Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Estadística Teoría Económica Teoría de la probabilidad Introducción Los inicios de la estadística se encuentran a mediados del siglo XVIII, en estudios de probabilidad motivados por el interés en los juegos de azar, por lo tanto, la teoría generada de “caras o cruces” y de “rojo o negro” Pronto encontró aplicaciones actuariales y en algunos aspectos de las ciencias sociales. Después, L. Boltzmann, J. Gibbs y J. Maxwell introdujeron a la física la probabilidad y la estadística, y en este siglo se han encontrado aplicaciones en todas las fases del esfuerzo humano que en alguna forma significan elementos de incertidumbre o riesgo. Los nombres que se relacionan en forma más prominente con el crecimiento de la estadística matemática en la primera mitad de este siglo son los de R.A. Fisher, J. Neyman, E.S. Pearson y A. Wald. Más recientemente, el trabajo de R. Shlaifer, L. J. Savage y otros, ha dado ímpetu a teorías estadísticas basadas esencialmente en métodos del clérigo inglés, Thomas Bayes que datan del siglo XVIII. Teoría de la probabilidad Azar Desconocimiento Incertidumbre Probabilidad El azar está relacionado con el desconocimiento. En una situación aleatoria y la parte esencial es que no sabemos si el objeto de una muestra tiene una o otra característica. Claro que con experiencia en el proceso es posible cuantificar de una manera numérica qué tan probable es que sea de una u otra característica Si no podemos evaluar qué tan factible es cada característica del objeto, tenemos una situación de incertidumbre. Por el contrario, si podemos tener una idea de qué tan probables son los diferentes resultados y entonces tendremos una situación de riesgo. La manera más antigua de medir probabilidades, el concepto clásico de probabilidad, se aplica cuando todos los resultados posibles son igualmente probables. Por consiguiente podemos afirmar que si hay N posibilidades igualmente probables, de las cuales una debe ocurrir y n se consideran favorables o como un “acierto”, entonces la probabilidad de lograr un “acierto” está dada por la razón La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento aleatorio. Probabilidad Teoría de la probabilidad Azar Una desventaja importante del concepto clásico de probabilidad es su limitada aplicación, ya que hay muchas situaciones en que las posibilidades que se presentan no pueden considerarse igualmente probables. Entre los diversos conceptos de probabilidad, el más favorecido es la interpretación de la frecuencia o interpretación frecuentita, según la cual la probabilidad de un evento es la proporción de las veces en que ocurrirán a la larga eventos del mismo tipo. Posteriormente, surge el enfoque o método axiomático, es en el cual las probabilidades se definen como “conceptos matemáticos” que se comportan según ciertas reglas bien definidas. En estadística se acostumbra denominar experimento a un proceso de observación o medición cualquiera. Lo que se obtiene de un experimento, ya sea lectura de instrumentos, cuentas, respuestas “si” o “no” o valores obtenidos a través de muchas operaciones, se denominan resultados del experimento. Experimento aleatorio Objeto del estudio estadístico. Conjunto de los individuos o entes que constituyen el objeto de un determinado estudio y sobre el que se desea obtener ciertas conclusiones. Tipos de Población Población real Población abstracta Ejemplo: Un estudio sobre la intención de voto de los ciudadanos españoles población el conjunto de los aproximadamente 30 millones de españoles con derecho a voto. Se trata de población con una existencia física real, constituida por un número finito, aunque posiblemente muy elevado, de individuos. Ejemplo: Una investigación sobre el rendimiento de una nueva variedad de trigo. La población son las parcelas plantadas con dicha variedad que puedan existir en el futuro (abstracta) y los individuos que constituyen la población, pueden irse generando mediante la realización de un determinado proceso. Teoría de la probabilidad Probabilidad Población Teoría de la probabilidad Probabilidad Espacio de muestra El conjunto de todos los posibles resultados de un experimento recibe el nombre de espacio de muestra y suele representarse por medio de la letra S. Cada resultado o producto de un espacio de muestra se conoce como el elemento del espacio de muestra o simplemente como punto de la muestra. Si un espacio de muestra tiene un número de elementos finito, podemos citar los elementos en la notación de conjuntos usual; por ejemplo, el espacio de muestra de los posibles resultados del lanzamiento al aire de una moneda puede escribirse como: S = {C,X} Donde C y X representan cara y cruz. Ejemplo: Si en una caja hay 10 manzanas y 2 están echadas a perder (¡al menos en este momento!), al extraer tres manzanas y ver cuantas son buenas podemos obtener; el espacio muestral es: { Tres