Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Experto GestioPolis.com
Economía
Otros
02.09.2002
2 minutos de lectura
economía matemáticaestadística
1. Cada ensayo ( cada lanzamiento, en nuestro caso) tiene sólo dos resultados posibles:
lado A o lado B, sí o no, éxito o fracaso.
2. La probabilidad del resultado de cualquier ensayo (lanzamiento) permanece fija con
el tiempo. Tratándose de una moneda la probabilidad de que salga de el lado A sigue
siendo de 0.5 en cada lanzamiento, cualquiera que sea el número de veces que la
moneda sea arrojada.
3. Los ensayos son estadísticamente independientes, es decir, el resultado de un
lanzamiento no afecta al de cualquier otro lanzamiento.
Des de luego, la otra característica del proceso de Bernoulli también deberá ser satisfecha.
Cada prueba deberá arrojar tan sólo dos resultados (éxito o fracaso= y los resultados de las
pruebas habrán de ser estadísticamente independientes.
P Probabilidad de éxito.
Q Probabilidad de fracaso.
N! / R! (N-R)! PR QN-R
Imaginemos una escuela primaria donde los alumnos llegan tarde a menudo. Cinco
alumnos están en el jardín de niños. La directora lleva tiempo estudiando el problema,
habiendo llegado a la conclusión de que hay una probabilidad de 0.4 de que un alumno
llegue tarde y de que los alumnos lleguen independientemente uno de otro ¿Cómo trazamos
una distribución binomial de probabilidad que ilustre las probabilidades de que 0,1,2,3,4 ó
5 estudiantes lleguen tarde simultáneamente? Para hacerlo necesitaremos utilizar la fórmula
binomial donde :
P= 0.4
Q= 0.6
N= 5
P(0) = 0.07776
Para R= 1 obtenemos que :
P(1) = 0.2592
P(2) = 0.3456
P(3) = 0.2304
P(4) = 0.0768
P(5) = 0.01024
m=np
donde :
n= número de ensayos.
P= probabilidad de éxitos.
s = Ö npq
donde :
n= número de ensayos.
P= probabilidad de éxito.
Q= probabilidad de fracaso.
Ejemplo:
Una máquina empaquetadora que produce 20% de paquetes defectuosos. Si se extrae una
muestra aleatoria de 10 paquetes, podremos calcular la media y la desviación estándar de la
distribución binomial de ese proceso en la forma que sigue:
m = np
= 10*0.2
= 2 Media
s = Ö npq
= Ö 1.6
POISSON
Esta distribución es una de las más importantes distribuciones de variable discreta. Sus
principales aplicaciones hacen referencia a la modelización de situaciones en las que nos
interesa determinar el número de hechos de cierto tipo que se pueden producir en un
intervalo de tiempo o de espacio, bajo presupuestos de aleatoriedad y ciertas circunstancias
restrictivas. Otro de sus usos frecuentes es la consideración límite de procesos dicotómicos
reiterados un gran número de veces si la probabilidad de obtener un éxito es muy pequeña
.
Por otro lado es evidente que se trata de un modelo discreto y que el campo de variación
de la variable será el conjunto de los número naturales, incluido el
cero:
Función de cuantía
A partir de las hipótesis del proceso, se obtiene una ecuación diferencial de definición
del mismo que puede integrarse con facilidad para obtener la función de cuantía de la
variable "número de hechos que ocurren en un intervalo unitario de tiempo o espacio "
Su expresión será :
que
luego :
Así.
por lo que =
En cuanto a la moda del modelo tendremos que será el valor de la variable que tenga
mayor probabilidad , por tanto si Mo es el valor modal se cumplirá que :
Y, en particular:
A partir de estas dos desigualdades, es muy sencillo probar que la moda tiene que
verificar: De manera que la moda será la parte entera del parámetro l o
dicho de otra forma, la parte entera de la media
Podemos observar cómo el intervalo al que debe pertenecer la moda tiene una amplitud
de una unidad , de manera que la única posibilidad de que una distribución tenga dos modas
será que los extremos de este intervalo sean números naturales, o lo que es lo mismo que el
parámetro l sea entero, en cuyo caso las dos modas serán l -1 y l .
Teorema de adición.
