Estadstica aplicada
UTVT
M.A. Mario Gonzlez Aguilar
[email protected]
Evaluacin
Ejercicios
Tareas
Programacin
Examen
Introduccin
En la vida cotidiana tenemos contacto con datos estadsticos como los
siguientes:
En 1930 la esperanza de vida de un mexicano era de 34 aos, y casi 80 aos
despus, en el 2009 se calcul en 75 aos, ms del doble. Este dato nos ayuda
a inferir que el desarrollo socioeconmico, aunado a los avances mdicos, nos
pronostica una vida cada vez ms larga.
El promedio aritmtico de las calificaciones de un estudiante, durante toda su
carrera universitaria es de 9.5 (en escala de 0-10). Esto hace inferir que el
estudiante fue responsable en tareas asignadas y en general fue
comprometido con sus estudios.
Introduccin
La vida til emprica de una computadora es de 4 1 ao, es decir en
promedio 4 aos con una desviacin estndar de 1 ao. Esta informacin nos
ayuda a conocer el intervalo de tiempo probable en el que se tendra que
cambiar o renovar una computadora.
Estadstica
El trmino estadstica proviene del latn statisticum collegium Estado
(Consejo de Estado) y de su derivado italiano statista (hombre de poltica o
poltico). En 1749, el alemn Gottfried Achenwall comenz a utilizar la
palabra alemana statistik para designar el anlisis de datos estatales.
Las estadsticas (resultado de la aplicacin de un algoritmo estadstico a un
grupo de datos) permiten la toma de decisiones dentro del mbito
gubernamental y hoy en da en el mundo de los negocios. As la estadstica
aplicada puede ser dividida en dos ramas, la estadstica descriptiva
(recoleccin, descripcin, visualizacin y resumen de los datos representados
en forma numrica o grfica), y la inferencia estadstica (la generacin de los
modelos y predicciones relacionadas a los fenmenos estudiados, teniendo en
cuenta el aspecto aleatorio y la incertidumbre en las observaciones).
Estadstica descriptiva
La estadstica descriptiva es la parte de la estadstica ms accesible, que
consiste en al tratamiento mecnico de un conjunto de datos, que puede ser
representado en tablas o grficas, es la forma ms sencilla de dar informacin
sobre un todo, por lo que se utiliza en todas las reas disciplinarias ya sean
sociales, cientficas o tecnolgicas.
El anlisis de datos se hace a travs de clculos de medidas de tendencia
central (media aritmtica, media geomtrica) y de dispersin (desviacin
estndar, varianza), y en su caso representaciones grficas, para comprender
el significado de estas medidas, es necesario algunas definiciones que se
mencionan a continuacin:
Poblacin y muestra
Poblacin: Es el conjunto formado por TODAS las unidades que se estn
estudiando.
Muestra: Es un subconjunto, una porcin de la poblacin, seleccionada para
su estudio.
Ejemplo.
Poblacin: Estudiantes de la Universidad Tecnolgica del Valle de Toluca; es
decir los 2308 estudiantes que actualmente estn inscritos.
Muestra: Se eligen al azar 100 estudiantes de la UTVT.
Estadstica descriptiva
En la mayora de los casos prcticos, el estudio de datos se hace sobre una
muestra, por lo que las medidas estadsticas calculadas tienen errores
asociados, es decir no son valores exactos y por ello se denominan variables
estadsticas. Para disminuir el error la seleccin de la muestra debe ser
aleatoria o sobre una base de probabilidad conocida, adems debe ser
representativa de la poblacin, entre ms grande la muestra menor ser el
error.
La recoleccin de datos puede ser a travs de encuestas, de fuentes
publicadas, de un experimento previamente diseado y controlado, o de un
estudio observacional. Teniendo los datos de estudio las medidas estadsticas
se pueden obtener del total de datos no ordenados, o bien ordenarlos en
clases. Se describir el procedimiento de ambos casos, presentando primero
para el caso de datos no ordenados.
