Math 555, presentación del programa decision analyst stats 2.0
1. P (A | V) = P (A V) / P (V)
K= 1+3.3 log (n)
Decision Analyst STATS 2.0
ି
σ= మ
W= R/k
ୀ
,
ୀଵ
μ=
x̄= /n Ejercicio 6.1, página 223
Se titula: The Daily 3 Lottery λ
Ziz- Xi P (A V) = P (A) + P (V) – P (A V)
— mean/standard deviation
Por:
Emmanuel Guzmán Rodríguez
2. Introducción
• Aplicaré alguna de las fórmulas estudiadas
para abundar en la explicación del problema.
The "Daily 3" Lottery
Many states have a "daily 3" lottery The daily 3 is a uniformly distributed discrete random
variable whose values range from 000 through 999. There are 1,000 equally likely out-
comes, so the probability of any given three-digit number is 1/1,000. The theoretical char-
acteristics of this lottery are:
1 1
P( X— x)= = = — .001
b a+ 1 999 —0+ 1 1.000
a+b 0+999
1
1 -= 499_5
+1)2 -- I 11(999— 0 + 1)2— I
a= — 288.67
1 12
3. Extración de Datos
The "Daily 3" Lotter),
Many states have a "daily 3" lottery. The daily 3 is a uniformly distributed discrete random
variable whose values range from 000 through 999. There are 1,000 equally likely out-
comes. so theprobability ofanygiven three-digit number is 1/1.000. The theoretical char-
acteristics of this lottery are:
1 1
P(X = = = . 1
00
b — a ± 1 = 999 — 0 -1- 1 = 1,000
± b 0+999
ft = = 499_5
2
1/(17 a 1)2— 1
+ 1/(999 — 0 + 1)2— 1
= - _ — 288,67
12 12
Identificación de Variables:
1. Variables (b, a), b= límite superior, a= límite inferior (Rango= b-a);
2. Los otros números son dados por las fórmulas, ref. página 222;
3. Media= 499.5 (se identifica como la media, pero parece ser el Puntomedio);
4. Desviación Estándard= 288.67
4. Aplicación de Poisson con ayuda de STATS 2.0
0 : Decision Analyst STATS' 2.0
Sanzpie Size Determination
(Sample Size fir Pa_p !dation Percentage Estbnates ..
I
uL Results
Universe Size The Sample Size Should Be...
If univ.arse is less than 99:999-:replace 121
99:999 with the smallu numb
1.131)D
Maximum Acceptable Percentage Points.
of Error
Estimated Percentage Level
110%.or913% .2j
Desired Confidence Level
__•_ _•
1 -= _ • Decision Analyst
J The global leader in anab,tical research syslems
F
Calculate
MEW
640-6166 I www.d-ecisionanalystcom
5. ¿Puedo aplicar probabilidades de
Poisson?
• Requisitos:
– ¿Son sucesos impredecibles?,
– ¿Se puede obtener la probabilidad con eventos
discretos?,
– ¿La muestra es grande?, &
– ¿Y la probabilidad de éxito es pequeña?
6. Aplicación de la Probabilidad de Poisson
• Variables:
– N= 1,000
– P=.001
– lambda= 999*.001= 1.00,
– Buscar la probabilidad de X personas (o la probabilidad
de éxito de los tres números seleccionados) saquen los
números del sorteo Daily 3 Lottery.
– X=0; X=1; X=2; X=3.
Aplicar la fórmula o utilizar las tablas de
Poisson. 2I = k) = ' -' *
k
10. Conclusión
• El programa en sus funciones básicas es fácil de
utilizar y cubre algunas de las fórmulas estudiadas
en clase. Recomendaría utilizar otro programa
como excel, porque STATS 2.0 da un poco de
problema al utilizar sus funciones avanzadas.
11. Referencias
• Berenson, M. L. & Levine D. M. (1999) Basic Business Statistics: Concepts and
Applications (7th Ed.). Prentice-Hall Inc. Upper River, New Jersey 07458.
• Doane D., P & Seward L., E. (2011). Applied Statistics in Business & Economics
(3rd. e.d.). McGraw-Hill/Irwin, a business unit of the McGraw-Hill
Companies, Inc.: 1221 Avenue of the Americas, New York, NY 10020.
