Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Probabilidades: Devore Capı́tulo 3 Variables Aleatorias Discretas Material docente en preparación Facultad de Ciencias Económicas y Empresariales Universidad de los Andes May 31, 2021 c©Todo el contenido bajo protección de derecho de autor. 1 / 82 Capı́tulo 3 Contenido Introducción 3.1 Variables Aleatorias 3.2 Distribuciones de probabilidad para variables aleatorias discretas 3.3 Valores esperados 3.4 Distribución de probabilidad binomial 3.5 Distribuciones hipergeométricas y binomiales negativas 3.6 Distribución Poisson 2 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Repaso: Funciones y Gráficos; Rectas, Parábolas y Sistemas; Funciones Exponenciales y Logarı́tmicas Fuente: Texto de Haeussler & Paul. Definición: Variable aleatoria (va) Una variable aleatoria es una función X , X : S → R s → X (s) Esta y próxima láminas repasan tres definiciones importantes: 1) Rango (o recorrido) de X 2) Imagen directa de A ⊂ S 3) Imagen inversa de B ⊂ X (S) ⊂ R 3 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) 1) Rango (o recorrido) de X : Rec(X ) = {X (s), s ∈ S} Notación: Rec(X ) = X (S) 2) Imagen directa de A ⊂ S: X (A) = {X (s), s ∈ A} 3) Imagen inversa de B ⊂ R : X−1(B) = {s ∈ S,X (s) ∈ B} 4 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Ejemplo 3.1: Acceso a un servidor (va Bernoulli) Un/una alumn intenta ingresar a Canvas S = {a,n} a = alumno puede acceder (puerto disponible) n = alumno no puede acceder (puerto no disponible) X = variable aleatoria (va) que representa acceso: X (a) = 1 = representa ”acceso” X (n) = 0 = representa ”no acceso” 5 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Ejemplo 3.2: Números de teléfono aleatorios (va Bernoulli) Usted usa una función R para generar un número pseudo-aleatorio (llámelo s) con ocho dı́gitos. Algunos valores s corresponden a un número de teléfono. Si corresponde, entonces el número está en un directorio (guı́a de teléfonos). Para s ∈ S, defina la va X del siguiente modo: X (s) = { 1 si s está en el directorio 0 si s no está en el directorio 6 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Definición: Variable aleatoria Bernoulli Una va X se dice Bernoulli si y solo si X (S) = {0,1}, es decir, si y solo si el conjunto de valores de X es {0,1}. Ejemplo 3.3 (bombas en uso en estaciones de servicio) Basado en el Ejemplo 2.4 Ejemplo 3.4 (X = número de baterı́as examinadas) Ejemplo 3.5 (Y = altura sobre el nivel del mar en un lugar seleccionado) 7 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Dos tipos de vvaa: Variable aleatoria discreta X se dice discreta si y solo si X (S) es enumerable Variable aleatoria continua X se dice continua si y solo si X (S) es o bien un intervalo, o una unión de intervalos, y no hay puntos en X (S) con acumulación positiva de probabilidad. Es decir, para todo c ∈ X (S) se tiene P(X = c) = 0 Hay un tercer tipo de va (ni discreta ni continua) (el texto no la cubre) 8 / 82 Capı́tulo 3 3.1 Variables aleatorias (vvaa) Ejemplo 3.6 (Número de matrimonios sujetos a examen de sangre) Usted elige al azar parejas de casados. A cada persona de la pareja se le administra una prueba de sangre hasta que se encuentra una para con el mismo factor Rh. Sea, X = número de pruebas de sangre que usted administra. D = X (S) = ”rango de X ” = {2,4,6,8, . . .} Puesto que D = X (S) es enumerable, X es una va discreta. Devore: Ejercicios 1-10, pp 89 - 90 9 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Introducción: distribución de probabilidad entre los valores de una va discreta I Sea X una va discreta. Para una explicación más concreta, suponga que X (S) = {x1, . . . , xn} (finito) I El efecto de X es redistribuir la probabilidad (masa) de S en los valores x1, . . . , xn X distribuye la masa de S en los valores x0 = 0, x1 = 1, . . . , x6 = 6. Definición infomal: función frecuencia pX (x) = p(x) = masa acumulada en x . 