Documentos de Académico
Documentos de Profesional
Documentos de Cultura
429936270.texto Guía Estadistica y Probabilidades Ii - 2008 Acef PDF
429936270.texto Guía Estadistica y Probabilidades Ii - 2008 Acef PDF
TEMA N 1
TEORA DE PROBABILIDADES
HABILIDAD: Describe
CONTENIDO: Los conceptos fundamentales de la teora del clculo de probabilidades.
PROCESO:
Mediante un proceso interactivo y el uso de diferentes fuentes de informacin.
CONTEXTO: En el aula
a) Definicin clsica
b) Definicin por Frecuencia Relativa
c) Definicin Subjetiva
PROBABILIDAD OBJETIVA
PROBABILIDAD SUBJETIVA
N(
N ( A)
na
Entonces:
PA
N (A)
N( )
N ( A)
n
62
36
1
(1,1)
(2,1)
(3,1)
(4,1)
(5,1)
(6,1)
1
2
3
4
5
6
2
(1,2)
(2,2)
(3,2)
(4,2)
(5,2)
(6,2)
3
(1,3)
(2,3)
(3,3)
(4,3)
(5,3)
(6,3)
4
(1,4)
(2,4)
(3,4)
(4,4)
(5,4)
(6,4)
5
(1,5)
(2,5)
(3,5)
(4,5)
(5,5)
(6,5)
6
(1,6)
(2,6)
(3,6)
(4,6)
(5,6)
(6,6)
N(A) = {(6,6)} = 1
P( A) = 1/36
b) La suma de los puntos es 7
N(A)
P( A)
1
6
P(A)
{(1,1)(1,2)(2,1)}
P( A )
3
36
1
12
P( A )
Donde:
P( A)
na
n
= Probabilidad de que ocurra el evento A.
na
= Frecuencia Absoluta de A
= Tamao de la Muestra
= 10.000 trabajadores
P( A)
na
n
500
10.000
0,05
A
105
B
100
C
70
D
45
E
40
F
15
TOTALES
375
15
20
10
55
b) Pertenece al partido B?
c) Sea un hombre miembro del partido C?
SOLUCIN:
a) n = total de militantes = 375
Sea: A : El militante seleccionado es una mujer.
na
55
375
0,147
nb
100
375
0,27
nc
70
P( c)
nb
n
5
65
375
65
0,17
c) PROBABILIDAD SUBJETIVA:
Esta es una definicin alternativa y se utiliza cuando existen muchas situaciones
donde el concepto de Probabilidad Clsica ( equiprobable) y el de Frecuencia
Relativa, carece de significado, o sea no se cumplen ninguna de las dos condiciones
sealadas.
En este caso se aplica el concepto de probabilidad subjetiva:
EJEMPLO: Cul es la probabilidad de que una expedicin tripulada desembarque en
el planeta Marte en la prxima dcada ?
El ejemplo anterior tratase de un evento nico sin antecedente alguno, por tanto, no
existe forma de que se pueda interpretar tal probabilidad a travs de la
probabilidad clsica ni la frecuencia relativa.
AXIOMA 1
0
PA
k
k
Ai
i 1
P AB
P Ai
i 1
PA
PB
TEOREMAS:
TEOREMA 1: Si
Por el Axioma 3
Por el axioma 2
1 1 P
11 0
TEOREMA 2:
Para cada evento A, se cumple que:
PA
1 PA
PA
PA
Demostracin:
Se sabe que:
Por otro lado los eventos
AA
y
AA
En consecuencia:
P
1
PA
PA
PA
PA
Por el Axioma 2
PA
1 PA
Por el Axioma 3
Viceversa
TEOREMA 3:
Si A y B son eventos de
PA
, tales que A B
PB
DEMOSTRACIN:
B
B A B A
y adems:
A B A
PB
PA
P BA
0
PB
PA
TEOREMA 4:
Si A y B son dos eventos cualesquiera de
P AB
PA
PB
P AB
DEMOSTRACION:
El evento A B puede representarse como la unin de los eventos
mutuamente excluyentes.
y A B , y son
An
B
AB
AB A AB
10
Luego:
(l)
P AB
PA
P/Axioma 3
P AB
Por otro lado, el Evento B tambin puede escribirse como la unin de los eventos
mutuamente excluyentes:
y
AB
AB AB
PB
AB
P AB
P A B
P A B
PB
P/Axioma 3
P AB
P AB
PA
PB
P AB
TEOREMA 5:
Si: A, B y C son tres eventos cualesquiera en
P ABC
PA
PB
PC
P AC
P AC
P CB
P ABC
DEMOSTRACION:
Podemos escribir A B C
que A B es un evento.
AB C
P A1A2 A3 Ak
k
i 1
P AI
P Ai A j
i j2
P Ai A j A r
k 1
P A1A2 Ak
i j2
11
EJERCICIOS DE APLICACIN
P(A)
0,10
P(B)
0,05
PAB)
0,03
AB
PC
P AB
PC
PA
PB
P AB
EJERCICIO 2:
0, 1, 2, 3,4,........................
A: Recibe a lo ms 5 llamadas.
B: Recibe por lo menos 9 llamadas.
C: Recibe 6,7 u 8 llamadas.
Definimos ahora el sub espacio muetral para cada uno de los eventos:
A
0, 1, 2, 3, 4,5
12
= 9, 10, 11,12,...................
6, 7,8
C=
Adems sabemos que:
B
PA
0,20
PB
0,50
PC
PA
PB
PC
P/Axioma 3
Por axioma 2:
1 PA
PB
PC
Remplazando datos:
1 0,20 0,50 P C
PC
PC
1 0,20 0,50
0,30
0, 1, 2, 3, 4,5,.............................., 100
13
PA
0,05
PB
0,01
?
a) La Probabilidad de que ningn tubo es defectuoso: P C
Teniendo en cuenta de que
= AUC y que los dos eventos son mutuamente
excluyentes y colectivamente exhaustivos:
AB
P
PA
PB
P/Axioma 3
Despejamos P C
PC
P
P `A
PC
P/Axioma 2
PA
P C 1 0,05 0,95
b) La probabilidad de que haya exactamente un tubo defectuoso:
PD
PA
PB
PD
PD
PA
PB
PD
PE
14
PE
PE
PC
P/Axioma 3
PD
0,95 0,04
PE
0,99
PA
0,30
PB
0,40
P AB
PA
PB
P AB
P/Axioma 4
P AB
P AB
0,15
0,55
0,15
0,15
0,25
15
A B B A
PC
P AB
P BA
PC
1.4
An
B
16
P AB
PB
PA/B
Siempre y cuando: P B
Si :
PB
PA/ B
a)
P ED
PD
PE/D
Sabemos que:
PD
PD
P ED
1.900
11.000
TOTALES
1.000
10.000
11.000
1.000
11.000
10
110
19
110
17
10
110
19
110
PE/D
1.100
2.090
10
19
900
11.00
9
110
P ED
PE/D
P ED
PD
9
110
19
110
PE/D
990
2.090
9
19
AB
0, 2 0
0,1 5
GRAFICAMENTE TENEMOS:
A
18
Entonces:
a) P A
b)
0,05
0,15
0,60
PA/B
0,25
PA/B
P B/ A
P AB
PA
Si
PB
Si
PA
P AB
PB PA/ B
P AB
PB PA/ B
5B
6N
1 bola
= 11
A1
A2
19
E A1 A2
A1 A2
P E P A1 A2
DATOS:
PA
P A1 P A2 / A1
5
11
P A 2 / A1
4
10
PE
5
4
11 10
4
22
11
2
11
20
TEMA N 2
VARIABLES Y MODELOS ALEATORIOS DISCRETOS
HABILIDAD: Caracteriza
CONTENIDO: La variable y los modelos aleatorios discretos ms importantes.
PROCESO: Mediante la resolucin de ejercicios prcticos de aplicacin.
CONTEXTO: En el aula.
X2
w2
X3
w3
DOMINIO
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
RANGO O RECORRIDO R x
Cobija Pando - Bolivia
21
Rx
es un conjunto
En otras palabras, la Variable Aleatoria es una funcin que asigna un nmero real a
cada suceso simple de un Espacio muestral, o sea cada elemento de .
EJEMPLO 1: Si consideramos el juego ms sencillo que consiste en lanzar una
moneda, sabemos que puede resultar cara o sello, es decir que:
= { C, S }
Si definimos la Variable Aleatoria X como: El nmero de veces que aparece cara,
entonces X es una funcin sobre , de manera que: X C 1 y X S 0 . Entonces X toma
los valores 0 y 1.
X = {0,1}
EJEMPLO N 2: Sea el experimento que consiste en lanzar tres monedas al aire y
sea la variable aleatoria:
X: Nmero de caras
Definir el Dominio y Rango de X.
