Republica Bolivariana de Venezuela Ministerio del Poder Popular para la Educacin Universitaria Instituto Universitario Politcnico Santiago Mario

Ampliacin Maracaibo Escuela: Ingeniera de Sistemas

Nombre:

Garca Joelvis - C.I. 21.488.384 Guerrero Jaris C.I. 22.364.574 Luzardo Yonis C.I. 19.907.049 Perozo Richar C.I. 14.306.872

Ing. de Sistemas / Seccin A

Maracaibo, mayo de 2011

Esquema
 Introduccin  Desarrollo
1. Conceptos bsicos 2. Propiedades de una Variable aleatoria discreta 3. Requisitos para una distribucin de probabilidad discreta 4. Distribucin de probabilidad 5. Funciones de distribucin de probabilidad discreta 5.1 5.2 5.3 5.4 5.5 Uniforme discreta Distribucin binomial Distribucin multinomial Distribucin Hipergeomtrica Distribucin de Poisson

 Conclusin  Bibliografa / Referencias Electrnicas

Desarrollo
1. Conceptos Bsicos
 Espacio muestral: es el conjunto de todos los resultados posibles de un experimento estadstico denotado por S o  Variable: se denomina variable a la entidad que puede tomar solo valor durante el proceso se llama constante.  Variable aleatoria: es una funcin que asocia un nmero real a cada elemento del espacio muestral (conjunto de todos los resultados posibles de un experimento estadstico). Es decir son aquellas que pueden diferir de una respuesta a otra. Una variable aleatoria se puede clasificar en: variable aleatoria discreta y variable aleatoria contina.  Variable aleatoria discreta. una variable discreta proporciona datos que son llamados datos cuantitativos discretos y son respuestas numricas que resultan de un proceso de conteo. Ejemplos: la cantidad de alumnos regulares en un grupo escolar, el nmero de vehculos vendidos en un da, en un lote de autos, etc.  Variable aleatoria Continua: es aquella que se encuentra dentro de un intervalo comprendido entre dos valores cualesquiera; sta puede asumir infinito nmero de valores y stos se pueden medir. Ejemplos: la estatura de un alumno de un grupo escolar, el peso en gramos de una moneda, etc.

un valor

cualesquiera durante la duracin de un proceso dado. Si la variable toma un

2. Propiedades de una variable aleatoria discreta

 0 p(xi) 1, Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero y menores o iguales a 1.

p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1.

3. Requisitos para una distribucin de probabilidad discreta

 Esperanza.

Sea x una variable aleatoria discreta con distribucin de

probabilidades p(x). Entonces el valor esperado o medio de x es

 Varianza. Sea x una variable aleatoria discreta con distribucin de probabilidades p(x). Entonces, la varianza de x es

La desviacin estndar de x es la raz cuadrada positiva de la varianza de x.

4. Distribucin de probabilidad
Una distribucin de probabilidad la podemos concebir como una distribucin terica de frecuencia, es decir, es una distribucin que describe como se espera que varen los resultados. Dado que esta clase de distribuciones se ocupan de las expectativas son modelos de gran utilidad para hacer inferencias y tomar decisiones en condiciones de incertidumbre ya que nos muestra toda la gama de valores que pueden representarse como resultado de en un experimento. Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Existen diferentes tipos de modelos que permiten describir el comportamiento de fenmenos estadsticos que permiten hacer inferencias y tomar decisiones en condiciones de incertidumbre. Se pueden clasificar en:

Distribuciones discretas. Son aquellas donde las variables asumen un nmero limitado de valores, por ejemplo el nmero de aos de estudio.

Distribuciones continuas. Son aquellas donde las variables en estudio pueden asumir cualquier valor dentro de determinados lmites; por ejemplo, la estatura de un estudiante. Para efectos de esta investigacin se explicara solo la distribucin de probabilidad discreta.

5. Funciones de probabilidad discretas

La distribucin de probabilidad para una variable aleatoria discreta puede ser: 1. Una relacin terica de resultados y probabilidades que se puede obtener de modelo matemtico y que representa algn fenmeno de inters. 2. Una relacin emprica de resultados y sus frecuencias relativas observadas. 3. Una relacin subjetiva de resultados relacionados con sus probabilidades subjetivas o artificiales que representan el grado de conviccin del encargado en tomar decisiones sobre la probabilidad de posibles resultados. Sabemos que una variable aleatoria discreta o discontinua es aquella en la que existe una distancia bien definida entre dos de los valores consecutivos que asume; y dichos valores son numerables. Existen varios modelos matemticos que representan diversos fenmenos discretos de la vida real.

