Академический Документы
Профессиональный Документы
Культура Документы
CAMPECHE
INGENIERIA EN SISTEMAS COMPUTACIONALES
INVESTIGACION DOCUMENTAL
TRABAJO #1
UNIDAD: 3
TI.
PROBABILIDAD Y ESTADISTICA
GRUPO: MS2
INDICE
UNIDAD 3.- MODELOS ANALITICOS DE FENOMENOS ALEATORIOS.....................4
Competencias Especficas a desarrollar..................................................................................4
INVESTIGACION DOCUMENTAL.....................................................................................4
LA DISTRIBUCIN BINOMIAL...............................................................................12
INTRODUCIN, PROPIEDADES, FUNCIN DE PROBABILIDAD (MODELO
MATEMATICO)...............................................................................................................12
CARACTERISTICAS (FORMAS, MEDIA, DESVIACIN, ESTANDAR), USO DE
LAS TABLAS...................................................................................................................14
Distribucin hipergeometrica................................................................................................14
LA DISTRIBUCIN DE POISSON....................................................................................15
INTRODUCIN:..............................................................................................................15
CARACTERICAS (FORMA, MEDIA, DESVIACIN, ESTANDAR), USO DE LAS
TABLAS...........................................................................................................................15
FUNCIN DE PROBABILIDAD (MODELO MATEMATICO)....................................15
VARIABLES ALEATORIAS CONTINUAS:......................................................................17
LA DISTRIBUCIN NORMAL DE PROBABILIDADES:...............................................17
ANTECEDENTES............................................................................................................17
CARACTERISTICAS DE LA DISTRIBUCIN NORMAL DE PROBABILIDAD.....18
2
INVESTIGACION DOCUMENTAL
QUE ES EXACTAMENTE EL AZAR?
La definicin adecuada del azar es un problema difcil, as como tambin lo es un
tratamiento adecuado de la aleatoriedad. Podemos encontrar varios conceptos relacionados,
pero no todos son intercambiables ni todos implican aleatoriedad:
Azar como encuentro accidental. Esta situacin se considera azar porque los
procesos que coinciden son independientes, no hay relacin causal entre ellos,
aunque cada uno pueda ser por su parte estrictamente determinista. Un ejemplo
sera un eclipse que coincide con la entrada de un cometa en el sistema solar. Este
tipo de azar es compatible con el determinismo de un mundo mecanicista.
El clculo de probabilidades nos da las leyes de un sistema que se puede clasificar como
aleatorio, por lo que de alguna manera es un clculo determinista, se opone al azar aunque
de forma diferente a las teoras mecanicistas clsicas. Mientras que stas se refieren al
determinismo de objetos individuales, las probabilidades se refieren al determinismo de
conjuntos. La explicacin probabilista no presupone el azar en la base de la ciencia, ya que
puede ser simplemente una muestra de nuestra ignorancia.
Las matemticas se ocupan del azar por medio de las diversas teoras de probabilidad. El
ordenamiento estadstico es una forma de tratar matemticamente la naturaleza y el
hombre, como si fuesen datos aleatorios pero sin que lo sean necesariamente. As se intenta
prever y controlar en lo posible los fenmenos complejos.
0 < p(xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0 y
1).
X2
X3
f(X1)
f(X2 )
f(X3)
x =
Las nociones de distribuci conjunta, variables aleatorias independientes y funciones de
variables aleatorias se extiende directamente al caso general. Se puede demostrar que si X y
Y estan definidas en el mismo espacio muestral S si var (X) y var(Y), existen, entoces las
series.
EJEMPLOS:
Inventario en un almacn.
Nmero de artculos defectuosos de una muestra.
El nmero de accidentes por ao en una carretera.
Distribuciones de probabilidad discreta, son aquellas que manejan variables aleatorias
discretas.
6
F(x) > 0 (la funcin es no negativa para cualquier valor de x, f(x) no es una
probabilidad, y puede valer ms de 1).
f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1, el rea
bajo la curva de la funcin vale 1).
Sea una v.a. X de tipo discreto que toma un n finito o infinito numerable de valores x1,
x2, ..., xr y cuya distribucin de probabilidad es P(x). Se define la funcin de distribucin
acumulativa de la v.a. X, F(x), como la probabilidad de que la v.a. X tome valores menores
o iguales que x, es decir:
Representando la suma de las probabilidades puntuales hasta el valor x inclusive de la v.a.
