Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Métodos combinatorios Principios fundamentales de conteo Métodos combinatorios En muchos problemas es necesario citar todas las alternativas posibles de una situación dada o por lo menos determinar cuántas posibilidades diferentes existen. Teorema 1.1 Teorema 1.2 El número de permutaciones o combinaciones de n objetos distintos es n!. Para un entero n 0, n factorial, expresado n!, se define por : 0! = 1, n! = (n)·(n-1)·(n-2)·...·3·2·1, para n 1 21 nn + Si una operación consta de dos pasos, de los cuales el primero puede efectuarse en n1 formas y el segundo de n2 formas y no se pueden realizar las dos a la vez se lleva a cabo de manera: Métodos combinatorios Principios fundamentales de conteo Teorema 1.3 Teorema 1.4 21 nn knnnn ...321 Si una operación consta de dos pasos, de los cuales el primero puede efectuarse en n1 formas y para cada una de éstas el segundo puede realizarse en n2 formas, entonces la operación se lleva a cabo de manera: La “regla de multiplicación” puede ampliarse para comprender situaciones donde una operación consta de un número fijo de pasos. El caso general se enuncia en el siguiente teorema: Si una operación consta de k pasos, de los cuales el primero puede efectuarse en n1 formas, para cada una de éstas el segundo puede realizarse en n2 maneras, para cada un de éstas el tercero puede realizare en n3 formas, etc., entonces toda la operación puede llevarse a cabo en formas. Métodos combinatorios Principios fundamentales de conteo Combinaciones Se consideran n objetos de los que se seleccionan r objetos. A menudo nos interesa determinar el número de maneras de seleccionar de entre n objetos distintos sin considerar el orden en el cual se seleccionen. Estas selecciones se denominan combinaciones. En realidad “combinación” significa lo mismo que “subconjunto” y, cuando pedimos el número de combinaciones de r objetos seleccionados de un conjunto de n objetos distintos, simplemente solicitamos el número total de subconjuntos de r objetos que pueden seleccionarse de un conjunto de n objetos diversos. Teorema 1.5 El número de combinaciones de r objetos seleccionados de un conjunto de n objetos es: )!(! ! rnr n r n nCm − = = Métodos combinatorios Principios fundamentales de conteo Permutaciones Teorema 1.6 En todo lo expuesto se ha considerado que los n objetos de los que se seleccionan r objetos sin importar el orden, es decir, con frecuencia, estamos interesados en situaciones donde los productos o resultados son los órdenes o arreglos diferentes de un grupo de objetos. Los diversos arreglos se denominan permutaciones. )!( ! Pr rn n n − = El número de permutaciones de n objetos diferentes tomados r a la vez es: Teorema 1.7 El número de permutaciones de n objetos de los cuales n1 son de un tipo, n2 son de un segundo tipo, ….., nk son de un k-ésimo tipo, y n1 + n2 + n3+ …+ nk = n, es: knnnn n ... ! 321 Métodos combinatorios Principios fundamentales de conteo Ejercicio 1 6 )1*2(*)1*2( 1*2*3*4 )!24(!2 !4 == − =nCm 12 1*2 1*2*3*4 )!24( !4 Pr == − =n Tenemos los números 1,2,3,4 y queremos obtener subconjuntos de dos números. Sin importar el orden: (1,2); (1,3); (1,4); (2,3); (2,4) y (3,4) Importando el orden: (1,2); (1,3); (1,4); (2,1); (2,3); (2,4); (3,1); (3,2); (3,4); (4,1); (4,2) y (4,3) La probabilidad de que en una tómbola obtengas (1,2) sin importar el orden es de 1/6. La probabilidad de que en una tómbola obtengas (1,2) importando el orden es de 1/12. . 1 ... 