Documente Academic
Documente Profesional
Documente Cultură
Estadística I
Bloque II
GRADO EN
ADMINISTRACIÓN Y
DIRECCIÓN DE
EMPRESAS
Tema 4. PROBABILIDAD
Tema 5. VARIABLE ALEATORIA
Tema 6. MODELOS PROBABILÍSTICOS PARA VARIABLES
ALEATORIAS DISCRETAS
Tema 7. MODELOS PROBABILÍSTICOS PARA VARIABLES
ALEATORIAS CONTINUAS
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 n − x
pq x = 0,1, 2,..., n
X ∼ B ( n, p ) ⇔ f ( x) = x
0
en el resto.
4
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Deducción de f(x):
= pp ⋯ p qq ⋯ q = p x q n− x
x veces n − x veces
P ( X = x ) = P ( H1 ∪ H 2 ∪⋯ ∪ H k ) = P ( H1 ) + P ( H 2 ) + ⋯ + P ( H k ) = kp x q n− x
por ser
disjuntas
n!
P ( X = x) = p x q n− 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 − 1
i =0 i
1 si x ≥ n
Podemos utilizar F(x) para calcular la probabilidad de que X tome un
valor concreto:
P ( X = x ) = F ( x) − F ( x − 1).
• Esperanza: E [ X ] = µ = np.
6
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
• Forma de la distribución:
f(x)
0.3 p = q = 0,5
0.25
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 x
B (10;0,5)
f(x)
0.35
0.3
p<q
0.25
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 x
B (10;0,2)
f(x)
0.35
p>q
0.3
0.25
0.2
0.15
0.1
0.05
0
0 1 2 3 4 5 6 7 8 9 10 x
B (10;0,8)
7
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
p≠q
f(x)
0.050
0.045
n grande
0.040
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:
P( X = x) = P(Y = n − x)
FX ( x) = PX ( X ≤ x) = PY (Y ≥ n − x) = 1 − FY (n − x − 1)
8
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Propiedad reproductiva
Demostración:
M X (t ) = E etX = E e (
t X1 + X 2 )
= E etX1 ⋅ etX 2 = E etX1 ⋅ E etX 2 =
por independecia
de X 1 y X 2
= M X1 (t ) M X 2 (t ) = ( pet + q ) ( pe + q ) = ( pet + q )
n1 t n2 n1 + n2
9
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 1:
Una máquina fabrica una determinada pieza y se sabe que 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 q n− x
x
50
f (1) = P ( X = 1) = 0, 00710,99349 = 0, 248
1
50 50 50
b) P ( X ≤ 2 ) = 0, 0070 0,99350 + 0,00710,99349 + 0,007 2 0,99348 = 0,99
0 1 2
Ejemplo 2:
Resolución:
6
X ∼ B(6;0, 2) con f ( x) = 0, 2 x 0,86− x para x = 0,1, 2,...,6
x
10
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
6
P( X = 0) = 0, 20 0,86 = 0, 2621
0
6 6
b) P( X > 1) = 1 − [ P( X = 0) + P( X = 1)] = 1 − 0, 20 0,86 − 0, 210,85 =
0 1
Ejemplo 3:
Se pide que valor que tiene que tomar n para que P ( X ≥ 1) = 0,9 :
n
P ( X ≥ 1) = 1 − P ( X < 1) = 1 − P ( X = 0) = 1 − 0, 20 0,8n = 0,9
0
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− µ µ x
x = 0,1, 2,... con µ > 0
X ∼ P( µ ) ⇔ f ( x) = x !
0
en el resto.
Función de distribución:
0 si x < 0
F ( x) = P ( X ≤ x ) = i = x e− µ µ i
∑ i ! x = 0,1, 2,...
i =0
P ( X = x ) = F ( x) − F ( x − 1).
13
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Características:
• M X (t ) = E e = e
tX ( )
µ et −1
- ∞ < t < +∞
• Esperanza: E [ X ] = µ
• Varianza: Var ( X ) = σ 2 = µ 2′ − µ 2 = µ
Ejemplo 1:
Resolución:
e− µ µ 0
P( X = 0) = f (0) = 0,135 → = e − µ = 0,135 → − µ = ln(0,135) → µ ≃ 2
0! tomando
logaritmos
e −2 21
P ( X = 1) ⋅100 = f (1) ⋅100 = ⋅100 = 27,07%.
1!
14
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Propiedad reproductiva
X = X 1 + X 2 ∼ P(λ1 + λ2 ).
P ( µ1 ) P ( µ1 ) P ( µ1 ) P ( µ1 ) P ( µ1 )
← → ← → ← → ← → ← → tiempo
amplitud t amplitud t amplitud t amplitud t amplitud t
intervalo de amplitud α t
P (αµ1 )
15
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 2:
Resolución:
e −4 4 x
x = 0,1, 2,...
f ( x) = x !
0
en el resto.
e −8 8 y
f ( y) = y = 0,1, 2,...
y!
e −8 80
P (Y = 0 ) = f (0) = = 0, 0003
0!
1 1
En este caso, α = de manera que Z ∼ P ⋅ 4 , es decir, Z ∼ P(2).
2 2
e −2 2 y
f ( z) = z = 0,1, 2,...
z!
e −2 20
P ( Z = 0 ) = f (0) = = 0,1353.
0!
16
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 3:
Resolución:
e− µ µ 0
P( X = 0) = 0,135 → = e − µ = 0,135 → − µ = ln(0,135) → µ ≃ 2
0! tomando
logaritmos
e −4 4 y
Y = X 1 + X 2 ∼ P (2µ ) → Y ∼ P(4) con f ( y ) = para y = 0,1, 2,...
y!
e −4 40 e −4 41
P(Y > 1) = 1 − P (Y ≤ 1) = 1 − P (Y = 0) − P(Y = 1) = 1 − − = 0,9084.
tablas 0! 1!
