Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inferencia S1-2
Inferencia S1-2
Stalyn Guerrero1
1
Msc Ciencias estadística universidad nacional sede Bogotá
1 Variables Aleatorias
Introducción
Deniciones y convenciones.
Ejemplos
Ejercicios
2 Distribuciones discretas
Ejercicios
3 Distribuciones continuas
4 Percentiles
Ejercicios
Ejemplo
Sea X la tasa de desempleo en Colombia para el siguiente mes.
Ejemplo
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna que
contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria: Y :
Número de bolas rojas.
Ω Y P (Y = y )
RR 2 2/7
RN 1 2/7
NR 1 2/7
NN 0 1/7
Ejemplo
Se sacan 2 bolas de manera sucesiva sin reemplazo, de una urna que
contiene 4 bolas rojas y 3 negras. Se dene la variable aleatoria: Y :
Número de bolas rojas.
Ω Y P (Y = y )
Y P (Y = y )
RR 2 2/7
0 1/7
RN 1 2/7 =⇒
1 4/7
NR 1 2/7
2 2/7
NN 0 1/7
Ejemplo
Se lanzan dos dados simultáneamente ¾Cuál es el espacio muestral ?
Ejemplo
Se lanzan dos dados simultáneamente ¾Cuál es el espacio muestral ?
Una forma de clasicar a las variables aleatorias es según los valores que
toman:
• Las variables discretas son aquellas que toman valores en un conjunto
nito o enumerable1 .
• Las variables continuas son aquellas que toman valores en un
intervalo, entendiendo que el conjunto de los números reales R es un
intervalo de la forma (−∞, ∞).
1
Un conjunto A es enumerable cuando existe una función inyectiva que tiene como
Denición (Parámetro)
Un parámetro de distribución es aquel valor jo que dene la forma
funcional de una distribución de probabilidad.
P (X ≤ xi ) = Fx (xi )
Denición
Se llama esperanza matemática o valor medio de la función G (X ) de la
variable aleatoria X , a la expresión
n
X
E (G (X )) = G (xi ) P (X = xi )
i=1
con α1 = E (X )
E (X + Y ) = E (X ) + E (Y ).
XX
E (X + Y ) = (xi + yj ) P (xi , yj )
i j
X X
= (xi ) P (xi , yj ) + (yj ) P (xi , yj )
i j
=E (X ) + E (Y )
Denición (Varianza)
Se llama varianza de una v.a. X al momento centrado de segundo orden. Se
representa por σ2 o por σ2 (X ) o por σX2 o sea
n
2 2
Var (X ) = σX2 = E (X − α1 ) =
X
(xi − α1 ) P (X = xi )
i=1
Denición (Varianza)
Se llama varianza de una v.a. X al momento centrado de segundo orden. Se
representa por σ2 o por σ2 (X ) o por σX2 o sea
n
2 2
Var (X ) = σX2 = E (X − α1 ) =
X
(xi − α1 ) P (X = xi )
i=1
Denición
El número no negativo de σ, raíz cuadrada de la varianza, se llama desviación
típica o desviación standard de la variable aleatoria X
p
σX = Var (X )
Var (X ) = E (X ) − E (X ).
2 2
n
X n
X
(xi − α1 )2 P (X = xi ) = xi2 + 2xi α1 − α12 P (X = xi )
Var (X ) =
i=1 i=1
n
X n
X n
X
= xi P (X = xi ) + 2α1
2 2
xi P (X = xi ) − α1 P (X = xi )
i=1 i=1 i=1
= E X 2 − α2 = E X 2 − E 2 (X )
Cov (X , Y ) = E ((X − α1 ) (Y − β1 ))
X
= ((xi − α1 ) (yj − β1 )) p (X = xi , Y = yj )
i,j
Propiedades
• Cov (X , Y ) = 0, únicamente cuando X e Y son v.a. independientes.
• Cov (X , Y ) = E (XY ) − E (X ) E (Y )
• Cov (aX , bY ) = abCov (X , Y ), para a y b número reales.
• Cov (X + a, Y + b) = Cov (X , Y )
• Var (X ± Y ) = Var (X ) + Var (Y ) ± 2Cov (X , Y ) únicamente en el
caso que X e Y sean dependientes.
