Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Métodos Cuantitativos
Métodos Cuantitativos
FACULTAD DE ECONOMÍA
ESCUELA PROFESIONAL DE ECONOMÍA
METODOS CUANTITATIVOS 2
0.25000 0.25000
0.20000 0.20000
PROBABILIDAD
PROBABILIDAD
0.15000 0.15000
0.10000 0.10000
0.05000 0.05000
- -
0 5 10 15 20 25 30 35 40 0 5 10 15 20 25 30 35 40
(0.05000) (0.05000)
V .A. DISCRETA V .A. DISCRETA
1
METODOS CUANTITATIVOS II
BIBLIOGRAFIA BASICA:
HEINZ KOHLER – Estadística para Negocios y Economía – Primera edición 1996
MOYA RUFINO y SARAVIA GREGORIO: “Probabilidades e Inferencia Estadística” 1995
BIBLIOGRAFIA COMPLEMENTARIA:
PAUL NEWBOLD, WILLIAM L. CARLSON Y BETTY THORNE – Estadística para administración y Economía Ed. 2008
LARSON, HAROLD – Introducción a la Teoría de las probabilidades e inferencia estadística – 3ra. Edición 1996
ALLEN L. WEBSTER – Estadística Aplicada a los Negocios y la Economía – Tercera Edición 2000
BERENSON – LEVINE – “Estadística para la Administración y Economía” Quinta Edición.
MASON Y LIND –“Estadística para administración y Economía” 1995
LEVIN & RUBIN – “Estadística para Administradores” Sexta Edición
VARIABLE.
Magnitud:
Inestable,
inconstante y mudable;
cuyos valores están determinados por las leyes de probabilidad 4
2
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA
GUARISMO
MICROELECTRONICA SOFTWARE GUIÓN
MINERÍA
NOTACIÓN
DATO REFERENCIA
COMPUTACION CUANTÍA
ANTECEDENTE
SÍMBOLO
INTERNET
SIGNO
DÍGITO
MAGNITUD
NÚMERO
CIFRA
TELECOMUNICACIONES
DIGITALES REPRESENTACIÓN
CANTIDAD
“cuánta gente tiene capacidad económica y está dispuesta a pagar por nuestro producto”
DEMANDA EFECTIVA
(CON
DEMANDA CAPACIDAD Y
POTENCIAL CON DISPOSICION
(CON LA A PAGAR)
NECESIDAD O 1,998 demandantes
INTERESADOS) (80%)
2,497
POBLACIÓN AFECTADA
demandantes (Meta del Proyecto)
(70%)
POBLACION DEL POBLACIÓN AFECTADA
AREA DE
MERCADO
3,567 demandantes POBLACION SIN
(100%) LA NECESIDAD
NO
POBLACION
POBLACIÓN DE REFERENCIA INTERESADOS SIN DISPOSICION
1,070 demandantes A PAGAR
(30 %) 499 demandantes (20%)
POBLACIÓN APLAZADA
3
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA
Una variable estadística es una propiedad que puede fluctuar y cuya variación es susceptible de adoptar diferentes valores, los cuales pueden medirse u
observarse. Las variables adquieren valor cuando se relacionan con otras variables, es decir, si forman parte de una hipótesis o de una teoría.
Variables cualitativas
Son el tipo de variables que como su nombre lo indica expresan distintas cualidades, características o modalidad. Cada modalidad que se presenta se
denomina atributo o categoría, y la medición consiste en una clasificación de dichos atributos. Las variables cualitativas pueden ser dicotómicas cuando
sólo pueden tomar dos valores posibles, como sí y no, hombre y mujer o ser politómicas cuando pueden adquirir tres o más valores. Dentro de ellas
podemos distinguir:
•Variable cualitativa ordinal o variable cuasi cuantitativa: La variable puede tomar distintos valores ordenados siguiendo una escala establecida, aunque
no es necesario que el intervalo entre mediciones sea uniforme, por ejemplo: leve, moderado, fuerte.
•Variable cualitativa nominal: En esta variable los valores no pueden ser sometidos a un criterio de orden, como por ejemplo los colores.
Variables cuantitativas
Son las variables que toman como argumento cantidades numéricas, son variables matemáticas. Las variables cuantitativas además pueden ser:
Variable Discreta: Es la variable que presenta separaciones o interrupciones en la escala de valores que puede tomar. Estas separaciones o interrupciones
indican la ausencia de valores entre los distintos valores específicos que la variable pueda asumir. Ejemplo: El número de hijos (1, 2, 3, 4, 5), número de
alumnos en el aula.
Variable continua: Es la variable que puede adquirir cualquier valor dentro de un intervalo especificado de valores. Por ejemplo la masa (2,3 kg, 2,4 kg,
2,5 kg,...) o la altura (1,64 m, 1,65 m, 1,66 m,...), o el salario. Solamente se está limitado por la precisión del aparato medidor, en teoría permiten que exista
un valor entre dos variables.
