Distribuciones ejercicios
Upcoming SlideShare
Loading in...5
×

Like this? Share it with your network

Share
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
No Downloads

Views

Total Views
4,428
On Slideshare
4,184
From Embeds
244
Number of Embeds
2

Actions

Shares
Downloads
60
Comments
0
Likes
1

Embeds 244

http://hugo-franco.bligoo.com.mx 243
http://www.hugo-franco.bligoo.com.mx 1

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Universidad Tecnológica de TorreónEjercicio: Distribución Bernoulli Distribución Binomial Distribución Poisson Distribución Normal Distribución Gamma Distribución T de student Víctor Hugo Franco GarcíaProcesos Industriales Área de Manufactura 2º “A” Matricula: 1110167Prof. Lic. Edgar Mata Ortiz
  • 2. ÍndiceDistribución Bernoulli…………………………...3-4-5Distribución Binomial……………………………6-7-8Distribución Poisson………………………………9-10Distribución Gamma…………………………11-12-13Distribución Normal……………………..…..14-15-16Distribución T de student…………………….17-18-19Bibliografía………………………………………..20Distribuciones Página 2
  • 3. La distribución BernoulliImagine un experimento que tenga dos resultados. Al primero se le llama “éxito” y al otro“fracaso”. La probabilidad de éxito se denota por p. por consecuencia, la probabilidad de fracasoes 1-p. lo anterior representa un ensayo de Bernoulli con probabilidad de éxito p. el más sencillode este tipo es el lanzamiento al aire de una moneda. Los posibles resultados son “cara” o “cruz”.Si “cara” se define como éxito, entonces p constituye esa probabilidad. En una moneda p = ½.Para cualquier ensayo de Bernoulli se define a la variable aleatoria X así: si el experimento propicia“éxito”, entonces X=1. De lo contrario, X=0. De ahí que X sea una variable aleatoria discreta, confunción de masa de probabilidad p(x) definida por p (0)= p (X = 0) = 1 – p p (1)= p (X = 1) = pEjemplo:Cuando se lanza un dado hay una probabilidad de 1/6 de que salga 6. Sea X = 1 si el dado cae seisy X = 0 en cualquier otro caso. ¿Cuál es la distribución de X?SOLUCIÓN:La probabilidad de éxito es p = p (x = 1) = 1 / 6. Por lo que X – Bernoulli (1 / 6) EJERCICIOS: 1. Un jugador de basquetbol está a punto de tirar hacia la parte superior del tablero. La probabilidad de que anote el tiro es de 0.55 a) Sea X=1, si anota el tiro, si no lo hace, X=0. Determine la media y la varianza de X. Ux = (0) (1 – 0.55) + (1) (0.55) = 0.55 MEDIA = (0 - P)ˆ2 (1-P) + (1 - P)ˆ2 (P) = P (1 - P) = 0.2475 VARIANZA b) Si anota el tiro, su equipo obtiene dos puntos; si lo falla, su equipo no recibe puntos. Sea Y el número de puntos anotados. ¿Tiene una distribución de Bernoulli? Si es así, encuentre la probabilidad de éxito. Si no, explique por qué. P+ =1 =1–P = 1 – 0.55 = 0.45Distribuciones Página 3
  • 4. ¿Tiene una distribución de Bernoulli? Sí, porque nos plantean un ejemplo donde nos presentan 2 opciones de éxito o fracaso., donde si anota ganan 2 puntos y si no anotan no gana nada c) Determina la media y varianza de Y. Ux = (0) (1 - 2) + (1) (2) = 2 MEDIA = (0 - P) ˆ2 (1 – P) + (1 - P) ˆ2 (P) =P (1 - P) = -2 VARIANZA 2. En un restaurante de comida rápida, 25% de las órdenes para beber es una bebida pequeña, 35% una mediana y 40% una grande. Sea X=1 si se escoge aleatoriamente una orden de bebida pequeña y X=0 en cualquier