Clase8 - 2 Teoria y Probabilidad de Colas Ude@

Distribuciones Muestrales
Distribucin de la media muestral

Vernica Guarn.
Universidad de Antioquia
Teora de la probabilidad y colas
Ingeniera de Sistemas
6 de mayo de 2015
logo
logo
En el proceso de identificar y explicar las caractersticas esenciales que permiten describir el comportamiento de un fenmeno, nuestro objetivo es el de establecer de manera aproximada dicho comportamiento usando parte de toda la informacin
relevante acerca del fenmeno.
logo
Cuando se desea estimar un parmetro poblacional se puede

presentar cualquiera de los prximos 3 casos:
1
Estimar la proporcin de lavadoras que se descomponen

antes del tiempo de garanta.
Estimar el tiempo promedio que una persona permanece

en fila.
Estimar la variabilidad en los dimetros de tuercas de

cierto tipo.
Note en los casos anteriores que la caracterstica de inters es

una proporcin, un promedio y una varianza; las cuales en cada
caso son nicas
logo

1


en fila.

cierto tipo.

caso son nicas
logo

1


en fila.

cierto tipo.

caso son nicas
logo
Definicin:
Sean X y Y dos variables aleatorias con una distribucin conjunta, se dice que X y Y son estadsticamente independientes S y solo s:
p(x, y ) = p(x)p(y )
si X y Y son discretas.
f (x, y ) = f (x)f (y )
si X y Y son continuas.
Si en algn caso al menos una pareja (x, y ) no cumple lo anterior se dice que X y Y son dependientes.
logo
De esta manera, si X y Y son estadsticamente independientes,

entonces:
pX |y = p(x)
pY |x = p(y ) Para el caso discreto.
fX |y = f (x)
fY |x = f (y ) Para el caso continuo.
logo
Sean a, b, c y d, constantes. Si X y Y son independientes,

entonces:
1
P(a < X < b, c < Y < d) = P(a < X < b)P(c < Y < d)
E[XY ] = E[X ]E[Y ]
Cov (X , Y ) = 0 (Ojo: si Cov(X,Y)=0 no implica que X y Y

sean independientes)
Var (aX + bY ) = a2 Var (X ) + b2 Var (Y )
Recuerde que: Var (X Y ) = Var (X ) + Var (Y ) 2Cov (X , Y )
logo

entonces:
1
E[XY ] = E[X ]E[Y ]

logo

entonces:
1
E[XY ] = E[X ]E[Y ]

logo

entonces:
1
E[XY ] = E[X ]E[Y ]

logo
Definicin:
Si las variables aleatorias X1 , X2 , . . . , Xn cumplen que:
1
Las Xi con i = 1, 2, . . . , n son variables aleatorias

independientes.
Cada Xi tiene la misma distribucin de probabilidad.
Entonces se dice que X1 , X2 , . . . , Xn , forman una muestra aleatoria (m.a); as que el conjunto de las n variables son estadsticamente independientes e idnticamente distribudas. De modo
que:
f (x1 , x2 , . . . , xn ) =
n
Y
f (xi ) y E[Xi ] = Var [Xi ] = 2 i = 1, 2, 3, . . . , n
i=1
logo
Definicin:
Si las variables aleatorias X1 , X2 , . . . , Xn cumplen que:
1
Las Xi con i = 1, 2, . . . , n son variables aleatorias

independientes.
Cada Xi tiene la misma distribucin de probabilidad.
Entonces se dice que X1 , X2 , . . . , Xn , forman una muestra aleatoria (m.a); as que el conjunto de las n variables son estadsticamente independientes e idnticamente distribudas. De modo
que:
f (x1 , x2 , . . . , xn ) =
n
Y
f (xi ) y E[Xi ] = Var [Xi ] = 2 i = 1, 2, 3, . . . , n
i=1
logo
De una muestra aleatoria nos interesa principalmente dos cosas

