Download uno
Document related concepts
no text concepts found
Transcript
Distribuciones Discretas de Probabilidad Dr. Víctor Aguirre Torres, ITAM. Guión 6. 1 Contenido Variables Aleatorias. 2. Distribuciones Discretas de Probabilidad. 3. Valor Esperado y Varianza. Propiedades. 4. Distribución de Probabilidad Binomial. 1. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 2 1. Variables Aleatorias (VA) Asocia un número al resultado de un experimento. Puede ser un conteo, una medición, un valor, una ganancia monetaria, etc. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 3 1. Variables Aleatorias Discretas VA Discretas: solo toma los valores 0,1,2,...,etc. Ejemplos: Experimento Inspección de una muestra de 50 radios Llenado de un formato Variable aleatoria Número de radios defectuosos Número de errores en el llenado Intento de venta de un Resultado del bien raíz intento Funcionamiemto de una agencia de autos Número de autos un día vendidos Valores posibles de la variable aleatoria 0, 1, 2,..., 49, 50 0, 1, 2,... 0, 1 0, 1, 2,... Dr. Víctor Aguirre Torres, ITAM. Guión 6. 4 1. Variables Aleatorias Contínuas. Conceptualmente podrían tomar TODOS los valores sobre un intervalo o conjunto de intervalos. (exactitud del aparato de medición) Ejemplos: Experimento Variable aleatoria Valores posibles de la variable aleatoria Fabricación de barras de jabón Humedad de la pasta de jabón. 0<x<100% Manufactura de un Concentración de detergente ingrediente activo Llenar un botella de cerveza. (max Volumen de 365 ml) líquido 0<x<30% 0<x<365 ml Dr. Víctor Aguirre Torres, ITAM. Guión 6. 5 2. Distribuciones Discretas de Probabilidad. Distribución de probabilidad de una variable aleatoria discreta: describe las probabilidades de cada uno de los valores posibles de la variable aleatoria. Función de probabilidad: define numéricamente la probabilidad de cada valor de la variable aleatoria. Se denota por f(x). Dr. Víctor Aguirre Torres, ITAM. Guión 6. 6 2. Distribuciones Discretas de Probabilidad. Ejemplo: DiCarlo Motors, NY. x=número de autos vendidos al día. Método frecuentista para asignar probabilidaes, ventas de 300 días. x 0 1 2 3 4 5 f(x) 0.18 0.39 0.24 0.14 0.04 0.01 Para x=0: En 54 días de los 300 no se vendió un solo auto. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 7 2. Distribuciones Discretas de Probabilidad. Algunos ejemplos de uso de f(x). La cantidad más probable de autos que se venda en un día es de uno. Si A={Se venden 3 o más autos}, entonces P(A)=f(3)+f(4)+f(5)=0.19 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 8 2. Distribuciones Discretas de Probabilidad. Condiciones requeridas para cualquier función de probabilidad discreta. f(x)≥0 y ∑ f(x)=1 Distribución Discreta de Probabilidad Representación 0.4 0.35 gráfica. 0.3 f(x) 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 Autos vendidos por día Dr. Víctor Aguirre Torres, ITAM. Guión 6. 4 5 9 3. Valor Esperado. Valor esperado de una variable aleatoria: medida de tendencia central de la variable. También coincide con el valor promedio de la VA si se observara una gran cantidad de veces. Valor promedio a la larga. Fórmula de cálculo: E( x ) = µ = ∑ xf ( x ) Dr. Víctor Aguirre Torres, ITAM. Guión 6. 10 3. Valor Esperado. Ejemplo: Di Carlo Motors x f(x) x*f(x) 0 1 2 3 4 5 0.18 0.39 0.24 0.14 0.04 0.01 0 0.39 0.48 0.42 0.16 0.05 E(x)= 1.5 E( x ) = µ = ∑ xf ( x ) Se espera que en 30 días de operaciones se vendan alrededor de 30(1.5)=45 autos. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 11 2. Distribuciones Discretas de Probabilidad Representación gráfica valor esperado. Distribución Discreta de Probabilidad 0.4 0.35 E(x)=1.5 0.3 f(x) 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 Autos vendidos por día 4 5 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 12 3. Varianza. Varianza de una variable aleatoria: Es una medida de dispersión o variabilidad alrededor del valor esperado. Resume la variabilidad de los valores de la variable aleatoria. Fórmula de cálculo: Var( x ) = σ 2 = ∑ ( x − µ )2 f ( x ) = E( x − µ )2 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 13 3. Varianza. Ejemplo: Di Carlo Motors. x x-µ (x-µ)^2 f(x) f(x)*(x-µ)^2 0 1 2 3 4 5 -1.5 -0.5 0.5 1.5 2.5 3.5 2.25 0.25 0.25 2.25 6.25 12.25 0.18 0.39 0.24 0.14 0.04 0.01 0.405 0.0975 0.06 0.315 0.25 0.1225 Var(x)= 1.25 µ= 1.5 Var(x)=1.25 autos2 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 14 3. Desviación Estándar. Es una medida de variabilidad que tiene las mismas unidades que la variable aleatoria. σ = σ2 Ejemplo Di Carlo Motors: σ=1.118 autos Dr. Víctor Aguirre Torres, ITAM. Guión 6. 15 3. Propiedades del Valor Esperado y la Varianza. Si a es una constante entonces: ∑ axf ( x ) = aE( x ) E( a + x ) = ∑ ( a + x ) f ( x ) = = ∑ af ( x ) + ∑ xf ( x ) = a + E( x ) E( ax ) = 2 Var ( ax ) = a Var( x ) Var( a + x ) = Var( x ) Dr. Víctor Aguirre Torres, ITAM. Guión 6. 16 3. Ejemplo, utilidad esperada. Juego con dados. Jugar cuesta 100 pesos. Si la suma sale 7 se le pagan 200 pesos. ¿Vale la pena jugar? si no sale 7 0 x = lo que me pagan = 200 si sale 7 5 / 6 si x = 0 f(x)= 1/6 si x = 200 E( x ) = 0( 5 / 6 ) + 200( 1 / 6 ) = 33.33... Dr. Víctor Aguirre Torres, ITAM. Guión 6. 17 3. Ejemplo, utilidad esperada. Lo que importa es la utilidad. u = x − 100 Mi utilidad esperada. E( u ) = E( x − 100 ) = E( x ) − 100 = 33.33... - 100 = -66.66... La mayoría de los juegos de azar tienen una utilidad esperada positiva para la casa. En promedio ¡la casa gana! Dr. Víctor Aguirre Torres, ITAM. Guión 6. 18 4. Distribución de Prob. Binomial Experimento binomial. 1. n intentos o ensayos idénticos. 2. Solo dos resultados en cada ensayo: éxito ó no éxito. 3. Probabilidad de éxito en cada ensayo = p 4. Los ensayos son eventos independientes x= Número de éxitos en n ensayos Dr. Víctor Aguirre Torres, ITAM. Guión 6. 19 4. Distribución de Prob. Binomial x= Número de éxitos en n ensayos. x=Variable aleatoria binomial. Valores posibles de x 0,1,2,...,n Su distribución de probabilidad se llama distribución de probabilidad binomial. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 20 4. Distribución de Prob Binomial Experimento: lanzar 5 veces una moneda Éxito = cae águila x=número de águilas M=32 puntos muestrales Lanzamiento punto muestral 1 2 3 1 águila águila águila 2 águila águila águila 3 águila águila águila 4 águila águila sol ... ... 