Notas de clase 2
Distribucion normal y teorema del limite central
Willie Hernandez
2015-I
Motivaci´on:
La distribuci´on normal es, como mucho, la m´as importante de todas las distribucio-nes de probabilidad. Es una distribuci´on de variable cont´ınua, con campo de variaci´on ( 1, 1). Fue descubierta por Gauss al estudiar la distribuci´on de los errores en las observaciones astron´omicas.
Importancia
Un gran n´umero de fen´omenos reles se pueden modelizar con esta distribuci´on. Muchas de las distribuciones de uso frecuente tienden a aproximarse a la distri-buci´on bajo ciertas condiciones.
En virtud del teorema del l´ımite central, todas aquellas variables que pueden con-siderarse causadas por un gran n´umero de efectos tienden a distribuirse normal. Historia:
Nos encontramos midiendo la distancia a un astro, evidentemente cada distancia observada no ha de ser igual a la anterior tomada pues siempre se cometen errores de medici´on. Te´oricamente un error puede ser tan grande que la distancia observada sea m´as infinito, y tambi´en te´oricamente, menos infinito. Cuantas m´as observaciones realizamos, los diversos intervalos, en conjunto, van tomando cierta densidad.
Otros ejemplos:
Calificaciones entrada de examen UNAL. Estatura de personas dentro del sal´on
X d ! N(µ, 2) f (x) = p1 2⇡ exp ( 1 2 ✓ x µ◆2) ; x2 R 1. µ = Me indica el centro de la curva de la distribuci´on o media 2. = Me indica la distancia entre µ y los puntos de inflexi´on. Tarea:
1. Demostrar la simetr´ıa
f (µ + a) = f (µ a)
2. Demostrar que la media es el punto m´as alto de la funci´on de densidad.
(Distribuci´on normal est´andar) Si X! N(0, 1), entonces se dice que X tiene distribu-d ci´on normal est´andar. La funci´on de densidad y la funci´on acumulativa de esta variable aleatoria se denotan por (·) y (·) respectivamente.
f (z) = p1 2⇡exp ⇢ 1 2z 2 ; z 2 R Tarea:
1. Demostrar que la funci´on es sim´etrica con respecto al cero. 2. Estudiar la tabla.
Clase: Aprender a usar la tabla de distribuci´on.
¿C´omo pasar de una normal a una normal est´andar?
Z = X µ
Ejemplo: Sea X! N(1, 4). Calcular.d 1. P (0 x < 1)
2. P (x2 > 4)
1. P (0 x < 1) = P ( 1 2 < X < 0) = (0) ( 0,5) = 0,5 0,30854 = 0,19146 2. P (x2 > 4) = 1 P (|X| 2) = 1 P ( 2 X 2) = 1 P ✓ 3 2 x 1 2 1 2 ◆ = 1 [ (0,5) ( 1,5)] = 0,37535
Ejemplo: Sea X! N(12, 4). Encontrar el valor de c para el cual P (X > c) = 0,1d
P (X > c) = P ✓ x 12 2 > c 12 2 ◆ = 1 P ✓ x 12 2 c 12 2 ◆ = 1 P ✓ Z c 12 4 ◆ = 1 ✓ c 12 4 ◆ Esto es, ✓ c 12 4 ◆ = 0,9 Y mirando la tabla, c 12 2 = 1,285! c = 14,57
Teorema. Sea X! N(µ,d 2). Entonces
3. mx(t) = exp
h
µt + 22t2i
Objetivo: Vamos a probar 3. y de ah´ı sacamos 1. y 2. mx(t) = 1 p 2⇡ 1 Z 1 exp tx (x µ) 2 2 2 dx = p1 2⇡ 1 Z 1 exp (x µ 2t)2 2 2 + µt + 2t2 2 dx! Ap´endice A = p1 2⇡ exp µt + 2t2 2 1 Z 1 exp (x (µ + 2t))2 2 2 dx = exp µt + 2t2 2 Tarea: 2. y 3.
Ap´endice A. El truco est´a en sumar y restar ⇣µt + 22t2⌘
tx (x µ) 2 2 2 = tx (x µ)2 2 2 µt 2t2 2 + µt + 2t2 2 = 2tx 2 (x µ)2 µt2 2 4t2 2 2 + µt + 2t2 2 = 2tx 2 x2 µ2+ 2xµ 2tµ 2 t2 4 2 2 + µt + 2t2 2 = (x µ 2t) 2 2 + µt + 2t2 2
Distribuci´on normal en estad´ıstica Primera actividad
Bono en clase
Distribuci´on normal: En la vida real cuando tenemos variables de tipo raz´on o inter-valar y hacemos un histograma los datos, nosotros podemos aceptar que en la medida que recolectamos m´as datos, el histograma tendr´a a parecerse a la distribuci´on normal. Nota: en estad´ıstica nosotros tambi´en podemos normalizar los datos con el ofrecido de tener una noci´on de distancia. Hagamos un ejemplo:
Examen de entrada de la nacional:
µ = 500 = 100 Observemos las siguientes personas
X Z =X µ 1 403 0,97 Malo 2 508 0,008 Media 3 673 0,346 Aceptable 4 770 2,7 Bueno 5 1200 7 Excelente
OJO: Muchas veces no conocemos el contexto de una situaci´on y no podemos decir por ejemplo que algo es malo relativamente al grupo en el que est´a. Por ejemplo, los amigos arquitectura el profesor Willie fuman arto tal vez las personas por fuera los ven muy mal pero por dentro del grupo la noci´on del mucho o poco cambia bastante. Observemos:
µ = 10, = 6
Personas X Z
Julian 16 1 Normal
Adriana 10 0 Media
Henry 24 2,33 Ok, es bastante
Otro ejemplo: (Notas con el profesor Pecha) µ = 2,3, = 0,4
Personas X Z
Enrique 2,1 0,5 Le fue mal pero tiene futuro
Adriana 2,6 0,75 Encima de la media pero a´un normalito
Andr´es 2,9 1,5 Perdi´o el examen pero es un monstruo al
Superar a muchos
Objetivo: Vamos a ver que cuando se cumplen unos supuestos todas las distribuciones de datos se van a convertir en una normal est´andar.
