Vista previa del material en texto
María Elena Marcoleri Magister en Estadística Aplicada Distribuciones de probabilidad Variable aleatoria Función de probabilidad Función de densidad Función de distribución acumulada María Elena Marcoleri Magister en Estadística Aplicada VARIABLE ALEATORIA Ejemplo: se observa la llegada de tres clientes a la ventanilla de un banco para realizar un depósito de dinero en efectivo. Se supone que el cliente tiene dos alternativas: • Depósito en caja de ahorro (CA) • Depósito en cuenta corriente (CC) María Elena Marcoleri Magister en Estadística Aplicada El diagrama de árbol de probabilidades es: Cliente 1 Cliente 2 Cliente 3 CA CC CA CC CA CC CA CC CA CC CA CC CA CC 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 1/2 Puntos muestrales Probabil. (CA, CA, CA) (CA, CA, CC) (CA, CC, CA) (CA, CC, CC) (CC, CA, CA) (CC, CA, CC) (CC, CC, CA) (CC, CC, CC) 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1/8 1 María Elena Marcoleri Magister en Estadística Aplicada Var. Aleat. X: N° de depósitos en Caja de Ahorros xi f(xi)= P(X= xi) F(xi)= P(X xi) 0 1/8 1/8 1 3/8 4/8 2 3/8 7/8 3 1/8 8/8 i f(xi)= 1 (xi = 0, …,3) [xi , f(xi)] es función de probabilidad de X F(xi) es función de distribución acumulada. María Elena Marcoleri Magister en Estadística Aplicada Ejemplo con tres opciones Ejemplo: se observa la llegada de tres clientes a la ventanilla de un banco para realizar un depósito de dinero en efectivo. Se supone que el cliente tiene tres alternativas: • Depósito en caja de ahorro (CA) • Depósito en cuenta corriente (CC) • Depósito a plazo fijo (PF) María Elena Marcoleri Magister en Estadística Aplicada El diagrama de árbol de probabilidades es: Cliente 1 Cliente 2 Cliente 3 CA CC PF CA CC PF CA CA CC CC PF PF CA CA CA CA CA CA CA CC CC CC CC CC CC CC PF PF PF PF PF PF PF CC CC CA CA PF PF Puntos muestrales (CA, CA, CA) (CA, CA, CC) (CA, CA, PF) ……… ……… ……… ( PF,PF, PF) Prob 1/27 1/27 1/27 ……… ……… ……… 1/27 1 María Elena Marcoleri Magister en Estadística Aplicada Var. Aleat. X: N° de depósitos en Caja de Ahorros xi f(xi)= P(X= xi) F(xi)= P(X xi) 0 8/27 8/27 1 12/27 20/27 2 6/27 26/27 3 1/27 27/27 f(xi)= 1 (xi = 0, …,3) [xi , f(xi)] es función de probabilidad de X F(xi) es función de distribución acumulada. María Elena Marcoleri Magister en Estadística Aplicada Valor esperado y varianza de una variable aleatoria Dada una función de probabilidad de una variable aleatoria discreta: xi : x1 , x2 , x3 , . . . , xk f(xi) : f(x1), f(x2), f(x3) , . . . , f(xk) E(X) = x1f(x1) + x2f(x2) + x3f(x3) + . . . + xkf(xk) = ixif(xi) = V(X) = E(x – )2 = i(xi – )2 f(xi) ó V(X) = E(X2) – [E(X)]2 María Elena Marcoleri Magister en Estadística Aplicada Ejemplo de aplicación Retomando el ejemplo de observar tres clientes en un Bco., donde: Var. Aleat. X: N° de depósitos en Caja de Ahorros xi f(xi)=P(X=xi) xi f(xi) (xi)2f(xi) 0 8/27 0 0 1 12/27 12/27 12/27 2 6/27 12/27 24/27 3 1/27 3/27 9/27 E(X) = 27/27=1 ; E(X2) =45/27 = 1,67 V(X) = 1,67 – 1 = 0,67 y x = 0,82 ≈ 1 Se espera que, en promedio, de cada 3 clientes 1 deposite en Caja de ahorro, con una desviación estándar de 1 cliente. María Elena Marcoleri Magister en Estadística Aplicada Si la variable aleatoria es continua… E(X) = dxxfx )(. Y V(X) = E(X2) – [E(X)]2 Igual que para variable discreta María Elena Marcoleri Magister en Estadística Aplicada Distribuciones de probabilidad discretas • BINOMIAL • MULTINOMIAL • HIPERGEOMÉTRICA • DE POISSON María Elena Marcoleri Magister en Estadística Aplicada Distribución Binomial Una variable aleatoria binomial se genera cuando: Se realizan n pruebas independientes En cada prueba hay dos resultados posibles, mutuamente excluyentes, llamados “Éxitos” y “Fracasos” En cada prueba es P(éxito) = p y P(fracaso) = 1 – p = q Ambas probabilidades son constantes María Elena Marcoleri Magister en Estadística Aplicada La probabilidad de obtener x éxitos en n pruebas (x n) es: E E F E F F F E . . . E p p q p q q q p . . . p ppp ... p (x veces) y qqq ... q (n-x veces) Como son sucesos independientes se multiplican las probabilidades Entonces es : px.q(n-x) o bien, px.