Download transistores -corriente
Document related concepts
no text concepts found
Transcript
Temas a desarrollar Experimento aleatorio, espacio muestral y resultado. Eventos (simples y compuestos). Breve teoría de conjuntos. Definiciones de probabilidad. Propiedades. Probabilidad condicional. Eventos dependientes e independientes. Teorema de Bayes. Variable aleatoria. Caso discreto y continuo. Función de densidad y de distribución poblacional. Esperanza y varianza. Propiedades. Distribuciones Binomial, Poisson, Normal y Student. Distribución normal estándar. Aplicaciones. Material Preparado por Hugo Delfino Origen de la Teoría de Probabilidades La teoría de probabilidades comienza a desarrollarse en el siglo XVII en Francia con dos notables matemáticos, Blaise Pascal y Pierre de Fermat, por la correspondencia entre ellos sobre un requerimiento de un noble Frances y jugador Chevalier de Méré. Se dice que de Méré habia apostado en el lanzamiento de cuatro dados al menos un 6 aparecerá. El había ganado consistentemente, pero para atraer a mas gente a jugar, cambió el juego a: en 24 lanzamientos de dos dados, un par de 6 aparecerá. Según se cuenta de Méré perdía con 24 lanzamientos y creía que 25 lanzamientos necesarios para hacer el juego favorable a él. Problemas como estos Pascal y Fermat resolvieron e influyeron con ello a investigadores como Huygens, Bernoulli, and DeMoivre para establecer la teoría de probabilidades. Hoy en día la teoría de probabilidades esta muy desarrollada y es la base de muchas de las aplicaciones utilizadas para la toma de decisiones Material Preparado por Hugo Delfino Uso de la teoría de Probabilidades El uso de la teoría de probabilidades ayuda para comprender la variabilidad y de esta forma hace que las organizaciones puedan resolver problemas con mayor eficiencia y eficacia. La variabilidad puede observarse en el comportamiento y en le resultado de muchas actividades, incluso bajo aparentes condiciones de estabilidad. La variabilidad puede observarse en las características medibles de muchos procesos. La teoría de probabilidades es muy útil para resolver problemas de análisis cuantitativo como ser: Análisis de decisiones, modelos de regresión, de pronósticos, de administración de proyectos y de teoría de colas. Modelación y simulación. Control estadístico de la calidad. Teoría de juegos Material Preparado por Hugo Delfino Definiciones • Probabilidad: Es un valor comprendido entre 0 y 1, incluidos estos dos valores, que describe la posibilidad de ocurrencia de un evento. • Experimento: Cualquier proceso que produce un resultado. · Determinístico: Ante la repetición del mismo se obtiene siempre el mismo resultado. · Aleatorio: Repitiendo el experimento en idénticas condiciones se obtienen distintos resultados. • Punto muestral ó Resultado: Es un resultado particular de un experimento. • Evento: Es una colección de uno o mas resultados de un experimento. Material Preparado por Hugo Delfino Definiciones evento o suceso aleatorio • Evento o Suceso Aleatorio: Es una colección de uno o mas resultados de un experimento. · E1=Sacar un 5 al tirar un dado · E2=Sacar un número par al tirar un dado. · E3=Sacar un número menor que 7 al tirar un dado=EVENTO CIERTO · E4=Sacar un número mayor que 6 al tirar un dado=EVENTO IMPOSIBLE Material Preparado por Hugo Delfino Definiciones sucesos compuestos • Sucesos mutuamente excluyentes: · Dos sucesos A y B son mutuamente excluyentes cuando la ocurrencia de uno de ellos impide la ocurrencia del otro. · P(A B)=P(AyB)=P(AB)=0 • Sucesos colectivamente exhaustivos · Dos sucesos A y B son colectivamente exhaustivos cuando al menos uno de ellos deba ocurrir siempre que se realiza el experimento. · Dicho en otras palabras, deberá cumplirse que la suma de las probabilidades de todos los sucesos deberá ser igual a 1. Material Preparado por Hugo Delfino 4-3 Definiciones espacio muestral • Espacio muestral: Es el conjunto de todos los posibles resultados de un experimento. • Suele representarse con la letra S. Puede visualizarse a través de · Listas – Conjunto de posibles resultados al tirar un dado={1;2;3;4;5;6} · Diagramas de árbol – Conjunto de posibles resultados al tirar dos monedas C C S C S S Material Preparado por Hugo Delfino 4-3 Definiciones espacio muestral · Tablas rejilla – Conjunto de posibles resultados al tirar un dado rojo y uno azul 