Mostrando entradas con la etiqueta variable aleatoria. Mostrar todas las entradas
Mostrando entradas con la etiqueta variable aleatoria. Mostrar todas las entradas

sábado, 16 de abril de 2016

Un ejercicio sobre los modelos binomial e hipergeométrico de variable aleatoria discreta

ENUNCIADO. En una urna hay $10$ bolas ( de igual tamaño, masa y con la misma sensación al tacto ), de las cuales $6$ están pintadas de blanco y el resto de otros colores. Extraemos $4$ bolas al azar. Calcular la probabilidad de que entre éstas hay exactamente $2$ bolas blancas:
a) Sacando las cuatro bolas una a una, reemplazando la bola extraída en la urna antes de sacar la siguiente bola.
b) Sacando las cuatro bolas a la vez

ENUNCIADO.
a)
En el primer caso, las elecciones de bola son independientes, luego ya hemos visto en otros ejercicios parecidos que la probabilidad pedida ( aplicando la regla de Laplace, pues cada una de las $10$ puede escogerse con la misma probabilidad ) es igual al cociente entre el número de casos favorables al suceso por el que estamos interesados en el cálculo de su probabilidad y el número total de posibilidades, la probabilidad pedida es igual a $$\dfrac{\text{PR}_{4}^{2,2}\cdot \text{VR}_{6,2} \cdot \text{VR}_{10-6,2}}{\text{VR}_{10,4}} \approx 0,3456$$

Sin embargo, hay otra forma de calcular la probabilidad pedida, que consiste en utilizar el modelo binomial de variable aleatoria ( que funciona para pruebas repetidas independientes, con dos posibles resultados: "obtener bola blanca" o bien "obtener bola de color distinto al blanco". Denotemos por $X$ la v.a. números de bolas blancas que aparecen en el grupo de $4$ bolas extraídas, entonces $X=\{0,1,2,3,4\}$. Como en una extracción la probabilidad de sacar bola blanca es $\dfrac{6}{10}=0,6$ ( probabilidad de éxito ) y, por tanto, la probabilidad de nos sacar bola blanca es $1-0,6=0,4$, tenemos que $$P\{X=2\}=\binom{4}{2}\cdot (0,6)^2 \cdot (0,4^{4-2} \approx 0,3456$$

Nota 1: En las condiciones con las que hacemos las extracciones de bolas ( extracciones sucesivas independientes ), y para un caso general ( contemplando la posibilidad de cambiar los datos ) en que: $N$ represente el número de bolas de la urna; $N_b$ ( donde $N_b \le N $ ), el número de bolas de la urna que están pintadas de blanco; $m$ ( siendo $m \le N$ ), el número de bolas que extraemos; y, $m_b$, el de bolas que hay entre el grupo de $m$ bolas ( siendo $m_b \le m$ ) y que resultan ser blancas, podemos escribir que la probabilidad de que entre las $m$ bolas extraídas haya $m_b$ bolas blancas es igual a la función de probabilidad ( o de cuantía ) para $X=m_b$, esto es, $f_{\text{binomial}}(m_b)$; es decir,
$$P\{X=m_b\}=f_{\text{binomial}}(m_b)=\binom{m}{m_b }\cdot \left(\dfrac{N_b}{N}\right)^{m_b} \cdot \left(1-\dfrac{N_b}{N}\right)^{m-m_b}$$

b)
En este caso, podemos contemplar la extracción conjunta del grupo de $4$ bolas, como si se extrajesen ( también ) de forma sucesiva, pero sin reemplazar las bola que se ha sacado al ir a extraer la siguiente bola; decimos, por tanto, que estas extracciones sucesivas son dependientes. Al sacar las bolas de esta manera, la probabilidad pedida ( empleando nuevamente la regla de Laplace ) es igual a $$\displaystyle \dfrac{\binom{6}{2}\cdot \binom{10-6}{4-2}}{\binom{10}{4}} \approx 0,4826$$ Ello se ajusta a otro modelo de variables aleatoria: la distribución hipergeométrica.

