Professional Documents
Culture Documents
Distribuciones de probabilidad
Ley de los grandes nmeros
Profesor (a):
Ing. Liliana Balza
Integrantes:
Oliveros, Yahely C.I:25615258
Hernndez, Luis C.I:25129239
Hernndez, Merlin C.I: 25664656
Faras, Darlenys C.I:27396907
Escobar, Christians C.I: 25569622
Castillo, Samuel C.I: 23920239
III Sem. Ing. Civil U
Asignatura:
Probabilidades y Estadsticas
Pg.
INTRODUCCIN ..
Distribucin Binomial ..
13
16
Distribucin Hipergeomtrica ..
17
19
20
Distribucin Uniforme .
22
Distribucin Gamma
36
Distribucin Normal .
37
41
Distribucin X2 de Pearson ..
44
48
55
58
CONCLUSIONES ..
BIBLIOGRAFA ...
ANEXOS
62
63
INTRODUCCIN
Variable aleatoria discreta, que produce como resultado un nmero finito de valores
predeterminados, por lo que su recorrido es finito.
En general, una variable aleatoria discreta se define como una aplicacin f(xi) tal
que:
Esta expresin se conoce comnmente por los nombres de distribucin de
probabilidad, funcin de probabilidad o funcin de cuanta.
0
0.25
1
0.50
2
0.25
Funcin de Distribucin
Dada una variable aleatoria X, se llama funcin de distribucin a aquella que
proporciona la probabilidad de que la variable aleatoria tome un valor menor o igual que
xi. Es decir:
Esperanza Matemtica
En un experimento aleatorio, la esperanza matemtica se define como la suma del
producto de cada valor de la variable aleatoria considerada por su probabilidad.
En las variables aleatorias continuas, existe un nmero infinito de valores, por lo que
el sumatorio de la frmula anterior se convierte en integral:
2. Distribucin Binomial
La distribucin binomial se expresa como B (n, p), siendo n el nmero de veces que
se repite el experimento y p la probabilidad de que se produzca un xito.
Funcin de Probabilidad
La distribucin binomial se caracteriza porque su funcin de probabilidad viene dada
por la expresin siguiente:
La probabilidad de que
mximo en las n repeticiones se determina como:
Ejemplos
1 - El experimento consiste en lanzar cuatro veces al aire una moneda. Nuestro inters
es el nmero de sellos en los cuatro lanzamientos. Como es evidente, la probabilidad
de obtener un xito (sellos), en una de las pruebas (lanzamiento) es 0.50 y la de
obtener un fracaso es tambin 0.50.
a)
b)
c)
P(X = 0) = 0.0625
b) De la misma manera tenemos 4 pruebas (n=4), solo que ahora esperamos un xito
(x=1). La probabilidad de obtener un sello es:
P(X = 1) = 0.25
2.- Hallar la probabilidad de que lanzar una moneda tres veces resulten:
a) 3 caras
b) 2 sellos
c) al menos una cara
Solucin:
a) 3 caras
P(X = 3) = 0,125
b) 2 sellos
x = 2, n = 3, p= 1/2, q= 1/2
P(X = 2) = 0,375
c) al menos una cara
P(1)
n=3
P(2)
n=3
P(3)
n=3
x=1
p= 0,5
q = 0,5
x=2
p= 0,5
q = 0,5
x=3
p= 0,5
q = 0,5
npq
), que resulta
Para transformar una distribucin binomial (de variable discreta) en una normal (de
variable continua), es preciso proceder a la siguiente transformacin:
4.
de Poisson.
Poisson)
Distribucin
(Simon-Denis
Como vemos, este modelo se caracteriza por un slo parmetro , que debe ser
positivo.
Esta distribucin suele utilizarse para contajes del tipo nmero de individuos por
unidad de tiempo, de espacio, etc.
Esperanza: E(X) = .
Varianza: V(X) = .
En esta distribucin la esperanza y la varianza coinciden.
donde
Tanto el valor esperado como la varianza de una variable aleatoria con distribucin
de Poisson son iguales a . Los momentos de orden superior son polinomios de
Touchard en cuyos coeficientes tienen una interpretacin combinatoria. De hecho,
cuando el valor esperado de la distribucin de Poisson es 1, entonces segn la frmula
de Dobinski, el n-simo momento iguala al nmero de particiones de tamao n.
