Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
3
OBJETIVOS DE LA
UNIDAD
SON
SON DISTRIBUCIONES
DISTRIBUCIONES
TEORICAS
TEORICAS
Y
Y SE
SE USAN
USAN PARA
PARA
REPRESENTAR
REPRESENTAR POBLACIONES
POBLACIONES
En la Unidad anterior, vimos como definir una probabilidad
y comenzamos nuestro análisis de la probabilidad para
representar situaciones en las que los resultados son
inciertos.- En esta Unidad nos basamos en esas ideas para
presentar modelos de probabilidad que ponen énfasis en las
variables aleatorias.- Los modelos de probabilidad tienen
muchas aplicaciones en algunos problemas empresariales,
y aquí analizamos algunas de ellas.- Supongamos que
tenemos un negocio que alquila toda una variedad de
equipos.- Sabemos por experiencia – frecuencia relativa-
que el 30 por ciento de las personas que entran en nuestro
negocio quiere alquilar un equipo de camping.- Hoy
tenemos tres equipos de camping.- Cinco personas que no
guardan ninguna relacion entre si entran en el negocio (la
probabilidad de que una de ellas alquile un equipo de
camping es independiente de la de las demás).-
¿Cuál es la probabilidad de que estas cinco personas
quieran alquilar un total de cuatro o cinco equipos de
camping?.- Si ocurre eso, perderemos oportunidad de
alquilar equipos de camping y los clientes se Irán
decepcionados.- La probabilidad de los eventos (números
de equipos de camping deseados), como veremos más
adelante puede calcularse esta probabilidad utilizando el
modelo de probabilidad binomial..
PRIMERO QUE ES
QUE VEREMOS UNA “VARIABLE
EN ESTA ALEATORIA”
UNIDAD
ADEMAS
DISTRIBUCIONES DE PROBABILIDAD
BINOMIAL
UNIFORME
BINOMIAL
ACUMULADA EXPONENCIAL
HIPERGEOMETRICA
NORMAL
DE POISSON
APROXIMACION A NORMAL
DETERMINACION
BINOMIAL Y ESTANDARIZADA
DEL VALOR X
POISSON
VARIABLE
ALEATORIA
Es la variable que asume un
valor numérico único para cada
uno de los resultados de un
experimento aleatorio.-
DISCRETAS
LAS VARIABLES
ALEATORIAS,
PUEDEN SER
CONTINUAS
Una variable aleatoria discreta
es aquella que puede asumir una
cantidad numerables de valores.-
EJEMPLOS
:
EJEMPLOS:
Veamos un ejemplo:
Supongamos que una empresa que se dedica a las ventas
de autos, durante los últimos 300 días de ventas, las
ventas muestran que en 54 días no se vendieron autos, en
117 se vendió 1 auto, en 72 días se vendieron 2 autos, en
42 se vendieron 3 autos, en 12 días se vendieron 4 autos y
en 3 días se vendieron 5 automóviles.-
Supongamos además, que el experimento consiste en
seleccionar un día de operaciones de ventas y definimos
la variable aleatoria de interés como X = número de
automóviles vendidos en un día.-
Si presentamos la distribución de probabilidad de esta
variable aleatoria será:
X fi P (X = x) Una ventaja importante de definir
0 54 0,18 una variable aleatoria y su
distribución de probabilidad es que
1 117 0,39 una vez conocida esa distribución
2 72 0,24 es fácil determinar la probabilidad
de varios eventos que pueden
3 42 0,14 interesar a quien toma decisiones.-
4 12 0,04 Por ejemplo, si consultamos la tabla
5 3 0,01 observamos que la cantidad más
probable de autos que se venden en
300 1,000 1 día es del 39 %.-
p (xi) ≥ 0
∑ p (xi) = 1
Si queremos mostrar gráficamente la distribución de
probabilidad de ventas de autos será:
P (x)
0,20
0,10
Ventas de
0 1 2 3 4 5 auto por día.-
La Función de Probabilidad Acumulada , que
simbolizamos con F (x), de una variable aleatoria X representa la
probabilidad de que X tome un valor inferior a x, es decir:
F(x) = P (X ≤ x) = ∑ p (x ) i
X≤x
X P (X = x)
1000 0.15
1100 0.20
1200 0.30
1300 0.25
Total 0.10
E (x) = µ = ∑ xi * p (xi)
Es un promedio ponderado de
X fi P (X = x) x * p (xi) todos los resultados posibles,
0 54 0,18 0 donde las ponderaciones, son las
probabilidades asociadas con
1 117 0,39 0,39 cada uno de los resultados.-
2 72 0,24 0,48
E (X) = µ = 1,5 automóviles
3 42 0,14 0,42
La empresa puede esperar, a la
4 12 0,04 0,16
larga, la venta de un promedio
