Escolar Documentos
Profissional Documentos
Cultura Documentos
SUPERIOR DE TEPOSCOLULA
PROBABILIDAD Y ESTADISTICA
TEMAS:
CONCLUSION ----------------------------------------------------------------------------------- 24
BIBLIOGRAFIA ---------------------------------------------------------------------------------- 25
2
INTRODUCCIÓN
En la vida cotidiana sin darnos cuenta nos enfrentamos a situaciones en las cuales
existen sucesos difíciles de cuantificar, es en este caso cuando hacemos uso de
las Técnicas de Conteo, sin embargo, en los temas vistos anteriormente durante el
curso hemos visto técnicas que no son muy complejas, pero a como avanza el
curso se muestran técnicas cada vez más complicadas es por eso que para
entender un poco mejor en qué consisten estas técnicas se realizó la siguiente
investigación.
Primero que nada queda claro que en esta unidad hemos trabajado utilizando
términos como lo que son las variables y estas se pueden entender como términos
que no tienen bien definido su valor, es decir, puede tomar diferentes valores
dependiendo de la situación en la que nos encontremos.
A lo largo de cada uno de estos temas se hará mención de las diferentes medidas
de tendencia central, así como sus propiedades, características y lo principal cada
una de sus formulas .
3
2.8 Variables aleatorias conjuntas.
DISTRIBUCIONES DE PROBABILIDAD CONJUNTA
Caso discreto
Definición
Sean X, Y: variables aleatorias discretas. Entonces su función de distribución de
probabilidad conjunta es f(x,y)
Esta función satisface las siguientes propiedades
1) xy (f(x,y)0)
2) f ( x, y) 1
x y
3) P(X=x,Y=y) = f(x,y)
También se puede definir la distribución de probabilidad acumulada conjunta:
Caso continuo
Definición
Sean X, Y: dos variables aleatorias continuas, entonces su función de densidad conjunta
es f(x,y)
Esta función satisface las siguientes propiedades
1) f(x,y)0, x, y
2) f (x, y)dxdy 1
d b
3) P(aXb, cYd) = f (x, y)dxdy
c a
La función de densidad de probabilidad de dos variables aleatorias continuas
X, Y, es una superficie en el espacio.
4
DISTRIBUCIONES MARGINALES DE PROBABILIDAD
Estas definiciones corresponden a funciones de probabilidad de cada variable.
Definición
g(x)=P(X=x)= f ( x , y)
y
h(y)=P(Y=y)= f ( x , y)
x
g(x)= f (x, y)dy
h(y)= f (x, y)dx
5
DISTRIBUCIONES CONDICIONALES DE PROBABILIDAD
Recordemos la fórmula de probabilidad condicional para eventos
P(A|B) = P(AB)/P(B)
Si definimos los eventos
A: X=x
B: Y=y
Siendo X, Y variables aleatorias discretas con distribución de probabilidad conjunta f(x,y),
entonces,
P( X x, Y y)
P(X=x|Y=y) =
P( Y y)
Que se puede expresar con la notación establecida para las distribuciones conjuntas:
f ( x , y)
f(x|y) =
h( y)
f(x|y) también satisface las propiedades de las funciones de probabilidad
Definición
Sean X, Y variables aleatorias discretas con distribución de probabilidad f(x,y)
Entonces, la distribución condicional de X dado que Y=y, es
f ( x , y)
f(x|y) =
h( y)
Y la distribución condicional de Y dado que X=x, es
f ( x , y)
f(y|x) = .
g(x )
Definición
Sean X, Y variables aleatorias continuas con densidad de probabilidad f(x,y)
Entonces, la densidad condicional de X dado que Y=y, es
f ( x , y)
f(x|y) =
h( y)
Y la densidad condicional de Y dado que X=x, es
f ( x , y)
f(y|x) = .
g( x )
6
Definición
En el caso de variables aleatorias discretas, para que esta definición sea cierta, debe
cumplirse que en cada punto, el producto de las distribuciones marginales sea igual a la
distribución conjunta .
Definición
Si X, Y son variables aleatorias discretas . La media o valor esperado de G(X,Y), es
G( X , Y ) EG( X, Y) G( x, y)f ( x, y)
X Y
Si G(X,Y) = X
X EX xf(x, y) x f (x, y) xg(x )
X Y x y x
Si G(X,Y) = Y
Y EY yf ( x, y) y f ( x, y) yh( y) .
X Y y x y
Si G(X,Y) = X
X EX xg(x)dx
Si G(X,Y) = Y
Y EY yh( y)dy .
