Академический Документы
Профессиональный Документы
Культура Документы
TECNOLGICO
SUPERIOR DE VILLA
LA VENTA.
Docente:
Jhonny de la Cruz Ventura.
Asignatura:
Probabilidad y Estadstica
aplicada al Campo Petrolera.
Joceline
Amairany
Integrantes: Dominguez Mora.
Silvia Torruco Montesino.
Ignacio Juarez Cruz.
Luis Alfredo Castellanos
Banda.
Jos
Fernando
Ruiz
Carrera:
Ing. Petrolera
3 semestre
Grupo: P
Introduccin:
En teora
de
la
probabilidad y estadstica,
la distribucin
de
probabilidad de una variable aleatoria es una funcin que asigna a cada
suceso definido sobre la variable aleatoria la probabilidad de que dicho
suceso ocurra. La distribucin de probabilidad est definida sobre el
conjunto de todos los sucesos, cada uno de los sucesos es el rango de
valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por
la funcin de distribucin, cuyo valor en cada x real es la probabilidad de
que la variable aleatoria sea menor o igual que x.
Una distribucin de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento si ste se
llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el
futuro, constituye una herramienta fundamental para la prospectiva,
puesto que se puede disear un escenario de acontecimientos futuros
considerando las tendencias actuales de diversos fenmenos naturales.
Toda distribucin de probabilidad es generada por una variable (porque
puede tomar diferentes valores) aleatoria x (porque el valor tomado es
totalmente al azar
Distribuciones De Probabilidad
Discretas
Decimos que una variable aleatoria discreta (X) tiene distribucin
uniforme cuando la probabilidad en todos los puntos de masa
probabilstica 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 til caso del lanzamiento de un
dado. Si definimos una variable aleatoria (X) como el nmero 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 distribucin
uniforme si, como es el caso, la probabilidad es la misma para cada uno
de los resultados posibles.
Funcin
grfica.
de
cuanta.
Representacin
En
nuestro
sencillo ejemplo del lanzamiento de un dado, la funcin de cuanta, es
decir, la probabilidad de que salga un resultado determinado ser:
La representacin grfica de la funcin de cuanta es muy sencilla e
inmediata. Suponiendo que x1 < x2 < x3 <.......< xk.
Distribuciones
Binomial
De
Probabilidad
Una buena parte de los fenmenos que ocurren en la vida real pueden
ser estudiados como una variable aleatoria discreta con distribucin
binomial, por lo que su estudio puede ser de gran utilidad prctica. Pero
antes de pasar a la consideracin de la Binomial, es conveniente que
nos detengamos un momento a observar el denominado proceso de
Bernouilli, fundamento de la distribucin Binomial, de Poisson y de otras
que no veremos en este curso.
cada
prueba
del
experimento
slo
son
en
los
cada
resultados
prueba
obtenidos
anteriormente.
5.La variable aleatoria binomial , X, expresa el nmero
de xitos obtenidos en las n pruebas. Por tanto, los
valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n .
La distribucin bimomial se expresa por B(n, p)
Clculo
de
probabilidades
distribucin binomial
en
una
n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.
El nmero combinatorio
Ejemplo
La ltima novela de un autor ha tenido un gran xito, hasta el
punto de que el 80% de los lectores ya la han ledo . Un grupo
de 4 amigos son afi cionados a la lectura:
1. Cul es la probabilidad de que el grupo hayan ledo la
novela 2 personas?
n = 4
p = 0.8
q = 0.2
B(4, 0.8)
2. Y cmo mximo 2?
Varianza
Desviacin tpica
Ejemplo
La probabilidad de que un artculo producido por una
fbrica sea defectuoso es 0.02. Se envi un cargamento de
10.000
artculos
esperado
de
unos
artculos
desviacin tpica.
almacenes.
defectuosos,
Hallar
la
el
nmero
varianza
la
X2 ~ P( = 2)
probabilidad
de Poisson tiene
las
siguientes
1.
