Documente Academic
Documente Profesional
Documente Cultură
En los espacios muéstrales finitos Un proceso estocástico es una sucesión finita de experimentos
aleatorios, cada uno de ellos con un nº finito de resultados posibles. Se representan con diagrama
de árbol.
El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee
nueva información.
2.2 NOCIONES BASICAS DE PROBABILIDAD
INTRODUCCIÓN A LA PROBABILIDAD:
ANÁLISIS COMBINATORIO
A) FACTORIAL.-
La factorial está relacionada con el cálculo del número de maneras en las que un conjunto
de cosas puede arreglarse en orden. El número de maneras en el que la n cosas pueden
arreglarse en orden es:
B) PERMUTACIONES.
En muchos casos se necesita saber el número de formas en las que un subconjunto de un
grupo completo de cosas puede arreglarse en orden. Cada posible arreglo es llamado
permutación. Si un orden es suficiente para construir otro subconjunto, entonces se trata de
permutaciones.
C) COMBINACIONES:
En muchos situaciones no interesa el orden de los resultados, sino sólo el número de
maneras en las que r objetos pueden seleccionarse a partir de n cosas, sin consideración de
orden. Si dos subconjuntos se consideran iguales debido a que simplemente se han
reordenado los mismos elementos, entonces se trata de combinaciones.
El número de maneras para arreglar r objetos seleccionados a la vez de n objetos, sin
considerar el orden, es decir, el número de combinaciones de n elementos tomados r a la
vez es:
CONCEPTOS BÁSICOS:
A) EXPERIMENTO.-
Es toda acción sobre la cual vamos a realizar una medición u observación, es decir
cualquier proceso que genera un resultado definido
.
B) EXPERIMENTO ALEATORIO.-
Es toda actividad cuyos resultados no se determinan con certeza. Ejemplo: lanzar una
moneda al aire. No podemos determinar con toda certeza ¿cuál será el resultado al lanzar
una moneda al aire?, por lo tanto constituye un experimento aleatorio.
D) PUNTO MUESTRAL.-
Es un elemento del espacio maestral de cualquier experimento dado.
E) EVENTO O SUCESO.-
Es todo subconjunto de un espacio maestral. Se denotan con letras mayúsculas: A, B, etc.
Los resultados que forman parte de este evento generalmente se conocen como "resultados
favorables". Cada vez que se observa un resultado favorable, se dice que "ocurrió" un
evento. Ejemplo: Sea el experimento E: lanzar un dado. Un posible evento podría ser que
salga número par. Definimos el evento de la siguiente manera: A = sale número par = (2, 4,
6(, resultados favorables n(E) = 3
2. Evento imposible.- Un evento es imposible si nunca se realiza. Al lanzar un dado una sola
vez, es imposible que salga un 10
F) PROBABILIDAD.-
Es el conjunto de posibilidades de que un evento ocurra o no en un momento y tiempo
determinado. Dichos eventos pueden ser medibles a través de una escala de 0 a 1, donde el
evento que no pueda ocurrir tiene una probabilidad de 0 (evento imposible) y un evento que
ocurra con certeza es de 1 (evento cierto).
La probabilidad de que ocurra un evento, siendo ésta una medida de la posibilidad de que un
suceso ocurra favorablemente, se determina principalmente de dos formas: empíricamente (de
manera experimental) o teóricamente (de forma matemática).
1. Probabilidad empírica.- Si E es un evento que puede ocurrir cuando se realiza un
experimento, entonces la probabilidad empírica del evento E, que a veces se le
denomina definición de frecuencia relativa de la probabilidad, está dada por la siguiente
fórmula:
G) POSIBILIDADES.-
Las posibilidades comparan el número de resultados favorables con el número de
resultados desfavorables. Si todos los resultados de un espacio muestral son igualmente
probables, y un número n de ellos son favorables al evento E, y los restantes m son
desfavorables a E, entonces las posibilidades a favor de E sonde de n(E) a m(E), y
las posibilidades en contra de E son de m(E) a n(E)
Ejemplos ilustrativos:
Mathías se le prometió comprar 6 libros, tres de los cuales son de Matemática. Si tiene las
mismas oportunidades de obtener cualquiera de los 6 libros, determinar las posibilidades
de que le compren uno de Matemática.
Solución:
o Número de resultados favorables = n (E) = 3
o Número de resultados desfavorables = m (E) = 3
o Posibilidades a favor son n (E) a m (E), entonces,
o Posibilidades a favor = 3 a 3, y simplificando 1 a 1.
