Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
III Corte - Actividad 2: Trabajo. Cagua, Enero, 2023 T.S.U Christian Miglionico C. I: 26.681.756 Estadística 2 Empresas - Empresas Semestre REPÚBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DEL PODER POPULAR PARA LA EDUCACION UNIVERSITARIA, CIENCIA Y TECNOLOGÍA UNIVERSIDAD PANAMERICANA DEL PUERTO FACULTAD DE CIENCIAS ECONÓMICAS Y SOCIALES PROCASO UNIPAP - CUAM CAGUA Luego de visualizar el material colocado en el Aula, realizar un análisis de lo relacionado a las distribuciones de probabilidad binomial negativa, geométrica y de Poisson Definición, Características y ejemplos de las mismas Distribuciones de probabilidad binomial negativa. Para comenzar, hay que destacar que cuando se habla acerca del término negativo, se llega a considerar que una distribución positiva se voltea sobre el eje x, haciéndola negativa. La variable aleatoria es el número de pruebas repetidas, X, que producen un cierto número de éxitos, r. Es decir, es el número de fallas antes de un éxito. Esta es la principal diferencia con respecto a la distribución binomial: con una distribución binomial regular, estás viendo la cantidad de éxitos. Con una distribución binomial negativa, lo que cuenta es la cantidad de fallas. En otras palabras, la distribución binomial negativa se conoce por ser una distribución de probabilidad que se usa con variables aleatorias discretas. Este tipo de distribución se refiere al número de pruebas que deben ocurrir para tener un número predeterminado de éxitos. Como veremos está relacionada con la distribución binomial. Además, esta distribución generaliza la distribución geométrica. Fórmula: b * (x; r, P) = x-1Cr-1 * Pr * (1 – P) x – r x: El número de ensayos requeridos para producir r éxitos en un experimento binomial negativo. r: El número de éxitos en el experimento binomial negativo. P: La probabilidad de éxito en un ensayo individual. Q: La probabilidad de falla en un ensayo individual. (Esto es igual a 1 – P.) b * (x; r, P): probabilidad binomial negativa: la probabilidad de que un experimento binomial negativo x-trial resulte en el rth éxito en el xth trial, cuando la probabilidad de éxito en un ensayo individual es P. nCr: El número de combinaciones de n cosas, tomadas r a la vez. Características: El número de pruebas no es fijo. Las pruebas continúan hasta llegar al resultado correcto r (las pruebas nunca son menos de r). La probabilidad de éxito es la misma de prueba a prueba. Ejemplo: Para tratar a un paciente de una afección de pulmón, han de ser operados en operaciones independientes sus 5 lóbulos pulmonares. La técnica a utilizar es tal que si todo va bien, lo que ocurre con probabilidad de 7/11, el lóbulo queda definitivamente sano, pero si no es así se deberá esperar el tiempo suficiente para intentarlo posteriormente de nuevo. Se practicará la cirugía hasta que 4 de sus 5 lóbulos funcionen correctamente. ¿Cuál es el valor de intervenciones que se espera que deba padecer el paciente? ¿Cuál es la probabilidad de que se necesiten 10 intervenciones? Esto es un ejemplo claro de experimento aleatorio regido por una ley binomial negativa, ya que se realizan intervenciones hasta que se obtengan 4 lóbulos sanos, y éste es el criterio que se utiliza para detener el proceso. Identificando los parámetros se tiene que si X= Número de operaciones hasta obtener r=4 con resultado positivo, Distribuciones de probabilidad binomial geométrica. Hay que señalar que se basa en lo que se ha podido observar de la distribución binomial. En este caso, el experimento continúa hasta que se produce un éxito o un fracaso, en lugar de un número determinado de ensayos. Características: 1. Hay uno o más ensayos de Bernoulli con todos los fallos excepto el último, que es un acierto. Sigue repitiendo lo que está haciendo hasta el primer acierto. Entonces se detiene. Por ejemplo, se lanza un dardo a una diana hasta dar en ella. La primera vez que logra dar en la diana es un “acierto”, así que deja de lanzar el dardo. Puede que le lleve seis intentos hasta que acierte en la diana. Puede pensar en las pruebas como fallo, fallo, fallo, fallo, acierto, PARAR. 2. En teoría, el número de pruebas podría ser eterno. 3. La probabilidad, p, de un acierto y la probabilidad, q, de un fallo es igual para cada ensayo. p + q = 1 y q = 1 – p. Por ejemplo, la probabilidad de sacar un tres al lanzar un dado imparcial es 1/6 . Esto es cierto sin importar cuántas veces se lance el dado. Supongamos que quiere saber la probabilidad de obtener el primer tres en la quinta lanzada. En las lanzadas del uno al cuatro, no se obtiene un lado con un tres. La probabilidad de cada una de las lanzadas es q = 5/6 , la probabilidad de un fallo. La probabilidad de obtener un tres en la quinta lanzada es (5/6)(5/6)(5/6)(5/6)(1/6) = 0,0804 4. X = el número de ensayos independientes hasta el primer acierto. Ejemplo: Participa en un juego de azar que puede ganar o perder (no hay otras posibilidades) hasta que pierde. Su probabilidad de perder es p = 0,57. ¿Cuál es la probabilidad de que se necesiten cinco jugadas para perder? Supongamos que X = el número de partidas que juega hasta que pierde (incluye la partida perdida). Entonces X toma los valores 1, 2, 3, ... (podría seguir indefinidamente). La pregunta de probabilidad es P(x = 5). Distribuciones de probabilidad binomial De poisson. Como bien se sabe, es una distribución de probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un determinado número de eventos durante cierto período de tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o sucesos "raros". Fue descubierta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la probabilité des jugements en matières criminelles et matière civile (Investigación sobre la probabilidad de los juicios en materias criminales y civiles). Características: 1. Es una familia de curvas de un parámetro que modela el número de veces que se produce un evento aleatorio. 2. La distribución es adecuada para aplicaciones que incluyan el recuento del número de veces que un evento aleatorio tiene lugar en un determinado periodo de tiempo, en un área y una distancia determinadas, etc. 3. Algunas de las aplicaciones de muestra con distribuciones de Poisson incluyen el número de de clics por segundos del contador Geiger, el número de personas que entran en una tienda en una hora y el número de paquetes perdidos en una red por minuto. Ejemplo: Calcule la pdf de la distribución de Poisson con el parámetro lambda = 4. x = 0:15; y = poisspdf(x,4); Represente la pdf con barras de una anchura de 1. figure bar(x,y,1) xlabel('Observation') ylabel('Probability')
Compartir