Ejercicios media aritmtica o promedio
Tarea
Investigar los conceptos:
Estadstica
Probabilidad
Conjunto
Media aritmtica o promedio
Moda
Mediana
Varianza
Desviacin estndar
Media Aritmtica
1 + 2 + + 1
=
=1
Media Aritmtica
1 + 2 + + 1
=
=
=1
Ejmplo:
Calcular la media o promedio del siguiente grupo de numeros
12 10 13 11 14 19 15 17 18
= (12 + 10 + 13 + 11 + 14 + 19 + 15 + 17 + 18) / 9 = 129/9 = 14.333
Mediana
Es el centro de los datos ordenados de manera ascendente o descendente, se
denota como .
Pasos para su clculo
a)
Mediana
Moda
Moda
Moda
Varianza y desviacin estndar
Desviacin estndar
La desviacin estndar () mide cunto se separan los datos.
La frmula es fcil: es la raz cuadrada de la varianza. As que, "qu es la varianza?"
Varianza
la varianza (que es el cuadrado de la desviacin estndar: 2) se define as:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
1. Calcula la media (el promedio de los nmeros)
2. Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la diferencia elevada al cuadrado).
3. Ahora calcula la media de esas diferencias al cuadrado. (Por qu al cuadrado?)
Varianza y desviacin estndar
Ejemplo
T y tus amigos han medido las alturas de sus perros (en milmetros):
Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Varianza y desviacin estndar
Respuesta:
as que la altura media es 394 mm. Vamos a dibujar esto en el grfico:
Varianza y desviacin estndar
Ahora calculamos la diferencia de cada altura con la media:
Varianza y desviacin estndar
=
2 =
=1
Varianza y desviacin estndar
Varianza y desviacin estndar
As que usando la desviacin estndar tenemos una manera "estndar" de saber
qu es normal, o extra grande o extra pequeo.
Los Rottweilers son perros grandes. Y los Dachsunds son un poco ms pequeos
*Nota: por qu al cuadrado?
Elevar cada diferencia al cuadrado hace que todos los nmeros sean positivos (para
evitar que los nmeros negativos reduzcan la varianza)
Y tambin hacen que las diferencias grandes se destaquen. Por ejemplo
1002=10,000 es mucho ms grande que 502=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, as que lo
deshacemos (con la raz cuadrada) y as la desviacin estndar es mucho ms til.
Ejercicios
Obtener media, varianza y desviacin estndar
2,
3, 6, 8, 11.
12,
6, 7, 3, 15, 10, 18, 5.
2,
3, 6, 8, 11, 10, 12, 14
3,
6, 9, 12, 15, 18, 21, 24, 27, 30
Media de distribucin de frecuencias
Media de distribucin de frecuencias
La marca clase de una tabla para datos agrupados en
intervalos corresponde al promedio de los extremos de
cada intervalo.
Media de distribucin de frecuencias
Ejercicio
Solucin
Mediana
Es el valor que ocupa el lugar central de todos los datos cuando stos estn
ordenados de menor a mayor.
La mediana se representa por Me.
La mediana se puede hallar slo para variables cuantitativas.
Clculo de la mediana para datos agrupados
La mediana se encuentra en el intervalo donde la frecuencia acumulada llega
hasta la mitad de la suma de las frecuencias absolutas.
Es decir tenemos que buscar el intervalo en el que se encuentre. N / 2
Luego calculamos segn la siguiente frmula:
Mediana
Ejercicio Mediana
Solucin
Moda para datos agrupados
Es el valor que representa la mayor frecuencia absoluta. En tablas de frecuencias
con datos agrupados, hablaremos de intervalo modal.
La moda se representa por Mo.