La moda de una variable aleatoria de distribucin de Poisson con un no entero es
igual a , el mayor de los enteros menores que (los smbolos representan la
funcin parte entera). Cuando es un entero positivo, las modas son y 1.
La funcin generadora de momentos de la distribucin de Poisson con valor esperado
es:
b) Distribucin binomial
La distribucin de Poisson es el caso lmite de la distribucin binomial. De hecho, si
los parmetros n y de una distribucin binomial tienden a infinito (en el caso de n) y a
cero (en el caso de ) de manera que = n se mantenga constante, la distribucin lmite
obtenida es de Poisson.
c) Aproximacin normal
Como consecuencia del teorema central del lmite, para valores grandes de , una
variable aleatoria de Poisson X puede aproximarse por otra normal dado que el cociente
Procesos de Poisson
La distribucin de Poisson se aplica a varios fenmenos discretos de la naturaleza
(esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un periodo definido
de tiempo o en un rea determinada) cuando la probabilidad de ocurrencia del fenmeno
es constante en el tiempo o el espacio.
Ejemplos de estos eventos que pueden ser modelados por la distribucin de Poisson
incluyen:
El nmero de errores de ortografa que uno comete al escribir una nica pgina.
Ejemplos
a) Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin defectuosa,
para obtener la probabilidad de que 5 de 400 libros encuadernados en este taller
tengan encuadernaciones defectuosas usamos la distribucin de Poisson.
Solucin:
En este caso concreto, k es 5 y, , el valor esperado de libros defectuosos es el 2% de
400, es decir, 8. Por lo tanto, la probabilidad buscada es
b) Si un banco recibe en promedio 6 cheques sin fondos por da, cuales son las
posibilidades de que reciban 4 cheques sin fondo en un da dado.
Solucin:
x = variable que nos define el nmero de cheques sin fondo que llegan al banco en
un da cualquiera.
= 6 cheques sin fondo x da
e = 2.718
Aplicando la frmula
Esperanza: E(X) = .
Varianza: V(X) = .
.
6. Distribucin de Geomtrica.
Esta distribucin sirve para calcular la probabilidad de que ocurra un xito por
primera y nica vez en el ltimo ensayo que se realiza del experimento.
En un experimento binomial se tiene una serie de eventos idnticos e independientes,
y cada uno origina un xito E o un fracaso F, con p(E) = p y p(F) = 1- p = q. Si se
interesa el nmero x de pruebas hasta la observacin del primer xito, entonces x posee
una distribucin de probabilidad geomtrica. El nmero de pruebas podra seguir
indefinidamente y que x es un ejemplo de variable aleatoria discreta que puede tomar un
nmero infinito (pero contable) de valores. Las frmulas para la distribucin geomtrica
son:
p(x) = pq x-1 x = 1,2,,8
Donde,
x = nmero de pruebas independientes hasta la ocurrencia del primer xito.
p = probabilidad de xito en una sola prueba, q = 1 p.
Media:
Variancia:
Desviacin estndar:
Ejercicio.
Los registros indican que una cierta vendedora tiene xito en formular venta en 30%
de sus entrevistas. Supngase que una venta en una entrevista es independiente de una
venta cualquier otro momento.
a) Cul es la probabilidad de que esta vendedora tenga que tratar con 10 personas
antes de hacer su primera venta?
b) Cul es la probabilidad que la primera venta se realice antes o en la dcima
oportunidad?
Solucin:
a) La probabilidad de realizar una venta en un solo contacto o entrevista es p = 0.3
Entonces la probabilidad de que necesita exactamente x = 10 contactos antes de hacer
su primera venta es:
p(x) = pqx-1
o bien
p(10) = (0.3)(0.7)9 = 0.012
b) La probabilidad de que se realice la primera venta antes de o en la dcima entrevista,
es:
P(x = 10) = p(0) + p(1) + p(2) +.+ p(10)
La manera ms sencilla de hallar esta probabilidad es expresarla como el
complemento de una serie infinita, es decir:
P(x = 10) = 1- P(x > 10)
donde,
Por lo tanto existe una alta probabilidad (0.972) de que la vendedora realice primera
venta antes de o en el dcimo contacto.