210 )( 0 01122110 knk n k nnnnnn yx k n yx n n yx n n yx n yx n yx n yx − = −−− = + − ++ + + =+ Métodos combinatorios Principios fundamentales de conteo Teorema binomial Si x e y son variables y n es un entero positivo, entonces Al desarrollar el producto (x+y) (x+y) (x+y) ... (x+y) obtendremos una serie de sumandos de forma que cada uno de ellos será un producto de un cierto número de x’s por otro cierto número de y’s. Si contamos en cada sumando el número de x’s más el número de y’s, tendremos que ese número siempre es igual al número de paréntesis que multiplicamos, que es n. Estos posibles sumandos variarán desde tener 0 x’s y n y’s, después 1 x’s con n-1 y’s, y así sucesivamente. Cualquiera de ellos lo podemos escribir de la forma xkyn-k , con 0 k n, Al sumar, el coeficiente de xkyn-k , 0 k n, es el número de veces que aparece ese sumando al desarrollar el producto, esto es, formas distintas en que se pueden seleccionar las k x’s (y en consecuencia las (n–k) y’s) de las n x’s disponibles en los n factores (por ejemplo, una forma es elegir x de los primeros k factores e y de los últimos n–k factores). El número total de las selecciones de tamaño k de una colección de tamaño n es k n Distribuciones de probabilidad Variable aleatoria Un modelo probabilista nos permite deducir una Distribución de Probabilidad de resultados de un experimento aleatorio, siendo estos resultados los valores de la variable aleatoria. Conceptos Concretos (Empíricos) Conceptos Abstractos (Teóricos) Muestra Variable Estadística Frecuencia relativa (fir) Distribución de frecuencias. Media X Variancia S2 D. Estándar. S Población Variable Aleatoria Probabilidad (p) Distribución de probabilidad. Media Varianza 2 D. Estándar Variable aleatoria Cualquier característica que se puede medir (expresar numéricamente) en los individuos de una población y que varía de unos a otros. El numero de puntos obtenidos al lanzar un dado El rendimiento constatado en una parcela Cuando una característica aleatoria es de tipo cualitativo (hombre o mujer) se pueden codificar numéricamente sus diferentes alternativas y tratarla como una variable aleatoria. Cuando sobre cada individuo de la población se estudian K características diferentes (todas ellas expresables numéricamente). Se estudia el sexo, la edad, la estatura y el peso. Distribuciones de probabilidad Variable aleatoria Variable k-dimensional Variable discreta Variable continua Cuando el conjunto de los valores que podría tomar una determinada variable aleatoria es discreto (finito o infinito numerable). El nº de puntos al lanzar un dado El nº de picadas de ceratitis en cada naranja de un huerto El nº de errores en un programa de ordenador Cuando el conjunto de los valores que podría tomar una determinada variable aleatoria es un infinito continuo. Todas las características q se miden sobre una escala de naturaleza básicamente continua. Peso, rendimiento, tiempo, resistencia,... Distribuciones de probabilidad Experimento aleatorio Ejemplo Un experimento es considerado aleatorio si sus resultados son inciertos. Experimento aleatorio: “Arrojar un dado” Variable aleatoria: X = “Número de puntos obtenidos al lanzar un dado” x1 = 1; x2 = 2; x3 = 3; x4 = 4; x5 = 5 y x6 = 6 TAREA 3: Conteo Ejercicio 1. Cual es la probabilidad de ganar el “melate”. Recordar que se escogen 6 números de 51 posibles. TAREA 3: Variable aleatoria Ejercicio 2 En el estudio de insecticidas, se define la LD50 de un producto como aquella dosis mínima que administrada a ratas provoca la muerte al 50% de las mismas. Al estudiar la LD50 de un determinado producto: ¿Cuál es la población implicada? ¿Cuál es la variable aleatoria considerada? TAREA 3: Experimento aleatorio TAREA 3: Variable aleatoria En una empresa les interesa cuantificar, con el fin de controlar el consumo de energía (utilizada en su mayor parte en la climatización de las naves), la relación existente entre el consumo diario de electricidad y la temperatura media del día correspondiente. ¿Cuál es la población implicada y la variable aleatoria considerada? Ejercicio 3 Ejercicio 4 Supongamos que en México el 90% de los matrimonios que se divorcianestán formados por católicos y sólo un 5% lo están por ateos. Por tanto, la religión es una causa importante en las decisiones de divorcio. ¿Qué podría deducirse de la afirmación anterior?. Distribuciones de probabilidad Ejercicio La relación entre delincuencia y tamaño familiar ha sido discutida por muchos autores. En apoyo de su tesis, el Sr. X facilitaba los siguientes datos