Escolar Documentos
Profissional Documentos
Cultura Documentos
Experimento Aleatorio
Tiene tres caractersticas:
A- Es posible repetirlo en forma indefinida sin cambiar
esencialmente las condiciones.
B- Podemos describir el conjunto de todos los resultados posibles
del experimento.
C- Al repetir el experimento un gran nmero de veces aparece un
patrn definido.
Espacio muestral
Es el conjunto de todos los resultados posibles del experimento aleatorio (
. La
A
f tiene las siguientes propiedades:
i) 1 0
A
f .
ii) 1
A
f si y solo si A ocurre cada vez en las n repeticiones.
iii) 0
A
f si y solo si A nunca ocurre en las n repeticiones.
iv) Si A y B son eventos mutuamente excluyentes entonces
B A B A
f f f +
.
v)
A
f , basada en las n repeticiones de
,
_
n
i
i
n
i
i
A P A P
1 1
.
Teorema 1.1: Si
) = 0.
Demostracin: Podemos escribir
A A
y como A y
son
mutuamente excluyentes escribimos
( ) ( ) ( ) ( ) P A P A P A P +
.
Nota: No vale la recproca. Esto es, si P(A) = 0 no significa que A =
.
Teorema 1.2: Si es el evento complementario de A, entonces:
( ) ( ) P A P 1 .
Demostracin: Podemos sustituir A S , entonces
( ) ( ) ( ) ( ) P A P A P S P + , as tenemos
( ) ( ) P A P + 1 .
Teorema 1.3: Si A y B son dos eventos cualesquiera, entonces:
( ) ( ) ( ) ( ) B A P B P A P B A P +
.
Demostracin:
( ) B A B A
( ) ( ) B B A B
Por lo tanto:
( ) ( ) ( ) B P A P B A P +
( ) ( ) ( ) B P B A P B P +
Si restamos las dos ecuaciones:
3
S
A B
A B
B
Probabilidad y Estadstica Resumen Terico
( ) ( ) ( ) ( ) B A P A P B P B A P
Teorema 1.4: Si A, B y C son tres eventos cualesquiera, entonces:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) C B A P C B P C A P B A P C P B P A P C B A P + + +
Demostracin: Consiste en escribir C B A como
( ) C B A
y
aplicar el resultado del teorema anterior.
Teorema1.5: Si B A , entonces
( ) ( ) B P A P
.
Demostracin: Podemos escribir a B como dos eventos excluyentes
( ) B A B . Por lo tanto ( ) ( ) ( ) B P A P B P + y como por propiedad
( ) 0 B P entonces fcil apreciar que
( ) ( ) B P A P
.
Mtodos de Conteo
Principio de la Multiplicacin:
Para ir del punto P a la recta L
1
hay n
1
maneras, y para ir de L
1
a L
2
hay n
2
maneras. Entonces para ir de P a L
2
hay n
1
* n
2
maneras.
4
P
n
1
L
1
n
2
L
2
Probabilidad y Estadstica Resumen Terico
Principio de la Adicin:
Para ir de un punto p a la recta L
1
hay n
1
maneras, y para ir de P a la recta
L
2
hay n
2
maneras. Entonces, para ir de el punto P a cualesquiera de las rectas hay
n
1
+ n
2
maneras.
Permutaciones:
Agrupar ( permutar) n objetos es equivalente a ponerlos en algn orden
especfico, en una caja de n lugares. La primera casilla
se puede llenar de cualesquiera de las n maneras, la
segunda de (n-1) maneras.....y as obtendremos, por el principio de la
multiplicacin, que la caja se puede llenar de
( )( ) 1 2 1 n n n
maneras.
Entonces las maneras de permutar los n objetos son n!.
Si ahora quiero elegir r de esos n objetos
( ) n r 0
y permutarlos,
recurriremos nuevamente a la caja de n compartimientos. As el primer
compartimiento se puede llenar de n maneras, el segundo de (n-1)... y el r-simo
compartimiento con
( ) 1 r n
maneras y as, usando el principio de la
L
1
n
1
P
n
2
L
2
1 2 3 4 .... n
5
Probabilidad y Estadstica Resumen Terico
multiplicacin encontramos que hay
( )( ) ( ) 1 2 1 + r n n n n
maneras. Usando
notacin factorial:
( ) !
