Distribuciones de probabilidad para Econometría II

\documentclass[12pt]{article}
\usepackage[margin=1in]{geometry}
\usepackage{amsmath,amsthm,amssymb}
\usepackage[margin=1in]{geometry}
\usepackage{amsmath,amsthm,amssymb}
\usepackage[spanish]{babel} %Castellanización
\usepackage[T1]{fontenc} %escribe lo del teclado
\usepackage[utf8]{inputenc} %Reconoce algunos símbolos
\usepackage{lmodern} %optimiza algunas fuentes
\usepackage{graphicx}
\graphicspath{ {images/} }
\usepackage{hyperref} % Uso de links
\usepackage[utf8]{inputenc}
\usepackage[spanish]{babel}
\usepackage[latin1]{inputenc}
\usepackage{enumerate}
\usepackage{afterpage}
\newcommand{\N}{\mathbb{N}}
\newcommand{\Z}{\mathbb{Z}}
\newenvironment{theorem}[2][Theorem]{\begin{trivlist}
\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}
\newenvironment{lemma}[2][Lemma]{\begin{trivlist}
\newenvironment{exercise}[2][Exercise]{\begin{trivlist}
\newenvironment{problem}[2][Problem]{\begin{trivlist}
\newenvironment{question}[2][Question]{\begin{trivlist}
\newenvironment{corollary}[2][Corollary]{\begin{trivlist}
\newenvironment{solution}{\begin{proof}[Solution]}{\end{proof}}
\begin{document}
\title{Funciones de probabilidades para Econometría II}
\author[1]{Jherson Rosell}
\author[2]{Henry Cárdenas}
\author[3]{Fernanda Fernandez}
\author[4]{Brenda Salcedo}
\author[5]{Joselyn Romero}
\author[6]{Janeth Segama}
\author[7]{Milagros Aco}
\maketitle
\section{Introducción}
\title{}
La necesidad de obtener conocimiento cuantitativo de la realidad ha generado que cada
vez se establescan modelos teóricos , esto a su vez se reducen en muchos casos a
funciones de probabilidad.la probabilidad está definida como una función que asigana
a cada posible resultado de un experimento aleatorio un valor no negativo .
uno de los conceptos mas importantes de la teoría de probabilidades es el de variable
aleatoria que , es definida como cualquier característica medible que toma diferentes
valores en situaciones determinadas.
la distribución de probabilidad de una variable aleatoria se puede describir mediante
una función de densidad, en tanto que lo que se conoce como funcion de distribución
representa las probabilidades acumuladas.
\section{ DISTRIBUCION BERNOULLI }
Es una distribución discreta que está relacionada con muchas distribuciones.\\
Se utiliza cuando experimenta un proceso aleatorio cuyo resultado tenga exactamente dos
eventos (mutuamente excluyentes), pueden tomar dos valores numéricos:
\\
\\
X= 1 corresponde a un éxito \\
X= 0 corresponde a fracaso
\\
\\
Una variable aleatoria X sigue una distribución de Bernoulli si:
\\
\\
P(x = 1) = p y P(x = 0) = 1 – p, donde p es la probabilidad de ocurrencia del evento.
\subsection{Ejercicios }
La probabilidad P de que un cliente cualquiera pague con cheques sin fondos, es
desconocida por un gran banco. ¿Cuál seria el error cometido al tomar como valor de P la
frecuencia relativa correspondiente a 50000 clientes, si se pretende que la probabilidad, de
que el valor absoluto de la diferencia entre ambas sea mayor o igual que el error, sea como
mucho de 0,1?
Aplicando Bernoulli:
$$P(|\frac{x}{n}-p|\leq\delta)\leq \frac{pq}{n\delta^2}\leq\frac{1}{4n\delta^2} $$
Como p es desconocido tomamos la cota superior: $$P(|\frac{x}{n}-p|\geq\delta)\leq

\frac{1}{4\cdot 50000\cdot \delta^2}=0.1$$
De donde $$\delta=\frac{1}{4\cdot 50000\cdot0.1 }=0.00005$$ \\por tanto $$\delta=0.007$$
Un día visitamos el Casino y decidimos jugar a la ruleta. Nuestra apuesta va a ser siempre
al negro y cada apuesta de 3 euros. Llevamos 60 euros y queremos calcular la probabilidad de que
tras jugar
80 veces consigamos doblar nuestro dinero.