• | Cov (X , Y ) |≤ σX σY
Denición
La función generatriz puede denirse igualmente para variables aleatorias
con una innidad numerable de valores.
n
X
xt
e xt fX (xi )
MX (t) = E e =
i=1
Observe que:
• MX (0) = ni=1 fX (xi ) = 1.
P
se deduce que
n
X
φX (w ) = e iwxj fX (x)
j=1
E (H (X ))
P (H (X ) ≥ K ) ≤ .
K
σ2
P (| X − α1 |≥ k1 ) ≤
k12
Ejemplo
En una maquina que procesa alimentos, todos los paquetes de una libra de
chocolate tiene un peso medio de 8 onzas con una desviación estándar de
0,02 onzas ¾Qué porcentaje de los paquetes como mínimo, debe contener
entre 7.8 y 8.2 onzas de chocolate?
Solución
Lo primero es abstraer la información que entrega el problema. Ahora note
que
1 1
P (| X − α1 |≥ kσ) ≤ = P (| X − α1 |< kσ) > 1 − 2
k2 k
Solución
Lo primero es abstraer la información que entrega el problema. µ = 8,
σ = 0,02 y 8,2−2 7,8 = 0,2, luego kσ = 0,2 ⇒ k = 10. Ahora note que
1 1
P (| X − α1 |≥ kσ) ≤ 2
= P (| X − α1 |< kσ) > 1 − 2
k k
de donde se sigue que
1
P (| X − 8 |< 0,2) >1 − = 0,99
100
Guerrero. S. (UNAL) Semana 1. 24 / 87
Ejemplos
Solución
Solución
X 2 3 4 5 6 7 8 9 10 11 12
1 2 3 4 5 6 5 4 3 2 1
P (X = xi ) 36 36 36 36 36 36 36 36 36 36 36
Solución
Solución
X 2 3 4 5 6 7 8 9 10 11 12
P (X = xi ) 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
P (X ≤ xi ) 1 3 6 10 15 21 26 30 33 35 36
36 36 36 36 36 36 36 36 36 36 36
Solución
Solución
X 2 3 4 5 6 7 8 9 10 11 12
P (X = xi ) 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
xi P (X = xi ) 362 366 12 36
20
36
30
36
42
36
40
36
36
36
30
36
22
36
12
36
xi2 P (X = xi ) 364 18
36
48
36
100
36
180
36
294
36
320
36
324
36
300
36
242
36
144
36
E (X ) = 7, E X 2 = 1974 y
36
1974
Var (X ) = − 72 = 5,83333
36
Solución
Solución
Sean X e Y las variables aleatoria que representan el número sacado de la
urnas.
Solución
Solución
(
1
10
si y = 1, 2, . . . , 10
P (X = xi ) = P (Y = yi ) =
0 e.o.c.
Solución
Solución
E (Z ) = E (X + Y ) = E (X ) + E (Y )
10 10
X X
= xi P (X = xi ) + yi P (Y = yi )
i=1 i=1
11 11
= + = 11
2 2
Solución
Solución
E (Z ) = E (X × Y ) = E (X ) × E (Y )
10 10
X X
= xi P (X = xi ) × yi P (Y = yi )
i=1 i=1
11 11 121
= × =
2 2 4
Ejemplo
En una lotería hay 300 premios de $150, 50 premios de $750 y 5 premios
de $3000. Supongan que se colocan a la venta 10.000 boletos. ¾Cuál es el
precio justo que se debe pagar por un boleto?
Ejemplo
En una lotería hay 300 premios de $150, 50 premios de $750 y 5 premios
de $3000. Supongan que se colocan a la venta 10.000 boletos. ¾Cuál es el
precio justo que se debe pagar por un boleto?
Sea X la variable aleatoria que denota la cantidad de dinero que se ganará
un boleto.
X 150 750 3000 0
300 50 5 9645
P (X = xi ) 10000 10000 10000 10000
Ejemplo
En una lotería hay 300 premios de $150, 50 premios de $750 y 5 premios
de $3000. Supongan que se colocan a la venta 10.000 boletos. ¾Cuál es el
precio justo que se debe pagar por un boleto?