"La variable suma de dos o más variables independientes que tengan una distribución
de Poisson de distintos parámetros l (de distintas medias) se distribuirá, también con una
distribución de Poisson con parámetro l la suma de los parámetros l (con media, la suma de
las medias) :
En efecto:
Sean x e y dos variables aleatorias que se distribuyen con dos distribuciones de Poisson de
distintos parámetros siendo además x e y independientes
Así e
Debemos probar que la variable Z= x+y seguirá una Poisson con parámetro igual a la
suma de los de ambas:
Para Y
son independientes :
Planteamos un ejemplo:
Tres ejecutivos del Insalud opinan que el número medio de pacientes que llegan a cierto
servicio nocturno de guardia durante una hora es 2 , según el primero, 3 , según el segundo,
y 5 según el tercero.
Sus opiniones pueden ponderarse teniendo en cuenta que el primero tiene el doble de
experiencia profesional que los otros dos.
Para tomar una decisión de asignación de personal en ese servicio quieren estimar el
número medio de pacientes, sin despreciar sus opiniones , por lo que realiza una
experiencia controlando una hora de actividad en el servicio en la que acuden 3 pacientes
.Esta información la van a combinar con la inicial a través de un proceso Bayesiano :¿cómo
lo harían?
li P(l i)
2 0,5
3 0,25
4 0,25
li
2 0,180447
3 0,224042
5 0,140374
li
2 0,497572
3 0,308891
5 0,193536
Esta distribución a posteriori nos dará cuenta de toda la información disponible acerca del
parámetro desconocido, (número medio de pacientes por hora); tanto de la información
subjetiva de los expertos (convenientemente ponderada) como de la información empírica
suministrada por la observación.
A partir de esta distribución a posteriori podemos plantear nos dar un valor concreto para la
estimación de considerando una función de pérdida cuadrática . La estimación adecuada
sería la media de la distribución a posteriori:
pacientes la hora
Teorema del límite central
Ejemplo
Solución:
(0,0) 0 0 - 3 = -3
(0,2) 1 1 - 3 = -2
(0,4) 2 2 - 3 = -1
(0,6) 3 3–3=0
(2,0) 1 1 – 3 = -2
(2,2) 2 2 – 3 = -1
(2,4) 3 3–3=0
(2,6) 4 4–3=1
(4,0) 2 2 – 3 = -1
(4,2) 3 3–3=0
(4,4) 4 4–3=1
(4,6) 5 5–3=2
(6,0) 3 3–3=0
(6,2) 4 4–3=1
(6,4) 5 5–3=2
(6,6) 6 6–3=3
e, es entonces:
Ejemplo:
A 6
B 4
C 2
Solución:
A,B (6,4) 5
A,C (6,2) 4
B,C (4,2) 3
tendriamos que:
Ejemplo:
Una empresa eléctrica fabrica focos que tienen una duración que se
distribuye aproximadamente en forma normal, con media de 800 horas y
desviación estándar de 40 horas. Encuentre la probabilidad de que una
muestra aleatoria de 16 focos tenga una vida promedio de menos de 775
horas.
Solución:
Ejemplo:
Las estaturas de 1000 estudiantes están distribuidas aproximadamente
en forma normal con una media de 174.5 centímetros y una desviación
estándar de 6.9 centímetros. Si se extraen 200 muestras aleatorias de
tamaño 25 sin reemplazo de esta población, determine:
Solución:
a.
Número de
Proporción de
Artículos maneras en las que
Artículos Malos artículos
Buenos se puede obtener
defectuoso
la muestra
1 4 4/5=0.8 8C1*4C4=8
2 3 3/5=0.6 8C2*4C3=112
3 2 2/5=0.4 8C3*4C2=336
4 1 1/5=0.2 8C4*4C1=280
5 0 0/5=0 8C5*4C0=56
Total 792
p =P
Ejemplo:
Solución:
Datos:
n=800 estudiantes
p=0.60
p(x 440) = ?
p(x 440) = 0.0017. Este valor significa que existe una probabilidad del
0.17% de que al extraer una muestra de 800 estudiantes, menos de 440
fuman cigarrillos.
Distribución Muestral de Proporciones
Datos:
n=800 estudiantes
P=0.60
p= 0.55
p(p 0.55) = ?
Ejemplo:
Datos:
n=150 personas
p=0.03
x= (0.04)(150) = 6 personas
p(x>6) = ?
Datos:
n=150 personas
P=0.03
p= 0.04
p(p>0.04) = ?
Ejemplo:
Solución:
a. Datos:
n= 60 artículos
P=0.04
p= 0.03
p(p<0.03) = ?
b. Datos:
n= 60 artículos
P=0.04
p= 0.01 y 0.05
p(0.01<p<0.05) = ?