relativos al número de hermanos en las familias de jóvenes acusados de delitos. Los datos corresponden acierto juzgado londinense durante cierto período. Nº de hijos en la familia del delincuente Nº de casos 1 5 2 8 3 11 4 14 5 16 6 18 El Sr.X argumentaba que de los datos anteriores se desprendía que al aumentar el tamaño de la familia aumentaba la probabilidad de delincuencia. Experimento aleatorio Distribuciones de probabilidad Ejercicio 1 En una réplica a las afirmaciones anteriores, el Sr.Y argumentó que el Sr X no había tenido en cuenta que al aumentar el número de hijos era lógico que aumentara la probabilidad de que al menos uno fuera delincuente (es decir, que una familia con 2 hijos tiene mayor probabilidad de que uno sea delincuente que una con 1 hijo, sin que ello implique que al aumentar el tamaño de familia aumente la probabilidad individual de que cada hijo resulte delincuente). El Sr Y que las cifras anteriores debería corregirse para tener en cuenta dicho sesgo, dividiendo el número de casos por el de hijos, obteniendo el siguiente resultado: Nº de hijos en la familia del delincuente Nº de casos 1 5 2 4 3 3.7 4 3.5 5 3.2 6 3 El Sr Y deducía de su análisis una conclusión contraria a la del Sr X: al aumentar el número de hijos disminuía la probabilidad individual de que cada unos de ellos resultara un delincuente. Comente Experimento aleatorio Es la representación gráfica de un conjunto de datos que se emplea para representar datos de una variable cuantitativa. Eje horizontal valores posibles de la variable. Eje vertical frecuencias (absolutas o relativas) con q aparecen dichos valores. Sobre cada tramo se levanta una barra de altura proporcional a la frecuencia (es indiferente que sea absoluta o relativa) de valores observados en el tramo considerado. Para el caso de variables continuas se obtiene la Curva de Gauss Un mínimo de 40 ó 50 datos es aconsejable para construir un histograma. El número adecuado de tramos depende del tamaño de la muestra. En cualquier caso no es frecuente, ni presenta en general ventaja alguna, trazar un histograma con más de 15 ó 20 tramos (10-15 es recomendable). Una regla empírica que conduce a valores razonables es utilizar como número de tramos a un entero cercano a la raíz cuadrada del número de datos. Distribuciones de probabilidad Histograma Distribuciones de probabilidad Diagrama de frecuencias acumuladas En este caso, las abscisas levantadas sobre el límite superior de cada intervalo corresponden a la frecuencia acumuladas, es decir a la suma de las frecuencias constatadas en todos los intervalos anteriores al considerado. Nº de hijos en la familia del delincuente Nº de casos Nº de casos acumulado 1 5 5.0 2 4 9.0 3 3.7 12.7 4 3.5 16.2 5 3.2 19.4 6 3 22.4 Distribuciones de probabilidad Histograma vs diagrama de frecuencias acumuladas Histograma Diagrama de frecuencias acumuladas Nº de casos 0 1 2 3 4 5 1 2 3 4 5 6 Nº de casos acumulado 0 3 6 9 12 15 18 21 24 1 2 3 4 5 6 Distribuciones discretas de probabilidad Distribuciones discretas de probabilidad Puede considerarse como una distribución de frecuencias relativas correspondiente a una población. Las distribuciones de probabilidad son consideradas Teóricas en el sentido que se obtienen por un razonamiento lógico, en lugar de experimentos reales. V.A. Discretas V.A. Continuas Binomial Poisson Hipergeométrica Normal “t” de Student “ji”-Cuadrado (2) “F” de Fisher Una distribución de probabilidad para una variable aleatoria discreta es un listado mutuamente excluyente, de todos los resultados numéricos posibles, tal que existe una probabilidad particular de ocurrencia asociada con cada uno de ellos. Distribuciones discretas de probabilidad Distribuciones discretas de probabilidad Ejemplo El experimento aleatorio consiste en el lanzamiento de cuatro monedas. ¿Cuales son los resultados posibles del experimento aleatorio para el suceso que salga cara? ¿Cuál es la probabilidad del número de caras en el experimento aleatorio? Grafico de Distribución de