Funcin de Distribucin
Demostracin
Funcin Caracterstica
La funcin caracterstica se calcula teniendo en cuenta que de nuevo aparece la suma
de los trminos de una progresin geomtrica, pero esta vez de razn eitq:
Demostracin
b) Varianza
Demostracin
Por tanto,
8. Distribucin Hipergeomtrica.
Si se selecciona una muestra aleatoria de n consumidores de una poblacin de N
consumidores, el nmero x de usuarios que favorecen un producto especfico tendra
una distribucin binomial cuando el tamao muestra n es pequeo respecto al nmero
de N de consumidores en la poblacin, el nmero x a favor del producto tiene una
distribucin de probabilidad hipergeomtrica, cuya frmula es:
Dnde:
N = nmero de elementos en la poblacin.
r = nmero de elementos que tienen una caracterstica especfica, por ejemplo el
nmero de personas a favor un producto particular.
n = nmero de elementos en el muestra.
En base a la ecuacin anterior se puede realizar las operaciones factoriales siguientes:
El nmero de xitos es una muestra aleatoria del tamao n, extrada sin reemplazo
de la poblacin, es una variable aleatoria con distribucin hipergeomtrica de
parmetros N, R y n.
Cando el tamao de la poblacin es grande, los muestreos con o sin reemplazo son
equivalentes, por lo que la distribucin hipergeomtrica se aproxima en tal caso a la
binomial.
Valores:
x:max{0,n-(N-R)}, , min{R,n};
donde max{0,n-(N-R)} indica el valor mximo entre 0 y n-(N-R), y min{R,n} indica el
valor mnimo entre R y n.
Parmetros:
N: tamao de la poblacin, N>0 entero.
R: nmero de xitos dela poblacin, R0 entero
n: nmero de pruebas, n>0
Ejercicios
Se sabe que el 7% de los tiles quirrgicos en un lote de 100 no cumplen ciertas
especificaciones de calidad. Tomada na muestra al azar de 10 unidades sin reemplazo,
interesa conocer la probabilidad de que no ms de dos sean defectuosos.
Solucin:
El nmero de tiles defectuosos en el lote es R=0,07 x 100 = 7. Para n tamao
muestral n=10, la probabilidad buscada es P{nmero de defectuosos 2}.
y su varianza,
Distribucin de probabilidad
para una variable aleatoria continua.
dnde:
= la media.
= la varianza.
= la desviacin tpica.
= constante (3.14159).
e (exponencial) = 2.71828.
La ecuacin de una distribucin normal con = 0 y = 1 (una distribucin normal
estandarizada) es igual a:
1)Distribucin normal
3)Funcin de densidad de
probabilidad normal
dnde:
Grficamente:
Grficamente:
Los valores en los dos extremos a y b no son por lo general importantes porque no
afectan el valor de las integrales de f(x)dx sobre el intervalo, ni de xf(x)dx o expresiones
similares. A veces se elige que sean cero, y a veces se los elige con el valor 1/(b a).
Este ltimo resulta apropiado en el contexto de estimacin por el mtodo de mxima
verosimilitud. En el contexto del anlisis de Fourier, se puede elegir que el valor de f(a)
f(b) sean 1/(2(ba)), para que entonces la transformada inversa de muchas
transformadas integrales de esta funcin uniforme resulten en la funcin inicial, de otra
forma la funcin que se obtiene sera igual en casi todo punto, o sea excepto en un
conjunto de puntos con medida nula. Tambin, de esta forma resulta consistente con la
funcin signo que no posee dicha ambigedad.
b) Funcin de Distribucin de Probabilidad
La funcin de distribucin de probabilidad es:
y, en general,
Para una variable aleatoria que satisface esta distribucin, la esperanza matemtica es
entonces m1 = (a + b)/2 y la varianza es m2 m12 = (b a)2/12.
Propiedades
a) Generalizacin a Conjuntos de Borel:
Esta distribucin puede ser generalizada a conjuntos de intervalos ms complicados.
Si S es un conjunto de Borel de medida finita positiva, la distribucin probabilidad
uniforme en S se puede especificar definiendo que la pdf sea nula fuera de S e igual a
1/K dentro de S, donde K es la medida de Lebesgue de S.
b) Estadsticas de Orden:
Sea X1,..., Xn una muestra i.i.d. de U(0,1). Sea X(k) el orden estadstico k-simo de
esta muestra. Entonces la distribucin de probabilidad de X(k) es una distribucin Beta
con parmetros k y n k + 1. La esperanza matemtica es
c) Uniformidad:
La probabilidad de que una variable aleatoria uniformemente distribuida se encuentre
dentro de algn intervalo de longitud finita es independiente de la ubicacin del
intervalo (aunque s depende del tamao del intervalo), siempre que el intervalo est
contenido en el dominio de la distribucin.
