Professional Documents
Culture Documents
Probabilidad y Estadstica
Noviembre 2009
Probabilidad y Estadstica
Noviembre 2009
Probabilidad y Estadstica
Noviembre 2009
El concepto y la definicin de un
estimador de un parmetro. Diferencia
entre parmetros de la poblacin y sus
estimadores estadsticos y los valores de
estos estadsticos que se obtienen de la
muestra. Un estimador es una regla o
frmula que nos dice cmo calcular una
estimacin numrica con base en las
determinaciones contenidas en una muestra,
es decir, es la regla de correspondencia a
partir de la cual con un estimador podemos
inferir el valor de un parmetro. Como se
ha mencionado, los estadsticos provienen
de muestras obtenidas aleatoriamente, por
lo cual un estadstico es una variable
aleatoria, mientras que los parmetros son
caractersticas de una poblacin, que si bien
pueden ser desconocidas, se consideran
constantes.
La varianza: 2 =
= X P( X ) =
i =1
1
(1 + 2 + 3 + 4 + 5 + 6) = 3.5
6
( X ) P( X )
2
i =1
1,1
1,2
1,3
1,4
1,5
1,6
2,1
2,2
2,3
2,4
2,5
2,6
3,1
3,2
3,3
3,4
3,5
3,6
4,1
4,2
4,3
4,4
4,5
4,6
5,1
5,2
5,3
5,4
5,5
5,6
6,1
6,2
6,3
6,4
6,5
6,6
1.5
2
2.5
3
3.5
4
2
2.5
3
3.5
4
4.5
2.5
3
3.5
4
4.5
5
3
3.5
4
4.5
5
5.5
3.5
4
4.5
5
5.5
6
Probabilidad y Estadstica
Noviembre 2009
X =
1
[1 + 1.5 + 2 + 2.5 + ... + 5.5 + 6] = 3.5
36
X = X
2
X
X2
n
X = 3.5
X = 3 .5
X2 = 1.458
X2
n
= 1.208
Contrastando ambos grupos de resultados:
Media
Varianza
Desviacin Estndar
Poblacin
3.5
2.9173
1.708
Muestra
3.5
1.458
1.208
2.9173
= 1.458
2
X2
n
Probabilidad y Estadstica
Noviembre 2009
varianzas
S12
),
S 22
proporciones
X=
n
1
( X 1 + X 2 + X 3 + ... + X n ) = 1 X i
n
n i =1
E {} =
donde : es un estimador y es un
parmetro.
Caso 1
M. A. S.
con reemplazo
Variable Aleatoria
Independiente e
Indnticamente Distribuida
IID
Caso 2
Se extrae un objetgo, se
observa y se regresa a la
poblacin
M. A. S.
con reemplazo
Se obtienen
consecutivamente sin
reemplazo
M. A. S.
sin reemplazo
Este es un caso
particular del caso 1,
ya que si la
poblacin es
relativamente
pequea, durante el
muestreo es muy
probable que el
mismo objeto sea
seleccionado ms de
una vez.
Caso 3
E{X } =
E{X } =
1
[E{X 1 }+ E{X 2 }+ ... + E{X n }]
n
1
[ + + ... + ] = 1 [n ]
n
n
E{X } =
1 n
X i entonces
n i =1
E{X } = E X i = E ( X 1 + X 2 + ... + X n )
n
i =1
Probabilidad y Estadstica
Noviembre 2009
1 n
i =1
Var{X } =
1
[Var{X 1 }+ Var{X 2 }+ ... + Var{X n }]
n2
Var{X } =
1
[ + + ... + ] = 12 [n ]
2
n
n
Var{X } =
Resumiendo:
X = x
X2 =
X2
n
Probabilidad y Estadstica
Noviembre 2009
X =
X
n
12
=6
4
X =
X
n
12
=3
16
FCPF =
N n
N 1
X =
N n
N 1
X =
Antigedad
Hugo, Luis
Luis, Hugo
Luis, Paco
Paco, Luis
Hugo, Paco
Paco, Hugo
(6,2)
(2,6)
(2,4)
(4,2)
(6,4)
(4,6)
uno si N .
N n
tiende a
N 1
Trabajador
Hugo
Paco
Luis
Antigedad
6
4
2
2+4+6
=4
3
Probabilidad y Estadstica
Noviembre 2009
4
4
3
3
5
5
4+ 4+3+3+5+5
=4
6
Media Muestral
= 1.63
X =
X
n
N n 1.63 3 2
=
= 0.82
N 1
2 3 1
= 0.82
desviacin estndar
para valores
X=
1
( X 1 + X 2 + ... + X n )
n
tiene
una
2
n
Limn
=Z
n
Debe hacerse notar que si la distribucin de
probabilidad de la poblacin es semejante a
la distribucin normal (relativamente
simtrica y una concentracin relativa
alrededor del eje de simetra), la
aproximacin a la normal ser aceptable.