Dato Económico
MEDIDAS DE – LA VARIANZA
NOMINALES
Pueden ser
– LA DESVIACION ESTANDAR
CONTINOAS Más de dos categorías: DISPERSIÓN – EL COEFICIENTE DE VARIAVILIDAD
Pueden tomar todos los valores Indican la dispersión de los – LA DESVIACION MEDIA
Tiempo, calidad, gusto
de un intervalo – EL RECORRIDO // LAS Z.NORMALIZACION
datos respecto a valores • PARAMETROS DE CONCENTRACION
ORDINALES centrales – LOS MÁS IMPORTANTES SON:
– LA CURVA DE LORENZ // INDICE DE GINI
Más de dos categorías:
Felicidad: Feliz, triste – EL GRADO DE ASIMETRIA. Destacan:
• SIMETRICA O CAMPANA DE GAUSS
• ASIMETRICA A LA DERECHA
MEDIDAS DE FORMA • ASIMETRICA A LA IZQUIERDA
Se pueden expresar mediante – EL GRADO DE APUNTAMIENTO
• LEPTOKURTICA = SOBRE LA NORMAL
• MESOKURTICA = IGUAL A LA NORMAL 8
• PLATIKURTICA = BAJO LA NORMAL
4
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA
DATO ECONOMICO
VARIABLE ECONÓMICA
5
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
11
Vender un automóvil 0, 1, 2, 3, 4, 5
0, 1, 2, 3, …, 40
Funcionamiento de un Sexo del Cliente 0, 1, 2, 3, 4, …
Restaurante
Inspeccionar un 0 si es Varón
Durante
Llamar
Embarque todo
de 40un
a Cinco día
clientes
Chips Cantidad
Cantidad
Cantidad deClientes
de Chips
de Clientes
defectuosos 1 si es Mujer
12
6
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
Inspeccionar un embarque de 120 televisores a color Número de televisores defectuosos 0, 1, 2,..., 120
-Lazar una moneda 3 veces Nos interesa el número de caras 0, 1, 2, 3
-Efectuar 320 llamadas de ventas Número total de ventas 0, 1, 2,..., 320
-Operar en estación de servicios (Grifo) Número de vehículos que se atiende al día 0, 1, 2,....
-Construir una represa de agua % del proyecto terminado en años 0 x 5
13
Ensayar un nuevo proceso químico Temperatura cuando se lleva a cabo la reacción deseada 150<=x<=212
(min 150º F; máxima 212ºF)
14
7
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E)
“ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Experimento (E = ) Resultados del Experimento (E = )
Jugar un partido de fútbol GANAR, EMPATAR, PERDER
LANZAMIENTO DE DADO
SELECCIONAR UN TELEVISOR DEFECTUOSO, NO DEFECTUOSOS
PARA INSPECCIONAR 1, 2, 3, 4, 5, 6
VENDER, NO VENDER
GANANCIA, PERDIDA
VENTA DE SEGUROS
LLEVAR A CABO UNA VISITA DE
VENTAS
Un experimento aleatorio (E = ) es una operación cuyo resultado no se puede predecir con certeza y que se
realiza bajo las siguientes condiciones:
• Puede ser repetido bajo las mismas condiciones.
• Se puede describir el número de resultados posibles. 15
8
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
“DEFINICIÓN: ESPACIO MUESTRAL [Ω omega (w1)] (S)”
- Es el conjunto de todos los resultados posibles de un Experimento Aleatorio (EA), en una sola observación del fenómeno de acuerdo al número de sus
elementos.
- Es un resultado particular, esto es, un elemento del Espacio Muestral (), se llama PUNTO MUESTRAL O MUESTRA.
CASO 01:
Se lanza un dado y se observa el número que aparece en la cara superior.
SOLUCION:
E1 = Consiste en lanzar el dado y observar el Nro. que aparece en la cara superior.
1 = 1, 2, 3, 4, 5, 6 Es decir, son los 6 posibles resultados.
CASO 02:
Se lanza una moneda cuatro veces y se cuenta el número total de caras obtenidas.
SOLUCION.
E2 = Lanzar la moneda cuatro veces sobre la mesa y contar el Nro. total de caras
2 = 0, 1, 2, 3
CASO 03:
Se fabrican artículos en una línea de producción y se cuenta el Nro. de artículos defectuosos producidos en un período de 24 horas.
SOLUCION:
E3 = Contar el Nro. de Artículos defectuosos en la producción de 24 horas.
3 = 0,1, 2, ... n
17
CASO 04: Se lanza un dado y se observa el número que aparece en la cara superior.
SOLUCION:
E1 = Consiste en lanzar el dado y observar el Nro. que aparece en la cara superior.
1 = 1, 2, 3, 4, 5, 6 Es decir, son los 6 posibles resultados.
Sea: A el EVENTO de salir un Nro. PAR. B de salir IMPAR y C de salir un Nro. Primo
Esto se escribe: N° Primo, dos divisores distintos: él mismo y 1
A = 2, 4, 6 B = 1, 3, 5 C = 2, 3, 5 D = 1 E = 4, 5, 6
F = 1, 3, 4, 6
y las posibles combinaciones a realizarse A = w1, w2, … wn
Todos estos son los únicos EVENTOS y son distintos, que se realizan al tirar un dado.- si sale 1 o el As.- entonces, decimos que ha ocurrido el evento D. 18
UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com
9
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
Estas operaciones se basan en la Teoría de Conjuntos, entonces decimos; sea E1 y E2 son dos experimentos con espacio
muestral entonces se define:
Ei = Ω = {Es el evento seguro} = Evento elemental = Espacio Muestral = Evento resultado.
Ø = Evento imposible o evento nulo
E1 = E1c = w: w E1 = Es el evento que sucede E1 No sucede
A B es el evento que sucede A ó B o ambos suceden
A B es el evento que sucede A y B suceden simultáneamente
Ac = (complemento A) es el evento que sucede A NO sucede
A B = Ω Dos eventos son complementarios, cuando su unión es igual al especio muestral
A B = Ø Son dos eventos mutuamente excluyentes, la intersección de los conjuntos es igual al conjunto vacío.