11 12 13 14 15 16 21 22 23 24 25 26 31 32 33 34 35 36 41 42 43 44 45 46 51 52 53 54 55 56 61 62 63 64 65 66 Material Preparado por Hugo Delfino 4-3 Definiciones espacio muestral · Conjuntos ( Diagramas de Venn) – Se pretende representar a las mujeres, a los universitarios pero es necesario tener en cuenta que existen mujeres universitarias. A mujeres B universitarios Mujeres universitarias Material Preparado por Hugo Delfino Definiciones espacio muestral · Tablas de doble entrada –Cuando se tienen dos o mas variables con dos o mas categorías cada una, por ejemplo sexo( hombres y mujeres), nivel socioeconómico (Bajo, Alto). M H Bajo Alto 40 60 100 25 30 55 65 90 155 Recordemos cuales son los totales marginales y el gran total. Material Preparado por Hugo Delfino 4-4 Definiciones de probabilidad TIPOS DE PROBABILIDAD PROBABILIDAD OBJETIVA PROBABILIDAD CLASICA PROBABILIDAD EMPIRICA DEFINICION CLASICA DEFINICION FRECUENCIAL Material Preparado por Hugo Delfino PROBABILIDAD SUBJETIVA DEFINICION SUBJETIVA Definición clasica • Se basa en que todos los resultados son · igualmente probables o equiprobables. · Mutuamente excluyentes · Colectivamente exhaustivos Número de resultados favorables Probabilidad de un evento = Número de resultados posibles Ejemplo: Sea el experimento de tirar dos monedas a la vez •El espacio muestral será S = {CC, CS, SC, SS} •Consideremos el evento de que salga una sola cara. •Probabilidad de una sola cara = {CS, SC}/{CC, CS, SC, SS}= = 2/4 = ½ = 0,5. Material Preparado por Hugo Delfino Ejemplos de ensayos realizados El naturalista francés Buffon lanzó una moneda 4.040 veces. Resultando 2.048 caras, una razón de 2.048/4.040 = 0,5069 El matemático inglés John Kerrich, mientras fue prisionero de los alemanes durante la Segunda Guerra Mundial, lanzó una moneda 10.000 veces. Resultando 5.067 caras, una razón de 0,5067 Alrededor de 1900, el estadístico inglés Karl Pearson en un acto sin precedentes lanzó una moneda 24.000 veces. Resultando 12.012 caras, una razón de 0,5005 Material Preparado por Hugo Delfino Ley de los grandes números • Si realizamos un experimento de lanzar una moneda un cierto número de veces y calculamos la frecuencia relativa de la aparición de cara. • Podremos observar que la frecuencia relativa del suceso cara tiende a estabilizarse en 0,5. • A esto lo llamaremos probabilidad de un suceso. Material Preparado por Hugo Delfino Definición frecuencial • Cuando los resultados no son equiprobables la probabilidad de ocurrencia de un evento se determina por observación del número de veces que eventos similares ocurrieron en el pasado. (frecuencia relativa) Número de veces que el evento ocurrió en el pasado Probabilidad de un evento = Número de observaciones Ejemplo: Sea el experimento de estudiar una droga que cura cierta enfermedad en vacunos enfermos. Se aplicó a 1000 vacunos y se curaron 700. •El espacio muestral será S = {curado; no curado} •Consideremos el evento de que el vacuno se cure. •Probabilidad de curado = 700/1000=0,7 Material Preparado por Hugo Delfino Ejemplo • Se quiere estudiar la demanda de camisas en una gran tienda departamental, para ver los talles que se demandan, para ello se utilizaron los registros de las ventas diarias del último año y se obtuvo la siguiente tabla Talle 38 39 40 41 42 43 44 TOTAL Número de camisas vendidas 231 343 520 685 897 540 333 3549 Frecuencia Relativa 0,065 0,097 0,147 0,193 0,253 0,152 0,094 1 • ¿Cuál es la probabilidad de vender en un año una camisa de talle 42? • ¿Cuál es la probabilidad de vender en un año una camisa de talle 41? Material Preparado por Hugo Delfino Definición subjetiva • Cuando no se tienen datos para ningún tipo de cálculo, ni posibilidad de efectuar repetidamente el experimento, se recurre a un experto, quien de acuerdo a su buen saber y entender estimará la probabilidad. Ejemplos: •Calcular la probabilidad de que un tenista gane un campeonato •Calcular la probabilidad de que un club de futbol salga campeón •Calcular la probabilidad de que el precio de las acciones de una compañía se incremente en dos años. Material Preparado por Hugo Delfino Axiomas de probabilidades • Independientemente de que definición de probabilidad utilicemos, siempre se deberán cumplir los siguientes tres axiomas. Axiomas: •Axioma 1: La probabilidad de un evento existe y es un número mayor o igual a cero 0 P( A) •Axioma 