Eventos C (4,0) 1/16 C X (3,1) 1/16 C X C (3,1) 1/16 X (2,2) 1/16 C C (3,1) 1/16 C X (2,2) 1/16 X X C (2,2) 1/16 X (1,3) 1/16 C (3,1) 1/16 C X (2,2) 1/16 C X C (2,2) 1/16 X (1,3) 1/16 X C (2,2) 1/16 C X (1,3) 1/16 X X C (1,3) 1/16 X (0,4) 1/16 Distribuciones discretas de probabilidad Distribuciones discretas de probabilidad Ejemplo Distribución de frecuencias relativas y frecuencias relativas acumuladas del número de caras al arrojar cuatro monedas. Número de caras f(xi) F(xi) 0 1/16 1/16 1 4/16 5/16 2 6/16 11/16 3 4/16 15/16 4 1/16 16/16 Distribución de probabilidad 0 1/16 2/16 2/16 3/16 4/16 5/16 6/16 6/16 0 1 2 3 4 Número de caras f( x i) Distribuciones discretas de probabilidad Distribuciones discretas de probabilidad Ejemplo Distribuciones discretas de probabilidad Función de probabilidad f(xi) )()( ii xXPxf == ( ) = = N 1i i 1xf Si X es una variable aleatoria que puede asumir valores x1, x2, ...., xn, con probabilidades asociadas f(x1), f(x2), ...., f(xn), entonces el conjunto de pares ordenados (xi, fxi), i = 1, 2, ...., n, se llama Función de probabilidad o Distribución de probabilidad de X. •La función f(xi), asume un valor numérico para todas las xi, 1 i N •f(xi) 0 para cualquier valor posible de x. Ejemplo: La probabilidad de que al arrojar cuatro monedas salgan dos caras 16/6)2()2( === XPf Distribuciones discretas de probabilidad Función de distribución acumulada F(xi) == Xx ii i xfxXPxF )()()( 16/11)2()2( == XPf Si X es una variable aleatoria y, x es un número real, la Función de Distribución Acumulada de x, representada por F(xi), muestra la probabilidad de que X asuma valores menores o iguales a x y se expresa: •0 F(x) 1 •Si a < b, entonces F(a) < F(b). •F() = P(x ) = 1 •F(- ) = P(x - ) = 0 Ejemplo: La probabilidad de que al arrojar cuatro monedas salgan dos o menos caras Distribuciones discretas de probabilidad Esperanza matemática )(*...)(*)(*)( 2211 nnX xfxxfxxfxxE +++== == N i ii xfxxE 1 )(*)( El valor esperado o esperanza matemática de una variable aleatoria discreta es un promedio y se calcula como la suma de cada valor que toma la variable aleatoria multiplicada por su respectiva probabilidad. Ejemplo: El valor esperado de caras al arrojar cuatro monedas es x = E(X) = 0 (1/16) + 1 (4/16) + 2 (6/16) + 3 (4/16) + 4 (1/16) = 2 caras. Distribuciones discretas de probabilidad Varianza = −== N i ixix xfxxV 1 22 )(*)()( La varianza de una variable aleatoria discreta se puede considerar como la desviación promedio al cuadrado en torno a la media (Ex) tomada sobre todos los valores. Ejemplo: La variabilidad de caras al arrojar cuatro monedas es V(x) = 2x = [(0 – 2) 2 (1/16)] + [(1 – 2)2 (4/16)] + [(2 – 2)2 (6/16)] + [(3 – 2)2 (4/16)] + [(4 – 2)2 (1/16)] 2x = 4*(1/16) + 1*(4/16) + 0*(6/16) + 1*(4/16) + 4*(1/16) 2x = ¼ + ¼ + ¼ + ¼ = 1 x = 1 Distribuciones discretas de probabilidad Esperanza matemática y varianza Demanda X Días Probabilidad f(x) F(x) E(x) V(x) 3 3 0.06 0.06 0.18 0.42 4 7 0.14 0.20 0.56 0.39 5 12 0.24 0.44 1.20 0.10 6 14 0.28 0.72 1.68 0.03 7 10 0.20 0.92 1.40 0.36 8 4 0.08 1.00 0.64 0.44 50 1 5.66 1.74 Probabilidad f(x) 0.00 0.05 0.10 0.15 0.20 0.25 0.30 3 4 5 6 7 8 Ver Excel: Distribuciones de la muestra Distribución de la muestraEjemplo Se denomina distribución muestral a la función de densidad de un estadístico y esta función puede depender o no de parámetros desconocidos. Sea X1, X2,...,Xn una muestra aleatoria de tamaño n de variables independientes e idénticamente distribuidas, con una función de densidad f(x,θ), donde θ es un parámetro desconocido (o un conjunto de parámetros). Sea Θ el conjunto de todos los valores que θ puede tomar. Sea £ = {f(x, θ), θЄΘ} el conjunto que representa la familia de todas las posibles funciones de densidad obtenidas para cualquier valor de θ. La función de densidad conjunta de la muestra aleatoria X1, X2,...,Xn está dada por: Como las variables son idénticamente distribuidas, la función de densidad conjunta puede expresarse como: Binomial, poisson, unifome, normal, F, etc. Distribuciones