Documentos de Académico
Documentos de Profesional
Documentos de Cultura
II.
III.
CARACTERSTICAS
EJERCICIOS:
Jos
Pedro
Luis
Premio
Premio
Premio
Premio
Premio
Premio
Motor
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
ALA Derecha
Motor
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Motor
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
Funciona
0 P(A) 1
P() = 1
, entonces
i 1
i 1
P(Ai ) P( Ai )
En general
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 )
k
P (U Ai ) P ( Ai )
i
i 1
P( A A )
i j 2
i j r 3
P ( Ai A j Ar ) L (1) k 1 P ( A1 A2 L Ak )
Pr( X X ) 1
i
E ( X ) X i Pr( X X i )
i
E ( X 2 ) X i2 Pr( X X i )
i
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
= 0.00000081
Pr{X = xi}
0.00000081
0.00010476
0.00508086
0.10952076
0.88529281
1.00000000
f(x) 0
Pr( a X b) f ( x )dx
f ( x) dx 1
b
E ( X ) xf ( x )dx
E ( X 2 ) x 2 f ( x) dx
F ( X ) Pr( X x) f (u )du
DISTRIBUCIN BINOMIAL
Esta distribucin est referida a un experimento con dos nicos posibles
resultados:
20
0.6 k * 0.4 20 k
k 11 k
k 20
10
Fig. 2
11
12
13
14
15
16
17
18
19
20
0,20
0,15
0,10
0,05
0,00
0,0
2,5
5,0
7,5
10,0
e 0. 5 * 0 .5 0
1 e 0.5 0.3935
0!
DISTRIBUCIN HIPERGEOMETRICA
Partimos de una poblacin de n elementos, divididos en dos clases, n 1
pertenecen a la primera y n2 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
n1 n 2
k1 m k1
Pr( k1 , m k1 )
n1 n 2
20 0
Pr( 20,0)
0.067
50
20
Si la probabilidad pedida fuera de exactamente 2 fallados en los 20 elegidos
45 5
18 2
Pr( 20,0)
50
20
DISTRIBUCION EXPONENCIAL
Una variable aleatoria X tiene una distribucin exponencial si su funcin
densidad de probabilidad esta dada por:
f ( x) e x
notemos que
i)
e dx 1
x
ii) E ( X ) 1/
2
iii) Var ( X ) 1/
a
iv) Pr[ 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 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
y =normal(x;10;3)
p =inormal(x;10;3)
1,0
0,15
0,9
0,12
0,8
0,7
0,09
0,6
0,5
0,06
0,4
0,3
0,03
0,2
0,1
0,00
4
3
6
5
8
7
10
9
12
11
14
13
16
15
18
17
0,0
9 10 11 12 13 14 15 16 17 18
y =normal(x;10;4)
p =inormal(x;10;4)
0,15
1,0
0,12
0,8
0,09
0,6
0,06
0,4
0,03
0,00
0,2
4
3
6
5
8
7
10
9
12
11
14
13
16
15
18
17
0,0
9 10 11 12 13 14 15 16 17 18
y =normal(x;0;1)
p =inormal(x;0;1)
1,0
0,60
0,8
0,45
0,6
0,30
0,4
0,15
0,2
0,00
-3,50
-1,75
0,00
1,75
3,50
0,0
-3,50