A\B Complemento Relativo o la Diferencia entre A y B, Es el conjunto de elementos que ε A, pero no a B.
A B C D = Ω EVENTOS COLECTIVAMENTE EXHAUSTIVOS, son eventos tales que siempre que realizamos el
experimento ocurre por lo menos uno de ellos.
19
10
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
“OPERACIONES ENTRE EVENTO y SUCESOS ALEATORIOS”
“OPERACIONES ENTRE EVENTO y SUCESOS” INTERSECCIÓN
La intersección se dos sucesos A y B de un mismo experimento aleatorio, representada por A B, es el suceso que se produce cuando
se realizan A y B simultáneamente.
El suceso A B está formado por los puntos muestrales comunes a A y B. •1
Ω
Ejemplo: consideremos el fenómeno aleatorio tirar un dado.
•3 •5
1 = 1, 2, 3, 4, 5, 6 Es decir, son los 6 posibles resultados. •4
Sean los eventos: A B = {4} •2 •6
B
• A = {2, 3 , 4} y A
• B = {4, 5, 6}
“OPERACIONES ENTRE EVENTO y SUCESOS” UNIÓN
Dados dos sucesos A y B de un mismo experimento aleatorio, llamamos suceso unión
de A y B al suceso que se realiza cuando se realiza A o B.
El suceso A unión B se representa por A B o también por A ó B. El suceso A B está
Ω •1 •1
formado por los puntos muestrales de A y B. B
Ejemplo: consideremos el fenómeno aleatorio tirar un dado. •5 •5
1 = 1, 2, 3, 4, 5, 6 Es decir, son los 6 posibles resultados. •2 •2 •4 •4
A •6
Sean los eventos: •3 •3 •6
• A = {2, 3 , 4} y
A B = {2, 3, 4, 5, 6}
• B = {4, 5, 6} 21
Se dice que el Conjunto de los Sucesos S con esas operaciones y propiedades tiene estructura de Álgebra de Boole
Álgebra de Boole (también llamada Retículas booleanas) en informática y matemáticas, es una estructura algebraica que
rigorizan las operaciones lógicas Y, O y NO, así como el conjunto de operaciones unión, intersección y complemento.
22
11
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E): “ESPACIO MUESTRAL [Ω omega (w1)] (S)” Lanzamiento de dos dados
Un experimento consiste en lanzar dos dado y observar los números que aparecen en las caras superiores.
SE PIDE:
a.- Liste los elementos del espacio muestral
b.- Liste los elementos del evento A: la suma de los números es cinco
c.- Liste los elementos del evento B: la suma de los números es doce Función de Probabilidad = P(X)
d.- Liste los elementos del evento C: el producto de los números es 24
e.- Liste los elementos del evento D: la suma de los números es divisible entre 7 0.18 0.1667
SOLUCIÓN
0.16
a.- El espacio muestral asociado a este experimento es 6 ² = 36 elementos 0.1389 0.1389
0.14
Probabilidad X = P (X)
1,1 1, 2 1,3 1, 4 1,5 1, 6 0.12 0.1111 0.1111
2,1 2, 2 2,3 2, 4 2,5 2, 6 0.10
3,1 3, 2 3,3 3, 4 3,5 3, 6 0.0833 0.0833
4,1 4, 2 4,3 4, 4 4,5 4, 6
0.08
0.0556 0.0556
5,1 5, 2 5,3 5, 4 5,5 5, 6 0.06
6,1 6, 2 6,3 6, 4 6,5 6, 6 0.04 0.0278 0.0278
Los eventos pedidos son: 0.02
b.- A = (1,4), (4,1), (2,3), (3,2)
c.- B = (6,6) 0.00
d.- C = (4,6), (6,4)
e.- D = (1,6), (6,1), ( 4,3), (3,4), (5,2), (2,5)
Usando las operaciones con conjuntos, podemos formar nuevos. Estos nuevos eventos serán nuevamente subconjuntos del Rango X = Rx
mismo espacio muestral de los eventos dados.
Luego las probabilidades por simple conteo, son: (si apostamos a obtener 5)
a).- P (A) = 4 / 36 = 1 / 9 = 0.11 = 11% b).- P (B) = 1 / 36 = 0.027 2.7%
d).- P (D) = 6 / 36 = 1 / 6 = 0.1666 = 16.66% 23
24
12
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
DEFINICIÓN DE VARIABLE ALEATORIA DISCRETA
Una variable aleatoria discreta puede asumir sólo un cierto número de valores específicos.
Si el rango de la variable aleatoria X, es un conjunto finito o infinito numerable, se llama variable aleatoria discreta.
En esta caso: Rx = {x1, x2, x3, x4, …, xi}
Ejemplo 01:
Si hay 100 empleados en una empresa, la cantidad de los ausentes el lunes, puede ser 0, 1, 2, 3, 4, …, 100.
Ejemplo 02:
Suponga que el número de días de trabajo en un año particular es 280 y los records de los empleados se marcan cada
día que ellos están ausentes del trabajo. Se selecciona aleatoriamente un records y se observa los días marcados. La
variable aleatoria X se define como el número de días ausentes del trabajo, entonces Rx = {0, 1, 2, 3, …, 280}. Luego,
X es una variable aleatoria discreta con un número finito de posibles valores.
Por lo general, una variable aleatoria discreta es el resultado de contar algo. Así, por definición:
Variable Aleatoria Discreta: Variable que sólo puede tener ciertos valores claramente separados, que resulta de contar
algún elemento de interés.