Sea X la variable aleatoria que denota la cantidad de dinero que se ganará
un boleto.
X 150 750 3000 0
300 50 5 9645
P (X = xi ) 10000 10000 10000 10000
1
E (X ) = (150 × 300 + 750 × 50 + 3000 × 5 + 0 × 9645) = 9,75
10000
Ejercicio
La función de densidad conjunta de dos variables aleatorias X e Y está
dada por (
xy
0 < x < 4, 1 < y < 5
fXY (x, y ) = 96
0 e.o.c.
Muestre que E (X ) = 38 , E (Y ) = 31
9
, E (XY ) = 248
27
y E (2X + 3Y ) =?
X -2 3 1
1 1 1
P (X = xi ) 3 2 6
Hallar E (X ), E (2X + 5) y E X 2
Ejercicio
¾Cuál es el resultado esperado después de 3 lanzamientos sucesivos de un
dado honrado? ¾Parece razonable su solución? Explicar.
Ejercicio
h i
Si una variable aleatoria X es tal que E (X − 1)2 = 10,
h i
E (X − 2)2 = 6. Hallar E (X ) y Var (X ).
Ejercicio
Una variable aleatoria
X tiene la función de densidad
fX (x) = exp 21 | x | IR (x).
1 Hallar P (| X − µ |> 2).
2 Emplear la desigualdad de Chebyshev para obtener un límite superior
de P (| X − µ |> 2) y compararlo con el resultado anterior.
Ejercicio
Demostrar que si X1 , . . . , Xn son variables aleatoria entonces
n n n
!
X X X
Var Xi = Var (Xi ) + Cov (Xi , Xj )
i=1 i=1 i6=j
Denición
Una variable aleatoria X tiene distribución uniforme discreta sobre el
conjunto {1, 2, . . . , N} si su función de densidad está dada por:
1
fX (x) = P (X = x) = I (x)
N {1,2,...,N}
la cual tiene
• E (X ) = N+1
2
2
• Var (X ) = N 12−1
• MX (t) = N
P e it
i=1 N
• Lanzamiento de un dado.
• Los resultados de un juego de lotería (Baloto, Lotería de Bogotá,
Chances , súper astro , etc.)
• Lanzamiento de un dado.
• Los resultados de un juego de lotería (Baloto, Lotería de Bogotá,
Chances , súper astro , etc.)
Ejercicio
Un jugador lanza un dado corriente. Si sale 1 o número primo, gana tantos
cientos de pesos como marca el dado, pero si no sale número primo, pierde
tantos cientos de pesos como marca el dado. Determinar la función de
probabilidad y la esperanza matemática del juego
luego,
6
X 100
E (X ) = xi P (X = xi ) =
6
i=1
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
Exp <- sample(size = 1000, x = X,
replace = TRUE, prob = rep(1/6,6))
mean(Exp)
## [1] 5.3
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
Exp <- sample(size = 1000, x = X,
replace = TRUE, prob = rep(1/6,6))
mean(Exp)
## [1] 5.3
set.seed(123)
X <- c(100,200,300,-400, 500, -600)
Exp <- sample(size = 1000000, x = X,
replace = TRUE, prob = rep(1/6,6))
mean(Exp)
## [1] 16.9945
Denición
Una variable aleatoria X tiene distribución Bernoulli con parámetro
p ∈ (0, 1) si su función de densidad está dada por:
Demostración.
La función generadora de momentos esta dada por:
X
MX (t) = E e tX = e tx fX (x) = e t 0 P (X = 0) + e t 1 P (X = 1)
x
= (1 − p) + e p
t
= et p + 1 − p
(1)
Notemos que, MX (0) = p .
Ejercicio
Empleando MX (t) demuestre la varianza de X .
Denición
Una variable aleatoria X tiene distribución Binomial con parámetro n ∈ N y
p ∈ (0, 1) si su función de densidad está dada por:
n x
fX (x) = P (X = xi ) = p (1 − p)1−x I{0,1,...,n} (x)
x
Observación
SeaX1 , . . . , Xn v.a. i.i.d con
P distribución Bernoulli con parámetro p ,
entonces la variable Z = ni=1 Xi tiene distribución Ber (n, p).