7
COVARIANZA
La definición de varianza se extiende a variables aleatorias conjuntas y se denomina
covarianza
Definición
Sean X, Y variables aleatorias discretas con distribución conjunta f(x,y)
Entonces, la covarianza de X, Y es
Demostración
Cov[X,Y] = E[(X-X)(Y-Y)] = E[XY - XY - YX + XY]
= E[XY] - YE[X] - XE[Y] + XY
= E[XY] - YX - XY + XY
= E[XY] - XY
Propiedades de la covarianza
Si X, Y son variables aleatorias estadísticamente independientes,
entonces Cov[X,Y] = 0 .
Signos de la covarianza
La covarianza tiene signo positivo si valores grandes de X están asociados con valores
grandes de Y, o si valores pequeños de X están asociados con valores pequeños de Y.
La covarianza tiene signo negativo si valores grandes de la una variable están asociados
con valores pequeños de la otra variable.
8
Definición
Sean X, Y variables aleatorias conjuntas (discretas o continuas)
entonces, el coeficiente de correlación de X, Y es:
Cov X, Y XY
XY , 1 XY 1 .
X Y X Y
9
2.9 Modelos analíticos de fenómenos aleatorios discretos.
2.9.1 Funciones de Probabilidad (Discreto).
Toda distribución de probabilidad es generada por una variable aleatoria x, la que
puede ser de dos tipos (discreto y continuo), en este caso únicamente vamos a ver la
discreta:
Ejemplos:
x Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
xVariable que nos define el número de productos defectuosos en un lote de 25
productos.
x0, 1, 2, 3,....,25 productos defectuosos en el lote
xVariable que nos define el número de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre serán enteros, nunca fraccionarios.
10
2.9.1.2 Función de probabilidad y de distribución, valor
esperado, varianza y desviación estándar.
Función de probabilidad
Hay que advertir que el concepto de función de probabilidad sólo tiene sentido
para variables aleatorias que toman un conjunto discreto de valores. Para
variables aleatorias continuas el concepto análogo es el de función de densidad.
Distribución de probabilidad
11
Definición de función de distribución
Dada una variable aleatoria todos son puntos , su función de distribución, ,
es
Propiedades
Como consecuencia casi inmediata de la definición, la función de distribución:
Es una función continua por la derecha.
Es una función monótona no decreciente.
Además, cumple
Para dos números reales cualesquiera a y b tal que (a < b), los sucesos
y son mutuamente excluyentes y su unión es el suceso
, por lo que tenemos entonces que:
y finalmente
Por lo tanto una vez conocida la función de distribución F(x) para todos los valores
de la variable aleatoria x conoceremos completamente la distribución de
probabilidad de la variable.
Para realizar cálculos es más cómodo conocer la distribución de probabilidad, y
sin embargo para ver una representación gráfica de la probabilidad es más
práctico el uso de la función de densidad.
Esperanza matemática
En estadística la esperanza matemática (también llamada esperanza, valor
esperado, media poblacional o media) de una variable aleatoria X, es el número
que formaliza la idea de valor medio de un fenómeno aleatorio.
12
"esperado" en el sentido más general de la palabra - el valor de la esperanza
puede ser improbable o incluso imposible.
Definición
Propiedades
13
Combinando estas propiedades, podemos ver que -
14
2.9.2 Distribuciones y otros (Discreto).
2.9.2.1 Distribución Binomial.
En cada prueba del experimento sólo son posibles dos resultados: el suceso A
(éxito) y su contrario (fracaso).
El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
La probabilidad del suceso A es constante, la representamos por p, y no varía de
una prueba a otra. La probabilidad es 1- p y la representamos por q .
El experimento consta de un número n de pruebas.
Todo experimento que tenga estas características diremos que sigue el modelo de
la distribución Binomial. A la variable X que expresa el número de éxitos
obtenidos en cada prueba del experimento, la llamaremos variable aleatoria
binomial.
La variable binomial es una variable aleatoria discreta, sólo puede tomar los
valores 0, 1, 2, 3, 4, ..., n suponiendo que se han realizado n pruebas. Como hay
que considerar todas las maneras posibles de obtener k-éxitos y (n-k) fracasos
debemos calcular éstas por combinaciones (número combinatorio n sobre k).
15
Parámetros de la Distribución Binomial
Esta función de distribución proporciona, para cada número real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
han
construido tablas para algunos valores de n y p que nos facilitan el trabajo.
Sea X una variable aleatoria discreta correspondiente a una distribución binomial.
DISTRIBUCIÓN HIPERGEOMÉTRICA.
Los experimentos que tienen este tipo de distribución tienen las siguientes
características:
a) Al realizar un experimento con este tipo de distribución, se esperan
dos tipos de resultados.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes.
c) Cada ensayo o repetición del experimento no es independiente de
los demás.
d) El número de repeticiones del experimento (n) es constante.