Ejercicio
Moda para datos agrupados
Ejercicio, media, moda, mediana
i
LI
LS
Frecuencia absoluta
1
2
3
4
5
6
7
8
1
61
121
181
241
301
361
421
60
120
180
240
300
360
420
480
18
15
23
21
18
21
21
13
Total
150
Marca Frecuencia
de clase acumulada
30.5
90.5
150.5
210.5
270.5
330.5
390.5
450.5
18
33
56
77
95
116
137
150
Ejercicio, media, moda, mediana
i
LI
LS
Frecuencia
50
14
51
100
17
101
150
28
151
200
25
201
250
11
251
300
29
301
350
20
351
400
14
Total
Marca Frecuencia
de clase acumulada
Probabilidad
La probabilidad es la medida de la posibilidad de que ocurra un resultado
especfico, llamado evento (E), que se encuentra entre todos los posibles
resultados de un experimento, conjunto al que se le nombra espacio muestral.
Los siguientes conceptos son esenciales en la probabilidad:
Experimento: Cualquier procedimiento o actividad del que se pueden obtener
diversos resultados. Ejemplo: lanzar una moneda, tomar sin ver un nmero de una
tmbola, elegir una carta de una baraja, elegir un procesador, medir el voltaje.
Evento: Resultado o grupo de resultados posibles de un experimento. Ejemplos
respectivos a los experimentos descritos arriba: cae sol, se obtiene un nmero
primo, se elige un haz, el procesador es defectuoso, 110.2 V.
La probabilidad de un evento P(E) se obtiene con el cociente del nmero de
resultados que hacen posible el evento (h), y el nmero total de posibles
resultados (n). Es decir
Probabilidad
Ejemplo:
Experimento: Se lanza un dado
Evento (E): Cae un nmero par
Resultados que hacen posible el evento: {2, 4, 6}, es decir tres resultados hacen
cierto el evento
Resultados posibles: {1, 2, 3, 4, 5,6}, son seis resultados posibles
Por lo que = = 0.5, o bien 50% de probabilidad de que caiga par.
Es evidente que para calcular probabilidades es necesario conocer la cantidad de
posibles resultados para lo cual son valiosas las tcnicas de conteo, como
permutaciones, combinaciones y diagramas de rbol. Por lo que repasaremos
estos conceptos.
3
6
Permutaciones y combinaciones
Permutaciones
El nmero de permutaciones posibles de n elementos se calcula como n!
Ejemplo: si para disear una bandera con tres franjas verticales de distinto color,
se cuenta con tres lienzos uno verde, uno blanco y uno rojo, Cuntos diseos
diferentes son posibles?
En el ejemplo anterior el nmero de permutaciones es 3! = 3x2x1 = 6
Permutaciones
Usando Factoriales
Cuando escogemos k de n objetos y no se permite repeticiones, podemos usar la
siguiente frmula :
Permutaciones
Cuando escogemos r de n objetos y se permite repeticiones, podemos usar la
siguiente frmula :
Ejemplos permutaciones
Si tuviramos un lienzo verde, un blanco, un rojo y un azul, y queremos una bandera
incluyendo solo tres colores, cuntas banderas podemos hacer?
Ejercicio permutaciones
Ejemplo: si tuviramos un lienzo verde, un blanco, un rojo y un azul, y queremos una
bandera incluyendo solo tres colores, cuntas banderas podemos hacer?
Ejemplos permutaciones
Combinaciones
Usando Factoriales
Cuando escogemos k de n objetos, podemos usar la siguiente frmula:
Combinaciones
Ejemplo: Una organizacin de una escuela tiene 30 miembros. Cuatro
miembros sern escogidos al azar para una entrevista con el peridico de
la escuela sobre el grupo. Cuntos grupos de 4 personas son posibles?
Ejercicio
Ejemplo:
De 5 estudiantes (Gaby, Dany,
Jorge, Arturo y Marco) se desea elegir un
comit de tres, Cules son las posibles
combinaciones?
Ejercicio
Ejercicio
Para una prueba psicolgica se dejan frente al
postulante dos recipientes: uno con 6 colores
claros distintos y el otro con 6 colores obscuros
distintos. La indicacin es que realice un dibujo
usando 3 colores claros y 2 obscuros. Cuntos
conjuntos distintos pueden elegirse?
Ejercicio
Solucin.