Observación
SeaX1 , . . . , Xn v.a. i.i.d con
P distribución Bernoulli con parámetro p ,
entonces la variable Z = ni=1 Xi tiene distribución Ber (n, p).
Demostración.
Dado que Xi ∼ Ber (p) entonces la función generadora de momentos esta
dada por MXi (t) = e t p + 1 − p , ahora,
Pn
MZ (t) = E e tZ = E e t i=1 Xi = E e tX1 e tX2 · · · e tXn
= E e tX1 × E e tX2 · · · E e tXn
n
= et p + 1 − p
## Parámetros
require(tidyverse)
set.seed(123)
VA <- NA; p = 0.5; n = 10; X <- c("C","S")
for(ii in 1:100){
Exp <- sample(size = n, x = X,
replace = TRUE, prob = c(p, 1-p) )
VA[ii] <- sum(Exp=="C")}
df <- data.frame(prop.table( table(VA))) %>% spread(VA,Freq )
knitr::kable(df, digits = 3)
1 2 3 4 5 6 7 8 9
0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
2.5 5.0 7.5
Variable aleatroia
0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
0.0 2.5 5.0 7.5 10.0
Variable aleatroia
0.25
0.20
P(X = xi)
0.15
0.10
0.05
0.00
0.0 2.5 5.0 7.5 10.0
Variable aleatroia
Ejercicio
Una laboratorio lanzo al mercado una medicamento que previene el covid
19. El laboratorio a segura que si una persona esta sana el medicamento es
efectivo en el 80 % casos, pero si la persona sufre de sobre peso esté será
efectivo solo en el 10 % de los casos. Si en Colombia el 15 % de la
población sufre de sobrepeso. Tomando una muestra de 500 personas,
mediante simulación determine la probabilidad de :
1 Padecer de sobrepeso y el medicamento no sea efectivo en más de 10
personas.
2 Ser una persona sana y el medicamento sea efectivo en menos de 40
personas.
3 ¾Cual es el número esperado de personas que no se enferman?
Denición
Si los sucesos A1 , A2P , . . . , Ak pueden ocurrir con probabilidades
p1 , p2 , . . . pk donde pi = 1. Si X1 , X2 , . . . , Xk son las variables aleatorias
respectivamente que dan el número de veces que A1 , A2 , . . . , Ak ocurre en
un total de n pruebas, de modo que X1 + X2 + · · · + Xk = n entonces
n!
P (X1 = n1 , X2 = n2 , · · · , Xk = nk ) = p1n1 p2n2 · · · pknk
n1 !n2 ! · · · nk !
Ejemplo
Si un dado honrado se lanza 12 veces, la probabilidad de obtener 1, 2, 3, 4,
5 y 6 exactamente dos veces cada uno es
2 2 2 2 2 2
12 ! 1 1 1 1 1 1
P (X1 = 2, X2 = 2, · · · , X6 = 2) =
2!2!2!2!2!2! 6 6 6 6 6 6
1925
= = 0,00344
559872
Ejemplo
Si un dado honrado se lanza 12 veces, la probabilidad de obtener 1, 2, 3, 4,
5 y 6 exactamente dos veces cada uno es
2 2 2 2 2 2
12 ! 1 1 1 1 1 1
P (X1 = 2, X2 = 2, · · · , X6 = 2) =
2!2!2!2!2!2! 6 6 6 6 6 6
1925
= = 0,00344
559872
Ejercicio
Mediante un estudio de simulación calcular la esperanza matemática y la
varianza.
Denición
Una variable aleatoria X tiene distribución hipergeométrica con parámetros
n, R y N si su función de densidad está dada por:
R N−R
x n−x
fX (x) = P (X = xi ) = N
n
Solución
Sea X := el número de hombre en la muestra, ademas, N = 50, n = 15,
R = 30, luego X ∼ Hg (15, 30, 50) y
30
20
P (X = 6) = 6
9
50
= 0,04431
15
Ejercicio
Mediante estudios de simulación muestre que dada una variable aleatoria X
con distribución Hg (n, R, N), si se tiene que N
R
→ p , con 0 < p < 1
cuando R, N → ∞, entonces, la función de densidad de X tiende a la
función de densidad de una distribución Bin (n, p).
