Documente Academic
Documente Profesional
Documente Cultură
Autor:
Mara Higuera
C.I.: 23.137.708
SIT3A
Bernoulli
El principio de Bernoulli, tambin denominado ecuacin de Bernoulli o
Trinomio de Bernoulli, describe el comportamiento de un fluido movindose a
lo largo de una lnea de corriente. Fue expuesto por Daniel Bernoulli en su
obra Hidrodinmica (1738) y expresa que en un fluido ideal (sin viscosidad ni
rozamiento) en rgimen de circulacin por un conducto cerrado, la energa
que posee el fluido permanece constante a lo largo de su recorrido. La
energa de un fluido en cualquier momento consta de tres componentes:
1.- Cintico: es la energa debida a la velocidad que posea el fluido.
2.- Potencial gravitacional: es la energa debido a la altitud que un fluido
posea.
3.- Energa de flujo: es la energa que un fluido contiene debido a la presin
que posee.
La siguiente ecuacin conocida como "Ecuacin de Bernoulli" (Trinomio de
Bernoulli) consta de estos mismos trminos.
{V^2 /over 2}+{P} + { g z}=constante
donde:
V = velocidad del fluido en la seccin considerada.
g = aceleracin gravitatoria
z = altura en la direccin de la gravedad desde una cota de referencia.
P = presin a lo largo de la lnea de corriente.
= densidad del fluido.
Ejemplo1:
Ejemplo 2:
-Los resultados cara o cruz en el lanzamiento de una moneda
Sea x una v. a. asociada a un experimento de Bernoulli y que toma los
valores:
X(xito)= 1 X(fracaso)=0
Entonces se dice que X sigue una distribucin de Bernoulli X= B (1, p). Su
funcin de probabilidad viene dada por :
Pr( X=1) =p Pr(X=0) =1 p= q
Binomial
En estadstica, la distribucin binomial es una distribucin de probabilidad
discreta que cuenta el nmero de xitos en una secuencia de n ensayos de
Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia
del xito entre los ensayos. Un experimento de Bernoulli se caracteriza por
ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se
denomina xito y tiene una probabilidad de ocurrencia p y al otro, fracaso,
con una probabilidad q = 1 - p. En la distribucin binomial el anterior
experimento se repite n veces, de forma independiente, y se trata de calcular
la probabilidad de un determinado nmero de xitos. Para n = 1, la binomial
se convierte, de hecho, en una distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial
de parmetros n y p, se escribe:
Ejemplo 1:
Ejemplo 2:
Ejemplo 3:
Un agente de seguros vende plizas a cinco personas de la misma edad y
que disfrutan de buena salud. Segn las tablas actuales, la probabilidad de
que una persona en estas condiciones viva 30 aos o ms es 2/3. Hllese la
probabilidad de que, transcurridos 30 aos, vivan:
Las cinco personas:
B (5 , 2 /3 ) p = 2 /3 q = 1/ 3
A l me no s t re s p e rso n a s
Ejemplo 4:
Ejemplo 5:
En una urna hay 30 bolas, 10 rojas y el resto blancas. Se elige una bola al
azar y se anota si es roja; el proceso se repite, devolviendo la bola, 10 veces.
Calcular la media y la desviacin tpica
B(10, 1/3) p = 1/3q = 2/3
Normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin
gaussiana,
probabilidad de variable
una
continua que
con
de
las
ms
distribuciones
frecuencia
de
aparece
etc.
Ejemplo 1:
Si X es una variable aleatoria de una distribucin N(, ), hallar: p(3 X
+3)
Ms de 90 kg
Menos de 64 kg
64 kg
64 kg o menos
Ejemplo 3:
Tras un test de cultura general se observa que las puntuaciones obtenidas
siguen una distribucin una distribucin N(65, 18). Se desea clasificar a los
examinados en tres grupos (de baja cultura general, de cultura general
aceptable, de excelente cultura general) de modo que hay en el primero un
20% la poblacin, un 65% el segundo y un 15% en el tercero. Cules han
de ser las puntuaciones que marcan el paso de un grupo al otro?
Ejemplo 5:
En un examen tipo test de 200 preguntas de eleccin mltiple,
cada pregunta tiene una respuesta correcta y una incorrecta. Se
aprueba si se contesta a ms de 110 respuestas correctas.