C x * N a Cn x
p( x ,n ) a
N Cn
16
APROXIMACIÓN DE LA HIPERGEOMÉTRICA POR LA BINOMIAL.
Diremos en general que una v.a. X sigue una distribución hipergeométrica de parámetros, N, n y p,
Observación
Cuando el tamaño de la población (N) es muy grande, la ley hipergeométrica tiende a aproximarse
a la binomial:
17
DISTRIBUCIÓN GEOMETRICA
DISTRIBUCIÓN POISSON
Para simular una distribución Poisson se deben usar sus propiedades estadísticas.
18
APROXIMACIÓN DE LA BINOMIAL POR LA DE POISSON.
x
n x
p( x ,n , p ) n Cx p q
x
x!
x
p( x , )
x!
Donde:
Una regla general aceptable es emplear esta aproximación si n20 y p0.05: sí n100,
la aproximación es generalmente excelente siempre y cuando np10.
19
2.10 Modelos analíticos de fenómenos aleatorios continuos.
Ejemplos:
Función de densidad
Una función y=f(x) es una función de densidad de una variable aleatoria continua
si cumple las siguientes condiciones :
20
FUNCIÓN DE DISTRIBUCIÓN
Ser creciente
Tomar valores de 0 a 1
21
4.2. Distribuciones y otros (Continuos).
4.2.1. Distribución Uniforme y Exponencial.
La distribución uniforme
La distribución exponencial
DISTRIBUCIÓN NORMAL.
Características:
1
f ( x , , 2 ) ( x ) / 2
2 2
- x
2
22
d) Es asintótica con respecto a su eje horizontal; esto quiere decir que jamás va a tocar el
eje de las equis.
b
p( a x b ) f ( x , , 2 )dx
a
La integral anterior nos daría el área bajo la curva de la función, desde a hasta b, que
corresponde o es igual a la probabilidad buscada.
Debido a la dificultad que se presenta para integrar esta función cada vez que sea
necesario, lo que se hace es tipificar el valor de la variable x, esto es, x se transforma en
un valor de z, de la siguiente manera:
x
z valor
Este valor de z es buscado en una tabla donde vienen áreas asociadas a este valor, y
haciendo uso de los valores tabulados, se determina la probabilidad requerida. La tabla
que es usada para calcular las probabilidades es la que nos dá el área.
23
CONCLUSION
Una vez terminada la investigación concluyo que en la probabilidad existen
diferentes términos que ahora ya han quedado bien definidos como los son las
medidas de tendencia central eéste tipo de medidas con ciertas tendencias
centrales o dispersas son muy importantes y tienen una gran aplicación en la
solución de problemas en el área de estudio a partir de datos agrupados o datos
no agrupados para poder entender mejor el comportamiento de algunas variables
que para algunas empresas representa tiempo, esfuerzo o costos y que se pueden
optimizar mediante la aplicación de este tipo de cálculos estadísticos y que se
pueden representar de una manera fácil y entendible mediante de gráficos e
histogramas con la información necesaria para el interesado ayudándolo a un
mejor entendimiento y comprensión del problema en cuestión.
Así también se hizo mención de algunos teoremas éstos son aplicables para
resolver diferentes tipos de problemas tomando en cuenta cierto tipo de
limitaciones o característicos del problema que una vez entendiendo el tema se
pueden aplicar estas características que son de suma importancia para resolver
diversos problemas en el área de estudio partiendo de datos reales encontrando
soluciones reales. Con la finalidad de minimizar costos, esfuerzos y tiempos y
optimizar adecuadamente ciertos procesos logrando una mayor productividad para
la empresa.
24
BIBLIOGRAFIA
www.ocw.espol.edu.ec/instituto-de-ciencias-matematicas/estadistica/
http://www.itescam.edu.mx/principal/sylabus/rptSylabus.php?tipo=PDF&id_asignatura=25
6&clave_asignatura=INB-0402&carrera=IIND0405001
http://centros.edu.xunta.es/iesaslagoas/metodosesta/0documentos/T01_1_EstadisticaDes
criptiva.pdf
http://thales.cica.es/rd/Recursos/rd97/UnidadesDidacticas/53-1-u-punt11.html
http://es.wikipedia.org/wiki/Funci%C3%B3n_de_probabilidad
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad
http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/04Distr%20Hipergeometri
ca%20Gral.htm
http://www.itch.edu.mx/academic/industrial/sabaticorita/index.html
http://es.wikipedia.org/wiki/Esperanza_matem%C3%A1tica
http://www.itch.edu.mx/academic/industrial/sabaticorita/index.html
http://personal5.iddeo.es/ztt/Tem/t19_distribucion_binomial.htm
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4060015/Lecciones/Capitulo%20VI/
distribuciones1.htm
25