Академический Документы
Профессиональный Документы
Культура Документы
El presente informe está hecho para aprender más acerca de cálculos de probabilidades,
en el presente veremos dentro de las variables discretas la SIMÉON-DENIS POISSON
en el cual trataremos los temas: Distribución de Poisson, Cálculo de probabilidades
mediante la distribución de Poisson. Distribución Hipergeométrica, luego en variables
continuas: Distribución “t” de student, Intervalos de confianza derivados de la
distribución t de Student, DISTRIBUCION JI-CUADRADA (X2), DISTRIBUCION "F"
FISHER.
1
INDICE
2
TIPOS DE VARIABLE
1. VARIABLE DISCRETA:
1.1SIMÉON-DENIS POISSON
Matemático, astrónomo y físico francés. Nació en la ciudad de Pithiviers el
21 de junio de 1781. Huérfano a los 15 años, fue acogido por su tío, cirujano
militar en Fontainebleau, quien trató de iniciarlo en la profesión. Inicialmente
su formación se orientó hacia la cirugía, pero Poisson se dio cuenta de que no
poseía condiciones para esta profesión que tampoco le llamaba mucho la
atención. Es entonces cuando descubre su interés por las matemáticas y
consigue ingresar en el año 1798 en la École Polytechnique (Escuela
Politécnica) de París, siendo alumno de Lagrange y Laplace, profesores en
quienes encuentra la fuente para aprender los conceptos matemáticos y el
apoyo para progresar profesionalmente.
Dos años después de su ingreso como alumno, en 1800, Poisson es nombrado repetidor,
dos años más tarde profesores suplentes y en 1806 ya es profesor titular de la Escuela
Politécnica en sustitución de otro grande de la física y la matemática Jean Baptiste Joseph
Fourier.
Es aquí comienza una importante carrera, destacada por honores y reconocimientos. . En
1808 ingresa como astrónomo en el Bureau des Longitudes y un año más tarde es
nombrado catedrático de mecánica racional de la Facultad de Ciencias de la Sorbona. En
1812 ingresa en la Academia de Ciencias, en 1820 en el Consejo Real de Instrucción
Pública, desde donde dirige la enseñanza de las matemáticas en todos los colegios de
Francia. En 1827 es nombrado geómetra del Bureau des Longitudes en sustitución de
Laplace y en 1837 el rey Luís Felipe de Orleans le nombra par de Francia como
representante de la ciencia francesa.
Publicó entre 300 y 400 trabajos matemáticos incluyendo aplicaciones a la electricidad y
el magnetismo y la astronomía. Su nombre es asociado a un área extensa de ideas, por
ejemplo: Integral de Poisson, Teoría de ecuaciones de potencia de Poisson, Avances de
Poisson en ecuaciones diferenciales, La razón de la probabilidad de Poisson y La
constante en electricidad de Poisson.
Poisson dedicó su vida a la investigación y enseñanza de las matemáticas. De su mano
surgieron numerosas memorias con aportaciones originales en muchos campos. Y una
3
serie de tratados con los que pretendió formar una gran obra de física matemática que no
llegó a concluir.
Fue considerado por sus contemporáneos un gran científico y un excelente profesor pero
también una persona obstinada y con excesivo amor propio, dado a discusiones y
controversias. Entre ellas, podemos citar (Pajares, 1955) la mantenida con Laplace sobre
la teoría de la capilaridad; con Fourier sobre la teoría del calor y con Fresnel, sobre la
teoría ondulatoria. O el rechazo, junto con Lacroix, de la memoria presentada por Galois
sobre las condiciones “para que una ecuación de grado primo sea resoluble por radicales”
que tanta trascendencia ha tenido en el desarrollo de la matemática.
Poisson muere en 1840, en Sceaux (near Paris), Francia siendo miembro de la Academia
de Ciencias de París.
1.1.1Distribución de Poisson
lx . e-l
P(x) = x!
x! = x factorial.