Denición
Una variable aleatoria X tiene distribución Poisson con parámetros λ > 0 si
su función de densidad está dada por:
e −λ λx
fX (x) = P (X = x) = I (x)
x! {0,1,... }
y se denota como X ∼ Pois (λ), la cual satisface
• E (X ) = λ
• Var (X ) = λ
• MX (t) = exp {λ (e t − 1)}
Armación
Considera n eventos del tipo Bernoulli, donde p denota la probabilidad del
éxito de cada uno de los n eventos. Si el valor de p es pequeño y
np → λ > 0 cuando n → ∞, entonces la variable X con distribución
Bin (n, p) se distribuye aproximadamente con distribución Pois (λ).
Armación
Sea X1 , X2 , . . . Xn variables aleatorias independientes Pcon distribución
Pois (λi ) para i =P 1, · · · , n entonces la variable Z = ni=1 Xi tiene
distribución Pois ( ni=1 λi ).
Demostración.
Ejercicios.
Ejercicio
Hallar la función generatiz de momentos de una variable aleatoria X que
está distribuida binomial.
Ejercicio
Si la probabilidad de que un individuo sufra una reacción por una inyección
de un determinado suero, es 0.001, determinar la probabilidad de que de un
total de 2000 individuos
1 exactamente 3,
2 más de 2 individuos tengan reacción.
Denición
Una variable aleatoria X tiene distribución uniforme continua sobre el
intervalo [a, b] con a < b si su función de densidad está dada por:
1
fX (X ) = I (x)
b − a [a,b]
y es denotada por X ∼ U (a, b), además satisface que:
• E (X ) = a+b
2
(a+b)2
• Var (X ) = 12
• MX (t) = e bt −e at
(b−a)t
Armación
Sea U ∼ U (0, 1) y F (x) una función de distribución, entonces la función
de distribución de la variable F − (U) está dada por F , donde F − denota la
función inversa generalizada de F dada por F − (u) = ı́nf {x; F (x) > u}
Ejemplo (Simulación)
Sea X una variable aleatoria con función de densidad dada por
x2
fX (x) = 3125 I(0,5) (x), simular n = 1000 valores aleatorios de FX (x).
Solución
La solución es por paso:
Paso 1 Determinar FX (x)
Paso 2 Determinar F −
Paso 3 En R simular u1 , . . . , u1000 valores aleatorios para
U ∼ U (0, 1)
Paso 4 Evaluar los valores de U en F −
Solución
La solución es por paso:
Paso 1 Determinar FX (x) = 1
125
x 3 I(0,5) (x)
Paso 2 Determinar F −
Paso 3 En R simular u1 , . . . , u1000 valores aleatorios para
U ∼ U (0, 1)
Paso 4 Evaluar los valores de U en F −
Solución
La solución es por paso:
Paso 1 Determinar FX (x) = 1
x 3 I(0,5) (x)
125
√
Paso 2 Determinar F − (x) = 5 3 x
Paso 3 En R simular u1 , . . . , u1000 valores aleatorios para
U ∼ U (0, 1)
Paso 4 Evaluar los valores de U en F −
0.6
0.4
0.2
0.0
1 2 3 4 5
Guerrero. S. (UNAL) x
Semana 1. 57 / 87
Ejercicios de simulación a partir de la distribución uniforme
Ejercicio
Sea X una variable aleatoria con función de densidad dada por:
1 fX (x) = e −x I(0,∞) (x),
2
2 fX (x) = e −0,5x IR (x)
fX (x) = 4x 1 − x 2 I(,0,1) (x)
3
Denición
Una variable aleatoria X tiene distribución Gamma con parámetro de forma
k > 0 y parámetro de escala θ > 0 si su función de densidad está dada por:
x k−1 e −x/θ
fX (x) = I (x)
θk Γ (k) (0,∞)
R∞
donde Γ (x) = 0 u k−1 e −e du , y es denotada por X ∼ Gamma (k, θ),
además satisface que:
• E (X ) = kθ
• Var (X ) = kθ2
k
• MX (t) = 1−θt1
para t < 1
θ y no existe para otros valores de t
Denición
Una variable aleatoria X tiene distribución Gamma con parámetro de forma
k > 0 y parámetro de escala θ > 0 si su función de densidad está dada por:
x k−1 e −x/θ
fX (x) = I (x)
θk Γ (k) (0,∞)
R∞
donde Γ (x) = 0 u k−1 e −e du , y es denotada por X ∼ Gamma (k, θ),
además satisface que:
• E (X ) = kθ
• Var (X ) = kθ2
k
• MX (t) = 1−θt1
para t < 1
θ y no existe para otros valores de t
teachingApps::teachingApp(app_name = "distribution_gamma")
Armación
Sea X1 , . . . Xn variables aleatorias independientes con distribución Gamma
con parámetro de forma kP i y parámetro de escala θ para i = 1 . . . n
n
entonces la variable Z = i=1 Xi tiene distribución Gamma con parámetro
de forma ki y parámetro de escala θ.