SOLUCION: El Espacio Muestral
2
X CCC
3;
0
X CCS
2;
1
X CSS
2
1;
2
X SSS
1
0
0,1,2,3
22
x1 , x 2 , x 3 , x 4 , x 5 , x 6
DISCRETO FINITO
Rx
x1 , x 2 , x 3 ,......... ........
Entonces:
Rx
0,1,2,3,4
23
2.5
PX
x
w
/X w
w
x
px
2.-
x Rx
PX
x Rx
x Rx
Esta funcin tambin recibe el nombre de FUNCION DE CUANTIA, que puede ser
expresado mediante pares ordenados, tablas y grficos. O sea:
x, p x ; x R x
Por otro lado, si x
Rx
px
1,0
Rx
DOMINIO
RANGO
Px
x1
x2
x3
p x1
p x2
p x3
.
.
.
.
.
.
24
p(x2)
p(x3)
(x1,p(x1))
p(x1)
p(xn)
x2
x1
...........................
x3
xn
GRAFICAMENTE:
6
5
4
3
2
1
10
11
12
Rx
25
NA
N
p x2
PX
1
36
Entonces:
Rx
= { 2,
1
36
3,
4,
5,
2
36
3
36
4
36
6,
5
36
7, 8, 9, 10, 11, 12 }
6
36
5
36
4
36
3
36
2
36
1
36
REPRESENTACION TABULAR:
SUMA DE
PUNTOS
2
3
4
5
6
7
8
9
10
11
12
SUMA
N DE
VECES
1
2
3
4
5
6
5
4
3
2
1
36
PX
1/36
2/36
3/36
4/36
5/36
6/36
5/36
4/36
3/36
2/36
1/36
1
0 px
px
x Rx
26
Fx
PX
p xi
xi x
PX
xi
xi x
xi
p0
PX
p1
PX
p2
PX
p3
PX
1
3
= {0, 1, 2, 3}
8
3
8
1
8
27
Rx
px
Fx
0
1
2
3
1/8
3/8
3/8
1/8
1
PX
1/8
4/8
7/8
1
-.-
O sea:
FUNCION DE CUANTIA:
= 1/8
= 3/8
=0
Px
px
Si: x = 0 3
x=12
En cualquier otro caso
Si:
0
1
2
x
= 1/8
= 4/8
= 7/8
=1
Fx
x<0
x 1
x 2
x 3
3
3/8
2/8
1/8
0
28
1
7/8
4/8
1/8
0
29
Vx
x p
x Rx
Siempre y cuando:
x p
x Rx
xp
sea FINITA.
x Rx
E x Vx
EJEMPLO N 1: Hallar el Valor Esperado para la siguiente Distribucin de
Probabilidades:
X
0
0,2
px
SOLUCION:
1
0,4
2
0,3
3
0,08
4
0,02
x p
Ex
x Rx
30
Ex
Ex
={
0,
1,
px
1/8
3/8
2,
3/8
3}
1/8
Ex
Ex
aX
X Y
a E
E
DEMOSTRACIN:
1) Partimos de la definicin del valor esperado:
Ex
Si: x = a
x px
x Rx
a p
x Rx
1
Ea
x Rx
Ea
31
2) Remplazamos en la frmula:
E
a xp
ax
Si: x = a
x Rx
ax
x p
E(x)
x Rx
E ax
3)
EX
EX
X Y
X Y
aE x
EY
X Y
x ,y R x R y
X p
Y p
y Ry
EX
x Rx
EX
EY
Vx
Ex
Vx
VX
EX
x2
DEMOSTRACION:
VX
EX
VX
EX
VX
EX
EX2
2 xX
x2
EX
2 x2
x2
x2
x2
32
EJERCICIO:
Sea la siguiente distribucin de cuanta:
X
0
1/8
px
1
3/8
2
3/8
3
1/8
Calcular la Varianza de X.
SOLUCION:
Para calcular la
Vx
primeramente se calcula la
1
3
3
1
1
2
3
8
8
8
8
3
2
Vx
1
2
3
2
3
8
3
2
= 1,5
Seguidamente calculamos V(x) = E (X Vx
Ex
3
2
3
8
3
2
1
8
)2
24
32
3
4
0,75
Vx
x2
Ex
x2
02
Entonces: V x
1 2 3
3 2 1
1
22
3
8
8
8
8
3
2
9
4
12 9
4
3
8
3
4
12
8
9
8
24
8
0,75
PROPIEDADES DE LA VARIANZA:
1.2.3.-
Vx
Ex
Vx
Vk
x2
33
4.- V k X k 2 V x
EJERCICIOS PARA RESOLVER EN CLASES:
Se tiene una urna con tres fichas negras y 2 rojas. Se extrae al azar y
sucesivamente una ficha sin reposiscin hasta que salga una roja. Sea X el nmero
de extracciones que hay que realizar. Calcular:
a) La Funcin de Cuanta.
b) El Valor Esperado de X.
c) La varianza de la variable Aleatoria X.
2.8.
34
DEFINICION: Una prueba Bernoulli es un experimento que tiene dos resultados posibles,
generalmente llamados: xito (E) y Fracaso (F). El espacio muestral asociado a este tipo de
experimentos est dado por:
= { E, F }
Son muchos los resultados que corresponden a este modelo:
a) Lanzar una moneda: Cara o sello
b) Artculo producido: Defectuoso y No defectuoso.
c) Opinin de una persona: Est de acuerdo o no con algo
En general slo interesa que ocurra dos resultados xito o fracaso
Rx = {
0 }
0 : Fracaso
1 : xito
p ( 1-p )=q
Entones la Funcin de Cuanta de la distribucin de Bernoulli est dada por:
p(x) = p
=q
=0
si x=1
si x=0
en cualquier otro caso
GRAFICAMENTE TENEMOS:
Rx
Rx
E
F
X1=1
X2=2
Siempre y cuando:
1)
2)
p(x)
0
p(x) = p + q = 1
35
x.p(x) = 1. p + 0 . q = p
x Rx
E(x) = p
Calculamos luego la varianza para una variable Aleatoria Bernoulli:
V(x) = E(x)2 - x2
E(x)2 = 12 . p + 02 . q = p
V(x) = p p2 = p ( 1 - p )
V(x) = p . q
EJERCICIO DE APLICACION: Supongamos que de un conjunto de amas de casa, el 70 %
est de acuerdo con utilizar un nuevo aceite comestible fabricado a base de palma africana.
Si seleccionamos aleatoriamente una ama de casa del conjunto y designamos x=1 si est a
favor del nuevo aceite y x=0 si prefiere aceite comestible de otras plantas oleaginosas,
entonces X es una variable aleatoria BERNOULLI.
Calcular la media y la Varianza de X.
SOLUCION: El modelo cumple las siguientes condiciones:
1.- El experimento slo se repite una sola vez.
2.- El experimento admite dos resultados posibles: xito y Fracaso.
3.- La probabilidad de xito es p y la de fracaso es q.
Entonces, se trata de una distribucin de Bernoulli, con:
p = 0,70
q = 1 - p = 0,30
E(x) = x = p = 0,70
y V(x) = p . q = 0,70 x 0,30 = 0,21
Adems:
Vx
0,46
36
CONCEPTO.- Sea X una Variable Aleatoria Discreta que indica el nmero de xitos (E) en
n pruebas independientes Bernoulli, con probabilidad p(x)=p. constante en cada prueba,
entonces se dice que X es una variable Aleatoria Binomial con parmetros n y p.
B1 + B2 + B3 + B4 + ................... + Bn = BINOMIAL
REQUISITOS:
1.- Bernoulli se repite ms de una vez.
2.- Admite dos resultados: xito (E) y Fracaso (F)
3.- P(E) = p
y
P(F) = 1 - p = q
4.- Los experimentos son independientes, unos con otros.
EJEMPLO: Se lanzan tres monedas al aire, determinar si este experimento obedece a una
distribucin de tipo Binomial.
SOLUCION:
1
2
PF
1 p
1
2
/ n,p
37
n x
p qn
x
x = 0,1,2,.........,n
= 0
En otro caso.
5 1x 55
x 6
6
= 0
x=1,2,3,4,5
En otro caso
A partir de esta expresin podemos calcular las probabilidades para todos los valores que
toma X.