!
r n
n
r
n
P
,
_
Combinaciones:
Consideremos nuevamente n objetos diferentes.
Esta vez queremos contar cuantas maneras hay de
escoger r de esos n objetos pero sin que nos importe el orden. Sea C el nmero de
maneras de escoger r objetos sin orden, sabemos que hay r! Maneras de
permutarlos, entonces:
( ) ( ) ! !
!
!
!
!
r n r
n
r
n
C
r n
n
Cr
,
_
.
Probabilidad Condicional
Sean A y B dos eventos asociados con un experimento
. Indicaremos con
( )
A
B
P la probabilidad condicional del evento B, dado que A ha ocurrido.
Cada vez que calculamos ( )
A
B
P , esencialmente estamos calculando
( ) B P
respecto del espacio muestral reducido A, en vez del espacio muestral
original S.
Podemos escribir:
S B B
y sabemos que :
( ) ( ) ( ) ( ) ( )
( )
( ) S P
S B P
S
B
P S P B P S B P B P
Si ahora reducimos el espacio Muestral de S a A:
( )
( )
( ) A P
A B P
A
B
P
puesto que
( ) 0 > A P
La consecuencia ms importante de la definicin de probabilidad
condicional es:
( ) ( ) ( ) A P
A
B
P B A P
( ) ( ) ( ) B P
B
A
P B A P
7
A
Probabilidad y Estadstica Resumen Terico
Esto tambin se conoce como el teorema de la multiplicacin de
probabilidades.
S
A B
i )
B A
S
A
B
ii ) B A
S
A
B
iii ) A B
S
A B
iv ) Ninguno
anterior
i ) ( ) ( ) A P
B
A
P 0 puesto que A no puede ocurrir si ocurri B.
ii )
( )
( )
( )
( )
( )
( ) A P
B P
A P
B P
B A P
B
A
P
puesto que
( ) 1 0 < B P
.
iii )
( )
( )
( )
( )
( )
( ) A P
B P
B P
B P
B A P
B
A
P
1
.
iv ) No se puede hacer porque ninguna afirmacin acerca de la magnitud
relativa de ( )
B
A
P y
( ) A P
.
Definicin: Decimos que los eventos B
1
, B
2
, B
3
,...,B
k
representan una
particin de S si:
a)
j i B B
j i
,
.
B
1
B
2
B
3
B
4
B
5
B
6
8
Probabilidad y Estadstica Resumen Terico
b)
k
i
i
S B
1
.
c)
( ) i B P
i
> , 0
En otras palabras, cuando se efecta el experimento
+ +
,
_
,
_
2
2
1
1
Teorema de Bayes:
Sean B
1
, B
2
, B
3
,...,B
k
una particin de S y A un evento asociado a l.
Aplicando la definicin de probabilidad condicional, podemos escribir:
( )
( )
,
_
,
_
,
_
k
j
j
j
i
i
i
B P
B
A
P
B P
B
A
P
A
B
P
1
, con i = 1, 2, 3....,k
Tambin se le llama frmula para la probabilidad de las causas. Puesto
que las B
i
son una particin del espacio muestral, uno y slo uno de los eventos B
i
ocurre. Por lo tanto, la frmula anterior nos da la probabilidad de un B
i
particular
(esto es, una causa), dado que el evento A ocurri.
9
Probabilidad y Estadstica Resumen Terico
Eventos Independientes: Sabemos que si dos eventos son
independientes, el que suceda uno no indica nada para el otro. Entonces
( ) ( ) A P
B
A
P y ( ) ( ) B P
A
B
P . Hay otro mtodo ms fcil, esto es:
( ) ( ) ( ) ( ) ( ) B P A P B P
B
A
P B A P
( ) ( ) ( ) ( ) ( ) B P A P A P
A
B
P B A P
Definicin: A y B son eventos independientes si y slo si
( ) ( ) ( ) B P A P B A P
.