En caso contrario, slo se tendr una
aproximacin aceptable para muestras
grandes, que en casos prcticos ocurre
cuando n > 30 .
Z=
conclusin,
aleatoria Y = X 1 + X 2 + ... + X n =
se
la
variable
utiliza
para
X=
1 n
Xi .
n i =1
expresiones X =
Probabilidad y Estadstica
Noviembre 2009
ambas
n (Y ) Y n
Z=
= n
=
=
n
n
n
n
X
6 + 3 hrs.
6 + 3 hrs.
6+3
i =1
Y
. Esta ltima expresin
n
formular
Enfrentando
aleatoria
En
h
Se puede observar que cada uno de los 85
Km que se pretenden renovar es una
variable aleatoria, con media = 6 h y
= 3 h , por lo cual, la suma de todas ellas,
P (Y > 550 ) = ?
Zn =
Y n n x
x n
68 70
= 2.11
6
40
72 70
=
= 2.11
6
40
Z inf =
550 85(6)
= 1.4462
3 85
Z sup
Por lo que:
1.45
Distribucin
Normal
De tablas:
Z=
= 70m
= 6m
n = 40
-2.11
70
Muestra Normalizada
72
2.11
1 n
donde X = X i .
n i =1
68
1
1
x
e
f ( x, , ) = ( )
x>0
otros casos
donde ( ) = x 1 e x dx
para =
y =2
y =2.
S2 =
(X
X
se define de la
La distribucin X
siguiente forma: Sean Z1, Z2, ... , Zn
variables aleatorias IID con distribucin
normal
estndar.
Entonces
2
2
2
2
2
X = Z1 + Z 2 + Z 3 + ... + Z n
es una
variable aleatoria que tiene la funcin de
densidad:
x
1
1
x 2 e 2
f x 2 ( x ) = 2 2
x>0
otros casos
S2 =
+ X 2n =
con =
i tienen distribucin X 2
1 n
( Xi X )2
n i =1
i =1
n
grados de libertad.
S2 =
i =1
Y=
(X
I =1
S2 =
Xi
i =1
Noviembre 2009
i =1
manipulando:
n 1
(n 1)S
2
( Xi X )
i =1
que
Y = Z 12 + Z 12 + ..... + Z n2 =
2
Probabilidad y Estadstica
( Xi X )
obtiene
Tiene distribucin
libertad.
tiene
Cada una de las muestras X I
distribucin normal con media y
varianza, por lo que es posible
estandarizarlas:
ZI =
varianza
1 n
( Xi X )2
n 1 i =1
( X i ) 2
con grados de
tomando
n
exclusivamente
( Xi X )
el
trmino
igualmente
i =1
manipulndolo:
despejando:
n
( Xi X ) = [( Xi ) ( X )]
2
i =1
( Xi )
i =1
i =1
= ( Xi ) 2( Xi )( X ) + ( X )
i =1
= ( Xi ) 2( X ) ( Xi ) + n( X )
2
i =1
(n 1) S 2
n( X ) 2
Analizando;
3
( Xi )
i =1
i =1
corresponde a
Z
i =1
2
i
( Xi )
i =1
( Xi ) = Xi n
i =1
i =1
1 n
pero: X = Xi
n i =1
n( X ) 2
distribucin X
lo que implica
( X ) 2
tambin tiene
Xi = nX
i =1
( Xi ) = n( X )
i =1
sustituyendo de nuevo:
n
( Xi X )
i =1
= ( Xi ) 2 n ( X ) + n ( X )
2
i =1
(n 1) S 2
= ( Xi ) 2 n( X ) 2
i =1
(n 1) S 2
( Xi )
i =1
Probabilidad y Estadstica
Noviembre 2009
n( X ) 2
varianza poblacional es X 2 =
(n 1) S 2
S2 =
1 n
( Xi X ) 2
n 1 i =1
Utilizando
X2 =
el
(n 1) S
estimador:
(24)(50) = 12
100
Y=
(n 1)
definiendo
S 2 =
de tablas:
n 1
, entonces:
P( X2 >12)= 0.975
2 y 2
2
{
}
=
=
(n 1) = 2
E S 2 = E
E
y
1
1
1
n
n
n
{ }
[ ]
{ }
Var S 2 =
Ejemplo AL disear mecanismos para
lanzar cohetes hacia el espacio, es muy
importante estudiar la varianza de las
distancias al centro del blanco a las que cae
el proyectil. Esa varianza debe ser tan
pequea
como
sea
posible,
para
determinado mecanismo de lanzamiento se
sabe que esas distancias tienen una
distribucin normal cuya varianza es
2 = 100m 2 . Se lleva a cabo un
experimento en el que hay 25 lanzamientos.