30 31 32 sol sol sol sol sol sol sol sol sol n=5 p=0.5 4 águila águila sol águila 5 águila sol águila águila x águila sol sol sol águila sol 1 1 0 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 5 4 4 4 21 4. Distribución de Prob. Binomial Experimento: 3 clientes entran a una tienda de ropa Éxito = compra M=8 puntos muestrales punto muestral 1 2 3 4 5 6 7 8 x f(x) f(x) 1 compra compra compra compra no compra no compra no compra no compra x = número clientes que compran n=3 p = 0.3 Cliente 2 compra compra no compra no compra compra compra no compra no compra 0 1 (1-p)(1-p)(1-p) 3p(1-p)(1-p) 0.343 0.441 3 compra no compra compra no compra compra no compra compra no compra x 3 2 2 1 2 1 1 0 Probabilidad ppp pp(1-p) p(1-p)p p(1-p)(1-p) (1-p)pp (1-p)p(1-p) (1-p)(1-p)p (1-p)(1-p)(1-p) 2 3pp(1-p) 0.189 3 ppp 0.027 (en general) (en particular) Dr. Víctor Aguirre Torres, ITAM. Guión 6. 22 4. Función de Probabilidad Binomial f ( x ) = C xn p x ( 1 − p )n − x Para x=0,1,2,...,n. f(x)=probabilidad de x éxitos en n intentos. p=probabilidad de éxito en cada intento n C x = Combinaciones de n en x Dr. Víctor Aguirre Torres, ITAM. Guión 6. 23 4. Función de Probabilidad Binomial Cálculo con Excel: =DISTR.BINOM(0,3,0.3,0) x n p Acumulado (0=no, 1=si) Dr. Víctor Aguirre Torres, ITAM. Guión 6. 24 4. Función de Probabilidad Binomial Cálculo con TABLA 5 n x 0.1 ... 0.3 ... 0.5 3 0 1 2 3 0.729 0.243 0.027 0.001 ... ... ... ... 0.343 0.441 0.189 0.027 ... ... ... ... 0.125 0.375 0.375 0.125 4 0 1 2 3 4 0.6561 0.2916 0.0486 0.0036 0.0001 ... ... ... ... ... 0.2401 0.4116 0.2646 0.0756 0.0081 ... ... ... ... ... 0.0625 0.25 0.375 0.25 0.0625 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 25 4. Gráficos Función de Probabilidad Binomial Función de Probabilidad Binomial Función de Probabilidad Binomial 0.45 0.35 0.4 0.3 0.25 0.25 0.2 f(x) 0.3 0.2 0.15 0.15 14 6 8 12 x 10 14 12 10 8 6 x 4 0 0 0 4 0.05 2 0.05 2 0.1 0.1 0 f(x) 0.35 n=5 p = 0.5 n=3 p = 0.3 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 26 4. Distribución de Prob Binomial Valor Esperado, Varianza y Desviación Estándar. Fórmulas particulares: E( x ) = np Var( x ) = np( 1 − p ) σ = np( 1 − p ) (se obtienen también de la fórmula con sumatoria) Dr. Víctor Aguirre Torres, ITAM. Guión 6. 27 4. Distribución de Prob Binomial. Ejemplo, Valor Esperado, Varianza y Desviación Estándar. n p 3 0.3 x f(x) x*f(x) x-µ (x-µ)^2 f(x)*(x-µ)^2 0 1 2 3 0.343 0.441 0.189 0.027 0 0.441 0.378 0.081 -0.9 0.1 1.1 2.1 0.81 0.01 1.21 4.41 0.27783 0.00441 0.22869 0.11907 µ= 0.9 Var(x)= Dr. Víctor Aguirre Torres, ITAM. Guión 6. 0.63 28 4. Distribución de Prob Binomial. Ejemplo. a) b) c) d) 40% de las personas que viajan por negocios llevan laptop o celular (USA Today, 12 sep 2000). En una muestra aleatoria de 15 personas: ¿Cuál es la probabilidad de que tres tengan laptop o celular? ¿Cuál es la probabilidad de que doce no tengan laptop ni celular? ¿Cuál es la probabilidad de que por lo menos tres tengan laptop o celular? ¿Cuál es el número esperado y desviación estándar de personas que tengan laptop o celular? Dr. Víctor Aguirre Torres, ITAM. Guión 6. 29 4. Distribución de Prob Binomial. Ejemplo. a) b) c) d) p = 0.4, n =15; f(3)=0.0634 de TABLA 5 p’ = 0.6, n =15; f(12)=0.0634 con Excel A={por lo menos 3 tienen laptop o celular}, p = 0.4, n =15; P(A)=1-P(AC)= 1-[f(0)+f(1)+f(2)]= 1-[0.0005+0.0047+0.0219] de TABLA 5 E(x)=15(0.4)=6; Var(x)=15(0.4)(0.6)=3.6; σ=1.8973 Dr. Víctor Aguirre Torres, ITAM. Guión 6. 30 Problemas recomendados Capítulo 5. Variables Aleatorias: 3, 6. 2. Distribuciones Discretas de Probabilidad: 8, 10. 3. Valor Esperado y Varianza: 17, 21. 4. Distribución de Probabilidad Binomial: 28, 30. 1. Dr. Víctor Aguirre Torres, ITAM. Guión 6. 31