Академический Документы
Профессиональный Документы
Культура Документы
Estadística I
Bloque II
GRADO EN
ADMINISTRACIÓN Y
DIRECCIÓN DE
EMPRESAS
2
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
6.1. INTRODUCCIÓN
1. Distribución Binomial
2. Distribución Poisson
3. Distribución Hipergeométrica
4. Distribución Multinomial (modelo multivariante)
3
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Experimento binomial:
Variable aleatoria:
Función de cuantía: f (x ) = P ( X = x)
n x = 0,1, 2,..., n
p x q n -x
X ∼ B ( n , p) Ûf ( x) = x
0 en el resto.
4
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Deducción de f(x):
por
independencia
=
pp⋯ p qq⋯q = px qn -x
x veces n -x veces
P ( X = x) = n!
p x qn -x x = 0,1, 2,..., n.
x!(n - x)!
5
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Función de distribución:
0 si x < 0
i =x
n
F (x ) = P ( X £ x ) = ∑p i q n -i x = 0,1, 2,..., n
i=0 i
1 -1 si x ³ n
· Esperanza: E [ X ] = m = np.
6
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
· Forma de la distribución:
p = q = 0, 5
f(x)
0.3
0.25
0.2
0.15
0.1
0.05
0
x
0 1 2 3 4 5 6 7 8 9 10
B (10;0,5)
f(x)
0.35
0.3
p<q
0.25
0.2
0.15
0.1
0.05
0
x
0 1 2 3 4 5 6 7 8 9 10
B (10;0,2)
f(x)
0.35
p>q
0.3
0.25
0.2
0.15
0.1
0.05
0
x
0 1 2 3 4 5 6 7 8 9 10
B (10;0,8)
7
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
f(x)
0.050 p¹q
0.045
0.040
n grande
0.035
0.030
0.025
0.020
0.015
0.010
0.005
0.000
50 60 70 80 90 100 110 120 x
B(900;0,1)
· También existen tablas estadísticas que recogen los valores que toman
la función de cuantía y la función de distribución para determinados
valores de n y p (véase Anexo 5.1)
· Manejo de tablas:
Importante:
Sean X ∼ B ( n , p) e Y ∼ B ( n ,1 - p)
P ( X = x ) = P (Y = n - x)
F ( x ) = P ( X £ x ) = P (Y ³ n - x ) = 1 - F ( n - x -1)
X X Y Y
8
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Propiedad reproductiva
Demostración:
)
2
M (t) = E e tX 2 = × E e tX =
=E et(X1+X = E e tX 1 × etX 2 Ee tX
1
X
por independecia
de X 1 y X 2
=
M X 1 (t)M X 2 (t) = ( pet + q )n1 ( pet + q )n2 = ( pet + q )n1 +n2
9
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 1:
Una máquina fabrica una determinada pieza y se sabeque un 7 por 1000 de
las que produce son defectuosas. Hallar la probabilidad de que el examinar
50 piezas:
a)Sólo una sea defectuosa.
b)Se encuentren como máximo dos defectuosas.
Resolución :
X = "Piezas defectuosas producidas" X ∼ B(50;0,007)
n
a) P ( X = x ) = f (x ) = p x qn -x
x
50
f (1) = P ( X = 1) = 0, 00710,99349 = 0, 248
1
b) P ( X £ 2) =
50 0, 0070 0,99350 +
50 0,00710,99349 +
50 0,0072 0,99348 = 0,99
0 1 2
Ejemplo 2:
Resolución :
10
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
6 = 0, 2621
P ( X = 0) = 0 0, 2 0 0,86
6 0, 2 0 0,8 6 -
6 0, 210,85 =
b) P ( X > 1) = 1 - [ P ( X = 0) + P ( X = 1) ] = 1 -
0 1
tablas
Ejemplo 3:
n
P ( X ³ 1) = 1 - P ( X < 1) = 1 - P ( X = 0) = 1 - 0, 200,8n =
0,9 0
0,8n = 0,9 ⇒ 0,8n = 0,1 ⇒ n ln(0,8) = ln(0,1) ⇒ n = 10,32
tomando
logaritmos
11
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Aplicaciones:
12
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Variable aleatoria:
Función de cuantía:
e
-m
mx
X ∼ P(m) x = 0,1, 2,... con m > 0
Ûf (x) =x!
0 en el resto.
Función de distribución:
0 si x < 0
F (x ) = P ( X £ x) =
i =x -m
m i
∑ e x = 0,1, 2,...
i=0 i!