Sea S2 la varianza de las distancias entre el
impacto del proyectil y el centro del blanco.
(a) Estimar P(S2 >50);
(b) Hallar P(S2 >50);
(c) Calcular E S 2 y V S 2 =100 m2
[ ]
[ ]
Datos:
Las distancias tienen distribucin
normal
2 = 100m 2
n = 25
Probabilidad y Estadstica
Noviembre 2009
[ ]
E S 2 y V S 2 =100 m2
2 4 2(100) 2
=
= 833.33
24
n 1
es
n
la normal estndar.
Desde un punto de vista prctico, la
necesidad de conocer implica formular
inferencias con respecto a debido a que
generalmente se conoce el valor de la
desviacin estndar de la poblacin. Resulta
lgico entonces reemplazar con una
estimacin S; en consecuencia, la
distribucin de
X
cuando se muestrea
S
n
varianza desconocidas.
Se observan dos variables aleatorias X2 y
Z;
2
X2
tiene distribucin chi-cuadrada
tiene distribucin
estndar
E{} = 0
normal
para
X2
x
S
n
1 n
S2 =
( Xi X ) 2 .
n 1 i =1
t=
al valor
< t <
v +1
donde
v>0
Ejemplo. La resistencia a la tensin de
cierto tipo de alambre se distribuye
normalmente con y 2
recibe el nombre de
x2
v
v>2.
t=
v +1
2
2 t
1
ft (t ) =
+
v
y varianza Var{} =
2S
de la verdadera media poblacional.
n
Z
x
n
(n 1) S
n
S
x x
=
S
S
n
n 1
La probabilidad pedida es :
Probabilidad y Estadstica
Noviembre 2009
Poblacin Y
x , x2
y , y2
Muestra Y
X , S x2 , n x
Y , S y2 , n y
media
ny
por lo que sustituyendo en el estadstico Z .
( X Y ) ( x y )
1
1
+
nx n y
y2
, podemos decir
Z=
Muestra x
media y varianza
(n x 1)S x2
2
(n
1)S y2
son variables
Z
X2
Ejemplo. Se llevan
a cabo dos
experimentos independientes en los que se
comparan dos tipos diferentes de pintura.
Se pintan 18 especmenes con el tipo A y
en cada uno se registra el tiempo de secado
en horas. L o mismo se hace con el tipo B,
se sabe que las desviaciones estndar de la
poblacin son ambas 1.0.
Suponga que el tiempo medio de secado es
igual para los dos tipos de pintura,
encuentre P ( X A X B > 1.0 ), donde X A
Anlogamente
XB
y
secado.
Datos.
Dos experimentos independientes
n A = n B = 18
A = B = 1 .0
tiempo medio de secado es igual para
los dos tipos de pintura A = B = 0
El problema puede resolverse conforme al
caso a) c) indistintamente.
Z=
donde
S =
2
p
(n x 1)S x2 + (n y 1)S y2
(n
+ n y 2)
Z=
( X Y ) ( x y )
x2
nx
y2
ny
Probabilidad y Estadstica
Noviembre 2009
( X Y ) ( x y )
x2
nx
y2
ny
1 0
=3
1 1
+
18 18
P ( X A X B > 1.0) = P ( Z A B > 3.0) = 0.0013
Ejemplo. Los cinescopios de televisin del
fabricante A tienen una duracin media de
6.5 aos y un desviacin estndar de 0.9
aos, mientras que los del fabricante B
tienen una duracin media de 6.0 aos y
una desviacin estndar de 0.8 aos.
Cul es la probabilidad de que una muestra
aleatoria de 36 cinescopios del fabricante A
tenga una duracin media que sea al menos
de un ao ms que la duracin media de
una muestra de 49 cinescopios del
fabricante B?
Datos
Fabricante A
Fabricante B
A = 6.5
A = 0.9
B = 6.0
B = 0.8
n A = 36
n B = 49
La respuesta es:
Z A B =
P ( X A X B 1 .0 )
1 (6.5 6.0 )
(0.9)2 + (0.8)2
36
= 2.6514
49
P ( X A X B 1 .0 ) =
P ( Z A B 2.6514) = 0.0040
Bibliografa
Canavos, Probabilidad y Estadstica,
Edit. Mc Graw Hill, Mxico 1988.
Borras, et. al. Apuntes de Probabilidad
y Estadstica, Facultad de Ingeniera
UNAM, Mxico 1985.
Villarreal , Probabilidad y Modelos
Probabilsticos, UAEM, Mxico 1989.
Hines, Montgomery; Probabilidad y
Estadstica, Edit. CECSA, 3 edicin,
Mxico 1993.
Captura y Edicin:
M.A. Mara Torres Hernndez.
Probabilidad y Estadstica
Noviembre 2009