Nota 2: En las condiciones con las que hacemos, ahora, las extracciones de bolas ( extracciones de unas cuantas bolas de forma simultánea ), y para un caso general ( por si cambiamos los datos ) en que ( como antes ): $N$ represente el número de bolas de la urna; $N_b$ ( donde $N_b \le N $ ), el número de bolas de la urna que están pintadas de blanco; $m$ ( siendo $m \le N$ ), el número de bolas que extraemos; y, $m_b$, el de bolas que hay entre el grupo de $m$ bolas ( siendo $m_b \le m$ ) y que resultan ser blancas, podemos escribir que la probabilidad de que entre las $m$ bolas extraídas haya $m_b$ bolas blancas es igual a la función de probabilidad ( o de cuantía ) para $X=m_b$, esto es, $f(m_b)$; es decir,
$$P\{X=m_b\}=f_{\text{hipergeométrica}}(m_b)=\dfrac{\binom{N_b}{m_b}\cdot \binom{N-N_b}{m-m_b}}{\binom{N}{m}}$$

$\square$

miércoles, 11 de marzo de 2015

El modelo normal ( de Gauss ) de variable aleatoria en la distribución en el muestro

Considerando un muestreo aleatorio simple, según el Teorema Central del Límite, la distribución en el muestreo de la variable aleatoria suma de variables independientes $\lbrace X_i \rbrace$, para $i=1,\ldots,n$, con la misma media y la misma varianza que la variable aleatoria $X$ de la población ( las cuales aparecen en el muestreo de una población de media $\mu$ y desviación estándar $\sigma$ ) tiende a una distribución normal $N(n\mu,\sigma\,\sqrt{n})$.

En otras palabras, el estadístico media muestral, $\bar{X}$, es una variable aleatoria que tiene una distribución de probabilidad ( en el muestreo ) normal, $N(\mu,\sigma/\sqrt{n})$, con lo cual podemos decir también que la variable tipificada $\dfrac{\bar{X}-\mu}{\sigma/\sqrt{n}}$ ( de dicho estadístico ) tiene distribución de probabilidad $N(0,1)$

Mediante una medida, $\bar{x}$, del estadístico media muestral $\bar{X}$, en una muestra de tamaño $n$ de una población podemos estimar el valor del parámetro $\mu$ de la población ( media poblacional ); por esa razón, denominamos estimador al estadístico media muestral.

Esto, no sólo podemos hacerlo con la media: en general, se puede hacer con cualquier parámetro, $\theta$, de la población ( cuyo estadístico estimador es $\hat{\Theta}$ ), por ejemplo con la varianza de la población, $\sigma^2$, que se puede estimar mediante el estadístico/estimador $\hat{S^2}$ ( denominado cuasivarianza muestral ); sin embargo, en este curso, nos ocuparemos solamente de la estimación de la media y, alguna que otra vez, de la varianza ( en las situaciones menos complicadas ).

Expondremos cuatro aplicaciones/ejemplos relacionadas con el Teorema Central del Límite en cuanto a los estadísticos muestrales que tienen como modelo de variable aleatoria una función de distribución ( en el muestreo ) de tipo normal:

a) Distribución en el muestreo, de tamaño $n$, del estadístico $\bar{X}$ que sirve para estimar la media, $\mu$, poblacional. Este estadístico ( estimador ), $\bar{X}$, es $N \left( \mu, \sigma/\sqrt{n} \right)$

b) Distribución en el muestreo, de tamaño $n$, del estadístico $\hat{S}$ que sirve para estimar una suma poblacional $p$. Este estadístico ( estimador ), $\hat{S}$, es $N \left( n\mu, \sigma\,\sqrt{n} \right)$

c) Distribución en el muestreo, de tamaño $n$, del estadístico $\hat{P}$ que sirve para estimar una proporción poblacional. Este estadístico ( estimador ), $\hat{P}$, es $N \left( p,\sqrt{\dfrac{p\,(1-p)}{n}} \right)$

d) Distribución en el muestreo, de tamaño $n$, del estadístico $\bar{X_1}-\bar{X_2}$ que sirve para estimar la diferencia de dos medias, $\mu-\mu_2$, correspondientes a dos poblaciones. Este estadístico ( estimador ), $\bar{X_1}-\bar{X_2}$, es $N \left( \mu_1-\mu_2 , \sqrt{\dfrac{\sigma_1}{n_1}+\dfrac{\sigma_2}{n_2}} \right)$

$\square$

[nota del autor]

martes, 3 de marzo de 2015

Sea la variable discreta $X$ con la siguiente distribución de probabilidad: $\lbrace x_i=i, P_{X}(x_i)=k/2^i \rbrace$, $i=1,2,\ldots,n,\ldots$. Se pide ...

