Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
III Corte - Actividad 1: 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 1. Estudie el material proporcionado, explique y de ejemplo de los siguientes distribuciones: a) Binomial y multinomial b) Distribucion Hipergeométrica. 2. Se entregan dos altavoces idénticos a 12 personas y se les pide que los escuchen para determinar si hay alguna diferencia entre ellos. Suponga que sus respuestas son simplemente conjeturas. Calcule la probabilidad de que tres personas afi rmen haber detectado una diferencia entre los dos altavoces. 3. Para evitar la detección en la aduana, un viajero coloca 6 comprimidos con narcóticos en una botella que contiene 9 píldoras de vitamina que aparentemente son similares. Si el oficial de la aduana selecciona 3 de las tabletas al azar para su análisis, ¿cuál es la probabilidad de que el viajero sea arrestado por posesión ilegal de narcóticos? La distribución binomial se relaciona con un experimento aleatorio conocido como experimento de Bernoulli, el cual tiene las siguientes características: El experimento está constituido por un número finito, n, de pruebas idénticas. Cada prueba tiene exactamente dos resultados posibles. A uno de ellos se le llama arbitrariamente éxito y al otro, fracaso. La probabilidad de éxito de cada prueba aislada es constante para todas las pruebas y recibe la denominacion de p. Por medio de la distribucion binomial tratamos de encontrar un número dado de éxitos en un número igual o mayor de pruebas. Puesto que sólo hay dos resultados posibles, la probabilidad de fracaso, a la que podemos denominar q, está dada por la diferencia 1 – p, esto es, corresponde al complemento de la probabilidad de éxito, y como ésta última es constante, entonces también lo es la probabilidad de fracaso. La probabilidad de x éxitos en n intentos está dada por la siguiente expresión: Esta fórmula nos dice que la probabilidad de obtener x número de éxitos en n pruebas, está dada por la multiplicación de n combinaciones en grupos de x por la probabilidad de éxito elevada al número de éxitos deseado, y por la probabilidad de fracaso elevada al número de fracasos deseados. Ejemplo: Se presentan varios ejemplos que nos ayudarán a comprender el uso de esta distribución. Un embarque de veinte televisores incluye tres unidades defectuosas. Si se inspeccionan tres televisores al azar, indique usted cuál es la probabilidad de que se encuentren dos defectuosos. Podemos verificar si se trata de una distribución binomial mediante una lista de chequeo de cada uno de los puntos que caracterizan a esta distribución. Una vez que hemos confirmado que se trata de una distribución binomial, aplicamos la expresión P(x) = nCx pxq(n-x), de modo que… P(2) = 3C2 (3/20)2(17/20)1 = 3 (0.0225)(0.85) = 0.057375 El resultado obtenido es la probabilidad de que aparezcan dos aparatos de televisión defectuosos. Si queremos pasarlo a porcentaje, el valor se debe multiplicar por 100 %. Varianza de una variable aleatoria binomial. Consideremos de nueva cuenta el ejemplo Televisores. ¿Qué pasa con las probabilidades de los otros valores posibles para la variable aleatoria? Si hacemos los cálculos respectivos tendríamos… P(0) = 3C0 (3/20)0(17/20)3 = 0.614125 P(1) = 3C1 (3/20)1(17/20)2 = 3(0.15)(0.7225) = 0.325125 P(3) = 3C3 (3/20)3(17/20)0 = (0.003375) = 0.003375 Si recordamos que P(2) = 0.057375, entonces podemos confirmar que… P(0) + P(1) + P(2) + P(3) = 1.00 Lo que era de esperarse, puesto que los valores 0, 1, 2 y 3 constituyen el universo en el experimento en cuestión. Con estos valores podemos determinar la esperanza y varianza de la variable aleatoria considerada. Para ello, nos es útil acomodar los datos en una tabla recordando que… μ = Σ x [P(X=x)], y que, σ2 = Σ (x – μ)2 [P(X=x)] Parámetros de la distribución binomial. Si interpretamos las probabilidades anteriores en un sentido frecuentista, diríamos que si consideramos un número grande de realizaciones del experimento, por ejemplo, un millón de veces, en aproximadamente 614 125 realizaciones tendremos televisores sin defecto; en 325 125 veces encontraremos un televisor con defecto; en otras 57 375 ocasiones encontraremos dos televisores con defecto; y en 33 751 veces los tres televisores estarían defectuosos. Calculo del promedio y la varianza. Luego… μ = 450 000/1 000 000 = 0.45 