2: La probabilidad de todo el espacio muestral es 1. P(S)=1 •Axioma 3: Si dos eventos A y B son mutuamente excluyentes P(A B)=P(A)+P(B) Material Preparado por Hugo Delfino Consecuencias de los axiomas de probabilidades 1. P( )=0 2. Si Ā = suceso complementario de A es decir Ā = S – A, será P(Ā) = 1 – P(A) 3. Si A1 A2, entonces P(A1) 4. A se cumple que P(A) P(A2) 1 Material Preparado por Hugo Delfino Regla general de la suma • Si A y B son dos sucesos no mutuamente excluyentes, luego la probabilidad de la unión entre ambos está dada por la siguiente fórmula. P(A B) = P(A) + P(B) - P(A B) B A A and B • Si A y B son dos sucesos mutuamente excluyentes, se cumple: P(A B) = P(A) + P(B) Material Preparado por Hugo Delfino Ejemplo Un experimento genera un espacio muestral que contiene ocho sucesos E1,...,E8 con p(Ei)=1/8, i=1,...,8. Los sucesos A y B se definen así: A E3 E4 E1 B E5 E6 E7 E2 A= {E1,E4,E6} B= {E3,E4,E5,E6,E7} a) P(A)= 3/8 Encuentre: (b) P(Ā)= 5/8 (a) P(A) (c) P(A U B)= P(A) + P(B) – P(A B) (b) P(Ā) (c) P(A U B) E8 P(A U B)= 3/8 + 5/8 – 2/8= 6/8= 0,75 resultado que es muy fácil verificar visualmente en el diagrama. Material Preparado por Hugo Delfino Ejemplo En una agencia bancaria hay dos sistemas de alarma A y B. El sistema A funciona en 7 de cada 10 atracos, B funciona en 8 de cada 10 y los dos a la vez lo hacen 6 de cada 10 atracos. ¿Cuál es la probabilidad de que en caso de atraco funcione al menos una de estas alarmas? Solución: Se definen los sucesos A:”El sistema A funciona” B:”El sistema B funciona” P( A ) 0,7 P( B ) 0,8 P( A B ) 0,6 P( A U B ) 0,7 0,8 0,6 0,9 Material Preparado por Hugo Delfino Independencia • Dos eventos A y B son independientes cuando se cumple que la probabilidad conjunta es igual al producto de las probabilidades marginales. P(A B) = P(A)*P(B) PROBABILIDAD CONDICIONAL • Probabilidad Condicional es la probabilidad de ocurrencia de un evento en particular, dado que otro evento ha ocurrido. La probabilidad condicional del evento A dado que el evento B ha ocurrido se escribe P(A|B). Material Preparado por Hugo Delfino Ejemplo de Independencia y Probabilidad conjunta y condicional Una empresa clasifica a sus clientes en función de dos variables, la calificación de tamaño de cada uno según el monto operado en tres categorias (Gran, Mediano y Pequeño) y los días promedio para cobrar una factura ( menos de 15 días, entre 15 y 30 días, más de 30 días). • Si se toma un cliente al azar ¿Cuál es la probabilidad de que sea un cliente Grande y pague sus facturas en menos de 15 días? • Se desea saber si hay independencia entre el tamaño del cliente y los días promedio para la cobranza. • Si se toma un cliente al azar ¿Cuál es la probabilidad de que sabiendo que es un cliente Grande el mismo pague sus facturas en menos de 15 días? Frecuencias absolutas menos de 15 días entre 15 y 30 días mas de 30 días Total Pequeña 152 116 87 355 Mediana 50 60 45 155 Material Preparado por Hugo Delfino Grande 6 12 25 43 Total 208 188 157 553 Ejemplo de Independencia y Probabilidad condicional • Si se toma un cliente al azar ¿Cuál es la probabilidad de que sea un cliente Grande y pague sus facturas en menos de 15 días? Probabilidad Conjunta menos de 15 días entre 15 y 30 días mas de 30 días Total Pequeña 0,275 0,210 0,157 0,642 Mediana 0,090 0,108 0,081 0,280 Grande 0,011 0,022 0,045 0,078 Total 0,376 0,340 0,284 1,000 • Se desea saber si hay independencia entre el tamaño del cliente y los días promedio para la cobranza. Producto de las marginales menos de 15 días entre 15 y 30 días mas de 30 días Total Pequeña 0,241 0,218 0,182 0,642 Mediana 0,105 0,095 0,080 0,280 Grande 0,029 0,026 0,022 0,078 Total 0,376 0,340 0,284 1,000 • Si se toma un cliente al azar ¿Cuál es la probabilidad de que sabiendo que es un cliente Grande el mismo pague sus facturas en menos de 15 días? Material Preparado por Hugo Delfino Regla general del producto • Dados dos eventos A y B la probabilidad conjunta de que ambos sucedan se calcula según la siguiente fórmula: P(A B) = P(A)*P(B/A) = P(B A) = P(B)*P(A/B) • Si los eventos A y B son independientes la probabilidad conjunta de que ambos sucedan se calcula según la siguiente fórmula: P(A B) = P(B A) = P(A)*P(B) = P(B)*P(A) Material Preparado por Hugo Delfino Ejemplo Un experimento genera un espacio muestral que contiene ocho sucesos E1,...,E8 con p(Ei)=1/8, i=1,...,8. Los