El nmero de formas de elegir 3 colores claros de
un total de 6, es 6C3=20. El nmero de formas de
elegir 2 colores obscuros de 6 disponibles, es
6C2=15. Como cada tres colores claros puede
unirse con cualquiera de las parejas de colores
obscuros, el nmero total de conjuntos de 5
colores usados son: 20 x 15 = 300.
Diagrama de rbol
El diagrama de rbol es otra tcnica de conteo, donde se visualiza el espacio
muestral de un experimento.
Ejemplo:
Un fabricante de Notebooks puede equiparlas con accesorios opcionales:
cubierta (negra, roja o azul), material de cubierta (dos tipos, plstico o
laminado), con ratn (de tres tipos). Si el espacio muestral consta de todos
los tipos de laptop Cul es el nmero de resultados en el espacio muestral?
Solucin:
Utilizando un diagrama de rbol se obtiene
Diagrama de rbol
Diagrama de rbol
Ejercicio: elaborar el diagrama de rbol para los posibles atuendos con una
playera(roja, negra), Zapatos(botas, tenis), pantaln(vestir, mezclilla) y
chamarra(trmica, rompe vientos)
Diagrama de rbol
Ejercicio: Elaborar el diagrama de rbol las posibles rutas de embarque de
computadoras, aerolnea(Volaris, Interjet, Aeromexico, United Airlines, Delta,
American Airlines) si cada aerolnea tiene 3 posibles rutas
Probabilidad con rboles de decisin
Ejercicio
Una clase consta de seis nias y 10 nios. Si se escoge un comit de tres al
azar, hallar la probabilidad de:
1. Seleccionar tres nios.
2. Seleccionar exactamente dos nios y una nia.
3. Seleccionar exactamente dos nias y un nio.
4. Seleccionar tres nias
Ejercicio
Ejercicio
Ejercicio
Teora de conjuntos
Teora de conjuntos
U
U
Teora de conjuntos: interseccin
Teora de conjuntos: interseccin
Teora de conjuntos: diferencia de sucesos
Ejemplo
Obtenga:
1.
AUB
2.
AB
3.
A-B
Ejemplo
Obtenga:
1.
AUB
2.
AB
3.
A-B
Teora de conjuntos
Teora de conjuntos
Teora de conjuntos
U
U
U
U
U
Propiedades conjuntas
Distributiva: A (B U C) = (A B) U(A C)
Ejercicio:
Propiedades conjuntas
Distributiva: A (B U C) = (A B) U(A C)
Probabilidad
La probabilidad de sucesos incompatibles:
P(A1 U A2 U A3U An ) = P(A1) + P(A2)+ P(A3) P(An)
La probabilidad del Espacio muestral:
P(E) = 1
Probabilidad condicional
Sean A y B dos sucesos de un mismo espacio muestral E.
Se llama probabilidad del suceso B condicionado a A y se representa
por P(B/A) a la probabilidad del suceso B una vez ha ocurrido el A.
Probabilidad condicional
Probabilidad condicional
Probabilidad condicional
Probabilidad condicional
Sucesos
independientes
Dos sucesos A y B son independientes si
p(A/B) = p(A)
Sucesos
dependientes
Dos sucesos A y B son dependientes si
p(A/B) p(A)
Teorema de Bayes
Teorema de Bayes
Teorema de Bayes
Teoremas de Bayes
Distribucin binomial
Distribucin binomial
Distribucin binomial
Distribucin binomial
Media y Varianza de la Distribucin
binomial
Ejemplo:
La probabilidad de que un artculo producido por
una fabrica sea defectuoso es 0.02. Se envi un
cargamento de 10.000 artculos a unos almacenes.
Hallar el nmero esperado de artculos
defectuosos, la varianza y la desviacin tpica.
Distribucin binomial
Distribucin binomial
Distribucin binomial
Distribucin binomial
Distribucin binomial
Distribucin binomial
Distribucin hipergeomtrica
Son experimentos donde, al igual que en la distribucin binomial, en cada
ensayo hay tan slo dos posibles resultados: o sale blanca o no sale. Pero se
diferencia de la distribucin binomial en que los distintos ensayos son
dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una
bola blanca, en el segundo ensayo hay una bola blanca menos por lo que las
probabilidades son diferentes (hay dependencia entre los distintos ensayos).