Las ms tiles son: 1. La distribucin uniforme discreta. 2. La distribucin de probabilidad Binomial o de Bernoulli. 3. La distribucin de probabilidad Hipergeomtrica. 4. La distribucin de probabilidad de Poisson.

5.1 Uniforme discreta

Si la variable aleatoria X asume valores de X1, X2,..., Xk con iguales probabilidades, entonces la distribucin uniforme es:

La distribucin de probabilidad del lanzamiento de un dado es:

5.2 Distribucin binomial Esta distribucin fue elaborada por Jacobo Bernoulli y es aplicable a un gran nmero de problemas de carcter econmico y en numerosas aplicaciones como: juegos de azar, control de calidad de un producto, en educacin, en las finanzas. La distribucin binomial posee las siguientes propiedades esenciales: 1. El espacio muestral contiene n ensayos idnticos. 2. Las observaciones posibles se pueden obtener mediante dos diferentes mtodos de muestreo. Se puede considerar que cada observacin se ha seleccionado de una poblacin infinita sin reposicin o de una poblacin finita con reposicin. 3. Cada observacin se puede clasificar en una de dos categoras conocidas como xito E o fracaso E', las cuales son mutuamente excluyentes es decir E E'

4. Las probabilidades de xito p y de fracaso q = 1 - p en un ensayo se mantienen constantes, durante los n ensayos. 5. El resultado de cualquier observacin es independiente del resultado de cualquier otra observacin. La probabilidad de que el evento E ocurra x veces y el evento E' ocurra (n - x) veces en n ensayos independientes est dado por la frmula binomial:

Donde: p = Probabilidad caracterstica o probabilidad de xito. q = Probabilidad de fracaso x = Nmero de xitos deseados n = Nmero de ensayos efectuados

Si se lanza 4 veces una moneda, calcular el evento "Nmero de guilas que caen." Datos: n = 4 ensayos. p = probabi. de xito en un ensayo. q=1-p=1= x = 0, 1, 2, 3, 4 S = {lanzar 4 veces la moneda} A = {nmero de guilas que caen}

 Medidas de tendencia central y de dispersin El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:

= Media
2

= Varianza

= Desviacin estndar

5.3 Distribucin multinomial Ocurre cuando en el experimento binomial cada intento tiene ms de dos resultados posibles. Las probabilidades de ocurrencia p1, p2, ..., pk en un solo ensayo, la distribucin de probabilidad de las variables aleatorias k1, k2, ..., kn que representan el nmero de ocurrencias de E1, E2, ..., En en n intentos independientes es:

Calcular la probabilidad de obtener dos veces el nmero 4, dos veces el nmero 5 y una vez el nmero 2, en el lanzamiento de un dado 5 veces.

5.4 Distribucin hipergeomtrica Se emplea para calcular la probabilidad de obtener determinado nmero de xitos en un espacio muestral de n ensayos; pero a diferencia de la distribucin binomial es que los datos de la muestra se extraen sin reemplazo en una poblacin finita. Por esto es que el resultado de una observacin depende o es afectado por el resultado de cualquier otra u otras observaciones anteriores. Es decir la distribucin hipergeomtrica se emplea para muestreos sin reemplazo de una poblacin finita cuya probabilidad de ocurrencia cambia a lo largo del ensayo. Dado un espacio muestral S de tamao N con los subespacios M N y (N - M) N entonces, la probabilidad de que en n ensayos x pertenezca

aMy

(n - x) pertenezca a (N - M) est dada por:

Grficamente se puede representar como:

donde: N n M = El tamao de espacio muestral S = El nmero de ensayos = El nmero de xitos en el espacio

muestral N - M = Nmero de fracasos del espacio muestral x = Nmero de xitos en la muestra

n - x = Nmero de fracasos de la muestra. Si en una empresa se presentan para cubrir dos vacantes 13 aspirantes de los cuales 5 son hombres y 8 son mujeres, calcular " El nmero de hombres contratados." N = {13 aspirantes para cubrir 2 vacantes} A = {Nmero de hombres contratados}

E0 = Se contratan x0 = 0 hombres, equivale a contratar (n - x0) = 2 mujeres. E1 = Se contratan x1 = 1 hombres, equivale a contratar (n - x1) = 1 mujeres. E2 = Se contratan x2 = 2 hombres, equivale a contratar (n - x2) = 0 mujeres.