En donde:
El conectivo lógico "o" corresponde a la "unión" en la teoría de conjuntos (o =)
El conectivo "y" corresponde a la "intersección" en la teoría de conjuntos (y =)
El espacio muestral (S) corresponde al conjunto universo en la teoría de conjuntos
En donde:
El conectivo lógico "o" corresponde a la "unión" en la teoría de conjuntos (o =)
El espacio muestral (S) corresponde al conjunto universo en la teoría de conjuntos
Nota:
La probabilidad del evento B, calculada bajo la suposición de que el evento A ha ocurrido,
se denomina probabilidad condicional de B, dado A, y se denota por P (B/A).
Un proceso estocástico es una sucesión finita de experimentos aleatorios, cada uno de ellos con un
nº finito de resultados posibles. Se representan con diagrama de árbol.
Por ejemplo: imaginemos que se lanza una moneda y un dado de seis caras. La probabilidad de
obtener un resultado particular corresponde a la multiplicación de sus probabilidades. Es decir, la
probabilidad de obtener «cara» y un tres será:
Por ejemplo:
La probabilidad de que salga cara en la primera tirada ---->
La probabilidad de que salga nuevamente cara en la segunda tirada ---->
La probabilidad de que salga nuevamente cara en la tercera tirada ---->
TEORÍA DE LA PROBABILIDAD
La probabilidad constituye un importante parámetro en la determinación de las diversas
casualidades obtenidas tras una serie de eventos esperados dentro de un rango estadístico.
Existen diversas formas como método abstracto, como la teoría Dempster-Shafer y la teoría de la
relatividad numérica, esta última con un alto grado de aceptación si se toma en cuenta que
disminuye considerablemente las posibilidades hasta un nivel mínimo ya que somete a todas las
antiguas reglas a una simple ley de relatividad.
Los tres métodos para calcular las probabilidades son la regla de la adición, la regla de la
multiplicación y la distribución binomial.
Siendo:
P(A) = probabilidad de ocurrencia del evento
A, P (B) = probabilidad de ocurrencia del evento B, y
P(A y B) = probabilidad de ocurrencia simultánea de los eventos A y B.
PROBABILIDAD CONDICIONADA:
Probabilidad condicional es la probabilidad de que ocurra un evento A, sabiendo que también
sucede otro evento B. La probabilidad condicional se escribe P (A|B), y se lee «la probabilidad
de A dado B».
No tiene por qué haber una relación causal o temporal entre A y B. A puede preceder en el tiempo
a B, sucederlo o pueden ocurrir simultáneamente. Apuede causar B, viceversa o pueden no tener
relación causal. Las relaciones causales o temporales son nociones que no pertenecen al ámbito de
la probabilidad. Pueden desempeñar un papel o no dependiendo de la interpretación que se le dé a
los eventos.
Un ejemplo clásico es el lanzamiento de una moneda para luego lanzar un dado. ¿Cuál es la
probabilidad que en el dado salga un 6 dado que ya haya salido una cara en la moneda? Esta
probabilidad se denota de esta manera: P (6|C). El condicionamiento de probabilidades puede
lograrse aplicando el teorema de Bayes.
DEFINICIÓN:
Dado un espacio de probabilidad y dos eventos (o sucesos) con la probabilidad condicional
de A dado Bestá definida como:
INTERPRETACIÓN
Tomando los casos en los que B se cumple, se puede interpretar
como la parte en los que también se cumple A.
Si el evento B es, por ejemplo, tener la gripe, y el evento A es tener dolor de cabeza, sería la
probabilidad de tener dolor de cabeza cuando se está enfermo de gripe.
PROPIEDADES:
Es decir, si todos los que tienen gripe siempre tienen dolor de cabeza, entonces la probabilidad de
tener dolor de cabeza dado que tengo gripe es 1.
INDEPENDENCIA DE SUCESOS:
Dos sucesos aleatorios A y B son independientes si y sólo si: O sea que si A y B son
independientes, su probabilidad conjunta, ó puede ser expresada como el producto de las
probabilidades individuales. Equivalentemente: En otras palabras, si A y B son independientes, la
probabilidad condicional de A dado B es simplemente la probabilidad de A y viceversa.
EXCLUSIVIDAD MUTUA:
Problemas de ejemplo
La paradoja del falso positivo:
La magnitud del error cometido con esta falacia se entiende mejor en términos de probabilidades
condicionales.
