Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ALEATORIO
Julian de la Horra
Departamento de Matematicas U.A.M.
Introducci
on
k
k
X
1X
fi xi
ni xi =
n i=1
i=1
k
k
X
1X
2
Varianza muestral = vx =
fi (xi x)2
ni (xi x) =
n i=1
i=1
k
X
xi P (xi )
i=1
k
X
i=1
k
X
i=1
<
xf (x)dx
<
= V (X) =
<
Z
<
x2 f (x)dx (E[X])2
Modelo discreto
Modelo continuo
F. de Prob.=P (xi )
F. de densidad=f (x)
Media del modelo:
Media del modelo:
R
Pk
i=1 xi P (xi )
< xf (x)dx
Varianza del modelo: Varianza del modelo:
R
Pk
2
2
i=1 (xi E[X]) P (xi )
< (x E[X]) f (x)dx
f (x)dx =
1
2
Modelos de probabilidad m
as importantes
X=
P (X = 1) = p
para x = 0, 1.
V (X) =
Definici
on.- Realizamos n pruebas de Bernoulli independientes, con
P (E) = p en cada prueba. El modelo binomial con parametros n y p,
que representaremos abreviadamente por B(n; p), es el modelo de probabilidad de la variable aleatoria X = N
umero de exitos obtenidos en las n
pruebas. Los valores posibles para esta variable son x = 0, 1, . . . , n, y su
funcion de probabilidad es:
P (x) =
n
x
px (1 p)nx
para x = 0, 1, . . . , n
El hecho de que una variable aleatoria X tenga distribucion B(n; p) lo representaremos abreviadamente por X B(n; p). El mismo tipo de notacion
se utilizara para otros modelos de probabilidad.
La esperanza y la varianza de una variable aleatoria con distribunion
binomial se obtienen facilmente utilizando las propiedades de las esperanzas
y las varianzas. Para esto, definimos:
(
Xi =
(i = 1, . . . , n)
De esta forma, tenemos que X1 , . . . , Xn son variables aleatorias independientes con distribucion de Bernoulli y, ademas, X = X1 + . . . + Xn . Por lo
tanto:
E[X] = E[X1 + . . . + Xn ] = E[X1 ] + . . . + E[Xn ] = p + . . . + p = np
V (X) = V (X1 + . . . + Xn ) = V (X1 ) + . . . + V (Xn ) = p(1 p) + . . . +
p(1 p) = np(1 p)
Calcular probabilidades correspondientes a la distribucion binomial no
es nada complicado mediante una calculadora. Puede utilizarse tambien la
tabla correspondiente a esta distribucion.
El modelo de Poisson es otro de los modelos mas utilizados en Probabilidad y Estadstica. La forma mas sencilla e intuitiva de presentarlo es como
lmite de la distribucion binomial B(n; p), cuando n y p 0. Veamos,
para esto, cual es el lmite de las probabilidades binomiales, cuando n ,
p 0 y np (0 < < ):
lim
n
x
px (1 p)nx = lim
n(n 1) . . . (n x + 1) x
p (1 p)nx
x!
6
n(n 1) . . . (n x + 1)
(np)x (1 p)nx
x!nx
1 nn1
nx+1
(1 p)n
...
(np)x
= lim
x! n n
n
(1 p)x
e x
=
x!
= lim
e x
x!
para x = 0, 1, . . .
X
X
X
e x
x
P (x) =
= e
= e e = 1
x!
x!
x=0
x=0
x=0
Ya que hemos presentado el modelo de Poisson como lmite del modelo
binomial, es fundamental comprender en que situaciones nos encontraremos,
de manera aproximada, con el modelo de Poisson: decir que n lo entenderemos, intuitivamente, como que n es grande, y decir que p 0 lo
entenderemos como que p es proximo a cero. Por tanto, cuando nos encontremos con un modelo binomial con las circunstancias indicadas, lo podremos
sustituir por el correspondiente modelo de Poisson, tomando = np (a ttulo
orientativo, digamos que esta sustitucion puede resultar aconsejable cuando
n 30, p 00 1 y np 10). Veamos algunos ejemplos en los que surge,
de manera natural, la distribucion de Poisson como modelo de la variable
aleatoria considerada:
X=N
umero de erratas por pagina en un libro.
X=N
umero de asegurados en una compa
na que han declarado alg
un
siniestro en un a
no.
En resumen, digamos que la distribucion de Poisson es un modelo bastante razonable cuando estamos interesados en estudiar el n
umero de exitos
obtenidos en un n
umero grande de pruebas independientes de Bernoulli, y la
probabilidad de exito, cada vez que se repite la prueba, es peque
na.
V (X) = lim(np)(1 p) =
1 x
1
f (x) = exp
2
2
2 #
X1 + . . . + Xn N = 1 + . . . + n ; =
X1 X2 N = 1 2 ; =
12 + . . . + n2
12 + 22
P (X > 7) = P
75
X 5
>
= P (Z > 0, 50) = 0, 30854.
4
4
1 5
X 5
75
P
<
<
4
4
4
0
0
P (1 50 < Z < 0 50)
1 P (Z < 10 50) P (Z > 00 50)
1 P (Z > 10 50) P (Z > 00 50)
1 00 06681 00 30854 = 00 62465.
P (1 < X < 7) =
=
=
=
=
f (x) =
ex para x > 0
0
en el resto
V (X) =
1
2
X=
Bernoulli (p)
daremos al parametro (con una o varias componentes) que identifican el modelo de probabilidad con el que estamos trabajando.
El modelo de probabilidad es conocido, pero nos falta por conocer el valor
del parametro .
Definici
on (modelizaci
on de la muestra).- Una muestra aleatoria
(o muestra aleatoria simple) de tama
no n de una caracterstica X de una
poblacion modelizada con una funcion de masa P (x) (en el caso discreto) o
con una funcion de densidad f (x) (en el caso continuo) es un conjunto de
observaciones (X1 , . . . , Xn ) donde:
1. Cada observacion Xi es representativa de la poblacion de procedencia
(los valores mas frecuentes en la poblacion apareceran con mas frecuencia en la muestra).
Esto se formaliza diciendo que el modelo de probabilidad de cada observacion Xi es el modelo de la caracterstica X que estamos estudiando
en la poblacion.
2. Las observaciones X1 , . . . , Xn son independientes. Intuitivamente,
esto significa una de las dos siguientes cosas:
(a) El muestreo se realiza con reemplazamiento.
(b) El muestreo se realiza sin reemplazamiento, pero el tama
no muestral es peque
no en comparacion con el tama
no de la poblacion, de
modo que, en la practica, es como si fuera con reemplazamiento.
12
Definici
on.- Un estadstico es una funcion T de la muestra aleatoria
(X1 , . . . , Xn ), que utilizaremos como resumen de esa muestra.
Algunos de los estadsticos mas utilizados en todo tipo de situaciones son
los siguientes:
=
Media muestral=X
1
n
Pn
Varianza muestral=VX =
i=1
1
n
Xi
Pn
i=1 (Xi
Cuasi-varianza muestral=S 2 =
1
n1
2=
X)
1
n
hP
n
i=1
2
i=1 (Xi X) =
Pn
2
Xi2 nX
1
n1
hP
n
i=1
2
Xi2 nX
2
n
3. E[S 2 ] = 2
4. E[VX ] =
n1 2
13