FILIAL AREQUIPA
TRABAJO FINAL
Ingeniería de Sistemas
CICLO: IV
TURNO: Mañana
AREQUIPA – PERÚ
2012
1
INDICE
1. INTRODUCCION………………………………………………………………………………………………..3
5. LA DISTRIBUCIÓN HIPERGEOMÉTRICA………………………………………………………………8
6. DISTRIBUCIÓN DE POISSON………………………………………………………………………………14
7.EJEMPLOS DE DISTRIBUCIÓN DE POISSON…………………………………………………………15
8.-CONCLUSIONES …………………………………………………………………………………………………18
9.-BIBLIOGRAFIA…………………………………………………………………………………………………….19
2
INTRODUCCION
La creación de la probabilidad se atribuye a los matemáticos franceses del siglo XVII Blaise
Pascal y Pierre de Fermat, aunque algunos matemáticos anteriores, como Gerolamo
Cardano en el siglo XVI, habían aportado importantes contribuciones a su desarrollo. La
probabilidad matemática comenzó como un intento de responder a varias preguntas que
surgían en los juegos de azar, por ejemplo, saber cuántos dados hay que lanzar para que
la probabilidad de que salga algún seis supere el 50%.
3
BREVE HISTORIA DE LA VARIABLE ALEATORIA
Un análisis cognitivo (Ruiz, 2004) previo nos ha mostrado algunas de las dificultades
con las que estudiantes universitarios se enfrentan al estudiar este tema y la necesidad
de realizar un análisis epistemológico sobre él con la finalidad de plantear una situación
didáctica que permita proponer sus estadios de aprendizaje. En particular nos centramos
en el análisis epistemológico histórico del concepto. La variable aleatoria, como muchos
otros conceptos científicos, ha surgido progresivamente a través de su historia y ha
presentado etapas de mayor o menor desarrollo las cuales están delimitadas por eventos
que marcan algún progreso en su conceptualización como el ente matemático que
conocemos actualmente. Este conocimiento proporciona herramientas sobre como se
llegó a comprender y penetrar en el concepto, así como la forma en que algunas
dificultades en su conceptualización han sido superadas por otras personas en la
historia.
4
Objetivos generales
Objetivos específicos
5
DISTRIBUCIÓN DE PROBABILIDAD DE VARIABLES ALEATORIAS DISCRETAS
VARIABLE ALEATORIA: Es una función que asocia un número real a cada elemento del
espacio muestral. Es decir son aquellas que pueden diferir de una respuesta a otra.
Una variable aleatoria se puede clasificar en:
Una variable discreta proporciona datos que son llamados datos cuantitativos discretos y
son respuestas numéricas que resultan de un proceso de conteo. La cantidad de alumnos
regulares en un grupo escolar.
El número de águilas en cinco lanzamientos de una moneda.
Número de circuitos en una computadora.
El número de vehículos vendidos en un día, en un lote de autos
DISTRIBUCIONES
Distribución de probabilidad. Es una distribución teórica de frecuencias que describe
cómo se espera que varíen los resultados de un experimento. Existen diferentes tipos de
modelos que permiten describir el comportamiento de fenómenos estadísticos que
permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre.
6
DISTRIBUCIONES DISCRETAS: Son aquellas donde las variables asumen un número
limitado de valores,
por ejemplo el número de años de estudio.
7
Existen varios modelos matemáticos que representan diversos fenómenos discretos de la
vida real.
LA DISTRIBUCIÓN HIPERGEOMÉTRICA
8
Dado un espacio muestral S de tamaño N con los subespacios M _ N y (N - M) _ N
entonces, la probabilidad de que en n ensayos x pertenezca a M y (n - x) pertenezca a (N -
M) está dada por:
Donde:
N = El tamaño de espacio muestral S
n = El número de ensayos
M = El número de éxitos en el espacio muestral
N - M = Número de fracasos del espacio muestral
x = Número de éxitos en la muestra
n - x = Número de fracasos de la muestra.