FUNCIÓN O LEY DE PROBABILIDAD
Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral E de un experimento aleatorio un
valor numérico real:
25
0
S S 1/4 = 0.25
Elementos del espacio SS SC CS CC
muestral
22 = 4
Ley de S C
correspondencia 1
2/4 = 0.50
Nº reales
(# de caras) 0 1 2 Caras C S
Establecer una variable aleatoria para un X :E
experimento aleatorio no es más que una 1/4 = 0.25
manera de asignar de "manera natural" w X ( w) 2
números a los eventos. C C 26
13
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Nº reales
0 (# de caras) 1 2 3
Establecer una variable aleatoria para un experimento aleatorio no es más que una manera de X :E
asignar de "manera natural" números a los eventos. w X ( w)
27
Nº reales
0 (# de caras) 1 2 3
Espacio Dominio F Función
Muestral Rango Rx Cuantía P (x) R x = {0, 1, 2, 3} P(x) = f(x)= (0, 1/8), (1, 3/8), (2, 3/8), (3, 1/8)
SSS
SSC 0 1/8 = 0.125 0.40 0.375 0.375
0.35
SC S 1
Probabilidad P(X)
0.30
3/8 = 0.375
CSS 0.25
1 0.20
CCS 0.15 0.125 0.125
C SC 2 3/8 = 0.375
0.10
SCC 0.05
CCC 1/8 = 0.125 = 1 0.00
3 Cero Uno Dos Tres 28
Dominio o Rango Rx
UNSA – Facultad de Economía Econ. Orlando Torres Montes /otorresms@gmail.com
14
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Distribución de Probabilidad
• Una tabla, gráfica o fórmula que asocie cada valor posible, x, de una variable aleatoria, X, con una cierta
probabilidad de ocurrencia, P (X = x), es la distribución de probabilidad de la variable aleatoria.
• Si la variable es aleatoria discreta, la distribución recibe el nombre de distribución discreta de
probabilidad.
0.45 0.40
Ej. p ( x ) = x / 10 ; x = 1, 2, 3, 4 0.40
0.35 0.30
Probabildad %
0.30
x 1 2 3 4 0.25 0.20
0.20
P (x) = P( X = x ) 1/10 2/10 3/10 4/10 0.15 0.10
0.10
0.05
0.00
1 2 3 4
Categoria de X
29
0.21
4 24 0.08 0.32000 0.14151
0.20
5 18 0.06 0.30000 0.32573
6 15 0.05 0.30000 0.55445 0.14
0.15
7 11 0.04 0.25667 0.68746
0.10 0.08 0.08
8 7 0.02 0.18667 0.66287 0.06
9 2 0.01 0.06000 0.26713 0.05
0.05 0.04
TOTAL 300 1.00 2.67 3.9811 0.02
0.01
D Estandar 0.00
1.9953 0 1 2 3 4 5 6 7 8 9
Número de TV vendidos al día 30
15
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
p x P X x P w Donde la suma es sobre los sucesos w ɛ Ω tal que X(w) = x y satisface las siguientes
condiciones:
w. . / X w x 1. p(x) > 0, x ɛ Rx
2.
p x
P X x 1
x. . Rx
x. . Rx
Una variable aleatoria X es una función que asocia a cada suceso del espacio muestral E de un experimento aleatorio un valor numérico
real:
X :E
w X ( w)
Llamar variable a una función resulta algo confuso, por ello hay que insistir en que es una función.
31
16
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
1. Valor esperado.
E(X ) = μx = Σ [x P(X = x)]Ω
2. Varianza y desviación estándar: Mide la dispersión de los resultados alrededor de su media
• V(X ) = σx2 = E (X – E(X) ) 2 = E (X – μ) 2
• V(X ) = σx2 = Σ ((X – μ)2 P(X = x))
• V(X ) = σx2 = E (X 2 ) – ( E(X) ) 2 = E (X 2 ) – μ 2
en donde E(X 2) = Σ (X 2 ) P(X = x)
• σx = [ V(X ) ] ½
33
34
17
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Caso 06: Vendedor de Seguros de Vida
A cada punto muestral, le corresponde un valor numérico que es la ganancia o pérdida del Vendedor de Seguros, en cada caso, esto es:
Rx P(x)
G, G, G 500 500 500 1500
800
G, G, P 500 500 200
G , P, G 500 200 500 800 1/ 8
P, G , G 200 500 500 800 3/ 8
Rx P ( x ) P ( x ) 1
P, P, G 200 200 500 100 3/ 8
P, G , P 200 500 200 100 1/ 8
G , P, P 500 200 200 100
P, P, P 200 200 600
200
36
18
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
De cinco familias F1, F2, F3, F4, F5, que tienen tres hijos cada uno, se cuenta con la siguiente información:
FAMILIA Nro. Varones Nro. Mujeres.
F1 2 1
F2 3 0
F3 0 3
F4 1 2
F5 2 1
Al elegir, al azar dos de esas familias y definir como variable aleatoria X el número total de hijos varones, determinar:
SE PIDE:
1. Especificar en que consiste el experimento
2. Determine el número de elementos del espacio muestral.
3. Determine el Rango de X.
4. Determine la función de probabilidad.
5. Encuentre la esperanza matemática y su varianza
37
n 0.25
F3 0 3 0.20 0.20 0.20
x !(n x)! 0.20
f ( x) P ( x)
F4 1 2
0.15
Rx F5 2 1
0.10
0.10
19
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
De cinco familias F1, F2, F3, F4, F5, que tienen tres hijos cada uno, se cuenta con la
siguiente información:
FAMILIA Nro. Varones Nro. Mujeres.