Distribucin hipergeomtrica
N2: Nmero de elementos que no tiene la caracterstica o propiedad especfica
(fracasos)
Distribucin hipergeomtrica
Por lo tanto, P (x = 3) = 0,3535. Es decir, la
probabilidad de sacar 3 bolas blancas es del
35,3%.
Ejercicios
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son
defectuosos, si de seleccionan 4 objetos al azar, cul es la probabilidad de que 2 sean
defectuosos?
Solucin:
N = 10 objetos en total
N1 = 3 objetos defectuosos
N2 = 7 objetos no defectuosos
n = 4 objetos seleccionados en muestra
k = 2 objetos defectuosos deseados en la muestra
Ejercicios
Considerando que en la urna hay un total de 10 objetos, 3 de los cuales son defectuosos, si de seleccionan 4 objetos al
azar, cul es la probabilidad de que 2 sean defectuosos?
Solucin:
N = 10 objetos en total
N1 = 3 objetos defectuosos
N2 = 7 objetos no defectuosos
n = 4 objetos seleccionados en muestra
k = 2 objetos defectuosos deseados en la muestra
0.30
Ejercicio
Ejemplos:
1.Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina que son similares en
apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el viajero sea arrestado por posesin
de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?.
Solucin:
a) N = 9+6 =15 total de tabletas
N1 = 6 tabletas de narctico
N2 = 3 pldoras de vitaminas
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede
encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms
tabletas de narctico)
Ejercicio
Ejemplos:
1.Para evitar que lo descubran en la aduana, un viajero ha colocado 6 tabletas de narctico en una botella que contiene 9 pldoras de vitamina que
son similares en apariencia. Si el oficial de la aduana selecciona 3 tabletas aleatoriamente para analizarlas, a) Cul es la probabilidad de que el
viajero sea arrestado por posesin de narcticos?, b) Cul es la probabilidad de que no sea arrestado por posesin de narcticos?.
Solucin:
a) N = 9+6 =15 total de tabletas
N1 = 6 tabletas de narctico
N2 = 3 pldoras de vitaminas
n = 3 tabletas seleccionadas
x = 0, 1, 2, o 3 tabletas de narctico = variable que nos indica el nmero de tabletas de narctico que se puede encontrar al seleccionar las 3 tabletas
p(viajero sea arrestado por posesin de narcticos) = p(de que entre las 3 tabletas seleccionadas haya 1 o ms tabletas de narctico)
0.815338
1- 0.184615
Distribucin de Poisson
Recibe su nombre en honor de Simeon Poisson, quien fue el que la estudi y
dio a conocer en 1837. Tambin se conoce como la Ley de eventos
improbables, debido a que la probabilidad de xito P es bastante pequea y
es una distribucin de probabilidad discreta.
As mismo la distribucin de Poisson se puede utilizar para determinar la
probabilidad de un nmero designado de xitos como son:
a)
Nmero de clientes que son atendidos en una ventanilla de banco.
b)
Nmero de accidentes en una carretera.
c)
Nmero de llamadas en un determinado tiempo
d)
Nmero de partes defectuosas, etc
Distribucin de Poisson
Distribucin de Poisson
En la ventanilla de un banco, en promedio se atienden a 20 personas por hora,
cul es la probabilidad de que en una hora se atiendan a 7 personas?
= 20
e = 2.7183
K=7
P(x=k) =
(20)7 (2.7183) -20
_________________ = 0.00052
7!
Ejercicios:
En un aeropuerto, llegan en promedio 10 aviones por hora, cul es la
probabilidad de que lleguen menos de 3 aviones en una hora?
P(x< 3) = P(x = 0) + P(x = 1) + P(x = 2)
= 10
e = 2.7183
K=0,1,2
Ejercicios:
En una gasolinera, una bomba surte a 90 autos por hora. Cul es la
probabilidad de que en 15 minutos se surtan exactamente 8 automviles.
