Variables Aleatorias Continuas

ESTADSTICA
INFERENCIAL
Wendy Plata Alarcn
wplata@espol.edu.ec
Clase 1
ESTADSTICA
INFERENCIAL
I. MODELOS
ESTOCSTICOS CONTINUOS
Wendy Plata Alarcn
wplata@espol.edu.ec
Guayaquil, mayo de 2017

Variables Aleatorias Continuas
Variable Aleatoria Continua: una Variable Aleatoria X,
definida sobre un Espacio Muestral ( , L) es continua
cuando y solo cuando para todo x real su Distribucin
Acumulada F es una funcin continua en R.
F( x ) P( X x )
Se cumple que : lim F( x ) 1 y lim F( x ) 0
x x
3 Estadstica Inferencial
Densidad de una Variable Aleatoria Continua: si X es
continua, entonces existe una funcin continua y no
negativa f tal que, para todo x real,
f (x) 0

f (x)dx 1

b

P(a x b) f ( x )dx
a
Si X es continua y con densidad f:
a

P(X a ) P(a X a ) f ( t )dt 0
a
Funcin de Distribucin: de una Variable Aleatoria
Continua, siempre es continua.
x
F(X ) P(X x )

f ( t )dt
f ( x ) F' ( x )
P(a X b) F(b) F(a )
Variables Aleatorias Continuas:
ejemplo
Se conoce que el tiempo de vida til, en aos, de una
mquina troqueladora previo a que se produzca la primera
falla que lleve a un mantenimiento emergente, ha sido
modelado como una Variable Aleatoria X tal que,
0 ;x 0

F(X)
x

1 e
2 ;x 0
Determinar la funcin de densidad f(x) y determinar la

probabilidad que una de estas mquinas vaya a
mantenimiento emergente, antes del primer ao de vida.
ejemplo
Desarrollo:
Funcin de Densidad
x
1
f ( x ) F' ( x ) e 2 ; para x 0 y cero para el resto de x
2
P(X < 1)
P(X 1) P(X 1) F(1)

1

P(X 1) 1 e 2 1 0.6065 0.3935
ejemplo
Encuentre la Funcin de Distribucin de la Variable
Aleatoria X cuya densidad est dada por:
x ; 0 x 1

f ( x ) 2 x ; 1 x 2
0
; resto de x
Desarrollo:
0<x<1
x x x
2 2

t x
F1 ( x ) f ( t )dt tdt
2 2
0 0 0
ejemplo
Desarrollo:
1 x < 2 x
x x
2 2
2
t 2x x 1
2 2x x 3
F2 ( x ) f ( t )dt (2 t )dt 2 t
2 2 2 2 2
1 1 1
x2 3 1 x2
F2 ( x ) 2 x 2x 1 0 ; x0
2 2 2 2
x2
; 0 x 1
Por lo tanto, la Funcin 2
F( x )
de Distribucin ser: 2
2 x x
1 ; 1 x 2
2
1 ; x2
Valores Esperados de una Variable
Aleatoria Continua
El Valor Esperado de una funcin U se denota E[u(x)] y
de existir se define como:

E[u ( x )] u(x)f (x)dx

Funcin Generadora de Momentos

M x ( t ) E(e xt )

e xt f ( x )dx; t (a, a )
Media Varianza
E[ x ]

xf ( x )dx 2 E[ x 2 ] 2

x 2 f ( x )dx 2
Aleatoria Continua: ejemplo
Si la Funcin de Densidad de Probabilidad de X est
dada por:
x / 2 ; 0 x 1
1 / 2 ; 1 x 2

f (x)
(3 x ) / 2 ; 2x3
0 ; resto de x
Encontrar el valor esperado de g(x) = 3 + x2 - 5x
Aleatoria Continua: ejemplo
Desarrollo
E[g ( x )] E[3 x 2 5x ] E(3) E ( x 2 ) 5E( x )
8 3 18 16 45 11
E[g( x )] 3 5
3 2 6 6
1 2 3
1 2 3
(3 x ) x x3 x2 (3 x ) x 2

2

x x
dx E( x ) dx dx
2
E( x ) dx dx dx
2 2 2 2 2 2
0 1 2 0 1 2
1 2 3 1 2 3
x 3
2 2 3 x 4 3 3 4
x 3x x x 3x x
6 6 8 8
0 4 1 4 2
0 6 1 6 2
1 4 1 27 27 12 8 3 1 8 1 81 81 24 16 8