10 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.7 (p. 91) Estación de servicio con seis bombas Sea X = número de bombas en uso en una hora dada del dı́a Suponga que la distribución de probabilidad de X es: x 0 1 2 3 4 5 6 p(x) 0.05 0.10 0.15 0.25 0.20 0.15 0.10 X (S) = {0,1,2,3,4,5,6} (finito) S queda particionado en seis conjuntos: S0,S1,S2,S3,S4,S5,S6, tales que, X (S0) = {0},X (S1) = {1}, . . . ,X (S6) = {6}. Otra forma de escribir esto es: Si s ∈ Si entonces X (s) = i , i = 0,1, . . . ,6 X asigna (redistribuye) la probabilidad (masa) de Si al entero i : P(S1) = P(X = 1) = probabilidad (masa) que X acumula en 1. (continúa . . . ) 11 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.7 (p. 91, cont.) x 0 1 2 3 4 5 6 p(x) 0.05 0.10 0.15 0.25 0.20 0.15 0.10 Calcule: 1) P(X ≤ 2) 2) P(X ≥ 3) 3) P(2 ≤ X ≤ 5) 4) P(2 < X < 5) 12 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Definición: función frecuencia (o distribución de probabilidad o función de masa de probabilidad). Sea X una va discreta con valores x1, x2, . . . (X (S) = {x1, x2, . . . xn} si X (S) es finito o, X (S) = {x1, x2, . . .} si X (S) es no finito). Sea x ∈ X (S) entonces, p(x) = P(X = x) = P({s ∈ S : X (s) = x}) = P(X−1({x})). Si x 6∈ X (S), se define p(x) = 0. Notación: pX (x) 13 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.8 (p. 91) Distribución de componentes defectuosos en seis lotes. Un proveedor esta por enviar seis lotes de componentes. El número de componentes defectuosos en cada lote es: Lote 1 2 3 4 5 6 No. defectuosos 0 2 0 1 2 0 El proveedor selecciona al azar un lote para enviarlo a un cliente. Sea X el número de defectuosos en este lote. Rec(X ) = ? Obtenga la función frecuencia (o distribución de probabilidad) p(x) =? Interpretación frecuentista 14 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.9 (p. 101, Ed. 9) Marta tiene que decidir si comprar un notebook o un computador de escritorio. ¿Qué variable aleatoria representa la decisión de Marta? En esa semana 20% de clientes que han comprado antes que ella han preferido notebooks. Escriba la función frecuencia p(x) de estas compras. Si Marta se comporta como los clientes que compraron antes que ella esa semana, escriba la función de frecuencia de la va que representa la decisión de Marta. Haga del gráfico de p(x) vs. x . 15 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.10 (pp. 92-93) Considere un grupo de cinco potenciales donantes de sangre, a,b, c,d y e, de los cuales sólo a y b tienen sangre tipo O+. El banco de sangre determina en orden aleatorio el tipo de sangre de cada individuo, hasta que identifica un individuo con tipo O+. Sea Y = número de exámenes de sangre hasta identificar un individuo con tipo O+. Determine la función masa de probabilidad de Y Haga el gráfico de la función de frecuencia (gráfico de lı́neas) (Texto sugiere “Histograma de probabilidad” para representar la función de frecuencia !NO use “Histograma” en este contexto!) 16 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas Ejemplo 3.11 (p. 94) Número de cursos que un estudiante inscribe (Estudio individual) 17 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / Parámetros Parámetro de una distribución de probabilidad Sea X una va Bernoulli. Entonces, para 0 < α < 1, la función de frecuencia de X es, p(x ;α) = 1− α si x = 0 α si x = 1 0 en otro caso (e.o.c.) Observe: a cada valor de α, 0 < α < 1, corresponde una función de frecuencia p(x ;α). Definición (temporal): Familia de distribuciones de probabilidad Una familia de distribuciones de probabilidad es un conjunto D de funciones de frecuencia. 