Definición:
9
Donde N es el número de elementos de la población, a es el número de elementos de la
población que tienen la característica de interés, n es el tamaño de la muestra y x el
número de elementos de la muestra que tienen la característica de interés.
N1 N N1
P(X=k)=
k n k
N
n
Propiedades:
* Media: μ=n p
N n
* Varianza: VAR[X]= npq
N 1
* Aproximación a la binomial: Sea X una v.a. con distribución hipergeométrica H
(N,n,p ). Entonces si N es muy grande en comparación con n, la distribución
hipergeométrica se aproxima a la binomial. Es decir: H(N,n,p) B(n,p) si N→∞.
Se considerará una buena aproximación cuando N >50 y n ≤0,1N
Función de cuantía.
Si partimos de una población formada por Np elementos del tipo A y Nq elementos del
tipo
10
Aplicando la regla de Laplace tendríamos
Distribución hipergeométrica
Parámetros
Dominio
Función de
probabilidad
(fp)
Media
Moda
Varianza
Coeficiente
de simetría
Curtosis
11
Función
generadora
de momentos
(mgf)
Función
característica
Propiedades
y su varianza,
12
se obtiene
Ejemplo 1. Una tienda de artículos eléctricos tiene 20 planchas, de las cuales 5 son
amarillas. Si se extraen aleatoriamente y sin sustitución 10 planchas ¿Cuál es la
probabilidad de que dos de ellas sean amarillas?
Solución.
En este caso se tiene una población de 20 planchas (N = 20), de las cuales 5 son amarillas
(a = 5) y se extrae una muestra de 10 planchas (n = 10). La variable aleatoria será el
número de planchas amarillas que hay en la muestra (entre las extraídas), por lo que x =
2. Sustituyendo en el modelo de la distribución Hipergeométrica tenemos:
13
Las diferencias entre ellos son:
2.Las medias en los dos modelos son iguales, pero las variancias son diferentes. La
variancia en el modelo Hipergeométrico siempre es menor que en el Binomial, salvo
cuando n = 1, pero entonces las dos distribuciones se reducen al modelo de Bernoulli.
De acuerdo a lo anterior, es fácil ver las condiciones en que se debe aplicar cada
distribución. Si la población es infinita o el muestreo se realiza con reemplazo, el modelo
adecuado es el Binomial. Si la población es finita y el muestreo se realiza sin reemplazo, el
modelo adecuado es el Hipergeométrico, salvo el caso en que se pueda realizar la
aproximación mediante el modelo Binomial.
DISTRIBUCIÓN DE POISSON.
Definición: La variable aleatoria X= “número de veces que ocurre un evento por unidad
de tiempo” decimos que sigue una distribución de Poisson de parámetro λ (λ>0), XP(λ).
Los valores de la variable son {0,1,2,...} con probabilidades:
k
P(X=k)= e
k!
Propiedades:
* Media: μ=λ
* Varianza: VAR[X]=λ
* Propiedad reproductiva: Si X1 y X 2 son 2 v.a. independientes distribuidas según
una ley de Poisson, P(λ 1 ) y P( 2 ) respectivamente , entonces la v.a. X= X1 + X 2 se
distribuye según una distribución de Poisson de parámetro 1 2 .
14
lim B(n,p)=P(λ)
n
El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
El número de errores de ortografía que uno comete al escribir una única página.
El número de llamadas telefónicas en una central telefónica por minuto.
El número de servidores web accedidos por minuto.
El número de animales muertos encontrados por unidad de longitud de ruta.
El número de mutaciones de determinada cadena de ADN después de cierta cantidad
de radiación.
El número de núcleos atómicos inestables que decayeron en un determinado período
El número de estrellas en un determinado volumen de espacio.
La distribución de receptores visuales en la retina del ojo humano.
La inventiva de un inventor a lo largo de su carrera
Ejercicio 1
Suponga que llega en forma aleatoria una serie de llamadas s una central telefónica con
un promedio de tres llamadas por minuto.
a) Calcular la probabilidad de que un periodo de un minuto
i) No ocurra llamada alguna,
ii) Ocurran al menos 4 llamadas.
b) Si cada llamada cuesta 0,5 ¿Cuánto es el costo esperado por llamada?
Solución:
𝜆 = 3 llamadas / minuto
𝑒 −30 (3)𝑘 𝑒 −3 3𝑘
P [x = A] = =
𝑘! 𝑘!
𝑒 −3 3𝑜
a) i) P [x = 0] = = 0,0497 ≅0,05
0!
ii) P [x ≥ 4] = 1 - P [x < 4] = 1 - P [x = 0] - P [x < 1] - P [x = 2] - P [x = 3]
15
𝑒 −3 3𝑜 𝑒 −3 (3)1 𝑒 −3 (3)2
=I - − − = 0,3527 ≅ 935
0! 1! 2!
Ejercicio 2
En una empresa textil produce un tipo de tela en rollos de 100 metros. El numero de
defectos que se encuentran al desenrollar la tela es una variable aleatoria de Poisson que
tiene en promedio 4 defectos por cada 20 metros de tela.»
a) ¿Qué probabilidad hay de que al desenrollar la tela se encuentre menos de tres
defectos en los 50 primeros metros?
b) Hallar la probabilidad de que al desenrollar la tela no se encuentre defectos en el
primer segmento de 5 metros de tela.
c) Si se desenrollan 5 rollos de tela escogidos al azar. ¿Cuál es la probabilidad de que no
se encuentre defectos en el primer segmento de 5 metros de tela en la menos dos de
ellos?
Solución:
a) 𝜆 = 10 defectuoso / 50 metros
P [x ≤ 3] = 1 - P [x = 0] - P [x = 1] - P [x = 2]
𝑒 −10 . (10)0 𝑒 −10 . (10)1 𝑒 −10 . (10)2
=1- − − = 0,00276 ≈ 0,003
0! 1! 2!
b) 𝜆 = 1 defectuoso / 5 metros
𝑒 −1 . (1)0
P [x ≤ 0] = = 0,3678 ≅ 0,37
0!
c) x1 = 100
P [x ≥ 2] = 1 - P [x < 1]
= 1 - P [x = 0] - P [x = 2]
0 0
𝑒−100 . (100) 𝑒−100 . (100)
=1− 0!
− 100 !
= 0,60
𝜆=1
𝑒 −1 . (1)0 0,37
P [x = 0] = = 0,37 => ≅ 0,6166
0! 0,60
3. Suponga que el número de accidentes de trabajo que se producen por semana en una
fábrica sigue la ley de Poisson de manera que la probabilidad de que ocurran 2
accidentes es igual VI de la probabilidad de que ocurra un accidente. Calcular la
probabilidad de que no ocurran accidentes en 2 semanas consecutivas.
16
𝜆 = promedio
𝑒 −𝜆 . (𝜆)2
P [x = 2] =
2!
𝑒 −𝜆 . (𝜆)1
P [x = 0] =
1!
En 2 semanas
𝜆=6
𝑒 −6 . (6)0
P [x = 0] = = 0,00247
0!
17
CONCLUSIONES
18
BIBLIOGRAFIA
Martín Pliego, F.J. (2004). Introducción a la Estadística Económica y Empresarial. (Ed.) Thomson. Madrid.
Mendenhall, W.; Reinmuth, J.E. (1978). Estadística para administración y economía. (Ed.) Grupo Editorial
Iberoamericana. ISBN 968‐7270‐13‐6.
Montiel, A.M.; Rius, F.; Barón F.J. (1997). Elementos básicos de Estadística Económica y Empresarial. (2ª
Ed.) Prentice Hall, Madrid.
Peña, D. (2001). Fundamentos de Estadística. (Ed.) Alianza Editorial, S.A. Madrid. ISBN: 84‐206‐8696‐4.
19
20
21
22
23