Es posible verificar esto, por ejemplo si X U(0,b) y [x, x+d] es un subintervalo de
[0,b] con d fijo y d > 0, entonces:
Y = 1 - X1/n tiene una distribucin beta con parmetros 1 y n. (Notar que esto
implica que la distribucin uniforme estndar es un caso especial de la distribucin
beta, con parmetros 1 y 1).
Relaciones con otras Funciones
Aplicaciones
Cuando se utiliza un p-valor a modo de prueba estadstica para una hiptesis nula
simple, y la distribucin de la prueba estadstica es continua, entonces la prueba
estadstica esta uniformemente distribuida entre 0 y 1 si la hiptesis nula es verdadera.
a) Muestreo de una Distribucin Uniforme
Existen muchos usos en que es til realizar experimentos de simulacin. Muchos
lenguajes de programacin poseen la capacidad de generar nmeros pseudo-aleatorios
que estn distribuidos de acuerdo a una distribucin uniforme estndar.
Si u es un valor muestreado de una distribucin uniforme estndar, entonces el valor
a+(ba)u posee una distribucin uniforme parametrizada por a y b, como se describi
previamente.
b) Muestreo de una Distribucin Arbitraria
La distribucin uniforme resulta til para muestrear distribuciones arbitrarias. Un
mtodo general es el mtodo de muestreo de transformacin inversa, que utiliza la
distribucin de probabilidad (CDF) de la variable aleatoria objetivo. Este mtodo es
muy til en trabajos tericos. Dado que las simulaciones que utilizan este mtodo
requieren invertir la CDF de la variable objetivo, se han diseado mtodos alternativos
para aquellos casos donde no se conoce el CDF en una forma cerrada. Otro mtodo
similar es el rejection sampling.
La distribucin normal es un ejemplo importante en el que el mtodo de la
transformada inversa no es eficiente. Sin embargo, existe un mtodo exacto, la
transformacin de Box-Muller, que utiliza la transformada inversa para convertir dos
variables aleatorias uniformes independientes en dos variables aleatorias independientes
distribuidas normalmente.
Su varianza es (b a)2/12
En efecto:
Siendo r
y la varianza:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra
en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.
, es tal
,.
de la
primer lugar la funcin caracterstica
Ejemplo
En un experimento de laboratorio se utilizan 10 gramos de
. Sabiendo que la
duracin media de un tomo de esta materia es de 140 das, cuantos das transcurrirn
hasta que haya desaparecido el 90% de este material?
Solucin:
El tiempo T de desintegracin de un tomo
distribucin exponencial:
Ejemplo
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una
persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes
de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente,
cul es la probabilidad de que haya que cambiarlo antes de 25 aos?
Solucin:
Sea T la variable aleatoria que mide la duracin de un marcapasos en una persona.
Tenemos que
Entonces
En segundo lugar
o sea, en la duracin que se espera que tenga el objeto, no influye en nada el tiempo que
en la actualidad lleva funcionando. Es por ello que se dice que la distribucin
exponencial no tiene memoria.
Ejercicios:
1) El tiempo durante el cual cierta marca de batera trabaja en forma efectiva hasta que
falle (tiempo de falla) se distribuye segn el modelo exponencial con un tiempo
promedio de fallas igual a 360 das.
qu probabilidad hay que el tiempo de falla sea mayor que 400 das?.
Si una de estas bateras ha trabajado ya 400 das, qu probabilidad hay que trabaja
ms de 200 das ms?
Sea X = el tiempo que trabaja la batera hasta que falle. El tiempo promedio de falla
es de 360 das. Entonces, X ~Exp (=1/360) y su funcin de densidad es:
a) .
b) Si la batera ya trabajo 400 das, quiere decir qe s tiempo de falla es mayor que
400, luego
c) La probabilidad de que na batera trabaje ms de 360 das.
Sea Y=# de bateras de 5 que siguen trabajando despus de 360 das entonces
Y~(5,p) , y
2) Suponga que la vida de cierto tipo de tubos electrnicos tiene una distribucin
exponencial con vida media de 500 horas. Si X representa la vida del tubo (tiempo
que dura el tubo).
a) Hallar la probabilidad que se queme antes de las 300 horas.
b) Cul es la probabilidad que dure por lo menos 300 horas?
c) Si un tubo particular ha durado 300 horas. cul es la probabilidad de que dure
otras 400 horas?