Definicin: Decimos que los tres eventos A, B y C son mutuamente
independientes si y slo si todas las condiciones siguientes se mantienen:
i )
( ) ( ) ( ) B P A P B A P
ii )
( ) ( ) ( ) C P A P C A P
iii )
( ) ( ) ( ) C P B P C B P
iv )
( ) ( ) ( ) ( ) C P B P A P C B A P
Definicin: Los n eventos A
1
, A
2
, A
3
,...,A
n
son mutuamente
independientes si y slo si tenemos para cada k = 2, 3, 4.....n
( ) ( ) ( ) ( )
ik i i ik i i
A P A P A P A A A P
2 2 2 1
10
Probabilidad y Estadstica Resumen Terico
Variable Aleatoria
Sea un experimento
1
1
i
i
x p
.
La funcin p antes mencionada se llama funcin de probabilidad puntual de
la variable X.
( ) x p
X
X
1
X
2
X
3
X
4
X
n
Sea B un evento asociado con la variable aleatoria X. Esto es,
X
R B
{ } ( )
n
x x x B , , ,
2 1
. Por lo tanto:
( ) [ ] B X S P B P
S
(puesto que son equivalentes)
( ) [ ] n i x X S P B P
i S
, , 3 , 2 , 1 ;
( ) ( )
n
j
j
x p B P
1
Distribucin Binomial: Sea un experimento
y un evento A asociado
a l. Suponemos
( ) p A P
(por ende,
( ) p P 1 ). Consideramos n repeticiones
12
Probabilidad y Estadstica Resumen Terico
independientes de
se
llamarn ensayos de Bernoull.
Teorema 4.1: Sea X una variable Binomial con base en n repeticiones.
Entonces:
[ ] ( )
k n
k
p p
k
n
k X P
,
_
1
Demostracin: Consideremos que en las n repeticiones de
ocurre k
veces A. As:
k n k
A AAAAAAA
Si
( ) p A P
y como todas las repeticiones son independientes, la
probabilidad de esta sucesin particular sera ( )
k n k
p p
1 . Pero como hay
,
_
k
n
maneras de agruparlas:
13
Probabilidad y Estadstica Resumen Terico
[ ] ( )
k n
k
p p
k
n
k X P
,
_
1
14
Probabilidad y Estadstica Resumen Terico
Variables Aleatorias Continuas
Se dice que X es una variable aleatoria continua, si existe una funcin f ,
llamada funcin de densidad de probabilidad (fdp) de X, que satisface las
siguientes condiciones:
i )
( ) X X f , 0
.
ii )
( ) 1
+
dx X f
.
iii ) Para cualquier a, b tal que + < < < b a , tenemos
[ ] ( )
b
a
dx X f b X a P .
fdp
[ ] b X a P
a b
No existen, en este tipo de variables la probabilidad puntual del tipo
[ ]
0
x X P
, puesto que
[ ] ( )
0
0
0
0
x
x
dx X f x X P
.
Si X toma valores en un intervalo finito [a, b], establecemos
( ) [ ] b a X X f , , 0
.
Funcin de distribucin acumulada: Sea X una variable aleatoria,
discreta o continua. Definimos que F es la funcin de distribucin acumulativa de
la variable aleatoria X (fda) como
( ) [ ] x X P X F
.
15
Probabilidad y Estadstica Resumen Terico
Teorema 4.2:
Si X es una variable aleatoria discreta:
( ) ( )
j
j
x p X F
X x j
j
<
Si X es una variable aleatoria continua:
( ) ( )
X
ds s f X F
Teorema 4.3:
a- La funcin F es no decreciente. Esto es si
2 1
x x , tenemos
( ) ( )
2 1
x F x F .
b-
( ) 0 lim
X F
x
y
( ) 1 lim
+
X F
x
(A menudo se escribe como
( ) 0 F
y
( ) 1 + F
).
Demostracin:
a- Definimos los eventos A y B como sigue: { }
1
x x A y
{ }
2
x x B . Entonces, puesto que
2 1
x x , tenemos B A y
por el teorema 1.5,
( ) ( ) B P A P
.
b- Para el caso continuo:
i. ( ) ( ) 0 lim
X
x
ds s f F
.
ii.
( ) ( ) 1 lim +
+
x
x
ds s f F
.
