Variables Aleatorias

Autor: M Sci. Mat.
Abel Barrantes Herrera

Pgina 1 de 50
Tema : Estimacin Estadstica
Definiciones bsicas
I. EXPERIMENTO: es un proceso cuyo resultado analizamos y lo
denominamos observacin. Por la calidad de sus resultados el proceso
puede ser determinstico aleatorio.
II. EXPERIMENTO DETERMINSTICO: si el resultado del experimento es
conocido en forma precisa por las condiciones en las que se realiza el
mismo. (es predecible con exactitud).
III. EXPERIMENTO ALEATORIO: Cuando sus resultados no se pueden
predecir con exactitud antes de realizar el experimento.
EJEMPLOS
Observar el tiempo de vida de un repuesto automotriz.
Observar la suma de las caras superiores al lanzar dos dados.
Observar el nmero de caras obtenido al lanzar una moneda 10
veces.
Observar el tiempo que demora en atender a un cliente un cajero
de un banco.
CARACTERSTICAS
El experimento puede ser repetido indefinidamente sin cambiar
las condiciones en las que se realiza.
Aun cuando no es posible predecir un resultado particular del
experimento, si es posible describir el conjunto de todos sus
posibles resultados.
Si el experimento se repite una gran cantidad de veces, y f es el
nmero de veces que un determinado resultado es observado en
un total de n veces que se realiz el experimento; entonces, la
fraccin
/ f n
tiende a estabilizarse, si n crece indefinidamente.
IV. ESPACIO MUESTRAL: es el conjunto de todos los posibles resultados
de un experimento. Usualmente se le denomina por .
En el experimento de observar la suma de las caras superiores al
lanzar dos dados, = {2,3,4,5,6,7,8,9,10,11,12]
Supongamos que tenemos un lote de 12 artculos en el cual hay 3
defectuosos, seleccionamos artculos al azar uno tras otro hasta
obtener el premier defectuoso, luego se cuenta el total de
artculos extrados del lote. = {1,2,3,4,5,6,7,8,9,10}
Al lanzar tres monedas y observar el resultado (cara - sello) el
espacio muestral estar dado por el conjunto de todas las ternas :
{( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , ); ( , , )} c c c c c s c s c s c c c s s s c s s s c s s s
Autor: M Sci. Mat. Abel Barrantes Herrera
Pgina 2 de 50
Al observar el nmero de clientes que pasan por una caja de un
supermercado en un da determinado el espacio muestral est
dado por = {0,1,2,3,...}
V. EVENTO: es un conjunto de posibles resultados de un experimento. Es
un subconjunto de . Ntese que y el conjunto vaco (aqu
denominado evento imposible) son tambin eventos
En el caso de lanzar dos dado y observar la suma el evento la
suma es impar est dado por el conjunto A = {3,5,7,9,11}. El evento
la suma es mayor que siete por B = {8,9,10,11,12}
En el caso de la caja del supermercado los eventos ms de n
clientes est dado por
{ 1, 2, } C n n + + L
. El evento menos de m
clientes
{1, 2, , 2, 1} D m m L

VI. EVENTO ELEMENTAL: es un evento que contiene un solo resultado
simple (indivisible) del espacio muestral.
EJEMPLOS
Supongamos que tenemos n urnas y en ellas distribuimos 3 bolas de
cuantas maderas podemos distribuirlas?
Partiendo del supuesto que en cada urna entra un nmero grande de
bolas (mas de las que queremos distribuir):
La 1 bola puede elegir una de las n urnas tiene entonces n posibilidades.
La 2 tambin puede elegir una de las n urnas y tiene n posibilidades, la
3 tambin tiene n posibilidades, en consecuencia el total de
posibilidades es
3
n
Notemos que esto se puede generalizar al caso de r bolas tenindose
r
n
posibilidades.
Una aplicacin del ejemplo anterior son las fechas de cumpleaos de r
personas (las fechas de cumpleaos seran las bolas y los 365 das del
ao las urnas)
Un ascensor que traslada r personas y se detiene en n pisos tambin
responde a este modelo (las bolas seran las r personas y las urnas los n
pisos)
EJERCICIOS:
Sea el experimento de tres alumnos Jos, Pedro y Luis que compiten
por dos premios individuales en un torneo. Definir el espacio muestral.
Definir el evento Jos y Luis ganaron y Pedro obtuvo el segundo lugar.
Solucin
El espacio muestral est dado por

Pgina 3 de 50
El evento solicitado es la fila sombreada
Un avin cuatrimotor en vuelo debe tener por lo menos un motor
funcionando por lado para no caer. Definir el espacio muestral y el
evento el avin se cae.
Solucin
Espacio Muestral:
ALA Izquierda ALA Derecha
Motor Motor Motor Motor
Funciona Funciona Funciona Funciona
Funciona Funciona Funciona Funciona

Funciona

Funciona Funciona Funciona
Funciona Funciona

Funcion
a
Funciona

Funciona
Funciona Funciona

Funcion
a

Funciona
Funciona

Funciona Funciona

Funciona

Funciona
Funciona

Funciona

Funcion
a
Funciona
Funciona Funciona

Funcion
a
Funciona
Funciona

Funciona

Funciona

Funcion
a
Funciona
Funciona

Funciona Funciona

Funciona
Funciona Funciona

Funcion
a

Funciona
Funciona

Funciona

Funcion
a

Funciona
Funciona

Funciona

Funcion
a

Funciona
El evento solicitado son las filas sombreadas
Resultado Jos Pedro Luis
1 Premio Premio -
2 Premio - Premio
3 - Premio Premio
Pgina 4 de 50
Como puede verse los eventos son conjuntos y todas las operaciones y
teoremas de la teora de conjuntos son aplicables a ellos.
VII. EVENTOS MUTUAMENTE EXCLUYENTES: Dos eventos son
mutuamente excluyentes, si cuando ocurre uno no puede ocurrir el otro.
Equivalen en la teora de conjunto al concepto de conjuntos disjuntos.
Esto es si
A B
VIII. COMPLEMENTO DE UN EVENTO: Es la diferencia \ A se escribe A
y se define
{ | } A x x A
IX. PROBABILIDAD: Es una funcin real tal que
0 P(A) 1
P() = 1
Si
1 2
, , ,
n
A A A L
son eventos mutuamente excluyentes dos a dos,
i j
A A i j
, entonces
) ( ) (
1 1

n
i
i
n
i
i
A P A P

En general

1
1 2
1 2 3
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( 1) ( )
k k k
k
i i i j i j r k
i i j i j r i
P A B P A P B P A B
P A B C P A P B P C P A B P A C P B C P A B C
P A P A P A A P A A A P A A A
< < <

+
+ + +
+ +

L L
U
Espacios muestrales finitos
Sean
1 2
, ,
k
x x x L
eventos elementales de , entonces se cumple que;
1 2
( ) ( ) ( ) 1
k
P x P x P x + + + L
Supongamos que un experimento tiene 3 posibles resultados
1 2 3
, , x x x
Supongamos adems que
1
x es 2 veces mas probable que
2
x , el cual
es a su vez, 2 veces mas probable que
3
x
en consecuencia
1 2 2 3 3 3 3 3
2 ; 2 4 ( ) 2 ( ) ( ) 1 ( ) 1/ 7 x x x x P x P x P x P x + +