6 4 4 4 6 4 6 2 8 6 6 6 8 6 8 3
Variable Aleatoria Uniforme
Continua
Una Variable Aleatoria Continua es denominada
Uniforme con parmetros y cuando y solo cuando
su densidad f se define como:
1
f (x) ; S {x R x }

Media Varianza
( ) 2
2
2 12
Continua
Distribucin Acumulada
0 ;x a
x
1

F( x ) dx ; x (, )

1 ;x

(e t e t ) 2
M x (t) ; t0
t ( )
Continua
Densidad f Distribucin Acumulada F
f(x) F(x)
1
1
X X

Continua: ejemplo
En ciertos experimentos, el error cometido cuando se determina
la densidad de una sustancia es una Variable Aleatoria que tiene
Densidad Uniforme con = -0.015 y = 0.015. Encuentre la
probabilidad de que un error est entre -0.002 y 0.003.
Desarrollo:
0.003 0.003
0.003 0.002 0.005

1 x
P(0.002 x 0.003) dx
0.03 0.03 0.002 0.03 0.03 0.03
0.002
P(0.002 x 0.003) 0.1667
Por lo tanto, la probabilidad de que un error est entre -0.002 y

0.003 es 0.1667.
Variable Aleatoria Normal
Se dice que una Variable Aleatoria Continua X tiene
Distribucin Normal con media y varianza 2 si su
densidad es 2
1 x

1
( x ) f ( x ) e 2 , Sx R
2

Se cumple que f ( x )dx 1, adems es verdad que

E(x) = y E(x )2 = 2.
Variable Aleatoria Normal
Ntese que la densidad de X es simtrica con respecto a ,
por lo que P(X > ) = 0.50 = P(X < ). Su grfico semeja
una campana y muchos han optado por llamarla la
campana de Gauss.
0,4
0,3 2 = 1
Densidad
0,2
0,1
0,0
12 13 14 15 16 17 18
X
Distribucin Normal Estndar
Si X N(, 2), tal que = 0 y 2 = 1, se dice que X es
Normal Estndar, y su distribucin es
z2
1
f (z) e 2 (z); S z R
2
0,4
0,3
Z es el percentil (1 - )100
Densidad
0,2
de la Normal Estndar
1-
0,1

0,0
0 z
X
Es importante recordar cul es el valor del percentil
90, as como el 95, el 97.50 y el 99, por lo que
expresamos que:
1.281 1.6448
f (z)dz 0.90 f (z)dz 0.95

0,4 0,4
0,3 0,3
Densidad
Densidad
0,2 0,2
0,1 0,1
0,1
0,05
0,0 0,0
0 1,282 0 1,645
X X
Es importante recordar cul es el valor del percentil
90, as como el 95, el 97.50 y el 99, por lo que
expresamos que:
1.959 2.326
f (z)dz 0.975 f (z)dz 0.99

0,4 0,4
0,3 0,3
Densidad
Densidad
0,2 0,2
0,1 0,1
0,01
0,025 0,0
0,0 0 2,326
0 1,960
X
X
Supongamos ahora que tenemos una Variable Aleatoria Z N(0,1) y se
pide determinar la probabilidad de que Z tome valores menores que
0.50.
Usando lo aprendido hasta el momento, el clculo de esta probabilidad

sera de la siguiente manera:
0.5 0.5 z2

f (z)dz
1
P(z 0.50) e 2 dz

2
Esta integral es posible resolverla solamente con el uso de Mtodos
Numricos. Por lo tanto, para determinar probabilidades cuando se
trabaja con la Distribucin Normal Estndar, nos valemos de una Tabla
que se presenta en la siguiente lmina.
Tabla de la Distribucin Normal
Estndar
El valor de la tabla para Z representa el rea bajo la
curva de la Normal Estndar a la izquierda de Z.
0,4
Probabilidad
0,3
Densidad
0,2
0,1
0,0 0 Z
X
Tabla de la Distribucin Percentil
Normal Estndar
Probabilidades
Distribucin Normal Estndar:
ejemplo
Usando la Tabla de la Distribucin Normal Estndar,
determinar la probabilidad de que Z sea menor o
igual que 0.21, mayor que -0.5; y, tome valores
entre -1 y 1. 0,4
0,3
Desarrollo
Densidad
P(Z 0.21) = 0.5832 0,2

0,5832
0,1
0,0 00,21
X
ejemplo
Desarrollo
P(Z > -0.50) = P(Z > 0.50) = 1 P(Z 0.50)
P(Z > -0.50) = 1 0.6915 = 0.3085
0,4
0,3
Densidad
0,2
0,1 0,3085
0,0 -0,5 0
X
ejemplo
Desarrollo
P(-1 Z 1) = P(Z 1) P(Z -1) = P(Z 1) P(Z 1)
P(-1 Z 1) = P(Z 1) [1 P(Z < 1)]
P(-1 Z 1) = 2P(Z 1) -1 = 2(0.8413) 1 = 0.6826