5 3 0,01 0,05 de 1,5 automóviles por día.-
300 1,000 1,50
Si suponemos que la operación durante un mes equivale a 30 días,
podemos usar el valor esperado de 1,50 para anticipar que las
ventas mensuales promedio son 30 * 1,5 = 45 automóviles.-
σ = Variancia
La desviación estándar se mide en las mismas unidades de
medidas que la variable aleatoria en estudio
Como calcular la variancia por la fórmula de definición suele ser un
poco engorroso, hay una formula abreviada muy útil, que será la
que usaremos:
σ² = ∑ x² p (xi) - µ²
En nuestro ejemplo, de la empresa de ventas de automóviles el
calculo de la variancia y desvío estándar será:
X fi P (X = x) x² p (xi)
σ² = 3,50 - 1,5² =
0 54 0,18 0
= 3,50 - 2,25 =
1 117 0,39 0,39
2 72 0,24 0,96 = 1,25 auto²
3 42 0,14 1,26
4 12 0,04 0,64 σ = 1,25 = 1.118 autos
5 3 0,01 0,25
300 1,000 3,50
EJEMPLO para que analicen los alumnos.-
Una empresa considera dos inversiones posibles.- Como
aproximación inicial asigna probabilidades subjetivas a cada uno de
los siguientes eventos: perder un 20% por cada dólar invertido,
perder un 10% , ni ganar ni perder, ganar un 10% y ganar un 20%.-
Sea X el rendimiento por cada dólar invertido en el primer proyecto e
Y el rendimiento por cada dólar invertido en el segundo proyecto.-
Las probabilidades asignadas son:
Números de 47 48 49 50 51 52 53
clips
Proporción de 0,04 0,13 0,21 0,29 0,20 0,10 0,03
paquetes
Números de pedidos 0 1 2 3 4 5
Probabilidad 0,10 0,14 0,26 0,28 0,15 0,07
0 0.47 0.06
1 0.45 0.56
2 0.06 0.28
3 0.02 0.10
a) ¿Cuál es el valor esperado de la cantidad de computadora por
familia para cada tipo?.-
b) ¿Cuál es la variancia de la cantidad de computadora por familia
para cada tipo?.-
c) Realice algunas comparaciones entre el número de computadoras
portátiles y el número de computadoras de escritorio que posee
los suscriptores del periódico.-
ALGUNAS
DISTRIBUCIONES
DE
PROBABILIDAD
DISCRETA
DISTRIBUCION DE
PROBABILIDAD
BIPUNTUAL 0
ENSAYOS DE
BERNOULLI
Antes de introducirnos en la distribución binomial es importante
ver que nos dice esta distribución de probabilidad.-
Entre las distribuciones de probabilidad discretas, este es el
modelo más simple, se lo llama también “ prueba o ensayos
de Bernoulli” y se refiere a un experimento aleatorio con dos
resultados posible.-
Se trata de una población dicotomizada, es decir de una población
cuyos individuos se pueden subdividir en dos clases según tengan
o no una cierta característica.- Los individuos que tienen la
característica A forman la clase A y los que no la tienen forman la
clase no A, por ejemplo: pieza defectuosa y no defectuosa, compra
o no compra, saca crédito o no lo saca, paciente enfermo o sano,
encendido o apagado, varón o mujer, aprobar no aprobar, etc.-
Se realiza un experimento aleatorio consistente en elegir al azar, un
individuo de esa población y observar si pertenece o no a la clase
A.- Cada individuo de la población constituye un evento simple del
espacio muestral S.-
La variable aleatoria es del tipo discreto y se define de la siguiente
manera:
1 si el individuo observado es A
X = X (S) =
0 si el individuo observado es no A
A 1 p
No A 0 1 - p
Cabe señalar que el valor de p se determina según los enfoques que
hemos visto.- Si se trata de la tirada de una moneda nos basamos en
el enfoque clásico y decimos que p = ½.-
Por lo general, la probabilidad p estará dada por la proporción de
individuos que tienen la característica A en la población o por las
frecuencias relativas de un número suficientemente grande de
experimento.-
El modelo matemático o función de probabilidad para la distribución
bipuntual es:
x 1-x
p (xi) = P (X =x) = p (1 - p)
donde x = 0; 1
µ = E (X) = ∑ x px ( 1 - p)1 -x
= p
σ² = ∑ x² p (x) - µ² = p - p² = p ( 1 – p)
Generalmente a (1 – p) = q
σ² = p q
σ = p q
DISTRIBUCIÓN
DE
PROBABILIDAD
BINOMIAL.-
La distribución binomial es una función de distribución de
probabilidad discreta con muchas aplicaciones en la vida