Cada jugada es una variable independiente que sigue el modelo de distribución de Bernouilli.
$$
x_{1}=\begin{cases}
1,
& \mbox{salir negro}\\
0, & \mbox{salir rojo}
\end{cases}
$$
Siendo:\\
p=p[$x_{i}$=1]=0.485
\\
1-p=p[$x_{i}$=0]=0.515
\\
Hagamos notar que en el juego de ruleta la probabilidad de “no salir negro” es mayor ya que
puede salir
rojo o el cero.
La media y varianza de cada variable Bernoulli
$$\mu=p=0.485$$
$$\sigma=\sqrt{p\cdot q}=\sqrt{0.25}=0.5$$
Aplicando el TCL en la forma de Lindeberg-Levy a la variable \begin{equation*}
\sum_{i}x_{i}
\end{equation*}
resulta que:
$$Y=\sum_{i}x_{i}\sim N(n\mu,\sigma\sqrt{n})$$
es decir:
$$Z=\frac{\sum_{i}x_{i}-n\mu}{\sigma\sqrt{n}} \sim N(0.1)$$
Para doblar nuestro dinero el negro tiene que salir al menos 20 veces más que el rojo ( ya que 20 *
3=
60), por lo que tendrá que salir negro al menos 50 veces y por tanto el rojo o el cero saldrán como
máximo
30 veces).
Luego:
$$P(Y\ge 50) \simeq P(Z> \frac{49.5-80*0.485}{0.5*\sqrt{80}})$$
$$P(Y\ge 50) \simeq p[Z>2.39]=1-P(Z<2.39)=1-0.9916=0.0084 $$
\\
Es decir, la probabilidad de doblar el dinero es tan sólo del 0,84 \% . Por tanto, lo mejor es no ir al
Casino,
pero si no puedes evitarlo no se te ocurra jugar a la ruleta y mucho menos apostar de modo
continuo al
negro.
\section{ DISTRIBUCION POISSON }
La distribución de Poisson fue desarrollada por Siméon‐Denis Poisson (1781‐1840).
Esta distribución de probabilidades es utilizada para situaciones donde los sucesos son
impredecibles o de ocurrencia
aleatoria.
En general, utilizaremos la distribución de Poisson como aproximación de experimentos

binomiales donde el número de pruebas es muy alto , pero la probabilidad de éxito muy baja.
La distribución de Poisson se caracteriza por las siguientes propiedades:
\begin{itemize}
\item Sea una población muy grande.
\item Sea una muestra de tamaño n bastante elevado
\item Los sucesos son independientes entre si.
\item Sea A un suceso que tiene una probabilidad p de suceder durante un periodo de
tiempo, siendo esta probabilidad de ocurrencia durante un periodo de tiempo concreto muy
pequeña (se suele hablar de que tiende a 0).
\end{itemize}
Su función de probabilidad viene definida por:
$$ F(x = X)\ = e^{-\lambda} \frac{\lambda^k}{x!} $$
\subsection{Ejercicio }
La probabilidad de que en una mascletà en fallas una persona se desmaye es de 0,001.