1
Estimar los parmetros desconocidos de la f.d.p. Por

ejemplo: la media,la varianza, una proporcin, etc.
Realizar inferencias 1 sobre los parmetros de un
distribucin.
logo
1
Este tema se estudia ms adelante

De una muestra aleatoria nos interesa principalmente dos cosas

1
Estimar los parmetros desconocidos de la f.d.p. Por

ejemplo: la media,la varianza, una proporcin, etc.
Realizar inferencias 1 sobre los parmetros de un
distribucin.
logo
1
Este tema se estudia ms adelante

Estadsticos
Un Estadstico es una funcin de la muestra aleatoria que no
tiene cantidades desconocidas. No todos los estadsticos que
se definen a partir de una m.a. son de inters. La idea est en
encontrar aquellos que permiten obtener mejores aproximaciones a los parmetros de inters. (Por ejemplo la media , la
varianza 2 o una proporcin p).
= 1 Pn Xi
Una buena aproximacin para es: X
i=1
n
1 Pn
2
Una buena aproximacin para 2 es: S 2 = n1
i=1 (Xi X )
Una buena aproximacin para p es: Xn , X b(n, p)
logo
?
Cul es la distribucin de X
Cul es la distribuccin de 2 ?
Cul es la distribucin de
X
n;
con X b(n, p)?.
logo
Distribucin de la media muestral:
las xs son de una distribucion normal

Sea X1 , X2 , ..., Xn una muestra aleatoria
de una distribucin con
= 1 Pn Xi Entonces:
media y varianza 2 . Sea X
i=1
n
n
"
X
] = E 1
Xi
E[X
n
i=1
n
1X
n
1
n
i=1
n
X
E [Xi ] Por propiedad del valor esperado

como los Xi son una m.a. tienen la misma media
i=1
1
= (n)
n
=
logo
Distribucin de la media muestral:

] = Var [ 1
Var [X
n
=
n
X
Xi
i=1
n
1 X
Var [Xi ]
n2
i=1
n
1 X 2
= 2
los Xi tienen la misma varianza
n
i=1

1
= 2 n 2
n
2
=
n
, tiene media y varianza
As la distribucin muestral de X
2
n .
logo
P
Anlogamente se tiene que si T = ni=1 Xi , entonces E[T ] = n
y Var (T ) = n 2
Teorema:
Suponga que X1 , . . . , Xn es una muestra aleatoria de una poblacin normal con media y varianza 2 , entonces
N(, 2 /n)
X
T =
n
X
Xi N(n, n 2 )
i=1
As

T n
X
N(0, 1) y
N(0, 1)
/ n
n
logo
Ejemplo:
En una prueba de fatiga por tensin con un espcimen de titanio, el nmero esperado de ciclos hasta la primera emisin
acstica (utilizada para indicar la iniciacin del agrietamiento)
es = 28000 y = 5000. Sean X1 , X2 , . . . , X25 una muestra
aleatoria de tamao 25, donde cada Xi es el nmero de ciclos
en un espcimen diferente seleccionado al azar. Entonces, el
valor esperado del nmero de ciclos medio muestral hasta la
) = = 28000, y el nmero total esprimera emisin es E(X
perado de ciclos para los 25 especmenes es E(T ) = n =
25(28000) = 700000.
logo
Solucin:
y T son:
La desviacin estndar de X
x =
T =
5000
25
n =
= 1000
25(5000) = 25000
logo
Ejemplo:
El tiempo que requiere una rata de cierta subespecie seleccionada al azar para encontrar su camino a travs de un laberinto
es una v.a normalmente distribuida con = 1.5 min y = 0.35
min. suponga que se seleccionan 5 ratas. sean X1 , . . . , X5 sus
tiempos en el laberinto. Suponiendo que las Xi son una m.a
de esta distribucin normal, Cul es la probabilidad de que el
tiempo total T = X1 + + X5 de las 5 sea de entre 6 y 8 min?
logo
Solucin:
T tiene una distribucin normal con T = n = 5(1.5) = 7.5
y varianza T2 = n 2 = 5(0.1225) = 0.6125, por tanto T =
0.783. Estandarizando a T tenemos,