X.
La funcin de distribucin de una v.a. discreta es una funcin que verifica:
Se puede decir por tanto que una v.a. X discreta, est caracterizada por su funcin de
probabilidad o distribucin de probabilidad P(x) y tambin por su funcin de distribucin
F(x).
Acumulada o funcin de densidad:
La funcin de densidad se utiliza en estadstica con el propsito de conocer cmo se
distribuyen las probabilidades de un evento en relacin al resultado del evento. En este caso
se llama funcin de densidad de probabilidad.
Matemticamente la FDP (funcin densidad de probabilidad) es la derivada de la funcin
distribucin de probabilidad.
Las propiedades de FDP (a veces visto como PDF del ingls) son:
FDP(x)
0.
acumulativa de la v.a. X, F(x), como la probabilidad de que la v.a. X tome valores menores
o iguales que x, es decir:
Representando la suma de las probabilidades puntuales hasta el valor x inclusive de la v.a.
X.
La funcin de distribucin de una v.a. discreta es una funcin que verifica:
Se puede decir por tanto que una v.a. X discreta, est caracterizada por su funcin de
probabilidad o distribucin de probabilidad P(x) y tambin por su funcin de distribucin
F(x).
pero como habr valores por encima y por debajo de la media que se compensarn,
calcularemos mejor el cuadrado de las diferencias. Se define as varianza de una variable
estadstica, como la media de los cuadrados de las desviaciones de sus valores respecto a su
media. Se representa por s2:
Se distingue aqu entre los casos de variable estadstica y variable aleatoria. En el primer
caso, tendremos una serie de valores concretos, de los que vamos a calcular su varianza, la
varianza muestral. La frmula es la que se acaba de expresar. En el caso de variable
aleatoria, estaremos calculando una varianza estimada, ya que no estamos tomando
muestras de un conjunto de datos inmenso y por lo tanto la media y varianza son estimadas,
no conocidas. La expresin que la define cambia en un pequeo detalle: en vez de dividir el
resultado de la suma entre (n-1), se divide entre (n), as:
Al igual que con la varianza, se distinguen los casos de variables aleatorias y estadsticas.
En esta frmula se expresa tambin la desviacin tpica muestral, que es la que usaremos.
Sea una variable aleatoria X, se define:
10
Varianza
de
a:
V(X)
E(X
E(X)
Desviacin
Estndar
de
X
a:
La raz de la varianza, la desviacin estndar, indica la variacin de la variable aleatoria con
respecto a su valor esperado, denotando tambin el nivel de homogeneidad de los valores.
EMV
(ALTERNATIVA i )
=
*
+
*
11
MERCADO
MERCADO
EMV
NO
FAVORABLE
CALCULADO
FAVORABLE
ALTERNATIVAS
($)
($)
($)
-------------------------
---------------
------------
--------------
-180.000
10.000
PEQUEA
FACILIDAD
100.000
-20.000
40.000
SIN FACILIDAD
-------------------------
----------------
------------
--------------
PROBABILIDADES
.50
.50
-------------------------
----------------
-------------
--------------
=(.50) ($200.000)
= $10.000
=
(.50)
=$0
($0)
(.50)
+
+
(-$180.000)
(.50)
(-$20.000)
(.50)
($0)
12
LA DISTRIBUCIN BINOMIAL
INTRODUCIN, PROPIEDADES, FUNCIN DE PROBABILIDAD (MODELO
MATEMATICO)
La distribucin binomial es una distribucin de probabilidades que surge al cumplirse
cinco condiciones:
1
Frmula binomial:
Probabilidad de r xitos en n ensayos = n! / [r! (n - r)!] pr qn - r
p = probabilidad caracterstica o probabilidad de tener xito
q = 1 - p = probabilidad de fracaso
r = nmero de xitos deseados
n = nmero de intentos hechos
Generalizaciones:
Las probabilidades para 0,3, por ejemplo, son las mismas para 0,7, excepto que los
valores de p y q estn invertidos. Esto es cierto para cualquier pareja de valores p y
q complementarios.