P
Demostración (Ejercicio)
Nota: Utilizar la función generadora de momentos.
Denición
Una variable aleatoria X tiene distribución exponencial con parámetro de
escala θ > 0 si su función de densidad está dada por:
1
fX (x) = e −x/θ I(0,∞) (x)
θ
es denotada por X ∼ Exp (θ), además satisface que:
• E (X ) = θ
• Var (X ) = θ2
• MX (t) = 1−θt
1
para t < 1
θ y no existe para otros valores de t
teachingApps::teachingApp(app_name =
"distribution_exponential")
Solución
Partimos de la denición de probabilidad condicional, de donde se tiene que
P (X > s + t; X > t)
P (X > s + t | X > t) =
P (X > t)
P (X > s + t) 1 − F (s + t; )
= =
P (X > t) 1 − F (t)
e −θ(s+t)
= −θ(t)
= e −θ(s) = P (X > s)
e
Armación
Sea X1 , . . . Xn variables aleatorias independientes con distribución
Exponencial
Pn con parámetro de escala θ para i = 1 . . . n entonces la variable
Z = i=1 Xi tiene distribución Gamma con parámetro de forma n y
parámetro de escala θ.
Demostración (Ejercicio)
Nota: Similar a 60.
Denición
Una variable aleatoria X tiene distribución Weibull con parámetro de escala
θ > 0 si su función de densidad está dada por:
k x k
fX (x) = k x k−1 exp I(0,∞) (x)
θ θ
teachingApps::teachingApp(app_name = "distribution_weibull")
Denición
Una variable aleatoria X tiene distribución Ji-cuadrado con n grados de
libertad, con n entero positivo, si su función de densidad está dada por:
x (n/2)−1 e −x/2
fX (x) = I(0,∞) (x) ,
2n/2 Γ n2
Armación
Sea X1 , . . . Xm variables aleatorias independientes
Pm con distribución χ2ni para
i = 1P. . . m, entonces la variable Z = i=1 Xi tiene distribución ji-cuadrado
con m i=1 ni grados de libertad.
Demostración (Ejercicio)
Nota: Similar a 60.
Denición
Una variable aleatoria X tiene distribución normal con parámetros µ y σ 2 ,
si su función de densidad está dada por:
1 1
2
fX (x) = √ exp − 2 (x − µ) IR (x) ,
2πσ 2 2σ
• E (X ) = µ
• Var (X ) = σ 2
• MX (t) = exp µt + 21 σ 2 t 2
teachingApps::teachingApp(app_name = "distribution_normal_functions")
tiene distribución N aµ + b, a σ .
2 2
Demostración.
Debemos mostrar que Y tiene la misma f.g.m. que la variable norma.
MY (t) = M(aX +b) (t) = E e t(ax+b) = E e tax e tb
1 2 2 2
= MX (at) e tb = e (µat+ 2 σ a t ) e tb
1 2 2 2 1 2 2 2
= e (µat+ 2 σ a t ) e tb = e (µat+ 2 σ a t +tb)
1 2 2 2
= e ((µa+b)t+ 2 σ a t )
la cual es la función
generadora de momentos de una distribución
2 2
N aµ + b, a σ
Guerrero. S. (UNAL) Semana 1. 68 / 87
Distribución Normal estándar
Denición
Si X ∼ N µ, σ 2 con µ = 0 y σ = 1, entonces se dice que X tiene
Ejercicio
Sea X1 , . . . , Xn v.a independientes, donde con
2
X i ∼ N µ i , σ i
i = 1, . . . , n, entonces ni=1 Xi ∼ N
P Pn Pn 2
i=1 µ i , i=1 iσ
Ejercicio
Sea X1 ,. . . , Xn v.a i.i.d, con distribución Xi ∼ N µ, σ 2 , entonces
2
X̄ ∼ N µ, σn
Ejercicio
Repetir el ejercicio para las distribución Gamma, Poisso y Bernoulli.
