hawkes learning systems math courseware specialists copyright © 2010 by hawkes learning...
TRANSCRIPT
HAWKES LEARNING SYSTEMS
math courseware specialists
Copyright © 2010 by Hawkes Learning
Systems/Quant Systems, Inc.
All rights reserved.
Capítulo 7
Distribuciones de Probabilidad, valor esperado y varianza
HAWKES LEARNING SYSTEMS
math courseware specialists
Probability Distributions: Information about the Future
Section 7.1 Types of Random Variables
Objetivos:
• Definir variables aleatorias discretas.
• Definir variables aleatorias continuas
• Describir la notación probabilística.
HAWKES LEARNING SYSTEMS
math courseware specialists
• Variable aleatoria – un resultado numérico de un proceso aleatorio.
• Distribución probabilística – un modelo que describe un tipo específico de proceso aleatorio.
• Variable aleatoria discreta– una variable aleatoria que tiene un número fijo de posibles resultados.
• Variable aleatoria continua – una variable aleatoria que puede asumir cualquier valor en un segmento continuo del eje de números reales.
Definiciones:
Probability Distributions: Information about the Future
Section 7.1 Types of Random Variables
HAWKES LEARNING SYSTEMS
math courseware specialists
Variables aleatorias discretas:
• Para describir una variable aleatoria discreta:
• Indica la variable.• Enlista todos los posibles valores de la variable.• Determina las probabilidades de estos valores.
Notación para variables aleatorias:
• Letras mayúsculas, como X, se utilizarán para referirse a una variable aleatoria, mientras que letras minúsculas, como x, se referirán a valores específicos de la variable aleatoria. Con frecuencia, los valores específicos tendrán subíndices,
1 2, , ... , .nx x x
Probability Distributions: Information about the Future
Section 7.1 Types of Random Variables
HAWKES LEARNING SYSTEMS
math courseware specialists
Ejemplo:
Lanza un dado y observa el resultado.
Enlista los tres pasos:
• Indica la variable: X = el resultado del dado lanzado.
• Enlista los posibles valores: 1, 2, 3, 4, 5, 6. En este caso,
• Determina la probabilidad de obtener cada valor.
1 1,x
Value of X Probability161616161616
1
2
3
4
5
62 2,x 3 3,x 4 4,x 5 5,x 6and 6.x
Probability Distributions: Information about the Future
Section 7.1 Types of Random Variables
HAWKES LEARNING SYSTEMS
math courseware specialists
Describir una variable aleatoria continua:
•Tiempo entre fallos. Calcula el tiempo entre instalar una luz de freno en tu auto y que la luz deje de funcionar.• Definir una variable aleatoria continua es muy similar a definir una variable aleatoria discreta.
• Indentifica la variable aleatoria:
X = tiempo que transcurre entre la instalación y el fallo.
• Indentifica el rango de valores:
Entre cero e infinito, nota que X se mide como una escala continua.
• Define la densidad probabilística: Desconocida, pero probablemente estaría modelada
por datos históricos y estaría distribuida exponencialmente.
• Nota: para variables aleatorias continuas especificamos las probabilidades con funciones de densidad probabilística.
Probability Distributions: Information about the Future
Section 7.1 Types of Random Variables
HAWKES LEARNING SYSTEMS
math courseware specialists
Chapter Name
Section ## Section Name
Probability Distributions: Information about the Future
Section 7.2 Discrete Probability Distributions
Objetivos:
• Describir las características de variables aleatorias discretas.
HAWKES LEARNING SYSTEMS
math courseware specialists
• Distribución Discreta de Probabilidad– todos los posibles valores de una variable aleatoria con sus probabilidades asociadas.
Definición:
Características de las distribuciones discretas de probabilidad:
• La suma de todas las probabilidades debe ser igual a 1• La probabilidad de cualquier valor debe estar entre 0 y 1, incuyéndolos.