2 1
( ) 2/ 7; ( ) 4/ 7 P x P x
VARIABLE ALEATORIA: Es una funcin real definida en la familia de
todos los conjuntos de y sus valores son nmeros reales. Se
clasifica segn su conjunto de valores en:
VARIABLE ALEATORIA DISCRETA: si su rango de valores es un
conjunto de nmeros reales enumerable susceptible de ser
contado.
Pgina 5 de 50
VARIABLE ALEATORIA CONTINUA: Si la funcin es continua, esto
es si al asumir dos valores cualquiera, asume todos los valores
intermedios.
Pgina 6 de 50
Caso de Variables Aleatorias Discretas.- En este caso la variable aleatoria
queda definida por los valores que asume y la probabilidad con que asume
dichos valores. As, sea X una variable aleatoria con valores x
1
,x
2
,...,x
n
,...
definimos la Funcin de Probabilidad de X Distribucin de X como el
conjunto de pares ordenados (x
1
,Pr{X = x
1
});(x
2
, Pr{X = x
2
});...,(x
n
, Pr{X = x
n
});...
Se cumple que:
1 ) Pr(
i
i
X X
Valor Esperado.- Definimos el valor esperado E(X) como:
) Pr( ) (

i
i i
X X X X E
Si tal sumatoria existe (es convergente). Recordemos que existen variables
aleatorias sin valor esperado
Valor Medio Cuadrtico.- Definimos el valor medio cuadrtico E(X
2
) como
) Pr( ) (
2 2

i
i i
X X X X E
Si tal sumatoria existe.
Varianza.- La varianza de X, Var(x) queda definida por
[ ]
2 2
) ( ) ( ) ( X E X E X Var
Ejemplos:
Supongamos que una maquina tiene 4 turbinas que funcionan de manera
independiente. Cada turbina se descompone con probabilidad 0.03; sea X la
variable aleatoria definida como el nmero de turbinas en funcionamiento,
Hallar la Funcin de Probabilidad de X.
Solucin
Para resolver este problema nos preguntamos cules son los valores que
puede asumir X?
Sabemos que los valores que X puede asumir son 0,1,2,3,4 equivalentes al
nmero de turbinas en funcionamiento
Basados en la independencia calculamos las probabilidades:
Pr(X = 4) = 0.97*0.97*0.97*0.97 = 0.88529281
Pr(X = 3) = 0.97*0.97*0.97*0.03*4 = 0.10952076
Pr(X = 2) = 0.97*0.97*0.03*0.03*6 = 0.00508086
Pr(X = 1) = 0.97*0.03*0.03*0.03*4 = 0.00010476
Pr(X = 0) = 0.03*0.03*0.03*0.03 = 0.00000081
La Funcin de Probabilidad se expresa como cuadro:
Pgina 7 de 50
x
i
Pr{X = x
i
}
0 0.00000081
1 0.00010476
2 0.00508086
3 0.10952076
4 0.88529281
1.00000000
Ntese que la suma de las probabilidades es 1
Caso de Variables Aleatorias Continuas.- En este caso la variable aleatoria
queda definida por una funcin f(x) llamada funcin de densidad de X, tal que :
f(x) 0

1 ) ( dx x f

b
a
dx x f b X a ) ( ) Pr(
Valor Esperado.- Definimos el valor esperado E(X) como

dx x xf X E ) ( ) (
Si tal integral existe (es convergente), recordemos que existen variables
aleatorias sin valor esperado
Valor Medio Cuadrtico.- Definimos el valor medio cuadrtico E(X
2
) como

dx x f x X E ) ( ) (
2 2
Si tal integral existe.
Varianza.- La varianza de X, Var(x) queda definida por
[ ]
2 2
) ( ) ( ) ( X E X E X Var
En el caso de que existan E(x) y E(x
2
)
FUNCION DE DISTRIBUCION ACUMULADA es la funcin definida por:

x
du u f x X X F ) ( ) Pr( ) (

Pgina 8 de 50
DISTRIBUCIN BINOMIAL
Esta distribucin est referida a un experimento con dos nicos posibles
resultados:
xito (ocurre con probabilidad p)
Fracaso (ocurre con probabilidad 1 p)
Si repetimos este experimento n veces en las mismas condiciones, de forma tal
que en cada repeticin p permanece constante. Nos interesa la probabilidad de
obtener exactamente k xitos en estas n repeticiones.
k n k n
k
p p
k
n
P k X

,
_
) 1 ( ) Pr(
donde
)! ( !
!
k n k
n
k
n
,
_
En este modelo debe tenerse que :

En cada prueba la variable aleatoria puede asumir slo uno de dos
resultados, (Cada quien define cual es el xito y cual el fracaso).
Las pruebas son independientes, esto es lo que ocurre en una de ellas
no afecta a las posteriores.
La probabilidad de xito es constante de una prueba a otra. Si nos
referimos a algn tipo de muestreo, esta prueba es de un muestreo con
reposicin.
Nota: si llamamos q = 1-p; en este modelo la media est dada por = np y la
varianza
2
= npq
Ejemplo :
Un alumno se presenta a rendir un examen, el cual consta de 20 preguntas de
un punto cada una, si conoce el 60% del curso; Cul es la probabilidad de que
apruebe?
Solucin: En este caso el experimento consiste en responder a cada pregunta;
pudiendo contestarla correctamente (xito), no (fracaso); y estas son las dos
nicas posibilidades y son mutuamente excluyentes. Adicionalmente, lo que
ocurra al contestar una pregunta no influye en las respuestas posteriores; en
conclusin estamos en un modelo binomial. Como el alumno conoce el 60%
del curso, entonces, p = 0.6.
Queremos calcular la probabilidad del evento el alumno aprueba y vemos que
esto ocurre si contesta 11 ms preguntas, es decir aprueba si X = 11,
12,...,20. Usando la frmula y como las notas 11,12,...,20 son mutuamente
excluyentes por pares, se tiene
,
_

20
11
20
4 . 0 * 6 . 0
20
) 20 11 Pr(
k
k
k k
k
X
Pgina 9 de 50
El clculo de la suma es laborioso pues cuenta con 10 sumandos.
La respuesta obtenida del paquete estadstico STATISTICA es Pr = 0.7552
Presentamos el grfico de la probabilidad acumulada, donde puede verse que
la probabilidad Pr{10 X } 0.24, esto es Pr{ 11 X 20} 0.76 Si hacemos
un acercamiento (zoom), en el cuadro 2, podemos leer Pr{ 10 X } 0.245 ,
Pr{ 11 X 20} 0.755
Fig. 1
Function Plot (GRAPH11.STG 10v*10c)
IBINOM(X; 0,6; 20)
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig. 2
Pgina 10 de 50
IBINOM(X; 0,6; 20)
0,00
0,05
0,10
0,15
0,20
0,25
0,0 2,5 5,0 7,5 10,0
Pgina 11 de 50
DISTRIBUCIN DE POISSON
El modelo de Poisson se utiliza en problemas en los que se cuenta el nmero
de eventos que ocurren en una unidad de medida, sea en un intervalo de
tiempo, en una regin, en un rea, en un volumen, etc.
Por ejemplo, las llamadas telefnicas recibidas por una central en un intervalo
de tiempo, el nmero de errores en un escrito, el nmero de clientes que llegan
a una estacin de servicio, etc.
Es dependiente de un parmetro > 0 denominado intensidad de ocurrencia
y su frmula es:
!
*
) Pr(
k
e
k X
k

Se cumple que la media de X es y su varianza tambin es igual a
Ejemplo: Supongamos que el nmero de errores en una pgina de un diario
tiene distribucin de Poisson con = 0.5, Cul es la probabilidad de tener por
lo menos un error en esa pgina?
Solucin: El evento por lo menos un error es el contrario al evento ningn
error, en consecuencia,
3935 . 0 1
! 0
5 . 0 *
1 ) 0 Pr( 1 ) 1 Pr(
5 . 0
0 5 . 0
e
e
X X
El siguiente cuadro muestra las probabilidades de Poisson para = 0.5
Fig. 3
poisson(X; 0,5)
-0,1
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0 1 2 3 4 5 6 7
Pgina 12 de 50
DISTRIBUCIN HIPERGEOMETRICA
Partimos de una poblacin de n elementos, divididos en dos clases, n
1
pertenecen a la primera y n
2
a la segunda.
Definimos un experimento como la extraccin (sin reposicin) de m elementos
de esta poblacin, preguntamos por la probabilidad de obtener exactamente k1
elementos de la primera clase, m k1 elementos de la segunda. Esta
probabilidad est dada por
,
_
,
_
,
_

m
n n
k m
n
k
n
k m k
2 1
1
2
1
1
1 1
) , Pr(

Para ilustrar su uso, supongamos que un proceso de produccin de partes
elctricas se compone de un lote de 50 partes, si dentro del lote hay 5 partes
falladas, y extraemos una muestra de 20 para analizarla, cul es la
probabilidad de que esta muestra no contenga partes falladas?
Solucin:
En este caso tenemos:
n = 50 , m = 20, n
1
= 45, n
2
= 5, k
1
= 20, m-k
1
= 0
Reemplazando en la frmula
067 . 0
20
50
0
5
20
45
) 0 , 20 Pr(
,
_
,
_
,
_
Si la probabilidad pedida fuera de exactamente 2 fallados en los 20 elegidos
,
_
,
_
,
_
20
50
2
5
18
45
) 0 , 20 Pr(
Pgina 13 de 50
DISTRIBUCION EXPONENCIAL
Una variable aleatoria X tiene una distribucin exponencial si su funcin
densidad de probabilidad esta dada por:
( )
x
f x e

notemos que
i) ( )
0
1
x
e dx
ii)
( ) 1/ E X
iii)
2
( ) 1/ Var X
iv) Pr[ ]
a
X a e