otro caso sea Y=1 si la orden es una bebida pequeña p mediana y Z=0 para cualquier otro caso. a) Sea Px la probabilidad de éxito de X. Determine Px X – (Y + Z) 1 – (35 + 40) 1 – (0.75) = 0.25 25% b) Sea Py la probabilidad de éxito de Y. Determine Py Y - (X + Z) 1 – (25 + 40) 1 – (65) = 0.35 35% c) Sea Pz la probabilidad de éxito de Z. determine Pz Z – (X + Y) 1 – (25 + 35) 1 – (60) = 0.40 40% d) ¿Es posible que X y Y sean iguales a 1? No, porque la suma de sus porcentajes es menos a 1 e) ¿Es pz = Px + Py? No, porque Z = 40% y X + Y = 70% 3. X y Y variables aleatorias de Bernoulli. Sea Z = X + Y. a) Demuestre que si X y Y no pueden ser iguales a 1, entonces Z es variable aleatoria de Bernoulli. DATOS: X = 1 Y = 1 Z = X + Y Z=2 X=1 X=0 Z=0+0 Z = 0 No es un variable de Bernoulli Y=1 Y=0 b) Demuestre que si X y Y no pueden ser iguales a 1, entonces Pz = Px + Py Pz = Px + Py 1=0+0 1 = 0 No son iguales c) Demuestre que si X y Y pueden ser iguales a 1, entonces Z no es una variable aleatoria de Bernoulli.Distribuciones Página 4
  • 5. X=1 Z=X+Y Z = 2 No es una variable de Bernoulli Y=1 4. Se lanza al aire una moneda de 1 y 5 centavos. Sea X = 1 si sale “cara” en la moneda de 1 centavo y X = 0 en cualquier otro caso. Sea Y= 1 si sale “cara” en la moneda de 5 centavos y Y = 0 en cualquier otro caso. Sea Z = 1 si sale cara, en ambas monedas y Z = 0 en cualquier otro caso a) Sea Px la probabilidad de éxito de X. Determine Px Monda de 1 centavo X P 1 0.5 – 0.5 0 0.5 - 0 0.5 b) Sea Py la probabilidad de éxito de X. Determine Py X P 1 0.5 – 0.5 0 0.5 - 0 0.5 c) Sea pz la probabilidad de éxito de X. Determine Pz Z P 1 (0.33) – 0.5 0 (0.66) - 0 0.5 d) ¿son X y Y independientes? Si, porque cada una tiene el mismo resultado y no depende una de la otra e) ¿Es pz = Px Py? No, porque los 3 resultados son independientes f) ¿Es Z = XY? Explique Si, porque Z = 1, X = 1, Y = 1 por lo tanto 1 = 1 x 1 1=1 5. Sea X y Y variables aleatorias de Bernoulli. Sea Z = XY. a) Demuestre que Z es una variable aleatoria de Bernoulli. Si X y Y son variables de Bernoulli X=1 Y=1 Sea Z = XY Z = (1) (1) Z=1 b) Demuestre que si X y Y son independientes, entonces Pz = PxPy X=1 Pz = 1 = Px = 1 = Py = 1Distribuciones Página 5
  • 6. Y=1 Pz = Px Py Z=1 1 = (1) (1) 1=1 La distribución binomialExtraer un solo componente de una población y determinar si está o no defectuoso es ejemplo deun ensayo de Bernoulli. En la práctica es posible extraer varios componentes de una granpoblación y contar el número de elementos defectuosos. Esto implica realizar diversos ensayos deBernoulli independientes y contar con el número de éxitos. El número de éxitos es una variablealeatoria, que tiene una distribución binomial.Sea la variable aleatoria X igual al número de éxitos en N ensayos, entonces X tiene la distribuciónbinomial con parámetros n y p. la notación es X-Bin (n, p). X es una variable aleatoria discreta ysus posibles valores son 0,1,…..n.Ejemplo:Un lote contiene varios miles de componentes, de estos 10% están defectuosos. Se extraen sietecomponentes de la población. Sea X el número de componentes defectuosos en la muestra. ¿Cuáles la distribución de X?SOLUCION:Puesto que el tamaño muestral es pequeño en comparación con la población (es decir, menos a5%), su número de éxitos representa una distribución binomial. Por tanto, se modela X con ladistribución binomial Bin (7, 0.1). 1. Sea X – Bin (8, 0.4). Determine a) P(X = 2) P (X = 2) 8! 2 (8 - 2) (0.4) ˆ2 (0.6) ˆ6 = 0.20901888 b) P(X = 4) P (X = 4) 8! 4 (8 - 4) (0.4) ˆ4 (0.6) ˆ4 = 0.2322432 c) P(X < 2) P (X <2) 8! 1 (8 - 1) (0.4) ˆ1 (0.6) ˆ5 = 0.08957952 d) P(X > 6) P (X > 6) 8! 7 (8 - 7) (0.7) ˆ7 (0.3) ˆ1 = 0.19765032 e) UxDistribuciones Página 6