Probability Distributions: Information about the Future
Section 7.2 Discrete Probability Distributions
HAWKES LEARNING SYSTEMS
math courseware specialists
Crear una distribución de probabilidad para X, el número de caras si se lanza una moneda 4 veces.
Solución:• Para empezar, enlistar todos los posibles valores de X.• Luego, encontrar la distribución de probabilidad, se necesita
calcular la probabilidad de cada resultado.
Lanzar una moneda
x P(X=x) Eventos Simples
0
1
2
3
4
1
164
166
16
1
16
4
16
TTTT
HTTT
HHHH
TTHT
HHHT HHTH HTHH
TTHH THHT THTH HTHT
THTT
HTTHHHTT
THHH
TTTH
1.0P x
Probability Distributions: Information about the Future
Section 7.2 Discrete Probability Distributions
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
La distribución de probabilidad del precio de una acción 30 días a partir de ahora es la siguiente. Encuentra la probabilidad de que el precio de una acción sea mayor a $56.
Precios de Acción
x P(X=x)
54.5 .05
55.0 .10
55.5 .25
56.0 .30
56.5 .20
57.0 .10
1.0P x
Con base en la distribución de probabilidad, la probabilidad de que el precio de la acción sea mayor a $56 en treinta días se calcula así:
56 56.5 57.0P X P X P X
.20 .10
.30
Probability Distributions: Information about the Future
Section 7.2 Discrete Probability Distributions
Ejemplo:
Solución:
HAWKES LEARNING SYSTEMS
math courseware specialists
Probability Distributions: Information about the Future
Section 7.3 Expected Value
Objetivos:
• Definir y describir el valor esperado de una variable aleatoria discreta.
HAWKES LEARNING SYSTEMS
math courseware specialists
Valor esperado:
• El valor esperado de la variable aleatoria X es la media de la variable aleatoria X. Se denota E(X).
, where .E X x p x p x P X x
Probability Distributions: Information about the Future
Section 7.3 Expected Value
HAWKES LEARNING SYSTEMS
math courseware specialists
John vende coches. Calcula el valor esperado del número de coches que John vende cada día.
Ventas de coches
x P(X=x)
0
1
2
3
4
.15
.30
.35
.15
.05
x X xP
Solución:
E X x P X x
0 .15 1 .30
2 .35 3 .15
4 .05
0
0
0.30
0.70
0.45
0.20
0.30 0.70 0.450.20
1.65 1.65E X
Probability Distributions: Information about the Future
Section 7.3 Expected Value
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Estás tratando de elegir entre dos opciones de
inversión. Los dos planes se muestran en la tabla de
abajo. La columna de la izquierda describe la ganancia
potencial de cada plan y la columna de la derecha sus
respectivas probabilidades. ¿Qué plan escogerías?
Ejemplo:
Valor esperado
Inversión A Inversión B
Ganancia Probabilidad Ganancia Probabilidad
$1200 .1 $1500 .3
$950 .2 $800 .1
$130 .4 –$100 .2
–$575 .1 –$250 .2
–$1400 .2 –$690 .2
Probability Distributions: Information about the Future
Section 7.3 Expected Value
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
• Resulta dificil determinar qué plan es mejor simplemente observando la tabla. • Utilicemos el valor esperado para comparar los planes.
Para la Inversión A:
Para la Inversión B:
E(X) = (1200)(.1) + (950)(.2) + (130)(.4) + (–575)(.1) + (–1400)(.2)
= 120 + 190 + 52 – 57.50 – 280
= $24.50
E(X) = (1500)(.3) + (800)(.1) + (–100)(.2) + (–250)(.2) + (–690)(.2)
= 450 + 80 – 20 – 50 – 138
= $322.00 B es la mejor opción
Probability Distributions: Information about the Future
Section 7.3 Expected Value
HAWKES LEARNING SYSTEMS
math courseware specialists
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
Objetivos:
• Definir y describir la varianza de una variable aleatoria discreta.