Nota: Si tenemos un modelo de Poisson con parmetro , que ocurre en el
tiempo, los tiempos entre llegadas siguen una distribucin exponencial con el
mismo , siendo el tiempo promedio entre llegadas 1/ .
APLICACIONES
La distribucin exponencial se usa para representar muchos fenmenos, sobre
todo la vida til de equipos, partes, repuestos, materiales radioactivos, etc.
EJEMPLOS
1. Sabemos que un cierto tipo de parte electrnica sigue una distribucin
exponencial y tiene una vida promedio de = 1semana cul es la
probabilidad de que una de esas partes tenga una duracin que exceda
2.5 semanas?
2. El tiempo entre llegadas de clientes a una cajera de un banco en hora
punta sigue una distribucin exponencial con promedio 0.25minutos.
Hallar la probabilidad de tener un intervalo de menos de 6 segundos
entre una llegada y la siguiente?
Note que 4
Pgina 14 de 50
LA DISTRIBUCIN NORMAL
Es una distribucin de una variable aleatoria continua, con la siguiente funcin
de densidad :
___
. f(x) = 1/[(2 ] * e
-(x-)^2/[2^2]
Donde es la media valor esperado y es la desviacin estndar
Probability Density Function
y =normal(x;10;3)
0,00
0,03
0,06
0,09
0,12
0,15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Probability Distribution Function
p =inormal(x;10;3)
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
La media coincide con abscisa bajo el punto mas alto de la curva. La
desviacin estndar mide la apertura de los brazos de la campana.
Pgina 15 de 50
y =normal(x;10;4)
0,00
0,03
0,06
0,09
0,12
0,15
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
p =inormal(x;10;4)
0,0
0,2
0,4
0,6
0,8
1,0
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Ntese que al aumentar la desviacin estndar de 3 a 4, manteniendo la media
igual, la campana se ha vuelto mas abierta.
Como sabemos, para calcular la probabilidad de una distribucin continua, es
necesario integrar la funcin densidad entre [a,b]; y esto no es sencillo, por lo
tanto usamos tablas que permiten calcular el rea bajo la campana para una
abscisa z dada.
Estas tablas estn hechas para una distribucin normal con media 0 y
desviacin estndar 1, a la cual se le denomina Distribucin Normal
Estandarizada. Para poder usar estas tablas es necesario estandarizar la
distribucin normal con la que estamos trabajando, esto se logra usando :
Z = (X - )/
As por ejemplo, si X se distribuye normalmente con media 50 y desviacin
estndar 20, para calcular la probabilidad :
Pr[ 35 < X < 80]
Procedemos de la siguiente forma :
a) Calculamos el rea bajo la curva para la abscisa 35
Estandarizando z = (35 50)/20 z = -0.75
En la tabla leemos que esa rea es 0,22667
b) Calculamos el rea para la abscisa 80
Estandarizando z = (80 50)/20 z =1.5
Leemos de la tabla que es rea es 0.933193
c) La probabilidad pedida es la diferencia de reas : 0.933193 0.22667;
Pr[35 < X < 80] = 0.70652
Pgina 16 de 50
Usando el paquete STATISTICA, tenemos
Clculo de Pr{ z -0.75}
Clculo de Pr{ z 1.75}
y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
p =inormal(x;0;1)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Grfico para el clculo de la probabilidad Pr{z 1.5}
Pgina 17 de 50
y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
p =inormal(x;0;1)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Propiedades de la distribucin normal
i) Si X es una variable aleatoria normal, sus parmetros , la definen
totalmente (ver su funcin densidad)
ii) El hecho de que el exponente (x - )
2
/2
2
sea negativo indica que
cuanto mas se aleja x de la media , tanto menor es la altura de la
curva de la funcin densidad, y en x = la densidad tiene un
mximo.
iii) La distribucin normal tiene una amplitud infinita, siendo asinttica al
eje X.
iv) Un cambio en el valor de desplaza la funcin densidad a la derecha
(izquierda) cuando el incremento es positivo (negativo). Un cambio
en el valor de la aplana (levanta) si el incremento es negativo
(positivo).
v) Si X es una variable aleatoria normal, entonces Y = a + bX tambin
es normal, E(Y) = a + b, Var(Y) = b
2
2
.
vi) Si X
1
, X
2
,...,X
n
son variables aleatorias normales e independientes
entonces Y = X
1
+ X
2
+...+ X
n
tambin es normal, adems el valor
esperado de Y es la suma de los valores esperados de las X
i
y su
varianza la suma de las varianzas.
LECTURA DE LA TABLA NORMAL
En algunos casos las tablas slo muestran el rea comprendida en el lado
positivo del eje X, en este caso es necesario proceder de forma :
Para calcular el rea para la abscisa z =-0.75 , como tal abscisa no
aparece en la tabla usamos la simetra y
Pgina 18 de 50
Leemos de la tabla el rea para la abscisa 0.75 (positivo)
El rea buscada es 0.5 El rea leda en la tabla
Para calcular el rea de la tabla para la abscisa z = 1.5,
Leemos el rea de la tabla para z = 1.5
El rea buscada es de 0.5 + El rea leda en la tabla.
Recordemos que de otra forma no consideraramos el rea
de la campana a la izquierda de 0, que es igual a =.5
En general, si se trata de lectura de la tabla normal, tenemos dos tipos de
problemas:
Conocida la abscisa z leer el rea
Conocida el rea leer la abscisa z correspondiente
Caso rea 0.5 Primero restamos del rea 0.5, luego para
el resultado obtenido leemos z. Ese es el z buscado.
Caso rea 0.5 para esa rea leemos z de la tabla,
usando la simetra sabemos que el la abscisa pedida es z
Estos casos estn referidos a la tabla distribuida en el curso.
Pgina 19 de 50
TEOREMA DEL LIMITE CENTRAL
Teorema : La distribucin de las medias de muestras aleatorias, tomadas de
una poblacin que posee media , y varianza finita
2
, tiende a una
distribucin normal de media y varianza
2
/n.
Este teorema es muy til para aproximar distribuciones cuando la muestra es
grande, en trminos de estadstica se considera grande una muestra cuyo
tamao es mayor de 30.
Sin embargo, algunas distribuciones tienen requerimientos adicionales, tal es el
caso de la distribucin binomial en la cual se obtienen buenas aproximaciones
cuando n*p 5.
Los siguientes grficos muestran como se acercan a la normal las
distribuciones binomial y de Poisson.
GRAFICO DE UNA DISTRIBUCIN BINOMIAL p = 0.3; n = 10
binom(x; 0,3; 10)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0,26
0,30
0 10 20 30 40
Pgina 20 de 50
Function Plot (LEC1.STA 10v*20c)
binom(x; 0,3; 20)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0 10 20 30 40
binom(x; 0,3; 30)
-0,02
0,02
0,06
0,10
0,14
0,18
0 10 20 30 40
Pgina 21 de 50
binom(x; 0,3; 40)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 10 20 30 40
binom(x; 0,3; 50)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0 10 20 30 40
Pgina 22 de 50
GRAFICO DE UNA DISTRIBUCIN POISSON = 3
poisson(x; 3)
-0,02
0,02
0,06
0,10
0,14
0,18
0,22
0,26
0 10 20 30 40
poisson(x; 6)
-0,02
0,02
0,06
0,10
0,14
0,18
0 10 20 30 40
Pgina 23 de 50
poisson(x; 9)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0,16
0 10 20 30 40
poisson(x; 12)
-0,02
0,00
0,02
0,04
0,06
0,08
0,10
0,12
0,14
0 10 20 30 40
Pgina 24 de 50
DISTRIBUCIN CHI CUADRADO
Si
1 2
, , ,
n
X X X L
son variables normales estandarizadas e independientes,
entonces la variable aleatoria
2 2 2
1 2 n
Y X X X + + + L sigue una distribucin
2
con n grados de libertad.
1
Clculo del valor de
2
(8 grados de libertad) para una probabilidad de 90%
usando el paquete STATISTICA
y =chi2(x;8)
0,000
0,044
0,087
0,131
0,175
0,00 6,25 12,50 18,75 25,00
p =ichi2(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
0,00 6,25 12,50 18,75 25,00
1
Por grados de libertad entendemos al nmero de elementos que pueden escogerse
libremente, o al nmero de variables que pueden asumir valores arbitrarios libremente.
(Nmero de variables funcionalmente independientes)
Pgina 25 de 50
Propiedades de una distribucin
2

