Professional Documents
Culture Documents
SUPERIOR
POLITECNICA
DEL LITORAL
PROBABILIDAD
TABLA DE CONTENIDOS
INTRODUCCION
1.1 INTRODUCCION
1.2 OBJETIVOS:
1.2.1 OBJETIVO GENERAL:
1.2.2 OBJETIVOS ESPECIFICOS:
1
3
3
3
MARCO TEORICO
4
5
7
7
10
METODOLOGIA
12
RESULTADOS
13
13
14
14
ANEXOS
15
BIBLIOGRAFIA.
21
CAPITULO 1. INTRODUCCION
1 INTRODUCCION
1.1 INTRODUCCION
El presente proyecto nace de la necesidad de demostrar los conocimientos aprendidos en clases
del curso de Estadstica para ingenieras de la Escuela Superior Politcnica del Litoral, ya que se
busca comprobar que las frmulas, definiciones y ejercicios analizados en clases tienen un alto
grado de aplicacin en la vida real.
La importancia de sta investigacin radica en que el lector pueda darse cuenta de que posterior a
la toma de datos, a travs de la estadstica descriptiva, es decir, aquellos mtodos que incluyen la
recoleccin, presentacin y caracterizacin de un conjunto de datos con el fin de describir
apropiadamente las diversas caractersticas de ese conjunto, 1 y el clculo de probabilidades, que
es un mtodo por el cual se obtiene la frecuencia de un acontecimiento determinado mediante la
realizacin de un experimento aleatorio, del que se conocen todos los resultados posibles, bajo
condiciones suficientemente estables2 podemos hallar informacin significativa para establecer
conexiones entre la investigacin que se realice y los resultados obtenidos.
Adems de esta razn, este trabajo toma trascendencia, debido a que, para el estudiante que
recibe el curso de Estadstica es de suma importancia evidenciar que todos los conocimientos
adquiridos los puede utilizar cuando sea necesario en el campo profesional, y esto lo hacemos a
travs de este sencillo experimento que consiste en crear una urna, y dentro de la urna colocar 40
bolitas, de las cuales 8 estarn marcadas y las 32 restantes sin ninguna marca, las nforas, en la
vida real, representan lotes o contenedores de cierto artculo, y las bolitas marcadas objetos
defectuosos.
Luego, realizar la extraccin de 5 bolitas tomando datos de la cantidad de bolitas marcadas que
salieron y luego se las devuelve al nfora para repetir 100 veces el mismo experimento.
Tambin debemos tomar en cuenta que para demostrar la aplicacin de los captulos 1, 2 y 3 del
libro Zurita G. (2010) Probabilidad y Estadstica, Fundamentos y Aplicaciones, segunda
1 http://www.monografias.com/trabajos13/beren/beren.shtml#ixzz3L8HOLfeM
2 http://www.estadisticaparatodos.es/historia/histo_proba.html
Page 1
CAPITULO 1. INTRODUCCION
edicin, se realizaron las tablas de frecuencia, as como los grficos: Histograma de frecuencias,
Ojiva y Diagrama de Caja, y tambin se hizo el clculo de probabilidades respectivo a cada
evento posible, a travs de las frmulas de Eventos favorables para Eventos posibles y del
modelo Hipergeomtrico de variables aleatorias discretas estudiadas en clase.
Todos estos clculos fueron comprobados y realizados en el programa R para estadstica
bsica, desde la simulacin de las extracciones, hasta el clculo de media, varianza, histograma
de frecuencias, y probabilidades, vinculando datos y algoritmos, para as establecer los datos
comparativos de nuestro experimento.
Page 2
CAPITULO 1. INTRODUCCION
1.2 OBJETIVOS:
Realizar una prueba estadstica con todos sus pasos tanto experimentalmente como en un
proceso de simulacin, representando un proceso de revisin de calidad en el campo
profesional, debido a la necesidad de aplicar lo aprendido a la vida real, con la finalidad
de observar los resultados y darles un correcto anlisis.
Adaptar las frmulas y definiciones estudiadas en clase, en el proceso para obtener las
Page 3
2 MARCO TEORICO
2.1 ESTADSTICA DESCRIPTIVA
La estadstica es una ciencia formal y una herramienta que estudia el uso y los anlisis
provenientes de una muestra representativa de datos, busca explicar las correlaciones y
dependencias de un fenmeno fsico o natural, de ocurrencia en forma aleatoria o condicional.3
La estadstica descriptiva es una gran parte de la estadstica que se dedica a recolectar, ordenar,
analizar y representar un conjunto de datos, con el fin de describir apropiadamente las
caractersticas de este. Este anlisis es muy bsico. Aunque hay tendencia a generalizar a toda la
poblacin, las primeras conclusiones obtenidas tras un anlisis descriptivo, es un estudio
calculando una serie de medidas de tendencia central, para ver en qu medida los datos se
agrupan odispersan en torno a un valor central.
