Teoría de La Inferencia Estadística I

ESTADSTICA PARA CIENCIAS ADMINISTRATIVAS, ECONMICAS Y CONTABLES
233 Lic. Estadstica Romina E. de los M. Vsquez Carrasco

IV. TEORA DE LA INFERENCIA ESTADSTICA.
I.1.- Variables aleatorias.
1. Introduccin.
En gran cantidad de experimentos aleatorios es necesario cuantificar los
resultados, es decir, asignar a cada resultado del experimento un nmero, con el
fin de poder realizar un estudio matemtico.
Ejemplo:
- Consideremos el experimento aleatorio lanzar tres monedas. Supongamos
que a cada elemento de su espacio muestral le asignamos un nmero real, el
correspondiente al nmero de caras obtenidas en el lanzamiento (discreta).
O
={ccc, ccs, csc, scc, css, scs, ssc, sss}
Esta correspondencia que acabamos de construir es una funcin del espacio
muestral
O
en el conjunto de los nmeros reales R. A esta funcin la
llamaremos variable aleatoria y la denotaremos por X.
- Consideremos el experimento que consiste en elegir al azar 200 empresas a
nivel nacional y medir el nmero de sucursales que stas tienen. La ley que
asocia a cada empresa con el nmero de sucursales es una variable aleatoria
(discreta).
O
- Consideremos el experimento que consiste en elegir al azar 200 empresas a
nivel nacional y medir el nmero de acciones que estas tienen. La ley que
asocia a cada empresa con sus acciones es una variable aleatoria (continua).
2. Definicin.
Una Variable aleatoria es una descripcin numrica del resultado de un
experimento. Es variable porque es posible que tome diferente valores numricos,
y, aleatoria porque el valor observado depende de cul de los posibles resultados
experimentales aparezca.
Se dice que hemos definido una variable aleatoria para un experimento
aleatorio cuando hemos asociado un valor numrico a cada resultado del
experimento.
Sea
O
el espacio muestral asociado a un experimento. Se llama variable
aleatoria a toda aplicacin del espacio muestral
O
en el conjunto de los nmeros
reales (es decir, asocia a cada elemento de
O
un nmero real).
Para designar variables aleatorias, utilizamos letras maysculas X, Y, ... y las
respectivas minsculas (x, y, ...) para designar valores concretos de las mismas.
Si un experimento con espacio muestral
O
, tiene asociada la variable
aleatoria X, es natural que se planteen preguntas como: Cul es la probabilidad de
que X tome un determinado valor?, esto nos lleva a establecer, la siguiente
notacin:
= X
Representa el suceso: "la variable aleatoria X toma el valor x",
) ( x X p =
Representa la probabilidad de dicho suceso; la probabilidad de que la
variable aleatoria X toma el valor de x.
) ( x X <
Representa el suceso: "la variable aleatoria X toma un valor menor a x",
) ( x X p <
La probabilidad de que la v.a. X tome un valor menor a x.
) ( x X s
"La variable aleatoria X toma un valor menor o igual a x"
) ( x X p s
La probabilidad de que la v.a. X tome un valor menor o igual a x.
Si una variable aleatoria slo toma valores enteros, es decir, un nmero finito
de valores o infinito numerable diremos que es discreta. Si tericamente, puede
tomar todos los valores de un intervalo de R, diremos que es continua.
3. Tipos de variables aleatorias.
Las variables aleatorias pueden ser Discretas o Continuas, dependiendo del
rango que la variable asuma.
Es decir el valor numrico de una variable aleatoria est sujeto al resultado
del experimento, entonces dependiendo de los valores numricos que asume una
variable aleatoria se puede clasificar como Discreta o Continua.
Variable Aleatoria Discreta
Usualmente un nmero entero {0. 1. 2. 3. 4 ...}
X:
N
- Su rango Rx, slo puede tomar un nmero finito o infinito numerable de
valores.
- Obtenida por conteo.
Variable Aleatoria Continua
- Puede asumir cualquier valor dentro de un rango dado.
- Obtenida por mediciones.
I.2.- Distribuciones de variables aleatorias.
1. Definicin.
Una distribucin de probabilidad es un despliegue de todos los posibles
resultados de un experimento junto con las probabilidades relacionadas con cada
resultado.
En nuestro ejemplo, el conjunto cuantitativo de posibles resultados {0, 1, 2, 3}
es decir el rango
x
R
formado por nmeros reales de cada elemento en
O
, a los
que le corresponden una probabilidad de ocurrencia P de la siguiente manera:
O
={ccc, ccx, cxc, xcc, cxx, xcx, xxc, xxx}
Probabilidad de obtener 0 caras:
| | 8 / 1 ) 0 ( = = = ccc X p
| | | | | | 8 / 3 ) 1 ( = + + = = css scs ssc X p
| | | | | | 8 / 3 csc ) 2 ( = + + = = scc ccs X p
| | 8 / 1 ) 3 ( = = = ccc X p
Luego la distribucin de Probabilidad de la Variable aleatoria X = nmero
de caras obtenidas al lanzar una moneda tres veces sera:
Variable Aleatoria: Variable X = Nmero de caras
Valores de la Variable X
x (0, 1, 2, 3).
P(X=x) o f(x)
Probabilidad de que la V.A. X tome el valor x

