Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Objetivos
1. Familiarizarse con la función de densidad de un sistema de variables aleatorias con
Distribución Normal Bivariada.
2. Calcular las características numéricas de un sistema obtenido a partir de una
Combinación lineal de VA Normales.
3. Conocer la utilidad de la Ley de los grandes números y del Teorema del Límite
Central.
Introducción
En la conferencia anterior terminamos el estudio del tema III. Características numéricas de
las VA que la -------------- del conocimiento detallado del comportamiento de determinados
fenómenos, así hemos visto las distintas funciones asociadas a cada tipo de VA y sus
correspondientes característica numérica.
Mx(t)=E(ext)= extp(x)
ext f(x)dx
Desarrollo
Desigualdad de Tchebyshev
Se utiliza cuando no se conoce la ley de probabilidad que describe un fenómeno aleatorio y
sin embargo se requieren calcular probabilidades en cierto intervalo de la variable aleatoria
asociada a este fenómeno. Además, se conocen la media y la varianza.
¿CÓMO SE FORMULA?
1
P( Μ – HΣ ≤X≤ Μ + HΣ )≥ 1 2
h
VER DEMOSTRACIÓN PÁGINA 341 – 342.
ESTUDIAR EJEMPLO DE LA PÁGINA 342.
2
P( |X- Μ| ≥ H )≤ 2
h
ESTUDIAR GENERALIZACIÓN DE ESTA DESIGUALDAD EN LA PÁGINA 343.
Ejemplo
A un servicentro para automóviles llega una cantidad determinada de autos en una hora.
Por datos históricos se conoce que la media del número de autos que arriban es de 20 por
hora, mientras que la varianza es igual a 25. Si X es una variable aleatoria que nos da el
valor del número posible de autos en una hora, calcule una cota inferior para la
probabilidad de que X esté entre 10 y 30 autos.
Solución
P( 10 ≤ X ≤ 30 ) = ¿
DESCONOCEMOS LA LEY DE PROBABILIDAD, POR LO QUE APLICAREMOS LA DESIGUALDAD
DE TCHEBYSHEV:
1
P( Μ – HΣ ≤ X ≤ Μ + HΣ ) ≥ 1 2
h
ENTONCES:
Μ – HΣ = 10
Μ + HΣ = 30
sustituyendo:
Μ = 20 Y Σ = 5
20 – 5H = 10
20 + 5H = 30
de donde:
H =2
sustituyendo en la desigualdad:
3
P( 10 ≤ X ≤ 30 ) ≥
4
Ley de los grandes números
Al estudiar el valor medio o valor esperado de una variable aleatoria, vimos que este no era
más que el promedio de un número infinito de valores de la variable.
DESDE UN PUNTO DE VISTA PRÁCTICO, MUCHAS VECES, SE HACE DIFÍCIL EL CÁLCULO
EXACTO DEL VALOR ESPERADO, YA SEA POR RAZONES ECONÓMICAS O IMPOSIBILIDAD DE
TOMAR TODA LA POBLACIÓN. EN ESTOS CASOS LO QUE SE HACE ES ESTIMAR DICHO VALOR
ESPERADO, TOMANDO UNA MUESTRA O PARTE REPRESENTATIVA DE LA POBLACIÓN Y
CALCULANDO EN ESTA UNA MEDIA O PROMEDIO.
EXISTEN EXPRESIONES QUE PERMITEN EL CÁLCULO DE ESTE ESTIMADO. AHORA VEREMOS
COMO LA LEY DE LOS GRANDES NÚMEROS NOS PERMITE CORROBORAR LA BONDAD Y
EXACTITUD DE DICHO ESTIMADO.
EN LA PRÁCTICA ESTA LEY NOS PLANTEA QUE MIENTRAS MAYOR SEA EL TAMAÑO DE
MUESTRA, MÁS EXACTITUD Y CONFIABILIDAD SE VA A TENER EN EL ESTIMADO.