Ejemplo, para x = 1
p1
5 11 5 5 1
1 6 6
1 625
6 1.296
3.125
7.776
0,40
38
10
5 13 55
3 6 6
1 25
216 36
250
7.776
0,032
b)
V(x) =
VARIANZA:
x2 = n . p . q
39
4 1X 34
X 4 4
x= 0,1,2,3,4
p1
p1
1 27
4 64
27
64
0,42
x
2
x
x
n p q
n p q
Vx
1
1
4
1 3
4
4 4
0,75
0,87
(B/n,p)
= X se distribuye Binomialmente
P[X
= P[X
r/B:n,p
= P[X
r/n,p
40
GRAFICAMENTE TENEMOS:
0
r+1
P[X
P[ X
P[ X
r / n,p
= 1 - P[ X
r / n,p
n-1
r / n,p
= P[ X
r + 1 / n,p
r / n,p
P[ X = r / n,p = P[ X
r
r / n,p
- P[ X
r +1 / n,p
P[X=r/n,p
PROBABILIDADES DADAS EN
LA TABLA
P[X r/n,p
ESTA EN LA TABLA
P[X r+1/n,p
P[X
r/n,p
- P[X
P[ X < r / n,p
1 - P[ X
P[ X
1 - P[ X
r / n,p
r+1/n,p
r / n,p
r+1 / n,p
41
EJEMPLO N 1
Calcular: P[X =2/4,0.23 = ?
SOLUCION:
Para resolver la interrogante a travs del uso de Tablas debemos en primer lugar elegir la
opcin ms conveniente para resolverlo; para ello observamos las posibilidades que nos
ofrece la tabla anterior: Entonces empleamos la tercera opcin, o sea:
P[X=r/n,p
P[X
r/n,p
- P[X
r+1/n,p
2/4,0.23
- P[X
3/4,0.23
r/n,p
n=4
p
r
1
2
3
4
.
.
.
21
22
23
24
25
26
6105
1963
0312
0019
.
.
.
6298
2122
0356
0023
.
.
.
6485
2285
0403
0028
.
.
.
6664
2450
0453
0033
.
.
.
6836
2617
0508
0039
.
.
.
7001
2784
0566
0046
.
.
.
....
....
30
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7599
3483
0837
0081
.
.
.
EJERCICIO N 1
Calcular: P[X<3/4,0.3
Verificamos cul de las opciones podemos utilizar previamente a la aplicacin de la Tabla
Binomial. La opcin 4 es la que mejor se adecua al ejercicio .
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
42
P[X<3/4,0.3 = 1 - P[X
3/4,0.3
P[X>2/4,0.25
P[X>r/n,p
P[X
r+1/n,p
Remplazamos valores:
P[X>2/4,0.25 = P[X>2+1/4,0.25 = P[X>3/4,0.25
P[X>2/4,0.25 = 0,508
2.8.6.3. USO DE LA TABLA PARA p>0,5:
Para utilizar la tabla Binomial,
complementarios, como ser:
cuando p>0,5,
43
Se cambia por
Se cambia por
* Finalmente, empleamos el mismo procedimiento para calcular probabilidades con p
EJEMPLO:
Calcular:
0,5
P[X<4/10,0.8
n-r = 10 - 4= 6 = r
p = 0,8
1 - p = q 1-0,8 = 0,2
r=4
P[X>r/n,p
P[X
r+1/n,p
Remplazamos valores:
P[X>6/10,0.2 = P[X>7/10,0.2 = 0,0009
2) Calcular:
P[X
4/10,0.8
Remplazamos:
P[X
4/10,0.8
= P[X
P[X
6/10,0.2
= 1 - P[X
6/10,0.2
7/10,0.2
= 1 - 0,0009 = 0,9991
44
EXPLICACION:
Si se tiene una poblacin de N artculos, de los cuales r poseen una de las categoras,
entonces habrn (N-r) que poseen la otra caracterstica. Si seleccionamos n artculos
aleatoriamente sin reposicin de los N artculos, cada seleccin subsiguiente ser
dependiente, de manera que la probabilidad de que se obtengan xitos cambia en cada
ensayo simple.
Fracaso
(N-r)
xito
r
N
Ahora bien, es posible que nos interese conocer la probabilidad de obtener exactamente x
artculos de los r xitos, en una muestra de tamao n.
En consecuencia, bajo estas condiciones, el nmero de xitos en n pruebas dependientes
corresponde a una Variable Hipergeomtrica, cuya funcin de probabilidades est dada
por:
px
N r
n x
N
x= 0,1,2,3,...........,n
Donde:
N= Nmero de artculos (lote)
45
= 12
N = 12 latas
r =3
Fracaso
N-r = 9
xito
n=2
Remplazamos datos en la frmula general:
3 12 3
px
2 x
12
x= 0,1,2
=0
En otro caso
a) Calcular la probabilidad de obtener una lata de leche no fresca, o sea x=1
Remplazamos este dato en la frmula general de la Funcin de Cuanta:
3 9
p1
1 1
12
2
27
66
b) Calcular la probabilidad de que las dos latas sean frescas. o sea: x=0
46
3 9
0 2
p0
36
66
12
2
6
11
r
N
Donde:
N = Nmero total de la poblacin estudiada
r = Nmero de elementos que tiene una de las caractersticas deseadas (xitos)
n = Tamao de la muestra
VARIANZA DE X:
2
Vx
r N r N n
N N
N 1
2 3
12
Vx
6
12
3 10
12 11
0,34
1
2
60
176
30
88
0,34
0,58
47
r=3
N-r = 7
n=2
a)
3
x
px
7
2 x
10
x = 0,1,2
b)
Ex
Vx
2 3
10
6
10
0,60
3 7 8
10 10 9
84
225
2) Una urna contiene 5 bolas blancas y 6 rojas. Se extrae 4 bolas de la urna sin reposicin,
una tras otra,. Hallar la distribucin de probabilidad del nmero de bolas extradas y:
a) Cual es la probabilidad de extraer exactamente 3 bolas rojas ?.
b) Cul es el nmero esperado de bolas extradas ?.
RESPUESTA:
a) 0,3
b) 2,18
48
X:
px
en un
x = 0, 1, 2, 3,....................
x !
= 0
En otro caso
Donde:
= Promedio de xitos en n pruebas, con probabilidad p
e = 2,71828 base de los logaritmos naturales.
En otros trminos,
n = nmero de pruebas
n p
= Promedio de xitos
EJEMPLO: Supngase que el nmero de muertes por accidente en una ciudad es un proceso
Poisson con = 3 por mes.
Sea X: El nmero de muertes por accidente que ocurren entre el 1 de enero y el 31 de
marzo inclusive de 1974.
a) Determine si la variable X obedece a una distribucin de Poisson.
b) Anote la funcin de cuanta.
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
49
SOLUCION:
* El nmero de muertes es una variable que asume valores discretos en un intervalo de
tiempo. _
*
Entonces:
=3.3=9
n p
Remplazamos valores en la frmula general de la funcin de cuanta:
px
9x
x !
x= 1,2,3,.......
p1
x=2
p2
91
1!
92
2!
0,803
0,876
=
x
px
P[X
x !
x /p;
EJEMPLO:
Las personas llegan aleatoriamente a la ventanilla de un banco en promedio a una razn de
24 personas por hora durante el perodo de tiempo entre las 11:30 am y 12:00 am de cierto
da.
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
50
n = 12
24
60
Finalmente:
24
12
60
4,8
e
x / 4 ,8
4 ,8
4,8 x
x !
x = 0, 1, 2,3,..............
P[X = 5 = ?
0
5.
6.........................................................................................
P[X
P[X
P[X = 6
1 - P[ X
5 /4,8
- P[X
6 /4,8
51
12 /4,8
= 1 - P[X 12 /4,8
= 1 - 0,0040 = 0,996
=n.p
p = 0,005/100 = 0,00005
n = 10000
Entonces
px
0,5
0,5 x
x !
x = 0, 1, 2,3,.........
La probabilidad de que la Cia. Tenga que pagar a ms de 3 asegurados al ao est dado por :
P(X>3)
= 1 - P(X
3)
0,5
0,5
0,50
0!
1 0,5
0,5
0,5
2
0,51
1!
0,5
6
0, 5
0,52
2!
0, 5
0,53
3!
52
EJERCICIO N 2: Solo uno de cada mil generadores ensamblados en una fbrica tienen
unidades defectuosas y los generadores defectuosos se distribuyen independiente y
aleatoriamente a travs de la produccin.
Cul es la probabilidad de que un embarque de 500 generadores no contenga ningun
generador defectuoso ?
SOLUCION:
px
e
0
0,5 0
0!
0,5
0,5
53
TEMA N 3
VARIABLES Y MODELOS ALEATORIOS CONTINUOS
HABILIDAD: Caracteriza
CONTENIDO: Los fundamentos terico-prcticos de una variable aleatoria continua y
Los modelos probabilsticas continuos ms importantes, con nfasis en
El modelo de Distribucin Normal.
PROCESO:
Mediante la resolucin de ejercicios prcticos de aplicacin.
CONTEXTO: En el Aula.