Suponiendo que se contesta al azar, calcular la probabilidad de
aprobar el examen
POISSON
La distribucin de POISSON es tambin un caso
particular de
donde:
rea
dada y
cada producto
es
Calculo de la distribucin de
Ejemplo 1:
Si ya se conoce que solo el 3% de los alumnos de contabilidad son muy
inteligentes calcular la probabilidad de que si tomamos 100 alumnos al
azar sean muy inteligentes
N= 100
P= 0.03
Lambda= 100*0.03= 3
X= 5
Ejemplo 2:
Tres ejecutivos del Insalud opinan que el nmero medio de pacientes que
llegan a cierto servicio nocturno de guardia durante una hora es 2 , segn el
primero, 3 , segn el segundo, y 5 segn el tercero.
P( i)
0,5
0,25
0,25
0,180447
0,224042
0,140374
0,497572
0,308891
0,193536
hora);
tanto
(convenientemente
de
la
informacin
ponderada)
como
subjetiva
de
la
de
los
expertos
informacin
emprica
Ejemplo 3:
En una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad
de que si tomamos 20 pericos al azar 3 de ellos hablen ruso.
n = 20
p = 0.15
X=3
lambda =3
3
P ( X= 3) = ( e
)( 3
) / 3! = 0.2240418
Ejemplo 4:
Se calcula que en la ciudad el 20% de las personas tienen defecto de la vista
si tomamos una muestra de 50 personas al azar Calcular la probabilidad de
que 10 de ellos tengan defecto en la vista.
n = 50
p = 0.2
lambda =10
P ( X= 10) = (
Ejemplo 2:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1y
si sale cruz el valor 0. Cada lanzamiento es una variable independiente que
se distribuye segn el modelo de Bernouilli, con media 0,5 y varianza
0,25.Calcular la probabilidad de que en estos 100 lanzamientos salgan ms
de 60caras.
La variable suma de estas 100 variables independientes se distribuye,por
tanto, segn una distribucin normal.
Media = 100 * 0,5 = 50
Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos
lavariable normal tipificada equivalente:
(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de estadistribucin
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P(Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan msde
60 caras es tan slo del 2,28%.
Ejemplo 3:
La renta media de los habitantes de un pas se distribuye uniformemente
entre 4,0 millones ptas. y 10,0 millones ptas. Calcular la probabilidad de que
al seleccionar al azar a 100 personas la suma de sus rentas supere los
725millones ptas.
La distribucin Uniforme
Grficamente:
Grficamente:
2. Su varianza es (b a)2/12
Ejemplo 1:
Sea X el momento elegido al azar en que un estudiante recibe clases en
un determinado da entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 11:00 - 12:00 - 13:00
1) Cul es la funcin de densidad de la variable X?
2) Elaborar un grfico de la distribucin de probabilidades
3) Calcular el valor medio esperado
4) Calcular la desviacin estndar
5) Calcular la probabilidad de que llegue en la primera media hora
Interpretacin:
Cada rectngulo tiene 1 de base y 1/6 = 0,167 de altura.
El rea de cada rectngulo es:
5) Llegar en la primera media hora significa que llega a la 7:30. Por lo tanto
se debe calcular la probabilidad entre las 7:00 y las 7:30.
Como 7:30 = 7horas + 30 minutos, y el porcentaje que representa 30 minutos
de una hora es:
Multinomial
En teora de probabilidad, la distribucin multinomial es una generalizacin de
la distribucin binomial.
La distribucin binomial es la probabilidad de un nmero de xitos en N sucesos de
Bernoulli independientes, con la misma probabilidad de xito en cada suceso. En una
distribucin multinomial, el anlogo a la distribucin de Bernoulli es la distribucin
categrica, donde cada suceso concluye en nicamente un resultado de un nmero
finito K de los posibles, con probabilidades (tal que para i entre 1 y K y ); y con n
sucesos independientes.
Entonces sea la variable aleatoria , que indica el nmero de veces que se ha dado el
resultado i sobre los n sucesos. El vector sigue una distribucin multinomial con
parmetros n y p, donde .
Ntese que en algunos campos las distribuciones categricas y multinomial se
encuentran unidas, y es comn hablar de una distribucin multinomial cuando el trmino
ms preciso sera una distribucin categrica.
DISTRIBUCIN MULTINOMIAL.