0,6827
0,4
0,3
Densidad
0,2
0,1
0,0 -1 0 1
27 X Estadstica Inferencial
De una Normal cualquiera a la
Normal Estndar
Si X es una Variable Aleatoria Normal con media
cualquiera y varianza 2 > 0, es posible probar que X
se relaciona con Z N(0,1) a travs de una
transformacin muy simple:
X
X N(, ) Z
2
N(0,1)

Esta ltima expresin, nos permite determinar la
probabilidad de que X, tome valores en cualquier
intervalo real.
Normal Estndar: ejemplo
El valor de la nota, sobre 100 puntos, de Matemticas
que obtiene un estudiante nativo de una comunidad
rural ecuatoriana al terminar la educacin primaria
puede ser modelada como una Variable Aleatoria
Normal con = 60 y 2 = 225. Si en dicha comunidad
estudian 1200 nios, determine:
Cuntos de ellos obtienen notas entre 50 y 70?

Con qu nota se alcanza el percentil 95 de la
distribucin?
Desarrollo
X: Nota, sobre 100 puntos, de Matemticas que
obtienen al terminar la educacin primaria.
Cuntos de ellos obtienen notas entre 50 y 70?
50 60 70 60
P(50 x 70) P Z P(0.67 Z 0.67)
15 15
P( Z 0.67) P( Z 0.67) P( Z 0.67) P( Z 0.67)
P( Z 0.67) [1 P( Z 0.67)] 2P( Z 0.67) 1
P(50 x 70) 2(0.7486) 1 0.4972
Nmero de estudiante s con notas entre 50 y 70 1200(0.4972) 596.64 597

Ejercicio

X es una variable aleatoria N ( 20,1) , determine el

percentil 25 y 93 de x.
Si se desea mantener la media de la distribucin, pero

que el percentil quinto sea 19 ,cul debe ser el valor
de la varianza?
Con qu nota se alcanza el percentil 95 de la
distribucin?
P(X x ) 0.95
x 60 x 60
P Z 0.95 1.64
15 15 0,4
x 1.64(15) 60 0,95
0,3
x 84.6
Densidad
0,2
Por lo tanto, se alcanza el
percentil 95 de la distribucin 0,1
con una nota de 84.6

0,0 0 1,645
X
Funcin Generadora de Momentos de
una Variable Aleatoria Normal
Si X es una Variable Aleatoria Normal con Media y
Varianza 2, su Funcin Generadora de Momentos es:
t 2 2
t
M x (t) e 2 ; tR
Si X es una Variable Aleatoria Normal Estndar, su
Funcin Generadora de Momentos es:
t2
M x (t) e2 ; tR
Variable Aleatoria Gamma
Decimos que X es una Variable Aleatoria Gamma con
parmetros y , cuando y solo cuando su densidad
es:
x 0,07

1
f (x) x 1 e
; 0,06 G(10,2)
() Densidad 0,05
S {x R x 0} 0,04
0,03
0,02 G(8,3)
y son constantes
0,01
positivas. 0,00
0 10 20 30 40 50 60
X
Probar que f es una Densidad no es complicado, si
manejamos la definicin de Funcin Gamma, que es:

() e x x 1dx ( 1)!
0
x
1
1 x e dx 1
()
0

x
x
1 1 x dx

e dx 1; y dy
()
0
y

( )
( y) y
1 1 1 y

e dy
e dy 1
() () ( )
0 0
Media

x 1 e x /

1 x dx
E( x ) x dx x /
x e dx; y dy
( )
( ) 0
0

( 1)

1 y y
E( x ) ( y) e dy y e dy
( ) 0 ( ) ( )
0
! ( 1)!
E( x )
( 1)! ( 1)!
E( x )
Varianza

1 x /

x e 1 x dx
E( x 2 ) x 2 dx x 1 x /
e dx ; y dy
( )
( ) 0
0

2
2
( 2)

1 1 y 1 y
E( x )
2
( y) e dy y e dy
( ) 0 ( ) ( )
0
2
( 1)! 2
( 1)( 1)!
E( x )
2
2 ( 1)
( 1)! ( 1)!
2 E ( x 2 ) [E ( x )] 2 2 ( 1) 2 2 2 2 2 2 2
2 2
1
x e 1 x / t x