En resumen, la Estadstica descriptiva registra los datos en tablas y los representa en grficos.
Calcula los parmetros estadsticos (medidas de centralizacin y de dispersin), que describen el
conjunto estudiado,4 estableciendo resultados que conecten la toma de informacin con las
conclusiones obtenidas.
Una de las tablas ms frecuentes en representacin de datos en estadstica descriptiva es La
distribucin de frecuencias o tabla de frecuencias, que es una ordenacin en forma de tabla de los
datos estadsticos, asignando a cada dato su frecuencia correspondiente. Un ejemplo de esta tabla
se muestra a continuacin:
3 Best, Joel (2001). Damned Lies and Statistics: Untangling Numbers from the
Media, Politicians, and Activists. University of California Press. ISBN 0-520-21978-3
4 http://www.ditutor.com/estadistica/estadistica_descriptiva.html
Page 4
Tabla de
xi
Me dia =
i=1
Varianza S =
(x i)2
i=1
n1
N ( E)
N ()
( EE 12 )
En esta definicin es obvio que si E2 afecta a probabilidad que E1 ocurra, entonces es verdad
que
( EE 12 ) P( E 2)
( EE 12 )=P( E 2)
. Entonces E1
( EE 21 )=P( E 1)
Ahora, si dentro del conjunto , E1, E2, , Ek son estocsticamente independientes entre s,
k
P ( A )= P ( Ei ) P(
i=1
A
)
Ei , esta es la definicin
10 http://www.monografias.com/trabajos46/muestreo-de-aceptacion/muestreo-deaceptacion.shtml#ixzz3L9KGMpkM
11 http://www.monografias.com/trabajos97/muestreo-aceptaciontecnicas/muestreo-aceptacion-tecnicas.shtml
Page 8
En este sentido, cuando se pretende enjuiciar un lote se tienen tres alternativas: inspeccin al
100%, cero inspeccin, o muestreo de aceptacin. Esta ltima es una decisin intermedia entre
las otras dos alternativas opuestas, y a veces resulta ser la ms econmica globalmente. A
continuacin explicamos cuando se aplica cada una de ellas.
El muestreo de aceptacin se lo realiza cuando se presentan algunos de los siguientes casos:
Cuando la inspeccin se hace con pruebas destructivas (como pruebas de tensin
y resistencia), es indispensable la inspeccin por muestras, de lo contrario todos los productos
seran destruidos con las pruebas.
Cuando el costo de la inspeccin al 100% es demasiado alto comparado con el costo de pasar
unidades defectuosas.
En los casos en los que la inspeccin al 100% no es tcnicamente posible o se requiere
mucho tiempo para llevarlo a cabo.
Cuando el lote lo forman gran cantidad de artculos que habra que inspeccionar y
la probabilidad de error en la inspeccin es suficientemente alta, de manera que la inspeccin al
100% podra dejar pasar ms unidades defectuosas que un plan de muestreo.
En situaciones donde histricamente el vendedor ha tenido excelentes niveles de calidad y se
desea una reduccin en la cantidad de inspeccin, pero la capacidad del proceso no es
suficientemente buena como para no inspeccionar.
Cuando es necesario asegurar la confiabilidad del producto, aunque la capacidad del proceso
fabricante del lote sea satisfactoria.
Page 9
Tiene menor costo porque se inspecciona menos, a pesar de algunos costos adicionales
generados por la planificacin y administracin de los planes de muestreo.
2.
3.
4.
DESVENTAJAS.
1. Hay cierto riesgo de aceptar lotes malos y rechazar buenos, aunque en un plan de
muestreo de aceptacin estn previstos y cuantificados estos riesgos.
2. Proporciona menos informacin acerca del nivel de calidad del producto o de su proceso
de fabricacin. Aunque bien utilizada, la informacin obtenida puede ser suficiente.
3. Se requiere ms tiempo y conocimiento para planificar y documentar el muestreo,
mientras la inspeccin al 100% no. Esto tal vez no sea una desventaja, ya que la
planificacin genera otros efectos positivos, como mayor conciencia de los niveles de
calidad exigidos por el cliente. 12
Ahora, para cierta poblacin debemos saber cmo determinar la muestra y exactamente cul es el
grado de disconformidad de esa poblacin.
Para hallar cual va a ser nuestra muestra, nosotros podramos buscar una manera de numerar los
productos, o clasificarlos por filas y columnas, o estratificarlos, o de alguna manera ubicarlos
bajo numeracin, de tal manera que aleatoriamente se puedan escoger algunos de estos para que
sean la muestra, ahora si existen circunstancias donde no se puede asignar un nmero a cada
unidad, es posible emplear alguno de los otros mtodos de muestreo que aseguren que el
muestreo es aleatorio o representativo.