(1 – p)(n-x) ¿De cuántas maneras distintas se pueden presentar los éxitos y fracasos? María Elena Marcoleri Magister en Estadística Aplicada La variable aleatoria discreta X: número de éxitos Se llama variable binomial y su función de probabilidad es: px.(1 – p)(n-x) C n xf(x) = b(x;n,p) = Sus parámetros son n y p y E(X) = np V(X) = np(1-p) y x = np(1-p) María Elena Marcoleri Magister en Estadística Aplicada Ejemplo de aplicación Se supone que la probabilidad de nacer varón es 0.45. Hallar la probabilidad de que en una familia en la que nazcan 8 hijos sean: a) Todos varones; b) Al menos 2 varones; c) Ningún varón. SOLUCIÓN La variable en estudio es X : n° de hijos varones • Hay n pruebas independientes : los 8 hijos (n = 8) • En cada nacimiento hay dos resultados posibles, mutuamente excluyentes : Varón o mujer. • La P(éxito) es constante : P(varón) = 0.45 María Elena Marcoleri Magister en Estadística Aplicada Por lo expuesto, el N° de varones que nacen en una familia es una variable con distribución binomial, con los parámetros n = 8 y p = 0.45. Y q = 1 – p = 0.55 0 8 a) f(8) = P(X = 8) = C8 8 0.458 . 0.550 = 0.0017 b) f(al menos 2 varones) = P(X 2) = 1 – P(X < 2) = 1 – F(1) 1 – [( ) 0.450.0.558 + ( 1 8 ) 0.451. 0.557] = 1 – (0,0084 + 0,0548) P(X 2) = 0,936 c) f(0) = P(X = 0) = 0,0084 E(X) = np = 8.0,45 = 3,6 (entre 3 y 4 varones, en promedio). V(X) = 8.0,45.0,55 = 1,98 y x = 1,41 varones María Elena Marcoleri Magister en Estadística Aplicada Distribución multinomial Una variable aleatoria multinomial se genera cuando: • Se realizan n pruebas independientes • En cada prueba hay más de dos resultados posibles, mutuamente excluyentes • En cada prueba, la probabilidad de ocurrencia de cada uno de los resultados posibles es constante María Elena Marcoleri Magister en Estadística Aplicada En cada una de las n pruebas los resultados posibles son: Resultados : Ei : E1 E2 E3 . . . . Ek Probabilidad: pi : p1 p2 p3 . . . . pk N° de veces: xi : x1 x2 x3 . . . . xk Condiciones: p1 + p2+ p3 + . . . + pk = ipi = 1 Y x1 + x2 + x3 + . . . + xk = ixi = n María Elena Marcoleri Magister en Estadística Aplicada La probabilidad de obtener: x1 veces E1 x3 veces E3 x2 veces E2 . . . . . . . . . . xk veces Ek es: p k x k f(x1,x2, x3, …,xk) = n! x1! x2! x3! … xk! p x1 1 p x2 2 p x3 3 … Si se necesitara la probabilidad de obtener x veces E1 , entonces es: f(x) = n! x! (n – x)! p1x (1 – p1)n-x Se transforma en binomial María Elena Marcoleri Magister en Estadística Aplicada Ejemplo de aplicación Las probabilidades de que un estudiante seleccionado al azar de un curso, tenga una calificación inferior a 40 puntos, entre 40 y 70 puntos, entre 70 y 90 puntos, o más de 90 puntos, son 0.30, 0.40, 0.20 y 0,10 respectivamente. a) Identificar la variable y justificar el procedimiento empleado para resolver el problema. b) Calcular la probabilidad de que: b.1) Entre ocho de tales estudiantes, 2 tengan menos de 40 puntos, 3 tengan entre 40 y 70 puntos, 2 tengan entre 70 y 90 puntos y uno tenga más de 90 puntos. b.2) Entre cinco de los estudiantes, 3 tengan más de 90 puntos. SOLUCIÓN : con distribución multinomial a) X : n° de estudiantes que pertenecen a cada categoría de calificación E1 : Calif < 40 ptos. p1 = 0.30 x1 = 2 E2 : 40 ptos. < Calif < 70 ptos. p2 = 0.40x2 = 3 E3 : 70 < Calif < 90 ptos. p3 = 0.20x3 = 2 E4 : Calif > 90 ptos. p4 = 0.10x4 = 1 i pi = 1 i xi = n = 8 estudiantes María Elena Marcoleri Magister en Estadística Aplicada La probabilidad del punto b.1) es: f(2,3,2,1) = 8! 2! 3! 2! 1! 0,302. 0,403. 0,202. 0,101 = 0,0387 El punto b.2) se resuelve aplicando distribución binomial n = 5 estudiantes p = 0,10 x = 3 f(3) = P(X = 3) = 5! 