sucesos A y B se definen así: A= {E1,E4,E6} B= {E3,E4,E5,E6,E7} A E5 E6 E7 E2 E8 (a) No, porque A B 0 (b) No, porque P(A)*P(B) Resolver: (a) ¿Son los sucesos A y B mutuamente excluyentes? ¿Por qué? (b) ¿Son los sucesos A y B independientes? ¿Por qué? (C) P(A B) (d) P(A/B) E3 E4 E1 B 3/8 * 5/8 P(A B) 2/8 (c) P(A B) = 2/8= 0,25 (d) P(A/B)= P(A B) / P(B)= (2/8) / (5/8)= 2/5 Esto puede verse en el diagrama, ya que saber que B ocurrió, reduce nuestro espacio muestral a los cinco elementos de B. Y de ellos, sólo dos pertenecen a A. Material Preparado por Hugo Delfino Consideremos el siguiente ejemplo: 80 buenos 100 artículos 20 defectuosos Se definen los sucesos: A: El primer artículo esta defectuoso B: El segundo artículo esta bueno Calculemos la probabilidad de que ocurran los sucesos Ay B. Primero considerando que el muestreo se realiza con reposición y luego que se hace sin reposición. Material Preparado por Hugo Delfino Problemas a resolver Dos candidatos a los consejos de administración A y B, compiten por el control de una corporación. Las probabilidades de ganar de estos candidatos son 0,7 y 0,3, respectivamente. Si gana A, la probabilidad de introducir un nuevo producto es 0,8; si gana B, la correspondiente probabilidad es 0,4. Demuestre que, antes de las elecciones, la probabilidad de que sea introducido un nuevo producto es 0,68. Sugerencias: Recordar probabilidad condicional y probabilidad conjunta Considerar todo el espacio muestral B P(N B) A P(N A) N Datos: P(A)= 0,7 P(B)= 0,3 P(N/A)= 0,8 P(N/B)= 0,4 Solución: P(N)= P(N A) + P(N B) P(N)= P(N/A)*P(A) + P(N/B)*P(B) P(N)= 0,8*0,7 + 0,4*0,3= 0,68 Material Preparado por Hugo Delfino Problemas a resolver El 34% de las luminarias públicas de una ciudad tienen más de 5 años. El 54% son de la Marca A. De los de la variedad A, el 7% tiene más de 5 años. Si se elige una luminaria al azar, a) ¿Cuál es la probabilidad de que tenga más de 5 años y sea de la Marca A? b) ¿Cuál es la probabilidad de que teniendo menos de 5 años, sea de la Marca A? Sugerencias: Recordar probabilidad condicional y probabilidad conjunta Considerar tablas de contingencia Datos: >5 <5 A 0,0378 0,5022 Ā 0,3022 0,1578 0,34 P(>5)= 0,34 P(>5/A)= 0,07 0,66 0,54 0,46 1 P(A)= 0,54 Solución: a) P(>5 A)= P(>5/A)*P(A) 0,07*0,54= 0,0378 b) P(A/<5)= P(A <5) / P(<5) = 0,5022 / 0,66= 0,76 Material Preparado por Hugo Delfino = Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Problemas a resolver El 70% del ganado es inyectado con una vacuna para combatir una enfermedad grave. La probabilidad de recuperarse de la enfermedad es 1 en 20 si no ha habido tratamiento y de 1 en 5 si hubo tratamiento. Si un animal infectada se recupera, ¿cuál es la probabilidad de que haya recibido la vacuna preventiva? Sugerencias: Recordar probabilidad condicional y probabilidad conjunta Regla del producto. Incógnita: P( I /R ) P (I / R ) P (I R ) P (R ) Datos: P( I )= 0,7 P( Ī )= 0,3 P( R / I )= 0,2 P( R / Ī )= 0,05 P (R I ) P (R I ) P (R / I ) * P (I ) P (R / I ) * P (I ) P (R I ) 0,2 * 0,7 0,2 * 0,7 0,05 * 0,3 P (R / I ) * P (I ) Material Preparado por Hugo Delfino 0,9 Material Preparado por Hugo Delfino Variable aleatoria Dado un experimento aleatorio y su correspondiente espacio muestral se denomina variable aleatoria a la función que asigna a cada elemento del espacio muestral un número real. X :S R / X (s ) x Ejemplo: Si se define la variable aleatoria X=número de caras obtenidas al arrojar dos monedas Rx ¿Quá valores puede tomar x? S SS CC SC CS 0 2 1 X(SS)=0 X(CS)=X(SC)=1 X(CC)=2 Se denomina recorrido Rx al conjunto de valores que puede tomar la variable. Material Preparado por Hugo Delfino Variable aleatoria discreta Una variable aleatoria es discreta cuando toma un número contable de valores.Entonces entre dos valores consecutivos de una variable aleatoria discreta no hay ningún número que pertenezca al recorrido de la variable Rx={X1;X2;…,Xn,…} donde cada Xi es un valor de la v.a. En general , estos valores no serán igualmente probables, sino que cada X tendrá asignada una probabilidad. Luego, para caracterizar una variable aleatoria discreta es necesario conocer su recorrido y la probabilidad de cada elemento del recorrido Material Preparado por Hugo Delfino Propiedades 1) P(Xi) 0 Xi 2) P ( Xi ) 1 Xi Ri Material Preparado por Hugo Delfino Esperanza de una variable aleatoria discreta La