Teoremas fundamentales de lmites de distribuciones
DISTRIBUCIN DE SUMAS DE VARIABLES
ALEATORIAS DISCRETAS INDEPENDIENTES TEOREMA 1
Si X1, X2, ,Xn son variables aleatorias
independientes, con generatrices de momentos mx1(t), mx2(t),, mxn(t) respectivamente, la generatriz de momentos de Y = X1+ X2+ .+ Xn , es igual a mY(t) = mx1(t) mx2(t) mxn(t) PRUEBA
mY(t) =E(etY)= E[et (X1+ X2+ .+ Xn) ]
= E(et X1+ t X2+ .+ tXn ) = E(et X1 et X2 et Xn )
= E(et X1) E( et X2) E(et Xn )
= mx1(t) mx2(t) mxn(t)
EJEMPLO PGINA 153 Suponga que X1 y X2 son variables aleatorias independientes. Si X1 se distribuye como una Poisson de media 1 y X2 se distribuye como una Poisson con media 2 ,la variable Y = X1 + X2 , se distribuye como una Poisson con media 1 + 2 . SOLUCIN Como X1 y X2 se distribuyen como una Poisson entonces t 1) t 1) mx1(t)= e 1 (e y mx2(t) = e 2 (e
Como X1 y X2 son independientes por teorema 1
se tiene que mY(t)= mx1(t)* mx2(t) t 1) t 1) t 1) mY(t)= e 1 (e e 2 (e = e ( 1+ 2 ) (e y como la generatriz de momentos es nica entonces Y se distribuye como una Poisson con parmetros = 1+ 2 TEOREMA 2
Si X1, X2, ,Xn son variables aleatorias de
Poisson independientes, de parmetros 1,2, , n respectivamente entonces Y = X1 + X2 ++ Xn, se distribuye como una Poisson con = 1+2+ + n PRUEBA t 1) t 1) t 1) mx1(t)= e 1 (e , mx2(t) = e 2 (e ,, mxn(t) = e n (e .
Por teorema 1 Si Y = X1 + X2 ++ Xn, entonces
mY(t) = mx1(t) mx2(t) mxn(t). Por lo tanto
mY(t) = e 1 (et 1) e 2 (et 1), , e n (et 1).
= e 1 (et 1)+ 2 (et 1)++ n (et 1) = e (1 + 2 ++ n) (et 1) = e (et 1) por lo que Y se distribuye como una Poisson con parmetros = 1+2+ + n . APROXIMACIN DE LA BINOMIAL POR MEDIO DE LA POISSON Teorema: Si el parmetro n de una distribucin binomial f(x;n,p) es muy grande y el valor de p es muy pequeo, la probabilidad P (X=x) ser aproximadamente igual a P(Y=x) donde Y es una variable con distribucin de Poisson de parmetro = np. PRUEBA EJEMPLO 1 Se sabe que un 4 % de los libros empastados en una librera tienen encuadernaciones defectuosas. Si se cuenta con una muestra de 100 libros, calcule la probabilidad de que:
a) Exactamente 3 libros estn defectuosos
b) A lo sumo 10 libros estn defectuosos c) Ms de 2 pero menos de 8 libros estn defectuosos. d) 3 o 5 libros estn defectuosos. EJEMPLO 2
Una compaa de seguros de vida asegura a
5000 hombres trabajadores de 42 aos de edad en una mina de carbn. Si los estudios actuales muestran que la probabilidad de que un hombre de 42 aos muera debido al trabajo en las minas en un cierto ao es de 0.001. Calcule la probabilidad de que la compaa pague una pliza de seguras al menos a 4 viudas de 4 hombres fallecidos en las minas. APROXIMACIN DE LA HIPERGEOMTRICA MEDIANTE LA BINOMIAL Teorema Cuando N es grande y n es relativamente pequea en comparacin con N, la distribucin hipergeomtrica se puede aproximar mediante la distribucin binomial de parmetros n y p = K/N. PRUEBA EJEMPLO PGINA 156
En la biblioteca de un profesor hay 150 libros:
90 de estadstica y 60 de matemticas. Se escogen 5 libros al azar para regalrselos a un amigo. Cul es la probabilidad de que el amigo reciba dos libros de estadstica? EJEMPLO
Los trabajadores de una lnea de montaje
ensamblan 16 autos por hora. Durante una hora dada cualquiera, se producen 4 vehculos con las puertas instaladas de manera inapropiada. Se seleccionan 3 autos al azar, cul es la probabilidad, que se seleccione a lo sumo un auto con puertas instaladas inapropiadamente? TEOREMA DE CHEBYSHEV