diaria.- La distribución binomial tiene cuatro propiedades
esenciales:
1.- Las observaciones posibles se pueden obtener mediante dos
métodos de muestreo.- Se puede considerar que cada observación
se seleccionó ya sea a partir de una población infinita sin reemplazo
o a partir de una población finita con reemplazo.- Se selecciona
n observaciones.-
2.- Cada observación se puede clasificar en una de dos categoría
mutuamente excluyentes y colectivamente exhaustivas que por lo
común llamamos Éxitos y Fracasos.-
3.- La probabilidad de que una observación se clasifique como éxito,
p, es constante entre una observación y otra.- Entonces la
probabilidad de que una observación sea clasificada como fracaso
es (1-p), es constante en todas las observaciones.-
4.- El resultado (éxito o fracaso) de cualquier observación es
independiente del resultado de cualquier otra observación.-
Si se cumplen las propiedades 2, 3 y 4, se dice que los intentos se
generan mediante un proceso de Bernoulli y si además se hacen n
intentos o ensayos entonces es un experimento binomial.-
Veamos un ejemplo:
Supongamos que un vendedor de seguro visita a 10 familias
seleccionadas al azar.- El resultado asociado con cada visita se
clasifica como un éxito si la familia compra una póliza de seguro, y
como un fracaso si la familia no lo hace.- De acuerdo con su
experiencia, el vendedor sabe que la probabilidad de que una familia
seleccionada al azar compre una póliza de seguro es de 0,10.- Al
comprobar si se satisfacen las propiedades de un experimento
binomial vemos que:
1.- El experimento consiste en 10 intentos idénticos y cada
experimento implica llegar a una familia.-
2.- En cada intento son posible dos resultados: la familia compra
una póliza (éxito) o la familia no la compra (fracaso).-
3.-Se supone que las probabilidades de una compra y de una no
compra son iguales para cada llamada de ventas, siendo,
p = 0,10 1- p = 0,90
4.- Los intentos son independientes porque las familias se
seleccionan aleatoriamente.-
P (X =x) = px (1 -p)1 - x
P (X = x) = px (1 – p) n - x
x
F(x) = P (X ≤ x) = ∑ p ( x)
X≤x
µ = E (x) = n * P
Solución
De nuevo, compruebe que el procedimiento de muestreo
satisfaga las características de un experimento
binomial.-
1.- Un ensayo es la selección y prueba de una PC del total
de 20.- Este experimento consta de n = 3 ensayos
idénticos.-
2.- Cada ensayo produce uno de dos resultados, ya sea
que una PC esté defectuosa (éxito) o no defectuosa
(fracaso).-
3.- Suponga que las PC fueron colocadas al azar en el
vagón, de tal modo que cualquiera de las 20
computadoras pudo ser colocada cerca de la puerta del
vagón.- Entonces la probabilidad de sacar una
computadora defectuosa en un ensayo dado sería 2/20.-
4.- La condición de independencia entre ensayos no se
satisface porque la probabilidad de sacar una PC
defectuosa en el segundo ensayo y tercer ensayo
depende del resultado del primer ensayo.- Por ejemplo,
si en el primer ensayo se obtiene una PC defectuosa,
entonces queda una computadora defectuosa entre las
19 restante del envío.- Por lo tanto:
MEDIANTE UN EJERCICIO:
EJERCICIOS PARA HACER EN CLASE
x P( X = x ) x P( X <= x )
0 0,000977 0 0,00098
1 0,009766 1 0,01074
2 0,043945 2 0,05469
3 0,117188 3 0,17187
4 0,205078 4 0,37695
5 0,246094 5 0,62305
6 0,205078 6 0,82813
7 0,117188 7 0,94531
8 0,043945 8 0,98926
9 0,009766 9 0,99902
10 0,000977 10 1,00000
Para calcular la probabilidad buscada podemos usar
cualquiera de las dos tabla calculadas en Minitab de la
placa anterior:
1.- Si usamos la función de densidad de la Binomial, será:
P (X ≥ 8) = P(8) + P(9) + P(10) =
= 0,43945 + 0.09766 + 0.00977 = 0.05469
LA DISTRIBUCION
DE POISSON SE
BASA EN CIERTOS
SUPUESTOS, QUE
DEBEMOS TENER EN
Supongamos que un intervalo esta dividido en un gran numero de
subintervalos de manera que la probabilidad de que ocurra un
evento de cualquier subintervalo es muy pequeña.