18 / 82 Capı́tulo3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / Parámetros Definición (temporal): Parámetro Sea D un conjunto de funciones de frecuencia y sea A ⊂ R, tales que, π : A → D α → p(x ;α), es una biyección. Entonces, α se llama parámetro (de la familia) A se llama espacio de parámetros (o paramétrico) D se llama familia paramétrica de distribuciones π se llama parametrización (de D) 19 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / Parámetros Ejemplo p(x ;α) = 1− α si x = 0 α si x = 1 0 en otro caso (e.o.c.) 1 Determine A 2 Determine D 3 Determine la función de frecuencia π(α), para α = 0.7 4 Determine el valor de α que corresponde a p(1;α) = 0.6 20 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / Parámetros Ejemplo 3.12 (p. 95) Distribución geométrica Familia de distribuciones geométricas 21 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Definición: Función de distribución acumulada, o función de distribución (o fda, en inglés: cdf ) Sea X una va. La función de distribución acumulada es, F : R → [0,1] x → F (x), donde F (x) = P(X ≤ x) Notación: Frecuentemente se usa FX (x) en lugar de F (x). 22 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejemplo introductorio discreto (p. 95) Considere la función de frecuencia (Ejemplo 3.8), p(x) = 0.500, x = 0 0.167, x = 1 0.333, x = 2 0, en otro caso (e.o.c) Haga el gráfico de p F (0) =?, F (1) =?, F (2) =? x = 1.5 =⇒ F (x) =? x = 3.7 =⇒ F (x) =? Haga el gráfico de F Nota: P(X < x) ≤ P(X ≤ x) = F (x), para todo x ∈ R. En este ejemplo, dé un valor de x tal que, P(X < x) < P(X ≤ x). 23 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Especificación de la definición de fda para distribuciones discretas (p. 95) Propiedad La fda F (x) de una variable aleatoria discreta X con función frecuencia p(x) se puede escribir de la forma F (x) = P(X ≤ x) = ∑ y :y≤x p(y) (3.3) 24 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejemplo 3.13 (p. 96) Cont. Ejemplo 3.10 Y = “número de determinaciones de tipo de sangre” 25 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejemplo 3.14 (p. 96) Fda de la distribución geométrica p(x) = { (1− p)x−1 × p, x = 1,2, . . . 0, e.o.c. 1 F (x) =? 2 Gráfico de F (x) 3 Calcule pX (3) a partir de la fda 4 Calcule P(2 ≤ X ≤ 4) 26 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejemplo 3.14 Solución 1 Sea x ≥ 1, un entero. Ası́ p(x) = (1− p)x−1 × p. Sea q = 1− p. F (x) = x∑ i=1 p(i) = x∑ i=1 (1− p)i−1 × p = p × x−1∑ j=0 qj = p × 1− q x 1− q = 1− (1− p)x . La fórmula anterior es para x entero. Para x ∈ R arbitrario, F (x) = { 0, x < 1 1− (1− p)bxc, bxc ≤ x < bxc+ 1 , donde bxc = parte entera de x . 27 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA 1 Gráfico de F (flechas/escalones continuan hacia la derecha acercándose a 1 por abajo) 2 pX (3) = F (3)− F (2) = (1− (1− p)3)− (1− (1− p)2) = (1−p)2− (1−p)3) = (1−p)2(1− (1−p)) = p× (1−p)2. 3 P(2 ≤ X ≤ 4) = F (4)−F (1) = (1−(1−p)4)−(1−(1−p)1) = (1− p)− (1− p)4 = (1− p)× (1− (1− p)3). 28 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Proposición Sean a y b dos (números) reales tales que a ≤ b. Entonces, P(a ≤ X ≤ b) = F (b)− F (a−), donde, a− = mayor valor posible de X estrictamente a la izquierda de a. En particular: si (rango de X ) X (S) = Z (enteros), y si a,b, son enteros tales que a < b, entonces, P(a ≤ X ≤ b) = P(X ∈ {a,a + 1, . . . ,b}) = F (b)− F (a− 1). Con a = b, uno obtiene P(X = a) = F (a)− F (a− 1). 29 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejemplo 3.15 (p 98) Número de dı́as de ausencia por enfermedad Dado F (x), calcule P(a ≤ X ≤ b) y P(X = a) Estudio individual Su tarea Resolver: Ejercicios 11-28, pp 98 - 100 (Devore) 30 / 82 Capı́tulo 3 3.2 Distribuciones de probabilidad para variables aleatorias discretas / FDA Ejercicio 24 (p. 99) Una compañı́a de seguros ofrece a sus asegurados varias opciones de pago de primas. Para un asegurado seleccionado al azar, sea X = número de meses entre pagos sucesivos. La función de distribución acumulativa es la siguiente: F (x) = 0 x < 1 0.30 1 ≤ x < 3 0.40 3 ≤ x < 4 0.45 4 ≤ x < 6 0.60 6 ≤ x < 12 1.00 x ≥ 12 a. ¿Cuál es la función de masa de probabilidad de X? b. Use la función de distribución acumulada para calcular P(3 ≤ X ≤ 6) y P(4 ≤ X ). 31 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Estudie las Secciones: 3.3 Valores Esperados 3.4 Distribución de probabilidad binomial 3.5 Distribuciones hipergeométricas y binomiales negativas 3.6 Distribución de probabilidad Poisson 32 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo introductorio: Una universidad tiene 15000 estudiantes Sea X = “número de cursos que un estudiante inscribe” Función de frecuencia y frecuencia de alumnos que inscriben x cursos (x = 1, . . . ,7) x 1 2 3 4 5 6 7 pX (x) 0.01 0.03 0.13 0.25 0.39 0.17 0.02 No inscritos 150 450 1950 3750 5850 2550 300 Promedio de cursos inscritos por alumno: 1× 150 + 2× 450 + 3× 1950 + 4× 3750 + 5× 5850 + 6× 2550 + 7× 300 15000 = 4.57 Esta suma es de la forma: 1×p(1)+2×p(2)+3×p(3)+4×p(4)+5×p(5)+6×p(6)+7×p(7) 33 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo introductorio (cont.): En un estudio con los datos: x 1 2 3 4 5 6 7 No. inscritos 150 450 1950 3750 5850 2550 300 Uno puede calcular el número promedio de cursos por alumnos (que arroja 4.57 cursos por alumno). Considere el siguiente ejemplo que no usa datos (pero usa una distribución de probabilidad) Lance un dado con 7 caras. Ud. recibe un premio asociado a cada cara: x (cara) 1 2 3 4 5 6 7 pX (x) 0.01 0.03 0.13 0.25 0.39 0.17 0.02 Premio S ($) 1 2 3 4 5 6 7 Este ejemplo motiva la siguiente definición 34 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Definición: valor esperado de una va discreta Sea X una va discreta con un conjunto de valores posibles D (es decir X (S) = D) y función de frecuencia p(x). El valor esperado o valor medio de X , es E(X ) = µX = ∑ x∈D {x × p(x)} . Nota: Si D = {xi : i = 1, . . . ,n}, entonces E(X ) = ∑n i=1 xi × p(xi). Si D = {xi : i = 1,2, . . .}, entonces E(X ) = ∑∞ i=1 xi × p(xi). 35 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.16 (p. 101) (estudio individual) Considere la tabla del ejemplo introductorio (Lance un dado con 7 caras. Ud. recibe un premio asociado a cada cara) x (cara) 1 2 3 4 5 6 7 pX (x) 0.01 0.03 0.13 0.25 0.39 0.17 0.02 Premio S ($) 1 2 3 4 5 6 7 Si usted concibe un espacio muestral finito donde un individuo obtiene puntaje x con probabilidad p(x), entonces el valor esperado tambien se llama “media poblacional” Nota: En este ejemplo el valor esperado es µX = 4.57. Este valor no es uno de los valores de la VA X . 36 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.17 (p. 101) Escala Apgar (estudio individual) Ejemplo 3.18 (p. 101) Valor esperado de una va Bernoulli(p) Ejemplo 3.19 (p. 101) Valor esperado de una va Geométrica: Geom(p) Ejemplo 3.20 (p. 101) (estudio individual) Una va con valor esperado no finito. Función frecuencia: p(x) = { k/x2, x = 1,2,3, . . . 0, e.o.c. La serie: ∑∞ i=1 xp(x) es k ∑∞ i=1(1/x). Esta serie no converge. Luego, el valor esperado de X no existe 37 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Valor esperado de una función de una va En muchas situaciones interesa el valor esperado de h(X ) en lugar del valor esperado de X . Ejemplo 3.21:Función de una va; Inventario de Libros Una librerı́a adquiere diez (10) ejemplares de un libro a $6.00 cada uno, para venderlos a $12.00. Después de 3 meses, la librerı́a puede devolver los ejemplares que no vendió por $2.00 c\u. Si X es el número de ejemplares vendidos, entonces el ingreso neto es, h(X ) = 12X + 2(10− X )− (6× 10) = 10X − 40, con Rec(X ) = {0,1, . . . ,10} 38 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas El enfoque inmediato para calcular el valor esperado de h(X ) usa la definición de este valor: Defina la va Y = h(X ), y luego use la definición de valor esperado con Y , E(Y ) = ∑ y∈Rec(Y ) y × pY (y). Nota: Rec(Y ) es Y (S) = h(X(S)) Este enfoque es inconveniente porque el cálculo de la función frecuencia pY (y) es a menudo engorroso El siguiente ejemplo sugiere una forma generalmente más expedita para calcular E(h(X )) 39 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.22 Sea X el número de cilindros del motor de un auto que va a ser afinado. El costo del afinamiento depende de X : h(X ) = 20 + 3X + 0.5X 2. Como X es una variable aleatoria, también lo es h(X ). Denote esta va por Y . Es decir, Y = h(X ). x 4 6 8 h(x) 40 56 76 p(x) .5 .3 .2 D∗ = Y (S) = {40,56,76} E(Y ) = ∑ D∗ ypY (y) = . . . = ∑ D h(x)pX (x) = E [h(X )] 40 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Proposición Sea X va con función frecuencia pX . Sea h(x) una función definida sobre X (S) y con valores en R. Entonces, E(h(X )) = ∑ x∈X(S) h(x)× pX (x). 41 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.21: (Cont.) Función de una va; Inventario de Libros Cálculo con Recuerde: h(X ) = 10X − 40, X (S) = {0,1, . . . ,10}, El problema ahora es calcular E(X ) = ∑10 i=0 i × pX (i) El enunciado no provee la función de frecuencia pX . Suponga que X es uniforme sobre X (S) : pX (i) = 1/11, i ∈ X (S). E(X ) = ∑10 i=0 i × pX (i) = 1 11 × 10×11 2 = 5. Cálculo simple de E(X ) con x <- 0:10 # guardar en x los valores de X x # hacer que R muestre el contenido de x p X <- rep(1/11,11) # calcular frecuencias p X # R muestra el contenido de p X x * p X sum(x*p X) # Calculo del valor esperado sum( 0:10 )/11 # Calculo de E(X) en una linea 42 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.21: (Cont.) Función de una va; Inventario de Libros Cálculo con Recuerde: h(X ) = 10X − 40, X (S) = {0,1, . . . ,10}, Cálculo simple de E(h(X )) con h.x <- 10*x - 40 # valores de h(x), # con x<-0:10 h.x * p X # calculo intermedio sum( h.x*p X ) # Calculo E(h(X)) Definición de función en R: 43 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Ejemplo 3.21: (Cont.) Función de una va; Inventario de Libros Cálculo con Recuerde: h(X ) = 10X − 40, X (S) = {0,1, . . . ,10}, Cálculo simple de E(h(X )) con h<-function(x)10*x - 40 # definicion de la funcion h(x) en R h(5) # ejemplo:argumento es un numero x<-0:10 h(x) # argumento es el arreglo 0:10 h.x <- h(x) # guarde los valores de h(x) in h.x h.x * p X # ver resultado intermedio sum( h.x*p X ) # calculo E(h(X)) 44 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Cuidado!! En general, E(h(X )) 6= h(E(X )). Ejemplo: Sea X una va con pX (0) = 1/2,pX (2) = 1/2. Luego, E(X ) = 1 Sea Y = h(X ) = X 2. Luego, Rec(Y ) = {0,4}, y pY (0) = 1/2, pY (4) = 1/2. E(Y ) = 4× (1/2) = 2. Ası́, h(E(X )) = h(1) = (1)2 = 1, pero E(h(X )) = E(Y ) = 2. Ejemplo 3.23 Venta de Computadores (Estudio individual) 45 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas Reglas de Valor Esperado (p. 104) Proposición Sea X una variable aleatoria. Sea h(x) = ax + b. Entonces, E(aX + b) = aE(X ) + b. 46 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas / Varianza Definición de varianza (caso discreto) (p. 105) Sea X una va discreta con función de frecuencia pX y valor esperado µ = E(X ). Se define la varianza de X como, Var(X ) = σ2X = ∑ x∈X(S) (x − µ)2 × pX (x) = E((X − µ)2). La desviación estándar de X es σX = √ σ2X . 47 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas / Varianza Ejemplo 3.24 (Ej. 3.22. Cont.) Número de cilindros de un auto (Estudio individual) x 4 6 8 p(x) .5 .3 .2 E(X ) = 5.4 Var(X ) = σ2X = ∑ x=4,6,8 (x − 5.4)2 × p(x) = (4− 5.4)2 × 0.5 + (6− 5.4)2 × 0.3 + (8− 5.4)2 × 0.2 = 2.44. σX = √ 2.44 = 1.562. 48 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas / Varianza Fórmula abreviada para la varianza (p. 105) Var(X ) = E(X 2)− µ2 = E(X 2)− E(X )2. Ejemplo 3.25 (p. 105) Número de cilindros de un auto (Estudio individual) E(X ) = 5.4 E(X 2) = ∑ x=4,6,8 x2 × p(x) = 42 × 0.5 + 62 × 0.3 + 82 × 0.2 = 31.6 Var(X ) = E(X 2)− E(X )2 = 31.6− 5.42 = 2.44 49 / 82 Capı́tulo 3 3.3 Valores esperados de vvaa discretas / Varianza Reglas para la varianza (p. 105) Var(aX + b) = σ2aX+b = a 2σ2X , y σaX+b = |a|σX . En particular, σaX = |a|σX , y σX+b = σX . Ejemplo 3.26 (p. 106) Ventas de computadoras del ej. 3.23 (Estudio individual) Ejercicios Sec. 3.3 (29-45) Hacerlos TODOS Problema 34: averigue el valor de la serie que necesita. 50 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Muchos experimentos tienen exacta o aproximadamente las siguientes caracterı́sticas: 1 El experimento consta de una secuencia de n experimentos Bernoulli, llamados ensayos, donde n se fija antes del experimento. 2 Cada ensayo da por resultado uno de los mismos dos resultados posibles (ensayos dicotómicos), que se denotan como éxito (E) y falla (F). 3 Los ensayos son independientes: el resultado en cualquier ensayo particular no influye en el resultado de cualquier otro ensayo. 4 La probabilidad de éxito es constante de un ensayo a otro; esta probabilidad se denota por p. 51 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Experimento binomial Un experimento que satisface las condiciones 1-4 se llama experimento binomial 52 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Ejemplo 3.27. Lanzamiento de moneda (descripción, población no finita, experimento es binomial). Ejemplo 3.28. Color de semillas de arvejas (descripción, población no finita, experimento es binomial). Ejemplo 3.29. Restaurantes (descripción, población finita, experimento no es binomial) Ejemplo 3.30. Conductores con licencia (población finita muy grande, experimento es aproximadamente binomial) Regla: Criterio para definir cuándo una población finita de tamaño N permite usar el modelo binomial: n ≤ 0.05× N. 53 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Definición: VA binomial La variable aleatoria binomial X asociada con un experimento binomial que consiste en n ensayos se define como X = número de E (éxitos) entre los n ensayos. Notación: X ∼ Bin(n,p). Notación (Devore) b(x ;n,p) = función de frecuencia de una VA binomial con parámetros n y p. 54 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Teorema Sea p ∈]0,1[, y n > 0 entero. b(x ;n,p) = { (n x ) px(1− p)n−x , x = 0,1, . . . ,n 0, e.o.c. Parámetros de esta distribución: n y p. Generalemente n es fijo, y p es el único parámetro. 55 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Notación (Devore) B(x ;n,p) = P(X ≤ x) = función de distribución acumulada de una VA binomial con parámetros n y p. 56 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Ejemplo 3.31. Bebidas de Cola A cada uno de seis bebedores de refrescos de cola seleccionados al azar se le sirve un vaso de refresco de cola A y uno de refresco de cola B. Los vasos son idénticos excepto por un código en el fondo para identificar el refresco de cola. Suponga que no hay una tendencia entre los bebedores de refresco de cola de preferir un refresco de cola al otro. Entonces, p = P(un individuo seleccionado prefiere A) = 0.5. Sea X = número de individuos entre los seis que prefieren A, X ∼ Bin(6,0.5). Por lo tanto, P(X = 3) = b(3;6,0.5) =? P(3≤ X ) = ∑6 x=3 b(x ;6,0.5)) = ∑6 x=3 (6 x ) (0.5)x(0.5)6−x =? P(X ≤ 1) = ∑1 x=0 b(x ;6,0.5) =? 57 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial https://stat.ethz.ch/R-manual/R-devel/library/ stats/html/Binomial.html dbinom(x, size, prob, log = FALSE) pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE) qbinom(p, size, prob, lower.tail = TRUE, log.p = FALSE) rbinom(n, size, prob) 58 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Advertencia: Si en una función usted usa (argumento = valor), entonces R usa este valor sin ambiguedad. no usa la forma (argumento = valor), entonces R asignaciona de valores a argumentos en el orden que ellos aparecen en la definición de la función. Ejemplo dbinom(x, size, prob, log = FALSE) # sintaxis de la definicion dbinom(x=6, size=10, prob=0.5, log = FALSE) dbinom(6, 10, 0.5) # asignacion de valores a # argumentos en orden: x, size, prob dbinom(x=6, size=10, prob=0.5) # asignacion segun nombres x, size, prob dbinom(prob=0.5, size=10, x=6) # asignacion deseada dbinom(0.5, 10, 6) # R usa x=0.5, size=10, prob=6 59 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Ejemplo 3.31. Bebidas Cola P(X = 3) = b(x ;n,p) = b(3;6,0.5) =? > dbinom(x=3, size=6, prob=0.5) [1] 0.3125 P(X ≤ 1) = B(x = 1;n = 6,p = 