3.2. INTRODUCCION:
Si el Recorrido o rango de la Variable Aleatoria X (Rx), est formado por un gran nmero
finito de valores; por ejemplo: Todos los valores de X en el intervalo 0 x 1, de la forma
0,01 - 0,02 - 0,03 - 0,04 etc., etc., cuya suma total sea igual a 1.
Ahora bien, con cada uno de estos valores de x, est asociado un nmero no negativo p (xi) =
P[X=xi donde i= 1,2,3,4,.............. cuya suma, como se dijo anteriormente, es igual a 1.
GRAFICAMENTE TENEMOS:
p(x)
f(x)
Rx
54
Lo que se hace es sustituir p(x), definida slo para x1, x2, x3, ..............., por una funcin f(x)
definida para todos los valores de x/ 0 x 1
3.3.
DEFINICION: Sea X una variable Aleatoria Continua, si existe una funcin f(x),
llamada FUNCION DE DENSIDAD DE PROBABILIDADES DE X, que
satisfaga las siguientes condiciones:
a)
b)
f(x)
Rx
f x dx 1
<a<b<+
Entonces:
f x dx
-
a
b
a
f x dx
55
GRAFICAMENTE TENEMOS:
f(x)
P[aXb
-
0
x1 =a
x2 =b
Por consiguiente, es importante sealar que f(x) no representa la probabilidad de algo y que
solamente cuando la funcin se integra entre dos puntos produce una probabilidad.
EJEMPLO N 1: Supngase que la variable Aleatoria X es continua. Adems,
funcin de densidad de probabilidades f(x) dada por :
f(x) = 2x
sea la
x= 0<x<1
Para cualquier otro valor
=0
1/2; o sea:
f(x)=2x
x
0
a) f(x)
b)
1/2
f x dx
2 x dx
0
x
2
x2
1
0
1 0 1
1/2
=?
56
P[X
1
2
0
1/2
x2
2x dx
1
2
1
0
02
1
0
4
1
4
0,25
EJEMPLO N 2:
Sea X una Variable Aleatoria Continua con funcin de densidad:
f(x) = a(3x - x )2
= 0
: 0
X 3
En otro caso.
a 3x x dx 1
Integramos luego:
a
3 2
x
2
1 3
x
3
a
0
3 2
3
2
1 3
3
3
0 1
Entonces:
a
27
2
9
2
1
9
2
2
9
2
9
Y = 3ax ax2
57
2
x
9
2
x
3
2 2
x
9
2 2
x
9
LUEGO GRAFICAMOS:
f(x)
1
2
x
3
fx
2 2
x
9
4/9
Valores
x
y
0
0
1
4/9
2
4/9
3
0
c)
P1
2
X1 2
2
x
3
2 3
x dx
9
2 1 2
x
3 2
2 1 3
x
9 3
1 2
x
3
2 3
x
27
4
3
16
27
1
3
2
27
20
27
7
27
13
27
0,48
58
3.4
3.4.1. DEFINICION: Sea X una Variable Aleatoria Continua con funcin de Densidad f(x),
entonces la Funcin de Distribucin o Funcin de Distribucin
Acumulada de la Variable Aleatoria X, denotado por F(x), se define
por:
F(x) = P[ X
x R
f x dx
GRAFICAMENTE TENEMOS:
f(x)
F(x)=P[Xx]
-
0
EJERCICIO: Sea X una Variable Aleatoria Continua con funcin de densidad f(x) denotada
por:
f(x)=
:0
3
x2 x
4
En otro caso
R,
2
x =
0 dx
f x dx
Entonces:
En
59
F(x) = P[ X
0 dx
2
0
3
x 2 x dx
4
3 2
x
4
x
3
3
x
x 1
4
3
3.- Si x>2
F(x) = P[ X
F(x) = P [ X
= 0
2
0
f x dx
3
x 2 x dx
4
x
2
0 dx 1
F (x)=
x<0
3 2
x
x 1
4
3
x2
GRAFICAMENTE TENEMOS:
f(x)
1/2
x
0
b) Hallar: F(1) = P[ x
3 2
1
1 1
4
3
F1
1
2
3 3 1
4 3
3 2
4 3
6
16
1
2
60
3.5
x
x f x dx
EJEMPLO:
Sea: X una Variable Aleatoria Continua cuya funcin de densidad est definida por:
2x
Si : 0
En otro caso
f(x)=
Calcular la E(x).
SOLUCION: Para la solucin del problema primeramente recordamos la frmula general de
la E(x).
Ex
x f x dx
x 2x dx
2x 2
Integramos luego:
61
Ex
x3
2
3
12
0
3
2
3
Luego:
Ex
2
3
3.6.1. INTRODUCCIN:
Para comprender mejor el significado de la Varianza, cuando trabajamos con variables
aleatorias continuas, debemos previamente hacer un repaso de los conceptos que se
trataron sobre Varianza en los captulos anteriores. En trminos sencillos podemos decir
que si la E(x) = 2, significa que, si consideramos un nmero de valores de X, digamos: x1,
x2,........., xn y luego los promediamos, este resultado estar cercano a 2 si n es grande o
tiende a infinito. Sin embargo el simple hecho de tener la esperanza Matemtica de X no
nos dice mucho cuando nos encontramos por ejemplo en la siguiente situacin:
Supongamos que X representa la duracin de una bombilla elctrica que se recibe de un
fabricante y que E(x) = 1000 horas. Este valor podra significar una de varias posibilidades.
Podra significar que se espera que la mayor parte de las bombillas dure entre 900 y 1100
horas. Tambin podra significar que las bombillas que se entregan son de dos tipos
diferentes: Alrededor de la mitad son de muy alta calidad y con duracin de casi 1300
horas, mientras que la otra mitad son de muy mala calidad y tienen una duracin de ceca de
700 horas.
Entonces, hay una necesidad obvia de presentar una medida cuantitativa que distinga entre
estas situaciones. Precisamente, una de estas medidas es la Varianza, que se define de la
siguiente manera.
DEFINICION:
La Varianza V(x) = x2 para una Variable Aleatoria Continua se denota por:
Vx
x2
f x dx
EJEMPLO:
Hallar la Varianza de X para el ejercicio anterior:
62
SOLUCION: Primeramente calculamos E(x) y luego aplicamos cualquiera de los dos mtodos
siguientes:
a) PRIMER METODO:
Partir de la definicin de V(x):
x2
Vx
f x dx
x2
Vx
2
3
2x dx
1
0
x2
2
x
3
2
3
2
1
2x dx
2x 3
1
2
8
9
8
18
8 2
x
3
2
3
8
x dx
9
Ahora integramos:
1
x4
2
4
Vx
8 x3
3 3
8 x2
9 2
1
4
8 1
3 3
8 1
9 2
9 16 8
18
1
18
V(x) = 0,055
b) SEGUNDO METODO: Para empezar sabemos que E x
2
3
Ex
x 2 2 x dx
2 x 3dx
x
2
4
1
2
0
1
2
2
3
1
2
4
9
9 8
18
1
18
0,055
EJERCICIO PARA RESOLVER EN CLASES: Sea: X una variable aleatoria continua cuya
funcin de densidad est definida por:
fx
3
x2 x
4
Si:
0
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
e.o.c.
Cobija Pando - Bolivia
63
3.7.1. INTRODUCCION:
En el captulo anterior sealamos que muchos fenmenos se hacen matemticamente ms
sencillos al considerar un recorrido continuo, en el cul todos los nmeros reales pueden
considerarse como resultados posibles. Al igual que para Variables Aleatorias Discretas,
es posible identificar algunos modelos probabilsticos continuos, entre las cuales, por su
grado de aplicacin, estudiaremos las siguientes:
a) Modelo Exponencial.
b) Modelo de distribucin Normal
3.7.2. MODELO EXPONENCIAL
Se dice que una variable aleatoria continua X, que toma todos los valores no negativos
tiene una distribucin exponencial con parmetro >0 si su funcin de densidad est dada
por la siguiente expresin:
:x>0
f(x)=
0
En otro caso
x
0
64
a) Valor Esperado
Ex
b) Varianza de X V x
1
2
, se dice que
Si : x 0
Si :x < 0
f(x)=
60)
60
0,01 e
0, 01x
dx
0, 01x
60
Remplazando valores:
P(X
b)
Ex
60)
= 0 - (-e -0,0160) = 0 +e
1
100
0,01
-0,6
= 0,5488
0,
SOLUCION:
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
65
Sabemos por definicin que la E(x) para la distribucin exponencial est dado por
en el caso concreto de nuestro problema E x
, o sea
1
5
1
5
5e
5x
dx
= 0+e
3.8
-1
5x
1
5
= 0,367879
3.8.1. INTRODUCCION:
La Distribucin de probabilidad continua ms importante en todo el campo de la estadstica,
es con toda seguridad, la Distribucin NORMAL, debido a que en la prctica muchos
fenmenos industriales, cientficos o de la vida diaria se describen a travs de esta
funcin.