Caractersticas:
a)
b)
c)
d)
El nmero de ramas =
Y en forma general,
cada
una
de
p(#1)p(#1)p(#3)p(#3)p(#5)=p1*p1*p3*p3*p5=
=p12*p32*p5
las
ramas)
Donde:
p(x1, x2,....,xk, n) = probabilidad de que en n ensayos aparezcan x1 objetos del
primer tipo, x2 objetos del segundo tipo.......y xk objetos del ltimo tipo.
n = x1+x2+....xk
Resolviendo el ejemplo;
n=5
x1 = nmero de veces que aparece el nmero 1 = 2
x2 = nmero de veces que aparece el nmero 3 = 2
x3 = nmero de veces que aparece el nmero 5 = 1
p1= probabilidad de que aparezca el nmero 1 = 1/6
p2 = probabilidad de que aparezca el nmero 2 = 1/6
p3 = probabilidad de que aparezca el nmero 3 = 1/6
Ejemplo 2:
b)
n=9
x1 = 4 por aire;
p1 = 0.40
x2 = 1 en autobs; p2 = 0.20
x3 = 2 en auto;
p3 = 0.30
x4 = 2 en tren;
p4 = 0.10
c)
n=9
x1= 5 lleguen en auto;
p1 = 0.30
Ejemplo 3:
De acuerdo con la teora de la gentica, un cierto cruce de conejillo de
indias resultar en una descendencia roja, negra y blanca en la relacin 8 :
4 : 4. Encuentre la probabilidad de que entre 8 descendientes, a) 5 sean
rojos, 2 negros y un blanco, b) 3 sean rojos y 2 sean negros.
Solucin:
a)
n=8
x1 = 5 rojos;
x2 = 2 negros;
x3 = 1 blanco;
b)
n=8
x1 = 3 rojos;
p1 = 0.50
x2 = 2 negros;
p2 = 0.25
x3 = 3 blancos;
p3 = 0.25
Ejemplo 4:
Segn una encuesta preliminar acerca del voto que los ciudadanos darn
por los candidatos para gobernador del estado se ha detectado que
aproximadamente un 52% votar por el partido verde, un 40% por el partido
azul y un 8% por los partidos restantes, si se seleccionan aleatoriamente 6
personas con edad de votar, determine la probabilidad de que: a) 2 voten por
el partido verde, 1 por el azul y 3 por el resto de los partidos, b) 2 voten por el
partido verde y 4 por el azul.
Solucin:
a) n = 6
x1= 2 voten por partido verde; p1= prob. de que una persona vote por partido
verde = 0.52
x2= 1 vote por partido azul;
azul = 0.40
x3= 3 voten por otros partidos; p3 = prob. de que una persona vote por otros
partidos = 0.08
b)n = 6
x1= 2 voten por el partido verde; p 1= prob. de que una persona vote por
partido verde=0.52
x2= 4 vote por partido azul;
Ejemplo 5:
En una fiesta, el 20% de los asistentes son espaoles, el 30%
franceses, el 40% italiano y el 10% portugueses. En un pequeo grupo se
han reunido 4 invitados: cual es la probabilidad de que 2 sean espaoles y
2 italianos?
P = 0,0384
Gamma
Es una distribucin adecuada para modelizar el comportamiento de
variables aleatorias continuas con asimetra positiva. Es decir, variables que
presentan una mayor densidad de sucesos a la izquierda de la media que a
la derecha. En su expresin se encuentran dos parmetros, siempre
positivos, () y () de los que depende su forma y alcance por la derecha, y
tambin la funcin Gamma (), responsable de la convergencia de la
distribucin
Frmula matemtica:
si =
1 fallo
5 h oras
entonces, =
1
1
5
52 .2 . 21 . e
1
0
du
12
1
P ( X >12 )=
Ejemplo 3
Problema 2
* N= 15
* K= 6
* n= 3
* x= 0, 1, 2, 3
P (x= 0) = 0 6 39 315
P (x= 2) = 1 x 84455 =0.18
120= 20!1! x 19!=20
3 80= 80x79x78x77!6 x 77!=82160
4 100= 100x99x98x97x96!24x96!=3921225
120= 20!1! x 19!=20
3 80= 80x79x78x77!6 x 77!=82160
4 100= 100x99x98x97x96!24x96!=3921225
= 5 horas/fallo
Cauchy
La distribucin Cauchy-Lorentz, llamada en honor a Augustin
Cauchy y Hendrik Lorentz, es una distribucin de probabilidadcontinua. Es
conocida como la distribucin de Cauchy y en el mbito de la fsica se
conoce
como
la distribucin
de
Lorentz,
lafuncin
Lorentziana
la
Ejemplo:
g(/2) g(0)
Student
En probabilidad y estadstica, la distribucin t (de Student) es una
distribucin de probabilidad que surge del problema de estimar la media de
una poblacin normalmente distribuida cuando el tamao de la muestra es
pequeo.
siguientes:
1.950.000,
2.100.000,
2.250.000,
1.890.000,
2.250.000,
Solucin manual:
m = 2.100.000 ; s = ?