Supongamos un grupo de personas de las que el 1 % sufre una cierta enfermedad, y el resto está
bien. Escogiendo un individuo al azar: y
Supongamos que aplicando una prueba a una persona que no tiene la enfermedad, hay una
posibilidad del 1 % de conseguir un falso positivo, esto es: y
Finalmente, supongamos que aplicando la prueba a una persona que tiene la enfermedad, hay una
posibilidad del 1 % de un falso negativo, esto es: y
En este ejemplo, debería ser fácil ver la diferencia entre las probabilidades condicionadas P
(positivo | enfermo) (que es del 99 %) y P (enfermo | positivo) (que es del 50 %): la primera es la
probabilidad de que un individuo enfermo dé positivo en la prueba; la segunda es la probabilidad
de que un individuo que da positivo en la prueba tenga realmente la enfermedad. Con los números
escogidos aquí, este último resultado probablemente sería considerado inaceptable: la mitad de la
gente que da positivo en realidad está sana.
REGLA DE LA MULTIPLICACIÓN
La regla de la multiplicación establece que la probabilidad de ocurrencia de dos o más eventos
estadísticamente independientes es igual al producto de sus probabilidades individuales.
Un lote contiene "100" objetos de los cuales "20" son defectuosos. Los objetos son seleccionados
uno después del otro para ver si ellos son defectuosos. Suponga que dos objetos son seleccionados
sin reemplazo (significa que el objeto que se selecciona al azar se deja por fuera del lote). ¿Cuál es
la probabilidad de que los dos objetos seleccionados sean defectuosos?
Solución:
Sea los eventos
A1 = {primer objeto defectuoso}, A2 {segundo objeto defectuoso} entonces dos objetos
seleccionados serán defectuosos, cuando ocurre el evento A1n A2 que es la intersección entre los
eventos A1 y A2. De la información dada se tiene que: P (A1) = 20/100; P (A2/A1) = 19/99 así
probabilidad de que los dos objetos seleccionados sean defectuosos es P (A1 n A2) = P (A1) P
(A2/A1) (20/100)(19/99) 19/495 = 0.038
Ahora suponga que selecciona un tercer objeto, entonces la probabilidad de que los tres objetos
seleccionados sean defectuosos es P (A1 n A2 n A3) = P (A1) P (A2/A1) P (A3/A1nA2) (20/100)
(19/99)(18/98) 19/2695 = 0.007
TEOREMA DE BAYES
El teorema de Bayes se utiliza para revisar probabilidades previamente calculadas cuando se posee
nueva información. Desarrollado por el reverendo Thomas
Bayes en el siglo XVII, el teorema de Bayes es una
extensión de lo que ha aprendido hasta ahora acerca de la
probabilidad condicional.
3.1. DEFINICION:
En la sección dedicada a la Estadística Descriptiva hemos estudiado las variables estadísticas,
estudiándolas como mediciones que se efectúan sobre los individuos de la muestra. Trabajábamos,
por tanto con números observados después de la realización del experimento.
Si se analizan las variables desde una perspectiva más formal, entendiéndolas como una
abstracción previa a la realización del experimento, reciben el nombre de variables aleatorias (v.
a.), a cuyos posibles resultados se les asocian probabilidades, que desempeñan un papel análogo al
de las frecuencias relativas.
Así, pueden entenderse los desarrollos que se realizarán a continuación como una revisión de los
temas de la sección de Estadística Descriptiva, donde los experimentos ya realizados son
substituidos por experimentos potenciales, y las frecuencias relativas por probabilidades.
Variable aleatoria.- Matemáticamente, se define una variable aleatoria como una aplicación que
a cada suceso elemental del espacio muestral asigna un número real:
xi 2 3 4 5 6 7 8 9 10 11 12
Pi 1/36 2/36 3/36 4/36 5/36 6/36 5/36 4/36 3/36 2/36 1/36
xi 2 3 4 5 6 7 8 9 10 11 12
Fi 1/2 1/2 2/2 2/2 3/2 4/2 3/2 2/2 1/2 0/2 1/2
0 0 0 0 0 0 0 0 0 0 0
Si por el contrario al realizar el experimento se considera lo que puede suceder, analizando los 36
casos posibles y los respectivos casos favorables, obtenemos la distribución de masa de
probabilidad de la v.a. discreta X:
Una variable aleatoria es discreta si toma un conjunto finito (o infinito numerable) de valores.
Estos valores están separados entre sí, y por tanto corresponden a experimentos en los que un
mismo resultado puede ocurrir varias veces, y en consecuencia, tiene interés contarlas.