P ( X = x ) = F ( x ) - F ( x -1).
13
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Características:
(e -1)
· M (t ) = E e tX =em t
- ¥ < t < +¥
X
· Esperanza: E [ X ] = m
· Varianza: Var ( X ) = s 2 = m 2¢ - m 2 = m
Ejemplo 1:
Resolución :
14
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Propiedad reproductiva
X = X 1 + X 2 ∼ P(l1 + l2 ).
intervalo de amplitud at
P (am1 )
Ejemplo 2:
Resolución :
-4
e 4x
x = 0,1, 2,...
f (x) = x!
0 en el resto.
e 8 80
P ( Y = 0) = f (0) = = 0, 0003
En este caso, a = 1 1 ×4
de manera que Z ∼ P , es decir, Z ∼ P(2).
2 2
y
e-2 2
f (z) = z = 0,1, 2,...
z!
-
e 2 20
P ( Z = 0) = f (0) = = 0,1353.
16
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 3:
Resolución :
tablas
0! 1!
17
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
0.000
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 x
B(500;0,01) P(5)
18
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 4:
Una máquina produce piezas en grandes cantidades y se sabe que la
proporción de piezas defectuosas es p=0,01. Se toma una muestra aleatoria
de 100 piezas. ¿Cuál es la probabilidad de que se obtengan 2 defectuosas?
100 2 = 0,1849
P ( X = 2) =
98
2 0,01 × 0,99
Ejemplo 5:
X ∼ B(10000;0,001)
x=5
10000 0,001x × 0,9991000-x
P ( X £ 5) = ∑ x
x=0
19
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
( )
x=5
∑
e-1010x
P X£ 5 ≃ = F (5) = 0,0671.
x=0
x! tablas
Ejemplo 6:
Resolución :
P (fallecimiento) = p = 0,00003
X ∼ B(10000;0,00003)
-
10000 para x = 0,1, 2,...,10000
f (x) = x 0, 00003x 0,0009710000 x
a) P ( X > 3)
20
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo:
Función de cuantía:
Sea una población de tamaño N dividida en dos subpoblaciones
disjuntas de tamaños k y N - k (los que poseen la característica de
interés y los que no).
21
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Np N - Np
n-x max ( 0, n - ( N - Np ) ) £ x £ min( n , Np)
x
f ( x) = N
n
0 en el resto.
Notación abreviada: X ∼ H (N , n , p )
N
= número de casos posibles. Es el número de muestra distintas de
n
tamaño n obtenidas de la población total de tamaño N.
Np
= número de formas posibles de obtener x elementos de la
x
22
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
x n-x
formas distintas de obtener una muestra con x elementos de la
primera subpoblación (la que posee la característic a) y n - x de
la segunda.
- Por otro lado, el número de éxitos debe ser mayor oigual que cero,
pero también el número de fracasos en la muestra debe ser menor o
igual que el número de elementos de la población que no poseen la
característica de interés (n - x) £ (N - Np). Por ello,
x ³ max (0, n - ( N - Np) ).
23
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplos:
(1) Se extrae con reposición una muestra de n=3 de una población de N=20.
La probabilidad de éxito (tener una determinada característica) es 1/2.
Tenemos pues que N=20, p=1/2, n=3. Al efectuarse el muestreo con
reposición, la probabilidad de éxito se mantiene constante en cada
extracción por lo que se trata de una distribución binomial.
(2) Imaginemos ahora que en esa misma población la extr acción para la
muestra se hace sin reposición (extracciones no independientes). Ahora
los datos son N=20, p=1/2, Np=10, n=3. En esta situación, la
probabilidad de éxito cambia de extracción a extracción: en la primera
extracción es 10/20, en la segunda es 9/19 y en la tercera es 8/18. En este
caso, la variable que recoge el número de éxitos sigue una distribución
hipergeométrica.
(3) Pero si resultara que tenemos una población con N=1000 y Np=10,
entonces, en el caso de extracción sin reposición, la probabilidad de éxito
en la primera extracción sería 10/1000 y en la segu nda 9/999, luego las
diferencias son pequeñas (probabilidad casi constante). En este caso
podríamos utilizar la distribución binomial en luga r de la
hipergeométrica, sin cometer errores de gran magnitud.