Considerando
que acuden unas 5000 personas a ver la mascletà el día de San José, ¿cúal es la probabilidad de
que se
desmayen 25 personas?
solucion
$$ F(x = 25)\ = e^{-50} \frac{50^{25}}{25!}= 3.70 10^{-5}$$
\section{MODELO LOGIT}
La curva logística fue descrita por primera vez en un trabajo elaborado por Pierre
Francois Verhulst en 1845, dicho trabajo era una investigación matemática de las leyes que
gobiernan el crecimiento de la población .
La distribución logística se utiliza en el estudio del crecimiento temporal de
variables , en particular , demográficas . En biología se ha aplicado . En sintesis ,
se estudia el tamaño de cualquier entidad ,Y,cuyo aumento está sujeto a limitaciones
de diversa índole.
Si queremos que el modelo proporcione directamente la probabilidad de pertenecer a
cada uno de los grupos, debemos transformar la variable respuesta de algún modo para
garantizar que la respuesta prevista esté entre cero y uno. Si tomamos
$$p_i=F(\beta_0 + \beta_1'x_i)$$
garantizaremos que pi esté entre cero y uno si exigimos que F tenga esa propiedad
Habitualmente se toma como F la función de distribución logística, dada por:
$$[Y_i/X_i]=p_i=\frac{1}{1+e^-(\beta_0+\beta_1^{'}{x_i})}$$
Esta función tiene la ventaja de ser continua
$$ 1-p_i=\frac{e^-(\beta_0+\beta_1^{'}{x_i})}{1+e^-(\beta_0+\beta_1^{'}{x_i})}$$
luego
$$g_i=log\frac{p_i}{1-p_i}=log\frac{\frac{1}{1+e^-(\beta_0+\beta_1^{'}{x_i})}}{\frac{e^-
(\beta_0+\beta_1^{'}{x_i})}{1+e^-(\beta_0+\beta_1^{'}{x_i})}}=log(\frac{1}{1+e^-
(\beta_0+\beta_1^{'}{x_i})})=\beta_0 + \beta_1'x_i$$
hacer esta transformación nos permite obtener un modelo lineal denominado logit .
La variable g representa en una escala logaritica la diferencia entre las probabilidades de

pertenecer a dos poblaciones .
La función que se suele utilizar con más frecuencia es una función monótonamente creciente o
(decreciente ) , en forma de S (o de S inertida)
\begin{figure}[h]
\centering
\caption{Modelo Logit}
\includegraphics[scale=1]{logic}
\end{figure}
\newpage
\section{ DISTRIBUCION BINOMIAL NEGATIVA }
Experimento que consiste en ensayos independientes repetidos, cada uno con

dos posibles resultados que se denominan éxito y fracaso, donde la probabilidad de éxito es
la misma en cada ensayo. Los ensayos se realizan hasta obtener un número fijo de éxitos.
Un experimento de binomial negativo posee las siguientes características:
\begin{itemize}
\item Los ensayos son independientes
\item El experimento consiste de x ensayos repetidos hasta obtener un número fijo de éxitos, r.
\item Cada ensayo proporciona un resultado que puede clasificarse como éxito o fracaso.
\item La probabilidad de éxito, designada como p, permanece constante de un ensayo a

otro.
\end{itemize}
\ Se realizan sucesivas repeticiones independientes de pruebas de \ Bernoulli idénticas, con

probabilidad de ´éxito p, hasta que aparece el r-esimo ´éxito, y se mide el número de fracasos.
\[
P(x) = \sum P(\{ (e_1,\dotsc,e_N) \}) = \ {x-1\choose r-1} \cdotp^r(1-p)^{X-r}
\]
\vspace{5mm}
\ Media de la binomial negativa \hspace{2cm} r(1-p)/p
\ varianza de la binomial negativa \hspace{2cm} r(1-p)/p^{2}
\ Un examen de Estadística consta de 20 preguntas tipo test y se conoce de experiencias
anteriores que un alumno tiene probabilidad 0.7 de contestar bien cada pregunta.
La probabilidad de que la primera pregunta que contesta bien sea la cuarta
\[
P(x) = \ {x-1\choose r-1} \cdot p^r(1-p)^{X-r}\]
\[
P(x) = \ {4-1\choose 1-1} \cdot 0.7^r(0.3)^{3}=0.0189\]
Una máquina dedicada a la fabricación de piezas de alta precisión produce las piezas de una
en una, siendo independiente la fabricación de cada pieza. La probabilidad de fabricar una pieza
defectuosa es 0.15
calcular la probabilidad de que las ocho primeras piezas fabricadas sean todas buenas.
\[P(x) = \ {x-1\choose r-1} \cdot p^r(1-p)^{X-r}\]
\[P(x) = \ {8-1\choose 8-1} \cdot 0.85^8(0.15)^{8-8}= 0.2724\]
\begin{document}
\section{DISTRIBUCION BINOMIAL}
Una distribución binomial es una distribución de probabilidad discreta que describe el número de
éxitos al realizar n experimentos independientes entre sí, acerca de una variable aleatoria.
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
\begin{itemize}
\item En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso)
\item La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara es constate.
\item La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.
\item El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo
que ocurra en cada experimento no afecta a los siguientes.
\item Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga cara y
cruz al mismo tiempo.
\item Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de salir cruz.
\item La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.
\end{itemize}
La fórmula para calcular la distribución normal es:
\[
P(x) = \ {n\choose x} \cdotp p^{x} \cdotp q^{n-x}
\]
La última novela de un autor ha tenido un gran éxito, hasta el punto de que el 80 por ciento de los
lectores ya la han leido. Un grupo de 4 amigos son aficionados a la lectura.
\begin{itemize}
\item ¿Cuál es la probabilidad de que en el grupo hayan leido la novela 2 personas?
\[
B(4, 0.2)
\]
\[
p = 0.8
\]
\[
q = 0.2
\]
\[
P(x=2) = \ {4\choose 2} \cdotp 0.8^{2} \cdotp 0.2^{2}
\]
\[
P(x=2)= \cdopt 6 \cdopt 0.64 \cdopt 0.04
\]
\[
P(x=2)= 0.1536
\]
\end{itemize}
\end{center}
\maketitle
\\Diez individuos, cada uno de ellos propenso a la
tuberculosis, entran en contacto con un portador de la
enfermedad. La probabilidad de que la enfermedad se
contagie del portador a un sujeto cualquiera es de 0.1.
¿Cuántos se espera que contraigan la enfermedad?
Solución:
\\X → B E(X) (10; 0.1) ( ) 10*0.1= 1