17
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
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
P ( X = 2) = 0,012 ⋅ 0,9998 = 0,1849
2
Utilizando la aproximación de Poisson con µ = 100 ⋅ 0, 01 = 1:
e −112
P ( X = 2) ≃ = 0,1839
2!
El modelo de Poisson da una buena aproximación del modelo binomial.
Ejemplo 5:
X ∼ B (10000;0,001)
x =5
10000
P ( X ≤ 5) = ∑ 0,001x ⋅ 0,9991000− x
x =0 x
19
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
e −10 10 x
x =5
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
f ( x) = 0, 00003x 0,0009710000− x para x = 0,1, 2,...,10000
x
a) P ( X > 3)
e−0,3 (0,3) xP
x P =3
P( X > 3) = 1 − P( X ≤ 3) ≃ 1 − P( X P ≤ 3) = 1 − ∑ = 0,0003
xP = 0 xP ! tablas
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
x n − x max ( 0, n − ( N − Np ) ) ≤ x ≤ min(n, Np )
f ( x) = N
n
0 en el resto.
Notación abreviada: X ∼ H ( N , n, p )
N
n = número de casos posibles. Es el número de muestras distintas de
tamaño n obtenidas de la población total de tamaño N.
Np
x = número de formas posibles de obtener x elementos de la
subpoblación que posee la característica de interés, que tiene Np
elementos.
N − Np
n − x = número de formas posibles de obtener n − x elementos de
la segunda subpoblación, que tiene N − Np elementos.
22
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Np N − Np
x n − x = número de casos favorables. Es el número de
formas distintas de obtener una muestra con x elementos de la
primera subpoblación (la que posee la característica) y n − x de
la segunda.
- Por otro lado, el número de éxitos debe ser mayor o igual 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 ≥ max ( 0, n − ( N − Np ) ) .
• Media: E ( x) = 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.
24
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Resolución:
Np N − Np 2 38
x n − x x 8 − x
f ( 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 38!
0 8 1 ⋅
f (0) = P( x = 0) = =
8!30! 992
= = 0, 6359
40 40! 1560
8 8!32!
Ejemplo 2:
Resolución:
25
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Np N − Np 10 990
x n − x x 25 − x
f ( x) = = x = 0,1, 2,… ,10 y 0 en el resto.
N 1000
n
25
P ( X ≥ 2 ) = 1 − P ( X < 2 ) = 1 − P ( X = 0 ) + P ( X = 1)
10 990 990!
0 25 25! 900 − 25 !
P ( x = 0) = = ( )
1000 1000!
25 25!975!
10 990 990!
1 24 10 ⋅
24! ( 900 − 24 )!
P ( x = 1) = =
1000 1000!
25 25!975!
25
f ( x) = 0,01x ⋅ 0,9925− x
x
25 25
f (0) = 0,010 ⋅ 0,9925 = 0,7778 f (1) = 0,011 ⋅ 0,9924 = 0,1964
0 1
26
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Ejemplo 3:
27
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
4
p= = 0,04
100
9
q = 1 − p = 0,96 X B ∼ B ( 9;0, 04 ) → P( X B = 2) = (0,04) 2 (0, 096)7 = 0, 0433.
2
n=9
Hipergeométrico:
Multivariantes:
k
Multinomial: X 1 , X 2 ,…, X k ∼ M ( n, p1 , p2 ,… , pk ) ∑x i =n
i =1
28
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
Experimento multinomial:
Abreviadamente: X 1 , X 2 ,…, X k ∼ M ( n, p1 , p2 ,… , pk )
(
M ( t1 , t2 ,… , tk ) = p1et1 + p2 et2 + ⋯ + pk etk )
n
29
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
M ( t1 , t2 ,… , tk ) ≠ M X1 ( t1 ) ⋅ M X 2 ( t2 )⋯ M X k ( tk )
Ejemplo 1:
Supóngase que el 23% de los trabajadores de una gran empresa viven a
menos de 5 kilómetros de su puesto de trabajo, el 59% de ellas viven entre 5
y 15 kilómetros de distancia y el 18% restante viven 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, ocho 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)
X 1 = {número de trabajadores que viven a menos de 5 km.}
30
Estadística I [MODELOS PROBABILÍSTICOS PARA V.A. DISCRETA]
20!
P ( X 1 = 7, X 2 = 8, X 3 = 5 ) = 0, 237 ⋅ 0,598 ⋅ 0,185 = 0,0094.
7!8!5!
Ejemplo 2:
Resolución:
p1 = P ( A) = 0,1
p2 = P( B ) = 0, 4
( X 1 , X 2 , X 3 ) ∼ M (10;0,1;0, 4;0,5)
p3 = P(C ) = 0,5
n = 10
i =3
10!
f ( x1 , x2 , x3 ) =
x1 ! x2 ! x3 !
(0,1) x1 (0, 4) x2 (0,5) x3 para xi = 0,1, 2,...,10 con ∑x
i =1
i = 10.
10!
a) P ( X 1 = 5, X 2 = 0, X 3 = 5 ) = f (5, 0,5) = (0,1)5 (0, 4)0 (0,5)5 = 0,00008
5!0!5!
10!
b) P ( X 1 = 10, X 2 = 0, X 3 = 0 ) = f (10,0,0) = (0,1)10 (0, 4)0 (0,5)0 = 10−10
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 tenemos en cuenta que las
distribuciones marginales de las variables que intervienen en una
distribución multinomial son distribuciones binomiales. Por tanto:
10
X 1 ∼ B(10;0,1) → P( X 1 = 5) = (0,1)5 (0,9)5 = 0,0015.
5
32