3.8.2. IMPORTANCIA:
La importancia de la Distribucin Normal se puede resumir en los siguientes puntos:
a) Muchas de las tcnicas utilizadas en la estadstica Aplicada se basan en la Distribucin
Normal.
b) Las Variables Aleatorias que se definen a partir de las observaciones prcticas y/o
trabajos de investigacin se distribuyen normalmente, por ejemplo los efectos
considerados como una suma de efectos aleatorios independientes se distribuyen
normalmente.
c) Algunas variables se distribuyen aproximadamente segn normal y an en el caso en que
no estn distribuidos normalmente, es posible aproximarlos a la Normal mediante
transformaciones matemticas.
d) Muchas distribuciones tienden a la Normal, como la Binomial.
e) Ciertas variables que son bsicas en estadstica Inferencial se definen a partir de
supuestos de la normalidad, como la Chi Cuadrada, T-student y otras.
3.8.3. DEFINICION:
Una variable Aleatoria Continua X, se dice que est distribuida NORMALMENTE, con media
(- < < ) y Varianza 2>0, si su funcin de densidad de probabilidad est dado por:
66
fx
1
2
:-
<x<
Donde:
= 3,14159
e = 2,71828
N(
N( , )
Que se lee: X
TIENE UNA DISTRIBUCION NORMAL CON MEDIA
DESVIACIN STANDAR .
CURVA DE GAUSS
AREA=1
3.8.4.
67
En consecuencia,
parmetros
y
Entonces:
Entonces:
2
1
<
2
2
<
2
3
G32
3.8.5.
DISTRIBUCIN NORMAL STANDAR: Una de las caractersticas muy
importante de la Distribucin Normal es que la misma puede transformarse en Distribucin
Normal Standar con media
= 0 y Varianza 2 = 1, de manera tal que cualesquier
distribucin con media y Varianza puede aproximarse a la Distribucin Normal Standar
simplemente haciendo la operacin de Standarizacin. Aquello permite, como veremos ms
68
3.8.5.1. DEFINICIN: Si Z es una variable Aleatoria que tiene una distribucin Normal,
con media = 0 y Varianza 2 = 1, entonces Z se llama Variable Aleatoria Normal Standar
y su funcin de densidad est dada por la siguiente expresin:
1
fz
1 2
z
2
:-
<z<
t2
2
dt
La ventaja de los valores de esta funcin es que estn tabulados en la Tabla N III. En
esta tabla, los valores de f(z) estn dados para valores de -3 a 3.
Por consiguiente cualesquier variable aleatoria X Normal con media
y Varianza 2 ,
puede ser transformada a una variable aleatoria Standarizada Z, a travs de la siguiente
expresin:
X
Donde:
E
Var
Z
-3
-2
-1
68,26 %
95,46 %
99,74 %
Ntese en el grfico anterior que el 99,74 % del rea de una distribucin Normal est
entre
+3
y
- 3 . El rea correspondiente a ambas colas es despreciable. Por esta
razn es que las tablas dan valores de f(z) de -3 a +3.
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
69
TEOREMA:
Si X es una variable aleatoria con distribucin Normal con media
entonces
y Varianza
2,
fz
1 2
z
2
:-
<z<
t2
2
dt
Esta funcin como lo sealamos en acpites anteriores tiene la ventaja de estar tabuladas
en la tabla N III, lo que facilita el clculo de probabilidades para la Normal Standarizada.
3.8.6.
Una vez conocido los valores de la media ( ) y la Varianza V(x) de una Variable Aleatoria X
con distribucin Normal, es slo cuestin de clculo encontrar la probabilidad buscada.
Para ello pueden darse 3 casos de acuerdo a la informacin con la que se cuente. Estos
casos son:
CASO A:
P
= P
CASO B
P
X>b
= 1- P X b 1
CASO C
P
= P
70
-Z
Para la lectura de la Tabla III. se deben tomar en cuenta los siguientes aspectos:
1) La tabla proporciona el rea bajo la curva normal Standard desde el rea correspondiente a P[Z z = ( z ).
hasta +
, es decir
2) Los valores de z estn dados en centsimos (o sea con dos decimales), desde -3,49 hasta
3,49.
3) La tabla III es una tabla de dos entradas encabezado por la letra z. En la primera
columna (primera entrada) se lee el valor de z en dcimos (es decir con un decimal), por Ej.
1,8
Luego, en la primera fila se lee el centesimal (segundo decimal de z) 0,06 . Entonces Z =
1,86
4) La tabla ayuda a resolver dos tipos de problemas:
a) Conocido z hallar el rea:
* Conocido z digamos z=1,86, queremos calcular la P[Z
1,86
Luego, en la primera columna se ubica el valor de z con un decimal 1,8 y el segundo decimal
se ubica en la primera fila 0,06. Por ambos puntos se traza una recta horizontal y una
vertical respectivamente, el nmero que corresponde a la interseccin de ambas rectas es:
0,0686
O sea:
P[ Z
1,86
(1,86)
= 0,9686
71
= 0,9382
Entonces, se ubica el nmero 0,9382 en el cuerpo de la tabla. Por este punto se traza un
horizontal y una vertical, las que intersectan a la primera columna y primera fila en 1,5 y
0,04 respectivamente.
Z = 1,5 + 0,04 = 1,54
EJEMPLO N 1: Sea X una variable aleatoria con N(5,4).
a) Cul es la probabilidad de que X tome valores entre 4 y 7 ?.
b) Cul es la probabilidad de que tome valores mayores que 10 ?
SOLUCION:
a)
4>X<7
4>X<7
4 5
2
7 5
2
1
Z
2
1
2
REPRESENTACION GRAFICA:
f(x)
0,5328
x
4
-1/2
b) P
X > 10
=1-P
X 10
= 1 PX
7
1
10 5
2
1 PZ
2, 5
1 0,9938
0,0062
72
EJERCICIO N 2:
La fbrica de neumticos DURAMAS produce un tipo de neumticos que tiene vida til
media de 80000 Km. y una Desviacin Standard de 8000 Km. Suponiendo que esta vida til
est distribuida normalmente.
Cul es la probabilidad de que un neumtico dure ms de 96000 Km. ?
SOLUCION:
X: Vida til de un neumtico en Km.
Entonces: X
N(80000, 80002)
X > 96000
=1-P
96000
X > 96000
= 1-P
o N( ,
= 1
96000 80000
8000
1 - 0,9772 = 0,0228
73
TEMA N 4
MUESTREO Y DISTRIBUCIONES MUESTRALES
4.1.
COMPETENCIA DE TEMA:
HABILIDAD: Aplica
CONTENIDO: Las tcnicas de muestreo, para muestras grandes y pequeas.
PROCESO:
Mediante el estudio de las diferentes clases de muestreo, resolviendo
trabajos prcticos y el proyecto de curso.
CONTEXTO: En el aula y la comunidad.
74
Escasez. Es el caso en que se dispone de una sola muestra. Por ejemplo, para el
estudio paleontolgico de los dinosaurios (el T. Rex por ejemplo) sera muy bueno
contar con, al menos, muchos restos fsiles y as realizar tales investigaciones; sin
embargo, se cuenta slo con una docena de esqueletos fosilizados (casi todos
incompletos) de esas criaturas en todo el mundo.
Pruebas destructivas. Es el caso en el que realizar el estudio sobre toda la poblacin
llevara a la destruccin misma de la poblacin. Por ejemplo, si se quisiese saber el
conteo exacto de hemoglobina de una persona habra que extraerle toda la sangre.
El muestreo puede ser ms exacto. Esto es en el caso en el que el estudio sobre la
poblacin total puede causar errores por su tamao o, en el caso de los censos, que
sea necesario utilizar personal no lo suficientemente capacitado; mientras que, por
otro lado, el estudio sobre una muestra podra ser realizada con menos personal
pero ms capacitado.
4.4. TIPOS DE MUESTREO.- Deben seguirse ciertos procedimientos de seleccin para
asegurar de que las muestras reflejen observaciones a la poblacin de la que proceden, ya
que solo se pueden hacer observaciones probabilsticas sobre una poblacin cuando se usan
muestras representativas de la misma. Los tipos ms comunes de tcnicas de muestreo
aleatorios son: el muestreo aleatorio simple, el muestreo sistemtico, el muestreo
estratificado y el muestreo por conglomerados.
a) MUESTREO ALEATORIO SIMPLE
Es aquella en la que los elementos se escogen del total de la poblacin en forma individual
con una oportunidad igual e independiente para todas. Por lo general se utiliza una tabla de
nmeros aleatorios.
Si la poblacin es infinita el muestreo aleatorio ocurre cuando la extraccin de los
elementos de la muestra se hace con o sin reemplazo. Si la poblacin es finita de tamao N,
el muestreo aleatorio ocurre tambin si la extraccin es con o sin reemplazo.
Con reemplazo, la probabilidad de cada elemento de ser elegido es 1/N. Si es sin
reemplazo, la probabilidad de cada elemento de ser elegido es 1/N en la primera
extraccin, es 1/(N-1) en la segunda extraccin, es 1/(N-2) en la tercera extraccin y as
sucesivamente.
Si una muestra aleatoria se elige de tal forma que todos los elementos de la poblacin
tengan la misma probabilidad de ser seleccionado, se llama muestra aleatoria simple.
Ejemplo:
Suponga que nos interesa elegir una muestra aleatoria de 5 estudiantes en un grupo de
estadstica de 20 alumnos. 20C5 da el nmero total de formas de elegir una muestra no
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
75
76
4.5.
muestras de tamao n en una poblacin dada (Con o sin reposicin). Para cada muestra,
podemos calcular un estadstico tal como la Media, la Desviacin Standard y otros que
lgicamente variar de muestra a muestra. Con estos datos, entonces, obtenemos una
distribucin del estadstico que se llama DISTRIBUCIN DE MUESTREO.
Si por ejemplo, el estadstico utilizado es la Media muestral, entonces la Distribucin se
llama la DISTRIBUCIN DE MUESTREO DE MEDIAS O DISTRIBUCIN DEL
MUESTREO DE LA MEDIA. De la misma manera, podramos tener la distribucin de
muestreo de la Desviacin Standard, de la varianza, de las proporciones, etc. En
consecuencia, para cada distribucin de muestreo podemos calcular la Media, la Desviacin
Standard, etc.
4.6. DETERMINACIN DEL TAMAO DE UNA MUESTRA.- Uno de los aspectos que
deben definirse en el proceso de muestreo, es el tamao de la muestra. Para ello, deben
tomarse en cuenta los siguientes aspectos:
a) Tamao del universo o poblacin = N
b) Grado de heterogeneidad de dicho universo, expresado por el valor de la desviacin
estndar de la variable aleatoria.
c) Magnitud del error estadstico que estemos dispuesto a aceptar en los resultados.
Dicho error dar lugar a un intervalo de valores en torno al valor medio que
produzca la muestra. Llamamos I a la amplitud total del intervalo, es decir, a la
diferencia entre sus lmites superior e inferior.
d) Grado o nivel de confianza que quisiramos poder depositar en los resultados. A
dicho nivel corresponder el coeficiente z, dado que, segn la ley de los grandes
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
77
E = 0,05
p = 0,8
q= 0,2
2
n = (1,96) x 0,8 x 0,2 x 42074
2
1,96 x 0,8 x 0,2 + 42074 x 0,05
n = 245 miembros
78
ESTADISTICO
POBLACIN
INFINITA O
MUESTREO CON
REPOSICION
N n
N 1
Esto es general cuando se analizan todas las posibles muestras y cuando ello no sucede
tanto x y x tienden a ubicarse cerca de
y .
EJEMPLO: Una poblacin consta de los siguientes nmeros: 2,3,6,8,y 11. Consideremos
todas las posibles muestras de tamao 2 que pueden tomarse con REPOSICION de esa
poblacin.
Hallar:
a) La Media de la Poblacin
b) La Desviacin Standard de la Poblacin.
c) La Media de la Distribucin de muestreo de medias.
d) La Desviacin Standard de la distribucin de muestreo de medias.
SOLUCION:
a)
b)
2 3 6 8 11
5
2
2 6
Y finalmente:
3 6
30
5
2
10,8
6 6
5
8 6
11 6
10,8
3,29
c) Cuando el muestreo es
son:
(2,2) (2,3)
(3,2) (3,3)
(6,2) (6,3)
(8,2) (8,3)
(11,2) (11,3)
(2,8)
(3,8)
(6,8)
(8,8)
(11,8)
(2,11)
(3,11)
(6,11)
(8,11)
(11,11)
79
2,0
2,5
4,0
5,0
6,5
2,5
3,0
4,5
5,5
7,0
4,0
4,5
6,0
7,0
8,5
5,0
5,5
7,0
8,0
9,5
6,5
7,0
8,5
9,5
11,0
Entonces:
d) Obtenemos ahora
y
150
25
6,0
2,0 6
2,5 6
4,0 6,0
25
................. 11.0 6
135 2
25
5,40
= 2,32
10,8
2
5,40
2,32
5
2 3
5 4
21
20
2
10
n= (2,3) (2,6) (2,8) (2,11) (3,6) (3,8) (3,11) (6,8) (6,11) (8,11)
Calculamos luego las medias para cada muestra:
2,5
x
4,0
5,0
6,5
4,5
5,5
7,0
60
10
7,0
8,5
9,5
4,0 6
.................. 9,5 6
10
40,5
10
4,05
= 2,01
80
N n
N 1
2
x
10,8 5 2
2 5 1
5,4 0,75
4,5
= 2,01
3000
25
que 80.
Por tanto, se obtendr no una verdadera distribucin del muestreo de medias, sino solo
una distribucin de muestreo experimental. Sin embargo, como el nmero de muestras es
grande (n>30), se espera que x y x estn prximos a
y ; entonces tenemos:
a)
b)
= 68
= 68
25
0,6
0,6
81
EJERCICIO PARA RESOLVER EN CLASES: Una poblacin consiste de las edades de los
nios de una familia de 4 nios. Estas edades son : 2,4,6 y 8 aos.
a) Determinar la media y la Desviacin Standard
b) Enumerar todas las posibles muestras sin reposicin de 2 nios que pueden seleccionarse
en esta familia y determine x raya para cada muestra.
c) Calcular la media y la Desviacin Standard de las medias muestrales y verifique si se
cumple:
=
N 1
xi
i 1
Entonces:
1)
2
x
2) Para n suficientemente grande, por el Teorema Central del Lmite, la Variable Aleatoria
X se distribuye aproximadamente segn normal con media y Varianza 2/n
Por lo tanto la Variable Aleatoria Z, es igual a:
Z
y Varianza
2/n
82
El Teorema anterior es vlido para cualquier poblacin finita o infinita, discreta o continua,
cuando n 30. Si la poblacin es Normal, el teorema se cumple cualquiera sea el tamao de
n.
EJEMPLO: Sea 1,1,1,3,4,5,6,6,6,7 una poblacin. Se extrae una muestra de tamao 36 con
reemplazamiento de esta poblacin. Calcular:
a) La media
y la Desviacin Standard
b) La media
c) P[3,6 X
4,4
de la poblacin.
= y la Desviacin Standard
de la Media muestral X
=?
SOLUCION:
Primeramente calculamos la distribucin de probabilidades de la poblacin:
1
0,3
X=x
3
0,1
4
0,1
5
0,1
6
0,3
7
0,1
= E(x) = 10,3+30,1+40,1+50,1+60,3+70,1 = 4
=4
2
Seguidamente calculamos
= E(x)2 -
= 21 - 16 = 5
5 2,23
Luego:
b) Por el teorema anterior, tenemos:
=4
2,23
x
36
2,23
6
3,6
4,4
0,39
=?
83
3, 6 4 6
2, 23
2,4
2,23
4, 4 4 6
2, 23
2,4
2,23
(1,07)
( 1,07)
EJERCICIO PARA RESOLVER EN CLASES: Sea X una poblacin constituida por 2,4 y 6.
Calcular:
a) La media poblacional y la Desviacin Standard poblacional. Luego se extrae una muestra
de tamao 54 con reemplazamiento de la poblacin. Se pide calcular:
b) La media x y x de las x raya.
c) P
4,1
4.10.
4,4
=?
En el captulo precedente hemos visto las distribuciones muestrales para una media grande
( n
30). Estas distribuciones eran aproximadamente Normal o que el tamao de la
muestra era suficientemente grande, de tal manera que se cumpla el Teorema Central del
Lmite.
Sin embargo, cuando la muestra es pequea ( n < 30) no se puede aplicar el TEOREMA
CENTRAL DEL LIMITE y si la poblacin no es Normal, tampoco podemos suponer que la
distribucin muestral sea Normal.
Para estos casos, se aplica o utiliza distribuciones relacionadas con la distribucin normal.
Entre estas tenemos:
a) La distribucin Chi-cuadrado
b) La distribucin T de student
c) La distribucin F
4.11. DISTRIBUCIN CHI-CUADRADO:
DEFINICION:
Zi
i 1
84
xi
y 1
1
2n
2
n
2
X2
= 0
El smbolo
x
2
En otro caso
es la funcin Gama.