• Duncan, Cramer and Howitt D. (2004) The SAGE Dictionary of Statistics. SAGE
Publications Inc. 2455 Teller Road: Thousand Oaks, California 91320.
• Tallarida R. J. (2008) Pocket Book for integrals and Mathematical Formulas (4th
Ed.). Chapman & Hall/CRC, Taylor & Francis Group: 6000 Broken Sound
Parkway NW, Suite 300, Boca Raton, FL 33487-2742
• W. L. Morreno. (Course MATH 555, May @ July, 2011)
• Búsqueda de Videos (2011) Decision Analyst STATSTM 2.0. Obtenido el 7 de julio
de 2011, en www.Youtube.com; http://www1.teachertube.com &
http://www.scribd.com/
• STATS 2.0 (2011) Decision Analyst STATSTM2.0.0.2. Obtenido el 26 de mayo de
2011, en http://www.decisionanalyst.com/download.aspx
13. fl
Decision A liedyst STA ISrm 2.0
Click o n function below to start
Meari
rariance, Standard Dav-iatiljn
Sample Size Determination
Dependent Proportions Test
Difference - Two Percentages
Difference - Two Means
14. Decision Analyst STATS"' 2.0
•
•s
r -arianre, Standard Deviation
In.pam Results
Data E utry Mean Median Mode
Type in each numba.and press Enta.Return (or
Tab) to create dataset I 11.250 B. 12
12
9
Idioimuna Maximum. RanRe
13
3 IR 10
Stand rd Standard
"arc ane Deviatim Err CT
11.071 3.327 1..17€
Data Type
Papuhtion
maple Decision Analyst
ft. The global leader in analytical research systems
Cal cu I ate
MEM
817 640-6166 I
www. d eci si on an alyst. corn
15. Nombres de las Fórmulas
• Cantidad de clases, K= 1+3.3 log (n)
• Ancho de cada clase, W= R/k
• Media arithmética (n), x̄ f,ୀଵ Xi /n
=
మ
• Desviación Estándard, σ= ing (1 — n- ) ,
l
• Probabilidades, P (A | V) = P (A n V) / P (V) P (A U V) = P (A) + P (V) – P (A n V)
• P (Binomial), ି
= ୀ (:) x a
I,
• Media binomial, μ= nit
• Lambda, λ
• Desviación Estádard d lambda,
• Varianza, S = f,(x — x̄)^2/ n-1
18. Tabla de contenido
Introducción
Objetivos de la Presentación
Instrucciones de cómo usar la presentación
Dato Histórico
Utilidad
Propiedades de un Proceso de Poisson
La Distribución de Poisson
La Función
Ejemplos
La Tabla de la Probabilidad de Poisson
Ejemplos
Ejercicio de Redacción
La media y la Desviación Estandar
Resumen
Ejercicios de Prueba
Video de Repaso de Conceptos
Glosario de Términos
Referencias
19. Introducción
En este módulo se describe el uso de la distribución de Poisson
para obtener la probabilidad de ocurrencia de sucesos raros
cuyo resultado lo representa una variable discreta.
Se recomienda haber estudiado primero los módulos de las Reglas
de Probabilidad, el de Distribución Normal y luego el de
Distribución Binomial.
Este módulo va dirigido a todos los estudiantes de Administración
de Empresas en sus distintas concentraciones.
20. Objetivo General del Módulo
Esperamos que cuando termines esta presentación puedas
determinar cómo y cuándo se debe utilizar la Distribución de
Poisson para obtener las probabilidades de aquellas situaciones
gerenciales que ocurren de forma impredecible y ocasional.
21. Objetivos Específicos
Además esperamos que puedas:
1. Identificar las propiedades de una distribución poisson.
2. Determinar los valores de frecuencia p y segmento n para
establecer las bases para el cómputo de las probabilidades.
3. Determinar el promedio, la varianza y la desviación estándard
utilizando las varibles de la Distribución de Poisson.
22. Instrucciones de cómo usar la
presentación
La presentación inicia con las características que definen un
proceso de Poisson.
Se recomienda que tengas acceso a Internet mientras trabajas
la presentación.
Siempre que se presente la siguiente figura:
puedes presionarla para navegar adecuadamente
a través de toda la presentación.