i) Si X tiene una distribucin normal estandarizada, X
2
tiene una
distribucin
2
con 1 grado de libertad.
ii) Si X
1
tiene una distribucin
2
con n
1
grados de libertad, X
2
tiene una
distribucin
2
con n
2
grados de libertad; entonces Y = X
1
+ X
2
tiene
una distribucin
2
con
1 2
n n + grados de libertad.
iii) Si la poblacin es normal estandarizada, y x
i
i = 1,2,...,n son n
observaciones independientes que constituyen una muestra al azar,
entonces
2
1
n
i
i
x

2
iv) Si la poblacin es normal con media , desviacin estndar y x
i
para i = 1,2,...,n son n observaciones independientes que constituyen
una muestra al azar, entonces
2
1
n
i
x
_

,

2
v) Una variable Chi cuadrado vara en un rango de 0 a infinito, por ser
una suma de cuadrados.
vi) Una variable Chi cuadrado est definida completamente por su grado
de libertad, as si X es una variable aleatoria de distribucin
2
con n
grados de libertad,
E(X) = n
V(X) = 2n
vii) Las distribuciones Chi cuadrado son positivamente asimtricas, ( con
una giba hacia la izquierda), sin embargo, cuando el nmero de
grados de libertad aumenta entonces la distribucin se asemeja a
una normal. Los siguientes cuadros muestran la distribucin Chi
cuadrado para 31 y 35 grados de libertad, en ellos puede apreciarse
su cercana con la distribucin normal.

Pgina 26 de 50
DISTRIBUCIN F
Si X sigue una distribucin
2
con n
1
grados de libertad, Y sigue una
distribucin
2
con n
2
grados de libertad; entonces
1
2
X
n
F
Y
n
sigue una
distribucin F de Fischer con (n
1
,n
2
) grados de libertad. Usualmente la
designamos por F
n1,n2

Los siguientes grficos muestran la densidad y la probabilidad acumulada de
una distribucin F
14,8
.
y =F(x;14;8)
0,000
0,375
0,750
1,125
1,500
0 1 2 3 4
p =iF(x;14;8)
0,0
0,2
0,4
0,6
0,8
1,0
0 1 2 3 4
Propiedades de la distribucin F
i) Siendo F una razn de dos cantidades al cuadrado, F vara entre 0 e
.
ii) Hay una distribucin F para cada par de enteros positivos n
1
,n
2
.
iii) La media y varianza de F estn dadas por:
2
) (
2
2
n
n
F E
para
2
2
n
) 4 ( ) 2 (
) 2 ( 2
) (
2
2
2 1
2 1
2
2

+
n n n
n n n
F Var
para
4
2
n
iv) Como en el caso de la
2
F es positivamente asimtrica, pero cuando
n
1
,n
2
aumentan, la asimetra se reduce.
Pgina 27 de 50
v) Si la variable aleatoria X sigue una distribucin F
n1,n2
, entonces Y =
1/X sigue una F
n2,n1
. Esta es la propiedad recproca de las
distribuciones F y tambin puede expresarse por
F
(1-);n1,n2
= 1 /F
;n2,n1
.
Donde y 1 - designan al rea bajo la cola de la distribucin F
Veamos el caso F
8,11
.

Podemos verificar que 2.947989 =1/0.339214
Cumplindose lo dicho en (vi)
Pgina 28 de 50
DISTRIBUCIN t-Student
La variable aleatoria con distribucin t-student con n grados de libertad, se
genera al dividir una variable normal estandarizada N(0,1) entre la raz
cuadrada del cociente de una variable aleatoria
2
con n grados de libertad,
dividida entre n.
2
2
n
z
t
La distribucin t-student con n-1 grados de libertad tiene una funcin densidad:
2
2
1
1
2
1
2
) 1 (
1
) (
n
n
t
n
n
n
t f

,
_
,
_
,
_
1
1
]
1
Propiedades:
i) La variable t vara de - a
ii) La distribucin t es simtrica respecto del eje y
iii) E[t] = 0 Var(t) = (n-1)/(n-3)
iv) La distribucin t es similar a la distribucin normal, ambas varan de - a
+, ambas son simtricas respecto del eje Y, y ambas tienen media 0;
sin embargo, la distribucin t tiene una mayor desviacin estndar por
ser su varianza (ver iii) Var(t) 1, acercndose a 1 conforme aumenta n,
en consecuencia para n mayores de 30 podemos aproximarla por la
Distribucin Normal Estandarizada.
Los siguientes cuadros muestran los valores de t con 31 grados de libertad,
para reas de 90 y 95%, en comparacin con la normal.

Pgina 29 de 50

Pgina 30 de 50
ESTIMACIN
En muchos estudios estadsticos los parmetros poblacionales son
desconocidos y deben ser estimados con la informacin de una muestra. Los
mtodos para estimar tan exactamente como sea posible el valor de los
parmetros poblacionales son de gran importancia en el anlisis estadstico.
Los valores de los estadsticos muestrales tales como media, mediana,
varianza, etc; deben ser usados para estimar los parmetros poblacionales.
Notemos que los estadsticos muestrales son variables aleatorias. A los
parmetros poblacionales los llamamos (media), (desviacin estndar),
(proporcin), N (tamao); en tanto que a los estadsticos muestralesx (media
aritmtica), S
2
(varianza), n (tamao de la muestra). Seguidamente,
presentaremos los criterios para evaluar que tan bien un estadstico muestral
estima un parmetro poblacional, y segundo, analizar algunos mtodos para
estimar estos parmetros.
A las variables aleatorias usadas para estimar los parmetros poblacionales las
llamaremos estimadores, en tanto que, a sus valores especficos los
llamaremos estimados. As, a X y S
2
son estimadores de y
2
respectivamente, en tanto que X = 45 es un estimado de .
Podemos referirnos a otros estimadores de como la mediana y de
2
como el
rango. Posteriormente veremos cual de los estimadores se ajusta mejor a
nuestras necesidades.
Cuando estimamos el valor de un parmetro por el valor de un estadstico
muestral, estamos haciendo una estimacin puntual. Si la estimacin es por
un rango de valores hablamos de estimacin por intervalos.
Los criterios para determinar la bondad de los estimadores puntuales son:
Insesgamiento.- Decimos que un estimador es insesgado si el valor
esperado del estimador es igual al parmetro a ser estimado.
As
( ) E
En el caso de la media E[X ] = 1/nE[x
1
+x
2
+ ... + x
n
] = 1/n(n) =
En el caso de la varianza tenemos:
Sea
[ ] [ ]
n n n S E
x E x Var x E x Var S E
x E x E S E
x E x E
n
S E
x x
n
S
x x
n
S
i i
i
n
i
n
i
n
i
/ ) 1 ( / ) (
) ( ) ( ) ( ) ( ) (
) ( ) ( ) (
) ( ) (
1
) (
1
) (
1
2 2 2 2
2 2 2
2 2 2
2
1
2 2
2
1
2 2
2
1
2

+

Pgina 31 de 50
Si deseamos que el estimador
2
S sea insesgado este debe ser:
2
1
2
) (
1
1
x x
n
S
n
i

Consistencia.- Se dice que un estimador es consistente si sus estimados
se aproximan al parmetro que estiman cuando n crece.
Los requisitos son
1.