Ejercicio
Construir el código de la simulación anterior.
Denición
Sean X1 , X2 , . . . variables aleatorias independientes que están distribuidas
idénticamente
P∞ y tienen media µ y varianza σ 2 nitas. Entonces si
Sn = i=1 Xi
1
Z b
Sn − nµ 1 2
lı́m P a ≤ √ ≤b = √ e − 2 u du
n→∞ σ n 2 a
Sn −nµ
es decir, la variable aleatoria √ ,
σ n
que es la variable tipicada a Sn , es
normal asintóticamente.
Ejercicio
Repetir el ejercicio para las distribución Gamma y Bernoulli.
Note que
t 2 p2
−pt qt tp
q exp √ + p exp √ = q 1 −√ + + ··· +
npq npq npq 2npq
t 2 q2
tq
p 1+ √ + + ···
npq 2npq
pq (p + q) t 2
= q+p+ + ···
2npq
t2
= 1 + + ···
2n
n
t2
por tanto E (e ty ) = (1 + 2n
+ ··· , luego, cuando n → ∞ entonces
t2
2
n
(1 + 2t n + · · · →e2.
Distribución t−student
Denición
Una variable aleatoria X tiene distribución t−student con n grados de
libertad si su función de densidad está dada por:
n+1
−
Γ n+ 1
2
2
x
fX (x) = √ 2 n 1 + IR (x)
2πΓ 2 n
Denición
Una variable aleatoria X tiene distribución F con m grados de libertad en
el numerador y n grados de libertado en el denominador si su función de
densidad está dada por:
m
Γ n+m z 2 −1
m
2
m 2
fX (x) = m+n I(0,∞) (x)
Γ n2 Γ m2
n 1− m 2
nz
Denición
Sean W1 y W2 variables aleatorias independientes con distribución χ2 , con
m y n grados de libertad, respectivamente. Entonces se dice que
W1/m
X = W2/n
tiene X ∼ Fnm .
Ejercicio
Si Z está distribuida normalmente con media 0 y varianza 1, hallar
P (| Z |> 1)
Ejercicio
Demostrar el teorema del limite central para el caso en que X1 , X2 , . . . son
independientes y están distribuidas idénticamente con la distribución de
Poisson.
Guerrero. S. (UNAL) Semana 1. 83 / 87
Ejercicios
Ejercicio
Explicar por qué se podría esperar que el teorema del límite central no sea
válido en el caso que X1 , X2 , . . . tengan la distribución de Cauchy.
Ejercicio
Una variable aleatoria X tiene una distribución Gamma (3, 2) .Hallar
P (X ≤ 1) y P (1 ≤ X ≤ 2)
Ejercicio
Demostrar que para 1 grado de libertad la distribución t es una distribución
de Cauchy.
Ejercicio
Simular la distribución t a partir de valores aleatorios de la distribución
normal (rnorm).
Guerrero. S. (UNAL) Semana 1. 84 / 87
Percentiles
Denición
Para una variable aleatoria X , el percentil p de X , con 0 < p < 1, se dene
como ı́nf {x : FX (x) ≥ p} y se denota como Xp . Esto es, Xp es el valor
más pequeño que acumula una probabilidad no inferior de p .
Ejercicio
Calcular los percentiles 5 %, 7 %, 10 % y 98 % para la variable X que sigue
una distribución:
1 Normal estándar.
2 Normal con media 3 y desviación estándar de 1,2
3 Poisson con media 3
4 Exponencial de varianza 4
5
Ejercicio
Para las distribuciones anteriores, encuentre los valores de a y b tales que
P (a ≤ X ≤ b) = p con p = 0,9, 0,95, 0,99.