Para tomar cualquier decisin sobre la poblacin, lo primero que se debe hacer es conocer tal
variabilidad. As, forzosamente se tiene que aplicar algn modelo probabilstico. En muestreo de
aceptacin tal modelo probabilstico es la curva caracterstica de operacin.13
12 http://es.slideshare.net/profesorimoran/muestreo-de-aceptacion
13 http://www.monografias.com/trabajos46/muestreo-de-aceptacion/muestreo-deaceptacion2.shtml#ventajas
Page 10
La curva CO de un plan proporciona una caracterizacin del potencial desempeo del mismo, ya
que con sta se puede saber la probabilidad de aceptar o rechazar un lote que tiene determinada
calidad. Adems, como de un lote que se somete a inspeccin por muestreo se desconoce su
proporcin, p, de artculos defectuosos, entonces la curva CO tiene que proporcionar la
probabilidad de aceptar lotes con cualquier valor de p.
A continuacin proponemos un ejemplo:
Se tiene un lote de infinito numero de artculos, y para realizar la muestra de aceptacin, se
escoge una muestra de 60 de los mismos, teniendo en cuenta que se acepta el lote, si y solo si, 1
o menos artculos son defectuosos. Esto es:
N: muy grande
n: 60
c: 1
Entonces se pide determinar cul es la probabilidad de aceptacin del lote, esto es la probabilidad
de que se tengan 2 o menos artculos defectuosos, significa que demos hallar P(x1), siendo
p=0,02.
Entonces hallando P(x=0) + P(x=1) es igual a 0,6619. Con esto sabemos el valor de la
probabilidad para una proporcin de defectuosos del 2% con respecto al total de artculos, pero la
OC, nos da una grfica a travs de la cual podemos aproximar los valores correspondientes a los
valores de p, que nosotros queramos.
Pero si el tamao de la muestra es N, diferente de infinito, n y c, entonces la probabilidad debe
ser hallada con distribucin hipergeomtrica.
Siendo as nos plantean el siguiente problema:
PROBLEMA:
Page 11
Page 12
3 ANLISIS DE RESULTADOS
3.1.1 Procedimiento para realizar el experimento
Page 13
> PRODUCTOS <- c ("N", "N", "N", "D", "N", "N", "N", "N", "N", "N", "N", "N",
"D", "N", "N", "N", "N", "N", "N", "N", "N", "N", "N", "D", "N", "N", "N", "D", "N",
"N", "N", "D", "D", "D", "N", "N", "N", "N", "D", "N")
El siguiente algoritmo nos permite realizar los 100 sorteos en un solo paso utilizando el
programa R
i=0
i1=0
i2=0
i3=0
i4=0
i5=0
i6=0
Datos = matrix(100,1)
for (j in 1:100)
{
Q = sample(PRODUCTOS,5)
for (i in 1:5)
{
if(Q[i]=='D')
i=i+1
}
Datos[j]<-i
if (i==0)
i1=i1+1
if (i==1)
i2=i2+1
if (i==2)
i3=i3+1
if (i==3)
i4=i4+1
if (i==4)
i5=i5+1
if (i==5)
i6=i6+1
i=0
}
Page 14
RESULTADO DE
SACAR 5 BOLITAS
"N"
1 "N"
"N"
2 "N"
"N"
3 "N"
"N"
4 "N"
"N"
5 "N"
"N"
6 "N"
"N"
7 "N"
"N"
8 "N"
"N"
9 "N"
"N"
10 "N"
"N"
11 "N"
"N"
12 "N"
"N"
13 "N"
"N"
14 "N"
"N"
15 "N"
"N"
16 "N"
"N"
17 "N"
"N"
18 "N"
"N"
19 "N"
"N"
20 "N"
"N"
21 "N"
"N"
22 "N"
23 "N"
Page 15
# DE
BOLITAS
DAADAS
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N" "N" "N" "N"
"N"
"N "N" "D" "N"
"N"
"D" "N" "N" "N"
"N"
"N "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "D"
"N"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "N" "N" "N"
"D"
"N" "D" "N" "N"
"N"
"N" "D" "N" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
"N" "N" "D" "N"
"N"
Page 16
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
10
0
"D"
"D" "N" "N" "N"
"D"
"N" "N" "N" "D"
"D"
"N" "N" "N" "D"
"D"
"N" "N" "N" "D"
"D"
"D" "N" "N" "D"
"N"
"N" "N" "D" "D"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "D" "N"
"N"
"N" "D" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"D" "N" "N" "D"
"N"
"N" "N" "N" "D"
"D"
"N "D" "D" "N"
"N"
"N "D" "N" "N"
"D"
