UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS AGROPECUARIAS ESCUELA DE INGENIERIA AGROINDUSTRIAL ASIGNATURA: ESTADISTICA GENERAL DOCENTE: MsC. MARTHA SOLANO COELLO Contenido • Funciones de Probabilidad Discreta: Binomial y Poisson, manejo de tablas de probabilidad. Solución de casos. RESULTADOS DEL APRENDIZAJE Observa variables tomadas de su realidad e identifica el modelo de probabilidad en variables discretas o continuas, de acuerdo a sus propiedades. VARIABLES ALEATORIAS Definición: Se denomina variable aleatoria a una variable estadística cuantitativa, una variable aleatoria es un valor numérico determinado por el resultado de un experimento aleatorio. A la v.a. de le denota por letras mayúsculas como X. Y. W, etc, y a sus valores individuales con letra minúsculas, X: x1, x2, x3, ….etc Ejemplos: Nº de caras al tirar dos monedas. Nº de aprobados en una clase de 200. Nº clientes en la cola de un banco. Tipos de Variables aleatorias: •Variable aleatoria discreta •Variable aleatoria continua Ejemplo: Si lanzamos dos monedas al aire y definimos la v.a. X = “número de caras obtenidas” x1 x2 x3 0 1 2 Variable aleatoria discreta Puede tomar un número limitado de valores, es decir ciertos valores diferentes que son el resultado de la cuenta de alguna característica de interés. Ejemplos: Nº de caras al tirar dos monedas. Nº de aprobados en una clase de 200. Nº clientes en la cola de un banco. Función de probabilidad o de cuantía: Función que asigna probabilidades a cada uno de los valores de una variable aleatoria. Las probabilidades es similar a las frecuencias relativas. Se le denota por p (xi ) y que satisface las siguientes condiciones: p (xi ) = ≥ 0 ∑ p ( xi ) = 1 Valores xi p(x)=P[X=x] x1 p ( x1 ) x2 p ( x2 ) x3 p (x3 ) Función de distribución: función que acumula probabilidades asociadas a una variable aleatoria. Se denota de la siguiente manera: Valores xi 0 p(x)=P[X=x] p ( 1/4 ) F(x)=P[X≤x] p ( 1/4 ) 1 p ( 2/4 ) p ( 3/4 ) 2 p (1/4) p (4/4) Propiedades: 1. P(X>x)=1–P(X≤x ) 2. P ( a ≤ X ≤ b ) = P ( X ≤ b ) - P ( X < a) 3. . Características de las variables aleatorias discretas: La media de una variable aleatoria discreta Es el promedio, de la variable aleatoria. también se conoce como el valor esperado, E(x), en una distribución de probabilidad. La media se calcula con la fórmula: La varianza Propiedades de la esperanza Matemática Sean X1 y X2 v.a. con esperanzas definidas, a y b constantes; entonces se cumplen las siguientes propiedades: a) E(aX1 ) = a E(X1) b) b) E(aX1 + bX2) = a E(X1) + b E(X2) PRINCIPALES VARIABLES ALEATORIAS DISCRETAS Las distribuciones de variable discreta más importantes son las siguientes: Distribución Binomial Distribución de Poisson n= el número de ensayos. k= el número de éxitos observados. p= la probabilidad de éxito. Características de la distribución binomial 1. Supongamos que la probabilidad de tener una unidad defectuosa en una línea de ensamblaje es de 0.05. 1. ¿cuál es la probabilidad de que entre diez unidades dos se encuentren defectuosas? 2. ¿y de que a lo sumo dos se encuentren defectuosas? 3. ¿cual es la probabilidad de que por lo menos una se encuentre defectuosa? DISTRIBUCIÓN DE POISSON La distribución de Poisson suele emplearse a problemas donde la v.a. es el nº de veces que ocurre cierto evento en un intervalo de tiempo con un promedio dado. La distribución de Poisson sigue el siguiente modelo: Donde es el número promedio de ocurrencias en un intervalo específico de tiempo, e es la constante 2.71828 y k es el número de ocurrencias. Por ejemplo: •Nº de llamadas que recibe una central telefónica en el período de un minuto. •Nº de accidentes de trabajo que ocurren en una fábrica durante una semana. •Los defectos en manufactura de papel por cada metro producido. Características de la distribución Poisson La media y la varianza esta dada por λ esta dada por: µ=E(X)= λ La variancia está dada por: V ( X ) = = λ REGLA: (aproximación de la distribución Binomial a la distribución Poisson) Si en una distribución binomial, n es grande y la probabilidad de exito es pequeña (p < 0.1), aproximar la distribución Binomial a la distribución Poisson, calculando ( λ = np) Se tiene que cumplir que: p < 0 . 10 y p * n < 10 Ejemplo: La probabilidad de que haya un accidente en una compañía de manufactura es de 0.02 por cada día de trabajo. Si se trabajan 300 días al año, ¿cuál es la probabilidad de tener 3 accidentes? Como la probabilidad p es menor que 0.1, y el producto n * p es menor que 10 (300 * 0.02 = 6), entonces, aplicamos el modelo de distribución de Poisson: P(x = 3) = 0.0892. Por lo tanto, la probabilidad de tener 3 accidentes laborales en 300 días de trabajo es de 8.9%. Aplicaciones: 1. Un supervisor de seguridad en una empresa cree que el número esperado de accidentes laborales por mes es de 3.4 a. ¿Cuál es la probabilidad de que el próximo mes ocurran exactamente dos accidentes? b. ¿Cuál es la probabilidad de que el próximo mes ocurran tres o más accidentes? 2. 3. Una prisión de máxima seguridad reporta que el número de intentos de escape por mes da una media de 1,5 intentos/mes. Calcule: a. Probabilidad de tres intentos de escape durante el próximo mes. b. Probabilidad de al menos un intento de escape el próximo mes. La probabilidad de que un producto salga defectuoso es de 0.012. ¿Cuál es la probabilidad de que entre 800 productos ya fabricados hayan 5 defectuosos? 4. En un estudio de Control de Calidad de determino que el 0.01% de los relojes producidos por una empresa Taiwanesa son defectuosos. a. Cuál es la probabilidad de que un pedido de 1000 relojes exista exactamente un reloj defectuoso?. b. b. Cuál es la probabilidad de que en el mismo pedido de 1000 relojes existan al menos dos defectuosos? 5. Un ingeniero que labora en el departamento de control de calidad de una empresa eléctrica, inspecciona una muestra al azar de 200 alternadores de un lote. Si el 2% de los alternadores del lote están defectuosos. Cuál es la probabilidad de que en la muestra: a) ninguno esté defectuoso, b) uno salga defectuoso, c) al menos dos salgan defectuosos d) más de tres estén con defectos. 6. Si 8 de 100 viviendas violan el código de construcción. ¿cuál es la probabilidad de que un inspector de viviendas, que selecciona aleatoriamente a 50 de ellas, descubra que: a) ninguna de las casas viola el código de construcción b) una viola el código de construcción c) dos violan el código de construcción d) al menos tres violan el código de construcción.