0.5) =? > pbinom(q=1, size=6, prob=0.5) [1] 0.109375 P(3 ≤ X ) = 1− B(x = 2;n = 6,p = 0.5) =? > 1 - pbinom(q=2, size=6, prob=0.5) [1] 0.65625 Ejemplo. Calcule P(45 < X < 55) para X ∼ Bin(100,0.5) Forma 1: con la función dbinom() sum(dbinom(46:54, 100, 0.5)) Forma 2: con la función pbinom() pbinom(54, 100, 0.5) - pbinom(45, 100, 0.5) 60 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Uso de funciones qbinom(), rbinom() qbinom(p=0.109375, size=6, prob=0.5) qbinom(p=0.11, size=6, prob=0.5) Generación de números pseudo-aleatorios con distribución binomial: rbinom(n=1, size=6, prob=0.5) # n = No. de experimentos Ejemplo 3.32. Prueba de resistencia Ejemplo 3.33. Servicio durante garantı́a (Estudio individual) 61 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Media y Varianza de la distribución Binomial Sea p ∈]0,1[, y n > 0 entero. Sea X una va con distribución Bin(n,p). Entonces, E(X ) = np, y Var(X ) = npq, donde q = 1− p. Ejemplo Gráfico de la función frecuencia Bin(n,p) plot(x=0:10, dbinom(x=0:10, size=10, prob=.5), xlab="x", ylab="p(x)" ) title(main="Funcion frecuencia Bin(n,p)") 62 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Ejemplo Gráfico de la FDA Bin(n,p) plot(x=0:10,y=pbinom(q=0:10,size=10,prob=.5), xlab="x", ylab="F(x)") title(main="FDA Bin(n,p)") Ejemplo Generación de números pseudo-aleatorioas Bin(n,p) rbinom(n=1,size=10,prob=.5) rbinom(n=20,size=10,prob=.8) 63 / 82 Capı́tulo 3 3.4 Distribución de probabilidad binomial Ejemplo 3.34 Número de compras con tarjeta de crédito. (Estudio individual) Ejercicios: Sec. 3.4 (46-67) (pp. 113-115). Hacerlos TODOS 64 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Distribución hipergeométrica Las suposiciones que conducen a la distribución hipergeométrica son las siguientes: 1 La población o conjunto de donde se toma la muestra se compone de N individuos, objetos o elementos (población finita). 2 Cada individuo puede ser caracterizado como éxito (E) o fracaso (F) y hay M éxitos en la población. 3 Se selecciona una muestra de n individuos sin reemplazo de tal modo que cada subconjunto de tamaño n es igualmente probable de ser seleccionado. Variable aleatoria de interés: X = número de éxitos en la muestra. 65 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Esquema del experimento hipergeométrico La distribución de probabilidad de X depende de los parámetros n,M y N. La probabilidad de interés es, P(X = x) = h(x ;n,M,N). Ejemplo 3.35 (Estudio individual) 66 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Distribución Hipergeométrica Sea X el número de éxitos (E) en una muestra aleatoria de tamaño n, extraı́da de la población con M éxitos y (N −M) fracasos. La distribución de probabilidad de X se llama hipergeométrica, y tiene función de frecuencia, P(X = x) = h(x ;n,M,N) = (M x ) × (N−M n−x )(N n ) , con x entero tal que max(0,n − N + M) ≤ x ≤ min(n,M). 67 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Distribución Hipergeométrica: notaciones Devore y R 68 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Ejemplo 3.36: Doble muestreo Investigadores sospechan que un cierto animal está en peligro de extinción en una cierta región. Los investigadores capturan, marcan y luego liberan cinco individuos (animales) para que se mezclen con la población. Después de mezclarse, se selecciona una muestra aleatoria de 10 de estos animales. Sea X el número de animales marcados en la segunda muestra. Si hay 25 animales en la región de estudio, calcule la probabilidad de los eventos: a) X = 2 y b) X ≤ 2 69 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas https://stat.ethz.ch/R-manual/R-devel/library/ stats/html/Hypergeometric.html dhyper(x, m, n, k, log = FALSE) phyper(q, m, n, k, lower.tail = TRUE, log.p = FALSE) qhyper(p, m, n, k, lower.tail = TRUE, log.p = FALSE) rhyper(nn, m, n, k) 70 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas x, q vector of quantiles representing the number of white balls drawn without replacement from an urn which contains both black and white balls. m the number of white balls in the urn. n the number of black balls in the urn. k the number of balls drawn from the urn. continua... 