  • 7. X P X (P) 3 0.15 0. 45 0 0.85 0 MEDIA: 0 .45 f) (X - M) ˆ2 (P) (3 – 0.45) ˆ2 (0.15) = 0.975375 (0 – 0.45) ˆ2 (0.85) = 0.172125 VARIANZA: 1. 1475 2. Se toma una muestra de cinco elementos de una población grande en la cual 10% de los elementos está defectuoso. a) Determine la probabilidad de que ninguno de los elementos de la muestra esté defectuoso. 5! 0! (5 - 0)! (0.9) ˆ0 (0.1) ˆ5 = 0.00001 b) Determine la probabilidad de que sólo uno de ellos tenga defectos. 5! 1! (5 - 1) (0.9) ˆ1 (0.1) ˆ4 = 0.00045 c) Determine la probabilidad de que uno o más de los elementos de la muestra estén defectuosos 5! 2! (5 - 2)! (0.9) ˆ2 (0.1) ˆ3 = 0.0081 + 0.00045 = 0.00855 d) Determine la probabilidad de que menos de dos elementos de la muestra tenga defectos 0.00001 0.00045 0.00046 3. Se lanza al aire una moneda diez veces. a) ¿Cuál es la probabilidad de obtener tres veces “cara”? 10! 3! (10 - 3)! (0.5) ˆ3 (0.5) ˆ7 = 0.1171875 b) Determine la media del número de caras obtenidas U = (10) (0.5) = 5 c) Determine la varianza del número de caras obtenidas = 5 (1 - 0.5) = 2.5 d) Determine la desviación estándar del número de caras obtenidas = 1.58113883Distribuciones Página 7
  • 8. 4. En un cargamentos grande de llantas de automóvil. 5% tiene cierta imperfección. Se eligen aleatoriamente cuatro llantas para instalarlas en el automóvil. a) ¿Cuál es la probabilidad de que ninguna de las llantas tenga imperfección? 4! 0 (4 - 0) (0.95) ˆ0 (0.05) ˆ4 = 0.00000625 b) ¿Cuál es la probabilidad de que sólo una de las llantas tenga imperfección? 4! 1 (4 - 1) (0.95) ˆ1 (0.05) ˆ3 = 0.000475 c) ¿Cuál es la probabilidad de que una o más de las llantas tenga imperfección? 4! 2 (4 - 2) (0.95) ˆ2 (0.05) ˆ2 = 0.0135375 + 0.000475 = 0.0140125 5. En un patrón aleatorio de ocho bits utilizado para probar un microcircuito. Cada bit tiene la misma probabilidad de ser 0 o 1. Suponga que los valores de los bits son independientes. a) ¿Cuál es la probabilidad de que todos los bits sean 1? 8! 1 (8 - 1) (0.5) ˆ1 (0.5) ˆ7 = 0.03125 b) ¿Cuál es la probabilidad de que exactamente tres de los bits sean 1? 3! 1 (3 - 1) (0.5) ˆ1 (0.5) ˆ2 = 0.375 c) ¿Cuál es la probabilidad de que al menos seis de los bits sean 1? 6! 1 (6 - 1) (0.5) ˆ1 (0.5) ˆ5 = 0.09375 d) ¿Cuál es la probabilidad de que al menos dos de los bits sean 1? 2! 1(2 - 1) (0.5) ˆ1 (0.5) ˆ1 = 0.5Distribuciones Página 8