\begin{table}[htbp]
\begin{center}
\begin{tabular}{|l|l|}
\hline
\hline \hline
P(X=r)=\displaystyle{n \choose k} \displaystyle\binom p^{r}q^{n-r}\\\hline
\end{tabular}
\caption{Funcion de Probabilidad.}
\label{tabla:sencilla}
\end{center}
\end{table}
\begin{table}[htbp]
\begin{center}
\hline
\hline \hline
u=E(X)=np\\\hline
\end{tabular}
\caption{La media}
\end{center}
\end{table}
\begin{table}[htbp]
\begin{center}
\hline
\hline \hline
u=Var(X)=npq\\\hline
\end{tabular}
\caption{La Varianza}
\end{center}
\end{table}
\nocite{*}
\section{DISTRIBUCION LOGISTICA}
\\
El crecimiento relativo anual (\%) de la población de un determinado país sigue una
distribución logística de parámetro de posición 1 y de escala 2. Calcular la probabilidad de
que el crecimiento en un año determinado sea superior al 5\% y representar la función de
densidad
\begin{figure}[h]
\centering
\includegraphics[width=8cm]{logistoc.jpeg}
\caption{Resultados con Epidat4}
\end{figure}
La probabilidad de que la población tenga un crecimiento superior al 5\% es del orden de
0,12.
\\\begin{thebibliography}{X}
\bibitem{ DeG} \textsc{ DeGroot, M.H. },
\textit{ Probabilidad y Estadística.}, segunda edici\’on,
Addison‐Wesley Iberoamericana,ISBN 0‐201‐64405‐3 , 1988 .
\bibitem{Rom} \textsc{Romero , R y \textsc{ Zúnica}}
\textit{Introducción a la Estadística},primera edici\’on,2000.
\bibitem{Refresión Logística}}
\textit{http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/DM/tema2dm.pdf}
\end{thebibliography}
\end{document}

Distribuciones de probabilidad para Econometría II

Încărcat de

Informații document

Descriere originală:

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Distribuciones de probabilidad para Econometría II

Încărcat de

Drepturi de autor:

Formate disponibile

\documentclass[12pt]{article}

\usepackage[T1]{fontenc} %escribe lo del teclado

\usepackage[utf8]{inputenc} %Reconoce algunos símbolos

\usepackage{lmodern} %optimiza algunas fuentes

\usepackage{hyperref} % Uso de links

\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}

\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}

\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}

\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}

\item[\hskip \labelsep {\bfseries #1}\hskip \labelsep {\bfseries #2.}]}{\end{trivlist}}

\title{Funciones de probabilidades para Econometría II}

La necesidad de obtener conocimiento cuantitativo de la realidad ha generado que cada

vez se establescan modelos teóricos , esto a su vez se reducen en muchos casos a

a cada posible resultado de un experimento aleatorio un valor no negativo .

uno de los conceptos mas importantes de la teoría de probabilidades es el de variable

valores en situaciones determinadas.

la distribución de probabilidad de una variable aleatoria se puede describir mediante

representa las probabilidades acumuladas.