ENUNCIADO:
Sea la variable discreta $X$ con la siguiente distribución de probabilidad: $\lbrace x_i=i, P_{X}(x_i)=k/2^i \rbrace$, $i=1,2,\ldots,n,\ldots$. Se pide:
a) Calcular el valor de la constante de normalización, $k$, para que la función de masa $P_{X}(i)$ esté bien definida
b) Calcular la esperanza matemática $E[X]$

SOLUCIÓN:
(a)
Para que la función de masa esté bien definida debe estar normalizada a la unidad, por tanto
$$\displaystyle \sum_{i=1}^{\infty}\,\dfrac{k}{2^i}=1$$
como $k$ es constante,
$$\displaystyle k\,\sum_{i=1}^{\infty}\,\left(\dfrac{1}{2}\right)^i=1$$
y despejando,
$$\displaystyle k = \dfrac{1}{\displaystyle \sum_{i=1}^{\infty}\,\left(\dfrac{1}{2}\right)^i}$$
El denominador es la suma de los $n$ términos consecutivos de una sucesión geométrica de razón $1/2$ y primer término igual a $1/2$, con $n \rightarrow \infty$, y que, por tanto es igual a $$\lim_{n \rightarrow \infty} \, \dfrac{1}{2}\left(\dfrac{\left(1/2\right)^{n}-1}{1/2-1}\right)=1$$
y por tanto
$$k=1$$
con lo cual
$$P_{X}(x_i)=1/2^i, i=1,2,\ldots,n,\ldots$$

(b)
Por definición de esperanza matemática de una variable aleatoria,
$$E[X]=\displaystyle \sum_{i=1}^{\infty}\,i\,\dfrac{1}{2^i} \quad \quad (1)$$

Así, pues, debemos averiguar ahora el valor de la suma de los infinitos términos de la sucesión aritmético-geométrica cuyos términos son $\dfrac{i}{2^i}$, para $i=1,2,\ldots, n, \ldots $

Denotando por $S_n$ a $\displaystyle \sum_{i=1}^{\infty}\,\dfrac{i}{2^i}$, podemos escribir:

$S_n=\dfrac{1}{2}+\dfrac{2}{2^2}+\dfrac{3}{2^3}+\dfrac{4}{2^4}+\ldots+\dfrac{n}{2^n}+\dfrac{n+1}{2^{n+1}}+\ldots$   (2)
y multiplicando ambos términos por $1/2$,
$\dfrac{1}{2}\,S_n=\quad \dfrac{1}{2^2}+\dfrac{2}{2^3}+\dfrac{3}{2^4}+\dfrac{4}{2^5}+\ldots+\dfrac{n}{2^{n+1}}+\ldots$   (3)

Restando la (3) de (2), miembro a miembro
$$\dfrac{1}{2}\,S_n=\dfrac{1}{2}+\dfrac{2-1}{2^2}+\dfrac{3-2}{2^3}+\dfrac{4-3}{2^4}+\ldots+\dfrac{n-(n-1)}{2^n}+\dfrac{(n+1)-1}{2^{n+1}}+\ldots$$
esto es
$$S_n=1+\dfrac{1}{2}+\dfrac{1}{2^2}+\dfrac{1}{2^3}+\ldots+\dfrac{1}{2^n}+\ldots$$
y como el segundo miembro es la suma de los infinitos términos de una sucesión geométrica de razón $r=\dfrac{1}{2}$ ( menor que uno y por tanto convergente ) y primer término igual a $1$, obtenemos
$$\displaystyle S_n=\lim_{n \rightarrow \infty}\,\dfrac{\left(1/2\right)^n-1}{1/2-1}=2$$

Por tanto, de (1),
$$E[X]=2$$

$\square$

[nota del autor]

lunes, 2 de marzo de 2015

Cálculo de la abscisa dado el valor de la función de distribución de probabilidad de una variable aleatoria normal

ENUNCIDADO:
Sea una variable aleatoria $X$ con una distribución $N(1040,50)$. Calcular el valor de la abscisa $\alpha$ tal que $P\lbrace X \le \alpha \rbrace = 0'975$

SOLUCIÓN:
En términos de la variable aleatoria $Z$ ( normal tipificada, $N(0,1)$ ), podemos escribir $P\lbrace Z \le \alpha' \rbrace = 0'975$

Con este valor de probabilidad acumulada, consultamos las tablas de la función de distribución de probabilidad, $F(z)$, encontrando la siguiente abscisa: $\alpha'=1'96$.

Y, finalmente, de acuerdo con la transformación de tipificación, $Z=\dfrac{X-\mu}{\sigma}$,
$$1'96=\dfrac{\alpha-1040}{50}$$

con lo que, despejando, obtenemos $$\alpha=1'96\cdot 50+1040=1138$$
$\square$

[nota del autor]

Ejercicios con el modelo de distribución de probabilidad normal

ENUNCIADO:
Los salarios de los trabajadores de una cierta población, A, siguen una distribución $N(2000,\sigma)$. Se pide:
a) Calcular el valor de la desviación estándar, $\sigma$, para que la probabilidad de ganar más de $2100$ euros sea de $0'33$
b) Sabiendo que los salarios de otra población, B, siguen una distribución $N(2000,200)$, ¿ en cuál de las dos poblaciones es más fácil ganar más de $2100$ euros al mes ?