Solucin:
Sabemos que
, entonces
, donde
a) .
b) .
c) .
Obsrvese que
Este, es na propiedad de la distribucin exponencial que se conoce como la de no
tener memoria.
3) Suponga que el tiempo que necesita un cajero de un banco para atender a un cliente
tiene una distribucin exponencial con una media de 40 segundos.
a) Hallar la probabilidad que el tiempo necesario para atender un cliente dado sea
mayor que 20 minutos?
b) Cul es la probabilidad que el tiempo necesario para atender a un cliente est
comprendido entre 1 y 2 minutos.
Solucin
Sea X la variable aleatoria definida por X(w)= intervalo de tiempo necesario para
atender a un cliente.
a) .
b) .
Su esperanza es p.
Su varianza es p2
Media y Desviacin
Tpica
Una funcin de densidad asociada a una distribucin normal se caracteriza por dos
parmetros complementarios:
La media
un mximo.
Ejemplo:
4) Supongamos que se sabe que el peso de los sujetos de una determinada poblacin
sigue una distribucin aproximadamente normal, con una media de 80 kg y una
desviacin estndar de 10 kg. Podremos saber cul es la probabilidad de que una
persona, elegida al azar, tenga un peso superior a 100 kg?
Solucin:
= 80
= 10
= 100
Aplicando la formula, tenemos:
Ejemplo
Una empresa instala en una ciudad 20.000 bombillas para su iluminacin. La
duracin de una distribucin normal con media de 302 das y desviacin tpica de 40
das. Calcular.
a) Cuntas bombillas Se fundirn antes de 365 das?
b) cuantas duraran ms de 400 das?
Solucin:
a) t = 365 - 302 /40 = 1.575 P(X < 365) = P(t <1.575) = 0.9418
Tabla de Tipificacin
La distribucin normal tipificada tiene por ecuacin de su funcin de densidad:
Para determinar la probabilidad de que esta funcin sea menor que un valor dado a,
se utiliza un mtodo aproximativo y una tabla de tipificacin muy conocida.
Fragmento de la tabla
de tipificacin N(0,1)
p(+2) = 1/4
p(5) = 1/4
E(x)= 1 2/4 + 2 1/4 - 5 1/4 = 1/4.
R: Es desfavorable
Desviacin estndar
La desviacin estndar () mide cunto se separan los datos.
La frmula es fcil: es la raz cuadrada de la varianza. As que, qu es la
varianza?
Varianza
La varianza (que es el cuadrado de la desviacin estndar: 2) se define as:
Es la media de las diferencias con la media elevadas al cuadrado.
En otras palabras, sigue estos pasos:
a) Calcula la media (el promedio de los nmeros)
b) Ahora, por cada nmero resta la media y eleva el resultado al cuadrado (la diferencia
elevada al cuadrado).
c) Ahora calcula la media de esas diferencias al cuadrado.
Ejemplo
T y tus amigos han medido las alturas de sus perros (en milmetros):
Las alturas (de los hombros) son: 600mm, 470mm, 170mm, 430mm y 300mm.
Calcula la media, la varianza y la desviacin estndar.
Solucin:
Para calcular la varianza, toma cada diferencia, elvala al cuadrado, y haz la media:
Elevar cada diferencia al cuadrado hace que todos los nmeros sean positivos (para
evitar que los nmeros negativos reduzcan la varianza)
Y tambin hacen que las diferencias grandes se destaquen. Por ejemplo 1002=10,000
es mucho ms grande que 502=2,500.
Pero elevarlas al cuadrado hace que la respuesta sea muy grande, as que lo
deshacemos (con la raz cuadrada) y as la desviacin estndar es mucho ms til.
19. Distribucin X2 de Pearson
Llamada tambin ji cuadrada(o) o chi cuadrado(a) (X), es una distribucin de
probabilidad continua con un parmetro k que representa los grados de libertad de la
variable aleatoria.