manzanas }. Cuando se tiene un espacio muestral llamamos, formalmente evento o suceso a cualquier subconjunto del espacio muestral. A cualquier evento puede asignársele un conjunto de puntos de muestra, que constituyen un subconjunto de un espacio de muestra adecuado. Este subconjunto representa todos los elementos para los cuales ocurre el evento. En muchos problemas de probabilidad nos interesan “eventos” que son, en realidad, combinaciones de dos o mas eventos, que se forman tomando uniones, intersecciones y complementos. Los espacios de muestra y eventos, en particular relaciones entre eventos, a menudo se presentan por medio de diagramas de Venn, en los cuales el espacio de muestra está representado por medio de un rectángulo, en tanto que los eventos se representan a través de regiones contenidas en el rectángulo, por lo general a través de círculos o partes de círculos. Teoría de la probabilidad Probabilidad Evento Teoría de la probabilidad Probabilidad Evento Ejemplo: Al comprar llantas para mi coche, puede ser que manifiesten un defecto de fabricación dentro del período de garantía total y que el fabricante deba reponerlas. La población son todas aquellas llantas que se regresan por reclamo de garantía El espacio muestral en este experimento es: S = { T, P1, P2, P3, N, OK }. Con la siguiente notación Situación de la llanta Pago T 100% P1 50% P2 30% P3 10% N 0% OK Sin defecto Un evento posible es que no se pague dinero, lo cual agrupa a dos puntos muestrales (variables aleatorias) N y OK. Probabilidad de un evento Axioma 1 Axioma 2 La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento aleatorio. Los axiomas por si mismos no requieren demostración, pero si se va a aplicar la teoría resultante, debemos demostrar que se cumplen los axiomas cuando damos a las probabilidades un significado “real”. La probabilidad de un evento es un numero real no negativo; o sea, P(A)≥ 0 para cualquier subconjunto A que pertenece a S. P(S) = 1 La certeza se identifica con una probabilidad de 1 (después de todo, siempre se supone que debe ocurrir una de las posibilidades de S y es a este evento cierto que asignamos una probabilidad de 1. Axioma 3 Probabilidad de un evento Si A1, A2, A3,… AN es una secuencia finita o infinita de eventos mutuamente excluyentes de S entonces P(A1 U A2 U A3 U …AN)= P(A1) + P(A2) + P(A3) + … + P(AN) En caso mas simple; o sea, en relación con dos eventos mutuamente excluyentes A1 y A2. Si un evento ocurre, por ejemplo 28% del tiempo, otro 39% del tiempo y ambos eventos no pueden incidir en forma simultanea, entonces uno o el otro ocurrirá 28 + 39 = 67% del tiempo. Para asignar una medida de probabilidad a un espacio de muestra, no es necesario especificar la probabilidad de cada subconjunto posible. En vez de citar las probabilidades de todos los subconjuntos posibles, a menudo hacemos una lista de probabilidades de los resultados individuales o puestosde muestra de S, y después aplicamos el siguiente teorema: Probabilidad de un evento Axioma 3 Teorema 1.1 Si A es un evento de un espacio de muestra discreto S, entonces P(A) es igual a la suma de las probabilidades de los resultados individuales que componen A. Teorema 1.2 Si un experimento puede dar origen a uno de N resultados diferentes igualmente probables y si n de estos resultados constituye juntos el evento A, entonces la probabilidad del evento A es: N n AP =)( Reglas para medir la probabilidad Reglas de probabilidad Mediante el uso de los tres axiomas de probabilidad, podemos deducir muchas otras reglas que tienen importantes aplicaciones. Entre las consecuencias inmediatas de los axiomas, demostramos los siguientes teoremas: Teorema 1.3 Si A y A’ son eventos complementarios de un espacio de muestra S, entonces P(A’) = 1- P(A) Teorema 1.4 P(Ø) = 0 para un espacio de muestra S cualquiera. Teorema 1.5 Si A y B son eventos de un espacio maestral S y A Є B, entonces P(A) ≤ P(B). Si el evento A es un subconjunto del evento B, entonces P(A) no es mayor que P(B). Reglas para medir la probabilidad Reglas de probabilidad Teorema 1.6 0 ≤ P(A) ≤ 1 para cualquier evento A. Teorema 1.7 Si A y B son dos eventos cualquiera en el espacio muestra S, entonces P(A U B) = P(A) + P(B) – P(A ∩ B) Teorema 1.8 Si A, B y C son tres eventos cualquiera de un espacio de muestra S, entonces P(A U B U C)=P(A) + P(B) + P(C) - P(A ∩ B) – P(A ∩ C) – P(B ∩ C) + P(A ∩ B ∩ C) Probabilidad condicional Fácilmente pueden presentarse dificultades cuando las probabilidades se citan sin especificación del espacio de muestra. Ejemplo: si pedimos la probabilidad de que un abogado gane más de $50,000 al año, bien podemos obtener varias respuestas diferentes y quizá todas correctas. Una de ellas podría aplicarse a todos los graduados de la escuela de leyes, otra a todas las personas que tienen autorización de ejercer la profesión, una tercera a todas las personas que estén activamente