4
Ejemplo :
Ejemplo:
Supóngase que estamos investigando la seguridad en la labor ciega A-32 de la mina
“COIMOLACHE”. Los registros del jefe de seguridad indican una media de cinco
accidentes por mes en la labor. El número de accidentes está distribuido conforme a la
distribución de Poisson, y, la división de seguridad en minas, quiere calcular la
probabilidad de exactamente 0,1,2,3 y 4 accidentes en un mes determinado.
P(0) = 0.00674
P(1) = 0.03370
P(2) = 0.08425
P(3) = 0.14042
P(3 o menos) = 0.26511
5
1.1.3Distribución Hipergeométrica
La distribución hipergeométrica es una distribución discreta que modela
el número de eventos en una muestra de tamaño fijo cuando usted conoce
el número total de elementos en la población de la cual proviene la
muestra. Cada elemento de la muestra tiene dos resultados posibles (es un
evento o un no evento). Las muestras no tienen reemplazo, por lo que cada
elemento de la muestra es diferente. Cuando se elige un elemento de la
población, no se puede volver a elegir. Por lo tanto, la probabilidad de que
un elemento sea seleccionado aumenta con cada ensayo, presuponiendo
que aún no haya sido seleccionado.
Ejemplo:
Considerando que en el almacén de una mina un total de 10 máquinas de trasporte que
aún no han sido utilizadas, se sabe que 3 de ellas tienen alguna falla. Si de seleccionan 4
máquinas al azar, ¿cuál es la probabilidad de que 2 sean defectuosas?
N = 10 máquinas en total.
a = 3 máquinas defectuosas.
n = 4 máquinas seleccionados en muestra.
x = 2 máquinas defectuosas deseadas en la muestra.
6
Ejemplo:
Para evitar que lo descubran un obrero ha colocado 6 sacos de ANFO en una camioneta
que contiene 9 sacos de UREA que son similares en apariencia. Si el encargado de
seguridad de la mina selecciona 3 sacos aleatoriamente para analizarlos,
a) ¿Cuál es la probabilidad de que el obrero sea arrestado por posesión de propiedad de
la mina?,
b) ¿Cuál es la probabilidad de que no sea arrestado por tener pertenencia de la mina?
Solución:
N = 9+6 =15 total de sacos
a = 6 sacos de UREA
n = 3 sacos seleccionados
x = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número de tabletas de
narcótico que se puede encontrar al seleccionar las 3 tabletas
a) P (obrero sea arrestado por posesión de pertenencia de la mina) = P (de que entre las
3 tabletas seleccionadas haya 1 o más tabletas de narcótico)
7
2. VARIABLE CONTINUA
Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no se
puede contar.
Las probabilidades de las variables aleatorias continuas (X) se definen como el área
por debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener
una probabilidad diferente de cero. La probabilidad de que una variable aleatoria
continua equivalga a algún valor siempre es cero.
2.1 Distribución “t” de student
Supóngase que se toma una muestra de una población normal con media µ y varianzaα
Si es el promedio de las n observaciones que contiene la muestra
aleatoria, entonces la distribución es una distribución normal
estándar. Supóngase que la varianza de la población α2 La
distribución t proporciona la respuesta a esta pregunta.
La media y la varianza de la distribución t son
8
Esta se conoce como la distribución t con grados de libertad. Sean X1, X2, . . ., Xn
variables aleatorias independientes que son todas normales con media y desviación
estándar. Entonces la variable aleatoria tiene una distribución t con = n-1 grados de
libertad La distribución t difiere de la de Z en que la varianza de t depende del tamaño de
la muestra y siempre es mayor a uno. Unicamente cuando el tamaño de la muestra tiende
a infinito las dos distribuciones serán las mismas.
Se acostumbra representar con el valor t por arriba del cual se encuentra un área igual a.