NSellos
0
1
2
3
Probabilidad
0.125
0.375
0.375
0.125
VARIABLE ALEATORIA PROBABILIDAD DE OCURRENCIA
) ( ) ( x f x p
El acto de asignar nmeros o valores a cada uno de los elementos del se
denomina variable aleatoria, y no es sino el eslabn que une la teora de la
probabilidad con el rea de la estadstica aplicada. Una manera grfica de
expresarlo es:
Ejemplo:
Sea X la variable aleatoria que indica la suma de los puntos de las cara
superiores al lanzar dos dados, Cul es el espacio muestral (), el conjunto de
valores de X y sus respectivas probabilidades?
Valores de X= xi
Rango de X
f (Xi) = 1
(1,1) 2 1/36
(1,2) (2,1) 3 2/36
(1,3) (2,2) (3,1) 4 3/36
(1,4) (2,3) (3,2) (4,1) 5 4/36
(1,5) (2,4) (3,3) (4,2) (5,1) 6 5/36
(1,6) (2,5) (3,4) (4,3) (5,2) (6,1) 7 6/36
(2,6) (3,5) (4,4) (5,3) (6,2) 8 5/36
(3,6) (4,5) (5,4) (6,3) 9 4/36
(4,6) (5,5) (6,4) 10 3/36
(5,6) (6,5) 11 2/36
(6,6) 12 1/36
) (
xi
f = 1
f
0
1
2
3
ccc
ccs
csc
scc
ssc
scs
css
X
f(3) = 1/8
f(2) = 3/8
f(1) = 3/8
f(0) = 1/8
f(x)
Funcin de probabilidad
Dominio de X
RANGO DE X
Dominio de f
R
x
c
2. Distribuciones de variables discretas.
Una distribucin de probabilidad para una variable aleatoria discreta, es un
listado mutuamente excluyente de todos los resultados posibles para esa variable
aleatoria, tal que una probabilidad particular de ocurrencia est asociada con cada
resultado.
Caractersticas:
Contiene todos los valores posibles de la Variable X, cada uno con su
Probabilidad asociada, P(X).
Mutuamente Excluyentes y Colectivamente exhaustivos
0 < P(Xi) < 1
P(Xi) = 1
Ejemplo
Represente la distribucin de probabilidad para los resultados del
lanzamiento de un dado no cargado.
p(Xi)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
p(X
i
) = 1
a) Cul es la probabilidad de que resulte un nmero impar?
p(Xi) = P(X=1) + P(X=3)+ P(X=5)
p(Xi) = 1/6 + 1/6+ 1/6
p(Xi) = 0.50
b) Cul es la probabilidad de que resulte un 3 menos? (Funcin de
distribucin Acumulativa).
P(X< 3) = P(X=0) +P(X=1) + P(X=2)+ P(X=3) = 0.5
Valor Esperado para una Distribucin discreta (