comprometidas en el ejercicio de la ley, etc. Como la elección del espacio muestra (es decir, el conjunto de todas las posibilidades sometidas a consideración) no siempre es una sola opción, a menudo debemos utilizar el símbolo P(A|S) para representar la probabilidad condicional del evento A en relación con el espacio de muestra S o también la llamamos “la probabilidad de A dado S”. El símbolo P(A|S) hace referencia explícita a un espacio de muestra determinado S”. Probabilidad condicional Definición 2.1 Probabilidad condicional Si A y B son dos eventos cualesquiera de un espacio de muestra S y P(A) ≠ 0, la probabilidad condicional de A dada B es )( B) P(A )/( BP BAP = Al multiplicar las expresiones de ambos lados de la fórmula de la definición 2.1 por P(B), obtenemos la siguiente regla de multiplicación: Teorema 2.1 Si A y B son dos eventos cualesquiera de un espacio de muestra S y P(A) ≠ 0, entonces P(A ∩ B) = P(B) · P(A|B) La probabilidad de que ocurrirán A y B es el producto de la probabilidad de A y una probabilidad condicional de B dada A. En forma alternativa, si P(B) ≠ 0, es el producto de la probabilidad de B y la probabilidad condicional de A dada B; simbólicamente P(A ∩ B) = P(A) · P(B|A) Hay cuatro posibles soluciones: 1. La probabilidad de una blanca es 3/22. Esto es porque si se escoge la urna 1, hay 3 de 22 bolas que son blancas. Esta respuesta nos deja pensando en que es muy arbitrario decir que la urna escogida es la 1. Si la urna escogida fuese la 1 esta sería la respuesta correcta. 2. De manera similar, podemos pensar que la urna escogida es la 2 y entonces la probabilidad de una bola blanca es 20/22. 3. Claro que, también, la urna escogida puede ser la 3 y entonces la probabilidad de blanca es 11/22. 4. Como no se sabe cual es la urna escogida y las tres urnas tienen el mismo número de bolas, la probabilidad se calcula como si fuese una gran urna con 66 bolas de las cuales 3+20+11 son blancas y, así, la probabilidad es 34/66 Probabilidad condicional Ejemplo 1 Consideremos la siguiente situación. Se tienen tres urnas similares; por fuera son idénticas. Se sabe que en la urna 1 hay 3 bolas blancas y 19 azules, en la urna 2 hay 20 bolas blancas y 2 azules, en la urna 3 hay 11 bolas blancas y 11 azules. Se va a sacar una bola de una de las urnas. Puede ser azul o blanca. ¿Cuál es la probabilidad de que sea blanca? Probabilidad condicional Ejemplo A la primera la llamamos "probabilidad condicional de blanca dado que la urna es la 1". Formalmente, definimos en clase la probabilidad condicional de la siguiente manera: )( B) P(A )/( BP BAP = El símbolo P(A|B) lo leemos como probabilidad de A dado B. Lo interpretamos como la probabilidad de que, sabiendo que ya sucedió B, además suceda A. En el ejemplo de las urnas A sería el evento "la bola es blanca''; B sería la urna correspondiente . El denominador es la probabilidad de lo dado, la fórmula no es simétrica en A y B. Si los intercambiamos, da otro número. Si P(B)=0, la probabilidad condicional no está definida. Claro que eso está bien porque no puede haber sucedido algo que es imposible. Eventos independientes Definición 2.2 En términos informales, se dice que dos eventos A y B son independientes si la incidencia de uno u otro no afecta la probabilidad en la incidencia del otro. Simbólicamente, dos eventos A y B son independientes si P(B|A) = P(B) y la P(A|B) = P(A). Dos eventos A y B son independientes si y solo si P(A ∩ B) = P(A) · P(B) Eventos independientes (para leer en casa) Ejemplo 1 Ejemplo 2 Suceso A: la probabilidad de que haga buen tiempo es del 0,4 Suceso B: la probabilidad de tener un accidente es del 0,1 Suceso intersección: la probabilidad de que haga buen tiempo y tener un accidente es del 0,08 Veamos si se cumple alguna de las condiciones señaladas: P (B/A) = P (A ∩ B) / P (A) = 0,08 / 0,4 = 0,2 (que no es igual a P (B)) P (A/B) = P (A ∩ B) / P (B) = 0,08 / 0,6 = 0,133 (que no es igual a P (A)) P (A ∩ B) = 0,08 (que no es igual a P (A) multiplicado por P (B)) Por lo tanto, estos dos sucesos no son independientes, sino que existe algún grado de dependencia entre ellos. Suceso A: la probabilidad de que haga buen tiempo es del 0,4 Suceso B: la probabilidad de salir cara al lanzar una moneda es del 0,5 Suceso intersección: la probabilidad de que haga buen tiempo y que salga cara es 0,2 Veamos si se cumple alguna de las condiciones señaladas: P (B/A) = P (A ∩ B) / P (A) = 0,2 / 0,4 = 0,5 (igual que P (B)) P (A/B) = P (A ∩ B) / P (B) = 0,2 / 0,6 = 0,4 (igual que P (A)) P (A ∩ B) = 0,2 (igual a P (A) multiplicado por P (B)) Por lo tanto, estos dos sucesos sí son independientes. Diapositiva 1 Diapositiva 2 Diapositiva 3 Diapositiva 4 Diapositiva 5 Diapositiva 6 Diapositiva 7 Diapositiva 8 Diapositiva 9 Diapositiva 10 Diapositiva 11 Diapositiva 12 Diapositiva 13 Diapositiva 14 Diapositiva 15 Diapositiva 16 Diapositiva 17 Diapositiva 18 Diapositiva 19
Compartir