= 90 X hora, hacer regla de 3 y obtener el promedio para 15 minutos
e = 2.7183
K=8
Ejercicios:
Cada rollo de acero de 800 metros tienen en promedio 5 imperfecciones,
Cul es la probabilidad de que en 200 metros no exista ninguna
imperfeccin?
= 5 X 800 metros, hacer regla de 3 y obtener el promedio para 200 metros
e = 2.7183
K=0
Ejercicios Distribucin de Poisson
a)
Un cajero automtico es utilizado cada 20 minutos por 6 personas en
promedio. Se desea saber cul es la probabilidad de:
Que el cajero sea utilizado por 5 personas en 20 minutos.
b) Que el cajero sea utilizado por 10 personas en 20 minutos.
c)
a)
Que el cajero sea utilizado por 5 personas o menos en 20 minutos.
Si un banco recibe en promedio 6 cheques sin fondo por da. Cules son las
probabilidades de que:
Reciba 4 cheques sin fondo en un da.
b) 10 cheques sin fondo en cualquiera de 2 das consecutivos.
Distribucin Geomtrica
Si una variable aleatoria discreta X definida en un espacio de probabilidad representa el
numero de repeticiones necesarias de un experimento de Bernoulli para obtener el primer
xito, entonces tiene por funcin de densidad: X-1
P(x=k) =
k-1
q
.p
P (X=k) = funcin de densidad, de la variable aleatoria con distribucin geomtrica.
k Numero de experimentos hasta que aparece el 1er xito.
p probabilidad de xito
q probabilidad de fracaso (1 - p)
Distribucin Geomtrica
Del salon el 60% de los alumnos son hombres, calcular probabilidad
de extraer el 1er hombre a la cuarta ocasin que extraemos un
alumno.
Definir xito: sea hombre.
k=4
p = 0.60
q = 0.40
P(x=k) = qk-1 . p
Distribucin Geomtrica
Ejemplo:2
Calcular la
probabilidad de que salga
el No. 5 a la tercera vez
que lanzamos un dado.
Distribucin Geomtrica
Ejemplo:2 Calcular la probabilidad de que salga el No. 5 a la tercera vez que
lanzamos un dado.
Definir xito: sale No. 5
k=3
p = 1/6 = 0. 1666
q = (1 - 0.16660) = 0.8333
P(X=3) = (0.8333)3-1(0.1666) = (0.8333)2(0.1666) =0.1156
Distribucin Geomtrica
En el saln hay 8 alumnos de ojos cafs, 9 de ojos
azules, 7 de ojos negros, y 10 de ojos verdes; si
extraemos 6 alumnos,
Calcular la probabilidad de que este ultimo tenga los
ojos claros.
Calcular la probabilidad de que este ultimo no tenga
los ojos claros.
Calcular la probabilidad de que este ultimo tenga los
ojos NEGROS.
Calcular la probabilidad de que este ultimo tenga los
ojos CAFES.
Distribucin Geomtrica
En el saln hay 8 alumnos de ojos cafs, 9 de ojos azules, 7 de ojos negros, y 10
de ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este
ultimo tenga los ojos claros.
Definir xito: tenga ojos claros.
k=6
p = 0.5588
q = 1- 0.5588 = 0.4412
P(X=6) = (0.4412)6-1(0.5588) = (0.4412)5(0.5588)
= 0.0093
Distribucin Geomtrica
Una mquina detecta fallas en los productos que elabora una fabrica. Si los
productos tienen una probabilidad de falla del 5%.
calcular la probabilidad de que la mquina encuentre su primer producto
defectuoso en la octava ocasin que selecciona un producto para su inspeccin.
Calcular la probabilidad de que la mquina encuentre su primer producto
defectuoso en la decima ocasin que selecciona un producto para su inspeccin.
Calcular la probabilidad de que la maquina encuentre su primer producto
defectuoso en la novena ocasin que selecciona un producto para su inspeccin.