SEA X1, X2, ..............., XN VARIABLES ALEATORIAS INDEPENDIENTES CON LA MISMA LEY DE
PROBABILIDAD (UNA MUESTRA DE TAMAÑO N). EL PROMEDIO ARITMÉTICO VENDRÁ DADO
POR:
X x x 1 2
.......... x n
n
APLICANDO LAS PROPIEDADES DEL VALOR ESPERADO Y LA VARIANZA A LA EXPRESIÓN
ANTERIOR, TENDREMOS QUE:
nE ( x )
E(X) = = E(X)
n
V ( x)
V(X) =
n
V (x) V (x)
PN= P(|X – E(X)| > Є ) ≤ 2 = 2
E nE
Y SI REFERIMOS EL LÍMITE CUANDO N TIENDE A INFINITO VEMOS QUE P N TIENDE A CERO.
ESTAS RELACIONES ANTERIORES SE CONOCEN CON EL NOMBRE DE LEY DE LOS GRANDES
NÚMEROS.
LEY DE LOS GRANDES NUMEROS.
SEA {XK} UNA SECUENCIA DE K VARIABLES INDEPENDIENTES Y CON UNA DISTRIBUCIÓN COMÚN.
SI EL VALOR ESPERADO E(X) = Μ EXISTE, ENTONCES PARA TODO Є > 0 SE CUMPLIRÁ QUE:
x x ......... x n
| E} 0
limP{|
n
1 2
n
Teorema del Límite Central
Conjuntamente con la Ley de los grandes números, el teorema del límite central constituye
una de las conclusiones más importantes dentro de la estadística.
ESTE TEOREMA ESTABLECE QUE:
SI X x x
1 2
.......... x n
n
ES EL VALOR PROMEDIO DE DICHA SUCESIÓN, ENTONCES LA VARIABLE ALEATORIA:
X
Y
n
tendrá una función de densidad probabilística que se aproxima a la
distribución normal, cuando el valor de n sea lo suficientemente grande.
Y N (0,1) cuando n ∞
BINOMIAL NORMAL
X: V.A. DISCRETA X: V.A. CONTINUA
Criterios
NP >5 NQ >5
ó
P≤ ½ P >½
E(x) = NP = Μ
Σ2(X) = NPQ = Σ2
X ~ B(N , P)
Ejemplo
1 1
1 1 a np b np
P( A <X< B) = P ( a x b ) = P( 2 Z 2 )
2 2 npq npq
BINOMIAL NORMAL
X: V.A. DISCRETA X: V.A. CONTINUA
Criterio
> 10
E(x) = = Μ
Σ2(X) = = Σ2
X ~ B(N , P)
Ejemplo
1 1
1 1 a b
P( X=A) = P( a x a ) = P( 2 Z 2 )
2 2
Conclusiones
Lo fundamental que se enmarca en este tema es la posibilidad de enmarcar el estudio de la
mayoría de los fenómenos aleatorios que se presentan en la práctica, en un conjunto de
funciones especiales, de las cuales se conocen sus características, lo que facilita el estudio
de los fenómenos y los cálculos probabilísticos.
LA DISTRIBUCIÓN NORMAL ES CONSIDERADA LA MÁS IMPORTANTE DE TODAS POR SER UNA
LEY LÍMITE A LA CUAL SE PUEDEN APROXIMAR LAS DEMÁS DISTRIBUCIONES.
Estudio independiente.
El 85% de las herramientas fabricadas por un taller del SIME, tiene buen cumplimiento de
los parámetros de la calidad, si se selecciona aleatoriamente una muestra de 10
herramientas, halle la probabilidad de que en dicha muestra encontremos:
Ninguno defectuoso.
Mas de 4 defectuosos
Motivación.
¿Cómo podríamos calcular la probabilidad de arribos de autos a un garaje si conocemos su
razón de arribo?
Esto lo podremos resolver en la próxima conferencia, y además comenzaremos el estudio
ya, de las distribuciones asociadas a variables aleatorias continuas.