Professional Documents
Culture Documents
Estadstica y
Probabilidad
Semestre 6
Estadstica y probabilidad
Semestre 6
Estadstica y probabilidad
Tabla de contenido
Pgina
Introduccin
Conceptos previos
Logros
Distribuciones discretas
Distribuciones continuas
Mezclas
13
14
16
17
18
Resumen
20
Bibliografa recomendada
21
Nexo
21
Seguimiento al autoaprendizaje
23
Crditos: 3
Tipo de asignatura: Terico Prctica
Semestre 6
Estadstica y probabilidad
Semestre 6
Estadstica y probabilidad
Introduccin
En el lenguaje de la probabilidad y la estadstica, el total que lanzamos con
un par de dados es una variable aleatoria, el tamao de la familia de una
pareja escogida aleatoriamente y su ingreso de un foco incandescente escogido aleatoriamente para inspeccin.
Puesto que asociar un numero con cada punto (elemento) de un espacio
muestral es simplemente otra forma de decir que estamos definiendo una
funcin sobre los puntos de un espacio muestral.
Si s es un espacio muestral con una medida de probabilidad y x es una
funcin de valor real definida sobre los elementos de s, entonces x se llama una variable aleatoria.
Una variable x es una variable aleatoria si los valores que toma corresponden a los distintos resultados posibles de un experimento, y por ello el
hecho de que tome un valor particular es un evento aleatorio.
Por ejemplo: Considere el muestreo de 20 consumidores a los que se les
preguntaba su preferencia por el envase A o B. El nmero de consumidores que prefiera el envase A puede considerarse como una variable aleatoria y que puede tomar cualquiera de los valores 0,1, 2.... 20. Cada uno de
estos valores corresponden a un resultado posible del experimento consiste en la extraccin de la muestra de 20 consumidores y el consiguiente
registro del nmero de ellos prefiere el envase A.
La variable X es una variable aleatoria ya que el valor que tomara al llevar a
cabo el experimento no puede predecirse con certeza; esto es, por el
hecho de que tome un valor determinado.
Fascculo No. 2
Semestre 6
Estadstica y
probabilidad
Estadstica y probabilidad
En los ejemplos que se han dado nos hemos limitado nuestro anlisis a
espacios muestrales discretos, y por tanto variables aleatorias discretas,
a saber, variables aleatorias cuyo intervalo es finito o infinito numerable.
Conceptos previos
Un experimento es cualquier situacin u operacin en la cual se pueden
presentar uno o varios resultados de un conjunto bien definido de posibles
resultados.
Los experimentos pueden ser de dos tipos segn si, al repetirlo bajo idnticas condiciones:
Determinstico: Se obtienen siempre los mismos resultados.
Ejemplo: medir con la misma regla e idnticas condiciones, la longitud de
una barra.
Aleatorio: No se obtienen siempre los mismos resultados.
Ejemplo: el lanzamiento de una moneda observando la sucesin de caras
y sellos que se presentan.
Estadstica y
probabilidad
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Logros
Fascculo No. 2
Semestre 6
Estadstica y
probabilidad
Estadstica y probabilidad
ndice X de FX se omitir si no hay ambigedad. Se escribir X F para
indicar que la variable X tiene funcin de distribucin F.
Propiedades de la Funcin de Distribucin
En matemticas, una funcin entre conjuntos ordenados se dice montona (o
istona) si conserva el orden dado.
que cumplen:
Estadstica y
probabilidad
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Ejemplo 3.B: Se arroja una vez un dado equilibrado. Se toma = {1, . . . ,
6}. Sea la variable X el resultado. Para calcular la FD de X, notemos que si
x < 1, es {X x} = y por lo tanto F(x) = 0. Si 1 x < 2, es {X x} =
{1}, de modo que F(x) = P({1}) = 1/6,. . . ,etc. Finalmente si x 6, es {X
x} = lo que implica F(x) = 1. Por lo tanto F es una escalera con saltos en x = 1, 2, . . . , 6, todos de tamao 1/6.
Si F es una funcin que cumple las propiedades b, c y e anteriores, se dice
que F es una funcin de distribucin. Se puede probar que toda funcin
con dichas propiedades es la FD de alguna variable aleatoria.
Distribuciones discretas
La variable X tiene distribucin discreta si hay un conjunto C R, finito o
infinito numerable, tal que P(X C) = 1.
Sea para x C: pX(x) = P(X = x). Entonces es fcil verificar que si A R:
En particular,
Si A = (, t] resulta
Fascculo No. 2
Semestre 6
Estadstica y
probabilidad
Estadstica y probabilidad
Estadstica y
probabilidad
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
y por lo tanto toda variable con distribucin binomial se puede expresar
como suma de indicadores.
Distribucin de Poisson con parmetro :
Aparece en el proceso de Poisson temporal como la distribucin de la variable cantidad de sucesos en el intervalo [0, t). Se la indicar con Po().