Calcular la probabilidad de que la maquina encuentre su primer producto NO
defectuoso en la novena ocasin que selecciona un producto para su inspeccin.
Calcular la probabilidad de que la maquina encuentre su primer producto NO
defectuoso en la DECIMA ocasin que selecciona un producto para su inspeccin.
Distribucin Geomtrica
Una maquina detecta fallas en los productos que elabora una
fabrica. Si los productos tienen una probabilidad de falla del 5%,
calcular la probabilidad de que la maquina encuentre su primer
producto defectuoso en la octava ocasin que selecciona un
producto para su inspeccin.
Definir xito: salga defectuoso el producto.
k=8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)8-1(0.05) = (0.95)7(0.05) =0.0349
La distribucin uniforme continua
La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
Es una distribucin continua porque puede tomar cualquier valor y no nicamente
un nmero determinado (como ocurre en las distribuciones discretas).
Ejemplo: el precio medio del kilo de salmn durante el prximo ao se estima que
puede oscilar entre 140 y 160 pesos. Podra ser, por tanto, de 143 pesos, o de
143.4 pesos., o de 143.45 pesos, o de 143.455 pesos, etc. Hay infinitas
posibilidades, todas ellas con la misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por:
La distribucin uniforme continua
Donde:
b: es el extremo superior (en el ejemplo, 160 pesos)
a: es el extremo inferior (en el ejemplo, 140 pesos)
Por lo tanto, la funcin de distribucin del ejemplo sera:
Es decir, que el valor final est entre 140 pesos y 141 pesos tiene
un 5% de probabilidad, que est entre 141 y 142, otro 5%, etc.
La distribucin uniforme continua
Por lo tanto, el precio promedio esperado del salmn para el prximo
ao es de 150 pesos
La distribucin uniforme continua
El volumen de precipitaciones estimado para el prximo ao en la ciudad de
Toluca va a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la
funcin de distribucin y la precipitacin media esperada:
Es decir, la precipitacin media estimada en Toluca para el prximo ao es de
450 litros.
Distribucin Normal
Definicin de distribucin normal
Una variable aleatoria X con funcin de densidad de probabilidad
1
2
22
< <
Tiene una distribucin normal, con parmetro , donde < < , > 0.
Para encontrar la probabilidad de que la variable aleatoria este en cierto intervalo
sera necesario calcular la integral definida correspondiente, lo cual no es prctico,
de manera que lo que se hace en la prctica es tomar la variable aleatoria normal,
estandarizarla con el cambio de variable = ,y obtener el rea correspondiente,
es decir la probabilidad, en la tabla de distribucin normal estndar, que tiene media
cero y desviacin estndar 1
Distribucin Normal
Distribucin Normal
Ejemplos
Tenemos un programa de entrenamiento diseado para mejorar la calidad de
las habilidades de los supervisores de lnea de produccin. Debido a que el
programa es autoadministrado, los supervisores requieren un nmero
diferente de horas para terminarlo. Un estudio de los participantes anteriores
indica que el tiempo medio para completar el programa es de 500 horas, y
que esta variable aleatoria normalmente distribuida tiene una desviacin
estndar de 100 horas.
Ejemplo 1 Cul es la probabilidad de que un participante elegido al azar
requiera ms de 500 horas para completar el programa?
Ejemplos
Si buscamos z 1.5 en la tabla 1 del apndice, encontraremos una probabilidad de 0.4332.
En consecuencia,
la probabilidad de que un candidato escogido al azar requiera entre 500 y 650 horas para
terminar el programa de entrenamiento es ligeramente mayor a 0.4.
Tenemos un programa de entrenamiento diseado para mejorar la calidad de las
habilidades de los supervisores de lnea de produccin. Debido a que el programa
es autoadministrado, los supervisores requieren un nmero diferente de horas
para terminarlo. Un estudio de los participantes anteriores indica que el tiempo
medio para completar el programa es de 500 horas, y que esta variable aleatoria
normalmente distribuida tiene una desviacin estndar de 100 horas.
Cul es la probabilidad de que un candidato elegido al azar se tome entre 500 y
650 horas para completar el programa de entrenamiento?