( ) 0 Var cuando
n
n
2.

es un estimador insesgado de
Eficiencia.- Entre dos estimadores de un parmetro, mas eficiente es
aquel de menor varianza.
La medida de la eficiencia est dada por el cociente
) (
) (
Re
1
2
Var
Var
lativa Eficiencia
Suficiencia.- Decimos que un estimador es suficiente si utiliza toda la
informacin acerca del parmetro poblacional contenida en la muestra.
As el rango no es un estimador suficiente de la varianza puesto que
solo utiliza los dos valores extremos (mximo y mnimo) de la muestra.
Mxima Verosimilitud.- Supongamos en una poblacin
) , ( x f
se desea
estimar el parmetro con una muestra de tamao n. Definimos la
funcin de mxima verosimilitud L como:
) , ( ) , ( ) , ( ) (
2 1

n
x f x f x f L
El estimador de mxima verosimilitud es aquel que maximiza L
Supongamos por ejemplo que para estimar una proporcin extraemos
una muestra de tamao 10 n y con
3 . 0 p
; si el verdadero valor fuera
0

la probabilidad de obtener tal resultado es:
( ) ( )
7
0
3
0 0
1
3
10
) | 3 . 0 Pr(
,
_
p
( ) ( )
7
0
3
0 0
1
3
10
) (
,
_
L
Buscamos el valor de
0
que maximiza L ese es el estimador mximo

verosmil
En el siguiente grfico mostramos el valor de
0
( ) L
para
0
0.1, 0.2, ,1 L

donde se aprecia que el mximo valor de
0
( ) L
[la mxima probabilidad
0
Pr( 0.3| ) p
]se obtiene para
0
0.3
esto es el valor que maximiza
la funcin L es
0
p
significando que el estimador mximo verosmil de
es la proporcin muestral
p
Pgina 32 de 50
La funcin
1 2 1 2
( , , , , ) ( , ) ( , ) ( , )
n n
L X X X f X f X f X L L
representa la
probabilidad
1 2
Pr( , , , )
n
X X X X X X L
cuando X es discreta.
Si X es continua representa la funcin densidad de probabilidad
conjunta de
1 2
( , , , )
n
X X X L

Para obtener el estimador mximo verosmil resolvemos la ecuacin de
verosimilitud
[ ]
1 2
( , , , , ) 0
n
Ln L X X X
1
]
L
cuando deseamos estimar 2 parmetros
1 2
, debemos resolver
[ ]
1 2 1 2
( , , , , , ) 0; 1, 2
n
i
Ln L X X X i
1
]
L
y as sucesivamente.
Ejemplos
1. Supongamos que la vida promedio de un
componente es T y sigue una distribucin exponencial con
( )
t
f t e

Tomamos una muestra de n de ellos y obtenemos
1 2
, , ,
n
T T T L
. La funcin de verosimilitud es
1 2
( , , , , )
i
T
n
n
L T T T e

L
Tomando logaritmos
1 2
[ ( , , , , )] [ ]
i
T
n
n
Ln L T T T Ln e

L
1 2
[ ( , , , , )] ( )
n i
Ln L T T T nLn T L
Derivando respecto de
e igualando a cero
/ 0
1 1
i
i
n T
T
n

Pgina 33 de 50
2. Supongamos que X es una variable aleatoria distribuida normalmente
con
2
1
2
1
( )
2
x
f x e

1
]
si tenemos una muestra

1 2
( , ,..., )
n
x x x
;
entonces;
2
1
2
2
1 2
1
( , ,..., , , )
2
i
n
x
n
L x x x e

1
]
1
]
Tomando logaritmos:
2
2
1
( ) (2 )
2 2
i
n x
Ln L Ln

_ 1

1
, ]
Resolviendo
( ( )) ( ( ))
0; 0
Ln L Ln L

se obtiene
1
i
x
n

y
2
1
( )
i
x x
n

Ntese que el estimador de mxima verosimilitud de la varianza no es

insesgado.
Pgina 34 de 50
ESTIMACIN POR INTERVALOS.- INTERVALOS DE CONFIANZA
Dado un estimador puntual

y el mtodo de calcularlo, podemos saber si este

cumple con los criterios de bondad de estimacin anteriormente descritos, pero
esto no es suficiente si pretendemos usar

para sustituir , porque, siempre

habr un error debido a fluctuaciones aleatorias, cuya magnitud es
desconocida, por esto, es conveniente tener una medida de la precisin del
estimado o un acotamiento del tamao del error del estimador.
Siendo

una variable aleatoria, las caractersticas bsicas de su distribucin

son su valor esperado E(

) y su varianza Var(

). La desviacin estndar
error estndar es
mide la dispersin de

. Cuando

es pequea y

es insesgado un gran nmero de estimaciones se encontrar muy cerca del
verdadero valor del estimado, y cuando
sea grande y
insesgado, un
pequeo nmero de estimaciones se encontrar en las cercanas de . En
consecuencia la precisin de un estimador est dada por su error estndar o
extendindose que cuanto mas pequeo sea
mas precisa ser la

estimacin. Es por esto que cuando estimamos un parmetro debemos
tambin, indicar el error estndar de la estimacin.
Para darle una expresin ms formal a lo anterior, hablamos de una estimacin
por intervalos.
Estimacin por Intervalo.- Es la estimacin de un parmetro por un intervalo
calculado al azar, llamado intervalo de confianza, cuyos extremos L (inferior) y
U (superior) se calculan en funcin de las variables aleatorias observadas, de
manera tal que la probabilidad
Pr{ } 1 L U < < <
donde 1 - es un nmero
predeterminado llamado coeficiente de confianza.
Cuando el intervalo es simtrico, esta probabilidad puede expresarse como:
Pr{| | } 1 k

Donde, k es una constante no negativa llamada multiplicador de confianza,
correspondiente al valor 1 -
La desigualdad
| | k

puede escribirse como

k k

Pr{ } 1 k k

+
que es la expresin general de un estimador de confianza simtrico de , tal
que:
1 expresa el Nivel de Confianza
Pgina 35 de 50
k

= L, lmite inferior de confianza
k

+ = U, lmite superior de confianza
k se calcula de acuerdo a la distribucin de

Ntese que el intervalo es calculado al azar porque sus lmites superior e
inferior dependen del valor de

que es una variable aleatoria. Este intervalo

es simtrico independientemente de si la distribucin de

es simtrica o no.
Los coeficientes de confianza mas comunes son 0.90, 0.95 y 0.99
Si analizamos varias muestras del mismo tamao, para cada muestra se
obtendr un intervalo de confianza distinto, y en promedio (1 - )% de estos
intervalos contendr al parmetro estimado .
El siguiente grfico muestra como acta la estimacin por intervalos en el caso
de la media poblacional (en este caso igual a 0), vindose como algunos
intervalos contienen este valor y otros no.

y =normal(x;0;1)
0,00
0,15
0,30
0,45
0,60
-3,50 -1,75 0,00 1,75 3,50
p =1-2*(1-inormal(0+abs(x-0);0;1))
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50

