, que tiende a 1 cuando. A este factor se le denomina factor de correccin para poblacin finita. Distribucin geomtrica Est relacionada con una secuencia de ensayos de Bernoulli, excepto que el nmero de ensayos no es fijo. En consecuencia, la distribucin geomtrica hereda las caractersticas de la distribucin Binomial, a excepcin del concepto del cual se quiere calcular la probabilidad. En este caso la variable aleatoria de inters, denotada mediante X, se define como el nmero de ensayos requeridos para lograr el primer xito. Es obvio que para obtener el primer xito se debe realizar el experimento cuando menos una vez, por lo que los valores que puede tomar la variable aleatoria X son 1, 2, 3, ... , n, esto es, no puede tomar el valor cero. De acuerdo a lo anterior, podemos decir que: Una variable aleatoria X se distribuye de acuerdo con un modelo probabilstico geomtrico, si su funcin de probabilidades es:

Ejemplo Se lanza un dado hasta que aparece el nmero 6. Cul es la probabilidad de que el nmero de lanzamientos sean 3?

Solucin En este problema el xito es la aparicin del nmero 6 y la probabilidad de que salga el nmero 6 al lanzar un dado es 1/6, por lo que p = 1/6 y q = 5/6. Como nos interesa calcular la probabilidad de que el 6 aparezca en el tercer lanzamiento, entonces:

P(X = 3) = ( )3-1 ( ) = ( )2 ( ) = 0.1157

3.6 DISTRIBUCIN MULTINOMIAL En teora de probabilidad, la distribucin multinomial es una generalizacin de la distribucin binomial. La distribucin binomial es la probabilidad de un nmero de xitos en N sucesos de Bernoulli independientes, con la misma probabilidad de xito en cada suceso. En una distribucin multinomial, el anlogo a la distribucin de Bernoulli es la distribucin categrica, donde cada suceso concluye en nicamente un resultado de un nmero finito K de los posibles, con probabilidades. P1=i >0 para I entre 1 y K y Entonces sea la variable aleatoria xi, que indica el numero de veces que se ha dado el resultado (i) sobre los (n) sucesos. El vector x= (x1,,xk) sigue una distribucion multinomial con parametros n y p donde p=(p1,,pk) .

Funcin de probabilidad La funcin de probabilidad de la distribucin multinomial es como sigue:

Ejercicio 1.-De acuerdo con la teora de la gentica, un cierto cruce de conejillo de indias resultar en una descendencia roja, negra y blanca en la relacin 8 : 4 : 4. Encuentre la probabilidad de que entre 8 descendientes, a) 5 sean rojos, 2 negros y un blanco, b) 3 sean rojos y 2 sean negros. Solucin: a) n=8 x1 = 5 rojos; p1= prob. Sean rojos = 8/16 = 0.50

x2 = 2 negros; p2 = prob. Sean negros = 4/16 = 0.25 x3 = 1 blanco; p3 = prob. Sean blancos = 4/16 = 0.25 P(x1=5. x2=2, x3=1, n=8)=8!/5!2!1!(0.50)**5(0.25)**2(0.25)=0.082031 b) n=8 x1 = 3 rojos; x2 = 2 negros; x3 = 3 blancos; p1 = 0.50 p2 = 0.25 p3 = 0.25

P(x1=3, x2=2, x3=3, n=8)8!/3!2!3! (0.50)**3(0.25)**2(0.25)**3= 0.068359

3.7 DISTRIBUCION DE POISSON Es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 Investigacin sobre la probabilidad de los juicios en materias criminales y civiles). PROCESOS DE POISSON La distribucin de Poisson se aplica a varios fenmenos discretos de la naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido de tiempo o en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson incluyen: El nmero de autos que pasan a travs de un cierto punto en una ruta (suficientemente distantes de los semforos) durante un periodo definido de tiempo. 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 servidores web accedidos por minuto. El nmero de animales muertos encontrados por unidad de longitud de ruta. El nmero de estrellas en un determinado volumen de espacio. Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula a utilizar sera:

DONDE :

Ejemplos: Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado Solucin: a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera = 0, 1, 2, 3, ....., etc, etc. l = 6 cheques sin fondo por da e = 2.718 b) 10 cheques sin fondos en cualquiera de dos das consecutivos? x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos = 0, 1, 2, 3, ......, etc., etc. l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo que x. APROXIMACIN DE LA BINOMILAL POR LA DE POISSON En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero de eventos durante cierto periodo de tiempo. Fue descubierta por Simen-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches (Investigacin sobre la probabilidad de los juicios en materias criminales y civiles).

 Donde: == np = nmero esperado de xitos = tasa promedio de xitos n = nmero de repeticiones del experimento p = probabilidad de xito = p(xito) Una regla general aceptable es emplear esta aproximacin si n20 y p0.05: s n100, la aproximacin es generalmente excelente siempre y cuando np10. Ejemplos:

1. Se sabe que el 5% de los libros encuadernados en cierto taller tienen encuadernaciones defectuosas. Determine la probabilidad de que 2 de 100 libros encuadernados en ese taller, tengan encuadernaciones defectuosas, usando, a) la frmula de la distribucin Binomial, b) la aproximacin de Poisson a la distribucin Binomial. Solucin: a) n = 100 p = 0.05 = p(encuadernacin defectuosa) = p(xito) q = 0.95 = q(encuadernacin no defectuosa) = q(fracaso) x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas P(X=2,n=100,p=o.o5)=100c2(0.05)98=(4950)(0.05)2(0.95)98=0.0812 b) n = 100 encuadernaciones p = 0.05 = np = (100)(0.05)= 5 x = variable que nos define el nmero de encuadernaciones defectuosas en la muestra = = 0, 1, 2, 3,....,100 encuadernaciones defectuosas

Al comparar los resultados de las probabilidades con una y otra distribucin, nos damos cuenta de que la diferencia entre un clculo y otro es de tan solo 0.0031, por lo que la aproximacin de Poisson es una buena opcin para calcular probabilidades Binomiales. 3.9 Distribucin Binomial Negativa En estadstica la distribucin binomial negativa es una distribucin de probabilidad discreta que incluye a ladistribucin de Pascal. Si X es igual al Numero de fracasos antes de obtener K xitos, entonces la variable aleatoria X tiene por funcin de densidad: P(X=x) = funcin de densidad de la variable aleatoria binomial negativa. p = probabilidad de xito

q = probabilidad de fracaso K = cantidad de xitos x = cantidad de fracasos La probabilidad que un alumno que no entienda binomial negativa repruebe el examen es de 75% si se pide seleccionar 5 alumnos reprobados al azar calcular la probabilidad de haber tomado 3 alumnos aprobados antes de los 5 reprobados p = 0.75 q = 0.25 K=5 x=3

3.10 Distribucin uniforme discreta Es una distribucin muy sencilla que asigna probabilidades iguales a un conjunto finito de puntos del espacio. Modeliza fenmenos en los que tenemos un conjunto de n sucesos posibles, cada uno de los cuales con la misma probabilidad de ocurrir. Si aleatorizamos de forma que cada uno de stos sucesos se corresponda con un nmero natural del 1 al n obtendremos una distribucin uniforme. Tendremos un nico parmetro ; n Diremos , por tanto que x = u (n)