Teorema 4.4:
16
Probabilidad y Estadstica Resumen Terico
a- Sea F la fda de una variable aleatoria continua con fdp f. Luego,
( )
( )
dx
x dF
x f para toda X en la cual F es diferenciable.
b- Sea X una variable aleatoria discreta con valores posibles , ,
2 1
x x
y supongamos que es posible rotular esos valores de modo que
< <
2 1
x x . Sea F la fda de X. Entonces:
( ) [ ] ( ) ( )
1
j j j j
x F x F x X P x p
.
Demostracin:
a- ( ) ( ) ( )ds s f x X P x F
x
. As, aplicando el teorema
fundamental del clculo tenemos que
( ) ( ) x f x F
.
b- Puesto que supusimos < <
2 1
x x , tenemos:
( ) [ ]
1 2 1
x X x X x X x X P x F
j j j j
( ) ( ) ( ) ( )
1 2 1
x P x P x P x P
j j j
+ + +
( ) [ ]
1 2 1 1
x X x X x X P x F
j j j
( ) ( ) ( )
1 2 1
x P x P x P
j j
+ +
Por lo tanto,
( ) ( ) [ ] ( )
j j j j
x p x X P x F x F
1 .
Variables aleatorias distribuidas uniformemente: Supongamos
que X es una variable aleatoria continua que toma todos los valores en el intervalo
[a,b], donde a y b son finitos. Si la fdp de X est dada por:
( )
a b
x f
1
, b x a .
( )
2
b a
x E
+
,esperanza
( ) 0 x f
, en caso contrario. ( )
( )
12
2
a b
x V
, varianza
17
Probabilidad y Estadstica Resumen Terico
Decimos que X esta distribuida uniformemente en el intervalo [a, b].
18
Probabilidad y Estadstica Resumen Terico
Valor esperado de una variable aleatoria
Sea X una variable aleatoria discreta con valores posibles
n
x x x , , ,
2 1
y
sea
( ) [ ]
j j
x X P x p
con i = 1, 2, 3,...,n. Entonces el valor esperado de X (o
esperanza matemtica de X) que se anota
( ) x E
y se define como:
( ) ( )
n
i
i i
x p x x E
1
Si la serie converge absolutamente. Este nmero tambin se designa como
valor promedio de X. Consideramos una variable aleatoria y sean n
x x x , , ,
2 1
los resultado obtenido en las n repeticiones de
; y sea X el promedio
aritmtico de esos n nmeros; si n es suficientemente grande, X estar cerca de
( ) x E
.
Teorema 7.1: Sea
( ) p n B X , ~
, entonces
( ) np x E
.
Demostracin: Puesto que
[ ] ( )
k n
k
p p
k
n
k X P
,
_
1
Tenemos:
( )
( )
( )
n
k
k n k
p p
k n k
n
k x E
0
1
! !
!
( )
( ) ( )
( )
n
k
k n k
p p
k n k
n
x E
1
1
! ! 1
!
(ya que con k = 0 se hace cero).
Sea 1 k S en la suma anterior. Como k toma valores de 1 a n, S toma
valores de 0 a
( ) 1 n
.Sustituyendo k por
( ) 1 + S
tenemos:
19
Probabilidad y Estadstica Resumen Terico
La suma de la ltima expresin es simplemente la suma de probabilidades
binomiales con n sustituida por
( ) 1 n
. Por lo tanto es igual a uno.
Definicin: Sea X una variable aleatoria continua con fdp f. El valor
esperado de X se define como:
( ) ( )
+
dx x xf x E
Puede suceder que la integral impropia no converja. Por lo tanto decimos
que
( ) x E
existe si y solo si:
( )dx x f x
+
, es finita
Teorema 7.2: Supongamos
[ ] b a X , ~
entonces:
( )
2
b a
x E
+
1
, b x a por
lo tanto:
( )
2 2
1
2
b a x
a b
dx
a b
x
x E
b
a
b
a
+
Propiedades de la Esperanza
i ) Si C X , donde C es una constante,
entonces
( ) C X E
.