Ejemplos
Cul
es la probabilidad de que un
candidato elegido al azar se tome
ms de 700 horas
Ejemplos
Cul es la probabilidad de que un candidato elegido al azar se tome ms de 700
horas
Buscando en la tabla 1 del apndice un valor de z igual a 2.0, encontramos una probabilidad de 0.4772. Esto
representa la probabilidad de que el programa tome entre 500 y 700 horas. Sin embargo, deseamos tener la
probabilidad de que tome ms de 700 horas (el sombreado de la figura). Puesto que la mitad derecha de la curva
(entre la media y la cola derecha) representa una probabilidad de 0.5, podemos obtener nuestra respuesta (el
rea que se encuentra a la derecha del punto correspondiente a 700 horas) si restamos 0.4772 de 0.5;
0.5000 - 0.4772 = 0.0228.
Por tanto, hay un poco ms de dos oportunidades en 100 de que un participante elegido al azar se lleve ms de
700 horas en completar el curso.
Ejemplos
Suponga que el director del programa de
entrenamiento desea saber la probabilidad de que
un participante escogido al azar requiera entre 550
y 650 horas para completar el trabajo requerido en
el programa.
Ejemplos
Suponga que el director del
programa de entrenamiento desea
saber la probabilidad de que un
participante
escogido
al
azar
requiera entre 550 y 650 horas para
completar el trabajo requerido en el
programa.
Esta probabilidad est representada
por el rea sombreada de la figura 519. En esta ocasin, nuestra
respuesta requerir nuevos pasos.
Primero calculamos un valor de z
para nuestro punto correspondiente
a 650 horas de la siguiente manera:
Cuando buscamos un valor de z
igual a 1.5 en la tabla 1 del
apndice,
encontramos
una
probabilidad
de
0.4332
(la
probabilidad de que la variable
aleatoria est entre la media y 650
horas). Ahora, para el segundo paso
calculamos un valor de z para el
punto correspondiente a 550 horas,
as:
En la tabla 1 del apndice, nos damos cuenta de
que el valor z igual a 0.5 tiene una probabilidad
de 0.1915 (la posibilidad de que la variable
aleatoria caiga entre la media y 550 horas). Para
responder nuestra pregunta, debemos realizar la
resta siguiente:
Ejercicio
Cul
es la probabilidad de que un
candidato elegido al azar se tomar
menos de 580 horas para completar el
programa?
Ejercicio
Cul es la probabilidad de que un candidato elegido al azar se tomar menos
de 580 horas para completar el programa?
Al buscar en la tabla 1 del apndice un valor para z igual a 0.8, encontramos una probabilidad de 0.2881 (la probabilidad de que la variable aleatoria
est entre la media y 580 horas). Debemos sumar a sta la probabilidad de que la variable aleatoria est entre la cola izquierda y la media. Debido a
que la distribucin es simtrica con respecto a la mitad de su rea a cada lado de la media, sabemos que este valor debe ser de 0.5. Como paso final,
entonces, sumamos las dos probabilidades:
Ejercicio
Cul
es la probabilidad de que un
candidato escogido al azar se tome
entre 420 y 570 horas para completar
el programa?
Ejercicio
Cul es la probabilidad de que un candidato escogido al azar se tome entre 420 y 570 horas para
completar el programa?
La figura ilustra el intervalo en cuestin de 420 a 570 horas. De nuevo, para llegar a la solucin se
necesitan dos pasos. Primero, calculamos un valor para z correspondiente al punto 570 horas:
Buscamos el valor de z correspondiente a 0.7 en la tabla 1 del
apndice y encontramos 0.2580 como
valor de probabilidad. Segundo, calculamos el valor de z para el
punto correspondiente a 420 horas:
Como la distribucin es simtrica, podemos desentendernos del signo y buscar un
valor de z correspondiente a 0.8. La probabilidad asociada con este valor de z es
0.2881. Encontramos nuestra respuesta si sumamos estos dos valores, para
obtener:
