Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Maestro 2
Maestro 2
1 Distribuciones Muestrales 3
1 Función Característica . . . . . . . . . . . . . . . . . . . . . 3
2 Propiedades de la función característica: . . . . . . . . . . . 4
3 Distribución muestral de un Estadístico . . . . . . . . . . . . 11
4 Muestreo de una población normal . . . . . . . . . . . . . . 13
5 Distribuciones exactas:χ2 , t, y F . . . . . . . . . . . . . . . . 18
6 Matriz de Helmert . . . . . . . . . . . . . . . . . . . . . . . 30
7 Distribuciones de X para algunas
poblaciones no normales . . . . . . . . . . . . . . . . . . . . 38
7.1 Distribución de X de la distribución
Binomial . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.2 Distribución de X de la distribución Poisson . . . . . 39
8 Muestreo en poblaciones normales:
Distribución de la diferencia de medias muestrales con va-
rianza conocidas . . . . . . . . . . . . . . . . . . . . . . . . . 41
8.1 Distribución de la diferencia de medias muestrales en
Poblaciones normalmente distribuidas con varianzas
desconocidas . . . . . . . . . . . . . . . . . . . . . . . 44
1
2 Cirilo alvarez R.
Capítulo 1
Distribuciones Muestrales
1 Función Característica
La Función Característica se que se define como la esperanza matemática
de una variable aleatoria compleja, desempeña un papel importante en el
cálculo de probabilidades, como instrumento analítico en las demostraciones
de los teoremas de límites.
3
4 Cirilo alvarez R.
donde se define
Observación:
Z ∞ Z ∞
ΦX (t) = cos(tX)dFX (x) + i sen(tX)dFX (x)
Z−∞
∞
−∞
3. ∀t ∈ R : ΦX (t) = ΦX (−t)
resulta:
y además
luego
(k)
En particular, ΦX (0) = ik E(X k ), de modo la función caracteristica
es una especie de la función generadora de momentos.
Observación 2.3.
(k) dk ΦX (t)
ΦX (0) =
dtk t=0
Cirilo alvarez R. 9
FY = FX ⇔ ΦX = ΦY
Observación 2.5. Cabe aclarar que los teoremas 2.3 y 2.4 implican que
Xn → X ⇔ ΦXn → ΦX . Pero el Teorema de la Continuidad es más fuerte
que el de la suficiencia de esa proposición, porque afirma que el límite de una
sucesión de funciones características también es una función característica,
con tal de que sea continua en el punto cero.
Teorema 2.5. [Teorema Central del Límite para variables aleatorias in-
dependientes e idénticamente distribuidas] Sean X1 , X2 , . . .independientes e
idénticamente distribuidas, con media común µ y varianza común σ 2 , donde
0 < σ 2 < ∞. Sea Sn = nj=1 Xj . Entonces
P
√
Sn − E(Sn ) Sn − nµ n(X − µ) D
p = √ = → N (0, 1).
−
V ar(Sn ) σ n σ
Cirilo alvarez R. 11
S − nθ D
p n → N (0, 1)
−
nθ(1 − θ)
Sea X1 , . . . , Xn una m.a.s. de una variable aleatoria que proviene de una dis-
tribución poblacional para la cual la función característica existe, entonces
la función característica de la media muestral está dada por
" n # n
h 1 Pn
it( n j=1 Xj )
i Y t
i n Xj t
ΦX (t) = E e =E e = ΦX
J=1
n
Ejemplo 3.2. Sea X1 ,X2 ,. . . variables aleatorias normales iid, (µ, σ 2 ). Tam-
bién sea X, la media muestral y S 2 la varianza muestral. Consideremos la
variable aleatoria √
n(X − µ)/σ Un
Tn = =
S/σ Vn
donde Un ∼ N (0, 1). Más adelante se determinará la distribución de Tn .
Aquí usamos el corolario ítem (c) del Teorema Slutsky para demostrar que
D P
Tn −→ Z, donde Z ∼ N (0, 1). Se sabe que S 2 −→ σ 2 , de manera que
S P D
σ
−→ 1. Luego podemos concluir que Tn −→ Z.