Pgina 36 de 50
DISTRIBUCIN DE ESTIMADORES
Distribucin dex
( )
1 2
1
n
x x x x
n
+ + + L
Donde cada x
i
es una variable aleatoria independiente, todas con la misma
distribucin. En consecuencia
( )
( )
1 2
1 2
1
( )
1
( ) ( ) ( ) ( )
1
( ) ( )
1
( ) ( )
( )
n
n
E x E x x x
n
E x E x E x E x
n
E x
n
E x n
n
E x

+ + +
+ + +
+ + +
L
L
L
( )
1 2
1
( ) [ ]
n
Var x Var x x x
n
+ + + L
Por la independencia, podemos escribir
( )
( )
1 2
2
2 2 2
2
2
2
2
1
( ) [ ( ) ( ) ( ) ]
1
( ) [ ]
1
( ) [ ]
( )
n
Var x Var x Var x Var x
n
Var x
n
Var x n
n
Var x
n

+ + +
+ + +
L
L
De lo anterior concluimos:
i) Si la poblacin es normal, entoncesx sigue una distribucin normal
N(,/n)
ii) Si la poblacin no es normal, en virtud al Teorema del Lmite Central,
la distribucin dex tiende a una normal N(,/n)
iii) En los dos casos anteriores es necesario conocer la desviacin
estndar poblacional , caso que no siempre ocurre. El caso
desconocido es analizado ms adelante.
Distribucin de p (proporcin) cuando es la proporcin muestral
( )
1 2
1
n
p x x x
n
+ + + L , donde x
i
= 0 1
( )
1 2
1
( )
n
E p E x x x
n
+ + + L donde
1, , 0
i i
x o x
Pgina 37 de 50
( )
1 2
1
( ) ( ) ( ) ( )
n
E p E x E x E x
n
+ + + L
( )
1
( )
( )
E p
n
E p

+ + +
L
( )
( )
1 2
1 2
2
2
1
( ) [ ]
1
( ) ( ) ( ) ( )
1
( ) [ (1 )]
(1 )
( )
n
n
Var p Var x x x
n
Var p Var x Var x Var x
n
Var p n
n
Var p
n

+ + +
+ + +

L
L

(1 )
p
n

En consecuencia para n suficientemente grandes (en la prctica si se cumple
que np 5), aplicando el Teorema del Lmite Central decimos que la
distribucin de p es normal N(p,
p
)
Para el caso cuando
X es el nmero de xitos en una distribucin normal, tenemos
( )
1 2 n
X x x x + + + L
, donde x
i
= 0 1
( )
1 2
( )
n
E X E x x x + + + L
donde
1, , 0
i i
x o x
( )
1 2
( ) ( ) ( ) ( )
n
E X E x E x E x + + + L
( ) ( )
( )
E X
E X n

+ + +
L
( )
( )
1 2
1 2
( ) [ ]
( ) ( ) ( ) ( )
( ) [ (1 )]
n
n
Var X Var x x x
Var X Var x Var x Var x
Var X n
+ + +
+ + +

L
L
Distribucin de S
2
Si las (x
i
-x) son variables
aleatorias normales de media y
desviacin estndar , esto es si la poblacin es normal N(,); entonces,
2
2
( 1) n S
Y

2
(n-1)
2 2 2 2
1 2
2 2 2 2
1 2
2 2 2 2
1
[( ) ( ) ( ) ]
1
( ) 1 ( ) ( )
[ ]
1
n
n
S x x x x x x
n
x x S x x x x
n
+ + +

+ + +
L
L
Pgina 38 de 50
Distribucin dex cuando no conocemos
Si la poblacin es normal N(,), entonces (x - )/(/n) es una variable
aleatoria normal estandarizada.
Como
2
2
( 1) n S
Y

2
(n-1) y
( )
(0,1)
x
N
n
a
Entonces al dividir
( ) x
n
entre
1
Y S
n
, obtenemos
( ) x
S
n

, que sigue
una distribucin t-student con n-1 grados de libertad.
Ejemplo
Sea una poblacin normal con media = 50 y varianza desconocida.
a) Supongamos que una muestra de n = 9 tiene una varianza muestral
S
2
= 36 Cul es la probabilidad de que X > 54?; de queX<44?; de
que 45< X < 55?
b) Cmo varan sus respuestas si n = 36?
Solucin : _
a) Como
( ) x
S
n

sigue una distribucin t-student con n-1 grados de libertad,
reemplazando, tenemos[54 50]/[6/3] = 2, Pr = 1 - 0.959742, entonces
Pr = 0.040258
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Para determinar la probabilidad Pr(X < 44) calculamos
t = (44-50)/(6/3) = -3 y Pr(t<-3) = 0.00835
Pgina 39 de 50
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
Para el caso 45< X < 55 tenemos 2.5 < t < 2.5, entonces del programa
ESTATISTICA leemos Pr(t < -1.5) = 0,018471
La probabilidad pedida es 1 2*0.018471 = 0.963058
y =student(x;8)
0,000
0,125
0,250
0,375
0,500
-3,50 -1,75 0,00 1,75 3,50
p =istudent(x;8)
0,0
0,2
0,4
0,6
0,8
1,0
-3,50 -1,75 0,00 1,75 3,50
b) En este caso como n = 36 podemos leer la tabla normal en lugar de la
tabla t-student.
Pgina 40 de 50
INTERVALOS DE CONFIANZA PARA
Sabemos que la distribucin x es normal o aproximadamente normal (por el
Teorema del lmite central) con parmetros y /n.
Una estimacin de por intervalos est dada por
Pr{x - |z
/2
|/n x + |z
/2
|/n} = 1 -
x - |z
/2
|/n x + |z
/2
|/n
z
/2
es ledo de la tabla normal, debe ser conocido.
El siguiente grfico muestra como obtener z
/2
de la distribucin normal
estandarizada.
normal(x ; 0 ; 1)
-0,05
0,05
0,15
0,25
0,35
0,45
-3,0 -1,5 0,0 1,5 3,0
Lmite inferior de Confianza : x - |z
/2
|/n
Lmite superior de Confianza : x + |z
/2
|/n
Caso cuando no conocemos
Sabemos que (x - )/(S/n) sigue una distribucin t-student con n-1 grados de
libertad entonces el intervalo de confianza queda como
Pr{x - |t
/2
|S/n x + |t
/2
|S/n} = 1 -
t
/2
es ledo de la tabla t-student con n-1 grados de libertad.
/2 /2
-z
/2 z
/2
Pgina 41 de 50
student(x ; 20)
-0,05
0,05
0,15
0,25
0,35
0,45
-3,0 -1,5 0,0 1,5 3,0
Intervalos de Confianza para .
Como la distribucin de tiende a una normal el intervalo de confianza est
dado (para n grandes) por :
Pr{p -|z
/2
|
p
p + |z
/2
|
p
} = 1 -
p -|z
/2
|
p
p + |z
/2
|
p

Donde
p
es la desviacin estndar de p y es igual a (1-)/n
Como es desconocido, (es el parmetro que deseamos estimar), lo
reemplazamos
p
por
p,
estimador de
p
y es igual a [p(1-p)/n]
1/2
con un factor
de correccin [(N-n)/(N-1)]
1/2
aplicado cuando el muestreo es sin reposicin y N
finito.
Lmites de confianza para
2

En este caso, para el clculo del intervalo de confianza nos basamos en que
(n-1)S
2
/
2
sigue una distribucin
2
con n-1 grados de libertad. Entonces:
2
1-/2,n-1
<(n-1)S
2
/
2
<
2
/2,n-1
De donde obtenemos
(n 1)S
2
/
2
/2,n-1
<
2
< (n 1)S
2
/
2
1-/2,n-1

