Upload
fabio-alberto-gil-bolivar
View
223
Download
0
Embed Size (px)
Citation preview
8/17/2019 Riascos Clases 2,3.pptx
1/25
MODELADO EN POLITICA PUBLICA Y GESTION
Módulo de Estadística
Profesor: Javier Riascos O.
8/17/2019 Riascos Clases 2,3.pptx
2/25
Propiedades de laproailidad
1) 0≤ P ( A) ≤ 1, evento∀ A.
2) P ( A) = 0, si evento A no ocurre .
3) P ( A) = 1, si evento A siempre ocurre con certeza.
4) Si A1 , A2 , A3 , … son mutuamente excluyentes(i.e., P(Ai ∩ A j) = 0, para todo i ≠ j ), entonces
P ( A ∪ B ∪ C !) =∪ P ( A) " P ( B) " P (C )" #
$) Si A1 , A2 , A3 , … son mutuamente excluyentes y ex%austivos, i.e.,
entonces,
P ( A ∪ B ∪ C !) = 1∪
8/17/2019 Riascos Clases 2,3.pptx
3/25
I!depe!de!cia estadística
•
A" B" C" so! e#e!tos s$i!depe!die!tes si laproailidad de %ue ocurra! &u!tos es i'ual alproducto de las proailidades i!di#iduales(
&( A ' B ' C '!) = P ( A) P ( B) P (C )!
&roailidad conunta
de *, +, ,!
&( A , B, C, !)
&roailidades mar-inales o
individuales.
8/17/2019 Riascos Clases 2,3.pptx
4/25
$) Si dos enventos A, + no son mutuamente excluyentes entonces
P ( A ∪ B) = P ( A) " P ( B) P ( A,B)
Ejemplo 1
&roailidad de /ue una carta de una araa sea de corazones o sea
una reina
P (Carta sea de ♥ o Carta sea una reina) =
P (Carta sea de ♥ ) " P (Carta sea una reina) P (Carta sea la reina de ♥ ) =
12$ " 4$2 1$2 = 41
8/17/2019 Riascos Clases 2,3.pptx
5/25
Proailidad co!dicio!al
s la proailidad de /ue ocurra A saiendo /ue %a ocurrido B,
denotada como P ( A 3 B), y se lee
proailidad condicional de A, condicionada al evento B5 o
proailidad condicional de A, dado B
P ( A 3 B) = P ( A , B) P ( B)6 si P ( B)70
P ( B 3 A) = P ( A , B) P ( A)6 si P ( A)70
Ejemplo 2! 8ema de investi-aci9n en el doctorado (ner-:a,ducaci9n, Salud), entre %omres y mueres
;u
8/17/2019 Riascos Clases 2,3.pptx
6/25
)ariales aleatorias * sudistriució! de proailidad
>ariales aleatorias discretas
Función de masa de probabilidad (pmf):
Ejemplo!
"! #$%mero de &aras en dos lan'amientos de una moneda…
(iura)
ω &(ω) " &( " )
14 2 14
S 14 112
S 14 1
S S 14 0 14
8/17/2019 Riascos Clases 2,3.pptx
7/25
>ariales aleatorias continuas?a proailidad de una v. a. continua siempre est< en un intervalo
(no tiene sentido un valor @nico).
Función de densidad de probabilidad (pdf)
" es una pdA de la v.a. " si, para todo *1, *2 en R cumple
&ropiedades
1) Bepresenta el
8/17/2019 Riascos Clases 2,3.pptx
8/25
>ariales aleatorias continuas Ejemplo
" ( *) = *2C, 0 ≤ * ≤ . P (0D *D1) =
Función acumulada de probabilidad (CDF)
+ " ( *) = &( " ≤ *)
.a. dis&reta!
.a. &ontinua!
8/17/2019 Riascos Clases 2,3.pptx
9/25
PD+,s * CD+,s del !u-ero de caras ote!idas e! . la!/a-ie!tos de u!a-o!eda
N0-ero decaras 123 )alor de 2 PD+ )alor de 2 CD+
4 4 5 2 6 7 7879 2 5 4 7879
7 7 5 2 6 : .879 2 5 7 ;879: : 5 2 6 < 9879 2 5 : 77879
< < 5 2 6 . .879 2 5 < 7;879
. . 5 2 6 ; 7879 2 5 . 7
Ejemplo
8/17/2019 Riascos Clases 2,3.pptx
10/25
+UNCIONES DE P=OBABILIDADMULTI)A=IADA
Ejemplo Ena tienda vende impresoras y &Fs durante 200 d:as. Se
re-istra el n@mero de d:as (Arecuencia asoluta) en /ue se venden
determinado n@mero de &s (G) e impresoras (H).
1) Iallar la pmA y JK de la distribución de probabilidad conjunta. ",- ( *,) + ",- ( *,)
2) Iallar las distribuciones marginales.
" ( *) = L . ",- ( *,) - ( ) = L * ",- ( *,)
n el caso continuo
8/17/2019 Riascos Clases 2,3.pptx
11/25
Distriució! de proailidadco!dicio!al
Se reAiere a la pdA (pmA) o JK asociada a la proailidad condicional
de la v.a. " dada -, "/- ( *) , o de la v.a. - dada " , -/" ( ).
8/17/2019 Riascos Clases 2,3.pptx
12/25
Características de las distriucio!esde proailidad
1) >alor esperado µ " = E M " N. (&rimer momento)
Oide la tendencia promedio de la v.a.
2) >arianza ar M " N. (Se-undo momento central)
Oide la dispersi9n de la distriuci9n de la v.a.
8/17/2019 Riascos Clases 2,3.pptx
13/25
) Jesviaci9n est
8/17/2019 Riascos Clases 2,3.pptx
14/25
Q) oeAiciente de correlaci9n
ρ = cov( " ,- )σ " σ -
Propiedades!
14 ρ 4 1
R s adimensional
R Si dos v.aFs son sPindependent, su covarianza (y su coeA. de
correlaci9n) es cero. l inverso no es verdadero necesariamente(e. relaci9n no lineal).
) STeUness 5
5= M( " µ " )N σ " 3
V) Wurtosis 6
5= M( " µ " )4N ar M " N2 Ki-uras!..
8/17/2019 Riascos Clases 2,3.pptx
15/25
Muestreo aleatorio
- Xeneralmente no se conoce la distriuci9n de la variale aleatoria " (e.-., el universo es muy
-rande, no se tienen recursos para &ensar toda la polaci9n, no se tienen suAicientes datos,
etc!.).
- Ena muestra aleatoria, de tamaYo n, de una variale aleatoria " , con distriuci9n te9rica + " ,
son n variales aleatorias, " 1 , "
2 ,…, "
n, independientes e i-ualmente distriuidas (iid ), con
distriuci9n com@n + " .
- Ena realización de la muestra son los valores particulares *1 , *2 ,…, *n, oservados para las
variales " 1 , " 2 ,…, " n.
-omo consecuencia, la Aunci9n de distriuci9n conunta de " 1 , " 2 ,…, " n es
+ " 1 , " 2 ,…, "n ( *1 , *2 ,…, *n) = + " ( *1) + " ( *2) ! + " ( *n)
- * partir de la muestra aleatoria se pueden estimar las caracter:sticas de la distriuci9n real
(e.-., valor esperado, varianza, etc.)
8/17/2019 Riascos Clases 2,3.pptx
16/25
1) &romedio muestral (estimador de M " N)
2) >arianza muestral (estimador de varM " N)
) ovarianza muestral 5ample &o(",-) (estimador de &o(",-))
4) oeAiciente de correlaci9n muestral r (estimador de ρ )
8/17/2019 Riascos Clases 2,3.pptx
17/25
E&e-plos de distriucio!es deproailidad de #>a> co!ti!uas
La distribución normal
" Z [( µ " , σ " 2)
&ar
8/17/2019 Riascos Clases 2,3.pptx
18/25
- Si " Z [( µ " , σ " 2), - Z [( µ - , σ - 2), y son independientes, entonces
"9- : [( µ " " µ - , σ " 2" σ - 2)
a"9;- : [(a µ " "; µ - , a2σ " 2 " ;2σ - 2)
# Z [(0, 1), su JK se denota por Φ( ' )
- P ( " D *) = P ( >? * µ " σ " ) = Φ( * µ " σ " )
8/17/2019 Riascos Clases 2,3.pptx
19/25
Ejemplo
Ena universidad espera reciir, para el si-uiente aYo escolar, 1Q.000 solicitudes de
in-reso para el primer aYo de licenciatura. Se supone /ue las caliAicacionesotenidas por los aspirantes en la pruea selectiva si-uen una distriuci9n [(C$0,
1002). Si la universidad decide admitir al 2$\ de todos los aspirantes /ue oten-an
las caliAicaciones m
8/17/2019 Riascos Clases 2,3.pptx
20/25
8/17/2019 Riascos Clases 2,3.pptx
21/25
Teorema del lmite central
Sea , " 1 , " 2 ,…, " n, un conunto de v.a. iid de una distriuci9n con media µ "y varianza σ " 2≠0. ntonces, si n es suAicientemente -rande, la v.a.
correspondiente a su promedio muestral,
tiene aproximadamente una distri;u&in normal con media µ " y varianza
σ " 2n. s decir,
!ota:
Si " 1 , " 2 ,…, " n se distriuyen cu !( X , X "), el teorema se cumple para todo
n.
8/17/2019 Riascos Clases 2,3.pptx
22/25
Ejemplo
Sea G el n@mero de millas por -al9n alcanzados por los carros de una marca particular. Si nos
dicen /ue GZ[(20,4), ;cu
8/17/2019 Riascos Clases 2,3.pptx
23/25
La distribución t (o t #$tudent)
Si se utiliza la varianza muestral 5 " 2
, en vez de la varianza real σ " 2
de la v.a. G, entonces el promedio muestral estandarizado (de
una muestra de tamaYo n) se distriuye tstudent de -rado d =n1.
omparando
con la normal
est
8/17/2019 Riascos Clases 2,3.pptx
24/25
Ejemplo
&ara los aYos 1CQ a 1CC0 el est de Aptitud Es&olar arro9 los si-uientes datos para el
promedio y la varianza
Ena muestra aleatoria de los resultados de 10 %omres del test veral dio como resultado un
promedio muestral de 440.Q0 y una varianza muestral de 1.Q0. ;u.: .;4
)aria!/a
7.:>4@ 97 @@@
8/17/2019 Riascos Clases 2,3.pptx
25/25