Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FACULTAD DE CIENCIA
DEPARTAMENTO DE MATEMÁTICA Y CIENCIAS DE LA COMPUTACIÓN
Ejemplos: n
X i
1. Media muestral: X i 1
n
X
n
2
i X
2. Varianza muestral: S 2 i 1
(pronto veremos por qué dividir por n-1)
n 1
3. Máximo de la muestra:
X n maxX 1 , X 2 ,..., X n
FRANCISCO VALENZUELA ROJAS 1
CONCEPTO DE MUESTRA ALEATORIA
Si X 1 , X 2 ,..., X n son n variables aleatorias independientes, donde cada una de ellas
2
DISTRIBUCIÓN DE LA MEDIA
E X i y Var X i 2 , entonces
1 n 1 n
E X E X i E X i n
1
n i 1 n i 1 n
1 n 1 2
n
Var X i 2 n
1
Var X Var X i 2 2
n i 1 n i 1 n n
X i
X i 1
n
2
Tiene distribución normal, con media X y varianza
2
X
n
Solución:
X = peso específico de un metal X ~ N , 2
0,04 gramos 2
2
X ~ N ,
2 0,04 2
2
gramos Z ~ N 0,1, Z
X
25 n
P X 0,02 P 0,02 X 0,02
0,02 X 0,02
P
Estandarizando
0,04 25 n 0,04 25
P 2,5 Z 2,5
2,5 2,5
0,9938 0,0062
0,9876
FRANCISCO VALENZUELA ROJAS 5
2. Si X 1 , X 2 ,..., X n es una muestra aleatoria de tamaño n de una distribución
normal con media µ y varianza σ2, entonces
Xi
Zi son n variables aleatorias normales estándar independientes, y
Xi
n n 2
Z i
2
i 1
tiene una distribución ji cuadrada (χ2 ) con υ=n grados de
i 1 libertad.
n 1S X i X
2
2 n 1 n
~ n21 ,donde (varianza
2
S
2
Xi X
2 n 1 i 1 Muestral)
i 1
a) Mayor a 9,1
b) Entre 3,462 y 10,745
Solución:
n 1S 2 ~ 2
a) Como sabemos que n 1 , tenemos que:
2
Z
T tiene distribución t con υ grados de libertad
W
Aplicación importante: X 1 , X 2 ,..., X n m.a. (n), X i ~ N , 2
Entonces Z
X
~ N 0,1 . Por teorema anterior, W
n 1 S 2
~ n21
n 2
En consecuencia:
X
Z n X (usamos la distribución T para realizar
T ~ t n 1
W n 1S 2 S n inferencia sobre la media de la población,
cuando tenemos varianza poblacional
2 desconocida).
n 1
FRANCISCO VALENZUELA ROJAS 9
GRÁFICO DE LA DISTRIBUCIÓN T, PARA DIFERENTES GRADOS DE LIBERTAD
Y SU RELACIÓN CON LA DISTRIBUCIÓN NORMAL ESTÁNDAR
1 1
2 2
2 t
f (t )* 1
, recuerde que x 1e x dx
0
2
N(0,1)
v2
v 1
Solución:
X = contenido de nicotina (mg) X ~N(µ,σ2) (note que media y
varianza son desconocidas)
X
S 0,175mg T ~ t161
S n
X
P X 0,1 P
0,1
S n 0,175 16
Pt1 ;15 2,286
1 Pt1 ;15 2,286
1 0,9825
0,0175
FRANCISCO VALENZUELA ROJAS 12
5. Si W1 y W2 son variables aleatorias independientes, cada una con distribución
χ2 con ν1 y ν2 grados de libertad, respectivamente, se tiene que
n 1S X2 n 1
W X 2
S X2 Y2 S X2 Y2
F 1 1 2 2 2 2 ~ Fn 1,m1
W2 2 m 1SY2 X S Y SY X
m 1
Y2
1
Teorema: F ; 1 ; 2
F1 ; 2 ;1
FRANCISCO VALENZUELA ROJAS 13
FRANCISCO VALENZUELA ROJAS 14
FRANCISCO VALENZUELA ROJAS 15
FRANCISCO VALENZUELA ROJAS 16
Ejemplo: Si S12 y S22 representan las varianzas de muestras aleatorias independientes
de tamaño n1=25 y n2 = 31, que se toman de poblaciones normales con varianzas
S12 S12 22
Solución: P 2 1,26 P 2 2 1,26
15
2
PF1 ; 24;30 2,835
S S 2
10
2 2 1
1 0,995 0,005
f 0,95;7;15 2,71 1 1
f 0,01; 28;12 0,3453
f 0,95;15;7 3,5108 f 0,99;12; 28 2,8959
f 0,99;24;19 2,9249
1 1
f 0,05;19; 24 0,4730
f 0,95; 24;19 2,1141
FRANCISCO VALENZUELA ROJAS 17
TEOREMA CENTRAL DEL LÍMITE
Ejemplo: Una máquina de refrescos está arreglada, de tal modo que la cantidad
de bebida que sirve es una variable aleatoria con una media de 200 ml y una
desviación estándar de 15 ml. ¿Cuál es la probabilidad de que la cantidad promedio
servida en una muestra aleatoria de tamaño 36 sea al menos 204 litros?