Asimismo, podemos calcular la varianza σ2 = [614125(0-0.45)2 + 325125(1-0.45)2 + 57375(2-0.45)2 + 3375(3-0.45)2]/100 = (124360.313 + 98350.3125 + 137843.438 + 29945.9375)/100 = 0.3825 Observa que hemos seguido fielmente las lecciones de estadística descriptiva en el cálculo de μ y σ, y que hemos llegado a los mismos valores que ya habíamos obtenido. Esto nos proporciona por lo menos un esquema con el cual podemos interpretar la esperanza y varianza, haciendo uso del concepto de frecuencias. Es importante darse cuenta que podemos llegar a estos mismos valores de un modo más sencillo si nos percatamos que… μ = 0.45 es precisamente el resultado que se obtiene al multiplicar el número de ensayos por la probabilidad de éxito, esto es, 3(0.15). σ2 = 0.3825 es precisamente el resultado que se obtiene al multiplicar el número de ensayos por la probabilidad de éxito y por la de fracaso, esto es, 3(0.15) (0.85). En otras palabras… Media y varianza de una variable aleatoria binomial μ = npσ2 = npq Distribución Multinomial. Un proceso de ensayos multinomiales es una secuencia de variables aleatorias independientes, distribuidas idénticamente, X=(X1,X2,…)X=(X1,X2,…) cada una de las cuales toma valores kk posibles. Así, el proceso de ensayos multinomiales es una simple generalización del proceso de ensayos de Bernoulli (que corresponde ak=2k=2). Por simplicidad, denotaremos el conjunto de resultados por{1,2,…,k}{1,2,…,k}, y denotaremos la función de densidad de probabilidad común de las variables de ensayo por: pi=P(Xj=i),i∈{1,2,…,k}(11.5.1)(11.5.1)pi=P(Xj=i),i∈{1,2,…,k} supuesto pi>0pi>0 para cadaii y ∑ki=1pi=1∑i=1kpi=1. En términos estadísticos, la secuencia XX se forma por muestreo a partir de la distribución. Al igual que con nuestra discusión sobre la distribución binomial, nos interesan las variables aleatorias que cuentan el número de veces que ocurrió cada resultado. Así, vamos. Por supuesto, estas variables aleatorias también dependen del parámetro (el número de ensayos), pero este parámetro está fijo en nuestra discusión así que lo suprimamos para mantener la notación simple. Tenga en cuenta que ∑ki=1Yi=n∑i=1kYi=n así si conocemos los valoresk−1k−1 de las variables de conteo, podemos encontrar el valor de la variable restante. Yi=#{j∈{1,2,…,n}:Xj=i}=∑j=1n1(Xj=i),i∈{1,2,…,k}(11.5.2)(11.5.2)Yi=#{j∈{1,2,…,n}:Xj=i}=∑ j=1n1(Xj=i),i∈{1,2,…,k} Los argumentos básicos usando independencia y combinatoria pueden ser utilizados para derivar las densidades conjuntas, marginales y condicionales de las variables de conteo. En particular, recordemos la definición del coeficiente multinomial: para enteros no negativos (j1,j2,…,jn)(j1,j2,…,jn) con∑ki=1ji=n∑i=1kji=n, (nj1,j2,…,jk)=n!j1!j2!⋯jk!(11.5.3)(11.5.3)(nj1,j2,…,jk)=n!j1!j2!⋯jk! Distribución Conjunta Para enteros no negativos (j1,j2,…,jk)(j1,j2,…,jk) con∑ki=1ji=n∑i=1kji=n, P(Y1=j1,Y2,=j2…,Yk=jk)=(nj1,j2,…,jk)pj11pj22⋯pjkk(11.5.4)(11.5.4)P(Y1=j1,Y2,=j2…,Y k=jk)=(nj1,j2,…,jk)p1j1p2j2⋯pkjk La distribución de Y=(Y1,Y2,…,Yk)Y=(Y1,Y2,…,Yk)se denomina distribución multinomial con parámetrosnn y p=(p1,p2,…,pk)p=(p1,p2,…,pk). También decimos que(Y1,Y2,…,Yk−1)(Y1,Y2,…,Yk−1) tiene esta distribución (recordemos que los valores dek−1k−1 de las variables de conteo determinan el valor de la variable restante). Por lo general, queda claro a partir del contexto qué significado del término distribución multinomial se pretende. Nuevamente, la distribución binomial ordinaria corresponde ak=2k=2. Distribuciones Marginales Para cada uno i∈{1,2,…,k}i∈{1,2,…,k},YiYi tiene la distribución binomial con parámetrosnn y pipi: P(Yi=j)=(nj)pji(1−pi)n−j,j∈{0,1,…,n}(11.5.5)(11.5.5)P(Yi=j)=(nj)pij(1−pi)n−j,j∈{0,1,…,n} Agrupación La distribución multinomial se conserva cuando se combinan las variables de conteo. Específicamente, supongamos que(A1,A2,…,Am)(A1,A2,…,Am) es una partición del índice establecido{1,2,…,k}{1,2,…,k} en subconjuntos no vacíos. Para j∈{1,2,…,m}j∈{1,2,…,m} dejar Zj=∑i∈AjYi,qj=∑i∈Ajpi(11.5.6)(11.5.6)Zj=∑i∈AjYi,qj=∑i∈Ajpi Z=(Z1,Z2,…,Zm)Z=(Z1,Z2,…,Zm) tiene la distribución multinomial con parámetros nn yq=(q1,q2,…,qm)q=(q1,q2,…,qm). Distribución Condicional La distribución multinomial también se conserva cuando se observan algunas de las variables de conteo. Específicamente, supongamos que(A,B)(A,B) es una partición del índice establecido{1,2,…,k}{1,2,…,k} en subconjuntos no vacíos. Supongamos