1
e
2
x
2
ns 2
X1 X
X2
................. X n
85
r=n-1
Grados de libertad.
r
0
con r grados de
= E ( )2 = r
2
= Var ( )2 = 2 r
Es decir, la media es igual al nmero de grados de libertad y la varianza a dos veces el
nmero de grados de libertad.
86
X<
r2
0<
<1
O sea:
2
PX
r2
f x dx
2r
2
r
2
x2 e
r
2
dx
GRAFICAMENTE TENEMOS:
f(x)
1-
0
[X> 2
= 1-
Obsrvese, puesto que existe una distribucin Chi-cuadrado diferente para cada valor de
r, resulta muy poco prctico proporcionar tablas de reas completas, En lugar de ello, la
Tabla IV presenta un resumen de la informacin acerca de la distribucin.
La columna de la izquierda de la tabla se refiere a grados de libertad, por lo tanto, cada
fila en la tabla corresponde a una distribucin Chi-cuadrado particular, Ejemplo:
Si r = 5
Entonces
=P
X < 2 0,10
X < 1,61
X < 7,564
X > 27,59
17 . Calcular:
=?
=?
87
c) P
=?
SOLUCION:
a) P X < 7,564 = P X < 2 0,025 = 0,025
b) P X > 27,59 = 1 - P X < 27,59 = 1 - P X <
c) P 6,408 < X > 27,59 = P X < 2 0,95 - P X <
2 0,95
20,01
= 1 - 0,95 = 0,05
= 0,95 - 0,01 = 0,94
0,01
Si: r = 10
0,975
Si: r = 29
2
tal que P X < 2 = 0,99
2
Si: r = 4
a<X>b
= 0,95
y P
X<a
23 . Hallar a y b
= 0,025
SOLUCION:
P X < a = 11,69
P a < X > b = 0,95
P X < b - P X < a = 0,95
P X < b = 0,025 + 0,95 = 0,975
Entonces:
b = 38,08
4.15.
DISTRIBUCION T DE STUDENT:
DEFINICION:
* Sea Z una variable Aleatoria Normal con Media 0 y Varianza 1.
* Sea Y una Variable Aleatoria que tiene una distribucin Chi-cuadrada con r grados de
libertad.
Si Z e Y son independientes, entonces la Variable Aleatoria T es igual a:
T
Z
Y
r
Z r
Y
se dice que tiene una distribucin T de student o simplemente tiene una distribucin T, con
r grados de libertad y su funcin de densidad est dada por:
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
88
r 1
2
ft
r
2
t
1
r
Para todo: -
r 1
2
<t<
n=3
-3
-2
-1
r
r 2
= E(T) = 0
89
t
Ejemplo: Si r = 5, Calcular P
T < 1,476
= 0,90
X < 2,624
= 0,99
- 2,602
= 0,01
= 5/4.
= ?
90
TEMA N 5
ESTIMACION DE PARAMETROS POBLACIONALES
5.1 COMPETENCIA DE TEMA:
HABILIDAD: Infiere.
CONTENIDO: Parmetros poblacionales a partir de un estimador estadstico muestral
Haciendo hincapi en el mtodo de estimacin de mxima verosimilitud.
PROCESO:
Resolviendo casos reales planteados en el Proyecto de Curso.
CONTEXTO: En el aula y la comunidad.
METODOS DE ESTIMACION:
91
5.3.1
ESTIMACION PUNTUAL: La Estimacin Puntual o de punto, es un modelo
estadstico que nos proporciona un valor nico para estimar un parmetro desconocido de la
poblacin, por Ej. Si se trata de estimar el salario promedio de los artesanos de una ciudad,
un valor como por Ej. Bs. 1,195,.., obtenido de una muestra, representa una estimacin
puntual, por que hace referencia slo a un dato.
Existen, a su vez, tres mtodos que son los ms conocidos para la estimacin puntual de
parmetros:
* Mtodo de Momentos.
* Mtodo de mxima verosimilitud.
* Mtodo Bayesiano.
En este curso nos abocaremos nicamente al mtodo de Mxima verosimilitud por su
aplicabilidad general.
5.4
n
i 1
fx
Xi
92
1)
2
2)
2
EJEMPLO:
Sea X una Variable Aleatoria con distribucin exponencial, cuya funcin de densidad es:
fx(x) =
. e- x
para todo x>0. Estimar el parmetro desconocido , si tomamos una
muestra aleatoria x1, x2, x3,......, xn de X, entonces la Funcin de Verosimilitud ser:
n
fx X i ,
i 1
y 1
= n Log
Despejamos luego
1
x
n
1
x
93
DISTRIBUCION
PARAMETRO
BERNOULLI
POISSON
EXPONENCIAL
ESTIMADOR DE
MAXIMA
VEROSIMILITUD O DE
MAXIMA PROBABILIDAD
p =
= X
1
X
= x
NORMAL
x X
n
EJERCICIO DE APLICACION:
Supongamos que se compra una docena de naranjas de cierta granja frutcola y se toman
sus pesos en onzas. Si la Variable Aleatoria X indica el peso de cada naranja de toda la
produccin, entonces podemos considerar a x1, x2,..............., x12 como una muestra aleatoria
donde cada xi ( i= 1,2,3,........,12) nos indica el peso de la i-sima naranja.
Efectuado los clculos, se obtuvieron los siguientes resultados:
Peso total =
12
xi
= 66 onzas y,
i 1
12
Xi
385
Onzas cuadradas
i 1
Estimar el peso promedio y la desviacin standard de la produccin total, asumiendo que los
pesos tienen distribucin Normal.
SOLUCION:
Sabemos por la tabla que los estimadores mximo verosmiles son:
X
Xi X
n
94
Y luego:
xi
n
66
12
Xi X
n
385 2 5,5 66
12
Luego:
1,83
5,5
xi
Onzas
x nX 2
2X
n
12 5,5
1,83
1,83
1,35
El parmetro se estima en base a un nmero que se calcula a partir de una muestra dada;
este valor calculado es una aproximacin del valor exacto desconocido del parmetro.
Cuando proponemos a como un estimador puntual de , no esperamos que sea igual a
Recordemos que es una variable aleatoria y por lo tanto puede tomar muchos valores.
INSESGADO:
95
es un estimador Insesgado de
si y solo si E(
EJEMPLO:
Supongamos que las edades de cuatro hermanos son; 2,5,8 y 13 respectivamente. Tomemos
todas las posibles muestras de tamao 2, de manera que la probabilidad de elegir una
muestra cualquiera es de 1/6 para todos los casos. Si estamos interesados en medir la
edad media, entonces las medias muestrales posibles son:
(2,5) (2,8) (2,13) (5,8) (5,13) (8,13)
2 5
2
X1
Luego:
EX
2 8
5
X 3 7,5
2
1
1
1
4
1
1
3,5
5
7,5
6,5
9
10,5
7
6
6
6
6
6
6
3,5
X2
X4
6,5
X5
X6
10,5
Ex
El estimador
es Insesgado de
b) PROPIEDAD DE EFICIENCIA:
Sean 1 y 2 estimadores insesgados de , para la misma muestra, Entonces
es ms
eficiente que , como estimadores de , si y solo si, V( 1) < V( ), Entonces el de menor
varianza es el estimador ms eficiente.
c) PROPIEDAD DE CONSISTENCIA:
Un estimador es consistente, cuando se cumple el siguiente requisito:
Sean
1,
, ..........,
, donde :
Lm V
n
96
Ls) 1
1,96 ) = 0,95
97
De este modo:
P( - 1,96 X - 1,96 ) = 0,95
0,5 n
Entonces:
P{ X (1,96) 0,5 X + (1,96 ) 0,5 } = 0,95
n
n
Luego:
Li =
Ls =
- (1,96) 0,5
n
+ (1,96) 0,5
n
98
Sea
Sea x1, x2, ... , xn una muestra aleatoria de la variable aleatoria X y sea
muestral.
Se sabe que
lmite.
la media
Luego, tipificando:
Se plantea:
entonces:
Observaciones:
- Si las muestras se toman sin reposicin de una poblacin finita de tamao N, debe
emplearse el factor de correccin por finitud y el intervalo ser:
99
= 3 1 - = 0.95
Por tabla:
Entonces:
de confianza (1 - ), el valor
ser mayor y por lo tanto el error aumentar. Esto se
puede regular aumentando el tamao de la muestra con lo que el error disminuir.
100
Para el ejemplo 1,
Si se desea elevar el nivel de confianza a 99%, pero sin aumentar el error e de estimacin,
el tamao de la muestra debera ser:
O sea que debe tomarse una muestra de aproximadamente 52 pacientes en lugar de 30.