Demostracin:
( ) ( ) ( )
+
+
C dx x f C dx x Cf x E
( )
1
0
n
s
x E
n n-1 p
s+1
(1-p)
n-s-1
= np
1
0
n
s
n-1 p
s
(1-p)
n-s-1
s s
( ) x F
( ) 1 x F
C X
20
Probabilidad y Estadstica Resumen Terico
ii ) Sea C una constante y X una variable aleatoria entonces
( ) ( ) x CE Cx E
.
Demostracin:
( ) ( ) ( ) ( )
+
+
x CE dx x xf C dx x Cxf Cx E
iii ) Sean X e Y dos variables aleatorias, entonces
( ) ( ) ( ) Y E X E Y X E + +
o dicho ms generalmente, sean las variables aleatorias
n
X X X X X , , , , ,
4 3 2 1
entonces:
( ) ( ) ( ) ( ) ( ) ( )
n n
X E X E X E X E X E X X X X X E + + + + +
4 3 2 1 4 3 2 1
, , , , ,
La Varianza de una variable aleatoria
Sea X una variable aleatoria. Definimos la varianza de X, que se denota con
( ) x V
o con ( ) x
2
como sigue:
( ) ( ) [ ]
2
x E x E x V
La Raz cuadrada positiva de
( ) x V
se llama desviacin estndar de X y se
designa con
( ) x
.
Teorema 7.5:
( ) ( ) ( ) [ ]
2 2
x E x E x V
Demostracin:
( ) ( ) [ ]
2
x E x E x V
( ) ( ) [ ] { }
2 2
2 x E x xE x E +
( ) ( ) ( ) ( ) [ ]
2 2
2 x E x E x E x E +
( ) ( ) [ ]
2 2
x E x E
21
Probabilidad y Estadstica Resumen Terico
Propiedades de La Varianza
i ) Si C es una constante, entonces
( ) ( ) x V C x V +
.
Demostracin:
( ) ( ) ( ) [ ] ( ) [ ] ( ) [ ] ( ) x V x E x E C x E C x E C x E C x E C x V + + + +
2 2 2
ii ) ) Si C es una constante, entonces ( ) ( ) x V C Cx V
2
.
Demostracin:
( ) ( ) ( ) [ ] ( ) ( ) [ ] ( ) ( ) [ ] [ ] ( ) x V C x E x E C x E C x E C Cx E Cx E Cx V
2 2 2 2 2 2 2 2 2 2
iii ) Sea X una variable aleatoria con varianza finita. Luego, para cualquier
nmero real
.
( ) ( ) ( ) [ ]
2 2
x E x E x V
Distribucin de Poisson:
[ ]
! x
e
x X P
x
, donde T y veces que ocurre.
T Unidad de tiempo.
Teorema 8.1: Si
( ) ~ X
(si X tiene aproximadamente una
distribucin de Poisson (
( )
).), entonces:
( ) ( ) x V x E
Demostracin:
( )
( )
1 0
! 1 !
k
k
k
k
k
e
k
ke
x E
, si s = k 1 tenemos
( )
+
1 0
1
! !
s
s
s
s
s
e
s
e
x E
.
Del mismo modo:
22
Probabilidad y Estadstica Resumen Terico
( )
( )
1 0
2
2
! 1 !
k
k
k
k
k
ke
k
e k
x E
, si s = k 1 tenemos
( )
( )
( )
+
+
+
0 0 0
1
2
! ! !
1
s
s
x E
s
s
s
s
s
e
s
se
s
e s
x E
( ) ( ) ( ) ( ) [ ] + + +
2 2 2 2 2 2
1 x E x E x V x E .
Aproximacin de la Binomial por Poisson:
Sea X una variable aleatoria discreta distribuida binomialmente con
parmetros n y p. Si
n
entonces la variable X tiene un comportamiento de
Poisson.
( ) ( ) np x E p n B X , ~
np
( ) ( ) x E X ~
Demostracin: Si ( ) p n B X , ~ , entonces:
[ ] ( )
x n
x
p p
x
n
x X P
,
_
1
Como
n
p np
( )
( )
( )
( )
( )( )
,
_
,
_
,
_
,
_
,
_
x n
x
x
x n x
n n n x n x n
n n
x
n n n x x n
n n
x f
1 1
1
1 1
1 1
!
1 1
! !
1 1
Ahora, si
n
y hacemos clculos auxiliares:
A )
( )
( )( )
1
1
1 1
1 1
x
n
n x n x n
n n
lm
23
Probabilidad y Estadstica Resumen Terico
B ) 1 1
,
_
x
n
n
lm
C )
( )
,
_
,
_
+
,
_
n
n
n
n
n
n n
lm
n
lm
n
lm
1
1
1
1 1
'
,
_
'
1
1
1
1
]
1
,
_
+ e
n
lm
n
lm
e
n
n
n
n
1
1
1
1
Juntando los puntos A, B y C Tenemos: ( )
! x
e
x f
x
Distribucin Geomtrica
Repetimos el experimento de Bernoulli hasta que el evento A ocurra por
primera vez:
[ ] ( ) ( ) p p p p x X P
k k
1 , 1
1 1
( )
p
x E
1
( )
2
p
q
x V
Distribucin Hipergeomtrica
Repetimos el experimento de Bernoulli hasta que el evento A ocurra un
nmero de veces dado. Supongamos un lote de N objetos, de los cuales r son de
una clase1 y
( ) r N
son de la clase2.
Ahora escogemos n de esos artculos al azar
( ) N n
sin reposicin. Sea X
= {Nmero de artculos de la clase1}. Puesto que X = k si y slo si obtendremos
k artculos de la clase1 (De los r existentes) y
( ) k n
de la clase2 (de los N r
existentes) tenemos:
r N - r
P[X = k] = k n - k
N
n
24
Probabilidad y Estadstica Resumen Terico
Teorema 8.6: Sea X una variable Hipergeomtrica y sean
N
r
p y
p q 1
tenemos:
( ) np x E
( )
1
N
n N
npq x V
Para N grande,
[ ] ( )
k n
k
p p
k
n
k X P
,
_
1
NOTA: Si el problema es con sustitucin vale la Binomial; pero si es sin
sustitucin vale la Hipergeomtrica.
Distribucin Normal
Una variable aleatoria X que toma todos los valores reales tiene
distribucin Normal Gaussiana si su fdp es de la siguiente forma:
( )
,
_
1
]
1
2
2
1
2
1
x
e x f
( )
2
, ~ N X
con la condicin de que 0 >
Propiedades:
i )
( ) 1
+
dx x f
ii )
( ) x E
25
Probabilidad y Estadstica Resumen Terico
iii ) ( )
2
x V
iv ) la grfica es simtrica respecto de
v ) Si
( ) 1 , 0 ~ N X
decimos que X tiene una distribucin Normal Tipificada
y se escribe as:
( )
2
2
2
1
x
e x
) usamos los
mtodos de integracin numrica para evaluar dicha integral (
[ ] s X P
ha sido
tabulada ). Esta fda se denota con : es decir:
( )
s
x
dx e s
2
2
2
1
Por lo tanto, si ( )
2
, ~ N X entonces
( )
X
z tiene una distribucin
( ) 1 , 0 N
, as:
( )
,
_
,
_
,
_
a b b
z
a
P b X a P
Distribucin exponencial
Se dice que una variable aleatoria continua X que toma todos los valores no
negativos tiene una distribucin exponencial con parmetros 0 > si su fdp est
dada por:
x
e
si x > 0
26
Probabilidad y Estadstica Resumen Terico
( ) x f
0 si 0 x
Propiedades:
i ) ( ) [ ] 0 ; 1
0
x e dT e x X P x F
x
x
T
ii )
( )
0
dx xe x E
x
)
( )
1
0
+
dx e xe x E
x x
iii ) Integrando encontramos que
( )
2
2
2
x E
y por lo tanto:
( ) ( ) ( ) [ ]
2
2 2
1
x E x E x V
iv ) Para cualquier s tomamos un T > 0 y hacemos:
( )
( )
( )
( ) T X P e
e
e
s x P
T s x P
s x
T s x
P
T
s
T s
>
>
+ >
,
_
>
+ >
; sea n
A
el nmero de veces que
ocurre el evento A en las n repeticiones y sea
n
n
f
A
A
. Sea
( ) A P p
igual en las
n repeticiones, entonces:
i )
[ ]
( )
2
1
ne
p p
p f P
A
donde
1
.