En caso de que el número de valores distintos sea infinito numerable, la segunda propiedad se
escribiría: para unos x1,..., xn,... con probabilidades p1,..., pn.
E(a + bX ) = a + b·E(X)
Var(a + bX) = b2·Var(X)
Var(X)=E(X2)-[E(X)] 2
Tipificación de una v. a.- Al igual que se vio en la Estadística Descriptiva, las v.a. pueden
tipificarse.
Se conserva la propiedad de que su media es cero y su desviación típica es uno.
EJEMPLO (Binomial):
Una sala de ordenadores tiene 10 terminales. La probabilidad de que un terminal esté ocupado es
de 0.9. Calcular la probabilidad de que 7 ó más terminales estén ocupados.
Se define X = “nº de terminales ocupados”, y se considera que el suceso A es que un terminal esté
ocupado. Por tanto, P(A) = 0.9. Por tanto P(“terminal libre”) = = 0.1.
X ∈ Bi(10, 0.9). La probabilidad de que siete o más terminales estén ocupados es igual a la suma
de la probabilidad de que 7 estén ocupados, más la probabilidad de que estén ocupados 8, más la
probabilidad de que estén ocupados 9, más la probabilidad de que estén ocupados 10.
Propiedad.-
EJEMPLO (Poisson):
La probabilidad de que un programa en PASCAL correctamente escrito aborte por causas
desconocidas es de 0.002. Se ejecutan 1200 programas correctamente escritos. Calcular la
probabilidad de que aborten a lo sumo 5.
Se define X = “nº de programas que abortan”, y se considera que el suceso A es que un programa
aborte. Por tanto, P(A) = 0.002. Por tanto P (“no abortar”) = 1- P(A) = 0.998.
Se podría pensar en resolverlo mediante la binomial, pero como se da el caso de que n→ 8 y p→ 0,
entonces sabemos que X ∈Pois (2.4). (0.002·1200 = 2.4).
Para ver esto de una forma más sencilla, se puede decir que `N' es el tamaño del conjunto del cual
se va a extraer la muestra, `n' es el tamaño de la muestra, y `p' es la probabilidad de éxito dentro de
la muestra.
Media:
E(X) = n·p
Varianza:
Var(X) =
EJEMPLO (Pascal):
Una pareja desea tener hijos hasta la primera niña. Se pide la probabilidad de que tengan más de
cuatro niños.
Existen dos formas de realizar este ejercicio. Una es sumar las probabilidades desde 5 niños hasta
infinitos niños, y la otra es calcular la probabilidad de que tengan 4 o menos hijos, aprovechando
que P (X=4) = 1 - P(X>4). Por tanto:
P(X > 4)=1-( P(X = 4)+ P(X = 3)+ P(X = 2)+ P(X = 1)+ P(X = 0)).
Calculamos aplicando la fórmula: estamos considerando que la probabilidad de que nazca niño o
niña es igual, y que su valor es 0.5. Luego P(X>4)=1-( 0.0313 + 0.0625 + 0.1250 + 0.25 + 0.5) =
0.03125
En la práctica no es posible conocer el valor exacto de una realización de una v.a. contínua, ya que
al medir lo que se hace es clasificarla dentro de un intervalo más o menos amplio, dependiendo de
la precisión del aparato de medida. En este principio se basa la construcción del histograma. Si se
hace que la amplitud de los intervalos de clase sea cada vez menor, puede verse que los
histogramas tienen una curva cada vez más suave. El límite de los histogramas así construidos,
cuando n→8, y la amplitud de los intervalos tiende a cero, es una curva que recibe el nombre
de función de densidad de la v.a., y que se nota matemáticamente f(x) = F'(x).
Propiedades de f.- Para que una función sea función de distribución, debe cumplir las siguientes
condiciones: f(x) = 0
Hay que comentar que Relación entre F y f . f(x) = F'(X)
Función de densidad:
Media:
Varianza:
Función de densidad:
Para resolver una probabilidad, se sabe que:
Media:
Varianza:
EJEMPLO:
Supóngase que la duración (en horas) de cierto tubo de radio es una variable aleatoria continua X
con función de densidad.
a. ¿Cuál es la probabilidad de que un tubo dure menos de 200 horas si todavía funciona tras
150 horas de servicio?
Se aplica la fórmula sabiendo que el Valor a es 150 y que el Valor b es 200. Luego, la
respuesta será (e-0.01·200) - (e-0.01·150) = 0.0878
R
Media:
E(X)= μ
Varianza:
Var(X) = σ 2
En la práctica, si n > 30 y n·p·q > 5, una binomial Bi(n, p) se aproxima por una normal de la
forma. Otra aproximación útil, ésta referente a la distribución de Poisson es que cuando λ >
5 puede aproximarse por una.