de la muestra Distribución de la muestra La distribución de todos los valores posibles que puede asumir un estadístico muestral, calculados a partir de muestras del mismo tamaño y extraído en forma aleatoria de la misma población, se llama distribución muestral de ese estadístico. La distribución por muestreo de un estadístico muestral es la distribución de probabilidad del mismo, calculado en cada una de las muestras posibles extraídas aleatoriamente de la población. Construcción de la distribución por muestreo 1. De una población finita de tamaño N, se extraen al azar todas las muestras posibles (K) de igual tamaño n. 2. Se calcula el estadístico muestral de interés para cada muestra. 3. Se organizan y presentan los valores del estadístico muestral calculados en una tabla de distribución de probabilidad. ( ) =xE ( ) n xV 2 = n x = El promedio de las medias muestrales es igual a la media de la población. La varianza de la variable aleatoria media muestral, es directamente proporcional a la variancia poblacional e inversamente proporcional al tamaño de la muestra. El valor que cuantifica la variación de las medias muestrales, para un mismo tamaño de muestra es la Desviación estándar de la media. Distribuciones de la muestra Distribución de la muestra Media Varianza Desviación estándar Distribuciones de la muestra Distribución de la muestra Forma de la distribución muestral de la media 1. Si la población de origen es normal, la distribución de la media muestral es también normal, independiente del tamaño (n) de la muestra extraída con una media, y varianza, 2/n 2. Si la población de origen no presenta una distribución normal o si el tamaño de la muestra es grande, por el Teorema Central del Límite se cumple: “Dada una población de cualquier forma funcional no normal con una media y variancia finita, 2, la distribución muestral de la media, calculada a partir de muestras de igual tamaño (n) de dicha población, será aproximadamente normal con media, y variancia, 2/n, cuando la muestra es grande” 3. A medida que el tamaño (n) de la muestra aumenta, la distribución muestral de la media se concentra cada vez más alrededor de , y la variabilidad de las medias, cuantificadas por el error estándar (n), disminuye. n Nx ; Distribuciones de la muestra Distribución de la muestra Forma de la distribución muestral de la varianza La distribución de probabilidad de la varianza muestral es asimétrica positiva y se relaciona con la distribución continua chi- cuadrado 2 cuando el tamaño muestral es n 30. ( ) 2 2 2 1 − = nS Cuando n → su forma se aproxima a una normal Distribuciones de la muestra Distribución de la muestra Ejemplo Para introducir el concepto de distribución muestral, elaboraremos la de la media de una muestra aleatoria de tamaño n=2 tomada sin remplazo de la población finita de tamaño N=5, cuyos elementos son: 3,5,7,9,11. Población La media es: y su desviación estándar es: Distribuciones de la muestra Distribución de la muestra Ejemplo Muestra Ahora si tomamos una muestra aleatoria de tamaño n = 2 de esta población, hay posibilidades: Nº muestra Muestras Media 1 3 5 4 2 3 7 5 3 3 9 6 4 3 11 7 5 5 7 6 6 5 9 7 7 5 11 8 8 7 9 8 9 7 11 9 10 9 11 10 Distribuciones de la muestra Distribución de la muestra Ejemplo Muestra Media Probabilidad 4 1/10 5 1/10 6 2/10 7 2/10 8 2/10 9 1/10 10 1/10 Distribuciones de la muestra Distribución de la muestra Ejemplo Muestra x = E(X) = 4*(1/10) + 5*(1/10)+ 6*(2/10)+7*(2/10)+8(2/10)+9*(1/10)+10*(1/10) x = E(X) = 4/10 + 5/10+ 12/10+14/10+16/10+9/10+10/10 = 7 V(x) = 2x = [(4 – 7) 2 (1/10)] + [(5 – 7)2 (1/10)] + [(6 – 7)2 (2/10)] + [(7 – 7)2 (2/10)] + [(8 – 7)2 (2/10)] + [(9 – 7)2 (1/10)] + [(10 – 7)2 (1/10)] 2x = 9/10 + 4/10 + 2/10 + 0 + 2/10+ 4/10+ 9/10 2x = 3 x = Observamos que la media muestral coincide con la media de la población y la desviación típica ha disminuido. Distribuciones de la muestra Distribución de la muestra Ejemplo Muestra Media de la distribución muestral de Error estándar de la media (desviación