Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Teorema de Combiancion Lineal de Variables Aleatorias
Teorema de Combiancion Lineal de Variables Aleatorias
un producto este puede ser defectuoso o no, blanco o negro, cumple con las
especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las
que pueden ser.
1) 1) Distribucin de probabilidad discreta.
2) 2) Distribucin de probabilidad continua
5.2 MEDIA VARIA ZA DE U A VARIABLE ALEATORIA CO TI UA
La Distribucin Normal
La distribucin normal fue reconocida por primera vez por el francs
Abraham de Moivre (1667-1754). Posteriormente, Carl Friedrich
Gauss (1777-1855) elabor desarrollos ms profundos y formul la
ecuacin de la curva; de ah que tambin se la conozca, ms
comnmente, como la "campana de Gauss". La distribucin de una
variable normal est completamente determinada por dos
parmetros, su media y su desviacin estndar, denotadas
generalmente por y . Con esta notacin, la densidad de la
normal viene dada por la ecuacin:
Ecuacin 1:
iii.
iv.
v.
vi.
S 2 y la expresin
Y
n
S
nos dar como base para el desarrollo de mtodos de inferencias con respecto a .
son independientes,
2 una variable
T=
2 /
Si Y1, Y2, ..., Yn es una muestra aleatoria de una poblacin normal con media y
varianza 2, se puede aplicar el teorema 7.1 para demostrar que Z =
tiene
una
distribucin
normal
estndar.
El
teorema
7.3
n Y /
nos
dice
que
2 son independientes (ya que Yy 2 los son). Por lo tanto, por la definicin 7.2
T=
2 /v
n Y /
Y
= n
S
(n 1)S 2 / 2 (n 1)
7.2
estndar
, > 0;0 y
f ( y) =
y 1 e y /
( )
0
En donde:
( ) = y 1e
0
dy
para cualquier intervalo de alfa mayor o igual a uno y que la funcin de n sea igual a n
menos uno factorial, para un nmero entero n.
y 1 e y /
dy
( )
Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo
gamma mediante integracin directa.
Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:
Una variable aleatoria tipo gamma que tiene una funcin de densidad con
parmetros alfa igual a v entre dos y beta igual a dos se denomina variable aleatoria ji
- cuadrada.
Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El parmetro v
se denomina nmero de grados de libertad asociado a la variable aleatoria ji cuadrada.
y /
0
En cualquier punto.
, > 0;0 y 1
y 1 (1 y ) 1
f ( y) = {
B( , )
B ( , ) = y 1 (1 y ) 1 dy =
( ) ( )
( + )
Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si
c<= y <= d, y = (y- c) / (d- c) definir una nueva variable en el intervalo 0<= y <= 1. As
la funcin de densidad beta se puede aplicar a una variable aleatoria definida en el
intervalo c<= y <= d mediante una traslacin y una medicin en la escala.
F ( y) =
t 1 (1 t ) 1
dt = I y ( , )
B( , )
Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la
funcin de probabilidad binomial. Cuando y = p, se puede demostrar que
F ( p) =
n
y 1 (1 y ) 1
dy = p y (1 p) n y
B( , )
y =
S12 / 12 22 S12
=
S 22 / 22 12 S 22
tiene una distribucin F con (n1 1)(n2 1) grados de libertad. La definicin general de
una distribucin F es como sigue:
DEFINICION
F=
12 / v1
22 / v2
se dice que tiene una distribucin F con v1 grados de libertad del numerador y v2
grados de libertad del denominador.
muestras
aleatorias
independientes
de
F=
(n1 1)
FIGURA 7.3
f (u )
De probabilidad F
u
F
F (x, , ) = 1 e ( x )
f ( x, , ) =
1 ( x )
x e
.
Sean y1, y2, ..., yn un conjunto de variables aleatorias normalmente distribuidas con
medias
. , n). Si
E ( yi ) = i
y varianza
V ( yi ) = i2
y Cov ( yi , y j ) = 0
para ( i = 1, 2, .
l = a1 y1 + a2 y2 + . . . . . + an yn
a , ......, an
en donde a1 , 2
son constantes. Entonces, la distribucin de muestreo de
una combinacin lineal de las variables aleatorias normales tiene una funcin de
densidad normal con media y varianza:
= E ( l ) = a11 + a2 2 + . . . . . . + an n
l2 = V ( l ) = a12 12 + a 22 22 + . . . . . . + a n2 n2
Solucin:
1. 1. Paso
Puesto que y1 y y2 son funciones lineales de variables aleatorias distribuidas
normalmente, por el teorema de combinaciones lineales tendrn una distribucin
normal. Las medias y varianzas de las medias de muestra son:
E (Yi ) = i
V (Yi ) =
i2
ni
(i = 1, 2 )
2. 2. Paso
La funcin lineal es l = y1 y2
3. 3. Paso
( l ) tendr una distribucin normal con
E (l ) = l = E ( y1 ) E ( y2 ) = 1 2
V (l ) = l2 = (1) 2 V ( y1 ) + (1) 2 V ( y2 ) + 2 (1)(1) Cov ( y1 , y2 )
4. 4. Paso
Como las muestras se seleccionaron de forma independiente,
independientes y Cov ( y1 , y2 ) = 0 . Por tanto,
V (l ) =
12
n1
y1 y y2 son
22
n2
5. 5. Paso
Conclusin:
y1 y2
( 1 2 ,
12
n1
22
n2
Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60
caras es tan slo del 2,28%.