F1 2 1
F2 3 0
F3 0 3
F4 1 2
F5 2 1
Al elegir, al azar dos de esas familias y definir como variable aleatoria X el número total
de hijos mujeres, determinar:
SE PIDE:
1. Especificar en que consiste el experimento
2. Determine el número de elementos del espacio muestral.
3. Determine el Rango de X.
4. Determine la función de probabilidad.
5. Encuentre la esperanza matemática y varianza
39
EXPERIMENTO - ESPACIO MUESTRAL: CASO 18: NUMERO DE HIJAS MUJERES EN LA FAMILIA Garafico N° 01
Familias N° Varones N° Mujeres
Variable Aleatoria Discreta
F1 2 1
n! n=5
Cx n X=2
F2 3 0
x !(n x)! F3 0 3 0.35 0.30
Probabilida P (X = x)
10
f ( x) P ( x)
F4 1 2 0.30
Rx F5 2 1 0.25 0.20 0.20 0.20
0.20
F1 F2 1+0 1 Dominio Función de Valor Varianza =
0.15 0.10
F1 F3 1+3 4 O Cuantía Esperado (Rx -µ)² . P (X) 0.10
F1 F4 1+ 2 3 Rango F (X) =P (X) Rx . P (X) 0.05
0.00
F1 F5 1+ 1 2 2 / 10 = 0.20 0.20 0.648
1 1 2 3 4 5
F2 F3 0+ 3 3
2 / 10 = 0.20 0.40 0.128 Rango X = Rx
2
F2 F4 0+ 2 2
3 / 10 = 0.30 0.90 0.012
F2 F5 0+ 1 1
3
2 / 10 = 0.20 0.80 0.288
F3 F4 3+ 2 5 4
1 / 10 = 0.10 0.50 0.484
F3 F5 3+ 1 4 5
P (x) = 1-00 E (x) = 2.80 E (x) = 1.56
F4 F5 2+ 1 3
Sx = 1.25
Rx = {1, 2, 3, 4, 5}
F (X) = {(1,2/10),(2,2/10),(3,3/10),(4,2/10),(5,1/10)} 40
20
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
Cx
n n!
6!
20 = (S1,S2,S3), (S1,S2,S4), (S1,S2,S5), (S1,S2,S6), (S1,S3,S4),
x!(n x)! 3!(6 3)! (S1,S3,S5), (S1,S3,S6), (S1,S4,S5), (S1,S4,S6), (S1,S5,S6),
(S2,S3,S4), (S2,S3,S5), (S2,S3,S6), (S2,S4,S5), (S2,S4,S6),
(S2,S5,S6), (S3,S4,S5), (S3,S4 S6), (S3.S5.S6), (S4,S5,S6)
41
SOLUCION:
1. Si -.- por que su rango es un conjunto discreto de números reales
finitos, como lo probaremos más adelante.
2. Señale el número de elementos del dominio o rango de la función.
42
21
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
Rx = 39 41 44 46 49 51
F. Probabilidad P (X = x)
F(41) = P (X = 41) = 3/20 = 0.15 0.30
4 / 20 0.20 si 41 X 44 F(44) = P (X = 44) = 6/20 = 0.30 0.70
0.25
0.20
p (X) = P (X = x)
F ( x) 10 / 20 0.50 si 44 X 46 F(46) = P (X = 46) = 6/20 = 0.30
0.60
0.15
0.10
16 / 20 0.80 si 46 X 49 F(49) = P (X = 49) = 3/20 = 0.15 0.05
F(51) = P (X = 51) = 1/20 = 0.05 0.50 0.00
19 / 20 0.95 si 49 X 51
0.40
20 / 20 1.00 X 51
0.30
0.20 Rango de X = Rx
0.10
0.00
0 10 20 30 40 50 60
Rango de X = Rx
43
1 0.50 0.75
2 0.125 0.875
3 0.125 1.00
Condición Resultado
0 ≤ g < 0.25 0
0.25 ≤ g < 0.75 1
0.75 ≤ g < 0.875 2
0.875 ≤ g < 1 3
44
22
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
23
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
FENOMENO O EXPERIMENTO ALEATORIO (E) “ES LA BASE O INICIO DE LA TEORIA DE LA PROBABILIDAD”
ESTADÍSTICOS Y SUS DISTRIBUCIONES Distribuciones Continuas
Distribuciones Discretas • Distribución Uniforme •Distribución t
Distribución Acumulada • Distribución Exponencial •Distribución Chi Cuadra X²
Distribución Multivariante • Distribución Gamma •Distribución F
Distribución Discreta Uniforme • Distribución Weibull •Distribución Beta
Distribución Binomial - Bernoulli • Distribución Normal • Distribución Pearson tipo V
Distribución Geométrica • Distribución Lognormal • Distribución Pearson tipo VI
Distribución Poisson • Distribución Log - logística
Distribución Hipergeométrica Variable aleatoria continua • Distribución Johnson SU
Distribución Polinomial Función de densidad conjunta • Distribución Triangular
Variable aleatoria discreta 1. f (x, y) ≥ 0
Valor esperado, varianza, covarianza y correlación ∞ ∞
2. . 𝑓 𝑥, 𝑦 𝑑𝑥 𝑑𝑦 = 1
μ = E (x) = Σx x* f (x) −∞ −∞
3. 𝑃 𝑋, 𝑌 ∈ 𝐴 = 𝑓 𝑥, 𝑦 𝑑𝑥𝑑𝑦
V (X) = E (x2) – (E (x ))2 = Σ x2 f (x) - (E (x ))2 Función de densidad marginal ∞
Cov (X, Y) = E (XY) – E (X) E (Y) = Σx Σy xy f (x, y) - E (X) E (Y) Función de densidad marginal de X como: 𝑓𝑌 (𝑌) = 𝑓 𝑥, 𝑦 𝑑𝑥
Función de densidad marginal de Y como: 47
−∞
24
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
49
25
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
W1 = E 1 ½ = 1
W2 = F
0 ½
El Rango de X es Rx = 0, 1
La función de cuantía es F (x) = (1,1/2), (0,1/2)
Es decir, X (F) = 0 “Sí el resultado del ensayo es un F” no sucede
X (E) = 1 “Sí el resultado del ensayo es un E” si sucede
Denotamos por:
p = P (E) y Q = 1 – p = P (F)
Se escribe también como una función.
P(x) = P X = X = px (1 – p)n - x, Rx = x = 0 ó 1
51
52
26
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
0.40 0.3750
0.35
Probabilidad (X = x)
0.30
0.2500 0.2500
0.25
0.20
0.15
0.10 0.0625 0.0625
0.05
0.00
Cero Uno Dos Tres Cuatro
Dominio o Rango Rx 53
27
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
0.40 0.3675
CARACTERISTICAS DE POSICION 0.35
P (X = x) Probabilidad
0.3000
LA MEDIA ARITMETICA O VALOR ESPERADO. 0.30
E (x) = X. P (X). 0.25 0.2000
= (0 x 0.041) + (1x 0.20)+ (2 x 0.36754)+ (3 x 0.30)+ (4 x 0.091506) 0.20
= 2.2 0.15
0.0915
E (x) = n p = 4 x 0.55 = 2.2 0.10
0.0410
0.05
0.00
CARACTERISTICAS DE DISPERSION O DE VARIABILIDAD. 0 1 2 3 4
LA VARIANZA Y LA DESVIACION ESTANDAR Rx = Artículos defectuosos
²x = (X - )² .p (X)
= ((0 – 2.2)² 0.041) + ((1 – 2.2)² 0.20) + ((2 – 2.2)². 0.36754) + ((3 – 2.2)² 0.3)
+ ((4 – 2.2)² 0.091506) = 0.99
55
x ! n x ! 0! 5 0 !
Es decir, que la probabilidad que en ningún día el precio de la acción suba respecto al precio actual es igual al 1.02%
De la misma manera se pueden calcular las otras probabilidades, como son que en algunos días (1, 2, 3, 4, 5) los precios suban:
5! 5!
0.6 1 0.6 0.0768 0.6 1 0.6 0.2592
5 1 5 4
P( X 1) P( X 4)
1 4
2! 5 2 ! 5! 5 5 !
5! El valor esperado de este experimento, es:
0.6 1 0.6 0.3456
53
P( X 3)
3
3! 5 3!
E (x) = n p = 5 x 0.60 = 3
Es decir, se espera que, de los 5 precios observados en cada uno de los 5 días, en 3 de ellos
el precio de la acción suba con respecto al precio actual. 56
28
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
DISTRIBUCION DE PROBABILIDAD BINOMIAL: MODELO - ENSAYO – PROCESO DE BERNOULLI (1654 – 1705)
Caso: Precio de las acciones
– La varianza: V (X) = σx2 = n (1 - ) = n. p. q = Σ [X - µ)².p (X)] V(X) = n x P x Q = 5 x 0.60 x 0.40 = 1.20
0 0.0102 0.0102
1 0.0768 0.0870
2 0.2304 0.3174
3 0.3456 0.6630
4 0.2592 0.9222
5 0.0778 1.0000
Con esta tabla se puede responder no solo las preguntas referidas a probabilidades puntuales, sino que también permite contestar otras preguntas.
¿Cuál es la probabilidad que el precio suba en 2 días o menos?
P (x ≤ 2) = P (x = 0) + P (x = 1) + P (x = 2) P (x ≤ 2) = 0.0102 + 0.0768 + 0.2304 = 0.3174 31.74%
Advierta que el mismo resultado puede ser obtenido usando la columna de las probabilidades acumuladas. Para tal efecto, se identifica la columna
correspondiente a 2, la probabilidad acumulada correspondiente a ese número P (x ≤ 2), que en este caso es igual a 0.3174
¿Cuál es la probabilidad que al menos en tres días el precio de la acción suba?
P (x ≥ 3) = P (x = 3) + P (x = 4) + P (x = 5) P (x ≥ 3) = 0.3456 + 0.2592 + 0.0778 = 0.6826 68.26%
Este método de calcular las probabilidades utilizando las probabilidades individuales (probabilidades marginales) es útil cuando el número de
probabilidades a sumar es pequeño. Sin embargo cuando este no sea el caso, se deberá emplear la información obtenida en las probabilidades acumuladas.
57
29
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
Duración X días 10 11 12 13 14
Probabilidad 0.1 0.3 0.3 0.2 0.1
SOLUCION:
a) La media y la varianza de la X pueden hallarse mediante las ecuaciones
E ( X ) x.P( x) = [(10)(0.1)] + [(11)(0.3)] + [(12)(0.3)] + [(13)(0.2)] + [(14)(0.1)] = 11.9 días
2 x E[( X )2 ] x .P( x) = [(10-11.9)2(0.1)] + [(11-11.9)2(0.3)] + [(12-11.9)2(0.3)] + [(13-11.9)2(0.2)] + [(14-11.9)2(0.1)] = 1.29 días
2
x
b) La media, la varianza y la desviación típica del costo total, C, se hallan mediante la aplicación de las propiedades de las funciones lineales de una variable
aleatoria.