(n − 1)S 2
(d) tiene distribución Ji-cuadrado con (n-1) grados de libertad;
σ2
(n − 1)S 2
esto es, ∼ χ2 (n − 1)
σ2
√
n(X − µ)
(e) t = ∼ t(n − 1)
S
muestral es n
t σ 2 t2
µi − σ 2 t2
ΦX (t) = e n 2n2 = eitµ− n 2
n n n n n
X t X X X 1X
itX + i tj (Xj − X) = i Xj + i tj Xj − i tj Xj
j=1
n J=1 J=1 j=1
n J=1
n n X n
t X X 1
=i Xj + i tj Xj − ti Xj
n J=1 J=1
n J=1
n n
t X X
=i Xj + i Xj (tj − t)
n J=1 J=1
n
X t
=i Xj + (tj − t)
J=1
n
h Pn i
ΦX,X1 −X,...,Xn −X (t, t1 , t2 , . . . , tn ) = E ei J=1 Xj { n +(tj −t)}
t
" n #
eiXj { n +(tj −t)}
Y t
=E
j=1
n h i
E eiX { n +(tj −t)}
Y t
ΦX,X1 −X,...,Xn −X (t, t1 , t2 , . . . , tn ) =
j=1
n
Y t
= ΦX + (tj − t)
j=1
n
Cirilo alvarez R. 17
σ 2 t2 2 Pn 2
− σ2 (tj −t)
ΦX,X1 −X,...,Xn −X (t, t1 , t2 , . . . , tn ) = eitµ− n 2 j=1
σ 2 t2 σ2 Pn 2
ΦX,X1 −X,...,Xn −X (t, t1 , t2 , . . . , tn ) = e|itµ− n 2 e|− 2 j=1(tj −t)
{z } {z }
ΦX (t) ΨX (t1 ,t2 ,...,tn )
1 −X,...,Xn −X
2
X −µ
De las propiedades de la distribuciones normales, se sabe que n
σ
2 −1/2
tiene distribución χ (1) cuya función característica es (1 − 2it) y
2
Pn Xi − µ
i=1 tiene distribución chi2 (n) cuya función característi-
σ
ca es (1 − 2it)−n/2 . Por independencia de X yS 2 , la función caracte-
rística de (n − 1)S 2 /σ 2 es
(n − 1)
(1 − 2it)−n/2 −
Φ(n−1)S 2 /σ2 (t) = = (1 − 2it) 2
(1 − 2it)−1/2
5 Distribuciones exactas:χ2, t, y F
En esta sección se investiga las distribuciones que surgen en el muestreo de
una población normal. Consideremos una muestra aleatoria simple X1 , . . . , Xn
extraída de una población normal N (µ, σ 2 ). Entonces sabemos que X ∼
√ 2
N (µ, σ 2 /n), probaremos que n(X − µ)/σ ∼ χ2 (1).
Cirilo alvarez R. 19
Media: E(X) = n
Varianza: V ar(X) = 2n
p
Asimetría: β1 = 2 2/n
12
Curtosis: β2 = 3 + n
n
Función Característica (F.C.) ΦX (t) = (1 − 2it)− 2
(2) Prueba del (b): Si X1 ∼ N (0, 1) =⇒ X12 ∼ χ2 (1), y como las va-
riables aleatorias X1 , X2 , . . . , Xn son independientes e idénticamente
distribuidas, por el ítem (a) se concluye que nj=1 Xj2 ∼ χ2 (n).
P
n 2 (Xj − µ)2
X Xj − µ
Z= = J=1 2 ∼ χ2 (n)
J=1
σ σ
P (X ≤ 34.4) = 0.90.
X − 25 34.38225
P (X ≤ 34.384) = P ( √ ≤ √ )
50 50
= P (Z ≤ 1.33)
= 0.9066.
Ejercicios
w=y
con la inversa
r
w
x=t
n
y=w
∂(x,y) pw
el Jacobiano es ∂(t,w)
= n
. Entonces la función de densidad conjunta de
(T, W ) es
p rw
g(t, w) = f t w/n, w · , ∀t ∈ IR y w > 0
n
2
e−t w/2n w(n/2−1) e−w/2 w
r
g(t, w) = √
2π 2n/2 Γ n2
n
2
w(n+1)/2−1 e−w(1+t /n)/2
= √
2πn 2n/2 Γ n2
Cirilo alvarez R. 25
Ejercicio
R∞
(a) Verificar 0 fT (t) = 1 directamente.