)
El valor esperado es un concepto fundamental en el estudio de las
distribuciones de probabilidad. Este concepto es aplicado ampliamente en el
negocio de seguros y tambin en la toma decisiones en condiciones de
incertidumbre.
Caractersticas:
Se denota E(X).
Media de la Distribucin de Probabilidad.
Media Pesada de los valores de X.
Las probabilidades actan como pesos (suman 1).
Para obtener el valor esperado de una variable aleatoria discreta,
multiplicamos cada valor que sta puede asumir por la probabilidad de
ocurrencia de ese valor y luego sumamos los productos. Es un promedio
ponderado de los resultados que se esperan en el futuro.
Ejemplo
Hallar el Valor esperado de los resultados del lanzamiento de un dado
no cargado.
x p(Xi) X * p(Xi)
1 1/6 1/6
2 1/6 2/6
3 1/6 3/6
4 1/6 4/6
5 1/6 5/6
6 1/6 6/6
p(X
i
) = 1

x
i
* p(X
i
) = 21/6
= ) ( * = ) ( = x X P x X E
) ( * = ) ( = x f x X E
b) Cunto dinero deberamos estar dispuestos a pagar por tener la
oportunidad de lanzar un dado, si se nos debiera pagar en dlares la
cantidad de la cara del dado?
Analicemos: En cualquier tiro particular nuestro pago ser $1, $2, ....$6,
pero a la larga se puede esperar que las ganancias promedien $3.5 por tiro.
Varianza y Desviacin Estndar de una Distribucin Discreta
La Varianza de una variable aleatoria discreta puede definirse como el
promedio pesado de las diferencias cuadradas entre cada resultado posible y
su media, siendo los pesos las probabilidades de cada uno de los resultados
respectivos.
Varianza:
Se denota VAR(X) o
2
.
Es el valor esperado (promedio) de las desviaciones cuadrticas de cada
valor x de la Variable Aleatoria X
Desviacin Estndar:
Raz Cuadrada de la Varianza.
Ejemplo
Hallar la Varianza y desviacin Estndar de los resultados del
lanzamiento de un dado no cargado.
= 5 . 3 ) ( * = ) ( = x f x X E
= = = ) ( * ) ( ) ( ) (
2 2 2
x f x X E X VAR
= = = ) ( * ) ( ) (
2 2
x f x X VAR
x p(Xi)
X -
(X -
)
2
(X -
)
2
*p(Xi)
1 1/6 3.5 -2.5 6.25 1.042
2 1/6 3.5 -1.5 2.25 0.375
3 1/6 3.5 -0.5 0.25 0.042
4 1/6 3.5 0.5 0.25 0.042
5 1/6 3.5 1.5 2.25 0.375
6 1/6 3.5 2.5 6.25 1.042
p(X
i
) = 1