  • 9. La distribución de PoissonLa distribución de Poisson se utiliza con frecuencia en el trabajo científico. Unamanera de considerarla es como una aproximación de la distribución binomialcuando n es grande y p es pequeña. Si una variable aleatoria discreta X definidaen un espacio de probabilidad <m> (Omega, Lambda, P (.)) es el numero deéxitos en n repeticiones de un experimento de Bernoulli.Donde lambda es igual a n * P (tamaño de muestra multiplicado por laprobabilidad de éxito)n = Tamaño de muestrax = Cantidad de éxitosP = Probabilidad de éxitoe = base de logaritmos = 2.718281828 1. Sea X ~ Poisson (4). Determine a) P (x = 1) e – 4 (4^1, 1!) = 0.073262555 b) P (x = 0) e – 4 (4^0, 0!) = 0.018315638 c) P (x = <2) e – 4 (4^0, 0!) = 0.018315638 e – 4 (4^1, 1!) = 0.073262555 = 0.091578193 d) P (x > 1) P (x = 2) e – 4 (4^2, 2!) = 0.146525111 P (x = 3) e – 4 (4^3, 3!) = 0.195366814 = 0.3418919225 e) U MEDIA: 4 f) VARIANZA: 4 2. La concentración de partículas en una suspensión es 2 por mL. Se agita por completo la concentración, y posteriormente se extraen 3 Ml. Sea X el número de partículas que son retiradas. Determine a) P (x = 5) e – 2 (2^5, 5!) = 0.036089408 b) P (x = < 2) e – 2 (2^2, 2!) = 0.270670566 e – 2 (2^1, 1!) = 0.270670566 = 0.541341132Distribuciones Página 9
  • 10. c) P (x > 1) e – 2 (2^2, 2!) = 0.270670566 3. Suponga que 0.03% de los contenedores plásticos producidos en cierto proceso tiene pequeños agujeros que los dejan inservibles. X representa el número de contenedores en una muestra aleatoria de 10 000 que tienen este defecto. Determine a) P (X = 3) e – 3 (3^3, 3!) = 0.224041807 b) P (X < 2) e – 3 (3^2, 2!) = 0.224041807 e – 3 (3^1, 1!) = 0.149361205 = 0.373403075 c) P (1 < X <4) e – 3(3^3, 3!) = 0.224041807 d) U MEDIA: 3 e) VARIANZA: 3 4. Si Poisson (3), calcule a) P (X = 2) e – 3 (3^2, 2!) = 0.2240 b) P (X = 10) e – 3 (3^10, 10!) = 0. 00081 c) P (X = 0) e – 3 (3^0, 0!) = 0. 0498 5. Si X ~ Poisson (4). Calcule a) P (X < 2) E – 4 (4^2, 2!) = 0.146525111 b) P (X > 1) E – 4 (4^1, 1!) = 0.073262555Distribuciones Página 10
  • 11. La distribución normalEn estadística y probabilidad se llama distribución normal, distribución deGauss o distribución gaussiana, a una de las distribuciones de probabilidad devariable continua que con más frecuencia aparece aproximada en fenómenosreales. La distribución normal es continua en vez de discreta. La media de unavariable aleatoria normal puede tener cualquier valor y la varianza cualquier valorpositivo. La distribución normal también aparece en muchas áreas de la propiaestadística. Por ejemplo, la distribución muestral de las medias muéstrales esaproximadamente normal, cuando la distribución de la población de la cual seextrae la muestra no es normal.Ejercicios: 1. En una ciudad se estima que la temperatura máxima en el mes de junio si una distribución normal, con media 23° y desviación típica 5°. Calcular el número de días del mes en los que se espera alcanzar máximas entre 21° y 27°. 2. En un examen tipo test de 200 preguntas de elección múltiple, cada pregunta tiene una respuesta correcta y una incorrecta. Se aprueba si se contesta a más de 110 respuestas correctas. Suponiendo que se contesta al azar, calcular la probabilidad de aprobar el examen.Distribuciones Página 11
  • 12. 3. Se supone que los resultados de un examen siguen una distribución normal con media 78 y varianza 36. Se pide: ¿Cuál es la probabilidad de que una persona que se presenta el examen obtenga una calificación superior a 72? 4. En una distribución normal de media 4 y desviación típica 2, calcular el valor de a para que: P(4−a ≤ x ≤ 4+a) = 0.5934Distribuciones Página 12
  • 13. 5. Si X es una variable aleatoria distribuida según una distribución N (µ, σ), hallar: P (µ−3σ ≤ X ≤ µ+3σ)Es decir, que aproximadamente el 9 9 . 7 4 % de los valores de X están a menos de tres desviacionestípicas de la media.Distribuciones Página 13
  • 14. La Distribución GammaDISTRIBUCIÓN GAMMAEs una distribución adecuada para modelizar el comportamiento de variablesaleatorias continuas con asimetría positiva. Es decir, variables que presentan unamayor densidad de sucesos a la izquierda de la media que a la derecha. En suexpresión se encuentran dos parámetros, siempre positivos, (α) y (β) de los quedepende su forma y alcance por la derecha, y también la función Gamma Γ(α),responsable de la convergencia de la distribuciónel valor de la función Gamma se obtiene a partir de:Ejercicios:1. En cierta ciudad el consumo diario de energía eléctrica, en millones de kilovatios por hora,puede considerarse como una variable aleatoria con distribución GAMMA de parámetros =3y = 0.5.La planta de energía de esta ciudad tiene una capacidad diaria de 10 millones de KW/hora¿Cuál es la probabilidad de que este abastecimientos sea:a. Insuficiente en un día cualquiera?.b. Se consuman entre 3 y 8 millones de K. W./Hora?c. Encuentre E(x) y V(x).Solución:Distribuciones Página 14
  • 15. 2. Suponga que cierta pieza metálica se romperá después de sufrir dos ciclos de esfuerzo.Si estos ciclos ocurren de manera independiente a una frecuencia promedio de dos porcada 100 horas. Obtener la probabilidad de que el intervalo de tiempo se encuentre hastaque ocurre el segundo ciclo.a. Dentro de una desviación con respecto del tiempo promedio.b. A más de dos desviaciones por encima de la media.Solución:3. El número de pacientes que llegan a la consulta de un médico sigue una distribución dePoisson de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de unahora hasta la llegada del segundo paciente.Debe tenerse en cuenta que la variable aleatoria “tiempo que transcurre hasta la llegada del segundopaciente” sigue una distribución Gamma (6, 2).Solución:Cálculo de probabilidades. Distribuciones continuasGamma (a p)a : Escala 60000p : Forma 20000Punto X 10000Cola Izquierda Pr[X<=k] 0,9826Cola Derecha Pr[X>=k] 0,0174Media 0,3333Varianza 0,0556Moda 0,1667La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es 0,98.4. Suponiendo que el tiempo de supervivencia, en años, de pacientes que son sometidos a una ciertaintervención quirúrgica en un hospital sigue una distribución Gamma con parámetros a=0,81 yp=7,81, calcúlese:Distribuciones Página 15
  • 16. 1. El tiempo medio de supervivencia.2. Los años a partir de los cuales la probabilidad de supervivencia es menor que 0,1.Cálculo de probabilidades. Distribuciones continuasGamma (a,p)a : Escala 0,8100p : Forma 7,8100Cola Izquierda Pr [X<=k] 0,9000Cola Derecha Pr [X>=k] 0,1000Punto X 14,2429Media 9,6420Varianza 11,9037Moda 8,4074El tiempo medio de supervivencia es de, aproximadamente, 10 años.5. suponga que cierta pieza metálica se romperá después de sufrir dos siclos de esfuerzo. Si estosciclos ocurren de manera independiente a una frecuencia promedio de dos por cada 100 horas.Obtener la probabilidad de que el intervalo de tiempo se encuentre hasta que ocurre el segundociclo.a) dentro de una desviación con respecto del tiempo promediob) A más de dos desviaciones por encima de la mediaDistribuciones Página 16