esperanza es un parámetro de la distribución. Es una medida de tendencia central. La esperanza E(x) no es un resultado que esperararíamos cuando X se observa sólo una vez. Pero si observáramos un gran número de observaciones independientes de X el promedio de esos resultados estará cerca de E(x). E( X ) xi p( xi ) xi Rx Material Preparado por Hugo Delfino Propiedades de la esperanza Sean X e Y variables aleatorias y c una constante perteneciente a los reales: 1) E (c ) = c 2) E (X+c ) = E(X) + c 3) E (cX) = c E(X) 4) E (X+Y) = E(X) + E(Y) 5) E (X-Y) = E(X) - E(Y) 6) Si X e Y son independientes E (XY) = E(X) * E(Y) Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Esperanza de una variable aleatoria discreta Ejemplo: En una operación comercial se puede obtener una utilidad de $1000 o sufrir una pérdida de $500. Si la probabilidad de una utilidad es de 0,6, demuestre que la utilidad esperada en dicha operación es de $400. Primero definimos la variable aleatoria X= utilidad en operación comercial E( X ) xi p( xi ) xi Rx E(X)=1000*0,6+(-500)*0,4 E(X)=400$ • Si luego de una reingenieria del proceso comercial se mejora la utilidad en $100, ¿Cuál será el valor esperado de la operación comercial? Hágalo por la propiedades de la esperanza. Material Preparado por Hugo Delfino Variancia de una variable aleatoria La variancia es un parámetro de la distribución. Es una medida de dispersión de los valores de x alrededor de E(X) 2 Var ( X ) E( X ) n Var ( X ) 2 ( xi i 1 Material Preparado por Hugo Delfino 2 ) pi 2 Propiedades de la variancia Sean X e Y variables aleatorias y c una constante perteneciente a los reales: 1) V (c ) = 0 2) V (X+c ) = V(X) 3) V (cX) = c2 V(X) 4) Si X e Y son independientes V (X+Y) = V(X) + V(Y) 5) Si X e Y son independientes V (X-Y) = V(X) + V(Y) Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Variancia de una variable aleatoria discreta Ejemplo: En una operación comercial se puede obtener una utilidad de $1000 o sufrir una pérdida de $500. Si la probabilidad de una utilidad es de 0,6. ¿Cuál es la variancia y cual el Desvio estándar? Primero definimos la variable aleatoria X= utilidad en operación comercial n 2 ( xi i 1 2 ) pi 2(X)=(1000-400) 2 * 0,6+(-500-400) 2 * 0,4 2(X)=540000$ 2 (X)=734,85$ • Si luego de una reingeniería del proceso comercial se mejora la utilidad en $100, ¿Cuál será variancia y el desvío estándar de la operación comercial? Hágalo por la propiedades de la Variancia Material Preparado por Hugo Delfino La Distribución Binomial Llamaremos experimento dicotómico a un experimento aleatorio cuyos resultados posibles son sólo dos, o nos interesa considerarlos como dos. Por ejemplo: • Lanzar una moneda y observar si sale cara o cruz. • Sacar una carta de una baraja y observar si es una figura o no lo es. • Lanzar dos dados y observar si el total de sus puntos es un número par o impar. • Una pieza es defectuosa o no lo es. • Un cliente es bien atendido o no lo es. • Una operación comercial es exitosa o no. Material Preparado por Hugo Delfino Binomial ( continuación) • En este tipo de experiencias a uno de los dos resultados posibles se le suele llamar "éxito" y a su contrario "fracaso". • A la probabilidad del suceso llamado éxito se la suele representar por p y a la de su contrario por q. • Se verifica, claro está, que p+q=1 (¿Por qué?). • En los ejemplos anteriores podríamos considerar: · éxito ="cara", fracaso = "cruz" y, si la moneda no está trucada, p = q = 1/2. · éxito = "figura", fracaso = "no figura" y, en una baraja española, p = 12/40 y q = 28/40. · éxito = "suma par", fracaso = "suma impar" ¿Cuánto valdrían p y q?. Material Preparado por Hugo Delfino Binomial ( continuación) • Un experimento binomial consiste en repetir una cierta cantidad de veces, y siempre en las mismas condiciones, un experimento dicotómico. • Llamaremos "tirada" a cada una de las veces que repetimos el experimento dicotómico. • Vamos a representar por B(n,p) a una binomial con n tiradas y probabilidad de éxito igual a p. Material Preparado por Hugo Delfino Binomial ( continuación) • Por ejemplo, son experimento binomiales: · Lanzar una misma moneda repetidas veces y observar el número de caras (éxitos) obtenidas. · Sacar, con reemplazamiento, varias cartas de una misma baraja y observar el número de figuras (éxitos) obtenidas. · Lanzar un dado repetidas veces y observar la cantidad