típica de la muestra) Se conoce como factor de corrección de la población finita. En la práctica, este se omite a menos de que la muestra constituya al menos un 5% de la población, pues en otro caso se aproxima tanto a 1 que es despreciable (es decir si la muestra no llega al 5% del tamaño de la población, no es necesario usar el factor de corrección) VER EXCEL: Profesores inscritos en 5 escuelas Grupos de 2 escuelas con reemplazo Profesores inscritos posibles: 2,3,6,8,11 Distribuciones de la muestra Teorema de Chebyshev Para cualquier conjunto de datos (de una población o una muestra) y cualquier constante k mayor que 1, el porcentaje de los datos que debe caer dentro de k-veces la desviación típica de cualquier lado de la media es de por lo menos: El teorema de Chebyshev se aplica a cualquier tipo de datos, pero sólo nos indica “por lo menos que porcentaje” debe caer entre ciertos límites. Pero para casi todos los datos, el porcentaje real de datos que cae entre esos limites es bastante mayor que el que especifica el teorema de Chebyshev. Para las distribuciones que tienen forma de campana puede hacerse una aseveración más fuerte: Ejemplo: 2 desviaciones estándar. (1-1/4) = ¾ Al menos el 75% de los datos se encuentran alrededor de la media y +/- 2 desviaciones estándar Distribuciones de la muestra Teorema de Chebyshev Para las distribuciones que tienen forma de campana puede hacerse una aseveración más fuerte: (2) aproximadamente el 95% de los valores caerán dentro de dos desviaciones típicas de la media, esto es : (3) aproximadamente el 99,7% de los valores caerán dentro de dos desviaciones típicas de la media, esto es : (1) alrededor del 68% de los valores caerán dentro de una desviación típica de la media esto es: entre Distribuciones de la muestra Desigualdad de Chebyshev Teorema Sea X una variable aleatoria con E(X) = m y varianza V(X) = s². Sea ε cualquier número positivo, entonces En muchas aplicaciones, el valor e se expresa como múltiplo de la desviación estándar como kσ, entonces la desigualdad de Chebyshef se expresa como: Cuando la variable de interés no es una observación individual sino una media muestral , entonces el valor esperado está dado por xE( ) = µ y varianza V( ) = σ²/n. x En este caso la desigualdad de Chebyshev estará dada por: Esto nos dice que cuando n es grande, la probabilidad de que haya alguna diferencia entre la verdadera media µ y su estimador x tiende a cero, es decir, que cuando n→∞, entonces Distribuciones de la muestra Desigualdad de Chebyshev Teorema Sea X una variable aleatoria con E(X) = m y varianza V(X) = s². Sea ε cualquier número positivo, entonces En muchas aplicaciones, el valor e se expresa como múltiplo de la desviación estándar como kσ, entonces la desigualdad de Chebyshef se expresa como: Cuando la variable de interés no es una observación individual sino una media muestral , entonces el valor esperado está dado por xE( ) = µ y varianzaV( ) = σ²/n. x Distribuciones de la muestra Desigualdad de Chebyshev En este caso la desigualdad de Chebyshev estará dada por: Esto nos dice que cuando n es grande, la probabilidad de que haya alguna diferencia entre la verdadera media µ y su estimador x tiende a cero, es decir, que cuando n→∞, entonces x →µ Desigualdad de Chebyshev Distribución límite Ejemplo Se tiene un lote grande de artículos y se desea estimar la fracción defectuosa usando muestreo aleatorio simple. Usando la desigualdad de Chebyshev, se desea encontrar el tamaño de muestra n tal que la probabilidad sea al menos del 95% de que la fracción defectuosa difiera de la verdadera fracción defectuosa en no más de 0.10. 