HAWKES LEARNING SYSTEMS
math courseware specialists
Varianza de Variables Aleatorias DIscretas:
-V X x p x 2=
• La desviación estandar se calcula sacando la raíz cuadrada de la varianza:
Standard Deviation= V X
• En inversiones, la varianza refleja un mayor riesgo.
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
HAWKES LEARNING SYSTEMS
math courseware specialists
Varianza de una Variable Aleatoria
Inversión A Inversión B
Ganancia Probabilidad Ganancia Probabilidad
$1200 .1 $1500 .3
$950 .2 $800 .1
$130 .4 –$100 .2
–$575 .1 –$250 .2
–$1400 .2 –$690 .2
Para determinar el riesgo, debemos calcular la varianza de cada inversión.
Determinar el riesgo:
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:Para la inversión A:
Varianza de una Variable Aleatoria
Inversión A
Ganancia Probabilidad
$1200 .1
$950 .2
$130 .4
–$575 .1
–$1400 .2
-x p x 2
24.50A AE X
21200 24.50 0.1
2950 24.50 0.2
2130 24.50 0.4
2575 24.50 0.1
21400 24.50 0.2
138,180.03
171,310.05
4452.10
35,940.03
405,840.05
$755,722.26V X
Standard Deviation 755,722.24 $869.32V X
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
Para la inversión B:
Varianza de una variable aleatoria
Inversión B
Ganancia Probabilidad
$1500 .3
$800 .1
–$100 .2
–$250 .2
–$690 .2
-x p x 2
322B BE X
21500 322 0.3
2800 322 0.1
2100 322 0.2
2250 322 0.2
2690 322 0.2
416,305.20
22,848.40
35,616.80
65,436.80
204,828.80
$745,036.00V X
Standard Deviation 745,036.00 $863.15V X
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
Debido a que en términos de riesgo, la Inversión B se considera una mejor opción porque conlleva ligeramente menor riesgo.
755,722.26 745,036.00 ,A BV X V X
Probability Distributions: Information about the Future
Section 7.4 Variance of a Discrete Random Variable
HAWKES LEARNING SYSTEMS
math courseware specialists
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
Objetivos:
• Definir una variable aleatoria binomial.
• Calcular probabilidades utilizando una distribución binomial.
• Calcular el valor esperado de una variable aleatoria binomial.
• Calcular la varianza de una variable aleatoria binomial.
HAWKES LEARNING SYSTEMS
math courseware specialists
Definiciones:
• Experimento Binomial– un experimento aleatorio que satisface las condiciones siguientes:
i) Existen solamente dos resultados en cada ensayo del experimento. (Uno de ellos es generalmente llamado éxito, y el otro fracaso).
ii) El experimento consiste en n ensayos idénticos como se describe en la Condición 1.
iii) La probabilidad de éxito de cada ensayo se denota p y no cambia de ensayo a ensayo. (Nota que la probabilidad de fracaso es 1−p y tampoco cambia de ensayo a ensayo)
iv) Los ensayos son independientes.
v) La variable aleatoria binomial X representa el número de éxitos en cada n ensayos.
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
HAWKES LEARNING SYSTEMS
math courseware specialists
Lanza una moneda 5 veces y observa el número de caras. Define el experimento en términos de nuestra definición de un experimento binomial.
i. Existen solamente dos posibles resultados, caras o cruces.
ii. El experimento consistirá en lanzar la moneda 5 veces.
(Hence: n = 5.)
iii. La probabilidad de obtener cara (éxito) es y no cambia de
ensayo a ensayo. (Por tanto: p = .)
iv. El resultado de una lanzada no afectará a las demás.v. La variable de interés es el número de caras obtenidas al
lanzar la moneda 5 veces.
1
21
2
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
Ejemplo:
Solución:
HAWKES LEARNING SYSTEMS
math courseware specialists
Lanza una moneda 4 veces y observa el número de caras. Construye la distribución de probabilidad para el número de caras.