de veces que obtenemos una en la que el número total de puntos que aparece es par. Material Preparado por Hugo Delfino Binomial ( continuación) • Puede interesar conocer cual es la probabilidad que de las n pruebas, salgan exactamente x0 casos favorables a A; o bien calcular la probabilidad que los casos A esten entre x1 y x2, ambos menores que n. • Conceptualmente puede decirse que x es una variable aleatoria discreta que toma valores entre 0 (puede no aparecer nunca el suceso) y n (puede aparecer siempre). Es decir que el campo de definición de la variable es: 0 x n. Material Preparado por Hugo Delfino Binomial ( continuación) • Bajo estas condiciones Bernoulli desarrolló la distribución de probabilidad denominada Binomial, cuya expresión matemática, P(x ), está dada por: P(x) C n,x . p x . q n x Donde: x es la variable aleatoria que varía entre 0 y n. n y p son los datos o parámetros de la distribución Binomial. C n, x = (Número combinatorio) n! x!*(n x)! Material Preparado por Hugo Delfino Binomial: Esperanza, Variancia y Desvio estándar E( X ) xi p( xi ) n * p xi Rx n 2 ( xi ) 2 pi ( xi ) 2 pi n* p*q i 1 n n* p*q i 1 Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Ejemplo de Binomial De los clientes de una compañía de celulares, un 20 % se encuentra con deudas pendientes. Si se seleccionan al azar 4 clientes, calcular la probabilidad de que de los mismos tengan deudas pendientes: a) exactamente 2 b) Más de uno Respuesta: Análisis de las características del problema: Se realizan 4 observaciones al azar (n = 4 es un dato) Ante cada observación, los clientes pueden estar A = con deuda pendiente; = no tener deuda pendiente. Es decir dos resultados posibles en cada prueba. No se tienen elementos para decir que la probabilidad de que cada cliente observado varíe de uno a otro, es decir: p = 0,2 probabilidad de que cada uno de los clientes tenga deuda. Será entonces: q = 0,8 probabilidad de que el cliente no tenga deuda. Las preguntas planteadas se refieren a la cantidad de clientes que estén con deuda (x = variable). Se dan exactamente las condiciones exigidas para utilizar la Distribución Binomial, y para calcular la probabilidades pedidas, es posible aplicar su función. a) P(x=2) = C4,2 .0,2 2 . 0,8 4-2 = 6 . 0,04 . 0,64 = 0,1536 b) P(x>1) = ∑ C4,x . 0,2 x . 0,8 4-x = También se podría haber calculado como: 1 – P(x<2). Material Preparado por Hugo Delfino Distribución de Poisson Siméon Denis Poisson, (1781-1840), astronauta francés, alumno de Laplace y Lagrange, en Recherchés sur la probabilité des jugements...., un trabajo importante en probabilidad publicado en el año 1837, la distribución de Poisson recién aparecía. La distribución de Poisson describe la probabilidad como un acontecimiento fortuito ocurrido en un tiempo o intervalo de espacio bajo las condiciones que la probabilidad de un acontecimiento ocurre es muy pequeña, pero el número de intentos es muy grande, entonces el evento actual ocurre algunas veces. Esta distribución se emplea para describir sucesos discretos que ocurren con poca frecuencia en el tiempo o en el espacio; por ello a veces recibe el nombre de distribución de sucesos raros. Material Preparado por Hugo Delfino Poisson, usos • “La probabilidad de obtener “X “ éxitos en un intervalo continuo” • Se emplea para describir varios procesos: Distribución de las llamadas telefónicas que llagan a un conmutador La demanda de servicios en un hospital por parte de los pacientes Los arribos de los camiones y automóviles a la caseta de cobro El número de accidentes en un cruce El número de defectos en una tela por m2 El número de bacterias por cm2 Material Preparado por Hugo Delfino Distribución de Poisson • Variable aleatoria X: esta representa la cantidad de veces que ocurre un suceso de interés en un intervalo dado. • Ya que X es una cuenta, puede tomar teóricamente cualquier valor entero entre 0 e infinito. • Sea λ (lambda, letra griega) una constante que indica el número promedio de veces que acontece un suceso en un intervalo. Material Preparado por Hugo Delfino Distribución de Poisson Si la probabilidad de que X tome el valor de x es P( X x) x e x! se dice que X tiene una distribución de Poisson con parámetro λ. e representa una constante con valor aproximado de 2.71828, este es la base de los logaritmos naturales Material Preparado por Hugo Delfino Distribución de