=2.098.750 s=168.644.8085 n=8
a) P( <2.000.000)=P( <2.000.000)
P(t<(2.000.000-2.100.000)/(168644.8085/2.8284)= P(t<-1.677)
La probabilidad se encuentra entre 0.9 y 0.95, segn la tabla T que se
encuentra ms adelante, no obstante, al t ser negativo, la probabilidad est
entre 0.1 y 0.05, es decir, los valores complementarios.
Ejemplo 2:
0.75
0.80
0.85
0.90
0.95
0.975
0.99
1.000
1.376
1.963
3.078
6.314
0.706
0.889
1.108
1.397
1.860
2.306
2.896
0.995
3.355
a) Determinar
t =
4
=8
0.5
T
b) Determinar
T =
4 2
=4
0.5
c) Determinar P(T 1
4 1
P(T 1=1
= 1- e (0.5)(1)
[ (0.5)(1) ] 2
2!
e( 0.5 ) (1 )
[ ( 0.5 )( 1 ) ] j
j=0
[(0.5)(1) ] 0
0!
- e (0.5)(1)
j!
- e (0.5)(1)
[(0.5)(1) ] 1
[ ( 0.5 )( 1 ) ] 3
3!
1!
- e (0.5)(1)
4 1
P(T 1=1
= e (0.5)(3)
[ (0.5)(3)] 2
2!
e( 0.5 ) (3 )
[ ( 0.5 ) ( 3 ) ] j
j=0
[(0.5)(3)] 0
0!
- e (0.5)(3)
j!
- e (0.5)(3)
[(0.5)(3) ] 1
1!
- e (0.5)(3)
[ ( 0.5 )( 3 ) ] 3
3!
. La manera de
en el primer rengln de la
se obtendr el valor de t.
Ejemplo 5:
Encuentre la probabilidad de t0.025 < t < t0.05.
Solucin:
Como t0.05 deja un rea de 0.05 a la derecha, y t0.025 deja un rea de 0.025 a
la izquierda, encontramos un rea total de 1-0.05-0.025 = 0.925.
P( t0.025 < t < t0.05) = 0.925
, el estadstico:
la
varianza de la poblacin de donde se extrajo la muestra. El estadstico jicuadrada tambin se puede dar con la siguiente expresin:
Ejemplo 1:
Suponga que los tiempos requeridos por un cierto autobs para alcanzar
un de sus destinos en una ciudad grande forman una distribucin normal con
una desviacin estndar
Ejemplo 2
Encuentre la probabilidad de que una muestra aleatoria de 25
observaciones, de una poblacin normal con varianza
, tenga una varianza muestral:
a. Mayor que 9.1
b. Entre 3.462 y 10.745
Solucin.
y
Aqu se tienen que buscar los dos valores en el rengln de 24 grados de
libertad. Al buscar el valor de 13.846 se encuentra un rea a la derecha de
0.95. El valor de 42.98 da un rea a la derecha de 0.01. Como se est
pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos
0.01 quedando 0.94.
Por lo tanto la P(3.462
s2
Estimacin de la Varianza
10.745) = 0.94
Ejemplo 3:
1. Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compaa: 46.4, 46.1, 45.8,
47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas
de pasto que distribuye esta compaa, suponga una poblacin
normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:
= 0.05.
Graficamente:
Ejemplo 4
En trabajo de laboratorio se desea llevar a cabo comprobaciones
cuidadosas de la variabilidad de los resultados que producen muestras
estndar. En un estudio de la cantidad de calcio en el agua potable, el cual
se efecta como parte del control de calidad, se analiz seis veces la misma
muestra en el laboratorio en intervalos aleatorios. Los seis resultados en
partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la
varianza de los resultados de la poblacin para este estndar, usando un
nivel de confianza del 90%.
Solucin:
Al calcular la varianza de la muestra se obtiene un valor de s 2= 0.0285.
Distribucin Geomtrica
Si una variable aleatoria discreta X definida en un espacio de probabilidad
representa el nmero de repeticiones necesarias de un experimento de
Bernoulli para obtener el primer xito, entonces tiene por funcin de
densidad: X-1
Ejemplo 2:
Calcular la probabilidad de que salga el No. 5 a la tercera vez que lanzamos
un dado.