Teorema del l´ımite central: Sea X1,· · · , Xn variables aleatorias independientes e
id´enticamente distribuidas (i.i.d.) y cumplen
E[Xi] = µ ,8i V ar[Xi] = 2 ,8i La variable aleatoria, Sn= X1+ X2+ . . . + Xn Zn = Sn nµ p n 2 n!1!N (0, 1)
Objetivo: Vamos a mostrar que la funci´on generadora de momentos de una v.a. que cumple estos supuestos tender´a a la funci´on generadora de momentos de la normal est´andar.
Demostraci´on: mx(t) = E etX = E exp t P Xi nµ p n = E exp tX1p µ n · exp tX2p µ n · · · exp tXnp µ n Por ser independientes, = E
exp tX1p µ n · · · E exp tXnp µ n Identicamente distribu´ıdas, = ✓ E exp tX1p µ n ◆n
Se genera una nueva variable aleatoria,
Yi = Xi ⌫ Y = X ⌫ ✓ E exp tX1p µ n ◆n = mY ✓ t p n ◆n E[Y ] = E[X] µ = µ µ = 0 V ar[Y ] = V ar[X µ] = V ar[X] = 2
Hagamos una expansi´on de Taylor de mY(·)
mY(a) = mY(0) + m0Y(0)a + m00 Y(0)a2 2 mY(0) = E[exp]0⇤ y] = E[1] = 1 m0Y(0) = E[Y ] = 0
m00Y(0) = E[Y2] = V ar(Y ) + E[Y ]2 = 2+ 02 = 2 Entonces mY(a) = 1 + 2a2 2 ; a = t p n Por tanto, mY ✓ t p n ◆ n = " 1 + 2 ✓ t p n ◆2#n = " 1 + t2 2 n #n Recordemos que ex = l´ım x!1 ⇣ 1 + x n ⌘n
y as´ı, l´ım n!1 mY ✓ t p n ◆ n
= et22 , la cual es funci´on generadora de una normal est´andar.
Ejercicio:
Un elevador de carga grande puede transportar un m´aximo de 1000 libras. Sup´onga-se que una carga, que contiene 45 cajas, Sup´onga-se debe transportar mediante el elevador. La experiencia ha demostrado que el peso X de una caja de este tipo de cara se ajusta con una distribuci´on normal con µ = 200 libras y = 55. Calcular la probabilidad de que las 45 cajas se puedan transportar simult´aneamente.
Objetivo: P ✓45 P i=1 Xi 10000 ◆ . ¿Qu´e sabemos? Zn= Sn nµ p n ! N(0, 1 = Entonces, P 45 X i=1 Xi 10000 ! = P 0 B B @ 45 P i=1 Xi (45)(200) 55p45 1000 (45)(200) 55p45 1 C C A = P 0 B B @ 45 P i=1 Xi 9000 55p45 2,71 1 C C A = P (Z 2,71) = (2,71) = 0,9966.
Casa(Tarea)
Sufrir´an haci´endolo pero seguro entender´an m´as all´a el teorema del l´ımite central. Muchos insumos de producci´on, como el mineral de hierro, el carb´on y el azucar sin refinar, se muestrean para determinar su calidad por un m´etodo que emplea la toma peri´odica de muchas peque˜nas muestras cuando el material se mueve sobre una banda transportadora. Posteriormente las muestras peque˜nas se juntan y mezclan para formar una muestra compuesta. Sea Yi el volumen de la i-´esima muestra peque˜na de
un lote particular y sup´ongase que Y1, . . . , Yn es una muestra aleatoria, en donde cada
Yi tiene media µ y varianza 2. El volumen promedio de las muestras, µ, se puede
regular ajustando el tama˜no del equipo que se utiliza para el muestreo. Sup´ongase que la varianza de los vol´umenes es aproximadamente 2 = 4. Se requiere que el volumen
total de la muestra exceda las 200 pulgadas c´ubicas con probabilidad 0,95 cuando se seleccionan n=50 muestras. Determinar el ajuste de µ que permitir´a satisfacer los requerimientos del muestreo.