Como la distribución t es simétrica alrededor de una media de cero, tenemos es decir, el
valor t que deja un área de a la derecha y por tanto un área de a la izquierda, es igual al
valor t negativo que deja un área de en la cola derecha de la distribución. Esto es, t0.95 =
-t0.05, t0.99=-t0.01, etc.
Para encontrar los valores de t se utilizará la tabla de valores críticos de la distribución t
del libro Probabilidad y Estadística para Ingenieros de los autores Walpole, Myers y
Myers.
Ejemplo:
Encuentre la probabilidad de –t0.025 < t < t0.05.
Solución:
Es este resultado el que se utiliza en el test de Student: puesto que la diferencia de las
medias de muestras de dos distribuciones normales se distribuye también normalmente,
la distribución t puede usarse para examinar si esa diferencia puede razonablemente
suponerse igual a cero.
9
tS
x valores extremos X
n
Ejemplo:
Se desea obtener un intervalo de confianza al 99% para el tiempo medio requerido para
desarrollar una prueba de manejo de perforadoras a los aspirantes a perforistas de la
mina “Coimolache S.A.C”.
Para ello se elige una muestra aleatoria de 16 aspirantes, la que produce una media de
13 y una desviación estándar de 5.6 minutos.
Soluciòn:
Confianza al 99% con (n-1) grados de libertad.
GL=16 - 1=15
α = 1% = 0.01
n= 16
=13 minutos
S = 5.6 minutos
tcrítico = 2,947 (valor que se obtiene de la tabla, para G.L. = 15)
Xvalores extremos 13
(2,947)(5,6)
xi 13
16,50 xi 13 4,12
16 4
x1 8,88 x2 17,12
I = [8,88 17,12]
Tiempo medio requerido para desarrollar la prueba de manejo será entre 8.88 y
17.12 minutos con una certeza del 99%
10
2.2DISTRIBUCION JI-CUADRADA (X2)
tiene una distribución muestral que es una distribución ji-cuadrada con gl=n-1 grados de
libertad y se denota X2 (X es la minúscula de la letra griega ji). El estadístico ji-cuadrada
está dado por:
11
La función de densidad de la distribución X2 esta dada por:
La tabla que se utilizará para estos apuntes es la del libro de probabilidad y estadística de
Walpole, la cual da valores críticos (gl) para veinte valores especiales de. Para denotar el
valor crítico de una distribución X2 con gl grados de libertad se usa el símbolo (gl); este
valor crítico determina a su derecha un área de bajo la curva X2 y sobre el eje horizontal.
Por ejemplo, para encontrar X20.05(6) en la tabla se localiza 6 gl en el lado izquierdo y
a lo largo del lado superior de la misma tabla
Cálculo de Probabilidad
El cálculo de probabilidad en una distribución muestral de varianzas nos sirve para saber
cómo se va a comportar la varianza o desviación estándar en una muestra que proviene
de una distribución normal.
Ejemplo:
Suponga que los tiempos requeridos por un cierto scooptram para alcanzar un de sus
destinos unos echaderos grandes, forman una distribución normal con una desviación
estándar =1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.
Solución:
Primero se encontrará el valor de ji-cuadrada correspondiente a s2=2 como sigue:
12
El valor de 32 se busca adentro de la tabla en el renglón de 16 grados de libertad y se
encuentra que a este valor le corresponde un área a la derecha de 0.01. En consecuencia,
el valor de la probabilidad es P(s2>2)
Aquí se tienen que buscar los dos valores en el renglón de 24 grados de libertad. Al buscar
el valor de 13.846 se encuentra un área a la derecha de 0.95. El valor de 42.98 da un área
a la derecha de 0.01. Como se está pidiendo la probabilidad entre dos valores se resta el
área de 0.95 menos 0.01 quedando 0.94. Por lo tanto la P(3.462 s2 10.745) = 0.94
13
Estimación de la Varianza Para poder estimar la varianza de una población normal se
utilizará la distribución ji-cuadrada.