71 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas p probability, it must be between 0 and 1. nn number of observations. If length(nn) > 1, the length is taken to be the number required. 72 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Ejemplo 3.36: Doble muestreo (cont.) n = 10 = tamaño de la muestra M = 5 = número de animales marcados N = 25 = número de animales P(X = x) = h(x ;n,M,N) = ( M x )×( N−M n−x ) (Nn) , a) P(X = 2) = h(x = 2;n = 10,M = 5,N = 25) = b) P(X ≤ 2) = ∑2 x=0 h(x ;n = 10,M = 5,N = 25) = Sol: a) dhyper(x=2, m=5, n=25-5, k=10, log = FALSE) [1] 0.3853755 Sol: b) phyper(q=2, m=5, n=25-5, k=10, log = FALSE) [1] 0.6988142 73 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Ejemplo 3.36: Doble muestreo (cont.) 74 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Proposición Sea X una variable aleatoria hipergeométrica con función de frecuencia h(x ;n,M,N). Entonces, E(X ) = n × M N Var(X ) = N − n N − 1 × n × M N × ( 1− M N ) . Si p = M/N = fracción de E en la población de N artı́culos, entonces, E(X ) = n × p Var(X ) = N − n N − 1 × n × p × (1− p). N−n N−1 = factor de corrección por población finita. 75 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Distribución binomial negativa (BN) La distribución BN modela experimentos que satisfacen las siguientes condiciones. 1 El experimento consiste en una secuencia de ensayos independientes. 2 Cada ensayo puede dar por resultado un éxito (E) o un fracaso (F). 3 La probabilidad de éxito es constante de un ensayo a otro, por lo tanto P(E en el ensayo i) = p, i = 1,2,3, . . . . 4 El experimento continúa hasta observar r éxitos, donde r es un entero positivo pre-especificado. Variable aleatoria de interés: X = número de fracasos que preceden al éxito r 76 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Esquema del experimento binomial negativo Nota: la definición de la va de interés puede cambiar. Se usa también: Y = número de ensayos hasta que se observa el éxito r X (S) = {0,1,2, . . .}Y (S) = ? 77 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Esquema del experimento binomial negativo La función de frecuencia de X es (P(E) = p,0 < p < 1), P(X =x ; r ,p) = nb(x ; r ,p) =P(r − 1 E’s en los primeros x + r − 1 ensayos )× P(E) = ( x + r − 1 r − 1 ) pr−1(1− p)x × p = ( x + r − 1 r ) pr (1− p)x , x = 0,1,2, . . . . 78 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas http://stat.ethz.ch/R-manual/R-devel/library/ stats/html/NegBinomial.html dnbinom(x, size, prob, mu, log = FALSE) pnbinom(q, size, prob, mu, lower.tail = TRUE, log.p = FALSE) qnbinom(p, size, prob, mu, lower.tail = TRUE, log.p = FALSE) rnbinom(n, size, prob, mu) Nota: argumentos x y size correponden a x y r en el texto de Devore. 79 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas size target for number of successful trials, or dispersion parameter (the shape parameter of the gamma mixing distribution). Must be strictly positive, need not be integer. prob probability of success in each trial. 0 < prob <= 1. mu alternative parametrization via mean: see Details. 80 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Ejemplo 3.38: Estudio individual (p. 119) El caso especial r = 1: distribución geométrica. Función frecuencia: nb(x ; r = 1,p) = (1− p)x × p, x = 0,1,2, . . . Nota: en una secuencia de ensayos Bernoulli con p = P(E), X = número de Fs antes del primer E E(X ) =? Y = número de ensayos hasta observar el primer E. Y = X + 1 E(Y ) =? = E(X ) + 1. 81 / 82 Capı́tulo 3 3.5 Distribuciones hipergeométricas y binomiales negativas Proposición Si X es una variable aleatoria binomial negativa con función frecuencia nb(x ; r ,p), entonces E(X ) = r(1− p) p , Var(X ) = r(1− p) p2 Ejercicios Sec. 3.5 (68-78) (pp. 120-121). Hacerlos TODOS 82 / 82
Compartir