sarz020 informePracticat Estadisticas para las ciencias de la computacion UNIVERSIDAD POLITECNICA SALESIANA ECUADOR Integrantes : Katherine Barrera, Pedro Orellana, Ivan Ulloa, Jorge Yela Tema : Distribucién hipergeometrica y Poisson Distribuci6én hipergeometrica Qué es la distribucién hipergeometrica? La distribucién hipergeométrica es una distribucién discreta que modela el niimero de eventos en una muestra de tamajio fijo. Cada elemento de la muestra tiene dos resultados posibles (es un evento o un no evento). + Caracteristicas. + Las muestras no tienen reemplazo, por lo que cada elemento de la muestra es diferente. = Las probabilidades asociadas a cada uno de los resultados no son constantes. Distribucion Hipergeométrica, N = 10, M = 6, n=3 . | | o - Distribucién de Poisson a 5 Qué es la distribucién de Poisson? La distribucién de Poisson es una distribucién de probabilidad discreta que se aplica a las ocurrencias de algtin suceso durante un intervalo determinado. file: /UsersipecrulnformePracticat html 2nosai2020 informePractica’ + Caracteristicas. + Se usa al determinar un evento que se repite varias veces en un intervalo de tiempo. + Es muy importante tener en cuenta que las ocurrencias tienen que ser aleatorias y no contener ningtin vicio que favorezca a una concurrencia sobre otra, 0.40 0.35 0.30 30.25 % 0.20 = 0.15 0.10 0.05 Documento web Estadistica descriptiva y distribuciones de probabilidad. Solano, H. L., & Alvarez, C. R. (2005). Universidad del Norte. hi=es8lr=&id=3Tkb8HJ5toUC&oi=fnd&pg=PR 11 &dq=distribuciones*de+probabilidad&ots=ISgSW98tRI&sig=kt NcPbds) Distribicion Poisson Se usa al determinar un evento que se repite varias vecesen un intervalo de tiempo, teniendo en cuenta que las variables utilizadas deben ser aleatorias. En la formula tenemos file: /UsersipecrulnformePracticat html anos1ar2020 informePracticat e = =Xes la ocurrencia u objeto e Kndmero de eventos en el qk . P(e =k) =e intervalo kt e Antmero medio de resultados Comoejemplo de esta distribucién: Tenemos que una pagina de una empresa pequefia recibe 100 visitas como media al dia, lo que mostraremos acontinuacién es la probabilidad de que estas llamadas puedan llegar a ser 10000. Visualizaremos como la probabilidad disminuye a medida que se aleja de la media. Necesitaresmos los médulos de scipy.stats: In [5]: from scipy.stats import poisson import seaborn as sb El método poisson.rvs() puede calcular automaticamente la distribucion In [28]: data_binom = poisson.rvs(mu=100, size=10000) Graficamos e| resultado con la herramienta distplot de] médulo seaborn. Podemos ver que cada barra simboliza la probabilidad calculada para ese valos. file: /UsersipecrulnformePracticat html 4nosai2020 informePractica’ In [29]: ax = sb.distplot(data_binom, kde=True, color="blue’, hist_kws={"linewidth": 1, ‘alpha':1}) ax.set(xlabel='Poisson', ylabel='Frecuencia’) out[29]: [Text(@, 0.5, "Frecuencia'), Text(@.5, @, ‘Poisson')] 005 008 Frecuencia oon 0.00 @ 0 300 0 140 Poisson En conclusién podemos decir que la distribucién de Poisson nos ayuda a visualizar como las probabilidades se distribuyen con relaci6n a la media aritmética de las muestras. Al momento que graficamos visualizamos como la probabilidad que el suceso ocurra va aumentando por la izquierda y disminuyendo por la derecha, a medida que se acerca al valor promedio Distribucioén Discreta Hipergeométrica Formula: k\ (N-k) N=tamaiio de poblacién x) ln- K =n? individuos que... gpxX=D= weet MARES . N n=tamano de la muestra n x= valor que toma la variable file: /UsersipecrulnformePracticat html snos1ar2020 informePracticat Nes la poblacion que contiene un ntimero finito de elementos nes una muestra de elementos seleccionados de N de forma aletoria K es el numero de elementos de N que cumplen con la caracteristica deseada X es el numero de elementos de n que cumplen con la caracteristica deseada N-k respresetan los elementos que no tienen la caracteristica deseada de la poblacion. n-x respresetan los elementos que no tienen la caracteristica deseada de la muestra Ejemplo: De un lote de 40 microcomponentes, cada uno se denomina aceptable si no tiene mas de tres defectuosos. El procedimiento para muestrear el lote es la seleccién de cinco componentes al azar y rechazar el lote si se encuentra un componente defectuoso. :Cual es la probabilidad de que se encuentre exactamente un defectuoso en la muestra si hay tres defectuosos en todo el lote? DATOS: k N= 40 m: Para la generacién de graficos matplotlib.pyplot: In [32]: import matplotlib.pyplot as plt Para funciones estadisticas (scipy.stats) Este médulo contiene una gran cantidad de distribuciones de probabilidad, asi como una creciente biblioteca de funciones estadisticas. In [33]: import scipy.stats as stats Para funciones matematicas de alto nivel para operar con esos vectores o matrices (numpy) In [34]: import numpy as np Ingresamos las variables In [35]: Ny n, m= 40, 5, 3 Utilizamos la funcion hypergeom que esta en el modulo status de la libreria scipy fle:iC:/UsersipedrlinformePracticat.htm anos1ar2020 informePracticat In [64]: hipergeometrica = stats.hypergeom(N, n, m) # Distribucion nes numero de muestras In [65]: x = np.arange(@, n+1) print (x) [e12345] Creamos la funcion de probablidad para n nuimeros In [70]: mp = hipergeometrica.pmf(x) # Funcién de Masa de Probabilidad print (#mp) [@.66244939 @.30111336 @.0354251 @.00101215 @. 2. ] In [75]: print (x, mp) [@ 123 45] [0.66244939 @.30111336 0.0354251 0.0101215 2. e. ] file: /UsersipecrulnformePracticat html 70sarz020 informePracticat In [74]: plt.plot(x, fmp, '-") plt.vlines(x, @, fmp, colors='r', lw=1, alpha= plt.title('Distribucion Hipergeométrica' ) plt.ylabel('probabilidad') plt.xlabel(‘valores') plt.show() Distribucién Hipergeométrica os os. 04 03 probabilidad 02 on 00 y 0 1 2 3 a 5 valores file: /UsersipecrulnformePracticat html aiosarz020 informePracticat In [73]: aleatorios = hipergeometrica.rvs(100) # genera aleatorios cuenta, cajas, ignorar = plt.hist(aleatorios, 20) plt.ylabel(‘frequencia') plt.xlabel(‘valores') plt.title(‘Histograma Hipergeométrica') plt.show() Histograma Hipergeométrica frequencia 8 #8 8 838 025 050 075 100 125 150 175 200 valores Resulto por la formula: p(X=k)=(mk)(N-mn-k (Nn) p(X=1) p(x = 1) = (3C1)(37C4) (40€5) Ble 1) = 3! 1! + 37! 4! 40! 5! p = (3* 2 * 1) (1)(2* 1) * (37 * 36 + 35 * 34 + 333 + ae) (4* 3 2 #1) (40 * 39 * 38 « 37 * 36 + 35...) (54 4*3% 2% 1) p= (x= 1) = (3)(66045) (658008) p= 0.3011 file: /UsersipecrulnformePracticat html sn0