6 7.5
8 7.5
P(6 T 8) =
Z
0.783
0.783
= P(1.92 Z 0.64) = (0.64) (1.92)
= 0.7115
logo
Ahora se quiere determinar la probabilidad de que el tiempo pro (una variable normalmente distribuida) sea a
medio muestral X
lo ms de 2 min.
Solucin:
= 0.1565.
Primero veamos que x = = 1.5 y x = n = 0.35
5
Entonces,
P(X 2) = Z
21.5
0.1565
= P(Z 3.19) = (3.19) = 0.9993
logo
Ejercicio:
El dimetro interno de un anillo de pistn seleccionado al azar
es una v.a con valor medio de 12 cm y desviacin estndar de
0.04 cm.
a) Si X es el dimetro medio de una muestra aleatoria de n = 16
anillos, Dnde est centrada la distribucin de X y cul es la
desviacin estndar de X ?
b) Responda las preguntas planteadas en el inciso a) con un
tamao de muestra de n = 64 anillos.
c) En cul de las dos muestras aleatorias, la del inciso a) o
la del b), es ms probable que X est dentro de 11.912 cm y
12.004 cm? Explique su razonamiento.
logo
Qu pasa cuando la muestra aleatoria no proviene de una normal?
logo
Teorema del lmite central (TLC):

Sean X1 , X2 , . . . , Xn una muestra aleatoria de una distribucin
la media muestral (la cual
con media y varianza 2 . Sea X
depende de n), entonces cuando n tiende a infinito, la distribu
X
es aproximadamente normal estndar.
cin muestral de /
n
Es decir:

X
n N(0, 1)
/ n
Entre mayor sea el n mejor es la aproximacin. Si la distribucin muestral es simtrica y continua, los tamaos muestrales
permiten obtener buenas aproximaciones. Si la distribucin es
discreta, se requiere de tamaos de muestra grandes.
logo
As

a =P
P X

X
a

/ n
/ n
Si 2 es desconocida y n es grande, se puede reemplazar a 2

por S 2 . As:

X
n N(0, 1)
S/ n
logo
Ejemplo:
Una compaa de electrnica fabrica resistores que tienen una
resistencia promedio de 100 y una desviacin estndar de 10.
La distribucin de la resistencia es normal, encuentre la probabilidad de que al tomar una muestra de n = 25 resistores, la
resistencia promedio de estos sea menor que 95.
logo
Solucin:
Ntese que la distribucin de muestreo de X es normal, con
media x = 100 y desviacin estndar de
x =
10
25
=2
Al estandarizar el punto X = 95, se tiene que:

P(X 95) =
0.0062
95100
2
= P(Z 2.5) = (2.5) =
logo
Ejemplo:
Supngase que una v.a X tiene una distribucin uniforme continua
(
1
4x 6
f (x) = 2
0 en otro caso.
Encuentre la distribucin de la media muestral de una m.a de
tamao n = 40
logo
Solucin:
2
La media y la varianza de X son = 5 y 2 = (64)

= 13 .
12
El (TLC) indica que la distribucin de X es aproximadamente
2
1
1
normal con media x = = 5 y varianza x2 = n = 3(40)
= 120
logo
Ejercicio:
La resistencia a la ruptura de un remache tiene un valor medio
de 10000 lb/pulg 2 y una desviacin estndar de 500 lb/pulg 2 .
Cul es la probabilidad de que la resistencia a la ruptura media de una muestra aleatoria de 40 remaches sea (est) entre
9900 y 10200?
logo
Resolver los ejercicios de las pginas 307 (Probabilidad y estadstica aplicada a la ingeniera (Montgomery))
logo
Referencias
Montgomery D.C y Runger G.C. Probabilidad y Estadstica Aplicadas a la Ingeniera. Limusa Wiley, 2004, segunda edicin.
Mendenhall W., Beaver R.J. y Beaver B.M. Introduccin a la
probabilidad y estadstica (12. ed.). Mxico: Cengage Learning,
2008
Roessler, R y Alder H.L. Introduction to probability and statistics
(6. ed.). Estados Unidos: W. H. Freeman, 1977
logo