Poisson Sucesos fundamentales: • La probabilidad de que acontezca un suceso en un intervalo es proporcional a la amplitud del intervalo. • En principio, teóricamente es posible que suceda un número infinito de eventos en un intervalo dado. No hay límite al número de ensayos. • Los sucesos ocurren independientemente tanto en el mismo intervalo como entre intervalos consecutivos. Material Preparado por Hugo Delfino Distribución de Poisson Usos, describir la cantidad de: • ambulancias que se requieren en una ciudad en una noche particular. • clientes que llegan a un cajero automático en un horario determinado. • autos que llegan a una casilla de peaje en un horario determinado.. • llamados a un call center en un horario determinado.. • partículas emitidas por una cantidad específica de material radiactivo. • colonias de bacterias que crecen en una caja de Petri. Material Preparado por Hugo Delfino Distribución de Poisson E( X ) xi p( xi ) xi Rx n 2 2 ( xi ) pi i 1 n ( xi ) 2 pi i 1 • La propiedad de que la esperanza sea igual a la varianza es una característica que identifica a la distribución de Poisson. Material Preparado por Hugo Delfino Ejemplo: Distribución de Poisson Se desea determinar la cantidad de ambulancias requeridas una noche en particular en una ciudad de 12000 habitantes. Para ello se cuenta con un registro de los llamados ocurridos durante el último año. Número de Frecuencia llamados observada 0 25 1 63 2 99 3 86 4 40 5 29 6 13 7 10 365 · ¿Cuál es la probabilidad de que nadie en esta población llame a la ambulancia en una noche en particular? · ¿Cuál es la probabilidad de que al halla 4 o menos llamados en esta población a la ambulancia en una noche en particular? · ¿Cuál es la probabilidad de que al menos 5 llamen en esta población a la ambulancia en una noche en particular? Material Preparado por Hugo Delfino Distribución de Poisson También se puede conocer la probabilidad de Poisson con la siguiente tabla. λ Cantidad de sucesos Material Preparado por Hugo Delfino Distribución de Poisson Para valores específicos de x y λ, la entrada en la tabla representa P( X x) x e x! Material Preparado por Hugo Delfino Distribución de Poisson Grafica de la distribución de probabilidad X, la cantidad de individuos de la población involucrados en un accidente vehicular cada año El eje Y suma 1 Material Preparado por Hugo Delfino Distribución de Poisson La distribución de Poisson se encuentra pronunciadamente sesgada por valores pequeños de λ Conforme λ aumenta, la distribución se torna mas simétrica. Material Preparado por Hugo Delfino Distribución de Poisson como aproximación de una binomial Si n muy grande y p muy pequeño, es conveniente utilizar la distribución de Poisson, ya que se consigue una buena aproximación. Material Preparado por Hugo Delfino Aproximación de la distribución binomial por una de Poisson • Algunas veces, si se desea evitar el tedioso trabajo de calcular las distribuciones binomiales, sobre todo si n (ensayos) es muy grande y p o q (éxito y fracaso) es muy pequeña, se puede usar a cambio la de Poisson, pero debe cumplir con ciertas condiciones como : n ≥ 30 y np ó nq < 5 • En los casos en que se satisfacen tales condiciones, podemos sustituir la media de la distribución binomial en lugar de la media de la distribución de Poisson de modo: λ =np • Ejemplo: Se sabe que 1% de los artículos de un gran embarque de transistores procedente de un proveedor son defectuosos. Si se selecciona aleatoriamente una muestra de 30 transistores, la probabilidad de que dos o más de ellos sean defectuosos. • P (X ≥ 2 I n=30, p= 0.01) = P (X=2) + P (X=3) + …= 0.0328+0.0031+0.0002 = 0.0361 • Si λ =np=30(0.01) = 0.3, la aproximación de Poisson del anterior valor de probabilidad es • P (X ≥ 2 I λ = 0.3) = P (X=2) + P (X=3) + …= 0.0333 + 0.0033 + 0.0002 = 0.0368 • Así la diferencia entre la aproximación de Poisson y el valor de probabilidad binomial real es de sólo 0.0007 Material Preparado por Hugo Delfino Variable aleatoria continua Una variable es continua en un intervalo cuando puede tomar cualquier valor perteneciente al intervalo. En general definiremos variables aleatorias continuas cuando las experiencias consistan en medir peso, altura, longitud, tiempo, temperatura, etc. En este caso se define (en lugar de la función de distribución) una función de densidad de probabilidad que tiene las