Es fcil verificar recordando la serie de Taylor para la funcin exponencial.
Distribucin geomtrica con parmetro p (0, 1):
Fascculo No. 2
Semestre 6
Estadstica y
probabilidad
Estadstica y probabilidad
Si se extraen n bolillas sin remplazo de entre N bolillas, de las cuales exactamente M son blancas, entonces esta es la distribucin de la cantidad de
bolillas blancas extradas. Se la indicar con Hi(N,M, n). El nombre hipergeomtrica tiene un origen ajeno a la Teora de Probabilidad. Para verificarla, se puede razonar en forma probabilstica como en el caso binomial, dado que los p(x) corresponden a la distribucin de una variable aleatoria, la validez de (3.2) est automticamente garantizada.
Distribucin uniforme discreta en el intervalo [n1, n2] (con n1 n2):
n2 n1 + 1
Ejemplos simples son los juegos de azar honestos: un tiro de un dado
equilibrado (n1 = 1, n2 = 6) o de ruleta (n1 = 0, n2 = 36). Un uso ms interesante es la generacin computacional de nmeros pseudoaleatorios.
Un nmero pseudo-aleatorio es un nmero generado en un proceso que
parece producir nmeros al azar, pero no lo hace realmente. Las secuencias de nmeros pseudo-aleatorios no muestran ningn patrn o regularidad aparente desde un punto de vista estadstico, a pesar de haber sido
generadas por un algoritmo completamente determinista, en el que las
mismas condiciones iniciales producen siempre el mismo resultado.
Estadstica y
probabilidad
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Distribuciones continuas
Una variable X tiene distribucin absolutamente continua si existe una funcin fX : R R+ llamada densidad de X tal que
Si se hace a = queda
y por lo tanto
Estadstica y
probabilidad
Estadstica y probabilidad
, se dice
o, ms compactamente:
Estadstica y
probabilidad
10
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
o, ms compactamente, f(x) = (ba)1 I(a x b). Se la indicar con
Un(a, b). Cuando se hable de elegir un punto al azar en un intervalo, se
referir siempre a la uniforme si no se dice otra cosa.
Una situacin donde se podra aplicar es: el tiempo de espera de un pasajero que llega a la parada de un tranva del que sabe que pasa exactamente cada 10 minutos, pero ignora el horario. Una representacin de esta ignorancia podra obtenerse suponiendo que el tiempo de espera tiene distribucin uniforme en (0,10).
Distribucin normal (o Gaussiana) Se define primero la densidad normal
tpica (o standard) como
Desde ahora se indicarn con y la densidad normal tpica y la correspondiente funcin de distribucin. La funcin no se puede calcular en
forma explcita.
Fascculo No. 2
Semestre 6
11
Estadstica y
probabilidad
Estadstica y probabilidad
Se define la distribucin normal con parmetros R y 2 (con > 0) y
se la escribe N(, 2) a la distribucin definida por la densidad.
. Como
para n natural, de modo que
Estadstica y
probabilidad
12
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Dado t > 0, sea N la cantidad de sucesos en el intervalo [0, t]. Entonces T
> t N < m, y como N Po(ct), es
y por lo tanto
Mezclas
Consideremos dos especies de peces. La longitud de los de la primera
tiene distribucin G1, y los de la segunda G2. Si nadan mezclados por el
mar, en proporciones 10% y 90%, entonces la distribucin de la longitud L
de un pez capturado al azar de la poblacin conjunta se obtiene por la regla de Probabilidad Compuesta. Sean A1 y A2 los eventos de que el pez
pertenezca a la especie 1 o la 2. Entonces
Fascculo No. 2
Semestre 6
13
Estadstica y
probabilidad
Estadstica y probabilidad
Entonces FT (t) = G(t) si t < h, y FT (t) = 1 si t h; de modo que FT es
continua hasta h, pero tiene un salto en h, de tamao 1G(h). Esto se llama una distribucin censurada por la derecha. Esta es una de mezcla de
una distribucin continua con una discreta:
FT = pG1+(1p)G2, donde p = G(h), G1 es la distribucin con densidad
g(x)I(x < h)/p, y G2 es la distribucin concentrada en h : G2(t) = I(t h).
De manera que aqu tenemos un ejemplo concreto de una distribucin que
no es ni continua ni discreta.
Aqu los datos mayores que h no se sabe cunto valen, pero se sabe que
estn. Hay situaciones en que los valores fuera de un intervalo no llegan a
dar seas de que existen. Esas son distribuciones truncadas.
14
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Fascculo No. 2
Semestre 6
15
Estadstica y
probabilidad
Estadstica y probabilidad
se llama simtrica respecto de c. Es inmediato que si X tiene densidad f y
FD F, es equivalente a
Aplicaciones a simulacin
Cmo simular en un computador situaciones donde interviene el azar?. Si
bien el computador es (generalmente) un aparato determinista, se puede
hacer que genere nmeros seudoaleatorios que no son aleatorios, pero
lo parecen que podemos tomar como valores de variables con distribucin Un(0, 1). Nuestro punto de partida es que se cuenta con un generador
de nmeros aleatorios: un algoritmo que produce una sucesin de nmeros que se pueden considerar como aleatorios con distribucin uniforme
en el intervalo [0, 1]. En realidad, se trata de una distribucin discreta, pero
prcticamente indistinguible de Un(0, 1).
Suponiendo entonces que contamos con una variable U Un(0, 1), la
cuestin es cmo tener de ella una variable con distribucin F dada cualquiera.
Sea F una funcin de distribucin continua y creciente, y definimos
Entonces
Estadstica y
probabilidad
16
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Fascculo No. 2
Semestre 6
17
Estadstica y
probabilidad
Estadstica y probabilidad
y descomponiendo de la misma forma cada uno de los dos trminos, se
llega al resultado.
Se dice que X, Y tienen la misma distribucin conjunta que X, Y, si P((X, Y
) A) = P((X,Y) A) A R2. Se lo escribe D(X, Y) = D(X,Y).
La distribucin conjunta de (X, Y ) es discreta si existe un conjunto C R2
nito o innito numerable, tal que P((X, Y ) C) = 1. En tal caso se usar la
notacin pX,Y (x, y) = P(X = x Y = y) para (x, y) C, y pX,Y ser llamada
funcin de frecuencia conjunta.
y en el continuo a
Estadstica y
probabilidad
18
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Ejemplo 3.I: Tiempos de espera: Bernouilli En el esquema de Bernouilli sea
S el nmero del intento en que se produce el primer xito, y T la cantidad
de intentos entre el primer y el segundo xitos, de modo que U = S + T es
el intento en que se da el segundo xito. Mostraremos que S y T son independientes. En efecto, el evento {S = s T = t} equivale a {S = s U = s
+ t}, o sea, que haya xitos en los intentos s y s + t y fracasos en los dems, es decir
que es una funcin de s por una de t, y por lo tanto S y T son independientes. Adems se deduce que T tiene la misma distribucin que S, o sea
Ge(p); y en consecuencia los tiempos de espera entre xitos sucesivos
tienen la misma distribucin que el tiempo entre el comienzo y el primer
xito, lo que corresponde a la idea intuitiva de que el proceso no tiene
memoria. Como si eso fuera poco, resulta sin hacer ninguna cuenta que la
suma de dos geomtricas independientes con el mismo parmetro es binomial negativa.
La nocin de independencia se extiende en forma natural para cualquier
conjunto nito o innito de variables.
Denicin Las variables X1, . . . ,Xm son independientes si para todo A1, . .
. ,Am R, los eventos {Xi Ai}(i = 1, . . . ,m) son independientes. Las variables Xi, i = 1, 2, . . .(sucesin innita) son independientes si para todo m,
son X1, . . . ,Xm independientes.
Esto nos permite completar el concepto de un generador (idealizado) de
nmeros aleatorios, como un algoritmo capaz de producir una sucesin
innita de variables Un(0, 1) independientes.
Fascculo No. 2
Semestre 6
19
Estadstica y
probabilidad
Estadstica y probabilidad
Estadstica y
probabilidad
20
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Las distribuciones son importantes por ejemplo en procesos de simulacin
para la generacin de nmeros seudoaleatorios.
Fascculo No. 2
Semestre 6
21
Estadstica y
probabilidad
Estadstica y probabilidad
Estadstica y
probabilidad
22
Fascculo No. 2
Semestre 6
Estadstica y probabilidad
Seguimientoal autoaprendizaje
Estadstica y probabilidad - Fascculo No. 2
Nombre_______________________________________________________
Apellidos ________________________________ Fecha: _________________
Ciudad___________________________________Semestre: _______________
Calcular la funcin de distribucin de la geomtrica
1. Hallar la constante c tal que f(x) = c/(1+ x2) sea una densidad. Calcular la correspondiente funcin de distribucin (distribucin de Cauchy)
2. Calcular la funcin de distribucin de Un(a, b).
3. Vericar que IAB = IA IB = mn (IA, IB).
4. La poblacin de un pas est compuesta por 40% de pigmeos y 60% de watusis. La estatura de los primeros (en centmetros) tiene distribucin N(120, 20), y
la de los segundos, N(200, 30). Sea X la estatura de un individuo elegido al
azar en la poblacin. Calcular fX y hacer un grfico aproximado.
5. Se corta una varilla de mimbre en un punto al azar. Calcular la probabilidad de
que la longitud del lado mayor sea el doble de la del menor.
Fascculo No. 2
Semestre 6
23
Estadstica y
probabilidad