Clase8 - 2 Teoria y Probabilidad de Colas Ude@

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clase8 - 2 Teoria y Probabilidad de Colas Ude@

Загружено:

Авторское право:

Доступные форматы

Distribuciones Muestrales

Distribucin de la media muestral

Teora de la probabilidad y colas

Distribucin de la media muestral

Teora de la probabilidad y colas

Distribucin de la media muestral

Teora de la probabilidad y colas

Distribucin de la media muestral

Cuando se desea estimar un parmetro poblacional se puede

Estimar la proporcin de lavadoras que se descomponen

Estimar el tiempo promedio que una persona permanece

Estimar la variabilidad en los dimetros de tuercas de

Note en los casos anteriores que la caracterstica de inters es

Teora de la probabilidad y colas

Distribucin de la media muestral

Cuando se desea estimar un parmetro poblacional se puede

Estimar la proporcin de lavadoras que se descomponen

Estimar el tiempo promedio que una persona permanece

Estimar la variabilidad en los dimetros de tuercas de

Note en los casos anteriores que la caracterstica de inters es

Teora de la probabilidad y colas

Distribucin de la media muestral

Cuando se desea estimar un parmetro poblacional se puede

Estimar la proporcin de lavadoras que se descomponen

Estimar el tiempo promedio que una persona permanece

Estimar la variabilidad en los dimetros de tuercas de

Note en los casos anteriores que la caracterstica de inters es

Teora de la probabilidad y colas

Distribucin de la media muestral

Teora de la probabilidad y colas

Distribucin de la media muestral

De esta manera, si X y Y son estadsticamente independientes,

pY |x = p(y ) Para el caso discreto.

fY |x = f (y ) Para el caso continuo.

Teora de la probabilidad y colas

Distribucin de la media muestral

Sean a, b, c y d, constantes. Si X y Y son independientes,

E[XY ] = E[X ]E[Y ]

Cov (X , Y ) = 0 (Ojo: si Cov(X,Y)=0 no implica que X y Y

Var (aX + bY ) = a2 Var (X ) + b2 Var (Y )

Recuerde que: Var (X Y ) = Var (X ) + Var (Y ) 2Cov (X , Y )

Teora de la probabilidad y colas

Distribucin de la media muestral

Sean a, b, c y d, constantes. Si X y Y son independientes,

E[XY ] = E[X ]E[Y ]

Cov (X , Y ) = 0 (Ojo: si Cov(X,Y)=0 no implica que X y Y

Var (aX + bY ) = a2 Var (X ) + b2 Var (Y )

Recuerde que: Var (X Y ) = Var (X ) + Var (Y ) 2Cov (X , Y )

Teora de la probabilidad y colas

Distribucin de la media muestral

Sean a, b, c y d, constantes. Si X y Y son independientes,

E[XY ] = E[X ]E[Y ]

Cov (X , Y ) = 0 (Ojo: si Cov(X,Y)=0 no implica que X y Y

Var (aX + bY ) = a2 Var (X ) + b2 Var (Y )

Recuerde que: Var (X Y ) = Var (X ) + Var (Y ) 2Cov (X , Y )

Teora de la probabilidad y colas

Distribucin de la media muestral

Sean a, b, c y d, constantes. Si X y Y son independientes,

E[XY ] = E[X ]E[Y ]

Cov (X , Y ) = 0 (Ojo: si Cov(X,Y)=0 no implica que X y Y

Var (aX + bY ) = a2 Var (X ) + b2 Var (Y )

Recuerde que: Var (X Y ) = Var (X ) + Var (Y ) 2Cov (X , Y )

Teora de la probabilidad y colas