(b) Demuestre que la media no existe para n = 1.
(c) Demuestre que para n > 2, las medias de estas distribuciones es cero
y cada varianza es n/(n − 1).
(d) Demuestre que para cada x ∈ IR,
1 x2
fT (x) → √ e− 2 , cuando n → ∞
2π
Teorema 5.4. Considere que X ∼ t(n), n > 1. Entonces E(X r ) existe
para r < n y está dado por
0 si r < n es impar
r
E(X ) = (r+1) (n−r)
(5.7)
n r2 Γ[ 2 1 ]Γ[ n 2 ] . si r < n es par
Γ( )Γ( )
2 2
2 ∞ s/2
nn/2 e−δ /2
s
2t2
X n+s+1 δ
fn (t, δ) = √ Γ
πΓ( n2 )(n + t2 )(n+1)/2 s=0 2 s! n + t2
(5.8)
si hacemos δ = 0 en la ecuación (5.8), obtenemos la función de densidad de
probabilidad fn de una distribución -t central dada en la ecuación (5.5).
h (n−1) i 2
n(1 + δ ) δ n Γ 2
2
2
Var(T ) = − n , n>2 (5.10)
n−2 2 Γ 2
1
F (m, n; 1 − α) = (5.14)
F (n, m; α)
En particular,
n
E(X) = , n > 2, (5.16)
m
Cirilo alvarez R. 29
n2 (2m + 2n − 4)
Var(X) = , n > 4. (5.17)
m(n − 2)2 (n − 4)
6 Matriz de Helmert
√1 √1 √1 ··· √1
n n n n
√1 − √12 0 ··· 0
2
A= √1 √1 2
− √2×3 ··· 0
2×3 2×3
.. .. ..
..
.
. . . 0
√ 1 √ 1 √ 1
· · · − √(n−1)
(n−1)n (n−1)n (n−1)n (n−1)n
√1 √1 √1 ··· √1
n n n n X1
√1 − √12 0 ··· 0
2
X2
AX = √1 √1 2
− √2×3 ··· 0 X
2×3 2×3 3
.. .. ..
.. ..
.
. . . 0 .
(n−1)
√ 1 √ 1 √ 1
··· −√ Xn
(n−1)n (n−1)n (n−1)n (n−1)n
Cirilo alvarez R. 31
lo que resulta
√
nX
X −X
1 2
2
AX =
X1 +X .
2 −2X3 .
√ .
2×3
X1 +X2 +···+Xn−1 −(n−1)Xn
√
(n−1)n
Ejercicio 1.
Teniendo en cuenta la matriz A, el vector X, y U definidas como antes
Ejercicio 2.
En este ejercicio solo use las propiedades algebraicas de S 2 ,A, X, U ; no use
la distribución normal.
d Demuestre que
n
X
(n − 1)S 2 = (Xj − X)2
j=1
n n−1
X 2 X
= Xj2 − nX = UJ2 .
j=1 j=1
Uj
que U1 , U2 . . . , Un−1 sean independientes y luego tome Zj = σ
Ejercicio 3.
Demuestre que los Uj , j = 0, 1, 2, . . . , (n − 1), son independientes. Luego
n
X
(Xj − X)2
U0 j
X=√ y S2 =
n n−1
son funciones de variables aleatorias independientes y por lo tanto son in-
dependientes uno del otro.
Ejercicio 4.
Encuentre la función característica de de U
Solución 4.
item (a)
√ ! √ !
16(79.5 − 77) 16(77 − 77)
P (77 < X < 79.5) = Φ −Φ
5 5
= Φ(2) − Φ(0)
= 0.97725 − 0.50000 = 0.47725
Solución 4.
item (b)
√ ! √ !
16(78.4 − 77) 16(74.2 − 77)
P (74.2 < X < 78.4) = Φ −Φ
5 5
= Φ(1.12) − Φ(−2.24)
= 0.86864 − 0.01255 = 0.85609
Ejercicio 5.