EJEMPLO:
Cierto tipo de cuadernos escolares son empaquetados en mazos de 25 cuadernos cada uno por una
máquina que realiza el recuento y empaqueta de forma automática. Con el fin de verificar la
exactitud de la máquina, los mazos se pesan antes de enviarlos a las papelerías. Se sabe que el peso
de los cuadernos individuales es una variable aleatoria con distribución normal de media 40 g. y
desviación típica 3 g. Si se considera que un mazo tiene 25 cuadernos cuando su peso está
comprendido entre 975 y 1025 gramos, hallar la probabilidad de que un mazo que tiene 24
cuadernos sea considerado como si tuviese 25.
Se sabe que un mazo tiene 25 cuadernos, y que el peso de un cuaderno sigue una N(40, 3). Se
considera que un mazo tiene 25 cuadernos si su peso está en (975, 1025). Entonces la probabilidad
de que un mazo de 24 sea considerado como uno de 25 es igual a la probabilidad de que el peso de
ese mazo esté en (975, 1025).
Se halla la esperanza de peso, y la varianza de un mazo de 24: E[S24]=nº cuadernos· peso de los
cuadernos= 24·40 = 960 gramos. Var [S24]=. Para poder usar la tabla de la normal, hay que
tipificar loa datos. Lo hay que calcular es: P(975 = S24 = 1025) Por tanto se tipifica aplicando , y
se realiza el cálculo: =0.9999-0.8461=0.1539. Los valores F (4.42) y F(1.02) se buscan en las
tablas de la normal tipificada.
En teoría de probabilidad, la varianza o variancia (que suele representarse como ) de una variable
aleatoria es una medida de dispersión definida como la esperanza del cuadrado de la desviación de
dicha variable respecto a su media. O en pocas palabras, es la media de los residuos al cuadrado.
El término varianza fue acuñado por Ronald Fisher en un artículo publicado en enero de 1919 con
el título The Correlation Between Relatives on the Supposition of Mendelian Inheritance.
Definición:
Si tenemos un conjunto de datos de una misma variable, la varianza se calcula de la siguiente
forma:
Siendo:
Cada dato
Número de datos
Media aritmética de los datos
Variable aleatoria:
Aplicando este concepto a una variable aleatoria con media μ = E [X], se define su varianza,
Var(X) (también representada como o, simplemente σ2), como Desarrollando la definición
anterior, se obtiene la siguiente definición alternativa (y equivalente):
Si una distribución no tiene esperanza, como ocurre con la de Cauchy, tampoco tiene varianza.
Existen otras distribuciones que, aun teniendo esperanza, carecen de varianza. Un ejemplo de ellas
es la de Pareto cuando su índice k satisface 1 < k = 2.
Caso continuo
Si la variable aleatoria X es continua con función de densidad f(x), entonces donde y las integrales
están definidas sobre el rango de X.
Caso discreto
Si la variable aleatoria X es discreta con pesos x1 ↦ p1, ..., xn ↦ pn y n es la cantidad total de
datos, entonces tenemos
Distribución exponencial
La distribución exponencial de parámetro λ es una distribución continua con soporte en el
intervalo [0,8) y función de densidad
Tiene media μ = λ-1. Por lo tanto, su varianza es decir, σ2 = μ2.
Dado perfecto
Un dado de seis caras puede representarse como una variable aleatoria discreta que toma, valores
del 1 al 6 con probabilidad igual a 1/6. El valor esperado es (1+2+3+4+5+6)/6 = 3,5. Por lo tanto, su
varianza es: Propiedades de la varianza muestral.
MEDIA O ESPERANZA
La media llamada también valor esperado, esperanza matemática o simplemente esperanza de una
distribución de probabilidad discreta es la media aritmética ponderada de todos los resultados
posibles en los cuales los pesos son las probabilidades respectivas de tales resultados. Se halla
multiplicando cada resultado posible por su probabilidad y sumando los resultados. Se expresa
mediante la siguiente fórmula:
VARIANZA
La varianza es el promedio de las desviaciones al cuadrado con respecto a la media. La varianza
mide la dispersión de los resultados alrededor de la media y se halla calculando las diferencias
entre cada uno de los resultados y su media, luego tales diferencias se elevan al cuadrado y se
multiplican por sus respectivas probabilidades, y finalmente se suman los resultados.