14
2.3DISTRIBUCION "F" FISHER
15
La variable aleatoria F es no negativa, y la distribución tiene un sesgo hacia la derecha.
La distribución F tiene una apariencia muy similar a la distribución ji-cuadrada; sin
embargo, se encuentra centrada respecto a 1, y los dos parámetros proporcionan una
flexibilidad adicional con respecto a la forma de la distribución. Si s12 y s22 son las
varianzas muestrales independientes de tamaño n1 y n2 tomadas de poblaciones normales
con varianzas 12 y 22, respectivamente, entonces:
Para manejar las tablas de Fisher del libro de Introducción a la Inferencia Estadística del
autor Güenther, se tendrá que buscar primero los grados de libertad dos para luego
localizar el área correspondiente, relacionándola con los grados de libertad uno, para
calcular el valor de F.
El valor de 30.4 es el correspondiente a una Fisher que tiene 3 grados de libertad uno y 6
grados de libertad dos con un área de cero a Fisher de 0.995. Si lo vemos gráficamente
16
Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su forma depende
de dos variables que son los grados de libertad.
Ejemplo :
Encontrar el valor de F, en cada uno de los siguientes casos:
El área a la derecha de F, es de 0.25 con =4 y =9.
El área a la izquierda de F, es de 0.95 con =15 y =10.
El área a la derecha de F es de 0.95 con con =6 y =8.
El área a la izquierda de F, es de 0.10 con con =24 y =24
Solución:
Como el área que da la tabla es de cero a Fisher, se tiene que localizar primero los grados
de libertad dos que son 9, luego un área de 0.75 con 4 grados de libertad uno.
En este caso se puede buscar el área de 0.95 directamente en la tabla con sus respectivos
grados de libertad.
Se tiene que buscar en la tabla un área de 0.05, puesto que nos piden un área a la derecha
de F de 0.95
17
Se busca directamente el área de 0.10, con sus respectivos grados de libertad.
Solución:
Primero se establecen los grados de libertad. Como en el numerador está la población uno
y en el denominador la población dos, entonces los grados de libertad uno equivalen a
10-1=9 y los grados de libertad dos a 20-1=19.
Se procede a ir a la tabla a buscar los grados de libertad dos que son 19 y se observa que
no están, por lo tanto se tiene que interpolar entre 15 y 20 grados de libertad, buscando el
valor de fisher que quedaría
Este valor de 2.42 se busca en la columna de 9 grados de libertad uno, con 15 grados de
libertad dos, y se encuentra los siguiente:
Al interpolar entre estos dos valores nos queda un área de 0.933.Se procede a hacer lo
mismo pero con 20 grados de libertad dos
18
Al interpolar entre estos dos valores nos queda un área de 0.9516.Ahora ya se tienen las
dos áreas referentes a los grados de libertad dos, por lo que se interpolará para ver cuánto
le corresponde a los grados libertad dos con un valor de 19.
Al interpolar nos queda que para 9 grados de libertad uno y 19 grados de libertad dos con
un valor de Fisher de 2.42 el área a la izquierda es de 0.9478
Si s12 y s22 representan las varianzas de las muestras aleatorias independientes de tamaño
n1= 25 y n2 = 31, tomadas de poblaciones normales con varianzas 12 =10 y 22 = 15,
respectivamente, encuentre P(s12/s22 > 1.26).
Solución:
Calcular el valor de Fisher:
19
Intervalo de Confianza para el Cociente de Varianzas de Dos Distribuciones Normales
Supóngase que se tienen dos poblaciones normales e independientes con varianzas
desconocidas 12 y 22, respectivamente. De este par de poblaciones, se tienen disponibles
dos muestras aleatorias de tamaños n1 y n2, respectivamente, sean s12 y s22 las dos
varianzas muestrales. Se desea conocer un intervalo de confianza del 100() por ciento
para el cociente de las dos varianzas, 12/22.
20