Sea X una variable aleatoria discreta de media
X y variancia X 2 . Entonces, para k > 0 se tiene que: PRUEBA EJEMPLO 1 Sea X: el puntaje en una prueba de estadstica, adems se sabe que X = 60, X = 10. Calcule la probabilidad de que las notas en una muestras de exmenes estn entre 40 y 80. Solucin P(40 X 80) =P(40-60 X-60 80-60) P(-20 X-60 20) =P(|X 60| 20) P(|X 60| 2 *10) 1 1 /2 2 =0,75 Lo que significa que la probabilidad de que las notas estn entre 40 y 80 es de al menos el 75% EJEMPLO 2 Sea X una variable aleatoria discreta con X = 100, X = 8. Calcule los valores de a y b tal que P(a < X < b) = 0,95. Solucin
P(a X b) = 1 1 /k 2 = 0,95 de donde k=
4,47, luego a = X - k X , b = X + k X a = X - k X a = 100 4.47 *8 = 64.24
b = X + k X b = 100 + 4.47 *8 = 135.76
TEOREMA DE BERNOULLI
Sea X el nmero de xitos obtenidos al repetir,
independiente, un experimento de Bernoulli n veces, siendo p la probabilidad de xito. Si X/n es la frecuencia relativa del nmero de xitos en las n pruebas y es un nmero positivo muy pequeo, entonces: PRUEBA Aplicando el teorema de Chebyshev, a la variable X: nmero de xitos donde X = np, 2x = npq. Sea k= n/ x , entonces se tiene que
Es decir, la frecuencia relativa del nmero de
xitos se estabiliza alrededor de la probabilidad de xito p cuando n es muy grande EJEMPLO PGINA 160
Cuntas veces se debe tirar un dado para que
la probabilidad de que la frecuencia relativa de cincos obtenida difiera de 1/6 en menos de 0,01, sea mayor o igual a 0,90? Solucin: Aplicando Chebyshev
Para p = 1/6 y = 0,01 se obtiene
LEY DBIL DE LOS GRANDES NMEROS
Teorema:
Si X1, X2, , es una sucesin de variables
aleatorias discretas independientes, cada una con la misma media y varianza finita 2 y PRUEBA
El teorema garantiza que se puede encontrar una n lo
suficientemente grande para que la media calculada en una muestra de ese tamao, tenga una alta probabilidad de estar tan cerca de la media poblacional como se quiera. A esto se le conoce como convergencia en probabilidad LA DISTRIBUCIN NORMAL Se dice que una variable X tiene una distribucin normal con parmetros y , donde IR y > 0, si su funcin de densidad est dada por:
donde se tiene que P (a X b) =
La distribucin normal cumple las siguientes caractersticas:
Tiene perfil de campana y sus tres medidas principales de posicin (media, moda y mediana) miden lo mismo. Es simtrica con respecto a su media. La curva normal es decreciente uniformemente a partir del valor central. El valor central de la curva normal es la media . GRFICA APROXIMACIN DE LA DISTRIBUCIN BINOMIAL CON LA DISTRIBUCIN NORMAL Teorema de De Moivre Laplace
Sea X una variable aleatoria con distribucin
binomial de parmetros n y p, es decir,
a) De Moivre
a) Laplace
Con a < b APROXIMACIN DE LA DISTRIBUCIN BINOMIAL CON LA DISTRIBUCIN NORMAL El teorema Moivre Laplace se puede expresar como:
La aproximacin de la probabilidad de una
variable binomial mejora si se usa la siguiente frmula para c y d enteros, para np 5 y nq 5 EJEMPLO 1
La confiabilidad de un fusible elctrico, es la
probabilidad de que un fusible elegido al azar funcione. Se prob una muestra de 1 400 fusibles y se encontr que 27 estaban defectuosos. Calcule la probabilidad aproximada de observar 27 o ms fusibles defectuosos, suponiendo una confiabilidad del fusible de 0,98. EJEMPLO 2
Se tira una moneda 100 veces. Hallar la
probabilidad de que salga corona 1. Exactamente 55 veces.