/2 /2
t
/2 -t
/2
Pgina 42 de 50
Los
2
?
Son ledos de la tabla
2
(n-1)

chi2(x ; 12)
-0,01
0,01
0,03
0,05
0,07
0,09
0,11
0,0 7,5 15,0 22,5 30,0
Problemas de estimacin
1. La Cmara de Comercio de Miami Beach desea estimar el gasto medio
por turista y por visita a dicha ciudad. Para ese objeto ha escogido para
investigacin una muestra al azar de 100 turistas hallandox = $800.
Ahora, supongamos que se sabe que la desviacin estndar de los
gastos para todos los turistas es $120. Finalmente supongamos, que la
Cmara desea calcular un intervalo de confianza del 95%.
Respuesta :800t23.52
2. Una muestra al azar de 500 ha sido escogidas con reposicin, para ver
cuales de ellas piensan reinvertir capital en los prximos 2 aos, 80 de
ellas informan que ese es su deseo. Cul es el intervalo de confianza
del 99% para ? Respuesta: 0.16t0.042
3. Una mquina que produce rodajes de un determinado dimetro, es
parada peridicamente para chequear su exactitud. En este caso
particular no interesa el dimetro sino su variabilidad. Se toma una
muestra de 61 rodajes y se calcul S
2
= 9.4mm
Construir un intervalo de confianza de 95% para
2

Asumiendo que la mquina trabaja propiamente si la varianza es de
8mm Respuesta a)6.77 < 2 < 13.93 b) Como calculado es 70.5,
/2 /2
2
/2,n-1
2
1-/2,n-1
Pgina 43 de 50
y cae en el intervalo de confianza de 95% podemos decir que a este
nivel de confianza la mquina trabaja con propiedad.
4. Se hace un anlisis qumico de una sustancia para determinar el
porcentaje de hierro contenido en ella. Se efecta 10 mediciones
obtenindosex = 30% S = 0.8%. Si el contenido de hierro se distribuye
normalmente, hallar un intervalo de confianza del 90 y 95% para
Respuesta :
a) 30% -1.833114*0.8%/3 30% + 1.833114*0.8%/3; [29.51%,30.49%]
b) 30% -2.262156*0.8%/3 30% + 2.262156*0.8%/3; [29.41%,30.51%]
Pgina 44 de 50
El problema del tamao de la muestra
Caso de Medias
En el caso de medias el intervalo de confianza est dado por
x - |z
/2
|/n x + |z
/2
|/n
Entonces, existe un error en la estimacin de por intervalos. Este error puede
definirse como |x - |
El mximo valor de est dado por
max
=x - = |z
/2
|/n
Entonces
2
max
= |z
/2
|
2
2
/n
De donde
n = z
2
/2
2
/
2
max

Caso de proporciones
En el caso de proporciones el intervalo de confianza est dado por
p -|z
/2
|
p
p + |z
/2
|
p
Haciendo un razonamiento similar al anterior, obtenemos
2
max
= |z
/2
|
2
2
p
n = z
2
/2
2
p
/
2
max
= (z
2
/2
)(1-)/
2
max

Como se ha visto anteriormente,
2
p
es igual a (1-)/n siendo desconocido,
pero la expresin y = (1-) tiene un mximo para = ,y =
Entonces
n z
2
/2
/(4
2
max
)
COMPARACIN DE MUESTRAS
Intervalos de Confianza para
1
-
2

Cuando se toman dos muestras al azar, independientes, de tamaos n
1
> 30 y
n
2
> 30, en virtud del Teorema del Lmite Central, la distribucin de la diferencia
de medias muestrales es aproximadamente normal, con
E[x
1
-x
2
] =
1
-
2
, Var[x
1
-x
2
] =
2
1
/n
1
+
2
2
/n
2