Donde
son variables aleatorias normales independientes de media cero y varianza
uno. El que la variable aleatoria X tenga esta distribucin se representa habitualmente
as: X
Aplicaciones
La distribucin X tiene muchas aplicaciones en inferencia estadstica. La ms
conocida es la de la denominada prueba X utilizada como prueba de independencia y
como prueba de bondad de ajuste y en la estimacin de varianzas. Pero tambin est
involucrada en el problema de estimar la media de una poblacin normalmente
distribuida y en el problema de estimar la pendiente de una recta de regresin lineal, a
travs de su papel en la distribucin t de Student.
Aparece tambin en todos los problemas de anlisis de varianza por su relacin con
la distribucin F de Snedecor, que es la distribucin del cociente de dos variables
aleatorias independientes con distribucin X.
Caractersticas de la Distribucin
Dnde:
X2 = valor estadstico de ji cuadrada.
Fo = frecuencia observada.
Fe = frecuencia esperada.
= desviacin tpica.
Formulacin
Sea X una variable aleatoria no negativa y una funcin f: R R + creciente tal que
E[f(X)] < +. Entonces a R se da la desigualdad siguiente:
c) Sea X variable aleatoria de media y varianza finita 2, entonces, para todo nmero
real a > 0,
Ejemplos
Para ilustrar este resultado, supongamos que los artculos de Wikipedia tienen una
extensin media de 1000 caracteres y una desviacin tpica de 200 caracteres. De la
desigualdad de Chebyshov, usando k=2, se deduce que al menos el 75% de los artculos
tendrn una extensin comprendida entre 600 y 1400 caracteres.
Otra consecuencia del teorema es que para cada distribucin de media y desviacin
tpica finita , al menos la mitad de sus valores se concentrarn en el intervalo (-2 ,
+2 )
Demostracin
En primer lugar considrense una desigualdad y una igualdad:
Ntese que
Si ahora se aplica la funcin esperanza a los dos lados de la primera desigualdad que
se han establecido se habr demostrado el resultado.
Entonces, trivialmente,
aY |X|
y por lo tanto,
a22Y2 (X)2.
Tomando esperanzas en ambos miembros se obtiene:
por lo que
Pero, a su vez, dado que Y slo puede ser 0 1,
Ejemplo
Suponga que el nmero de artculos producidos en una fbrica durante una semana es
una variable aleatoria con media 50. Si la varianza de una semana de produccin se sabe
que es igual a 25, entonces:
Qu podemos decir acerca de la probabilidad de que en esta semana la produccin
difiera en ms de 10 a la media?
Solucin: Por la desigualdad de Chebyshev
Entonces la probabilidad de que en la semana de produccin el nmero de artculos
exceda en ms de 10 a la media es a lo ms 0.25.
Teoremas Lmite
La desigualdad de Chebyshev juega un papel muy importante en la demostracin de
algunos de los ms importantes teoremas lmite En esta parte del trabajo se presentarn
algunos de ellos.
Sean X1, X2,, Xn, variables aleatorias independientes con media y varianza
finitas, y denotemos
. Entonces, para todo n 1
Demostracin.
Observemos que y
obtenemos:
Demostracin.
Como la sucesin de varianzas es uniformemente acotada, tenemos que
Haciendo n , obtenemos
Tamao de Muestra
La desigualdad de Chebyshev permite encontrar, en trminos de la varianza, un
tamao de muestra n que es suficiente para garantizar que la probabilidad de que la
desigualdad
ocurre es tan pequea como se desee, lo cual permite obtener
una aproximacin a la media.
Concretamente, sea Sean X1, X2,, Xn, una muestra aleatoria de tamao n, es
decir, variables aleatorias i.i.d., y supngase que tienen media y varianza 2 finitas.
Entonces, por la desigualdad de Chebyshev,
Ejemplo.
Supngase que Sean X1, X2,, Xn, son variables aleatorias con distribucin de
Bernoulli, de tal forma que toman el valor 1 con probabilidad p = 0.5. Entonces, De
qu tamao se tiene que tomar la muestra para garantizar que la probabilidad de que la
diferencia entre la media aritmtica y su valor esperado no exceda en ms de una
dcima, sea menor o igual a una centsima?
Solucin:
Tenemos que = p = 0.5 y 2 = p(1-p) = (0.5)2. Por la desigualdad de Chebyshev,
o de forma equivalente
Demostracin:
o de forma equivalente
Observa que Sn/n es un promedio y por eso a la ley de los grandes nmeros suele
conocerse tambin como ley de los promedios.