que(ji:i∈B)(ji:i∈B) es una secuencia de enteros no negativos, indexados porBB tal quej=∑i∈Bji≤nj=∑i∈Bji≤n. Vamosp=∑i∈Apip=∑i∈Api. La distribución condicional de(Yi:i∈A)(Yi:i∈A) dado(Yi=ji:i∈B)(Yi=ji:i∈B) es multinomial con parámetrosn−jn−j y(pi/p:i∈A)(pi/p:i∈A). Las combinaciones de los resultados básicos que implican agrupación y condicionamiento se pueden utilizar para calcular cualquier distribución marginal o condicional. Momentos Calcularemos la media y varianza de cada variable de conteo, y la covarianza y correlación de cada par de variables. Para i∈{1,2,…,k}i∈{1,2,…,k}, la media y varianza de YiYi son 1. E(Yi)=npiE(Yi)=npi 2. var(Yi)=npi(1−pi)var(Yi)=npi(1−pi) Para distintosi,j∈{1,2,…,k}i,j∈{1,2,…,k}, 1. cov(Yi,Yj)=−npipjcov(Yi,Yj)=−npipj 2. cor(Yi,Yj)=−pipj/[(1−pi)(1−pj)]−−−−−−−−−−−−−−−−−−√cor(Yi,Yj)=−pipj/[(1−pi)(1−p j)] Del último resultado, tenga en cuenta que el número de veces queii ocurre el resultado y el número de veces que ocurre el resultado se correlacionan negativamente, pero la correlación no depende de ello. Sik=2k=2, entonces el número de veces que ocurre el resultado 1 y el número de veces que ocurre el resultado 2 están perfectamente correlacionados. Ejemplos y Aplicaciones En el experimento de dados, seleccione el número de ases. Para cada distribución de troqueles, comience con un solo dado y agregue dados uno a la vez, anotando la forma de la función de densidad de probabilidad y el tamaño y ubicación de la barra de media/desviación estándar. Cuando llegue a 10 dados, ejecute la simulación 1000 veces y compare la función de frecuencia relativa con la función de densidad de probabilidad, y los momentos empíricos con los momentos de distribución. Supongamos que lanzamos 10 dados estándar, justos. Encuentra la probabilidad de cada uno de los siguientes eventos: 1. Las puntuaciones 1 y 6 ocurren una vez cada una y las otras puntuaciones ocurren dos veces cada una. 2. Las puntuaciones 2 y 4 ocurren 3 veces cada una. 3. Hay 4 puntuaciones pares y 6 puntajes impares. 4. Las puntuaciones 1 y 3 ocurren dos veces cada una dado que la puntuación 2 ocurre una vez y la puntuación 5 tres veces. b) Distribucion Hipergeométrica. Se utiliza para calcular la probabilidad de una selección aleatoria de un objeto sin repetición. Fórmula: Ejemplo: En una jaula hay 30 pericos rusos y 20 pericos chinos, si extraemos 10 pericos al azar, calcular posibilidad de que 3 de ellos hablen chino. (Característica deseada) Solución: La probabilidad de que salgan 3 pericos que hablen chino es de 0.2259. Observaciones: La distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se extraigan muestras o se realizan experiencias repetidas sin devolución del elemento extraído o sin retornar a la situación experimental inicial. El número de repeticiones del experimento (n) es constante. Las probabilidades asociadas a cada uno de los resultados no son constantes. 2- Se entregan dos altavoces idénticos a 12 personas y se les pide que los escuchen para determinar si hay alguna diferencia entre ellos. Suponga que sus respuestas son simplemente conjeturas. Calcule la probabilidad de que tres personas afirmen haber detectado una diferencia entre los dos altavoces. Solución: Probabilidad Binomial Datos: n = 12 P = 0.5 P(x=3) = P(x≤3) – P(x≤2) = 0.0730 – 0.0193 = 0.0537 R= Existe un 5.37% de probabilidad de que tres personas afirmen haber detectado una diferencia entre los dos altavoces. 3. Para evitar la detección en la aduana, un viajero coloca 6 comprimidos con narcóticos en una botella que contiene 9 píldoras de vitamina que aparentemente son similares. Si el oficial de la aduana selecciona 3 de las tabletas al azar para su análisis, ¿cuál es la probabilidad de que el viajero sea arrestado por posesión ilegal de narcóticos? a) N = 9+6 =15 total de tabletasa = 6 tabletas de narcóticon = 3 tabletas seleccionadasx = 0, 1, 2, o 3 tabletas de narcótico = variable que nos indica el número detabletas de narcótico que se puede encontrar al seleccionar las 3 tabletas p(viajero sea arrestado por posesión de narcóticos) = p(de que entre las 3tabletas seleccionadas haya 1 o más tabletas de narcótico) Otra forma de resolver; p(el viajero sea arrestado por posesión de narcóticos) = 1 – p(de que entre las tabletas seleccionadas no haya una sola de narcótico) b) p(no sea arrestado por posesión de narcóticos)
Compartir