Conocido el coeficiente de confianza el intervalo ser
(x
1
-x
2
) - |z
/2
|(
2
1
/n
1
+
2
2
/n
2
)
1/2
<
1
-
2
< (x
1
-x
2
) + |z
/2
|(
2
1
/n
1
+
2
2
/n
2
)
1/2
Pgina 45 de 50
1
y
2
son conocidos.
Intervalos de Confianza para
1
-
2
Cuando se toman dos muestras al azar, independientes, de tamaos n
1
y n
2
suficientemente grandes, en virtud del Teorema del Lmite Central, la
distribucin de la diferencia de proporciones muestrales es aproximadamente
normal, con
E[p
1
- p
2
] =
1
-
2
; Var[p
1
p
2
] = [
1
(1-
1
)/n
1
+
2
(1-
2
)/n
2
]
Como
1
y
2
son desconocidos, usamos sus estimadores puntuales,
(p1p2) - |z
/2|[p1(1-p1)/n1 + p2(1-p2)/n2]
1/2
< 1 - 2 <(p1p2) + |z
/2|[p1(1-p1)/n1 + p2(1-p2)/n2]
1/2
Comparacin de Varianzas
Sean 2 poblaciones normales, con varianzas
1
2
y
2
2
, y extraemos dos
muestras, de la primera una de tamao n
1
y de la segunda una de tamao n
2
;
como,
Y
1
= (n
1
-1)S
1
2
/
1
2
2
(n
1
-1)
Y
2
= (n
2
-1)S
2
2
/
2
2
2
(n
2
-1)
En consecuencia, dividiendo entre los grados de libertad y hallando el cociente:
[Y
1
/(n
1
-1)]/[ Y
2
/(n
2
-1)] = [S
1
2
/
1
2
]/[ S
2
2
/
2
2
], vemos que:
[S
1
2
/
1
2
]/[ S
2
2
/
2
2
] sigue una distribucin F(n
1
-1,n
2
-1)
Pgina 46 de 50
ESTADSTICA II PROBLEMAS PROPUESTOS (1)
1. Cul es la probabilidad de obtener tres caras en cuatro lanzamientos
de una moneda correcta?
2. Cul es la probabilidad de extraer (con reemplazo) dos fichas rojas y
una amarilla de una urna que contiene un 20% de fichas rojas y 80% de
fichas amarillas?
3. Cul es la probabilidad de obtener tres ases al extraer cinco cartas de
una baraja si cada vez que se extrae una carta, esta se observa y se
devuelve a la baraja mezclando la baraja perfectamente antes de cada
extraccin?
4. Cul es la probabilidad de obtener cuatro artculos defectuosos en
cuatro extracciones sucesivas de un lote del que se sabe que el 10% de
los artculos es defectuoso?
5. Si se sabe que el 60% de los televidentes de una poblacin dada,
sintonizan un programa especfico, cul es la probabilidad de que mas
de la mitad de las personas de una muestra de cinco vean este
programa?
6. Calcular las siguientes probabilidades binomiales
Pr(k = 6; n = 15; p = 0.35) Pr(k >= 9; n = 18; p = 0.60)
Pr(k >= 5; n = 12; p = 0.25) Pr(k < 6; n = 14; p = 0.70)
Pr(k < 11; n = 20; p = 0.45) Pr(5<=k<=13; n = 20; p = 0.40)
Pr(k =< 2; n = 16; p = 0.06) Pr(1 < k < 5; n = 20; p = 0.12)
Pr(k = 18; n = 20; p = 0.95)
7. Calcular las probabilidades de Poisson
Pr( X = 2; = 0.2) Pr(X = 5; = 5)
Pr(X>=3; = 0.8) Pr(2< X <=6; = 2.4)
8. Se sabe que una mquina se descompone aleatoriamente, ocurriendo
una descompostura en promedio cada cinco das. Cuntas partes
deben tenerse en existencia para asegurar que la probabilidad de que
en un da dado haya mas descomposturas que refacciones sea menor al
uno por ciento?
9. En promedio los barcos llegan a un puerto aleatoriamente, a razn de
uno cada dos das. Cul es la probabilidad de que lleguen dos o mas
barcos en un mismo da?
10. Una computadora se descompone a razn de 0.05 veces por hora de
operacin, siendo necesario darle servicio de reparacin. Cul es la
probabilidad de que no ocurran descomposturas en un turno de 8
horas?. Cul es la probabilidad de que no ocurran descomposturas en
una semana de trabajo de 40 horas?. Suponga que las descomposturas
ocurren con una distribucin de Poisson.
Pgina 47 de 50
11. La variable aleatoria X se distribuye normalmente con media 50 y
desviacin estndar 20. Calcular las probabilidades de :
X >= 75 25< X < 45
X >= 55 35<= X <= 80
12. La pesca total de merluza frente a las costas de Paita ha sido en
promedio 100 millones de kilos anuales, con una desviacin estndar de
5 millones de kilos para los ltimos diez aos. En ese mismo periodo, la
pesca de merluza frente a Chimbote tuvo una media anual de 10
millones de kilos con una desviacin estndar de 2 millones de kilos. Si
el ao pasado se tuvo en Paita una pesca excepcional de 108 millones
de kilos, Cuntos kilos deberan pescarse en Chimbote para que esa
pesca tenga el mismo carcter de excepcional? Suponer que las
distribuciones son normales.
13. La calificacin promedio de un examen presentado por numerosos
alumnos fue de 80 puntos con una desviacin estndar de 6 puntos. Si
el profesor decide poner la calificacin MB al 10% de los alumnos, Cul
sera la puntuacin mnima necesaria para obtener un MB si la
distribucin de las puntuaciones es normal?
14. Una empresa comercial estima que el 3% de sus cuentas a crdito son
incobrables. Si en la actualidad tiene 200 cuentas a crdito Cul es la
probabilidad de que haya 8 ms incobrables?
15. El gerente de ventas de una empresa estima que el 60% de los
consumidores prefiere su producto a los productos de la competencia. Si
ese supuesto es correcto, y se extrae una muestra aleatoria de 100
consumidores, cul es la probabilidad de obtener menos de 54
personas que prefieran el producto?
16. El nmero de errores tipogrficos que aparecen en las pginas de un
peridico sigue una distribucin de Poisson. Un experto ha calculado
que el promedio de errores es de 1.5errores/pgina. Ud. toma un
peridico y examina 3 pginas y no descubre ningn error. Cul es la
probabilidad de obtener ese resultado en el muestreo?
Pgina 48 de 50
ESTADSTICA II PROBLEMAS PROPUESTOS (2)
1. El gerente de una revista semanal hizo un estudio de las ventas
semanales durante un ao. En ese periodo se tuvo una media de
556,000 ejemplares, con una desviacin estndar de 8,000 ejemplares.
- En la semana siguiente, Cul es la probabilidad de vender
menos de 552,000 ejemplares?
- Que cifra de ejemplares est seguro de vender con una
probabilidad de 99%?
2. Una mquina produce pines cuyo dimetro medio es de 0.300 pulgadas
con una desviacin estndar de 0.040 pulgadas si es que est bien
calibrada.
- Si la mquina est bien calibrada cual es la probabilidad de el
valor medio de una muestra de 4 est entre 0.29 y 0.304?
- Como se modifica su respuesta si el tamao de la muestra
aumenta de 4 a 16?
3. Se sabe que una poblacin tiene una media de = 85 y una desviacin
estndar de = 15
- Hallar la probabilidad de que la media de una muestra de tamao
36 est entre 83 a 87
- Hallar la probabilidad de que la media de una muestra de tamao
81 est entre 83 a 87
- Qu tamao debe tener la muestra para tener una seguridad del
95% de que la media caer entre 83 y 87?
4. Un aserradero produce tablones de cedro con un espesor promedio de
4.0mm. La desviacin estndar del proceso es de 0.2mm. Cada hora se
toma una muestra de 4 tablones y se mide su espesor, determinando
que el proceso es satisfactorio si el promedio est entre 3.7 y 4.3mm, en
otro caso, se para el proceso para calibrar las mquinas.
- Hallar la probabilidad de que se pare el proceso si el promedio
continua en 4.mm.
- Cul es la probabilidad de parar el proceso si el promedio
cambia a 4.2mm?; a 3.9mm?
5. En un fbrica con un gran grupo de operarios, se toma una muestra de
64 partes diarios de produccin, para estimar la media de la poblacin.
La muestra da un promedio de 136 con una desviacin estndar de 24.
Calcular un intervalo de confianza de 98% para la produccin media de
todos los operarios.
6. Se ha seleccionado una muestra aleatoria de 400 cuentas por cobrar
entre 2,000 cuentas deudoras. Se hall una media de $165.50 con una
desviacin estndar de $26.00 Hallar un intervalo de confianza de 95%
para la media poblacional. Interprete el resultado.
7. Qu tamao de muestra ser necesario para estimar el promedio de
vida de un nuevo tipo de lmpara con un margen de 24 horas si desea
tener un riesgo no mayor a de 1 en 20 de no estar en lo correcto?.
Experiencias anteriores indican que la desviacin estndar es de 100hrs.
8. Una encuesta revela que el 10% de una muestra de 2,500 familias
planea comprar un televisor durante el prximo ao. Establecer un
Pgina 49 de 50
Intervalo de confianza de 99% para la poblacin de 5 millones de
familias. Interprete esta prediccin
9. Se desea realizar una encuesta para estimar la proporcin de amas de
casa que prefiere un nuevo producto a uno tradicional. Se exige que el
error al estimar la proporcin sea menor a 4 puntos porcentuales, con
una confianza de 95%. El departamento de ventas considera que el 20%
de las amas de casa podran preferir el producto nuevo. Si cuesta $500
poner en marcha la encuesta y $5.00 cada entrevista, Cunto debera
costar toda la encuesta?
10. En un estudio del trabajo se observa a un operador de mquina en 100
momentos distintos. Se encuentra que realiza trabajo productivo en 80
de ellos.
- Hallar un intervalo de confianza para la proporcin de tiempo
productivo del trabajador. Interpretar el resultado.
- Cuantas observaciones se necesitan para estimar la verdadera
proporcin con un margen de error de 5 puntos porcentuales a un
nivel de confianza de 99%?
- Si el trabajador ha sido productivo el 70% cmo vara su
respuesta a la pregunta anterior?
11. El auditor de una tienda de departamentos tom una muestra aleatoria
de 64 estados de cuenta de tarjeta de crdito, observando que la deuda
promedio es de $28.00 con una desviacin estndar de $12.00 cuntos
estados de cuenta debera muestrear si desea estimar la deuda
promedio con un margen de error de $1.00 y una confianza de 95%?
12. Se extrajo una muestra de 50 alumnos de Sistemas y 50 alumnos de
Contabilidad, tomndoles la misma prueba de conocimiento de ingls.
Los resultados fueron:
Sistemas Contabilidad
x 73.6 72.4
S 10.0 8.0 .
Hallar un intervalo de confianza del 90% para la diferencia de la real
puntuacin media. Interprete el resultado.
13. 300 mujeres de una muestra al azar de 600 indican estar de acuerdo
con la fertilizacin in vitro, mientras que 100 hombres de una muestra de
400 indican lo mismo. Hallar intervalos de confianza de 90% y 95% para
la diferencia de proporciones, interpretando los resultados.
14. Una muestra de 25 alambres de acero de 1 pulgada de dimetro ha sido
extrada al azar de una remesa muy grande y ha sido ensayada en
laboratorio de resistencia de materiales. Se determin una resistencia
media a la traccin de 1,500lbs. Con una desviacin estndar de 20lbs.
Calcular intervalos de confianza de 90% y 95% para la media y varianza
poblacionales. Interpretar los resultados.
xx
Pgina 50 de 50

Variables Aleatorias

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Variables Aleatorias

Cargado por

Copyright:

Formatos disponibles

Autor: M Sci. Mat.

Abel Barrantes Herrera

Funciona Funciona Funciona Funciona

Funciona Funciona Funciona

< < <

En este modelo debe tenerse que :

Si la probabilidad pedida fuera de exactamente 2 fallados en los 20 elegidos

tiene una distribucin

tiene una distribucin

que maximiza L ese es el estimador mximo

si tenemos una muestra

Ntese que el estimador de mxima verosimilitud de la varianza no es

y el mtodo de calcularlo, podemos saber si este

para sustituir , porque, siempre

una variable aleatoria, las caractersticas bsicas de su distribucin

extendindose que cuanto mas pequeo sea

mas precisa ser la

que es una variable aleatoria. Este intervalo

tiene una distribucin

tiene una distribucin

También podría gustarte