Ejemplo 1:
Un fabricante de automóviles compra los motores a u na compañía donde se
fabrican bajo estrictas especificaciones. El fabricante recibe un lote de 40
motores. Su plan para aceptar el lote consiste en seleccionar 8, de manera
aleatoria y someterlos a prueba. Si encuentra que ninguno de los motores
presenta serios defectos, el fabricante acepta el lote, de otra forma lo rechaza.
Si el lote contiene dos motores con serios defectos ¿Cuál es la probabilidad de
que sea aceptado?
24
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Resolución :
Np N - Np 2 38
x 8-x
f (x ) = n - x =x x = 0,1, 2 y 0 en el resto.
N 40
n 8
El lote es aceptado si no tiene ningún defecto:
2 38 1× 38!
40 40! 1560
8 8!32!
Ejemplo 2:
Resolución :
25
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Np N - Np 10990
x
n-x
f(x)= = x 25 - x x = 0,1, 2,…,10 y 0 en el resto.
N 1000
25
n
La probabilidad solicitada es:
(X ³ 2 ) = 1 - ( < )= 1 - ( X = 0 )+ ( )
P P X 2 P P X=1
10 990 990!
= 25! ( 900 - 25 )!
0 25
P (x = 0) =
1000 1000!
25 25!975!
10 990 10 × 990!
P (x = 1) =
1 24
= 24! ( 900 - 24 )!
1000 1000!
25 25!975!
-
25
f (x) = x
0,01 × 0,99 25 x
( ) ( ) ( ) ( )
P X³2 =1-P X<2 =1- P X=0 +P X=1 = 1 - (0,7778 - 0,1964) = 0,0258.
26
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 3:
Tenemos una población formada por N = 100 memorias USB dividida en dos
subpoblaciones, las que tienen bono descuento (Np = 4) y las que no lo
poseen (N - Np = 96). La extracción de las n = 9 memorias se realiza sin
reposición , de manera que estamos ante un experimento hipergeométrico
4 96
x 9-x
x = 0,1, 2,3, 4
f (x ) = P ( X = x) = 100
9
0 en el resto.
La probabilidad solicitada es:
4 96 4! × 96!
2 7
P( X = 2) = f (2) = = 2!2! 7!89! = 0, 0376
100 100!
9 9!91!
27
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
p = 4 = 0, 04
100 9
q = 1 - p = 0,96 X B ∼ B ( 9;0, 04) ® P ( X B = 2) = 2 (0,04) (0, 096) = 0, 0433.
2 7
n=9
Binomial: X ∼ B ( n, p) x = 0,1,2,…, n
Poisson: X ∼ P( m) x = 0,1,2,…
Hipergeométrico:
Multivariantes:
k
28
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Experimento multinomial:
M ( t1 , t2 ,… , t k ) = ( p1et1 + p2et + ⋯+ pk et
2 k )n
29
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 1:
Supóngase que el 23% de los trabajadores de una gra n empresa viven a
menos de 5 kilómetros de su puesto de trabajo, el 5 9% de ellas viven entre 5
y 15 kilómetros de distancia y el 18% restante vive n a más de 15 kilómetros.
Se seleccionan al azar 20 empleados. Calcule la probabilidad de que siete de
los seleccionados vivan a menos de 5 kilómetros, oc ho vivan entre 5 y 15
kilómetros y cinco vivan a más de 15 kilómetros de su puesto de trabajo.
Resolución :
Comenzamos por identificar todos los elementos del problema:
n = 20 (número de trabajadores seleccionados),
k = 3 (número de grupos de clasificación de los trabajadores)
X1 = {número de trabajadores que viven a menos de 5 km.}
30
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 2:
Resolución :
p1 = P( A) = 0,1
p2 = P(B) = 0, 4 ,
(X 2 , X 3 ) ∼ M (10;0,1;0, 4;0,5)
p3 = P(C) = 0,5 1
n = 10
i=3
10!
con ∑xi = 10.
x x x
f (x1 , x2 , x3 ) = (0,1) (0, 4) (0,5)
1 2 3 para xi = 0,1, 2,...,10
i=1
x1 !x2 !x3 !
10!0!0!
c) P ( A obtenga 5 votos)
31
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Resulta más fácil calcular esta probabilidad si tenmos en cuenta que las
distribuciones marginales de las variables que intervienen en una distribución
multinomial son distribuciones binomia les. Por tanto:
X 1 ∼ B (10;0,1) ® P ( X1 10 = 0,0015.
= 5) = (0,1)5 (0,9)5
5
32