siguientes propiedades 1) f(x) 0 X R 2) f ( x )dx 1 b 3)a b P (a x b) f ( x )dx a Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Variable aleatoria continua Ejemplo: • Tiempo de navegación de una página web. Minutos 1a3 3a5 5a7 7a9 9 a 11 11 a 13 13 a 15 15 a 17 17 a 19 Frecuencia 11 43 89 180 253 178 92 40 10 •Calcular la media y el desvío estándar. •Asumiendo que sigue una distribución normal con los parámetros media y desvío calculados.Calcular que probabilidad hay de que un nuevo internauta: · navegue entre 8 y 12 minutos. · navegue más de 7,5 minutos. ·Navegue menos de 4,8 minutos. Material Preparado por Hugo Delfino Esperanza de una variable aleatoria continua La esperanza es un parámetro de la distribución. Es una medida de tendencia central. La esperanza E(x) no es un resultado que esperararíamos cuando X se observa sólo una vez. Pero si observáramos un gran número de observaciones independientes de X el promedio de esos resultados estará cerca de E(x). E( X ) x.f ( x )dx Si X es continua Material Preparado por Hugo Delfino La Distribución Normal A lo largo de la historia, matemáticos como De Moivre, Gauss o Galton se sorprendieron por la frecuencia con la que aparece la llamada curva Normal o de Gauss en estudios estadísticos tan aparentemente distintos como la distribución de alturas de un grupo de personas, la resistencia de un tipo determinado de piezas, el número total de caras que obtenemos al lanzar reiteradamente una moneda, y muchos otros. Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Material Preparado por Hugo Delfino Ejemplo de Normal En una granja modelo de la Provincia de Entre Ríos, en un momento determinado de su desarrollo, los cerdos que producen tienen en cuanto a su peso, una distribución Normal con un promedio de 75 kg. y un desvío estándar de 6 kg. Es decir: x ~ N (75 , 6) La variable Normal Estándar será: z = (x - ) / Donde: = (x - 75) / 6 z ~ N (0 , 1) Con esa información calcular: P( - k < x < )/ < k) +k ) = P(- k <x- < k Material Preparado por Hugo Delfino ) = P(- k < (x - Ejemplo de Normal Para k = 1 P(|z| < 1) = P(-1 < z < 1) = F(1) - F(-1) = 0.84134 - 0.15866 = 0,68268 El 68 % de los cerdos tendrán pesos comprendidos entre un desvío estándar en más y en menos de la media (es decir entre 69 y 81 kg.) ( ) Para k = 2 P(|z| < 2) = P(-2 < z < 2) = F(2) - F(-2) = 0.97725 - 0.02275 = 0,9545 El 95 % de los cerdos tendrán pesos comprendidos entre dos desvíos estándar en más y en menos de la media (es decir entre 63 y 87 kg.) ( 2. ). Material Preparado por Hugo Delfino Ejemplo de Normal Para k = 3 P(|z| < 3) = P(-3 < z < 3) = F(3) - F(-3) = 0.99865 - 0.00135 = 0,9973 Casi el 100% (99.73%) de los cerdos tendrán pesos entre tres desvíos estándar en más y en menos de la media (es decir 57 y 93 kg.) ( 3. ) Calcular el % de cerdos que tendrán pesos superiores a 72 kg. P(x > 72) = P (z > (x – 75)/6 = -0.50) = 1 - F(-0.50) = 1 - 0.30854 = 0,69146 El 69 % de los cerdos tendrán pesos superiores a 72 kg. Material Preparado por Hugo Delfino Ejemplo de Normal ¿ Qué % de los cerdos tendrán pesos comprendidos entre 69 y 87 kg? P (69 < x < 87) = P (-1 < z < 2) = F(2) – F(-1) = = 0.97725 – 0.15866 = 0,81859 El 82 % de los cerdos tendrán pesos comprendidos entre 69 y 87 kg. De 20 cerdos elegidos aleatoriamente, ¿ cuántos se esperan que pesen más de 81 kg. ? 20 . P( x > 81 ) = 20 . P ( z > 1) = 20 . [1 - F(1)] = = 20 . (1 – 0,84134) = 20 . 0,15866 = 3,1732 cerdos Se espera que tres (o cuatro) cerdos tengan pesos superiores a 81 kg. Material Preparado por Hugo Delfino Ejemplo de Normal ¿ Cuál es el peso que es superado por el 10 % de los cerdos ?: Con las Tablas que se dispone para este Curso, se tienen algunos valores: P ( x > x0 ) =~ 0,10 Þ P ( z > z0 ) =~ 0,10 Þ z0 = 1,28; o bien P ( z z0 ) =~ 1 - 0,10 ÞF (z0 ) =~ 0,90 no disponible en las Tablas. Si z = (x - )/ Þ x = z . + ; y para x0 será: x0 = 1,28 . 6 + 75 = 82,68 kg. El peso de los cerdos que es superado por el 10 % de ellos es 82,68 kg. Material Preparado por Hugo Delfino Ejemplo de Normal Determinar el valor de peso que supera al 5 % de los cerdos: P ( x < x0 ) = P ( z < z0 ) = 0,05; de donde surge que z0 es un valor negativo y simétrico a: P ( z > z0´) = 0,05; Þ z0´= 1,645 y será: z0 = - 1,645 Þ x0 = - 1,645 . 6 + 75 = 65,03 kg. El peso superado por el 5 % de los cerdos e 65 kg. Material Preparado por Hugo Delfino