2.
3.
4.
Distribuciones De Probabilidad
Hipergeometrica
Hasta ahora hemos analizado distribuciones que modelizaban
situaciones en las que se realizaban pruebas que entraaban una
dicotoma (proceso de Bernouilli) de manera que en cada experiencia la
probabilidad de obtener cada uno de los dos posibles resultados se
mantena constante. Si el proceso consista en una serie de extracciones
o selecciones ello implicaba la reposicin de cada extraccin o
seleccin , o bien la consideracin de una poblacin muy grande. Sin
embargo si la poblacin es pequea y las extracciones no se remplazan
las probabilidades no se mantendrn constantes . En ese caso las
distribuciones anteriores no nos servirn para la modelizar la situacin.
La distribucin hipergeomtrica viene a cubrir esta necesidad de
modelizar procesos de Bernouilli con probabilidades no constantes (sin
reemplazamiento) .
La distribucin hipergeomtrica 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.
Modeliza , de hecho, situaciones en las que se repite un nmero
determinado de veces una prueba dicotmica de manera que con cada
sucesivo resultado se ve alterada la probabilidad de obtener en la
siguiente prueba uno u otro resultado. Es una distribucin .fundamental
en el estudio de muestras pequeas de poblaciones .pequeas y en el
clculo de probabilidades de, juegos de azar y tiene grandes
aplicaciones en el control de calidad en otros procesos experimentales
en los que no es posible retornar a la situacin de partida.
La distribucin hipergeomtrica puede derivarse de un proceso
experimental puro o de Bernouilli con las siguientes caractersticas:
El proceso consta de n pruebas , separadas o separables de
entre un conjunto de N pruebas posibles.
Cada una de las pruebas puede dar nicamente dos resultados
mutuamente excluyentes: A y no A.
as
Veamos:
Hay un total de
tipo
A
y
n-x
del
tipo
,
si partimos de una poblacin formada por Np elementos del tipo A y Nq
elementos del tipo
Moda de la distribucin
hipergeomtrica
De manera anloga a como
se obtena la moda en la
distribucin binomial es fcil
obtener la expresin de sta para la distribucin hipergeomtrica. De
manera que su expresin X0 sera la del valor o valores enteros que
verificasen.
Distribuciones De Probabilidad
Continuas
de
o
o
Para indicar que una variable aleatoria (v.a.) sigue una distribucin
normal de media y desviacin estndar usaremos la expresin: X
N(,).
En probabilidad y estadstica,
la distribucin
t (de
Student)
es
una distribucin
de
probabilidad que
surge
del
problema
de estimar la media de una poblacin normalmente distribuida cuando
el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la
determinacin de las diferencias entre dos medias muestrales y para la
construccin del intervalo de confianza para la diferencia entre las
medias de dos poblaciones cuando se desconoce la desviacin tpica de
una poblacin y sta debe ser estimada a partir de los datos de una
muestra.
Caracteristicas :
La distribucin t de Student es la distribucin de probabilidad del
cociente
donde
Z es una variable aleatoria distribuida segn una normal tpica (de
media nula y varianza 1).
V es una variable aleatoria que sigue una distribucin con
grados de libertad.
Z y V son independientes
Chi-Cuadrada
Distribuciones de probabilidad F
Fisher
La distribucin F de Fisher es una distribucin que depende de dos
parmetros. Es una distribucin que aparece, con frecuencia, como
distribucin de un estadstico de test, en muchos contrastes de hiptesis
bajo las suposiciones de normalidad. Por ejemplo, todos los contrastres
ANOVA (Ver Herbario de tcnicas).
Distribuciones de probabilidad
Gama
Se le conoce, tambin, como una generalizacin de la distribucin
exponencial, adems de la distribucin de Erlang y la distribucin Jicuadrada [8]. Es una distribucin de probabilidad continua adecuada
para modelizar el comportamiento de variables aleatorias con asimetra
positiva y/o los experimentos en donde est involucrado el tiempo.