1
M x ( t ) E (e ) e
xt xt dx x 1 e dx;
( )
( ) 0
0
1 1
y t x dy t dx

1
y

1 y 1
M x (t) e dy

y 1 e y dy
( ) 0 1 t 1 t (1 t ) () 0
( )
M x (t) (1 t ) ; t R
(1 t ) ()
Distribucin Exponencial
Decimos que una Variable Aleatoria X tiene una Distribucin
Exponencial con parmetro , si es una Gamma con = 1, y
es cualquier constante real positiva.
e x / 0,5
f (x) ; x0
Densidad
0,4
Exp(2)
Media: = E(x) = 0,3
Varianza: 2 = 2 0,2
Generadora de Momentos:0,1 Exp(5)

1
M x (t) ; tR 0,0
1 t 0 10 20 30 40 50 60 70 80
X
Distribucin Exponencial: ejemplo
Se nos dice por experiencias previas se conoce que el
tiempo de espera en la cola frente a la ventanilla
de un banco en Cuenca, un da laborable cualquiera,
puede ser modelado como una Distribucin
Exponencial con Media igual a tres minutos.
Determinar su Densidad y Distribucin Acumulada de
Probabilidades.
Desarrollo:
X: tiempo de espera en la cola frente a la ventanilla
de un banco en Cuenca.
= = 3 minutos.
Funcin de Densidad:
1 x / 3
f (x) e ; S R
3
Desarrollo:
Funcin de Distribucin Acumulada:
x
e y / 3

x
F( x ) P(X x ) dy e y / 3
3 0
0
F( x ) e x / 3 1
F( x ) 1 e x / 3 ; para x S y cero para el resto de X
El operario de una estacin de bombeo ha observado
que la demanda de agua durante las primeras horas de
la tarde tiene aproximadamente distribucin
exponencial con Media 100 pies3/s
Determine:
La probabilidad de que la demanda exceda los
200 pies3/s durante las primeras horas de la tarde para
un da seleccionado al azar.
Cul tendra que ser la capacidad de bombeo de la
estacin durante las primeras horas de la tarde a fin de
que la demanda sea mayor a la capacidad de bombeo
con una probabilidad de solamente 0.01?
Desarrollo:
X: demanda de agua en pies3/s durante las primeras
horas de la tarde
La probabilidad de que la demanda exceda los
200 pies3/s durante las primeras horas de la tarde para
un da seleccionado al azar.
P( x 200 ) 1 F(200 ) 1 1 e 200 / 100 e 2 0.1353
Por lo tanto, la probabilidad de que la demanda exceda

los 200 pies3/s durante las primeras horas de la tarde es
0.1353.
Desarrollo:
Cul tendra que ser la capacidad de bombeo de la
estacin durante las primeras horas de la tarde a fin de
que la demanda sea mayor a la capacidad de bombeo
con una probabilidad de solamente 0.01?
P( x a ) 0.01 e a / 100 0.01

a
ln( 0.01)
100
a 100(4.6052) 460.52 pies 3 / s
Variable Ji-Cuadrado con
n grados de libertad
Caso particular de la Variable G(,), en donde
= n/2 y = 2, n es entero positivo. Se la denota por
2 .
x n / 2 1 e x / 2
f (x) n / 2 ; x0
2 ( n / 2) 0,14
2
0,12 (6)
Media: = n 0,10
2(10)
Densidad
0,08
Varianza: 2 = 2n 0,06
Generadora de Momentos: 0,04
0,02
n / 2
M x ( t ) (1 2 t ) 0,00
0 5 10 15 20 25 30
X
Variable Erlang
Caso particular de la Variable G(,), en donde
= n y , n es entero positivo.
x n 1 e x /
f (x) ; x0
(n )
n
Media: = n
Varianza: 2 = n2
n
Generadora de Momentos: M x ( t ) (1 t )
Distribucin Beta
Decimos que X es una Variable Aleatoria Beta con
parmetros y cuando y solo cuando, su Densidad f
es:
( ) 1
f (x) x (1 x ) 1 ;
()()
S {x R 0 x 1}; , R
Media Varianza

2
( ) 2 ( 1)
Distribucin Beta: ejemplo
La proporcin de tems defectuosos en una lnea de
produccin sigue una Distribucin Beta con
parmetros = 1 y = 5. Determine la Media y
Varianza.
f ( x ) 5(1 x ) 4 ; S {x R 0 x 1}
1 1
Media:
1 5 6
55
Varianza:
2

( ) ( 1) (6) (7) 252
2 2
Funcin de Confiabilidad
Cuando ocurren procesos en los que se registran las
fallas de un sistema, a fin de calcular las
probabilidades que se dan en los extremos (colas) de
la distribucin de una Variable Continua X, se define
la Funcin de Confiabilidad R, de tal manera que su
regla de correspondencia es,
R(x) = 1 F(x) para xR
Funcin de Riesgo
Se define tambin la Funcin de Riesgo h como el
negativo de la derivada con respecto a X, del
logaritmo natural de R. Esta funcin es denotada por
h por su nombre en ingls, hazard function.
d R ' (x)
h ( x ) [log e R ( x )]
dx R (x)
f (x)
h(x) ; R (x) 0
R (x)
Desigualdad de Markov
Sea u una funcin que toma valores no negativos y
que est definida en trminos de una Variable
Aleatoria X, cuya Densidad o Distribucin de
Probabilidades es f; si E[u(x)] existe, entonces, para
cualquier constante positiva se cumple que:
Pu ( x )
E[u ( x )]

Desigualdad de Markov: ejemplo
Si por ejemplo X es el nmero de estudiantes que
anualmente aprueban un curso de Estadstica, y la
media de X es 300, entonces se puede afirmar en
trminos de la Desigualdad de Markov, acerca de
P(X 500) lo siguiente:
Tomemos u(x) = x, por lo que:

E( x )
P ( X )

300 3
P(X 500) P(X 500)
500 500 5
Teorema de Chebyshev
Sea X una Variable Aleatoria Continua (o Discreta) con
Densidad f y Varianza finita 2; sea k una constante
positiva; bajo estas condiciones, la probabilidad de
que X difiera de su Media , por un valor mayor o
igual que k veces su Desviacin Estndar , es menor
o igual a 1/k2. Esto es:
P X k
1
2
k
Teorema de Chebyshev: ejemplo
Sea X una Variable Aleatoria Continua tal que:
1
;2 x 2
f (x) 4

0 ; resto de x
Calcule la probabilidad P(X - k) para k = 1 y
adems acote esta probabilidad utilizando la
Desigualdad de Chebyshev.
Desarrollo:
X es una Variable Aleatoria Uniforme Continua con
parmetros = -2 y = 2, esto es, X U(-2,2).
22 ( ) 2 (2 2) 2 16 4
0 2

2 2 12 12 12 3
4
1.15
3
Calcular P(X - 0 1(1.15)) = P(X 1.15) = 0.425
Desarrollo:
Utilizando Chebyshev P(X 1) 1, ya que k = 1
Conclusin
La probabilidad pedida es 0.425 mientras que la
Desigualdad de Chebyshev nos informa que dicha
probabilidad es menor o igual que uno, lo cual es
verdadero, pero, dadas las circunstancias poco
informativo.
Referencias
Zurita, G. (2010), Probabilidad y Estadstica:
Fundamentos y Aplicaciones, Segunda Edicin,
Escuela Superior Politcnica del Litoral, Instituto de
Ciencias Matemticas, Guayaquil-Ecuador.

Variables Aleatorias Continuas

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Variables Aleatorias Continuas

Enviado por

Direitos autorais:

Formatos disponíveis

ESTADSTICA

Guayaquil, mayo de 2017

Determinar la funcin de densidad f(x) y determinar la

P(X 1) P(X 1) F(1)

Encontrar el valor esperado de g(x) = 3 + x2 - 5x

Funcin Generadora de Momentos

Por lo tanto, la probabilidad de que un error est entre -0.002 y

f (z)dz 0.90 f (z)dz 0.95

f (z)dz 0.975 f (z)dz 0.99

Usando lo aprendido hasta el momento, el clculo de esta probabilidad

P(Z 0.21) = 0.5832 0,2

P(-1 Z 1) = P(Z 1) [1 P(Z < 1)]

P(-1 Z 1) = 2P(Z 1) -1 = 2(0.8413) 1 = 0.6826

Cuntos de ellos obtienen notas entre 50 y 70?

Nmero de estudiante s con notas entre 50 y 70 1200(0.4972) 596.64 597

X es una variable aleatoria N ( 20,1) , determine el

Si se desea mantener la media de la distribucin, pero

con una nota de 84.6

Generadora de Momentos:0,1 Exp(5)

Por lo tanto, la probabilidad de que la demanda exceda

P( x a ) 0.01 e a / 100 0.01

Generadora de Momentos: 0,04

R(x) = 1 F(x) para xR

Tomemos u(x) = x, por lo que:

Calcular P(X - 0 1(1.15)) = P(X 1.15) = 0.425

Você também pode gostar