Lanzar una moneda
EventosNúmero de caras
Probabilidad
HHTT, HTHT, HTTH, THHT, THTH, TTHH
TTTT
HTTT, THTT, TTHT, TTTH
THHH, HTHH, HHTH, HHHT
HHHH
0
1
2
3
4
1
16
4
16
6
16
4
16
1
16
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
Ejemplo:
Solución:
HAWKES LEARNING SYSTEMS
math courseware specialists
Definir la función de probabilidad de distribución binomial así:
representa el número de combinaciones de n objectos tomando x en un tiempo determinado y se expresa por
!, where ! 1 2 ...1 and 0!=1.
! !nx
nC n n n n
x n x
1
n xn xxP X x C p p
where the number of trials,n
nxC
the number of successes, andx the probability of success.p
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
Función probabilística de distribución binomial:
¿Cuál es la probabilidad de obtener exactamente 7 cruces si se
lanza 18 veces la moneda?
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
n = 18, p = .5, x = 7
1
n xn xxP X x C p p
7 18 7
187
1 17
21
2P X C
7 1118! 1 1
11!7! 2 2
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
Un experto en control de calidad en una fábrica estima que 10%
de todas las baterías producidas son defectuosas. Si se toma
una muestra de 20 baterías, ¿cuál es la probabilidad de que no
más de 3 sean defectuosas?
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
n = 20, p = .1, x = 3, esta vez debemos observar la probabilidad de que no más de tres sean defectuosas, osea
P(X ≤ 3).
0 1 33 2P X P X P X P X P X
0 20 1 1920 200 1
2 18 3 1720 202 3
0.1 0.9 0.1 0.9
0.1 0.9 0.1 0.9
C C
C C
0.867
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
HAWKES LEARNING SYSTEMS
math courseware specialists
Fórmulas:
El valor esperado binomial y la varianza pueden ser definidos con las siguientes formulas.
E X np 1V X np p
Ejemplo:
Un experto en control de calidad en una fábrica estima que 10%
de todas las baterías producidas son defectuosas. Si se toma
una muestra de 20 baterías, ¿cuál es el valor esperado, la
varianza y la desviación estándar del número de baterías
defectuosas?Solución:
20, .1n p 20 0 2.1E X
120 0. 11 1 .80.V X
Standard Deviati 1.8on= 1.34V X
Probability Distributions: Information about the Future
Section 7.7 The Binomial Distribution
HAWKES LEARNING SYSTEMS
math courseware specialists
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
Objetivos:
• Definir una variable aleatoria Poisson.
• Calcular probabilidad utilizando una distribución de Poisson.
HAWKES LEARNING SYSTEMS
math courseware specialists
Definiciones:
• Distribución de Poisson– una distribución discreta de probabilidad que utiliza un intervalo de tiempo o espacio fijo en el que el número de éxitos es registrado.
donde
• En la distribución de Poisson
, for 0,1,2,...!
xeP X x x
x
2.71828..., and
average number of "successes".
e
.E X V X
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
1. Los éxitos deben ocurrir uno a la vez.
2. Cada éxito debe ser independiente de cualquier otro.
HAWKES LEARNING SYSTEMS
math courseware specialists
Pautas para la Distribución de Poisson:
Al calcular una distribución de Poisson, redondea tus respuestas a 4 decimales.
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
Supón que la conexión a Internet en tu casa falla en promedio
0.75 veces cada hora. Si planeas conectarte a internet durante
3 horas en la tarde, ¿cuál es la probabilidad de que te
mantendrás conectado todo el tiempo? Asume que las fallas de
conexión siguen una distribución de Poisson.
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
x = 0, (0.75)(3) = 2.25
0.1054
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
Un mecanógrafo comete en promedio 1 error tipográfico por
párrafo. Si el documento tiene 4 párrafos, ¿cuál es la
probabilidad de que existan menos de 5 errores?
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
x < 5, =Esta vez tenemos que observar la probabilidad de que ocurran menos de 5 errores, lo que es P(X < 5).
(4)(1) = 4
P(X < 5) = P(X ≤ 4)
0.6288
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
Un restaurante de comida rápida en promedio realiza dos órdenes
incorrectas cada 4 horas. ¿Cuál es la probabilidad de que se obtengan
al menos 3 órdenes incorrectas en cualquier día entre 11 AM y 11PM?