El número de libros encuadernados diariamente por una máquina automáti-
ca es una variable aleatoria cuya distribución se desconoce, con una desvia-
ción típica de 16 libros por día. Si se selecciona una muestra aleatoria de 49
días, hallar la probabilidad de que el número medio de libros encuadernados
durante esos días (la media muestral) se encuentre a lo más 3 libros de la
verdadera media poblacional.
Solución 5.
Como no se especifica la distribución del número de libros y n = 49 > 30,
podemos utilizar el TCL. para hallar la probabilidad solicitada. Tenemos
σ2
X ∼ N µ,
n
Cirilo alvarez R. 35
P ( X − µ ≤ 3) = P (−3 ≤ X − µ ≤ 3)
−3 X −µ 3
=P √ ≤ √ ≤ √
16/ 49 σ/ n 16/ 49
= Φ(1.3125) − Φ(−1.3125)
= 0.81064
Ejercicio 6.
Con referencia al ejercicio 5. Determinar el tamaño de la muestra para que
la media muestral se encuentre a lo más a 3 libros de la media poblacional
con una probabilidad de 0.95.
Solución 6.
Ahora se tiene que verificar que
P ( X − µ ≤ 3) = P (−3 ≤ X − µ ≤ 3) = 0.95
Estandarizando se tiene
√ √
−3 X −µ 3
P √ ≤ √ ≤ √ = P (−0.1875 n ≤ Z ≤ 0.1857 n) = 0.95
16/ 49 σ/ n 16/ 49
√ √
= Φ(0.1875 n) − Φ(−0.1875 n) = 0.95
√
= 2Φ(0.8175 n) − 1 = 0.95
√
= Φ(0.1875 n) = 0.975
√
= 0.1875 n = Φ−1 (0.975)
√
= 0.1875 n = 1.95996
= n ≈ 110
36 Cirilo alvarez R.
Ejercicios propuestos
1. Sea X1 , X2 , . . . , Xn una muestra aleatoria de N (µ, σ 2 ) y X y S 2 , res-
pectivamente, la media muestral y la varianza muestral. Sea (X√n+1 −X)
S/ n/(n+1)
α(X − µX ) + β(Y − µY )
q 2 +(n−1)S 2
q
(m−1)SX α2 2
m+n−2
Y
m
+ βn
2
donde SX y SY2 respectivamente denotan las varianzas muestrales de ls
X ′ s y de las Y ′ .
2
6. Sean SX y SY2 las varianzas muestrales de dos muestras independientes
de tamaños nx = 5 y nY = 4 de dos poblaciones que tienen la misma
varianza desconocida σ 2 . Encuentre (aproximadamente) la probabili-
S2
dad de que SX2 < 1/5.2 o > 6.25.
Y
2).
38 Cirilo alvarez R.
r = 0, 1, 2, . . . , n
n r
P(Xj = r) = θ (1 − θ)n−r ,
r
j = 1, 2, . . . , m.
ΨX (t) = (1 − θ + θeit )n
Cirilo alvarez R. 39
λr r = 0, 1, 2, . . . ,
P(Xj = r) = e−λ ,
r!
j = 1, 2, . . . , m.
donde λ > 0.
(mλ)k
k
P X= = e−mλ , k = 0, 1, 2, . . .
m k!
y
Ψ′X (0) = λi = iE(X) ⇒ E(X) = λ
Ejercicio 7.
Encuentre la distribución de la media muestral X de una muestra aleatoria
simple de tamaño n extraída de una población en la que característica X
tiene la distribución Gamma con parámetros α y β.
Ejercicio 8.
Sea X la media muestral de una muestra aleatoria simple de tamaño n
extraída de una población en la cual la característica X tiene la distribución
uniforme dada por
1 si x ∈ [0, 1]
f (x) =
0 si x ∈
/ [0, 1]
Cirilo alvarez R. 41
Además,
(X − Y ) − (µx − µy )
Z= q ∼ N (0, 1).
σx2 σy2
m
+ n
42 Cirilo alvarez R.
Prueba. Como las muestras son independientes, también lo son las medias
muestrales X, Y . Luego por la propiedad del función característica resulta
ΨX−Y (t) = ΨX+(−Y ) (t) = ΨX (t)Ψ−Y (t) = ΨX (t)ΨY (−t) = ΨX (t)ΨY (t)
2 2
σX 2 2
σY
t t
y como ΨX (t) = eitµX − m 2 y ΨY (t) = e−itµY − n 2 . Entonces la función
característica de la diferencia de medias muestrales resulta
2
σ2
2 2 2 2 σX 2
itµX −
σX t
−itµY −
σY t it(µX −µY )− m + nY t2
ΨX−Y (t) = e m 2 e n 2 =e .
Luego por el teorema de la unicidad de la función característica se concluye
que
2
σY2
σX
X − Y ∼ N µX − µY , + .
m n
Luego, tenemos
(X − Y ) − (µx − µy ) 400 − 392
P (X − Y > 400) = P q > √
σx2 σ
+ ny
2
18.33
m
8
=P Z>
4.2814
= P (z > 1.8685) = 1 − P (z > 1.8685) = 1 − Φ(1.8685)
= 0.03085
0.03085
400
2
(m − 1)SX (n − 1)SY2
2
∼ χ2 (m − 1) y 2
∼ χ2 (n − 1)
σx σy
2
(m − 1)SX (n − 1)SY2
+ ∼ χ2 (n − 1) ∼ χ2 (m + n − 2)
σx2 σy2
2
(m − 1)SX (n − 1)SY2
+ ∼ χ2 (n − 1) ∼ χ2 (m + n − 2) (∗)
σ2 σ2
(X − Y ) − (µx − µy )
Z= q ∼ N (0, 1).
σx2 σy2
m
+ n
(X − Y ) − (µx − µy )
Z= q ∼ N (0, 1). (∗∗)
1 1
σ m+n
(X − Y ) − (µx − µy )
r
1 1
σ +
m n
T =v ∼ t(m + n − 2)
u (m − 1)S 2 (n − 1)SY2
X
u +
σ2 σ2
t
m+n−2
(X − Y ) − (µx − µy )
= r ∼ t(m + n − 2)
1 1
S +
m n
donde
2
(m − 1)SX + (n − 1)SY2
S2 =
m+n−2
Solución:
Cirilo alvarez R. 47
P (X > Y ) = P (X − Y > 0)
0 − (43.71 − 39.63)
= P T > q
(9−1)(34.5744)+(7−1)(58.9824)
9+7−2
−4.08
=P T >
6.71.08
= P (T > −0.60796)
= 0.72328
(X − Y ) − (µX − µY )
T = r (8.1)
2
SX §2
+ Y
m n
se puede demostrar que tiene una distribución “t” de Student con algu-
nos grados de libertad, que se denota por ν. Actualmente, no existe una
fórmula exacta para los grados de libertad ν en el caso de que ambas va-
rianzas poblacionales sean desconocidas y no se puedan asumir iguales. La
denominada ecuación de Welch-Satterthwaite se utiliza para calcular una
aproximación a los grados de libertad efectivos de una combinación lineal
de varianzas muestrales independientes, también conocidas como grados de
48 Cirilo alvarez R.
x2 = 8120.20
P P
Druga X : m = 14 x = 301.6
y 2 = 5207.49
P P
Druga Y : n = 10 y = 210.0
Solución:
El intervalo de confianza del 95% para la diferencia entre la media Los
tiempos de absorción de los dos fármacos están dados por
r
2
SX S2
I[µX − µY : 100(1 − α)%] = (X − Y ) ± t(ν, 1 − α/2) + Y.
m n
Cirilo alvarez R. 49
= 124.8764835
!2
n n
1 X 2 1 X
= 1 [5207.49 − 1 (210.0)2 ]
SY2 = Y − Yi
n − 1 i=1 i n i=1
9 10
= 88.61
Por lo tanto, el intervalo de confianza del 95% para la diferencia entre los
tiempos medios de absorción de los dos fármacos es
r
2
SX S2
I[µX − µY : 100(1 − α)%] = (X − Y ) ± t(ν, 1 − α/2) + Y.
m n
r
124.8764835 88.61
= (21.54285714 − 21) ± t(21, 0, 975) +
14 10
= 0.54285714 ± 8.770782844