SOLUCIÓN:
(a)
Como $P\lbrace X_A \succ 2100 \rbrace = 0'33$ ( información del enunciado ), podemos escribir $P\lbrace X_A \le 2100 \rbrace = 1-0'33=0'67$
Veamos ahora cuál es la abscisa en las tablas de la función de distribución de $Z \sim N(0,1)$. Encontramos: $z_{0'67}=0'44$. Y como, al tipificar la variable aleatoria normal $X_A$, hacemos $Z=\dfrac{X_A-\mu}{\sigma}$, esto corresponde a
$z_{0'67}=\dfrac{x_{0'67}-2000}{\sigma}$, y teniendo en cuenta que $x_{0'67}$ es $2100$
encontramos
$$0'44=\dfrac{2100-2000}{\sigma}$$
despejando $\sigma$,
$$\sigma=\dfrac{100}{0'44} \approx 227 \, \text{euros}$$

(b)
Para contestar esta pregunta es necesario comparar los valores de $P\lbrace X_A \succ 2100 \rbrace $ y $P\lbrace X_B \succ 2100 \rbrace $, donde $X_A \sim N(2000, 227)$ y $X_B \sim N(2000, 200)$.

$P\lbrace X_A \succ 2100 \rbrace = P\lbrace Z_A \succ\dfrac{2100-2000}{227} \rbrace $ ( tipificando la variable $X_A$ ), que es igual a $P\lbrace Z_A \succ 0'44 \rbrace $, y por tanto a $1- P\lbrace Z_A \le 0'44 \rbrace \overset{\text{tablas} \, N(0,1)}{=} 1-0'6700 = 0'33$

Por otra parte, $P\lbrace X_B \succ 2100 \rbrace = P\lbrace Z_A \succ\dfrac{2100-2000}{200} \rbrace $ ( tipificando la variable $X_B$ ), que es igual a $P\lbrace Z_B \succ 0'5 \rbrace $, y por tanto a $1- P\lbrace Z_B \le 0'5 \rbrace \overset{\text{tablas} \, N(0,1)}{=} 1-0'6915 = 0'3085$

Y como $0'33 = P \lbrace X_A \succ 2100 \rbrace \succ P \lbrace X_B \succ 2100 \rbrace = 0'3085$, es más "fácil" ( probable ) ganar un salario de $2100$ euros en la población A que en la población B. $\square$


[nota del autor]

martes, 21 de enero de 2014

Obtención del percentil n de una variable aleatoria normal de parámetros conocidos

Enunciado:
Sea una variable aleatoria $X$ con una distribución normal de parámetros $\mu=20$ ( media ) y $\sigma=2$ ( desviación típica ). Calcular el percentil $10$.

Resolución:
El percentil $n$ ( en nuestro caso, el percentil $10$ ) de una variable aleatoria $X$ es, el valor de la abscisa $x$ de la función de distribución de probabilidad de la misma, $F(x)$, para el cual el valor de dicha función es $1/n$ ( en nuestro caso $1/10 = 0'1$ ); en otras palabras, el valor de la variable aleatoria $X$ que deja a su izquierda el $n \cdot 100\,\%$ ( en nuestro caso, el $10 \, \%$ ) de los valores ( ordenados de menor a mayor ) de la misma.

Denotemos por $x_{0'1}$ ( el valor pedido ) tal que $P\{X \prec x_{0'1}\} = 0'1$, donde $X \sim N(20,2)$.
Tipificando, podemos escribir ésto de la forma:
    $P\{Z \prec \dfrac{x_{0'1}-20}{2}\} = 0'1$
donde
    $Z \sim N(0,1)$
es decir
    $F\big(\frac{x_{0'1}-20}{2}\big) = 0'1$
Ahora bien, en las tablas disponibles no están tabulados los valores de $F$ menores que $0'5$, por lo que debemos tener en cuenta la simetría de de la función de densidad de probabilidad $f(z)$ para extraer de ellas la información que necesitamos. Veamos cómo hacerlo. Por comodidad, denotemos por $k$ al argumento de la función de distribución de probabilidad,
    $k:=\frac{x_{0'1}-20}{2}$
entonces $P\{X \prec k\}$, que és igual a $0'1$, es igual ( por simetría ) a $P\{X \succ -k\}$ y a su vez ésto es igual a $1-P\{X \succ -k\}$, luego $P\{X \prec -k\}=1-0'1=0'9$, valor que sí encontramos tabulado y que corresponde a $-k\approx 1'28$; es decir,
    $- \frac{x_{0'1}-20}{2} \approx 1'28 \Rightarrow x_{0'1} \approx 20 -2 \cdot 1'28 = 14'44$
$\square$

[nota del autor]