Asume que los errores siguen una distribución de Poisson.
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
Solución:
x ≥ 3, =
Esta vez debemos analizar la probabilidad de que al menos tres órdenes incorrectas ocurran, lo que es P(X ≥ 3).
(3)(2) = 6
P(X ≥ 3) = 1 – P(X < 3)
= 1 – P(X ≤ 2)
0.9380
Probability Distributions: Information about the Future
Section 7.8 The Poisson Distribution
! ! !
0 1 26 6 66 6 6
10 1 2
e e e
HAWKES LEARNING SYSTEMS
math courseware specialists
Objetivos:
• Definir una variable aleatoria hipergeométrica.
• Calcular probabilidades utilizando distribuciones
hipergeométricas.
• Calcular el valor esperado de una variable aleatoria
hipergeométrica.
• Calcular la varianza de una variable aleatoria hipergeométrica.
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
• Distribución hipergeométrica – una función de probabilidad especial discreta para problemas con un número fijo de ensayos dependientes y un número específicos de éxitos.
HAWKES LEARNING SYSTEMS
math courseware specialists
Definiciones:
• Al calcular la distribución hipergeométrica, redondea tus respuestas a 4 valores decimales.
, where 0 min ,A N Ax n x
Nn
C CP X x x A n
C
the total number of successes possibleA the size of the population, andN the size of the sample drawn.n
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
1. Cada ensayo consiste en seleccionar uno de los N elementos en la población y resulta en un éxito o un fracaso.
2. El experimento consiste en n ensayos.
3. El número total de posibles éxitos en la población es A.
4. Los ensayos son dependientes. (i.e., las selecciones se realizan sin reemplazos)
HAWKES LEARNING SYSTEMS
math courseware specialists
Pautas para Distribuciones Hipergeométricas:
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
En el supermercado local hay 50 cajas de cereal en el estante,
la mitad de las cuales contiene un premio. Supón que compras
4 cajas de cereal. ¿Cuál es la probabilidad de que 3 cajas
contengan un premio?
Ejemplo:
HAWKES LEARNING SYSTEMS
math courseware specialists
A = 25, x = 3, N = 50, n = 4
25 50 253 4 3
504
3C C
P XC
25 253 1
504
C C
C
2300 25
2303000.2497
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
Solución:
HAWKES LEARNING SYSTEMS
math courseware specialists
Un distribuidor de productos ofrece 10 cajas de manzanas
Granny Smith y 8 cajas de manzanas Golden Delicious. Si se
entregan 6 cajas a un mercado local, seleccionadas de manera
aleatoria, ¿cuál es la probabilidad de que al menos 4 de las
cajas contengan manzanas Golden Delicious?
Ejemplo:
Solución:
A = 8, x ≥ 4, N = 18, n = 6
4 5 64P X P X P X P X 8 18 8 8 18 8 8 18 84 6 4 5 6 5 6 6 6
18 18 186 6 6
C C C C C C
C C C
70 45 56 10 28 1
18564 18564 18564
0.2014
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
HAWKES LEARNING SYSTEMS
math courseware specialists
Fórmulas:
El valor esperado hipergeométrico y la varianza pueden ser definidos con las siguientes fórmulas.
AE X n
N
11
N nA AV X n
N N N
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution
HAWKES LEARNING SYSTEMS
math courseware specialists
Ejemplo:
Un distribuidor de productos ofrece 10 cajas de manzanas Granny Smith y 8 cajas de manzanas Golden Delicious. Si se entregan 6 cajas a un mercado local, elegidas aleatoriamente, ¿cuál es el valor esperado y la varianza de la distribución?
Solución:
A = 8, N = 18, n = 6
E X8
618
8
3
V X 18 68 8
618 18 18
11
160
153
Probability Distributions: Information about the Future
Section 7.9 The Hypergeometric Distribution