La media es µC = E(25,000 + 900X) = (25,000 + 900µx) = 25,000 + [(900)(11.9)] = S/. 35,719
La varianza es σ2c = Var (25,000 + 900X) = (900)2σ2c = (810,000)(1.29) = 1,044,900 soles
La desviación típica es = σc = √ σ2c = 1,022.20 Soles
59
30
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
SOLUCIÓN:
1. La variable aleatoria X está definida por: X (w) = número de días con lluvia durante los 4 días nublados
1. Rx = {0, 1, 2, 3, 4}
2. El experimento es observar, si llueve o no cada uno de los cuatro días nublados. Obviamente cada experimento tiene sólo dos resultados posibles.
1. E = «Días de lluvia» y F = «Días sin lluvia»
2. P = P(E) = 1/4. q = P (F) = 3 / 4
3. Suponiendo, que llueva o no un día determinado es independiente de que llueva o no los otros días, se tiene que X es un variable aleatoria discreta
binomial cuya distribución de probabilidad, con parámetro n = 4 y probabilidad p = 1 / 4 es:
4. Aplicar su fórmula 4 Días P (X = Lluvia)
0.25 E = Probabilidad
4 N = Días 0.75 F = Fracaso 0.50 0.4219
0.25 E = Probabilidad Rx P (X) 0.40 0.3164
0.75 F = Fracaso
P (X = x)
0 0.3164 4. La media y la varianza de X están dados por: 0.30 0.2109
n! 1 0.4219 μ = E (X) = n. p = 4 (1/ 4) = 1 0.20
p ( X x ) C x n . p x .q n x . p x .q n x 2
x ! n x !
0.0469
0.2109 σ2 = n. p. q = 4 (1 /4) (3 /4) = 3 /4 = 0.75 0.10 0.0039
3 0.0469 σ = 0.87 0.00
Cero Uno Dos Tres Cuatro
4 0.0039
Rango X = Rx
61
62
31
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
e. Construida la gráfica, la probabilidad resulta de haber obtenido de las probabilidades de 4 +5+6+7 = 0.348
63
64
32
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON
65
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
• Un proceso Poisson es el acontecimiento de una serie de eventos de un tipo dado, en forma aleatoria, en un tiempo o espacio tal que:
(1) el número de acontecimientos dentro de un tiempo o espacio especificados es igual a cualquier entero entre cero e infinito,
(2) el número de acontecimientos dentro de una unidad de tiempo o espacio es independiente de cualquier otra unidad, y
(3) la probabilidad de acontecimientos es la misma en todas esas unidades.
• Ejemplos:
– Contar el número de vehículos que llegan a una gasolinera durante los siguientes diez minutos.
– Número de llegadas de clientes que solicitan servicio en el banco durante cinco minutos de un día cualquiera.
– Número de errores de tipografía en un libro.
– Número de fugas en un oleoducto.
Tiene dos formas o dos procesos: Proceso de Poisson y Como límite de la Binomial.
DEDUCCION A PARTIR DE UNA PROCESO DE POISSON.
Es decir, existen problemas que hay que observar la ocurrencia de eventos discretos en un intervalo continuo (dentro las unidades de medida).
Ejemplo: Es contar el Nro. De vehículos que llegan a una Estación de Servicio durante un intervalo de tiempo (digamos una hora) de un día determinado;
pueden llegar: 0, 1, 2, ó más vehículos; es decir, podemos contar el Nro. De vehículos que llegan. Pero no tiene sentido contar los que no llegan.
Es discreto debido a que la hora de llegada es un punto en el tiempo continuo de 1 hora.
Aquí también, si la variable Aleatoria, X se define por X (w) = Nro. De Vehículos que llegan a la Estación de Servicios en 1 hora; los valores que puede
tomar X es infinito numerable; es decir, R x = 0, 1, 2, ... n
Los eventos discretos que se generan en un intervalo continuo (unidad de medida: Longitud, Área, Volumen, etc.), forman un proceso de Poisson con
parámetro , si cumple con las siguientes propiedades.
66
33
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
PROPIEDADES
a. El número de ocurrencias de eventos en una unidad de medida (intervalo de tiempo, una región especificada, volumen, etc.). Es
conocido e igual a .
b. La ocurrencia de un evento en una unidad de medida k no afecta a la ocurrencia, o no-ocurrencia de otra unidad de medida h
contigua. (Es decir, la ocurrencia de los eventos en unidades de medida contiguas son independientes).
c. Sea una unidad de medida suficientemente pequeño de longitud h, luego:
i. La probabilidad de un éxito en esta unidad pequeña es proporcional a la longitud del intervalo, este es h.
ii. La probabilidad de la ocurrencia de 2 o más éxitos en esta unidad pequeña es aproximadamente 0.
• Por ejemplo:
– Medir la llegada de vehículos a una gasolinera a razón de 2 por minuto y siendo el número total de minutos estudiados de 10,
hace que = λ t sería igual a 20 vehículos por diez minutos.
– Contar los errores de tipografía en un libro a razón de 1 por cada 5 páginas y siendo el número total de páginas examinadas de
100, entonces = λt sería igual a 20 errores por 100 páginas.