  • 17. La distribución T de StudentEn probabilidad y estadística, la distribución t (de Student) es una distribuciónde probabilidad que surge del problema de estimar la media de unapoblación normalmente distribuida cuando el tamaño de la muestra es pequeño.Aparece de manera natural al realizar la prueba t de Student para la determinaciónde las diferencias entre dos medias muéstrales y para la construcción del intervalode confianza para la diferencia entre las medias de dos poblaciones cuando sedesconoce la desviación típica de una población y ésta debe ser estimada a partirde los datos de una muestra. En estos casos calculamos el estadístico T:Ejercicios: 1. S e s e l e c c i o n o u n a m u e s t r a a l e a t o r i a d e 2 5 c u e n t a s p o r c o b r a r d e u n registro que contenía 96 cuentas. La muestra dio una media de x = 2.435colones y una desviación típica de S = 335 colones. Obténgase un intervalo de confianza del 90% para estimar la media de las 96 cuentas del registro. 2. El auditor de una empresa al examinar los registros de facturación mensual, mediante el análisis de una muestra aleatoria irrestricta de 10 facturas no pagadas encontró que la media aritmética fue de x = $95 0 0 c o n u n a desviación típica de s = $327. Construir un intervalo de confianza del 95%para estimar el parámetro poblacional.Distribuciones Página 17
  • 18. 3. U n a m u e s t r a a l e a t o r i a d e l p r o c e s o d e p r o d u c c i ó n d e 1 7 b o m b i l l o s , d i o u n a media de x = 128 horas, con una desviación típica s = 15 horas. Construir un intervalo de confianza del 99% para estimar el promedio de vida útil de todos los bombillos del proceso 4. U n a e m p r e s a c o n s t r u c t o r a d e s e a c o n o c e r e l p r o m e d i o d e a r r e n d a m i e n t o mensual de casas en cierta ciudad (casas tipo clase media). Una muestraa l e a t o r i a d e 2 6 a r r e n d a m i e n t o s d i o u n p r o m e d i o d e x = $ 2 8 0 y u n a desviación típica de s = $55. Estime el promedio verdadero con un intervalo de confianza del 0.99Distribuciones Página 18
  • 19. 5. E l p r o p i e t a r i o d e u n a p a p e l e r í a d e s e a e s t i m a r l a m e d i a d e l v a l o r a l menudeo de las tarjetas de felicitación que la tienda tiene en su inventario. U n a m u e s t r a a l e a t o r i a d e 2 0 t a r j e t a s d e f e l i c i t a c i ó n i n d i c a una media dev a l o r d e $ 1 . 6 7 y u n a d e s v i a c i ó n e s t á n d a r d e $ 0 . 3 2 . S u p o n i e n d o u n a distribución normal, construya una estimación del intervalo de confianza del9 5 % p a r a l a m e d i a d e l v a l o r d e t o d a s l a s t a r j e t a s d e f e l i c i t a c i ó n e n e l inventario de la tiendaDistribuciones Página 19
  • 20. Bibliografía: Autor: William Navidi Libro: estadística para ingenieros Y científicos Titulo: Distribución Bernoulli Distribución binomial Distribución Poisson Distribución normal Distribución gamma Distribución T de student Editorial: Mc Graw Hill andruss_hugo1453@hotmail.com http://www.facebook.com/profile.php?id=100001475094229 http://hugo-franco.bligoo.com.mx/content https://twitter.com/#!/victorhugofran4 Otros: World_black2@hotmail.comSaludos ¡Gracias por tu atención!Distribuciones Página 20