Solución:
P X 204 P Z
204 200
15 36
PZ 1,6 1 1,6 1 0,9452 0,0548
FRANCISCO VALENZUELA ROJAS 18
Interpretación gráfica del Teorema Central del límite:
25000
20000
15000
10000
5000
0 Frecuencia
Clase
80
60
40
20
0 Frecuencia
Clase
100
0
20
40
60
80
100000
150000
200000
250000
0
50000
0
0.516129032
1.032258065
1.548387097
2.064516129
2.580645161
3.096774194
3.612903226
4.129032258
4.64516129
5.161290323
5.677419355
6.193548387
6.709677419
Clase
7.225806452
7.741935484
8.258064516
Clase
8.774193548
(λ=4)
9.290322581
9.806451613
10.32258065
10.83870968
11.35483871
donde X~Poisson(λ=4)
11.87096774
12.38709677
12.90322581
13.41935484
13.93548387
Distribución de la media muestral X,
14.4516129
14.96774194
15.48387097
y mayor...
Histograma de una Distribución de Poisson
Interpretación gráfica del Teorema Central del límite:
Frecuencia
Frecuencia
X i
número de éxitos
Definiendo la proporción muestral pˆ i 1
, se tiene que:
n n
n X i 1 n X i 1 p1 p
E pˆ E i 1 np p y Var pˆ Var i 1 2 np1 p
n n n n n
Utilizando el Teorema Central del límite, se tiene que la proporción muestral
n
X i
p (1 p )
pˆ i 1
~ N p, , para n suficientemente grande.
n n
pˆ p
En consecuencia, Z ~ N 0,1 , para n suficientemente grande.
p(1 p)
n FRANCISCO VALENZUELA ROJAS 21
ANEXO: DEDUCCIÓN DE LA DISTRIBUCIÓN T
Z ~ N 0,1
Z
Se define la variable aleatoria T como T , donde
W
y W ~ v2 . Necesitamos obtener la distribución de la variable aleatoria T.
1
z2
1
v 2 1 w 2
f Z ,W z , w
2
e w e
2 2 v 2
v 2 , z , w 0
0 , e.o.c
Z R
T Z T
W
Definiendo Despejando Z y W
R W W R
r
fT , R t , r f Z ,W t , r J J Es el Jacobiano de la Transformación,
v dado por:
z z
r t
J t r r
w w 2 r
0 1
t r
Por lo tanto:
r
fT , R t , r f Z ,W t , r J
1 t 2r
1 1 r
2 1 r 2
e 2
r e
2 2 2 2
r t 2
1
fT , R t , r
1 2 2 1
e r r
2 2 2
2
r t 2
1
fT t f t , r dr
1 2 2 1
2
2
e r r dr
2 2
T ,R
0
Re c R
r t2 ds
Haciendo el cambio de variable s 1 dr
2 1 t 2
1
2
2s
Además, 2
r De donde podemos escribir:
t
1
FRANCISCO VALENZUELA ROJAS 24
Luego, la integral anterior puede reescribirse como:
r t2
1
f T t f T , R t , r dr
1 2 2 1
Rec R 2 2 2
2 0
e
r r dr
1
1
2s
1 1
2
2
e s 2 1 t 2
ds
1 t
2
2 2
0 2
1
1
1 t 2
2 1
2
e 1
s
22 2 s 2 2
ds
2 2 2 0
1
1
1 t 2
2 1
1
2
0
s 2
e s ds
1
1
2 2
1 t
1
2 2
1 1
Finalmente:
t2 2
fT t
2
T ~ T 1
2
FRANCISCO VALENZUELA ROJAS 25