"N" "D" "N" "N"
"D"
"N" "D" "N" "D"
"N"
"N" "N" "N" "D"
"D"
"N" "D" "D" "D"
"N"
"D" "D" "D" "N"
"N"
"D" "D" "N" "D"
"N"
"N" "D" "D" "D"
"N"
Page 18
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
Frecuencia
Frecuencia
Absoluta
Relativa (fi)
(ni)
29
0,29
44
0,44
23
0,23
4
0,04
0
0,00
0
0,00
1,00
Frecuencia
Absoluta
Acumulada (Ni)
29
73
97
100
100
100
Frecuencia
Relativa
Acumulada (Fi)
0,29
0,73
0,90
1,00
1,00
1,00
Utilizando esta tabla se podr determinar las medidas de tendencia central como la
media aritmtica y de dispersin como la varianza y desviacin estndar, adems de
graficar el histograma, la ojiva, y el diagrama de cajas todo esto aprendido en la captulo
de estadstica descriptiva
Colocamos todos los 100 resultados del nmero de productos daados en un nuevo
vector
m<-c(0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1,
1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 3, 3, 3, 3)
xi
x= i=1
n
x=
( 29 )( 0 )+ ( 44 )( 1 ) + ( 23 ) ( 2 ) + ( 4 )( 3 )+ ( 0 )( 4 ) +(0)(5)
100
En R
Media = mean(m)
[1] 1.02
Varianza = var(m)
Page 19
Histograma de Frecuencias
0,5
Frecuencia Relativa
0,4
0,3
0,2
0,1
0,0
n objetos defectuosos
Page 20
1,0
0,8
Fi
0,6
0,4
0,2
0,0
0
N Objetos Defectuosos
0,0
0,5
1,0
1,5
2,0
2,5
3,0
4,0
5,0
n objetos defectuosos
Cuando se calcul las frecuencias relativas de cada caso posible del nmero de
productos que estn defectuosos nos dimos cuenta de que ese valor comparado con el
valor determinado a travs de la distribucin hipergeomtrica de variables aleatorias
discretas, son iguales con una incertidumbre 0,02.
Page 21
a Na
(
x )( nx )
f ( x )=
( Nn )
Esta frmula en el leguaje de R se expresa de la siguiente manera:
> Dhyper(x,n,N,a)
> dhyper(0,5,35,8)
[1] 0.3060388
> dhyper(1,5,35,8)
[1] 0.4371983
> dhyper(2,5,35,8)
[1] 0.2110613
> dhyper(3,5,35,8)
[1] 0.04221225
> dhyper(4,5,35,8)
[1] 0.003404214
> dhyper(5,5,35,8)
[1] 8.510535e-05
Page 22
4 CONCLUSIONES Y RECOMENDACIONES
4.1 CONCLUSIONES
Luego de realizar este proyecto podemos concluir que:
actividad fsica.
Un alto porcentaje de la poblacin estudiantil est dispuesto a rentar bicicletas y tiene las
4.2 RECOMENDACIONES
Las recomendaciones que consideramos oportunas de hacer son:
Dada la importancia que tiene para el estudiante de la ESPOL el uso de este medio de
construccin de la ciclovia.
Se debe considerar las bicicletas de montaa como la opcin ms adecuada a las
CAPITULO 5. BIBLIOGRAFIA
5 BIBLIOGRAFIA.
1. http://www.fhwa.dot.gov/infrastructure/the_great_cycle_way_.cfm
2. JHONNY GAMBOA, http://arquitecturayeducar.zonalibre.org/archives/051898.html
3. Ciclova Guayaquil Averos Nuez M. pag 18.
4. MK TRENDS (2006). Evaluacin cuantitativa del proyecto: Biciva (Medio Electrnico).
.I. Municipalidad de Guayaquil, NNUU. (2010, abril 15).
5.
6. EL UNIVERSO (2002). Guayaquil, la ciudad del ro y del estero (En lnea). El Universo
<http://www.eluniverso.com/2002/07/06/0001/766/97DCD6BDB
BFB4E3DB4582D63FD7A0A3D.html>
7. http://www.bicicultura.cl/tipos-de-bicicletas
8. Ciclova Guayaquil Averos Nuez M. pag 30.
9. Frederick J., 2012, http://www.deia.com/2012/01/07/sociedad/euskadi/un-bidegorri-demas-de-mil-kilometros-unira-hendaia-con-bretana-en-2013
10. JHONNY
GAMBOA,
Julio
del
2004,
http://arquitecturayeducar.zonalibre.org/archives/051898.html>
11. Vida para Quito (2010). Ciclo Q, una va en movimiento. (En lnea). Vida para Quito.
<http://www.vidaparaquito.com/
index.php?
option=com_content&task=view&id=58&Itemid=50>
12. Marcos Granados, Colombia, 2006, http://cicloviarecreativa.uniandes.edu.co/espanol/
promocin/anexos/Taller/apoyo/BeneficiosCiclovia.pdf