Ejemplo ilustrativo:
Hallar la esperanza matemática, la varianza y la desviación estándar del número de caras al lanzar
tres monedas al aire.
Solución:
El espacio muestral es S = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
La probabilidad de cada punto muestral es de 1/8Se elabora las distribuciones de probabilidad y se
realiza los cálculos respectivos. Estos resultados se presentan en la siguiente tabla:
DISTRIBUCIONES DISCRETAS
INTRODUCCIÓN:
Una distribución de probabilidad es una representación de todos los resultados posibles de algún
experimento y de la probabilidad relacionada con cada uno.
Una distribución de probabilidad es discreta cuando los resultados posibles del experimento son
obtenidos de variables aleatorias discretas, es decir, de variables que sólo puede tomar ciertos
valores, con frecuencia números enteros, y que resultan principalmente del proceso de conteo.
Ejemplos de variables aleatorias discretas son:
0 1/4 = 0,25 =
25%
1 2/4 = 0,50 =
50%
2 1/4 = 0,25 =
25%
Solución:
El espacio muestral es S = {CC, CS, SC, SS}
La probabilidad de cada punto muestral es de 1/4, es decir, P(CC) = P(CS) = P(SC) = P(SS) = ¼ La
distribución de probabilidades del número de caras se presenta en la siguiente tabla:
INTERPRETACIÓN:
La probabilidad de obtener 0 caras al lanzar 2 monedas al aire es de 1/4 = 0,25 = 25%
La probabilidad de obtener una cara al lanzar 2 monedas al aire es de 2/4 = 0,5 = 50%
La probabilidad de obtener 2 caras al lanzar 2 monedas al aire es de 1/4 = 0,25 = 25%
3.5.1. DISTRIBUCIÓN BINOMIAL
DEFINICIÓN:
Cuando se dispone de una expresión matemática, es factible calcular la probabilidad de ocurrencia
exacta correspondiente a cualquier resultado específico para la variable aleatoria.
PROPIEDADES:
La muestra se compone de un número fijo de observaciones n Cada observación se clasifica en una
de dos categorías, mutuamente excluyentes (los eventos no pueden ocurrir de manera simultánea.
Ejemplo: Una persona no puede ser de ambos sexos) y colectivamente exhaustivos (uno de los
eventos debe ocurrir.
Ejemplo: Al lanzar una moneda, si no ocurre cruz, entonces ocurre cara). A estas categorías se las
denomina éxito y fracaso.
ECUACIÓN:
DEFINICIÓN
La distribución binomial es apropiada sólo si la probabilidad de un éxito permanece constante.
Esto ocurre si el muestreo se realiza con reemplazo en una población grande. Sin embrago, si la
población es pequeña y ocurre sin reemplazo, la probabilidad de éxito variará, y la distribución
hipergeométrica es que se utiliza.
FÓRMULA
Se calcula empleando la siguiente fórmula:
DÓNDE:
C = combinación
N = tamaño de la población
r = número de éxitos en la población
n = tamaño de la muestra
X = número de éxitos en la muestra
NOTAS:
Si se selecciona una muestra sin reemplazo de una población grande conocida y contiene
una proporción relativamente grande de la población, de manera que la probabilidad de
éxito varía de una selección a la siguiente, debe utilizarse la distribución hipergeométrica.
Ejemplo ilustrativo
Si se extraen juntas al azar 3 bolas de una urna que contiene 6 bolas rojas y 4 blancas. ¿Cuál es la
probabilidad de que sean extraídas 2 bolas rojas.
Solución:
Los datos son:
N =10; r = 6; n
= 3 y X= 2
Aplicando la
fórmula se
obtiene:
3.5.3. DISTRIBUCIÓN DE POISSON
INTRODUCCIÓN.
Muchos estudios se basan en el conteo de las veces que se presenta un evento dentro de un área de
oportunidad dada. El área de oportunidad es una unidad continua o intervalo de tiempo o espacio
(volumen o área) en donde se puede presentar más de un evento.
Algunos ejemplos serían los defectos en la superficie de un refrigerador, el número fallas de la red
en un día, o el número de pulgas que tiene un perro. Cuando se tiene un área de oportunidad como
éstas, se utiliza la distribución de Poisson para calcular las probabilidades si:
Le interesa contar las veces que se presenta un evento en particular dentro de un área de
oportunidad determinada. El área de oportunidad se define por tiempo, extensión, área,
volumen, etc.
FORMULA:
CONCLUSIÓN