-1,75
0,00
1,75
3,50
1,75
3,50
y =normal(x;0;1)
p =inormal(x;0;1)
0,60
1,0
0,8
0,45
0,6
0,30
0,4
0,15
0,2
0,00
-3,50
-1,75
0,00
1,75
3,50
0,0
-3,50
-1,75
0,00
ii)
iii)
iv)
v)
vi)
10
20
30
40
0,18
0,14
0,10
0,06
0,02
-0,02
10
20
30
40
0,14
0,10
0,06
0,02
-0,02
10
20
30
40
10
20
30
40
10
20
30
40
0,22
0,18
0,14
0,10
0,06
0,02
-0,02
10
20
30
40
30
40
0,14
0,10
0,06
0,02
-0,02
10
20
10
20
30
40
30
40
10
20
y =chi2(x;8)
p =ichi2(x;8)
0,175
1,0
0,8
0,131
0,6
0,087
0,4
0,044
0,2
0,000
0,00
6,25
12,50
18,75
25,00
0,0
0,00
6,25
12,50
18,75
25,00
iii)
iv)
v)
vi)
vii)
2
i
y =F(x;14;8)
p =iF(x;14;8)
1,500
1,0
0,8
1,125
0,6
0,750
0,4
0,375
0,2
0,000
0,0
Propiedades de la distribucin F
i)
ii)
iii)
iv)
t
2
2
n
La distribucin t-student con n-1 grados de libertad tiene una funcin densidad:
f (t )
2
n 1
(n 1)
t2
1
n 1
n
2
Propiedades:
i)
La variable t vara de - a
ii)
iii)
iv)
As E ( )
En el caso de la media E[ X ] = 1/nE[x1+x2+ ... + xn] = 1/n(n) =
En el caso de la varianza tenemos:
Sea
1 n
S 2 ( xi x ) 2
n 1
1 n
S 2 xi2 x 2
n 1
E (S 2 )
1 n
E ( xi2 ) E ( x 2 )
n 1
E ( S 2 ) E ( xi2 ) E ( x 2 )
E ( S 2 ) Var ( xi ) E ( xi ) Var ( x ) E ( x )
2
E ( S ) 2 2 2 / n 2 ( n 1) / n
S2
1 n
( xi x ) 2
n 1 1
1. Var ( ) 0 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
Eficiencia Re lativa
Var ( 2 )
Var ( 1 )
Pr( p 0.3 | 0 )
10
3
7
0 1 0
3
Buscamos el valor de 0 que maximiza L ese es el estimador mximo
verosmil
L( 0 )
La funcin L( X 1 , X 2 , , X n , ) f ( X 1 , ) f ( X 2 , ) f ( X n , ) representa la
probabilidad Pr( X X 1 , X X 2 , , X X n ) cuando X es discreta.
Si X es continua representa la funcin densidad de probabilidad
conjunta de ( X 1 , X 2 , , X n )
Para obtener el estimador mximo verosmil resolvemos la ecuacin de
verosimilitud
Ln L( X 1 , X 2 ,L , X n , ) 0
cuando deseamos estimar 2 parmetros 1 , 2 debemos resolver
Ln L( X 1 , X 2 ,L , X n ,1 , 2 ) 0; i 1, 2
i
y as sucesivamente.
Ejemplos
1.
T
L(T1 , T2 ,L , Tn , ) n e i
Tomando logaritmos
T
Ln[ L(T1 , T2 ,L , Tn , )] Ln[ ne i ]
con
1
f ( x)
e 2
2
entonces;
( x1 , x2 ,..., xn ) ;
L( x1 , x2 ,..., xn , , )
1
2
n
2
1 xi
n
1 x
Ln( L) Ln(2 2 ) i
2
2
Tomando logaritmos:
( Ln( L))
( Ln( L))
0;
0
Resolviendo
se obtiene
1
1
xi ( xi x ) 2
n
n
y
Ntese que el estimador de mxima verosimilitud de la varianza no es
insesgado.