Por el contrario, si el investigador deseara un error de estimacin menor, por ejemplo 1
puls/seg, manteniendo el nivel de confianza en 95%, el tamao de la muestra requerido
ser:
pacientes.
CASO 2) Con desconocido
Para estimar se debe utilizar el desvo estndar muestral corregido.
por
resulta:
Por lo tanto:
=1-
Ejemplo 2: Una muestra de 15 aves tomadas al azar en un establecimiento con 5000 aves,
(que elabora alimentos balanceados), permiti establecer un aumento de peso promedio de
90 g por semana y por ave, y un desvo tpico de 10 g. Se busca estimar el incremento de
peso promedio para las 5000 aves del establecimiento con un intervalo de confianza del
90%.
TEXTO GUA DE ESTADISTICA Y PROBABILIDADES II
Preparado por el Lic. Ren Mamani Quisbert
101
Respuesta:
X = aumento de peso por ave
n = 15
= 90 g S = 10 g ICM0,90?
Por tabla:
y el intervalo resulta:
Interpretando este resultado, se dice que el aumento de peso por ave por semana en el
establecimiento est entre 85,5 y 94,6 gramos, con un 90% de confianza.
3.7.
con
conocidos.
(1)
Adems,
(2)
102
Donde:
Ejemplo 3: Al determinar la superficie en miles de hectreas de las explotaciones agrcologanaderas de cierta zona, una muestra de 40 explotaciones dio una superficie media de 900
ha, con una desviacin tpica de 300 ha. En otra zona, al muestrear tambin 40
explotaciones, la superficie media fue de 600 ha con una desviacin tpica de 150 ha.
Suponiendo que en ambas zonas la variable "superficie en ha por explotacin" se distribuye
normalmente, estimar por un intervalo de confianza del 90%, la diferencia entre las
superficies medias de las explotaciones de ambas zonas.
Respuesta:
X1 = superficie de cada explotacin agrop. de la primera zona
X2 = superficie de cada explotacin agrop. de la segunda zona
,
Por tabla:
n = 40 ICDM0,90?
Luego:
=
= 300 87,24 = (212,76 ; 387,24) = (212,8 ; 387,2)
Interpretando este resultado, se dice que la diferencia entre las superficies medias de las
explotaciones agrcola-ganaderas de ambas zonas, se encuentra entre 212,8 y 387,2 ha, con
un 90% de confianza.
Observacin: En la frmula tambin puede utilizarse
considerarse
en lugar de
con
desconocidos
su diferencia.
103
a) Si
y la
104
n1 = 10,
, S1 = 5
n2 = 12,
, S2 = 3, 1 2 ICDM0,95?
grados de libertad.
Luego, por tabla, t0,05; 15 = 2,1315 y finalmente el intervalo resulta:
ICDM0,95 =
= 7 3,843 = (3,157; 10,843) ~ (3 ; 11)
Interpretando el resultado se puede decir que la diferencia entre las edades medias de las
personas que murieron de tuberculosis en ambas ciudades, se encuentra entre 3 y 11 aos,
con una confianza del 95%.
3.8.
105
Adems:
(2)
Invirtiendo fracciones:
Invirtiendo la desigualdad:
Ejemplo 5: Un productor de fertilizantes, para controlar el buen embolsado de sus
productos, pesa 15 bolsas del mismo, obteniendo una desviacin tpica de 0,50 kg. Qu
varianza puede inferirse con un 98% de confianza que tendr la produccin total?
Respuesta:
X = peso de cada bolsa de fertilizante
n = 15 S = 0,50 kg. ICV0,98?
106
Por tabla:
Luego, el intervalo buscado es:
Se interpreta este resultado diciendo que existe un 98% de confianza de que la variancia
del peso por bolsa en toda la produccin de bolsas de fertilizantes de ese productor est
entre 0,12 y 0,75
Observaciones:
1) Del intervalo de confianza visto para la variancia, se deduce el correspondiente para el
desvo tpico:
Para el ejemplo 5:
2) Si n > 100 , los valores ya no se encuentran en la tabla de la distribucin Chi cuadrado, y
por lo tanto se la aproxima a una normal,
utilizando para aproximar percentiles en esta distribucin:
Luego, el intervalo buscado es:
107
TEMA No 6
PRUEBAS DE HIPTESIS
COMPETENCIA DE TEMA:
HABILIDAD:
Aplica
CONTENIDO:
Las pruebas de hiptesis para la toma de decisiones en situaciones
de incertidumbre.
PROCESO:
Resolviendo casos reales planteados en el proyecto de curso.
CONTEXTO:
En el aula y la comunidad.
Ho : = o
H1: o
2)
Ho : o
H1: > o
3)
Ho : o
H1: < o
108
109
la estadstica () queda bien definida por esta hiptesis, ya que esta hiptesis
especifica completamente la distribucin.
En la distribucin de probabilidad fijada por la hiptesis Ho: = o se establece la
regla de decisin de acuerdo con la cual se rechazar o por el contrario se
aceptar la hiptesis Ho. El rechazo de la hiptesis nula Ho implica la aceptacin de
H1.
La regla de decisin implica la divisin de la distribucin muestral del
estadstico () de la prueba en dos partes mutuamente excluyentes: La regin
de rechazo o regin crtica (RC) de Ho, y la regin de aceptacin (RA) o no
rechazo de Ho. Esta divisin depende de H1, del nivel de significacin () y de
la distribucin del estadstico.
Ejemplo prctico: Supongamos que se tiene una poblacin normal N(,9) con varianza
conocida 2 = 9 y que se trata de probar la hiptesis nula Ho: = 70 contra H1: >
70. Dado que
es un buen estimador de utilizaremos esta estadstica para
determinar la regin crtica y la regin de decisin de esta prueba. Puesto que
estamos interesados en la discriminacin entre = 70 y los valores de >70, parece
razonable que debamos rechazar Ho si - 70 es muy grande, esto es si
> K,
siendo K un valor crtico que vamos a determinar.
Si se supone verdadera la hiptesis Ho: = 70, entonces la distribucin de la media
es normal con media = 70 y desviacin estndar = 3. En consecuencia, la
distribucin de:
Z=
- 70
3/n
Es normal N(0,1). Para una muestra aleatoria de tamao n = 40 y la probabilidad de
error de tipo I, = 0,05 se tiene:
0,05 = P (
3/n
3/n
0,474
0,474
Por lo tanto, la regin crtica en el rango de la variacin de
es el intervalo:
110
RC = [ 70,78; + ]
La regla de decisin establece que: Si x es el valor de
obtenido a partir de la
muestra aleatoria de tamao 40, se rechazar Ho si x > 70,78.
4.6. PROCEDIMIENTO DE LA PRUEBA DE HIPOTESIS
Los pasos generales para efectuar una prueba de hiptesis, son las siguientes:
1) Formular Ho y H1.
2) Prueba estadstica
3) Nivel de significacin
4) Distribucin muestral
5) Regin de rechazo
6) Toma de decisiones.
Ejemplo: Se conoce que un cierto proceso de manufactura utilizado en una fbrica,
rinde una produccin promedio de 155 unidades por hora, con una desviacin
estndar de 8 unidades. Aparece en el mercado un nuevo tipo de mquina que realiza
el mismo producto. El gerente de la fbrica estima que si el rendimiento de
produccin de las nuevas mquinas es en promedio mayor que 155 unidades/hora,
stas deberan comprarse no obstante de ser ms caras. Se experimenta con 35
mquinas del nuevo tipo, con miras a utilizarlas en el proceso de manufactura, en
lugar de las antiguas. La decisin final se har de acuerdo al procedimiento de toma
de decisiones visto.
SOLUCIN
1.- Hiptesis de Nulidad.- Asumamos que el gerente est inclinado a creer que el
promedio de produccin es mayor que 155 y que quiere evitar la posibilidad de
cometer el error de comprarlas cuando en realidad no sera conveniente hacerlo;
entonces las hiptesis son:
Ho: = 155 unidades/hora
2.- Prueba estadstica. Para este caso el estadstico de prueba ms adecuado es:
z=
- o
x
111
x = 8/35= 1,35
Luego:
5.- Regin de rechazo. Para =0,01 y para una prueba de extremo derecho, la
regla de decisin es: Rechazar Ho siempre y cuando z > 2,33, en otro caso, aceptar
Ho.(Recurrir a la tabla A).
6.- Decisin. Como z = 3,7 > 2,33 entonces z cae dentro de la regin de rechazo,
por tanto se rechaza Ho, lo que implica aceptar H1. Por tanto, es recomendable
comprar las nuevas mquinas y para utilizarlas en lugar de las de tipo antiguo.