Aplicando la desigualdad de Chebyschev o f
A
tenemos:
( )
2
1
1
1
k n
p p
k p f P
A
1
]
1
<
Sea
( )
n
p p
k
1
. Luego
( ) p p
n
k
1
2
2
.
desigualdad de Chebyschev
Sea X una variable aleatoria con
( ) x E
y sea c un nmero real
cualquiera. Entonces, si ( )
2
c x E es finita y
ii ) Si elegimos
c
tenemos
[ ]
( )
2
x V
X P
iii ) Al elegir
c
y k (si ( )
2
x V )
[ ]
2
1
k
k X P
28
Probabilidad y Estadstica Resumen Terico
Demostracin: Consideremos
[ ] ( )
c x x
dx x f c X P
es decir, estamos entre y
c
; y
entre + c y + .
Ahora,
c x
equivalente a
( )
1
2
2
c x
y por lo tanto la integral
anterior es
( )
( )
R
dx x f
c x
2
2
donde
{ } c x x R
.
Esta integral a su vez es:
( )
( )
dx x f
c x
2
2
Lo que es igual a
( )
2
2
1
c x E
1
luego, para una n grande, Y tiene
aproximadamente una distribucin
( ) 1 , 0 N
. Esto es para n > 10 si p est cerca de
0,5.
Como estamos pasando de una variable discreta a una continua habr que
usar la correccin por continuidad:
i )
[ ] [ ] 5 , 0 5 , 0 + k X k P k X P
ii )
[ ] [ ] 5 , 0 5 , 0 + b X a P b X a P
29
Probabilidad y Estadstica Resumen Terico
Teorema del Lmite Central
Recordamos que una ( ) p n B X , ~ se puede representar como la suma de
las variables:
X
i
= 1 si A ocurre en la i-sima repeticin
= 0 en caso contrario
Por lo tanto
n
i
i
x X
1
. Ya demostramos que
( ) np x E
y
( ) ( ) p np x V 1
,y adems si n es grande
( ) p np
np X
1
tiene distribucin Normal
( ) 1 , 0 N
.
Definicin: Sea
n
X X X X X , , , , ,
4 3 2 1
una sucesin de variables
aleatorias independientes con
( )
i i
x E
y ( )
2
i i
x V con i = 1, 2, 3,...,n. Sea
n
X X X X X + + + +
3 2 1 , entonces:
n
i
i
n
i
i
X
z
1
2
1
Muestras Aleatorias
Tenemos que considerar una poblacin de tamao N, pero como toda la
poblacin no se puede tomar, hay que elegir muestras; todas las posibles de
tamao n, donde N n .
Si ahora designamos las N objetos (1, 2, 3,...,N) y tenemos X
i
Valor
poblacional del i-simo objeto i = 1, 2, 3,...,n.
30
Probabilidad y Estadstica Resumen Terico
La distribucin de las variables n
X X X X X , , , , ,
4 3 2 1
depende de cmo
escogimos los n objetos.
Si el muestreo es con sustitucin, escogiendo cada vez un objeto al azar, las
variables son independientes e idnticamente distribuidas. As, para cada X
i
tenemos:
[ ]
N
j x P
i
1
con
N j ..., 4 , 3 , 2 , 1
Si el muestreo es sin sustitucin las variables X
i
ya no son independientes.
Entonces:
[ ]
( ) ( ) 1 1
1
, , , ,
3 3 2 2 1 1
+
n N N N
j x j x j x j x P
n n
donde n
j j
1 son n valores cualesquiera de
N , , 1
.
Definicin: Sean
n
X X X X X , , , , ,
4 3 2 1
variables aleatorias
independientes con las misma distribucin de X ; llamaremos entonces a
( )
n
X X X X X , , , , ,
4 3 2 1
muestra aleatoria de X.
Estadsticos: Sean
n
X X X X X , , , , ,
4 3 2 1
una muestra aleatoria de X
y
n
x x x x x , , , , ,
4 3 2 1
los valores tomados por la muestra. Sea H una funcin
definida para
n
x x x x x , , , , ,
4 3 2 1
. Definimos
( )
n
x x x x x H Y , , , , ,
4 3 2 1
como un estadstico que toma valor
( )
n
x x x x x H y , , , , ,
4 3 2 1
. En palabras, un
estadstico es una funcin real de la muestra.