23. Instrucciones de cómo usar la
presentación
Durante la lectura del módulo tendrás la oportunidad de enlazar
el glosario de términos y regresar al lugar de origen
presionando:
<
También encontrarás comentarios de apoyo y
retroalimentación en recuadros como el siguiente:
Notas de apoyo y
retroalimentación
Luego de leer el material que sirve de introducción, podrás
establecer enlaces que demuestran los conceptos teóricos.
24. Dato Histórico
La Distribución de Poisson se llama así
en honor a su creador el francés
Simeón Dennis Poisson (1781-1840),
Esta distribución de probabilidades fue
uno de los múltiples trabajos matemáticos
que Dennis completó en su productiva trayectoria.
25. Utilidad
La distribución de Poisson se utiliza en situaciones donde los sucesos son
impredecibles o de ocurrencia aleatoria. En otras palabras no se sabe el
total de posibles resultados.
Permite determinar la probabilidad de ocurrencia de un suceso con
resultado discreto.
Es muy útil cuando la muestra o segmento n es grande y la probabilidad
de éxitos p es pequeña.
Se utiliza cuando la probabilidad del evento que nos interesa se
distribuye dentro de un segmento n dado como por ejemplo distancia,
área, volumen o tiempo definido.
26. Ejemplos de la
Utilidad
La llegada de un cliente al negocio durante una hora.
Las llamadas telefónicas que se reciben en un día.
Los defectos en manufactura de papel por cada metro producido.
Los envases llenados fuera de los límites por cada 100 galones de
producto terminado.
La distribución de Poisson se emplea
para describir procesos con un elemento
en común, pueden ser descritos por una
variable aleatoria discreta.
27. Propiedades de un
Proceso De Poisson
1. La probabilidad de observar exactamente un éxito en el
segmento o tamano de muestra n es constante.
2. El evento debe considerarse un suceso raro.
3. El evento debe ser aleatorio e independiente de otros
eventos
Si repetimos el experimento n veces podemos
obtener resultados para la construcción de la
distribución de Poisson.
28. La Distribución de Poisson
La distribución de probabilidad de Poisson es un ejemplo de
distribución de probabilidad discreta.
La distribución de Poisson parte de la distribución binomial.
Cuando en una distribución binomial se realiza el experimento
muchas veces, la muestra n es grande y la probabilidad de
éxito p en cada ensayo es baja, es aquí donde aplica el
modelo de Distribución de Poisson.
Se tiene que cumplir que:
p < 0.10
p * n < 10
29. La Función P(x=k) Return
A continuación veremos la función de Probabilidad de la
Distribución de Poisson.
P (x = 1-0 = e - '*
k
Donde:
P(X=K) es la probabilidad de ocurrencia cuando la variable discreta
X toma un valor finito k.
λ = Lambda es la ocurrencia promedio por unidad (tiempo,
volumen, área, etc.). Es igual a p por el segmento dado. La
constante e tiene un valor aproximado de 2.711828
K es el número de éxitos por unidad
30. Glosario de Términos
Resultado Discreto – Son resultados con un número finito de
valores (3 defectos, menos de 8, hasta 5 etc.)
Suceso Raro – Un evento que ocurre con poca frecuencia.
Segmento - es un intervalo, porción, fragmento o tamaño de
muestra ya sea en unidades de distancia, área, volumen, tiempo
o cualquier otra medida.
Variable Aleatoria Discreta - Variable que puede obtener un
número finito de valores de forma impredecible o al azar.
Variable Discreta – Variable que puede obtener un
número finito de valores como 0, 1, 2, 3.
<
31. Referencias
Anderson, Sweeney, Estadísticas para administración y economía, 8tva edición, Thomson, México 2006
Newbold P., Statistics for Business And Economics, Prentice Hall, 5ta edición,New Jersey, 2003.