• Medidas de resumen:
– La media o valor esperado: E(X) = x = = λ = np
– La varianza V (X) = σx2 = = λ
– Desviación estándar σx = ½
67
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
68
34
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
• DEDUCCION A PARTIR DEL LIMITE DE LA D. BINOMIAL
• Para situaciones en que n es muy grande y p es muy pequeña, de tal manera que np permanece casi constante, se puede utilizar la distribución
Poisson para aproximar la distribución Binomial.
• La función de probabilidad de la variable aleatoria Binomial para X éxitos en n ensayos es:
n!
f ( x) C n x p x .q n x x = 0, 1, 2, 3, …n
x!( n x )!
• En donde sabemos que:
• µ = λ = np despejamos p = λ / n por consiguiente q = [1 – (λ / n)]
• n es el tamaño de la muestra o número de ensayos.
• p es la probabilidad de éxito.
• x es el número de éxitos en la muestra.
Algunos autores consideran que esta aproximación es apropiada para combinaciones de n ≥ 20 con p ≤ 0.05
Reemplazando en la fórmula de la Distribución Binomial, se tiene: Entonces podemos afirmar que D. Binomial es semejante a la D. de Poisson
n!
x n x
n! x .e
f ( x ) P X n C n x 1 f ( x ) p[ X n] C n x p x .q n x p[ X n ]
x!( n x )! n n x !( n x )! X!
REGLAS DE CÁLCULO
-Menos 2 X = P (X = 0) + P (X = 1) = P (X < 2)
-Al menos 2 ó por lo menos 2 = 1 – [P (X = 0) + P (X = 1)] = P (X 2)
-A lo más 2 = [P (X = 0) + P (X = 1) + P (X = 2)] = P (X 2)
-Exactamente 2 = P (X = 2)
-Más de 2 = [P (X = 0) + P (X = 1)] = P (X > 2) 69
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
CASO 014: DE DESERCIONES EN CURSOS
Un gimnasio o club de aeróbicos, tiene una deserción del 5 % en su programa de entrenamiento Físico Corporal. La próxima semana se abrirá un nuevo
curso para 50 personas.
¿Cuál será la probabilidad de que deserten menos de dos personas?.
SOLUCION.
n! x .e
Datos: n = 50 f ( x ) p[ X n] C n x p x .q n x p[ X n ]
x = 0, 1 x !( n x )! X!
p = 0.05 éxito
q = 1 – 0.05 = 0.95 fracaso e = 2.71828 = = n p = 50 (0.05) = 2.5 es el promedio. Nos solicitan menos de dos personas.
35
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
71
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
CASO: PRECIO DE ACCIONES EN BOLSA
Si se observa la variación diaria de los precios de una acción determinada que es negociada en Bolsa. El interés es analizar el número de veces durante
el día en que el precio de la acción es mayor que el precio de apertura del correspondiente día. La tabla presenta lo observado durante 5 días.
Día Veces en que el Precio > Precio apertura Se conoce por el análisis de series pasadas que el promedio de veces por
día en que el precio de la acción es mayor que el precio de apertura es 12,
Lunes 15 es decir, que λ es 12.
Martes 18 Dada esta información, se puede estar interesado en determinar una serie
de probabilidades como las que se muestran a continuación.
Miércoles 9 ¿Cuál es la probabilidad que en ningún día los precios sean mayores a sus
Jueves 12 respectivos precios de apertura?
Usando la fórmula se obtiene:
Viernes 17
e x e t t e t e t t e12 12
x x 0
p( x) P( X x | ) ; x 0, 1, 2,..., p( x) P( X x | ) 0.000
x! X! X! X! 0!
De la misma manera se puede calcular otras probabilidades como las que se presentan a continuación
e t t e12 12 e t t e12 12
x 1 x 15
p( x) P( X x | ) 0.0001 p( x) P( X x | ) 0.0724
X! 1! X! 15!
Se puede estar interesado también en determinar las probabilidades acumuladas, como ser: P (x ≤ 16), P (12 ≤ x ≤ 18), P (x > 14), etc. Para
responder este tipo de preguntas se tendrán que construir las tablas de probabilidades acumuladas como la que se presenta en el Excel.
72
36
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
LA DISTRIBUCIÓN DE PROBABILIDAD POISSON: (Simión Denis – Francés 1781 – 1840: Teoría de la Potencia)
37
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
38
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
5 0.03125 0.25
6 0.01563 0.20
7 0.00781 0.15
8 0.00391
0.10
9 0.00195
0.05
10 0.00098
0.00
TOTAL 1.00000 1 2 3 4 5 6 7 8 9 10
EXITO = HIJOS VARON
77
78
39
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
40
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
81
41
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
M! ( N M )! 3! 12!
* x
X !( M X )! (n X )![( N M ) (n X )]! 3! 3 3! 2!12 2 !
M n k 5 x 3
p( x 3) h( x, N , n, M ) 0.0220
N! 15!
n !( N n)! El valor esperado de este experimento es: E ( x) n 1
5!15 5 ! N N 15
Es decir, se espera que de estos 5 exámenes seleccionados aleatoriamente se encuentre 1 examen de algún alumno reprobado.
N k N n 15 3 15 5
2 n.k . 2 . 5 x 3 x 2 x 0.57
N N 1 15 15 1 83
42
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
85
P (X 3) = 1– [P (X = 0) + P (X = 1) + P (X = 2)] =
86
43
METODOS CUANTITATIVOS II: VARIABLE ALEATORIA DISCRETA
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades de un proveedor de tubería del estado vecino.
Si se seleccionan cuatro piezas al azar y sin reemplazo,
(a) ¿cuál es la probabilidad de que todas sean del proveedor local?
(b) ¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del proveedor local?
(c) ¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del proveedor local?
88
44