Definicin 2.2 Una variable aleatoria tiene una distribucin gamma si su
funcin de densidad est dada por:
Distribuciones de probabilidad
Weibull
Su varianza vale:
donde
(x)
representa
anteriormente.
la funcin
Gamma
de
Euler definida
Dnde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
s=
Ejemplos:
1.
La probabilidad de que un paciente se recupere de una rara
enfermedad de la sangre es de 0.4. Si se sabe que 100 personas
han contrado esta enfermedad, Cul es la probabilidad de que: a)
al menos 30 sobrevivan?, b) ms de 46 sobrevivan?, c) menos de
50 no sobrevivan?
Solucin:
a)
n = 100
p = p(paciente se recupere) = 0.40
q = p(paciente no se recupere) = 1 p = 1 0.40 = 0.60
X = 29.5
m = 40
p( z = -2.14) =0.4838
p(x 30 ) = p(z = -2.14) +0.5 = 0.4838 + 0.5 = 0.9838
a)
p( z = -2.14) = 0.4838
p(x < 50) = 0.5 p(z = -2.14) = 0.5 0.4838 = 0.0162
Conclusiones:
Con los grandes avances tecnolgicos hemos ahorrado tiempo para el
anlisis estadstico, sin embargo la comprensin de la lgica que se
utiliza para llegar a la resolucin del mismo es algo que nos ha llevado a
este estudio.
Con el desarrollo de este proyecto y gracias a la comprensin de
conceptos entendimos que es una poderosa herramienta
estadstica que bien aplicada nos podr ayudar a facilitar los
clculos para la solucin de problemas. Lo cual contina con el
propsito esencial: Ahorro de costos y mejora continua en cualquier
mbito en que nos desarrollemos.
Aprendimos que no es limitativa el rea en que nos desempeemos en
nuestro trabajo ya que tanto en
Ingeniera como Materiales, en
Recursos Humanos como en un Negocio Propio, en Comercio o en
Industria, o bien por puro pasatiempo en el panorama de la
probabilidad estadstica, estas herramientas sern siempre de gran
utilidad.
Para esta presentacin aprendimos la aplicacin y manejo de las
Distribuciones de Probabilidades ms comunes, la Binomial, la de
Poisson y finalmente la distribucin Normal as como todas las que se
vio a lo largo de este trabajo.
Bibliografa:
http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private
/002APROXIMACION%20%20DE%20%20LA%20%20NORMAL%20%20A
%20%20LA%20%20BINOMIAL.htm
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
https://mx.search.yahoo.com/search?
fr=mcafee&type=C214MX662D20160124&p=2.1.3+Distribuciones+de+
Probabilidad+Hipergeometrica+-+See+more+at%3A+http%3A%2F
%2Fwww.mitecnologico.com%2Fipe%2FMain
%2FProbabilidadYEstadisticaAplicadaAlCampoPetrolero
%23sthash.J8DJOtuq.dpuf
https://www2.ulpgc.es/hege/almacen/download/4/4759/Tema_1.pdf
Ejercicios
.
p
1/36
2/36
3/36
4 /36
5/36
6/36
5/36
4 /36
3/36
2/36
1/36
xp
2/36
6/36
12/36
20/3 6
30/36
42/36
40/36
36/36
30/36
22/36
12/36
x 2 pi
4/36
18/36
48/36
100/36
180/36
294/36
320/36
324/36
300/36
242/36
144/36
7
54.83
2. Y como maximo 2?
Por lo tanto:
Los valores de X son 2,97 y 5,03. Por lo tanto, las personas con
ingresos superiores a 2,97 millones de ptas. e inferiores a 5,03
millones de ptas. constituyen el 60% de la poblacin con un nivel
medio de renta.