2. Entre 45 y 50 veces inclusive.
3. Menos de 40 veces. EJEMPLO DE LA PGINA 163
Un dado se tira 3000 veces. Calcular la
probabilidad de que el nmero de unos sea mayor o igual a 480 y menor o igual a 530 TEOREMA DEL LMITE CENTRAL Suponga que X1, X2, ,Xn son variables aleatorias independientes con la misma distribucin f(x), de media y variancia 2 finita. Entonces para cualquier nmero real t, y TEOREMA DEL LMITE CENTRAL El teorema del lmite central se puede interpretar de la siguiente forma. Si se extrae una muestra aleatoria de un tamao suficientemente grande (n) de una distribucin de probabilidad cualquiera con media y variancia 2, la distribucin de la media muestral, para n suficientemente grande es aproximadamente una distribucin norma con media y variancia 2/n. O en forma anloga que la distribucin de es aproximadamente una distribucin normal estndar EJEMPLO PGINA 166 Sea X una variable que tiene distribucin uniforme discreta:
Se toma una muestra aleatoria de f(x) de
tamao 60 y se desea calcular
Se puede comprobar que la media de X es =
3,5 y la variancia 2 = 2,92. Porqu? EJEMPLO PGINA 166 Si X1, X2, , Xn es una muestra aleatoria de tamao n=60 de f(x); los valores Xi, con i =1,2,.., n son variables aleatorias independientes con la misma distribucin f(x) de media 3,5 y variancia 2,92. Sea Y la variable definida por
Por el teorema del lmite central, Y tiene una
distribucin aproximadamente normal estndar. Por tanto EJEMPLO PGINA 167 ILUSTRACIN DEL TLC
Considere, la variable Y del ejemplo anterior, para
n = 6, y la distribucin de probabilidad que se muestra en la tabla de la siguiente diapositiva
La tabla da las probabilidades P(S=s), P(Y=y) = f(y),
las acumuladas F(y) y su aproximacin por la normal estndar. TABLA s y P(S=s) P(Y=y) F(y) (y) 6 -3,58 1/66 0,00002 0,00002 0,00017 7 -3,35 6/66 0,00013 0,00015 0,00040 8 -3,11 21/66 0,00045 0,00060 0,00094 9 -2,87 56/66 0,00120 0,00180 0,00205 10 -2,63 126/66 0,00270 0,00450 0,00427 11 -2,39 252/66 0,00540 0,00990 0,00842 . . . . . .
34 3,11 21/66 0,00045 0,99984 0,99906 35 3,35 6/66 0,00013 0,99998 0,99960 36 3,58 1/66 0,00002 1,00000 0,99983 EJEMPLO PGINA 167 ILUSTRACIN DEL TLC Para obtener la tabla anterior se realiz el siguiente procedimiento. 1. Calcular la generatriz de momentos para S= X1+ X2+ + X6 , de la siguiente manera EJEMPLO PGINA 167 ILUSTRACIN DEL TLC 2. Las probabilidades P(S=s) = f(s), s = 6, , 36 se obtienen de los coeficientes que multiplican los trminos est en la generatriz de momentos de S. 3. La relacin entre Y y S dada por
establece una correspondencia biunvoca entre
Y y S. Por lo tanto, con las probabilidades P(S=s) se pueden obtener las probabilidad P(Y=y) para valores de y correspondientes a cada s. Pues S = 4,1856 Y +21 EJEMPLO PGINA 170 Sea X una variable aleatoria con distribucin de probabilidad dada por x fx) 1 1/4 2 1/4 3 1/2
Como se puede notar, la distribucin de la
variable Y es aproximadamente normal estndar. EJEMPLO PGINA 170 (COMO EJERCICIO) Sea S = X1+ X2+ + X8 , A) obtenga la generatriz de momentos de S para aproximar f(y). B) Obtengan los coeficientes que multiplican los trminos ets de la generatriz de S8 para obtener las probabilidades de s P(S=s). C) Con las probabilidades cobtenga las probabilidades de y P(Y=y) mediante la relacin biunvoca entre S y Y. D) Construya la tabla con los valores de s, y, P(S=s), P(Y=y) , F(Y) y (y).