Estadsticos Importantes: Sea
( )
n
X X X X X , , , , ,
4 3 2 1
una
muestra:
i )
n
i
i
x
n
X
1
1
se llama Promedio Muestral.
ii )
( )
n
i
i
X X
n
S
1
2 2
1
1
se llama Varianza Muestral.
31
Probabilidad y Estadstica Resumen Terico
iii )
( )
n
X X X X X mn K , , , , ,
4 3 2 1
se llama Mnimo Muestral (Es el
mnimo observado).
iv )
( )
n
X X X X X mx M , , , , ,
4 3 2 1
se llama Mximo Muestral (Es el
mximo observado).
v ) K M R se llama Recorrido Muestral.
vi )
j
n
x j-sima observacin mayor en la muestra,
n j , , 1
(tenemos
M X
n
1
y K X
n
n
).
Teorema 13.1: Sea X una variable aleatoria con
( ) x E
y varianza
( )
2
x V . Sea X el promedio muestral de una muestra aleatoria de tamao n.
Entonces:
i )
( ) X E
.
ii ) ( )
n
X V
2
.
iii ) Para n grande,
( )
n
X
tiene aproximadamente la distribucin
( ) 1 , 0 N
.
Demostracin:
i )
( ) ( )
,
_
n
i
i
n
i
i
n
n
x E
n
x
n
E X E
1 1
1 1 1
.
ii )
( ) ( )
,
_
n
i
i
n
i
i
n
n
n
x V
n
x
n
V X V
1
2
2
2 2
1
2
1 1 1
Teorema 13.2: Sea X una variable aleatoria continua con fdp f y fda F.
Sea n
X X X X X , , , , ,
4 3 2 1
una muestra aleatoria de X y sean K y M en mnimo
y el mximo respectivamente. Luego:
i ) la fdp de M es: ( ) ( ) [ ] ( ) m f m F n m g
n 1
.
32
Probabilidad y Estadstica Resumen Terico
ii ) la fdp de K es: ( ) ( ) [ ] ( ) k f k F n k h
n 1
.
33
Probabilidad y Estadstica Resumen Terico
Demostracin: Sea
( ) ( ) m M P m G
la fda de M; ahora
{ } m M
es
equivalente al evento {
m X
i
, para toda i}. Por lo tanto, puesto que X
i
son
independientes encontramos:
( ) [ ] ( ) [ ]
n
n
m F m X m X P m G
1
Por ende
( ) ( ) ( ) [ ] ( ) m f m F n m G m g
n 1
NOTA: Demostracin anloga para K.
Estimacin de parmetros: Si sabemos que
( ) p X P 1
y que
( ) p X P 1 0
Cmo calculamos p? Usando algunos criterios:
Definicin: Sea X una variable con parmetro desconocido
. Sea
n
X X X X X , , , , ,
4 3 2 1
una muestra de X y n
x x x x x , , , , ,
4 3 2 1
los valores
correspondientes. Si
( )
n
X X X X X g , , , , ,
4 3 2 1
es una funcin de la mestra que
se utilizar para estimar
. El valor
que toma g se conoce como estimado de
y se denota
.
Estimador Insesgado: Sea
asociado
con X. Entonces
si
( )
E para toda
.
Intervalo de Confianza: Sabemos que X tiene distribucin ( )
2
, N ,
donde
2
se supone conocida y
tiene distribucin
( ) 1 , 0 N
. Aunque z depende de
,
_
1
]
1
z
X
z P z
1 2
,
_
+ X
n
z
X
n
z
P
,
_
+
n
z
X
n
z
X P
cae en el intervalo
( ) 1 2 z
; sino que
( ) 1 2 z
es igual a la probabilidad que el intervalo aleatorio
,
_
+
n
z
X
n
z
X
,
contenga a
K
se
obtiene de la tabla. Es decir tenemos
2
1
2
1
,
_
K
( ) z
2 1
k z
Resumiendo: el intervalo
,
_
+
n
z
X
n
z
X
,
es un intervalo de
confianza para el parmetro