Distribucin hipergeometrica
En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta
relacionada con muestreos aleatorios y sin reemplazo. 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 hipergeomtrica mide la probabilidad de obtener x (
) elementos
de la categora A en una muestra sin reemplazo de n elementos de la poblacin original.
LA DISTRIBUCIN DE POISSON
INTRODUCIN:
La distribucin de Poisson se utiliza para describir cierto tipo de procesos, entre los que se
encuentran la distribucin de llamadas telefnicas que llegan a un conmutador, la demanda
(necesidades) de los pacientes que requieren servicio en una institucin de salud, las
llegadas de camiones a una caseta de cobro y el nmero de accidentes registrados en una
cierta interseccin de calles. Estos ejemplos tienen en comn un elemento: pueden ser
descritos mediante una variable aleatoria discreta que toma valores enteros (0, 1, 2...).
CARACTERICAS (FORMA, MEDIA, DESVIACIN, ESTANDAR), USO DE LAS
TABLAS
Caractersticas de los procesos que producen una distribucin de probabilidad de
Poisson.
15
El promedio (la media) del nmero de eventos que se producen por hora, puede
estimarse a partir de datos que se tengan disponibles.
16
Para calcular probabilidades acumuladas, del tipo P(X > x), P(X < x) o P(x < X <
x), tambin existen valores tabulados en textos especializados.
17
18
19
Las tablas estadsticas indican porciones del rea bajo la curva normal que estn contenidas
dentro de cualquier nmero de desviaciones estndar (ms, menos) a partir de la media.
No es posible ni necesario tener una tabla distinta para cada curva normal posible. En lugar
de ello, podemos utilizar una distribucin de probabilidad normal estndar para encontrar
reas bajo cualquier curva normal. Con esta tabla podemos determinar el rea o la
probabilidad de que la variable aleatoria distribuida normalmente est dentro de ciertas
distancias a partir de la media. Estas distancias estn definidas en trminos de desviaciones
estndar.
Para cualquier distribucin normal de probabilidad, todos los intervalos que contienen el
mismo nmero de desviaciones estndar a partir de la media contendrn la misma fraccin
del rea total bajo la curva para cualquier distribucin de probabilidad normal.
20
El rea total bajo la curva normal ser de 1.00 por lo cual podemos considerar que las reas
bajo la curva son probabilidades.
EL MODELO MATEMATICO
La funcin matemtica que se usa como modelo es
e = 2.71
= 3.14
x = media de la poblacin
x = desviacin estndar de la poblacin
x = un valor de la variable continua
Como e y son constantes, la forma de la curva normal depende solamente de los dos
parmetros de la distribucin normal, la media x y la desviacin estndar x
Las diferentes curvas normales van a variar dependiendo de esos dos parmetros.
En matemticas, la ecuacin de la curva normal se puede representar visualmente como una
curva en forma de campana. El rea debajo de esta curva se halla por medio del integral de
la funcin y corresponde al porciento o la proporcin de puntuaciones que se encuentran en
el intervalo dado.
Uso de la tabla de distribucin de probabilidad normal estndar.
En esta tabla, el valor z est derivado de la frmula:
z = (x - ) /
en la que:
21
22
23
24
Estos elementos son slo orientativos, y proporcionan un primer indicio para iniciar la
bsqueda del modelo ms apropiado
La distancia entre barras consecutivas es:
Por tanto, para que la suma de las reas de los rectngulos entre barras consecutivas sea 1,
es suficiente multiplicar por la inversa de la distancia entre barras consecutivas; es decir, a
cada x j , le asignamos :
25
BIBLIOGRAFIA
http://es.wikipedia.org/wiki/Valor_esperado"
http://personal5.iddeo.es/ztt/Tem/t18_variable_aleatoria_discreta.htm
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_distribuci%C3%B3n
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
http://personal5.iddeo.es/ztt/Tem/t18_variable_aleatoria_discreta.htm
http://www.virtual.unal.edu.co/cursos/sedes
%5Cmanizales/4060015/Lecciones/Capitulo%20I/vme.htm
http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm
http://www.terra.es/personal2/jpb00000/tdbinomial.htm
http://es.wikipedia.org/wiki/Proceso_de_Poisson
http://www.gestiopolis.com/recursos/experto/catsexp/pagans/eco/44/distripoisson.ht
m
26