2 2 )( n xP − 2 2 )( n xP − 01.0* 10.0)( 2 n xP − 01.0* 95.0 2 n 0095.0 2 n Ley de los grandes números Distribución límite Teorema Suponga que X1, X2,...,Xn es una secuencia arbitraria de variables aleatorias con valores esperados E(X1), E(X2),...,E(Xn). Suponga además que la variable aleatoria = n i iX 1 tiene varianza para cada valor de n entero. Si cuando n→∞ y ε es un número positivo, entonces, cuando n→∞ o equivalentemente cuando n→∞ n converge Ley de los grandes números Distribución límite Definición Una secuencia de variables aleatorias Zn converge en probabilidad o converge estocásticamente a una constante "a" si para cada número positivo ε cuando n→∞ El teorema enunciado anteriormente puede escribirse como: cuando n→∞ El teorema anterior se le conoce como la "Ley débil de los grandes números". Ley de los grandes números Distribución límite Colorario Si x es la media muestral de una población inducida por una variable aleatoria X con media µ y varianza σ2, y si ε>0, entonces Si la muestra es grande existe una alta probabilidad de que la media muestral x esté cerca de la media poblacional µ. Escogiendo un tamaño de muestra suficientemente grande podemos hacer que la probabilidad de que la media muestral tienda a la media poblacional sea tan alta (tan cerca de uno) como queramos. Conclusión Ley de los grandes números Distribución límite Aplicación a la distribución Binomial Conclusión Colorario Sea X el resultado de un ensayo de Bernoulli {0,1}, (por ejemplo, la inspección de un artículo) con P(X=1) = θ y P(X=0) = q= 1 - θ. Sea Sn el número de éxitos (artículos defectuosos) en los n ensayos de Bernoulli. El número medio de éxitos por ensayo x puede calcularse como: Teorema de Bernoulli). Si Sn representa el número de éxitos en n ensayos independientes de un evento con probabilidad θ, y si ε > 0, entonces Si la muestra es grande existe una alta probabilidad de que la proporción muestral P esté cerca de la verdadera proporción poblacional θ. donde los ai son valores constantes. Combinación lineal de variables normales Distribución límite Teorema Sea X1, X2,..., Xn un conjunto de variables aleatorias distribuidas normalmente con valores esperados µi y varianzas σi 2, para i=1,2,...,n, entonces se distribuye normalmente con valores esperado y varianza Ejercicio: Una estación de gasolina vende tres clases de combustibles: Diesel, gasolina corriente y gasolina extra, a precios de $2,100, $3,050 y $3,900 el galón, respectivamente. Suponga que la cantidad vendida diariamente de cada tipo se distribuye normalmente con medias 300, 500 y 1,000 galones, y desviaciones estándares de 80, 50 y 100 galones, respectivamente. Se pide calcular: a) El ingreso medio diario b) La desviación estándar c) La probabilidad de que el ingreso diario supere los 6 millones de pesos? Los 7? Los 8? Distribuciones de la muestra Teorema Central del Límite Para muestras grandes, se puede obtener una aproximación cercana de la distribución muestral de la media con una distribución normal. Teniendo en cuenta que ya sabemos la media y desviación típica de la distribución muestral, podemos decir que: para n grande, entonces: Este teorema es muy importante, puesto que justifica el uso de los métodos de la curva normal en una gran cantidad de problemas. Se utiliza para poblaciones infinitas y para poblaciones finitas cuando n a pesar de ser grande representa una porción muy pequeña de la población. Es difícil señalar con precisión qué tan grande debe ser n de modo que podamos aplicar el Teorema Central del límite, pero a no ser que la distribución sea muy Inusual, por lo general se considera que n =30 es lo suficientemente alto. es un valor de una variable N(0,1) Diapositiva 1 Diapositiva 2 Diapositiva 3 Diapositiva 4 Diapositiva 5 Diapositiva 6 Diapositiva 7 Diapositiva 8 Diapositiva 9 Diapositiva 10 Diapositiva 11 Diapositiva 12 Diapositiva 13 Diapositiva 14 Diapositiva 15 Diapositiva 16 Diapositiva 17 Diapositiva 18 Diapositiva 19 Diapositiva 20 Diapositiva 21 Diapositiva 22 Diapositiva 23 Diapositiva 24 Diapositiva 25 Diapositiva 26 Diapositiva 27 Diapositiva 28 Diapositiva 29 Diapositiva 30 Diapositiva 31 Diapositiva 32 Diapositiva 33 Diapositiva 34 Diapositiva 35 Diapositiva 36 Diapositiva 37 Diapositiva 38 Diapositiva 39 Diapositiva 40 Diapositiva 41 Diapositiva 42 Diapositiva 43 Diapositiva 44 Diapositiva 45 Diapositiva 46 Diapositiva 47
Compartir