| | k
k k
Pr{ k k } 1
que es la expresin general de un estimador de confianza simtrico de , tal
que:
1 expresa el Nivel de Confianza
inferior dependen del valor de que es una variable aleatoria. Este intervalo
y =normal(x;0;1)
p =1-2*(1-inormal(0+abs(x-0);0;1))
0,60
1,0
0,8
0,45
0,6
0,30
0,4
0,15
0,2
0,00
-3,50
-1,75
0,00
1,75
3,50
0,0
-3,50
-1,75
0,00
1,75
3,50
Var ( p ) Var[
1
x1 x2 L xn ]
n
1
Var ( x1 ) Var ( x2 ) L Var ( xn )
n2
1
Var ( p ) 2 [n (1 )]
n
(1 )
Var ( p )
n
(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
X x1 x2 L xn
, donde xi = 0 1
E ( X ) E x1 x2 L xn
donde xi 1, o, xi 0
Var ( p )
E ( X ) E ( x1 ) E ( x2 ) L E ( xn )
E( X ) L
E ( X ) n
Var ( X ) Var[ x1 x2 L xn ]
]
2 n 1 2
2
2
S2
(n 1) S 2
2
tiene una distribucin 2(n-1)
(n 1) S
Y
n
2
Como
tiene una distribucin 2(n-1) y
(x )
(x )
S
Y
S
n
n , que sigue
Entonces al dividir
entre n 1 , obtenemos
una distribucin t-student con n-1 grados de libertad.
2
Ejemplo
Sea una poblacin normal con media = 50 y varianza desconocida.
a) Supongamos que una muestra de n = 9 tiene una varianza muestral
S2 = 36 Cul es la probabilidad de que X > 54?; de que X<44?; de
que 45< X < 55?
b) Cmo varan sus respuestas si n = 36?
Solucin :
_
(x )
S
n sigue una distribucin t-student con n-1 grados de libertad,
a) Como
reemplazando, tenemos[54 50]/[6/3] = 2, Pr = 1 - 0.959742, entonces
Pr = 0.040258
y =student(x;8)
p =istudent(x;8)
0,500
1,0
0,8
0,375
0,6
0,250
0,4
0,125
0,2
0,000
-3,50
-1,75
0,00
1,75
0,0
3,50
-3,50
-1,75
0,00
1,75
3,50
y =student(x;8)
p =istudent(x;8)
0,500
1,0
0,8
0,375
0,6
0,250
0,4
0,125
0,2
0,000
-3,50
-1,75
0,00
1,75
3,50
0,0
-3,50
-1,75
0,00
1,75
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
3,50
y =student(x;8)
p =istudent(x;8)
0,500
1,0
0,8
0,375
0,6
0,250
0,4
0,125
0,2
0,000
-3,50
-1,75
0,00
1,75
3,50
0,0
-3,50
-1,75
0,00
1,75
3,50
0,35
0,25
0,15
0,05
/2
2 -z
-0,05
-3,0
/2
z/2
/2
-1,5
0,0
1,5
2
3,0
0,35
0,25
0,15
0,05
-0,05
/2
/2
2
-t
2
t
/2
-3,0
/2
-1,5
0,0
1,5
3,0
0,09
0,07
0,05
0,03
0,01
/2
2
-0,01
0,0
/2
2/2,n-1
2
1-/2,n-1
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 hallando x = $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 :80023.52
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: 0.160.042
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 S2 = 9.4mm
2
Construir un intervalo de confianza de 95% para
Comparacin de Varianzas
Sean 2 poblaciones normales, con varianzas 12 y 22, y extraemos dos
muestras, de la primera una de tamao n 1 y de la segunda una de tamao n 2;
como,
Y1 = (n1-1)S12/12 tiene una distribucin 2(n1-1)
Y2 = (n2-1)S22/22 tiene una distribucin 2(n2-1)
En consecuencia, dividiendo entre los grados de libertad y hallando el cociente:
[Y1/(n1-1)]/[ Y2/(n2-1)] = [S12/12]/[ S22/22], vemos que:
[S12/12]/[ S22/22] sigue una distribucin F(n1-1,n2-1)
Pr(k >= 9;
n = 18; p = 0.60)
Pr(k <
n = 14; p = 0.70)
6;
Pr( X = 2; = 0.2)
Pr(X = 5; = 5)
Pr(X>=3; = 0.8)
X >= 75
25< X < 45
X >= 55
35<= X <= 80