Variancia
y la
σ² = E [ (X - μ)² ] = λ
Desviación
Estándar
son:
σ= λ
El símbolo e = 2,71828 se puede calcular con una calculadora
científica, que debe tener una función como e x .-
Para cada valor de x se puede obtener las probabilidades
individuales de la variable aleatoria de Poisson, de la misma manera
que en que procedió para la variable aleatoria binomial.-
De manera alternativa se puede usar la Tabla de la Distribución de
Poisson del Compendio de Tablas Estadística, para valores de (x;
Λ).-
Recordemos que como en todas las distribuciones se puede aplicar
la Distribución acumulada, donde:
P (X ≤ x) = ∑ P (X = x) para x = 0, 1, 2, ………………
En algunas situaciones nos conviene usar el complemento.- Es
decir,
P (X ≥ x) = 1 - P (X ≤ x)
Para tener en claro una distribución de probabilidad es importante
conocer la forma de la distribución.-
La forma de la distribución de Poisson es asimétrica a
derecha, dependiendo del valor de λ.- A medida que λ se
hace más grande la distribución tiende a ser simétrica.-
λ = 0,5 λ=6
Ejemplo 1.- El promedio de accidentes de tránsito que ocurren en un
tramo de ruta es de dos por semana.- Suponga que el número de
accidente sigue una distribución de Poisson con λ = 2.-
a) Obtenga la probabilidad de que ningún accidente ocurra en este
tramo de ruta durante un semana.-
b) Encuentre la probabilidad de que a lo más ocurran tres
accidentes en este tramo de ruta durante dos semanas.-
Solución
0 -2
2 e
-2
a) P (X = 0) = ------------------- = e = 0,135335
0!
b) λ= 2 * 2 =4
P ( X ≤ 3) = P (0) + P (1) + P (2) + P (3) =
= 0,018316 + 0,073263 + 0,146525 + 0,195367 =
= 0,433471 ⇒ 43 %
EJERCICIOS PARA HACER EN CLASE
x P( X = x ) x P( X <= x )
0 0,367879 0 0,36788
1 0,367879 1 0,73576
2 0,183940 2 0,91970
3 0,061313 3 0,98101
4 0,015328 4 0,99634
5 0,003066 5 0,99941
6 0,000511 6 0,99992
7 0,000073 7 0,99999
8 0,000009 8 1,00000
9 0,000001 9 1,00000
10 0,000000 10 1,00000
P (X = 0) = 0.367879
P (X = 3) = 0.061313
P (X = 4) = 0,015328
P (X ≥ 3) = 1 - P (X ≤ 2) =
= 1 - 0,91970 = 0.0803 → 8 %
EJERCICIOS
VARIADOS
1.- Los clientes llegan a una caja registradora ocupada a
una tasa media de tres por minuto.- Si la llegada sigue una
distribución de Poisson, halle la probabilidad de que en un
minuto dado lleguen dos clientes o menos.-
7.- Una compañía de seguro tiene 6000 pólizas de seguro contra las
estafas con otras tantas empresas.- En un año dado, la probabilidad
de que una póliza genere una reclamación es de 0,001.- Halle la
probabilidad de que se presenten al menos tres reclamaciones en
un año dado.-
8.- .- Un departamento de reparación de maquinaria recibe
un promedio de cinco solicitudes de servicio por hora.-
¿Cuál es la probabilidad de que se reciban exactamente
tres solicitudes en una hora seleccionada al azar?
¿Cuál es la probabilidad de que se reciban menos de tres
llamadas en una hora elegida al azar?
Veamos distribución de
Poisson mediante
programas estadístico
Minitab.-