Desarrollando N = 13 total de aspirantes M = 5 aspirantes hombres N-M = 8 aspirantes mujer n = 2 vacantes totales x = 0,1,2 hombres posibles a contratar n-x = 2,1,0 mujeres posibles a contratar

 Medidas de tendencia central y de dispersin El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:

 = Media
2

= Varianza = Desviacin estndar

5.5 Distribucin de poisson Esta funcin de distribucin de variable discreta se emplea para calcular las probabilidades asociadas a la variable aleatoria dentro de un intervalo continuo de tiempo o espacio; este intervalo es generalmente una unidad de medida conocida: cm2, km, gramos, litros, pulgadas, etc. Algunos de los problemas que presentan como un fenmeno con distribucin de Poisson son: - Los embotellamientos que se producen por da. - Nmero de llamadas por hora. - Defectos por m2 de tela. - Nmero de defectos por lote de un proceso de produccin. - Nmero de negocios cerrados por semana. A este tipo de problemas se les conoce el nmero de xitos x obtenidos por unidad de medida en n ensayos; pero es totalmente imposible conocer el nmero de fracasos (n - x). Se dice que se da un proceso de Poisson si se pueden observar eventos discretos en un intervalo continuo en forma tal que si se acorta el intervalo lo suficiente:

1. La probabilidad de observar exactamente un xito en el intervalo es estable. 2. La probabilidad de observar dos o ms xitos en el intervalo es cero. 3. La ocurrencia de un xito en cualquier intervalo es estadsticamente independiente de que suceda en cualquier otro intervalo.

La distribucin de Poisson se expresa mediante la siguiente frmula.

Donde: n = Nmero de ensayos x = Nmero de xitos esperados en n ensayos e = 2.71828... = n p = Constante igual al nmero de xitos promedio por unidad de medida p = Probabilidad constante durante el proceso igual al nmero de xitos promedio por unidad de medida.  Medidas de tendencia central y de dispersin El clculo de estas magnitudes pueden realizarse con las siguientes frmulas:

= Media
2

= Varianza = Desviacin estndar

Bibliografa / Referencias Electrnicas

 http://www.uaq.mx/matematicas/estadisticas/xu4-5.html  http://www.ciencia-ahora.cl/Revista19/12DistribucionesProbabilidades.pdf  http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones%20dis cretas.pdf  William Mendenhall/ Terry Sincich. Probabilidad y Estadstica para Ingeniera y Ciencias. Editorial Prentice Hall, 1997. Cuarta Edicin.

 Murray R. Spiegel. Estadstica. Editorial McGrawHill. 1995.

Introduccin
La aplicacin de la estadstica en estudios cientficos, investigaciones, experimentos o en la simple cotidianidad es indudable, aunque la usamos en nuestro da a da (no de manera rigurosa valga aclarar) pasa por desapercibida. Vale destacar que los eventos experimentales de mayor inters con frecuencia son numricos, es decir, si realizamos un experimento y observamos el valor numrico de alguna variable. Si repetimos el experimento n veces, obtenemos una muestra de datos cuantitativos, la probabilidad de que algo suceda por ejemplo. Las veces que deseamos saber con qu frecuencia pasa por una parada un autobs o ruta especifica, la cantidad promedio de dinero que gastamos diariamente, el nmero de productos defectuoso que saldr en un lote, el nmero de personas que viaja en vacaciones, con qu frecuencia suceder un fenmeno natural, etc. Todos estos son ejemplos del uso de la estadstica. Ahora bien hablando un poco ms sobre distribucin de probabilidad es importante mencionar que la probabilidad de que algo suceda va a variar segn muchos aspectos y estos aspectos determinados pueden interferir en el resultado final, pero aun as el estudio de la distribucin de la probabilidad es de mucha ayuda, ya que como se cito en los ejemplos anteriores nos ayuda a definir la frecuencia de que un evento se realice. A continuacin se especifican los tipos de distribucin de probabilidad, profundizando ms en lo que es la distribucin de probabilidad discreta ya que ese es el objetivo de esta investigacin.

Conclusin
Una de las ms poderosas herramientas para el ser humano seria el saber que algo va a suceder antes de que suceda, la estadstica de la probabilidad de alguna manera se acerca a esto no de forma total, sino ms bien inferencial, pero solo con la correcta aplicacin de estos mtodos. Por eso en este trabajo se observo la aplicacin y manejo de las distribuciones de probabilidades discretas ms comunes, la Binomial, la de Poisson, la multinomial, la hipergeometrica, la uniforme discreta, adems de algunos conceptos bsicos y caractersticas sobre la distribucin de probabilidad. Tomando en cuenta que la aplicacin de estas tcnicas es vlida para muchas reas se puede decir que la estadstica, junto con el estudio de la probabilidad, es una de las ciencias y disciplinas que mas va de la mano para el desarrollo y observacin de la evolucin que el ser humano ha logrado o lograra.