(X-
)= 0

(X-
)
2
*p(X
i
) =
2.918
71 . 1 =
Interpretacin: En trminos de dinero; la ganancia media por tiro es de
$3.50 con una desviacin de $1.71.
Tanto la varianza como la desviacin estndar son medidas de
dispersin, de tal manera que cuanto menores son estos dos parmetros ms
agrupados se encuentran los valores de la distribucin entorno a los valores
centrales. Por contrario, para valores grandes de la varianza o la desviacin
tpica los datos de la distribucin se encuentran muy dispersos.
Distribucin Binomial
La distribucin binomial tiene su base en el proceso de Bernoulli, el cual
se caracteriza por involucrar dos posibles resultados de un experimento
aleatorio, uno de ellos llamado xito y el otro fracaso.
Distribuciones de Probabilidad
Discretas
Binomial Hipergeomtirca
Poisson
Las probabilidades asignadas al xito no siempre implican situaciones
positivas, es decir el xito slo est referido a uno de los resultados posibles
del experimento aleatorio sin depender de si ste es una situacin positiva o
negativa.
Ejemplos:
Encontrar un artculo defectuoso dentro de un lote de produccin.
Insatisfaccin del cliente o usuario.
Encontrar a una empresa no formalizada.
Encontrar un cliente puntual en sus pagos.
Las condiciones en las que se da una distribucin Binomial son:
La totalidad del experimento est compuesto por una secuencia de
intentos o ensayos idnticos.
En cada intento o ensayo hay dos posibles resultados, mutuamente
excluyentes: xito o fracaso.
La probabilidad de xito (p) permanece constante de ensayo a ensayo.
La probabilidad de fracaso (q) es el complemento de p, es decir, 1- p.
Los ensayos o intentos son estadsticamente independientes. Es decir
cada prueba es independiente de las dems.
Las pruebas se realizan en n determinado de veces. (n)
Ejemplos:
EXPERIMENTO ALEATORIO
RESULTADOS
POSIBLES
Lanzamiento de una moneda al aire Cara o sello
Nacimiento de un ser humano con respecto al
sexo
Hombre o Mujer
Estado de salud de una persona Sano o enfermo
Situacin ocupacional de una persona Ocupado o desocupado
Situacin del alumno al terminar el ao escolar
Aprobado o
desaprobado
Se define la variable aleatoria X= n de xitos en las n pruebas
Los valores de X son: k = 0, 1, 2, ., n
Los valores P(X=k) estn tabulados para diversos valores de p y n
Media o Valor Esperado
Desviacin Estndar
Funcin de probabilidad de la distribucin de probabilidad:
x n x x n x
n
x
q p
x n x
n
q p x p
c

= =
)! ( !
!
. . ) (
p (x) = probabilidad de obtener x xito
n = nmero de ensayos
x = resultado que se desea obtener o xitos
p = probabilidad que el evento deseado ocurra, o probabilidad de xito.
q = probabilidad que el evento deseado no ocurra, probabilidad de
fracaso.
Ejemplo: Cul es la probabilidad de obtener 6 caras al lanzar una
moneda 10 veces?
x es el nmero de aciertos. En este ejemplo x igual a 6 (en cada
acierto decamos que la variable toma el valor 1: son 6 aciertos, entonces x=6)
n es el nmero de ensayos. En nuestro ejemplo son 10
p es la probabilidad de xito, es decir, que salga cara al lanzar la
moneda. Por lo tanto p = 0,5
La frmula quedara:
6 10 6 6 10 6
10
6
) 5 , 0 1 ( ) 5 , 0 (
)! 6 10 ( ! 6
! 10
) 5 , 0 1 ( ) 5 , 0 ( ) 6 (

= = =
c
x p
Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad 0.205 de obtener 6 caras al lanzar 10
veces una moneda.
np X E = = ) (
npq =
Uso de tabla Binomial:
La tabla contiene probabilidades binomiales simples o acumulativas,
dependiendo de la tabla a emplear; es decir, la tabla de probabilidades
simples proporciona para cada valor la probabilidad de ocurrencia en ese
punto especfico, mientras que la tabla de probabilidades acumulativas
proporciona la probabilidad desde un valor X = x hasta inclusive (X > x).
Ejemplo
Una compaa que vende por telfono, ha vendido 20 artculos en las
ltimas 100 llamadas. Si durante un turno se llaman a 8 clientes, cul es la
probabilidad de:
a) No hacer ninguna venta?
Sea el experimento aleatorio: Llamar al cliente para proponerle la venta.
Sea Espacio muestral: } , { vende no vende = O
Sea el xito: Vender el artculo.
20 . 0
100
20
= = p
y n = 8
Entonces: 1678 . 0 ) 0 ( = = x p (segn la tabla de probabilidad binomial)
b) Hacer exactamente 2 ventas?
2936 . 0 ) 2 ( = = x p (segn la tabla de probabilidad binomial)
c) Hacer como mximo 2 ventas?
) 2 ( ) 1 ( ) 0 ( ) 2 ( = + = + = = s x p x p x p x p
7969 . 0 ) 2936 . 0 ( ) 3355 . 0 ( ) 1678 . 0 ( ) 2 ( = + + = s x p
d) Hacer al menos 2 ventas?
) 8 ( ... ) 3 ( ) 2 ( ) 2 ( = + + = + = = > x p x p x p x p
o, lo que es lo mismo:
| | 2 1 ) 2 ( < = > x p x p
| | ) 1 ( ) 0 ( 1 ) 2 ( = + = = > x p x p x p
| | 3355 . 0 1678 . 0 1 ) 2 ( + = > x p
| | 5033 . 0 1 ) 2 ( = > x p
4967 . 0 ) 2 ( = > x p
Distribucin Hipergeomtrica.
Una variable aleatoria X discreta, tiene una distribucin
Hipergeomtrica si su Ley de probabilidad o distribucin de probabilidad
esta dada por:
| |
C
C C
N
n
r N
x n
r
x
x X p
= =
| |
( ) ( )
( )
N
n
r N
x n
r
x
x X p
= =
Donde:
N = Tamao de la poblacin.
n = Tamao de la muestra.
x = Nmero de xitos esperado.
r = Nmero de xitos en la poblacin.
Se tiene la misma distribucin para X si la eleccin de los n elementos
de la poblacin se hace de uno en uno y sin restitucin o reposicin.
El resultado de cada extraccin depende de lo que haya sucedido en la
anterior, y a diferencia del caso de las extracciones con restitucin, estos
resultados no son independientes.
Ejemplo:
Con el fin de evaluar un lote de 20 artculos de lnea blanca enviados por
la compaa productora para su distribucin, se toma una muestra de 5
artculos en los cuales se har la inspeccin detectando si son defectuosos o
no. Si se sabe por datos del pasado que en un lote del mismo tamao existen
4 artculos defectuosos, y si el jefe de distribucin considera rechazar todo el
lote si en la muestra se encuentran ms de 1 artculo defectuoso; Cul es la
probabilidad de rechazar el lote?
Datos:
Experimento aleatorio: Evaluacin del artculo.
Espacio muestral:
} , { defectuoso no defectuoso = O
Tamao de la poblacin (N) = 20
Tamao de la muestra (n) = 5
xito: El artculo es defectuoso.
Nmero de xitos esperados = (x>1)
Nmero de xitos en la poblacin (r) = 4
) 1 ( 1 ) 1 ( s = > x p x p
)] 1 ( ) 0 ( [ 1 ) 1 ( = + = = > x p x p x p
Hacindolo por partes:
| |
( ) ( )
( )
4696 . 0
! 15 ! 5
! 20
! 12 ! 4
! 16
! 3 ! 1
! 4
1
20
5
4 20
1 5
4
1
= = = =

X p
| |
( ) ( )
( )
2817 . 0
! 15 ! 5
! 20
! 11 ! 5
! 16
! 4 ! 0
! 4
0
20
5
4 20
0 5
4
0
= = = =

X p
2487 . 0 7513 . 0 1 ] 4696 . 0 2817 . 0 [ 1 ) 1 ( = = + = > x p
Dado que la probabilidad de encontrar ms de un artculo defectuoso es
0.2487, y siendo esta la condicin para rechazar el lote de produccin,
podemos decir que existe una probabilidad de 0.2487 de rechazar el lote.

Teoría de La Inferencia Estadística I

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Teoría de La Inferencia Estadística I

Transféré par

Droits d'auteur :

Formats disponibles

ESTADSTICA PARA CIENCIAS ADMINISTRATIVAS, ECONMICAS Y CONTABLES

233 Lic. Estadstica Romina E. de los M. Vsquez Carrasco

Probabilidad de que la V.A. X tome el valor x

Vous aimerez peut-être aussi