\section{ DISTRIBUCION BERNOULLI }

Es una distribución discreta que está relacionada con muchas distribuciones.\\

Una variable aleatoria X sigue una distribución de Bernoulli si:

P(x = 1) = p y P(x = 0) = 1 – p, donde p es la probabilidad de ocurrencia del evento.

La probabilidad P de que un cliente cualquiera pague con cheques sin fondos, es

frecuencia relativa correspondiente a 50000 clientes, si se pretende que la probabilidad, de

Como p es desconocido tomamos la cota superior: $$P(|\frac{x}{n}-p|\geq\delta)\leq

De donde $$\delta=\frac{1}{4\cdot 50000\cdot0.1 }=0.00005$$ \\por tanto $$\delta=0.007$$

80 veces consigamos doblar nuestro dinero.

& \mbox{salir negro}\\

0, & \mbox{salir rojo}

La media y varianza de cada variable Bernoulli

Aplicando el TCL en la forma de Lindeberg-Levy a la variable \begin{equation*}

$$Z=\frac{\sum_{i}x_{i}-n\mu}{\sigma\sqrt{n}} \sim N(0.1)$$

$$P(Y\ge 50) \simeq P(Z> \frac{49.5-80*0.485}{0.5*\sqrt{80}})$$

$$P(Y\ge 50) \simeq p[Z>2.39]=1-P(Z<2.39)=1-0.9916=0.0084 $$

\section{ DISTRIBUCION POISSON }

La distribución de Poisson fue desarrollada por Siméon‐Denis Poisson (1781‐1840).

En general, utilizaremos la distribución de Poisson como aproximación de experimentos

La distribución de Poisson se caracteriza por las siguientes propiedades:

\item Sea una población muy grande.

\item Sea una muestra de tamaño n bastante elevado

\item Los sucesos son independientes entre si.

Su función de probabilidad viene definida por:

$$ F(x = X)\ = e^{-\lambda} \frac{\lambda^k}{x!} $$

La probabilidad de que en una mascletà en fallas una persona se desmaye es de 0,001.

$$ F(x = 25)\ = e^{-50} \frac{50^{25}}{25!}= 3.70 10^{-5}$$

gobiernan el crecimiento de la población .

La distribución logística se utiliza en el estudio del crecimiento temporal de

variables , en particular , demográficas . En biología se ha aplicado . En sintesis ,

se estudia el tamaño de cualquier entidad ,Y,cuyo aumento está sujeto a limitaciones

Si queremos que el modelo proporcione directamente la probabilidad de pertenecer a

garantizar que la respuesta prevista esté entre cero y uno. Si tomamos

Habitualmente se toma como F la función de distribución logística, dada por:

Esta función tiene la ventaja de ser continua

La variable g representa en una escala logaritica la diferencia entre las probabilidades de

\section{ DISTRIBUCION BINOMIAL NEGATIVA }

Experimento que consiste en ensayos independientes repetidos, cada uno con

Un experimento de binomial negativo posee las siguientes características:

\item La probabilidad de éxito, designada como p, permanece constante de un ensayo a

\ Se realizan sucesivas repeticiones independientes de pruebas de \ Bernoulli idénticas, con

P(x) = \sum P(\{ (e_1,\dotsc,e_N) \}) = \ {x-1\choose r-1} \cdotp^r(1-p)^{X-r}

\ Media de la binomial negativa \hspace{2cm} r(1-p)/p

\ varianza de la binomial negativa \hspace{2cm} r(1-p)/p^{2}

$$P(Y\ge 50) \simeq P(Z> \frac{49.5-800.485}{0.5\sqrt{80}})$$