Concepto de muestreo
El muestreo es una herramienta de la investigacin cientfica. Su funcin bsica es determinar
que parte de una realidad en estudio (poblacin o universo) debe examinarse con la finalidad
de hacer inferencias sobre dicha poblacin. El error que se comete debido al hecho de que se
obtienen conclusiones sobre cierta realidad a partir de la observacin de slo una parte de ella,
se denomina error de muestreo. Obtener una muestra adecuada significa lograr una versin
simplificada de la poblacin, que reproduzca de algn modo sus rasgos bsicos.
Terminologa
Poblacin objeto: conjunto de individuos de los que se quiere obtener una informacin.
Unidades de muestreo: nmero de elementos de la poblacin, no solapados, que se van a
estudiar. Todo miembro de la poblacin pertenecer a una y slo una unidad de muestreo.
Unidades de anlisis: objeto o individuo del que hay que obtener la informacin.
Marco muestral: lista de unidades o elementos de muestreo.
Muestreo probabilstico
El mtodo otorga una probabilidad conocida de integrar la muestra a cada elemento de la
poblacin, y dicha probabilidad no es nula para ningn elemento.
Los mtodos de muestreo no probabilisticos no garantizan la representatividad de la muestra y
por lo tanto no permiten realizar estimaciones inferenciales sobre la poblacin.
(En algunas circunstancias los mtodos estadsticos y epidemiolgicos permiten resolver los
problemas de representatividad aun en situaciones de muestreo no probabilistico, por ejemplo
los estudios de caso-control, donde los casos no son seleccionados aleatoriamente de la
poblacin.)
Entre los mtodos de muestreo probabilsticos ms utilizados en investigacin encontramos:
Muestreo aleatorio simple
Muestreo estratificado
Muestreo sistemtico
Muestreo polietpico o por conglomerados
CARACTERISTICAS
Aleatorio
simple
Sistemtico
VENTAJAS
INCONVENIENTES
Fcil de aplicar.
Estratificado
Conglomerados
Se ha de conocer la distribucin en
la poblacin de las variables
utilizadas para la estratificacin.
Tamao muestral
Valor correspondiente a la distribucin de Gauss 1,96 para =0,05 y 2,58 para =0,01.
Error que se prev cometer. Por ejemplo, para un error del 10%, introduciremos en la frmula
el valor 0,1. As, con un error del 10%, si el parmetro estimado resulta del 80%, tendramos
una seguridad del 95% (para =0,05) de que el parmetro real se sita entre el 70% y el 90%.
Vemos, por tanto, que la amplitud total del intervalo es el doble del error que introducimos en
la frmula.
Importancia: El teorema central del lmite (TCL) nos permite usar la distribucin
normal como la distribucin de las medias de muestras grandes, sin interesar cual
sea la distribucin original de las variables aleatorias.
Teorema. Sea X1, X2,...,Xn una muestra aleatoria de tamao n de variables
independientes e idnticamente distribuidas tomadas de una poblacin infinita, con
media y varianza
, y si
/n cuando n.
Ejemplo grfico
Con el fin de ilustrar grficamente el TCL presentaremos la distribucin de la media
muestral obtenida al lanzar dos dados, en comparacin con la distribucin individual
de cada dado.
Si X representa el resultado obtenido al lanzar un dado, entonces su funcin de
probabilidad est dada por:
(=
/n) tiende a
12
n1
22
n2
incrementan.
Con lo anterior podemos concluir:
x2
= 1 2
x2
x2
12
n1
22
n2
De aqu que,
Z=
( X 1 X 2 ) ( 1 2 )
12
n1
22
n2
Sabemos que
1 y una varianza
2 y una
cuando n2 es grande.
Tenemos que:
P(S2=s2)
.42
.5
.48
.1
P( S 2 = s 2 )
P ( S 2 = 0) = P (1,1)
+ P (2,2) + P (3,3)
( S 2 ) = s 2 =
0 * 0.42 + 0.5 * 0.48 + 2 * 0.10 = 0.44
x2 = Var ( x) = 0.44
E ( S 2 ) = s 2 = 0.44
La media de la distribucin muestral de la varianza es igual a la varianza
poblacional
La media de la distribucin muestral de la varianza es igual a la varianza
poblacional
Var ( S 2 ) =
4
n
3 n
4
n( n 1)
DE LA RELACIN DE
Bibliografa
http://www.eumed.net/libros/2006a/rmss/a8.htm
Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias, Quinta
Edicin, Thomson Learning.
Mendenhall, W. (1998). Estadstica para Administradores, Segunda Edicin,
Grupo Editorial Iberoamrica.
Montgomery, D.C. y Runger G.C. (1996). Probabilidad y Estadstica Aplicadas a
la Ingeniera, Primera Edicin, Mc Graw Hill.
Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica para Ingeniera,
Primera Edicin, Grupo Editorial Iberoamrica.
Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw Hill.
Walpole, R. E., Myers, R.H., y Myers, S.L. (1998). Probabilidad y Estadstica para
Ingenieros, Sexta Edicin, Prentice Hall.
Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA.