Professional Documents
Culture Documents
GJ12001
SG12031
CASO 1
Considere la poblacin de lanzamientos de un dado que se genera la lanzar un nmero infinitamente grande de veces. Graficar la distribucin de
probabilidad de esta poblacin.
> table(t)
t
1
0 .0 0
0 .0 5
0 .1 0
0 .1 5
Obtenga una muestra de n=5 observaciones de esta poblacin, simulando el lanzamiento de un dado 5 veces y registre las 5 observaciones. En seguida,
calcule la suma y la media de las 5 observaciones.
> s<-sample(1:6,5,rep=T);s
[1] 5 1 6 1 1
> mean(s)
[1] 2.8
> sum(s)
[1] 14
Para propsitos experimentales, repita el procedimiento de muestreo 100 veces. Luego, construya el histograma de frecuencias de la suma y media
para las 100 muestras y observe la distribucin resultante y comntela.
10
5
0
F re q u e n cy
15
20
Histogram of sumatorias
10
15
20
25
sumatorias
Se observa que en los extremos del histograma se acumula poca frecuencia; mientras que en el centro se acumula una frecuencia mayor, podramos decir
que existe una aproximacin a la curva normal, aunque no es muy notable ya que las muestras que se han tomado constan, nicamente de 5 observaciones.
15
0
10
F re q u e n cy
20
25
30
Histogram of medias
1.5
2.0
2.5
3.0
3.5
4.0
4.5
5.0
medias
Se observa, con respecto al grfico anterior una mejor aproximacin a la curva normal, es decir puesto que cada muestra que se ha
tomado consta de 10 observaciones, la distribucin tienen una aproximacin ms cercana a la normal.
Qu sucede si repite el experimento que se describi con una muestra de mayor tamao, digamos n=10?
En este experimento se ilustra la idea bsica contenida en el teorema del lmite central (TLC). Enncielo para el caso de la suma y la media
respectivamente.
0
0
5
5
10
10
F re q u e n cy
F re q u e n cy
15
20
15
20
25
25
30
30
Histogram
Histogram of
of medias
sumatorias
2.020
2.525
3.030
3.5 35
4.0 40
sumatorias
medias
4.5 45
5.050
5.555
CASO 2
Suponga que cada Xi est distribuida uniformemente sobre [0,1]. Encuentre la media y desviacin estndar correspondientes.
Luego defina Z segn el TLC. Para n = 50, genere 500 simulaciones de S50 en el computador y grafique el histograma de rea total 1 y ajuste la
funcin de densidad normal sobre l.
z=
S nn s5050
=
n
50
50 distribuciones uniformes
0.20
Histogram of S50
0.15
> mean(X)
[1] 0.4981792
0.10
Density
> sd(X)
[1] 0.2868496
0.05
> medianorm<-(mean(X)*50);medianorm
[1] 24.90896
> varianzanorm<-(sd(X)*sqrt(50));varianzanorm
0.00
[1] 2.028333
20
22
24
26
S50
28
30
32
CASO 3
Sean T1 , , Tn variables aleatorias independientes idnticamente distribuidas exponencialmente con parmetro . Entonces Sn = T1 + + Tn tiene
distribucin gamma. Luego el TLC reclama que Sn , una vez estandarizado, tiene una densidad que es aproximadamente N(0,1) para n grande.
Para valores diferentes de n (2, 4, 8, 16, 32), fijo muestre la densidad de Z con la densidad de N(0,1) superpuesta, cuando el experimento se repite en
cada caso.
Sugerencia: utilice el software R para las muestras, clculos y grficos del experimento.
0 .0
0 .1
0 .2
0 .3
0 .4
D e n sity
0 .5
0 .6
0 .7
Histogram of u
0
1
2
3
u
4
5
Para n=4
0 .0
0 .1
0 .2
D e n sity
0 .3
0 .4
Histogram of S4
0
2
4
S4
6
Para n=8
0 .0 0
0 .0 5
0 .1 0
0 .1 5
D e n sity
0 .2 0
0 .2 5
Histogram of S8
0
2
4
6
8
S8
10
12
Para n=16
0 .0 0
0 .0 5
0 .1 0
D e n sity
0 .1 5
0 .2 0
Histogram of S16
5
10
S16
15
Para n=32
0 .0 0
0 .0 2
0 .0 4
0 .0 6
0 .0 8
D e n sity
0 .1 0
0 .1 2
0 .1 4
Histogram of S32
10
15
20
S32
25
CASO 4
Presentar n ensayos de Bernoulli con probabilidad p de xito. La fraccin de las veces que resulta xito es
S
1
X = ( X 1 ++ X n )= n
n
n
Donde Xi es 1 0 con probabilidad p, q respectivamente. Puesto que
=E ( X i )= p .
P(|X p| ) 0
Cuando n
para cada
>0
fijado.
a) Probar que la ley de los grandes nmeros lleva a la interpretacin frecuencial de probabilidad.
La varianza de la variable aleatoria binomial X ~ Bin(n,p) est dada por V(X)=np(1-p). Usando la desigualdad de Chebyshev,
P {|X np|< n }=1P {| Xnp| n } 1
Como
p(1 p)
p (1 p)
1
V ( X ) 1
2
( n )
n 2
1
4 , entonces
{| | }
X
1
p < 1
2
n
4 n
As si n entonces 1
{| | }
1
X
1, para un > 0 fijo , as pues P
p < =1 , y por complemento:
2
n
4 n
|{ Xn p|> }=0
b) Simule el lanzamiento de una moneda 50 veces, y observar el nmero de caras que aparecen. Fije un valor
> 0 , verifique la ley de los grandes nmero para la fraccin de veces que aparece xito; vaya incrementando el
tamao de la muestra.
[1] 1e-10
> x<-rbinom(50,1,prob=26/50);x
[1] 1 0 1 1 0 1 0 0 0 0 1 1 1 0 1 0 0 0 0 0 1 1 1 1 0 0 0 1 0
[30] 0 0 1 0 1 1 0 1 0 0 0 0 1 1 1 1 0 0 1 1 1
> m<-mean(x);m
[1] 0.48
> p<-26/50
> abs(p-m)
[1] 0.04
+ C
43 57
> p<-48/100
> x<-rbinom(100,1,prob=48/100);x
[1] 0 0 1 1 1 0 1 0 0 1 0 1 0 1 0 1 0 1 0 0 1 0 1 0 1 0 1 0 1 1 1 1 1 1 0 0 1
[38] 1 0 0 1 0 1 0 0 1 1 0 0 1 0 1 0 1 1 0 0 0 1 0 0 0 1 0 0 1 1 1 0 0 0 0 0 1
[75] 1 1 1 0 1 0 0 1 0 1 0 1 0 0 1 1 1 0 1 1 0 1 1 1 1 1
> m<-mean(x);m
[1] 0.52
> abs(p-m)
[1] 0.04
Incrementando la muestra a n=1000
> table(lanzamientos)
lanzamientos
+ C
496 504
> m<-mean(x);m
[1] 0.536
> abs(p-m)
[1] 0.021