3! 2! 0,103. 0,902 = 0,0081 María Elena Marcoleri Magister en Estadística Aplicada Distribución Hipergeométrica • Población finita constituida por dos clases de elementos: de clase A y no de clase A • Extracciones sin reposición • Sucesos no independientes • Probabilidad de éxito no constante María Elena Marcoleri Magister en Estadística Aplicada Esquema general Población de tamaño N k elementos de clase A N - k elementos de clase no A Se realiza selección aleatoria sin reposición Muestra de tamaño n x elementos de clase A n - x elementos de clase no A María Elena Marcoleri Magister en Estadística Aplicada La probabilidad de obtener en la muestra x elementos de clase A es: C k x C kN xn f(x) = C N n Los parámetros son : N, n, k E(X) = n (k/N) y V(X) = n (k/N) (1 – k/N) [(N – n)/(n – 1)] María Elena Marcoleri Magister en Estadística Aplicada Ejemplo de aplicación De ocho empleados, tres han estado en la compañía durante cinco o más años. Si se eligen cinco empleados al azar de ese grupo, ¿cuál es la probabilidad de que exactamente dos de ellos tengan una antigüedad de cinco años o más? Solución Variable X: N° de empleados que han estado en la compañía 5 años o más. N = 8 k = 3 empleados que tienen 5 o más años de antigüedad N - k = 5 empleados que no tienen 5 o más años de antig. n = 5 x = 2 empleados que tienen 5 o más años de antigüedad n - x = 3 empleados que no tienen 5 o más años de antig. X tiene distribución hipergeométrica, porque María Elena Marcoleri Magister en Estadística Aplicada f(2) = 3 2C 5 3C 8 5C Aplicando la fórmula … = 0,089 La probabilidad de que exactamente dos empleados tengan una antigüedad de cinco años o más es 0,089. María Elena Marcoleri Magister en Estadística Aplicada Distribución de Poisson Postulados • El número de ocurrencias del hecho es independiente de una unidad especificada a otra. • El valor esperado de la variable es proporcional al tamaño de la unidad especificada. • La probabilidad de más de una ocurrencia del suceso en una unidad especificada muy pequeña, es despreciable en comparación con la probabilidad de una sola ocurrencia. Se usa para obtener probabilidades del número de ocurrencias de sucesos raros, tales como errores, accidentes u otros sucesos que aparecen al azar e independientemente en intervalos de tiempo, espacio o volumen. María Elena Marcoleri Magister en Estadística Aplicada La función de probabilidad de Poisson tiene un único parámetro : promedio de ocurrencias del suceso por unidad especificada La función de probabilidad de la variable X , es: f(x) = e-x x! E(X) = V(X) = María Elena Marcoleri Magister en Estadística Aplicada Ejemplo de aplicación En promedio, cada hora cinco personas realizan transacciones en el mostrador de servicios especiales de un banco. Suponiendo que las llegadas de esas personas son independientes e igualmente probables, ¿cuál es la probabilidad de que en dos horas 7 personas soliciten servicios especiales? Solución Variable X: Cantidad de personas que solicitan servicios especiales X tiene distribución de Poisson con personas por hora En este caso, = 10 personas por cada período de dos horas f(7) = e-x x! e-107 7! = = 454 5040 = 0,09 María Elena Marcoleri Magister en Estadística Aplicada Aproximaciones C kN xn Aproximación Hipergeométrica-binomial Si se toma una muestra pequeña de una población grande, teniendo como regla empírica n 0.05N C k x C N n ≈ Cxn (k/N)x [(N–k)/N]n-x María Elena Marcoleri Magister en Estadística Aplicada Aproximación binomial-Poisson Si n es grande y p pequeño, tanto como n>100 y p < 0.01, entonces las probabilidades binomiales se aproximan a las de Poisson ≈ e-np(np)x x! C n x p x.(1 – p)(n-x) Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16 Slide 17 Slide 18 Slide 19 Slide 20 Slide 21 Slide 22 Slide 23 Slide 24 Slide 25 Slide 26 Slide 27 Slide 28 Slide 29 Slide 30 Slide 31