Bluman, Allan G. Statistics,6ta edición, Mc Graw Hil,New York, 2007.
http://cyber.gwc.cccd.edu/faculty/jmiller/Binom_Tab.pdf
http://stattrek.com/Tables/poisson.aspx#calculator
http://www.udc.es/dep/mate/estadistica2/documentos-pdf/dmtablas.pdf
http://karnak.upc.es/teaching/estad/MC/taules/com-usar-taules.pdf
http://www.capdm.com/demos/software/html/capdm/qm/poissondist/usage.html
http://www.uv.es/zuniga/09_La_distribucion_de_Poisson.pdf
http://www.matematicas.net/paraiso/download.php?id=formula/fr_poisson.zip
32. Michigan Lottery - Past Winning Numbers http://milottery.state.mi.us/msl-og-results.php
Michigan.gov Home Lottery Home | Site Map | Contact Lottery | FAQ Search
Past Winning Numbers DepartmentsiAgencies
> Mega Millions
Past Winning Numbers n Online Services
> Powerball
Daily 3 Midday Winning Numbers for
n Surveys
RSS Feeds
> Classic Lotto 47
7/3/2010 - 7/3/2011
> Raffle Quick Links
> Fantasy 5 • Commissioner M. Scott
Game Date Numbers Drawn
Bowen
> Keno! • 2009 Annual Report EMI
Sat. 07/03/10 696
> Daily 3 Game • 2009 Comprehensive Annual
> Daily 4 Game Financial Report EMI
Delly.32 Sun. 07/04/10 513 • Charitable Gaming
> Lucky Lines
• Problem Gambling Help
> Club Keno Available
Delly.32 Mon. 07/05/10 255
> The Jack Winners
> Expired Games
> Second Chance Drawing
Dilly'32 Tue. 07/06/10 329
Winners
> Top Unclaimed Prizes 1110442 Wed. 07/07/10 144
> Top Jackpots & Payouts
Games 1111d4.32 Thu. 07/08/10 682
Press Releases / Winners
Media Resources Delly.32 Fri. 07/09/10 970
Winners
Education Funding :06117.32 Sat. 07/10/10 381
Lottery Information
Publications
13610.32 Sun. 07/11/10 584
Retailer Resources
11210.32 Mon. 07/12/10 814
Delly.32 Tue. 07/13/10 614
Nitta2 Wed. 07/14/10 549
Nitta2 Thu. 07/15/10 532
Esily.32 Fri. 07/16/10 685
DutitriS2 Sat. 07/17/10 620
Beira2 Sun. 07/18/10 389
Mon. 07/19/10 858
'Lally 2
, ,''.; Tue. 07/20/10 950
1 of 17 7/4/2011 12:49 AM
49. 222 Applied Statistics in Business and Economics Return
;FABLE 6.5
Parameters a = lower limit
Uniform Discrete b = upper limit
Distribution 1
PDF P(X = x) =
Equally likely outcomes, because its result b-a+1
can only be one within the data selected.
CDF P(X < x) x-a+1
P (S) = P (U b- a + 1
Domain x =a,a +1,a + 2 ..... b
L04 a+b
Mean
Know the mean and 2
variance of a uniform
discrete model.
Standard deviation
I [(b -a) +1)2 -1
12
Random data generation in Excel .RANDBETWEEN(a,b)
Comments Used mainly as a benchmark, to generate
random integers, or to create other
distributions.
EXAMPLE When you roll one die, the number of dots forms a uniform discrete random variable
Rolling a nic with six equally likely integer values 1, 2, 3, 4, 5, 6, shown in the PDF in Figure 6.6. The
CDF is also shown in Figure 6.6.
DieRoll
For this example, the mean and standard deviation are
1 1
PDF P(X x)= 1 for x 1, 2, 6
b - a +1 6-1+1 6
a+b 1+6
Mean = 3.5
2 2
- a) + 1]2 -1 [(6 - 1) + 1]2 - 1
Std. Dev. ff = = 1.708
12
You can see that the mean (3.5) must be halfway between 1 and 6, but there is no way you
could anticipate the standard deviation without using a formula. Try rolling a die many
times, or use Excel to simulate the rolling of a die by generating random integers from
1 through 6. Compare the mean and standard deviation from your random experiment to the
values we calculated above.
FIGURE 6.6
PDF and CDF for Rolling a Die
P(X = x) for one Die --s x) for one Die
1.00 ---- --
.90 -
.80
.70
.10 .60
-a .08 .50
ci .06
t 2 .40 -
- .30 -
.04
.20 -
.02 .10 -
.00 .00
1 2 3 4 5 6 1 2 3 4 5 6
Number M Dots Showing on the Die Number of Dots Showing on the Die