Hemos visto su forma dbil. En su forma fuerte nos dice que si repetimos el
lanzamiento de una moneda, la proporcin de caras se aproxima ms y ms a 1/2 a
medida que aumentamos el nmero de lanzamientos.
Si Sn es el nmero de caras en n lanzamientos, la ley fuerte de los grandes nmeros
dice que cuando n tiende a infinito:
Ejemplos
Distribuciones para el nmero de caras en n lanzamientos de una moneda. La ley de
los grandes nmeros predice que el porcentaje de caras para n grande estar prximo a
1/2.
En las grficas se ha marcado con puntos las probabilidades comprendidas entre 0.45
y 0.55.
Vemos como a medida que n crece la distribucin se concentra ms y ms alrededor
de 0.5 y el porcentaje de rea correspondiente al intervalo (0.45, 0.55) se hace ms y
ms grande.
Supongamos que tomamos al azar n nmeros del intervalo [0,1] con una distribucin
uniforme. Si la variable aleatoria Xi describe la eleccin i-sima, tenemos:
Es decir, si escogemos al azar n nmeros del intervalo [0,1], las probabilidades son
mejores que 1 - 1/(12n2) de que la diferencia |Sn/n - 1/2| sea menor que .
Grficos semejantes al caso del lanzamiento de n monedas anterior, pero ahora con la
suma de n valores independientes tomados de una U(0,1). Rigen los mismos
comentarios.
bastante baja; sin embargo, la probabilidad de que alguien gane la lotera es bastante
alta, suponiendo que suficientes personas comprasen boletos de lotera.
2 ++
Existe mucha controversia para determinar el tamao de muestra adecuado para que
la aproximacin a la normal proporcione resultados aceptables. Aunque muchos autores
suele dar por aceptable cuando el producto np(1p)>5, nosotros por mayor seguridad y
fiabilidad de que las aproximaciones son adecuadas, trabajaremos con la regla de que
ducho producto sea np(1p) 9. En nuestro caso una variable Binomial B(n,p) se
aproxima a una normal N(,), mediante la siguiente expresin:
(B) Ecuacin de transformacin distribucin binomial
a la distribucin normal.
Esta misma situacin aparece con variables de Poisson. Una variable aleatoria X que
sigue una distribucin Ps(), puede aproximarse a una distribucin normal con media, la
esperanza E(X)= y varianza 2 = , cuando n es grande, lo que requiere elevados
valores de . Aunque, como en el caso de la binomial, muchos autores suelen dar por
aceptable cuando el producto >5, nosotros por mayor seguridad y fiabilidad de que las
aproximaciones son adecuadas, trabajaremos con la regla de 9.
El procedimiento es similar al caso anterior. Si X es una variable Ps(), la
distribucin:
(C) Ecuacin de convergencia de la
distribucin de Poisson a la distribucin
normal
Es decir, una variable Ps(), se aproxima a una normal N(, ), mediante la siguiente
expresin:
(D) Ecuacin de transformacin distribucin
Poisson a la distribucin normal
Ejemplos:
a) Calcular la probabilidad obtener 200 puntos al lanzar 70 dados.
Solucin:
Sea la variable X ~ nmero de puntos obtenidos en los 70 lanzamientos ~B(n=70,
p=1/6).
Consideramos cada uno de los defectos por minuto como variables independientes,
con lo cual podemos aplicar el Teorema Central del Lmite y aproximarla a una
distribucin normal, pues se cumple que hora 9.
Y~ Nmero de defectos por hora sigue una distribucin de Ps(hora120)
~N(E(X), (X)), donde E(X) y (X) son la esperanza y la desviacin tpica de la de
Poisson.
E(X)= hora=120
2(X)= hora=120
Una variable Poisson Ps() se aproxima a una normal N(,), mediante la siguiente
expresin:
CONCLUSIONES
Por definicin, se llama experimento aleatorio, estocstico o estadstico al que puede
producir resultados diferentes en unas mismas condiciones. Lanzar una moneda al aire o
tirar un dado son ejemplos comunes de experimentos aleatorios.
Los valores de una variable sirven para describir o clasificar individuos o distinguir
entre ellos. La mayora de nosotros hacemos algo ms que simplemente describir,
clasificar o distinguir, porque tenemos ideas respecto a las frecuencias relativas de los
valores de una variable. En estadstica decimos que la variable tiene una funcin de
BIBLIOGRAFA
ANEXOS