Definir xito: sale No. 5
x=3
p = 1/6 = 0. 1666
q = (1 - 0.16660) = 0.8333
P(X=3) = (0.8333)2(0.1666) =0.1156
Ejemplo 3:
Calcular la probabilidad de que salga guila la 6ta ocasin que lanzamos una
moneda.
Definir xito: salga guila.
x=6
p = 1/2= 0.5
q = 0.5
P(X=6) = (0.5)5(0.5)= 0.0156
Ejemplo 4:
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.
X=6
p = 0.5588
q = 1- 0.5588 = 0.4412
P(X=6) = (0.4412)5(0.5588) = 0.0093 = 9.3418 x 10
Ejemplo 5:
Una maquina detecta fallas en los productos que elabora una fbrica. 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.
X=8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)7(0.05) = 0.0349
Bivariada
En probabilidad, dados dos eventos aleatorios X y Y, la distribucin
conjunta de X y Y es la distribucin de probabilidad de la interseccin de
eventos de X y Y, esto es, de los eventos X e Y ocurriendo de forma
simultnea. En el caso de solo dos variables aleatorias se denomina una
fi
%
1
0
Secundaria
3
0
Terciaria
35,3
4
5
TOTAL
11,8
52,9
8
5
100,0
Nivel Educativo
S/Instruccin
ED.
Servici
Administrativo
Fsica
10
10
y 0
TOTAL
Primaria
Secundaria
20
30
Terciaria
35
10
45
TOTAL
40
15
30
85
Ejemplo 2:
De un gran lote de impresoras descompuestas se escogen al azar cuatro. Se
clasifica cada impresora segn el dao, leve o severo. Sea X el nmero de
impresoras con dao leve y sea Y el nmero de impresoras con dao severo. Es
claro que X ~ bin (4,p), x=0,1,2,3,4 y Y ~ bin (4,p), y=0,1,2,3,4.
Si x= 0; y= 4 Si x= 1; y= 3 Si x= 2; y= 2
Si x =3; y =1 Si x= 4; y= 0 As X+Y= 4
De manera natural el espacio de las variables aleatorias X e Y estar
conformado por el conjunto de pares (x, y) tal que X+Y=4
no son
iguales. Por otra parte, un valor muy grande o muy pequeo para s 21/s22,
proporcionar evidencia de una diferencia en las varianzas de las
poblaciones.
Ejemplo 1:
Encontrar el valor de F, en cada uno de los siguientes casos:
a. El rea a la derecha de F, es de 0.25 con
=4 y
=15 y
=9.
=10.
=6 y
=24 y
=8.
c. Se tiene que buscar en la tabla un rea de 0.05, puesto que nos piden
un rea a la derecha de F de 0.95.
Ejemplo 2:
Una compaa fabrica propulsores para uso en motores de turbina. Al
ingeniero de manufactura le gustara seleccionar el proceso que tenga la
menor variabilidad en la rugosidad de la superficie. Para ello toma una
muestra de n1=16 partes del primer proceso, la cual tiene una desviacin
estndar s1 = 4.7 micropulgadas, y una muestra aleatoria de n 2=12 partes del
segundo proceso, la cual tiene una desviacin estndar s 2 = 5.1
micropulgadas. Se desea encontrar un intervalo de confianza del 90% para el
cociente de las dos varianzas
2
2
1
al despejar:
Exponencial
Este modelo suele utilizarse para variables que describen el tiempo hasta
que se produce un determinado suceso.
Su funcin de densidad es de la forma:
Ejemplo 1:
El tiempo durante el cual cierta marca de batera trabaja en forma efectiva
hasta que falle (tiempo de falla) se distribuye segn el modelo exponencial
con un tiempo promedio de fallas igual a 360 das.
a) qu probabilidad hay que el tiempo de falla sea mayor que 400
das?.
b) Si una de estas bateras ha trabajado ya 400 das, qu
Solucin
Sea X=el tiempo que trabaja la batera hasta que falle. El tiempo promedio de
falla es de 360 das. Entonces, X ~Exp (=1/360) y su funcin de densidad
es:
Ejemplo 2:
Solucin
Ejemplo 3:
tendremos que:
Realizando
una distribucin de Poisson
Teo re ma d e Mo i vre
Si:
n p 5 y n q 5.
Ejemplo: