SlideShare una empresa de Scribd logo
Universidad tecnológica de torreón




    TRABAJO DE ESTADÍSTICA




      FERMÍN CHAVEZ REYES


               2.C
DISTRIBUCION DE BERNOULLI
EJEMPLO 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 sino lo hace x=0 determine la
     media y la varianza de x formulas
  b) Si anota el tiro, su equipo obtiene dos puntos; si lo fallo
     su equipo no recibie puntos sea el número de puntos
     anotados ¿Tiene una distribución de Bernoulli? Si es asi,
     encuentre la probabilidad de éxito sino
  c) Determine la media y la varianza de “y”

     1.)   X=1 tiro X=0 sino anota
     P(x=1) es igual a 0.55 por tanto Bernoulli 0.55
       µx (0) (1-0.55)+ (1-0.55)2 (0.55)=.2475
        σ2x (0.55)2 (1-0.55)+(1.55)(.55)= .2475


     2.) No porque una variable aleatoria de Bernoulli
     tiene valores posibles 0y1 los valores de y son 0y2


     3.)   (0)(1-.0.55)+c
EJEMPLO 2
Hay una urna con 342 boletos, para ganar un automóvil, al
momento de sacar alguno de ellos ¿Qué probabilidad hay
para que pueda salir premiado el boleto número 342?




° La probabilidad de que saque el boleto número 342.
P(x=1) = (1/342) 1 * (341/342) 0 = 1/342 = 0.00292


° La probabilidad de que NO seleccione al alumno numero
342.
P(x=0) = (1/342)0 * (341/342)1 = 341/342 = 0.99707
EJEMPLO 3
Tenemos cartas que están enumeradas del 1 al 9 ¿Cuál es la
probabilidad de sacar la carta 9?
° La probabilidad de que obtengamos la carta 9.
P(x=1) = (1/9) 1 * (8/9) 0 = 1/9 = 0.111


° La probabilidad de que NO obtengamos la carta 9.
P(x=0) = (1/9)0 * (8/9)1 = 8/9 = 0.888
EJEMPLO 4
Lanzar una moneda, probabilidad de conseguir que salga
cruz".
Se trata de un solo experimento, con dos resultados posibles:
el éxito (p) se considerará sacar cruz. Valdrá 0,5. El fracaso
(q) que saliera cara, que vale (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X medirá "número de cruces que salen
en un lanzamiento", y sólo existirán dos resultados posibles: 0
(ninguna cruz, es decir, salir cara) y 1 (una cruz).
Por tanto, la v.a. X se distribuirá como una Bernoulli, ya que
cumple todos los requisitos.
° La probabilidad de obtener cruz.
P(x=1) = (0.5) 1 * (0.5) 0 = 0.5 = 0.5
° La probabilidad de no obtener cruz.
 P(x=0) = (0.5)0 * (0.5)1 = 0.5 = 0.5
EJEMPLO 5
Una maestra enumera a sus alumnos del 1 al 16, para así
poder darles un premio, pero la maestra los seleccionará con
los ojos cerrados, ¿Cual es la probabilidad de que salga el
alumno numero 16?
° La probabilidad de que seleccione al alumno numero 16.
 P(x=1) = (1/16) 1 * (15/16) 0 = 1/16 = 0.0625


° La probabilidad de que NO seleccione al alumno numero 16.
 P(x=0) = (1/9)0 * (15/16)1 = 15/16 = 0.9375
DISTRIBUCCION POISSON


EJEMPLO 1
 El 8% de los registros contables de una empresa presentan
algún problema, si un auditor toma una muestra de 40
registros ¿Calcular probabilidad de que existan 5 registros
con problemas?


                             n=40


          P=0.08    P(X=5)(e^3.2)(3.2^5)/5!=0.1139793



                                =3.2


                             X=5
EJEMPLO 2
Se calcula que la ciudad el 20% de las personas tiene defecto
de la vista si tomamos una muestra de 50 personas al azar
¿Calcular Probabilidad que existan 5 registros con
problemas?
                              n=40


                             P=0.08



                                  =10
EJEMPLO 3
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 5 de ellos sean muy
inteligentes
                           n= 100


                           P=0.03



                          =100*0.03=3


                             x=5
EJEMPLO 4
Una jaula con 100 pericos 15 de ellos hablan ruso calcular la
probabilidad de que si tomamos 20 al azar 3 de ellos hablan
ruso
                               n=20


           P=0.15   P (x=3)= (e^-8) (3^3)/3!=0.2240418


                               X=3



                                  =3
EJEMPLO 5
La producción de televisores en Samsung trae asociada una
probabilidad de defecto del 2%, si se toma un lote o muestra
de 85 televisores, obtener la probabilidad que existan 4
televisores con defectos.
                              n=85


                            P=0.02


               P(x5)=(e^-17)(1.7^4)/4!=0.0635746


                              X=4



                                =1.7
DISTRIBUCIÓN BINOMIAL
EJEMPLO 1

En un examen formado por 20 preguntas, cada una de las
cuales se responde declarando “verdadero” o “falso”, el
alumno sabe que, históricamente, en el 75% de los casos la
respuesta correcta es “verdadero” y decide responder al
examen tirando dos monedas, pone “falso” si ambas
monedas muestran una cara y “verdadero” si al menos hay
una cruz. Se desea saber qué probabilidad hay de que tenga
al menos 14 aciertos. Hay que proporcionarle a Epidat 3.1 los
parámetros de la distribución y el punto k a partir del cual se
calculará la probabilidad. En este caso n=20, p=0,75 y el
punto k=14. Resultados con Epidat 3.1Cálculo de
probabilidades. Distribuciones discretas
Binomial (n, p)
N: Número de pruebas          20
p: Probabilidad de éxito        0,7500
Punto K                    14
Probabilidad Pr [X=k] 0,1686
Cola Izquierda Pr [X<=k]        0,3828
Cola Derecha Pr [X>k]           0,6172
Media              15,0000
Varianza             3,7500
La probabilidad de que el alumno tenga más de 14 aciertos
se sitúa en 0,61.
DISTRIBUCCION GAMMA
EJEMPLO 1
El número de pacientes que llegan a la consulta de un médico
sigue una distribución de Poisson de media 3 pacientes por
hora. Calcular la probabilidad de que transcurra menos de
una hora hasta la llegada del segundo paciente.

Debe tenerse en cuenta que la variable aleatoria “tiempo que
transcurre hasta la llegada del segundo paciente” sigue una
distribución Gamma (6, 2).

Resultados con Epidat 3.1

Cálculo de probabilidades. Distribuciones continuas

Gamma (a, p)

a : Escala          6,0000

p : Forma            2,0000

Punto X             1,0000

Cola Izquierda Pr [X<=k]     0,9826

Cola Derecha Pr [X>=k]       0,0174

Media               0,3333

Varianza             0,0556

Moda                0,1667

La probabilidad de que transcurra menos de una hora hasta
que llegue el segundo paciente es 0,98.
EJEMPLO2
El tiempo de reparación, en horas, de una pieza es
una g (0.5, 2). El precio de venta de la misma es de 5 mil
euros y el de fabricación de mil euros. ¿A cuánto debemos
cobrar la hora de reparación para obtener un beneficio medio
de 3 mil euros?

Se nos pide una cantidad K, de modo que el beneficio medio,
E (B), sea 3.
El beneficio es B=5- (K X +1), entonces, E(B)= 4 - K* E(X) = 4
- K* (2 / 0.5) lo igualamos a 3, de donde se deduce que
K=1/4, es decir 250 euros, para obtener un beneficio de 3 mil
euros.
EJEMPLO3
Suponiendo que el tiempo de supervivencia, en años, de
pacientes que son sometidos a una cierta intervención
quirúrgica en un hospital sigue una distribución Gamma con
parámetros a=0,81 y p=7,81, calcúlese:

1. El tiempo medio de supervivencia.

2. Los años a partir de los cuales la probabilidad de
supervivencia es menor que 0,1.

Resultados con Epidat 3.1

Cálculo de probabilidades. Distribuciones continuas

Gamma (a,p)

a : Escala          0,8100

p : Forma            7,8100

Cola Izquierda Pr[X<=k]     0,9000

Cola Derecha Pr[X>=k]        0,1000

Punto X             14,2429

Media              9,6420

Varianza             11,9037

Moda                8,4074

El tiempo medio de supervivencia es de, aproximadamente,
10 años.
DISTRIBUCCION T STUDENT
EJEMPLO1
La longitud de los tornillos fabricados en una fábrica tienen media
μ=10 mm y desviación s=1 mm, calcular la probabilidad de que en
una muestra de tamaño n=25, la longitud media del tornillo sea
inferior a 20.5 mm:



P (μ<20.5)

Estandarizamos T=(X-μ)/(s/√n) que sigue una distribución t de n-1
grados de libertad

T=(20.5-20)/(1/√25) = 2.5

P (μ<20.5) --> P (T<2.5) ~ t(24)

P (T<2.5) = 0.9902

P (μ<20.5)=0.9902

La probabilidad que la longitud media de la muestra de 25 tornillos
sea inferior a 20.5 mm es del 99.02%
EJEMPLO 2
   El profesor Pérez olvida poner su despertador 3 de cada 10 días.
Además, ha comprobado que uno de cada 10 días en los que pone
el despertador acaba no levantándose a tiempo de dar su primera
clase, mientras que 2 de cada 10 días en los que olvida poner el
despertador, llega a tiempo adar su primera clase.

(a) Idéntica y da nombre a los sucesos que aparecen en el
enunciado.

(b) ¿Cual es la probabilidad de que el profesor Pérez llegue a
tiempo a dar su primera clase?

SOLUCIÓN:

En primer lugar conviene identificar el experimento aleatorio que
estamos realizando. Este consiste en tomar un día al azar en la vida
del profesor Pérez y analizarlo en base a los siguientes sucesos.

(a) Para un día al azar decimos que se ha dado el suceso:

O ≡ cuando el profesor ha olvidado poner el despertador

T ≡ cuando el profesor ha llegado tarde a su primera clase.

Notemos que tanto {O, O} como {T, T} forman un sistema completo
de sucesos. A continuación traducimos en términos de probabilidad
de los sucesos anteriores todos los datos que nos dan en el
enunciado.

          P(O) = , P (T |O) = , P(O) = , P(T |O) = .
(b) El suceso”llegar a tiempo a su clase” es el complementario de T ,
por tanto nos piden que calculemos P(T¯). Puesto que {O, O} es un
sistema completo de sucesos, podemos aplicar la formulas de la
probabilidad total, de donde tenemos que:

            P (T¯) = P (T |O¯) P(O) + P (T | ¯ O¯) P (O¯).

En la expresión anterior aparecen varios de los datos que nos ha
proporcionando el enunciado, sin embargo no conocemos
directamente el valor de P(T |¯ O¯). Para calcularlo utilizamos que

P(T |¯ O¯) = 1 − P(T |O¯) = 1 − = De esta forma, la expresión
anterior se puede escribir como: P(T¯) =      +      =0.69
EJEMPLO3
Un fabricante de focos afirma que su producto durará un
promedio de 500 horas de trabajo. Para conservar este
promedio esta persona verifica 25 focos cada mes. Si el valor
y calculado cae entre –t 0.05 y t 0.05, él se encuentra
satisfecho con esta afirmación. ¿Qué conclusión deberá él
sacar de una muestra de 25 focos cuya duración fue?:



           520       521   511   513    510   µ=500 h
           513       522   500   521    495   n=25
           496       488   500   502    512   Nc=90%
           510       510   475   505    521   X=505.36
           506       503   487   493    500   S=12.07



SOLUCIÓN.
           t= x -μ
           SI    n                α = 1- Nc = 10%
v = n-1 = 24
t = 2.22
Enseguida se muestra la distribución del problema según
                    el grafico sig.
EJEMPLO4
Calcular el percentil w0=95 y w0=25 en cada uno de los
siguientes casos:
1. En una distribución t-Student con 3 grados de libertad.
2. En una distribución t-Student con 30 grados de libertad.
Solución.
1. Recordemos que w0=95 es aquel número real que verifica:
                     S [W · w0=95] = 0=95
Para encontrar este valor en la tabla de la distribución t-
Student bastará:
- ) Localizar en la primera columna los grados de libertad, en
este caso: 3.
- ) Localizar en la primer fila la probabilidad acumulada, en
nuestro caso: 0=95=
- ) Movernos horizontal y verticalmente desde las posiciones
anteriores hasta cruzarnos en el punto w0=95.
Por tanto el percentil w0=95, en una t-Student con 3 grados
de libertad será el valor:
                       w0=95 = 2=3534
Es decir, si desde el valor 2.3534 nos movemos
horizontalmente hasta la primera columna, llegaremos al valor
3 (grados de libertad), y si lo hacemos verticalmente hacia la
primera fila la llegaremos al valor 0.95 (probabilidad
acumulada).
Como en la tabla únicamente tenemos tabulada la t-Student
para colas probabilísticas que van desde 0=75 hasta 0=999,
para calcular el percentil w0=25, tendremos que realizar la
siguiente consideración:
               S [W · w0=25] = 1 ¡ s[W ¸ w0=25]
Como la distribución t-Student es simétrica, se verifica:
                        w0=25 = ¡w0=75
Y resulta: s[W · w0=25] = 1 ¡ s[W · w0=75]
Por tanto, buscando en la tabla con los datos:
Grados de libertad: 3
Cola de probabilidad: 0.75
Tenemos: w0=25 = ¡w0=75 = ¡0=7649
2. En el caso de 30 grados de libertad actuaremos de modo
similar al caso anterior, pero buscando en la fila 30 de la
tabla. Resultando:
w0=95 = 1=6973
Y w0=25 = ¡w0=75 = ¡0=6828
EJEMPLO 5
Calcular los percentiles I8>7;0=99 y I8>7;0=01
Solución.
Para buscar en la tabla de la F-Snedecor el percentil I8>7;
0=99 hemos de tener en cuenta que:
df_1 = 8 (1d Fila de la tabla)
df_2 = 7 (1 d Columna de la tabla)
0=99 = Probabilidad acumulada (Última columna de la tabla)
El valor donde se cruzan todos estos datos será el percentil
buscado.
                 Por tanto: I9>7; 099 = 6=840
DISTRIBUCCION NORMAL
     EJEMPLO 1

   Una población normal tiene una media de 80 una desviación
   estándar de 14.0
                            µ = 80
                                  σ = 14     z



a) Calcule la probabilidad de un valor localizado entre 75.0 y
   90.0
       p (75 ≤ x ≤ 90)
                              Probabilidad
                              acumulada.
                                 0.7611
       z                     =
                                 0.3594
       z                      =


       p (75 ≤ x ≤ 90) = 0.7611 – 0.3594 = 0.4017

b) Calcule la probabilidad de un valor de 75.0 ó menor.
       p(x ≤ 75)
                              Probabilidad
                              acumulada.
                                 0.3594
       z

                  p(x ≤ 75) = 0.3594
                                                    75 80
                                                        μ


c) Calcule la probabilidad de un valor
   localizado entre 55.0 y 70.0
         p (55 ≤ x ≤ 70)
                              Probabilidad
                              acumulada.
                                 0.2389

                                 0.0367
z                     =

z                     =


p (55 ≤ x ≤ 70) = 0.2389 – 0.0367= 0.2022
EJEMPLO 2
Los montos de dinero que se piden en las solicitudes de
préstamos en Down River Federal Savings tiene una
distribución normal, una media de $70,000 y una
desviación estándar de $20,000. Esta mañana se recibió
una solicitud de préstamo. ¿Cuál es la probabilidad de que:
                        µ= $70,00
                        σ =$20,0               z



a) El monto solicitado sea de $80,000 o superior?
   p(x ≥ 80,000)
                               Probabilidad
                               acumulada.
                                 0.6915
  z                             =


  p(x ≥ 80,000) = 1 – 0.6915= 0.3085




b) El monto solicitado oscile entre $65,000 y $80,000?
   p(65,000 ≤ x ≤ 80,000)
                                Probabilidad
                                acumulada.

  z                             =0.6915
                                    0.4013
  z                               =


  p(65,000 ≤ x ≤ 80,000) = 0.6915 – 0.4013 = 0.2902
c) El monto solicitado sea de $65,000 o superior.
   p(x ≥ 65,000)
                                Probabilidad
                                acumulada.
                                  0.4013
  z                              =


  p(x ≥ 65,000) = 1 –0.4013 = 0.5987
EJEMPLO 3
 Entre las ciudades de Estados Unidos con una población de
 más de 250,000 habitantes, la media del tiempo de viaje de ida
 al trabajo es de 24.3 minutos. El tiempo de viaje más largo
 pertenece a la ciudad de Nueva York, donde el tiempo medio
 es de 38.3 minutos. Suponga que la distribución de los
 tiempos de viaje en la ciudad de Nueva York tiene una
 distribución de probabilidad normal y la desviación estándar es
 de 7.5 minutos.


                       µ = 38.3 min.

                     σ = 7.5 min.          z


a) ¿Qué porcentaje de viajes en la ciudad de Nueva York
   consumen menos de 30 minutos?
         p( x ≤ 30)
                                    Probabilidad
                                    acumulada.
                                        0.1335
         z                          =


         p( x ≤ 30) = 0.1335 = 13.35%              30   38.3
                                                         μ



b) ¿Qué porcentaje de viajes consumen entre 30 y 35 minutos?
         p(30 ≤ x ≤ 35)
                                    Probabilidad
                                    acumulada.
                                        0.3300
         z                          =
                                        0.1335
         z                          =
p(30 ≤ x ≤ 35) = 0.3300 – 0.1335 = 0.1965 = 19.65%

c) ¿Qué porcentaje de viajes consumen entre 30 y 40 minutos?
         p(30 ≤ x ≤ 40)
                                Probabilidad
                                acumulada.
                                    0.5910
         z                      =
                                    0.1335
         z                      =


         p(30 ≤ x ≤ 40) = 0.5910 – 0.1335 = 0.4575 = 45.75%
EJEMPLO 4
Las ventas mensuales de silenciadores en el área de
Richmond, Virginia, tiene una distribución normal, con una
media de $1,200 y una desviación estándar de $225. Al
fabricante le gustaría establecer niveles de inventario de
manera que solo haya 5% de probabilidad de que se agoten
las existencias. ¿Dónde se deben establecer los niveles de
inventario?




     1 - 0.0500 = 0.9500
        Valor z = 1.65
                                                  5% ó 0.0500
                            1.65
      z




                                                     X=
                                                  1,571.25
          x = 1,571.25
EJEMPLO 5
En 2004 y 2005, el costo medio anual para asistir a una
universidad privada en Estados Unidos era de $20,082.
Suponga que la distribución de los costos anuales se rigen
por una distribución de probabilidad normal y que la
desviación estándar es de $4,500. El 95% de los estudiantes
de universidades privadas paga menos de ¿Qué cantidad?




                                     1.64
      z




          x = 27,462.                                      X=
                                                         27,46275

                  µ = 20,082
                  σ = 4,500                          z
                          Probabilidad       Valor
                          acumulada.         de z
                  95% =     .9500        =

Más contenido relacionado

La actualidad más candente

Bernoulli ejemplos
Bernoulli  ejemplosBernoulli  ejemplos
Bernoulli ejemplos
Carlos Eduardo Candela
 
Distribución de probabilidad. eliza
Distribución de probabilidad. elizaDistribución de probabilidad. eliza
Distribución de probabilidad. eliza
Feer ChaVez Reiies
 
Entrada 6
Entrada 6Entrada 6
Entrada 6
AnaGabriela89
 
probabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltosprobabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltos
Nobu Dragon
 
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
Vitto Alcantara
 
Estadística y probabilidades-Material didáctico
Estadística y probabilidades-Material didácticoEstadística y probabilidades-Material didáctico
Estadística y probabilidades-Material didáctico
Eugenio Marlon Evaristo Borja
 
Distribucion bernoulli
Distribucion bernoulliDistribucion bernoulli
Distribucion bernoulli
Alejandra Cordero
 
Cuadro comparativo entre función de distribución binomial y distribución de p...
Cuadro comparativo entre función de distribución binomial y distribución de p...Cuadro comparativo entre función de distribución binomial y distribución de p...
Cuadro comparativo entre función de distribución binomial y distribución de p...
Paulina Garcia Aguilera
 
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICAEJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
Alexander Flores Valencia
 
Ejercicios Distribución Poisson
Ejercicios Distribución PoissonEjercicios Distribución Poisson
Ejercicios Distribución Poisson
Jose Armando Rubio Reyes
 
Cálculo de probabilidades y análisis combinatorio
Cálculo de probabilidades y análisis combinatorioCálculo de probabilidades y análisis combinatorio
Cálculo de probabilidades y análisis combinatorio
Violeta Migallón
 
Probabilidades[2]
Probabilidades[2]Probabilidades[2]
Probabilidades[2]
yenifercamacho
 
Eventos aleatorios
Eventos aleatoriosEventos aleatorios
Eventos aleatorios
sontorito0o
 
Estadistica ejercicios de probabilidad
Estadistica ejercicios de probabilidadEstadistica ejercicios de probabilidad
Estadistica ejercicios de probabilidad
alejandrapuyobarbosa
 
Distribución binoial, bernoulli
Distribución binoial, bernoulliDistribución binoial, bernoulli
Distribución binoial, bernoulli
Ivan Sldñ
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
ramirez_cabral
 
Probabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbtoProbabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbto
Luis Patrick
 
EJEMPLOS
EJEMPLOSEJEMPLOS

La actualidad más candente (18)

Bernoulli ejemplos
Bernoulli  ejemplosBernoulli  ejemplos
Bernoulli ejemplos
 
Distribución de probabilidad. eliza
Distribución de probabilidad. elizaDistribución de probabilidad. eliza
Distribución de probabilidad. eliza
 
Entrada 6
Entrada 6Entrada 6
Entrada 6
 
probabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltosprobabilidad y estadística. Ejercicios resueltos
probabilidad y estadística. Ejercicios resueltos
 
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
Solucionario Manuel Cordova Zamora. Ejercicios de Probabilidad.
 
Estadística y probabilidades-Material didáctico
Estadística y probabilidades-Material didácticoEstadística y probabilidades-Material didáctico
Estadística y probabilidades-Material didáctico
 
Distribucion bernoulli
Distribucion bernoulliDistribucion bernoulli
Distribucion bernoulli
 
Cuadro comparativo entre función de distribución binomial y distribución de p...
Cuadro comparativo entre función de distribución binomial y distribución de p...Cuadro comparativo entre función de distribución binomial y distribución de p...
Cuadro comparativo entre función de distribución binomial y distribución de p...
 
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICAEJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
EJERCICIOS DE DISTRIBUCIÓN HIPERGEOMETRICA
 
Ejercicios Distribución Poisson
Ejercicios Distribución PoissonEjercicios Distribución Poisson
Ejercicios Distribución Poisson
 
Cálculo de probabilidades y análisis combinatorio
Cálculo de probabilidades y análisis combinatorioCálculo de probabilidades y análisis combinatorio
Cálculo de probabilidades y análisis combinatorio
 
Probabilidades[2]
Probabilidades[2]Probabilidades[2]
Probabilidades[2]
 
Eventos aleatorios
Eventos aleatoriosEventos aleatorios
Eventos aleatorios
 
Estadistica ejercicios de probabilidad
Estadistica ejercicios de probabilidadEstadistica ejercicios de probabilidad
Estadistica ejercicios de probabilidad
 
Distribución binoial, bernoulli
Distribución binoial, bernoulliDistribución binoial, bernoulli
Distribución binoial, bernoulli
 
Trabajo 3
Trabajo 3Trabajo 3
Trabajo 3
 
Probabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbtoProbabilidadcondicionada mtccss 2ºbto
Probabilidadcondicionada mtccss 2ºbto
 
EJEMPLOS
EJEMPLOSEJEMPLOS
EJEMPLOS
 

Destacado

Cuento
CuentoCuento
Cuento
sponky18
 
Proceso de admision
Proceso de admisionProceso de admision
Proceso de admision
CEIP MIGUEL HERNANDEZ
 
Menú Dalias
Menú DaliasMenú Dalias
Menú Dalias
the_chons
 
Presentacion de Daniel Riera en DebateSIC
Presentacion de Daniel Riera en DebateSICPresentacion de Daniel Riera en DebateSIC
Presentacion de Daniel Riera en DebateSIC
José A. Gómez
 
Trabajo de la edad antigua
Trabajo de la edad antiguaTrabajo de la edad antigua
Trabajo de la edad antigua
Clase6
 
Escáner de códigos de barras tsi
Escáner de códigos de barras tsiEscáner de códigos de barras tsi
Escáner de códigos de barras tsi
Susana Gaiara
 

Destacado (7)

Cuento
CuentoCuento
Cuento
 
Pucca
PuccaPucca
Pucca
 
Proceso de admision
Proceso de admisionProceso de admision
Proceso de admision
 
Menú Dalias
Menú DaliasMenú Dalias
Menú Dalias
 
Presentacion de Daniel Riera en DebateSIC
Presentacion de Daniel Riera en DebateSICPresentacion de Daniel Riera en DebateSIC
Presentacion de Daniel Riera en DebateSIC
 
Trabajo de la edad antigua
Trabajo de la edad antiguaTrabajo de la edad antigua
Trabajo de la edad antigua
 
Escáner de códigos de barras tsi
Escáner de códigos de barras tsiEscáner de códigos de barras tsi
Escáner de códigos de barras tsi
 

Similar a Trabajo de estadística

Ejebn
EjebnEjebn
Ejebn
LMartiinez
 
Distribuciones...
Distribuciones...Distribuciones...
Distribuciones...
Valeria Castañeda Martinez
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
Arturo Najeriux
 
distribuciones
distribuciones distribuciones
distribuciones
Meliiza Santillano
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
eraperez
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
Laksmi Rodriguez
 
Ejemplos
EjemplosEjemplos
Ejemplos
Rojo Alvarez
 
Ejemplos
EjemplosEjemplos
Ejemplos
Rojo Alvarez
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
Laksmi Rodriguez
 
5 ejemplos de las distribuciones
5 ejemplos de las distribuciones5 ejemplos de las distribuciones
5 ejemplos de las distribuciones
Kariina Buendia
 
Ejemplos tipos de probabilidad
Ejemplos tipos de probabilidadEjemplos tipos de probabilidad
Ejemplos tipos de probabilidad
adrikiana
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
Laksmi Rodriguez
 
La distribucion binomial
La distribucion binomialLa distribucion binomial
La distribucion binomial
ADrián Murillo
 
T student 5 ejemplos beeto
T student 5 ejemplos beetoT student 5 ejemplos beeto
T student 5 ejemplos beeto
rolandodesantiago
 
Distribucion de poisson
Distribucion de poissonDistribucion de poisson
Distribucion de poisson
cathycontreras
 
Probabilidad ayudantía eiq 344-01
Probabilidad   ayudantía eiq 344-01Probabilidad   ayudantía eiq 344-01
Probabilidad ayudantía eiq 344-01
Sebastián González Manríquez
 
EJERCICIOS DE ESTADISTICA PROBABILISTICA
EJERCICIOS DE ESTADISTICA PROBABILISTICAEJERCICIOS DE ESTADISTICA PROBABILISTICA
EJERCICIOS DE ESTADISTICA PROBABILISTICA
Alexander Flores Valencia
 
Sol t10 mec
Sol t10 mecSol t10 mec
Sol t10 mec
fruizj
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
José De Leon
 
Distribucion
DistribucionDistribucion
Distribucion
José De Leon
 

Similar a Trabajo de estadística (20)

Ejebn
EjebnEjebn
Ejebn
 
Distribuciones...
Distribuciones...Distribuciones...
Distribuciones...
 
Distribucion de probabilidad
Distribucion de probabilidadDistribucion de probabilidad
Distribucion de probabilidad
 
distribuciones
distribuciones distribuciones
distribuciones
 
Distribucion de probabilidad binomal
Distribucion de probabilidad binomalDistribucion de probabilidad binomal
Distribucion de probabilidad binomal
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
 
Ejemplos
EjemplosEjemplos
Ejemplos
 
Ejemplos
EjemplosEjemplos
Ejemplos
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
 
5 ejemplos de las distribuciones
5 ejemplos de las distribuciones5 ejemplos de las distribuciones
5 ejemplos de las distribuciones
 
Ejemplos tipos de probabilidad
Ejemplos tipos de probabilidadEjemplos tipos de probabilidad
Ejemplos tipos de probabilidad
 
Ejemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidadEjemplos de distribuciones de probabilidad
Ejemplos de distribuciones de probabilidad
 
La distribucion binomial
La distribucion binomialLa distribucion binomial
La distribucion binomial
 
T student 5 ejemplos beeto
T student 5 ejemplos beetoT student 5 ejemplos beeto
T student 5 ejemplos beeto
 
Distribucion de poisson
Distribucion de poissonDistribucion de poisson
Distribucion de poisson
 
Probabilidad ayudantía eiq 344-01
Probabilidad   ayudantía eiq 344-01Probabilidad   ayudantía eiq 344-01
Probabilidad ayudantía eiq 344-01
 
EJERCICIOS DE ESTADISTICA PROBABILISTICA
EJERCICIOS DE ESTADISTICA PROBABILISTICAEJERCICIOS DE ESTADISTICA PROBABILISTICA
EJERCICIOS DE ESTADISTICA PROBABILISTICA
 
Sol t10 mec
Sol t10 mecSol t10 mec
Sol t10 mec
 
Distribuciones
DistribucionesDistribuciones
Distribuciones
 
Distribucion
DistribucionDistribucion
Distribucion
 

Más de Feer ChaVez Reiies

Libro mata
Libro mataLibro mata
Libro mata
Feer ChaVez Reiies
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
Feer ChaVez Reiies
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
Feer ChaVez Reiies
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
Feer ChaVez Reiies
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
Feer ChaVez Reiies
 
Distribución de probabilidad. 1
Distribución de probabilidad. 1Distribución de probabilidad. 1
Distribución de probabilidad. 1
Feer ChaVez Reiies
 
Trabajo de estadística
Trabajo de estadísticaTrabajo de estadística
Trabajo de estadística
Feer ChaVez Reiies
 
Medidas de tendencia y dispersión
Medidas de tendencia y dispersiónMedidas de tendencia y dispersión
Medidas de tendencia y dispersiónFeer ChaVez Reiies
 
Mapa mental
Mapa mentalMapa mental
Mapa mental
Feer ChaVez Reiies
 
Mapa mental
Mapa mentalMapa mental
Mapa mental
Feer ChaVez Reiies
 
Trabajo de diagrama de arbol
Trabajo de diagrama de arbolTrabajo de diagrama de arbol
Trabajo de diagrama de arbol
Feer ChaVez Reiies
 
Trabajo de frecuencias
Trabajo de frecuenciasTrabajo de frecuencias
Trabajo de frecuencias
Feer ChaVez Reiies
 
Trabajo de yadira de intervalos
Trabajo de yadira de intervalosTrabajo de yadira de intervalos
Trabajo de yadira de intervalos
Feer ChaVez Reiies
 
Intervalos reales
Intervalos realesIntervalos reales
Intervalos reales
Feer ChaVez Reiies
 
Intervalos reales
Intervalos realesIntervalos reales
Intervalos reales
Feer ChaVez Reiies
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
Feer ChaVez Reiies
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
Feer ChaVez Reiies
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
Feer ChaVez Reiies
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
Feer ChaVez Reiies
 

Más de Feer ChaVez Reiies (19)

Libro mata
Libro mataLibro mata
Libro mata
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
 
Trabajo de estadística
Trabajo de  estadísticaTrabajo de  estadística
Trabajo de estadística
 
Distribución de probabilidad. 1
Distribución de probabilidad. 1Distribución de probabilidad. 1
Distribución de probabilidad. 1
 
Trabajo de estadística
Trabajo de estadísticaTrabajo de estadística
Trabajo de estadística
 
Medidas de tendencia y dispersión
Medidas de tendencia y dispersiónMedidas de tendencia y dispersión
Medidas de tendencia y dispersión
 
Mapa mental
Mapa mentalMapa mental
Mapa mental
 
Mapa mental
Mapa mentalMapa mental
Mapa mental
 
Trabajo de diagrama de arbol
Trabajo de diagrama de arbolTrabajo de diagrama de arbol
Trabajo de diagrama de arbol
 
Trabajo de frecuencias
Trabajo de frecuenciasTrabajo de frecuencias
Trabajo de frecuencias
 
Trabajo de yadira de intervalos
Trabajo de yadira de intervalosTrabajo de yadira de intervalos
Trabajo de yadira de intervalos
 
Intervalos reales
Intervalos realesIntervalos reales
Intervalos reales
 
Intervalos reales
Intervalos realesIntervalos reales
Intervalos reales
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
 
Intervalos aparentes
Intervalos aparentesIntervalos aparentes
Intervalos aparentes
 

Trabajo de estadística

  • 1. Universidad tecnológica de torreón TRABAJO DE ESTADÍSTICA FERMÍN CHAVEZ REYES 2.C
  • 2. DISTRIBUCION DE BERNOULLI EJEMPLO 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 sino lo hace x=0 determine la media y la varianza de x formulas b) Si anota el tiro, su equipo obtiene dos puntos; si lo fallo su equipo no recibie puntos sea el número de puntos anotados ¿Tiene una distribución de Bernoulli? Si es asi, encuentre la probabilidad de éxito sino c) Determine la media y la varianza de “y” 1.) X=1 tiro X=0 sino anota P(x=1) es igual a 0.55 por tanto Bernoulli 0.55 µx (0) (1-0.55)+ (1-0.55)2 (0.55)=.2475 σ2x (0.55)2 (1-0.55)+(1.55)(.55)= .2475 2.) No porque una variable aleatoria de Bernoulli tiene valores posibles 0y1 los valores de y son 0y2 3.) (0)(1-.0.55)+c
  • 3. EJEMPLO 2 Hay una urna con 342 boletos, para ganar un automóvil, al momento de sacar alguno de ellos ¿Qué probabilidad hay para que pueda salir premiado el boleto número 342? ° La probabilidad de que saque el boleto número 342. P(x=1) = (1/342) 1 * (341/342) 0 = 1/342 = 0.00292 ° La probabilidad de que NO seleccione al alumno numero 342. P(x=0) = (1/342)0 * (341/342)1 = 341/342 = 0.99707
  • 4. EJEMPLO 3 Tenemos cartas que están enumeradas del 1 al 9 ¿Cuál es la probabilidad de sacar la carta 9? ° La probabilidad de que obtengamos la carta 9. P(x=1) = (1/9) 1 * (8/9) 0 = 1/9 = 0.111 ° La probabilidad de que NO obtengamos la carta 9. P(x=0) = (1/9)0 * (8/9)1 = 8/9 = 0.888
  • 5. EJEMPLO 4 Lanzar una moneda, probabilidad de conseguir que salga cruz". Se trata de un solo experimento, con dos resultados posibles: el éxito (p) se considerará sacar cruz. Valdrá 0,5. El fracaso (q) que saliera cara, que vale (1 - p) = 1 - 0,5 = 0,5. La variable aleatoria X medirá "número de cruces que salen en un lanzamiento", y sólo existirán dos resultados posibles: 0 (ninguna cruz, es decir, salir cara) y 1 (una cruz). Por tanto, la v.a. X se distribuirá como una Bernoulli, ya que cumple todos los requisitos. ° La probabilidad de obtener cruz. P(x=1) = (0.5) 1 * (0.5) 0 = 0.5 = 0.5 ° La probabilidad de no obtener cruz. P(x=0) = (0.5)0 * (0.5)1 = 0.5 = 0.5
  • 6. EJEMPLO 5 Una maestra enumera a sus alumnos del 1 al 16, para así poder darles un premio, pero la maestra los seleccionará con los ojos cerrados, ¿Cual es la probabilidad de que salga el alumno numero 16? ° La probabilidad de que seleccione al alumno numero 16. P(x=1) = (1/16) 1 * (15/16) 0 = 1/16 = 0.0625 ° La probabilidad de que NO seleccione al alumno numero 16. P(x=0) = (1/9)0 * (15/16)1 = 15/16 = 0.9375
  • 7. DISTRIBUCCION POISSON EJEMPLO 1 El 8% de los registros contables de una empresa presentan algún problema, si un auditor toma una muestra de 40 registros ¿Calcular probabilidad de que existan 5 registros con problemas? n=40 P=0.08 P(X=5)(e^3.2)(3.2^5)/5!=0.1139793 =3.2 X=5
  • 8. EJEMPLO 2 Se calcula que la ciudad el 20% de las personas tiene defecto de la vista si tomamos una muestra de 50 personas al azar ¿Calcular Probabilidad que existan 5 registros con problemas? n=40 P=0.08 =10
  • 9. EJEMPLO 3 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 5 de ellos sean muy inteligentes n= 100 P=0.03 =100*0.03=3 x=5
  • 10. EJEMPLO 4 Una jaula con 100 pericos 15 de ellos hablan ruso calcular la probabilidad de que si tomamos 20 al azar 3 de ellos hablan ruso n=20 P=0.15 P (x=3)= (e^-8) (3^3)/3!=0.2240418 X=3 =3
  • 11. EJEMPLO 5 La producción de televisores en Samsung trae asociada una probabilidad de defecto del 2%, si se toma un lote o muestra de 85 televisores, obtener la probabilidad que existan 4 televisores con defectos. n=85 P=0.02 P(x5)=(e^-17)(1.7^4)/4!=0.0635746 X=4 =1.7
  • 12. DISTRIBUCIÓN BINOMIAL EJEMPLO 1 En un examen formado por 20 preguntas, cada una de las cuales se responde declarando “verdadero” o “falso”, el alumno sabe que, históricamente, en el 75% de los casos la respuesta correcta es “verdadero” y decide responder al examen tirando dos monedas, pone “falso” si ambas monedas muestran una cara y “verdadero” si al menos hay una cruz. Se desea saber qué probabilidad hay de que tenga al menos 14 aciertos. Hay que proporcionarle a Epidat 3.1 los parámetros de la distribución y el punto k a partir del cual se calculará la probabilidad. En este caso n=20, p=0,75 y el punto k=14. Resultados con Epidat 3.1Cálculo de probabilidades. Distribuciones discretas Binomial (n, p) N: Número de pruebas 20 p: Probabilidad de éxito 0,7500 Punto K 14 Probabilidad Pr [X=k] 0,1686 Cola Izquierda Pr [X<=k] 0,3828 Cola Derecha Pr [X>k] 0,6172 Media 15,0000 Varianza 3,7500 La probabilidad de que el alumno tenga más de 14 aciertos se sitúa en 0,61.
  • 13.
  • 14.
  • 15.
  • 16. DISTRIBUCCION GAMMA EJEMPLO 1 El número de pacientes que llegan a la consulta de un médico sigue una distribución de Poisson de media 3 pacientes por hora. Calcular la probabilidad de que transcurra menos de una hora hasta la llegada del segundo paciente. Debe tenerse en cuenta que la variable aleatoria “tiempo que transcurre hasta la llegada del segundo paciente” sigue una distribución Gamma (6, 2). Resultados con Epidat 3.1 Cálculo de probabilidades. Distribuciones continuas Gamma (a, p) a : Escala 6,0000 p : Forma 2,0000 Punto X 1,0000 Cola Izquierda Pr [X<=k] 0,9826 Cola Derecha Pr [X>=k] 0,0174 Media 0,3333 Varianza 0,0556 Moda 0,1667 La probabilidad de que transcurra menos de una hora hasta que llegue el segundo paciente es 0,98.
  • 17. EJEMPLO2 El tiempo de reparación, en horas, de una pieza es una g (0.5, 2). El precio de venta de la misma es de 5 mil euros y el de fabricación de mil euros. ¿A cuánto debemos cobrar la hora de reparación para obtener un beneficio medio de 3 mil euros? Se nos pide una cantidad K, de modo que el beneficio medio, E (B), sea 3. El beneficio es B=5- (K X +1), entonces, E(B)= 4 - K* E(X) = 4 - K* (2 / 0.5) lo igualamos a 3, de donde se deduce que K=1/4, es decir 250 euros, para obtener un beneficio de 3 mil euros.
  • 18. EJEMPLO3 Suponiendo que el tiempo de supervivencia, en años, de pacientes que son sometidos a una cierta intervención quirúrgica en un hospital sigue una distribución Gamma con parámetros a=0,81 y p=7,81, calcúlese: 1. El tiempo medio de supervivencia. 2. Los años a partir de los cuales la probabilidad de supervivencia es menor que 0,1. Resultados con Epidat 3.1 Cálculo de probabilidades. Distribuciones continuas Gamma (a,p) a : Escala 0,8100 p : Forma 7,8100 Cola Izquierda Pr[X<=k] 0,9000 Cola Derecha Pr[X>=k] 0,1000 Punto X 14,2429 Media 9,6420 Varianza 11,9037 Moda 8,4074 El tiempo medio de supervivencia es de, aproximadamente, 10 años.
  • 19. DISTRIBUCCION T STUDENT EJEMPLO1 La longitud de los tornillos fabricados en una fábrica tienen media μ=10 mm y desviación s=1 mm, calcular la probabilidad de que en una muestra de tamaño n=25, la longitud media del tornillo sea inferior a 20.5 mm: P (μ<20.5) Estandarizamos T=(X-μ)/(s/√n) que sigue una distribución t de n-1 grados de libertad T=(20.5-20)/(1/√25) = 2.5 P (μ<20.5) --> P (T<2.5) ~ t(24) P (T<2.5) = 0.9902 P (μ<20.5)=0.9902 La probabilidad que la longitud media de la muestra de 25 tornillos sea inferior a 20.5 mm es del 99.02%
  • 20. EJEMPLO 2 El profesor Pérez olvida poner su despertador 3 de cada 10 días. Además, ha comprobado que uno de cada 10 días en los que pone el despertador acaba no levantándose a tiempo de dar su primera clase, mientras que 2 de cada 10 días en los que olvida poner el despertador, llega a tiempo adar su primera clase. (a) Idéntica y da nombre a los sucesos que aparecen en el enunciado. (b) ¿Cual es la probabilidad de que el profesor Pérez llegue a tiempo a dar su primera clase? SOLUCIÓN: En primer lugar conviene identificar el experimento aleatorio que estamos realizando. Este consiste en tomar un día al azar en la vida del profesor Pérez y analizarlo en base a los siguientes sucesos. (a) Para un día al azar decimos que se ha dado el suceso: O ≡ cuando el profesor ha olvidado poner el despertador T ≡ cuando el profesor ha llegado tarde a su primera clase. Notemos que tanto {O, O} como {T, T} forman un sistema completo de sucesos. A continuación traducimos en términos de probabilidad de los sucesos anteriores todos los datos que nos dan en el enunciado. P(O) = , P (T |O) = , P(O) = , P(T |O) = .
  • 21. (b) El suceso”llegar a tiempo a su clase” es el complementario de T , por tanto nos piden que calculemos P(T¯). Puesto que {O, O} es un sistema completo de sucesos, podemos aplicar la formulas de la probabilidad total, de donde tenemos que: P (T¯) = P (T |O¯) P(O) + P (T | ¯ O¯) P (O¯). En la expresión anterior aparecen varios de los datos que nos ha proporcionando el enunciado, sin embargo no conocemos directamente el valor de P(T |¯ O¯). Para calcularlo utilizamos que P(T |¯ O¯) = 1 − P(T |O¯) = 1 − = De esta forma, la expresión anterior se puede escribir como: P(T¯) = + =0.69
  • 22. EJEMPLO3 Un fabricante de focos afirma que su producto durará un promedio de 500 horas de trabajo. Para conservar este promedio esta persona verifica 25 focos cada mes. Si el valor y calculado cae entre –t 0.05 y t 0.05, él se encuentra satisfecho con esta afirmación. ¿Qué conclusión deberá él sacar de una muestra de 25 focos cuya duración fue?: 520 521 511 513 510 µ=500 h 513 522 500 521 495 n=25 496 488 500 502 512 Nc=90% 510 510 475 505 521 X=505.36 506 503 487 493 500 S=12.07 SOLUCIÓN. t= x -μ SI n α = 1- Nc = 10% v = n-1 = 24 t = 2.22 Enseguida se muestra la distribución del problema según el grafico sig.
  • 23.
  • 24. EJEMPLO4 Calcular el percentil w0=95 y w0=25 en cada uno de los siguientes casos: 1. En una distribución t-Student con 3 grados de libertad. 2. En una distribución t-Student con 30 grados de libertad. Solución. 1. Recordemos que w0=95 es aquel número real que verifica: S [W · w0=95] = 0=95 Para encontrar este valor en la tabla de la distribución t- Student bastará: - ) Localizar en la primera columna los grados de libertad, en este caso: 3. - ) Localizar en la primer fila la probabilidad acumulada, en nuestro caso: 0=95= - ) Movernos horizontal y verticalmente desde las posiciones anteriores hasta cruzarnos en el punto w0=95. Por tanto el percentil w0=95, en una t-Student con 3 grados de libertad será el valor: w0=95 = 2=3534 Es decir, si desde el valor 2.3534 nos movemos horizontalmente hasta la primera columna, llegaremos al valor 3 (grados de libertad), y si lo hacemos verticalmente hacia la primera fila la llegaremos al valor 0.95 (probabilidad acumulada).
  • 25. Como en la tabla únicamente tenemos tabulada la t-Student para colas probabilísticas que van desde 0=75 hasta 0=999, para calcular el percentil w0=25, tendremos que realizar la siguiente consideración: S [W · w0=25] = 1 ¡ s[W ¸ w0=25] Como la distribución t-Student es simétrica, se verifica: w0=25 = ¡w0=75 Y resulta: s[W · w0=25] = 1 ¡ s[W · w0=75] Por tanto, buscando en la tabla con los datos: Grados de libertad: 3 Cola de probabilidad: 0.75 Tenemos: w0=25 = ¡w0=75 = ¡0=7649 2. En el caso de 30 grados de libertad actuaremos de modo similar al caso anterior, pero buscando en la fila 30 de la tabla. Resultando: w0=95 = 1=6973 Y w0=25 = ¡w0=75 = ¡0=6828
  • 26. EJEMPLO 5 Calcular los percentiles I8>7;0=99 y I8>7;0=01 Solución. Para buscar en la tabla de la F-Snedecor el percentil I8>7; 0=99 hemos de tener en cuenta que: df_1 = 8 (1d Fila de la tabla) df_2 = 7 (1 d Columna de la tabla) 0=99 = Probabilidad acumulada (Última columna de la tabla) El valor donde se cruzan todos estos datos será el percentil buscado. Por tanto: I9>7; 099 = 6=840
  • 27. DISTRIBUCCION NORMAL EJEMPLO 1 Una población normal tiene una media de 80 una desviación estándar de 14.0 µ = 80 σ = 14 z a) Calcule la probabilidad de un valor localizado entre 75.0 y 90.0 p (75 ≤ x ≤ 90) Probabilidad acumulada. 0.7611 z = 0.3594 z = p (75 ≤ x ≤ 90) = 0.7611 – 0.3594 = 0.4017 b) Calcule la probabilidad de un valor de 75.0 ó menor. p(x ≤ 75) Probabilidad acumulada. 0.3594 z p(x ≤ 75) = 0.3594 75 80 μ c) Calcule la probabilidad de un valor localizado entre 55.0 y 70.0 p (55 ≤ x ≤ 70) Probabilidad acumulada. 0.2389 0.0367
  • 28. z = z = p (55 ≤ x ≤ 70) = 0.2389 – 0.0367= 0.2022
  • 29. EJEMPLO 2 Los montos de dinero que se piden en las solicitudes de préstamos en Down River Federal Savings tiene una distribución normal, una media de $70,000 y una desviación estándar de $20,000. Esta mañana se recibió una solicitud de préstamo. ¿Cuál es la probabilidad de que: µ= $70,00 σ =$20,0 z a) El monto solicitado sea de $80,000 o superior? p(x ≥ 80,000) Probabilidad acumulada. 0.6915 z = p(x ≥ 80,000) = 1 – 0.6915= 0.3085 b) El monto solicitado oscile entre $65,000 y $80,000? p(65,000 ≤ x ≤ 80,000) Probabilidad acumulada. z =0.6915 0.4013 z = p(65,000 ≤ x ≤ 80,000) = 0.6915 – 0.4013 = 0.2902
  • 30. c) El monto solicitado sea de $65,000 o superior. p(x ≥ 65,000) Probabilidad acumulada. 0.4013 z = p(x ≥ 65,000) = 1 –0.4013 = 0.5987
  • 31. EJEMPLO 3 Entre las ciudades de Estados Unidos con una población de más de 250,000 habitantes, la media del tiempo de viaje de ida al trabajo es de 24.3 minutos. El tiempo de viaje más largo pertenece a la ciudad de Nueva York, donde el tiempo medio es de 38.3 minutos. Suponga que la distribución de los tiempos de viaje en la ciudad de Nueva York tiene una distribución de probabilidad normal y la desviación estándar es de 7.5 minutos. µ = 38.3 min. σ = 7.5 min. z a) ¿Qué porcentaje de viajes en la ciudad de Nueva York consumen menos de 30 minutos? p( x ≤ 30) Probabilidad acumulada. 0.1335 z = p( x ≤ 30) = 0.1335 = 13.35% 30 38.3 μ b) ¿Qué porcentaje de viajes consumen entre 30 y 35 minutos? p(30 ≤ x ≤ 35) Probabilidad acumulada. 0.3300 z = 0.1335 z =
  • 32. p(30 ≤ x ≤ 35) = 0.3300 – 0.1335 = 0.1965 = 19.65% c) ¿Qué porcentaje de viajes consumen entre 30 y 40 minutos? p(30 ≤ x ≤ 40) Probabilidad acumulada. 0.5910 z = 0.1335 z = p(30 ≤ x ≤ 40) = 0.5910 – 0.1335 = 0.4575 = 45.75%
  • 33. EJEMPLO 4 Las ventas mensuales de silenciadores en el área de Richmond, Virginia, tiene una distribución normal, con una media de $1,200 y una desviación estándar de $225. Al fabricante le gustaría establecer niveles de inventario de manera que solo haya 5% de probabilidad de que se agoten las existencias. ¿Dónde se deben establecer los niveles de inventario? 1 - 0.0500 = 0.9500 Valor z = 1.65 5% ó 0.0500 1.65 z X= 1,571.25 x = 1,571.25
  • 34. EJEMPLO 5 En 2004 y 2005, el costo medio anual para asistir a una universidad privada en Estados Unidos era de $20,082. Suponga que la distribución de los costos anuales se rigen por una distribución de probabilidad normal y que la desviación estándar es de $4,500. El 95% de los estudiantes de universidades privadas paga menos de ¿Qué cantidad? 1.64 z x = 27,462. X= 27,46275 µ = 20,082 σ = 4,500 z Probabilidad Valor acumulada. de z 95% = .9500 =