Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
EST-I: Devore Capı́tulo 4: Variables Aleatorias Continuas Material docente en preparación Facultad de Ciencias Económicas y Empresariales Universidad de los Andes June 16, 2021 c©Todo el contenido bajo protección de derecho de autor. 1 / 51 Capı́tulo 4 Contenido Introducción 4.1 Funciones densidad 4.2 Funciones de distribución acumuladas y valores esperados 4.3 Distribución normal 4.4 Distribuciones exponenial y gama 4.5 Otras distribuciones continuas 4.5 Gráficos de probabilidad Ejercicios suplementarios 2 / 51 Capı́tulo 4 4.1 Funciones de densidad de probabilidad. Pp 138- [Ed. 2019] Ejemplo 4.1 X = profundidad de un lago Ejemplo 4.2 X = pH de un quı́mico (número entre 0 y 14) Ejemplo 4.3 X = tiempo de espera en una cola Distribuciones de probabilidad de vvaa continuas 3 / 51 Capı́tulo 4 4.1 Funciones de densidad de probabilidad. Pp 142-146 [Ed. 2019] Recuerde: Definición de distribución continua • Masa 1 (total) distribuida sobre un intervalo [I,S], I < S. • Ningún punto c, c ∈ [I,S], tiene masa acumulada (> 0) sobre el. Para una va X sobre [I,S]: FX (x) = P(X ≤ x). (X no necesariamente continua) Más rigurosamente: x ∈ [I,S], FX (x) = P(I ≤ X ≤ x). Para X continua sobre el intervalo [I,S], Para a,b ∈ [I,S], a < b : P(a < X ≤ b) = FX (b)− FX (a), y P(a < X ≤ b) = P(a ≤ X ≤ b) Este punto es básico en la definición de función densidad (próxima lámina). Sea h > 0. La aproximación de Taylor, para FX (x + h) es, FX (x + h) ≈ FX (x) + h × F ′ X (x) (también puede usar la definición de F ′ X (x)) 4 / 51 Capı́tulo 4 4.1 Funciones densidad Definición de densidad media sobre [x , x + h] : Sea x < x̄h < x + h Defina f̄ (x̄h) = (FX (x + h)− FX (x))/h. f̄ (x̄h) = densidad media en el intervalo [x , x + h] Nota: f̄ (x̄h) depende del valor de h > 0. Densidad puntual en x = lim h↓0 FX (x + h)− FX (x) h = F ′ X (x) ≡ fX (x). La función fX (x) se llama función densidad de X , (o simplemente densidad). Interpretación de la función densidad: para h > 0 chico, P(x < X ≤ x + h) = FX (x + h)− FX (x) ≈ h × fX (x). Probabilidad acumulada en [x , x + h] ≈ h × fX (x).← 5 / 51 Capı́tulo 4 4.1 Funciones densidad Propiedades: Sea X una VA continua sobre [I,S] y x ∈ [I,S] Con la densidad fX (x) usted pude calcular la fda FX (x) : FX (x) = ∫ x I fX (u)du = Área bajo fX , sobre y = 0, entre I y x , x > I. P(a ≤ X ≤ b) = ∫ b a fX (u)du = área bajo fX sobre [a,b] Definición Se dice que f : R→ R es una función densidad si y sólo si, 1 fX es una función positiva (posiblemente cero en algunos puntos), 2 con integral 1 sobre R 6 / 51 Capı́tulo 4 4.1 Funciones densidad Densidad uniforme sobre [A,B] fX (x) = { 1 B−A , si A ≤ x ≤ B 0, si x 6∈ [A,B] Notación: X ∼ U(A,B) 7 / 51 Capı́tulo 4 4.1 Funciones densidad Ejemplo 4.4 (modificado) Montos insolutos de créditos El banco EST ha mantenido una polı́tica atractiva para créditos de consumo de montos de hasta $10 MM. Datos históricos indican que el monto insoluto X de estos créditos tiene distribución U(A,B), con A = 0 y B = 10MM. Use la densidad para calcular aproximadamente la fracción de préstamos cuyo saldo 1) está entre 4,5 MM y 5,8 MM. 2) es menor que 5,3 MM. 3) Determine la fda FX . 8 / 51 Capı́tulo 4 4.1 Funciones densidad Ejemplo 4.4 (modificado) Montos insolutos de créditos Solución: X tiene distribución U(A,B), con A = 0 y B = 10 MM. x ∈ [0,10] =⇒ fX (x) = 1/(10− 0) = 0.1. 1) P(4,5 MM ≤ X ≤ 5,8 MM) = ∫ 5,8 4,5 fX (x) dx = ∫ 5,8 4,5 0,1 dx = 0,1× (5,8− 4,5) = 0,1× x ∣∣∣5,84,5 = 0,1× 1,3 = 0,13. 2) P(X ≤ 5,3 MM) 3) Determine la fda FX . 9 / 51 Capı́tulo 4 4.1 Funciones densidad Ejemplo 4.5 Tiempo entre eventos consecutivos en un proceso puntual (proceso Poisson) X = tiempo que transcurre entre eventos consecutivos f (x) = { λ× e−λx , x ≥ 0 0, e.o.c. Se dice que X tiene distribución exponencial con parámetro λ. (λ > 0). Recuerde: primitiva de ex : ∫ exdx = ex . primitiva de ea×x : ∫ ea×xdx =? Obtenga la fda FX . Si x > 0, FX (x) = ∫ x 0 fX (x)dx = ∫ x 0 λ× e −λxdx = 1− e−λx . 10 / 51 Capı́tulo 4 4.1 Funciones densidad Ejemplo: Distribución exponencial desplazada. Considere la densidad, f (x) = { 0.15× e−0.15(x−0.5), x ≥ 0.5 0 e.o.c. Se dice que X tiene distribución exponencial sobre [a = 0.5,+∞[ (o exponencial desplazada en a.) 11 / 51 Capı́tulo 4 4.1 Funciones densidad Ejemplo 4.5 Tiempo entre eventos consecutivos (cont) Calcule • ∫∞ −∞ fX (x)dx • P(X ≤ 5) • FX (x) = P(X ≤ x) • P(a ≤ X ≤ b), 0 < a < b. Devore: Ejercicios 1-10, pp. 146-147 [Ed. 2019] 12 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Cálculo de la fda FX (x) = P(X ≤ x) = ∫ x −∞ fX (y)dy . Gráficos de FX y de fX 13 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Ejemplo 4.6 X ∼ U(A,B), A < B. Cálculo de FX (x) y gráfico 14 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Uso de FX para calcular probabilidades Sea X una va continua con densidad f y fda F . Entonces, P(X > a) = 1− F (a), a ∈ R P(a ≤ X ≤ b) = F (b)− F (a), a,b ∈ R, con a < b Ejemplo 4.7 Distribución del gasto en una compra X = monto de la compra de un cliente ($ mm) f (x) = { 1 8 + 3 8x , 0 ≤ x ≤ 2 0, e.o.c. Para x ∈ [0,2], FX (x) = P(1 ≤ X ≤ 1.5) = FX (1.5)− FX (1) P(X ≥ 1) = 1− P(X ≤ 1) = 1− FX (1) =? 15 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados (A) (demostración de uso) Nota: Esta NO es la mejor forma de calcular la fda de distribuciones conocidas (use la forma pdistr(q,...). Por ejemplo: pnorm(q, mean, sd ) (distr. normal) # defincion de la funcion (acentos omitidos) f4.7 <- function(x) if( (0 <= x) && (x <= 2) ) (1/8) + (3/8)*x else 0 integrate( f4.7, 0, 2) # comando calcula la # integral de f4.7 entre 0 y 2 1 with absolute error < 1.1e-14 Nota: La salida de comando integrate( f4.7, 0, 2) tiene dos partes: el resultado de la integral, el número 1, y el mensaje sobre el error numérico del cálculo: el texto with absolute error < 1.1e-14. El error numérico no significa que el cálculo se haya hecho de modo incorrecto. Muchos cálculos computacionales son aproximaciones. El error es una estimación de la diferencia entre el valor exacto y la aproximación. Para hacer cálculos con los valores aproximados de la integral, uno debe aislar el valor numérico del resultado del mensaje. Esto se hace con integrate( f4.7, 0, 2)$value 16 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados (X) # ayuda para la funcion integrate: https://stat.ethz.ch/R-manual/R-devel/library/ stats/html/integrate.html integrate( f4.7, 0, 1.5) # integral de f.47 entre 0 y 2 # Definicion de la Fda como funcion R F_X <- function(x) integrate(f4.7, 0, x) F_X(1.5) # P(X <= 1.5) [1] 0.609375 F_X(1.5)$value - F_X(1.0)$value #P(1<=X<=1.5) [1] 0.296875 17 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados / Ejemplo 4.7 (X) Gráfico de la función de distribución acumulada F_X <- function(x) if( (0 < x) && (x < 2) ) integrate(f4.7, 0, x) # fda F_X(1.)$value # prueba out <- NULL # para guardar los valores y (y=F_X(x) ) for( x in seq(0.1 ,1.9,0.1 ) ){ print(c(x=x)) y <- F_X(x=x)$value print(c(y=y)) out <- c(out, y) } out # mostrar los valores de y en la consola plot(x=seq(0.1 ,1.9,0.1 ), y=out, ylab="F_X(x)", xlab="x", main="Funcio\’n de Distribucio\’n Acumulada, Ej 4.7", type="b") rm(f4.7, F_X, x, y, out) # limpiar 18 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Obtención de f (x) a partir de F (x) Recuerde: para X discreta con X (S) = {x1, x2, . . .}, y con función frecuencia pX (x), las probabilidades P(X = xi) = pX (xi), i = 1,2, . . . , se pueden calcular a partir de la fda FX (x), mediante, pX (xi) = FX (xi)− FX (xi−1) = salto de FX (x) en xi . (más generalmente pX (xi) = FX (xi)− FX (x), con x = xi − �, � > 0 suficientemente chico) El siguientees el resultado análogo para X continua. Proposición Sea X una va continua con fda FX (x). Entonces, fX (x) = F ′ X (x), (para valores de x donde F ′ X (x) existe) 19 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Ejemplo 4.8 (cont. del Ejemplo 4.6) X ∼ U(A,B). FX (x) =? FX (x) es derivable para x ∈]A,B[, pero no en x = A, ni en x = B. Cálculo de f (x) : 20 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Percentiles de una distribución continua Definición: percentil-p Sea p ∈]0,1[. El percentil (100× p)% de la distribución de una va X continua con fda FX (x) estrictamente creciente y denotado por η(p), se define como el valor tal que, p = FX (η(p)) ( = ∫ η(p) −∞ fX (y)dy ) . Nota: percentil (100× p)% = cuantil p. Notas: usa q para cuantiles Ejemplo: qnorm(p=0.3, mean=0, sd=1) calcula el cuantil q(0.3) de la distribución N(0,1) La definición de cuantil (percentil) es más complicada para distribuciones discretas ( lo hace con ciertas convenciones) 21 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Dado p, el cuantil correspondiente η(p) se encuentra resolviendo para η(p) la ecuación p = FX (η(p)) Ejemplo 4.9 (modificado) Sea X (fracción de luca) el monto del vuelto que recibe un cliente que hace una compra en efectivo. f (x) = { 3 2(1− x 2), 0 ≤ x ≤ 1 0 e.o.c. x ∈ [0,1], FX (x) = 32(x − x3 3 ). La ecuación para el cuantil-p es, p = F (η(p)) = 3 2 ( η(p)− η(p) 3 3 ) . Si p = 0.5, entonces η(0.5) = 0.347. Interpretación: ? 22 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Ejemplo 4.9 (modificado, cont.) Ilustración con p.f <- function(eta) 1.5 * (eta - (eta**3)/3 ) p.f(eta=.5) plot(p.f) # note uso de plot con argumento # funcion plot(p.f, xlab="eta", ylab="prob(eta)") Use varios valores de η para acercarse a F (η) = 0.5. 23 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Cuantiles especiales. Mediana η̃ = η(0.5) = mediana = percentil 50 = cuantil 0.5. Nota: η̃ es tal que la mitad de la masa esta a la izquierda de η̃. En sı́mbolos: P(X ≤ η̃) = 0.5. Primer y tercer cuantiles (percentiles 25 y 75, resp.) η(0.25) = primer cuartı́l = percentil 25 η(0.75) = tercer cuartı́l = percentil 75 Ejemplo: X ∼ U(I,S), I < S. x ∈]I,S[ =⇒ FX (x) =? Cálculo de η = η(0.25) : resuelva 0.25 = FX (η) 24 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Valor Esperado o valor medio (Estudio individual) µX = E(X ) = ∫ ∞ −∞ x × f (x)dx Ejemplo 4.10 (cont. ejemplo 4.9) X = fracción de luca (vuelto que recibe un cliente que hace una compra en efectivo) f (x) = { 3 2(1− x 2), 0 ≤ x ≤ 1 0 e.o.c. Vuelto esperado = E(X ) = ∫ 1 0 x × 3 2 (1− x2)dx =? 25 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Proposición E(h(X )) E(h(X )) = ∫ ∞ −∞ h(x)× f (x)dx Ejemplo 4.11 (“palo quebrado”) X = proporción de ventas de Lı́der (competidor 1), ? = proporción de ventas de los “otros” supermecados (competidor 2)) Suponga que X ∼ U(0,1) Proporción de marcado (“market-share” ) del competidor dominante = h(X ) Problema: calcule h(X ) y E(h(X )) 26 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Caso especial importante: h(X ) = a× X + b. E(h(X )) = E(a× X + b) = a× E(X ) + b (este resultado vale tanto para el caso continuo como para el discreto) 27 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Varianza de una va continua σ2X = Var(X ) = ∫ ∞ −∞ (x − µX )2f (x) dx = E [(X − µX )2]. Desviación estándar de X : σX = √ Var(X ) Varianza: cálculo alternativo Var(X ) = E(X 2)− [E(X )]2 28 / 51 Capı́tulo 4 4.2 Funciones de distribución acumulada y valores esperados Ejemplo 4.12 (cont. ejemplo 4.10) X = fracción de luca (vuelto que recibe un cliente que hace una compra en efectivo) f (x) = { 3 2(1− x 2), 0 ≤ x ≤ 1 0 e.o.c. Vuelto esperado = E(X ) = 3/8. Varianza de X : Var(X ) = E(X 2)− E(X )2 E(X 2) = ∫ 1 0 x 2 × 32(1− x 2)dx = 1/5 Luego, Var(X ) = 1/5− (3/8)2 = 0.059375, y σX = √ Var(X ) = 0.243669 � Caso especial importante: h(X ) = a× X + b. Var(h(X )) = Var(a× X + b) = a2 × Var(X ) = a2 × σ2X (vale para los casos continuos y discretos) 29 / 51 Capı́tulo 4 4.3 Distribución normal (144) Resuelva: Problemas 11-27, pp. 142-144. El examen tendrá una versión modificada de uno de los problemas 11-17. 30 / 51 Capı́tulo 4 4.3 Distribución normal (144) Definición: distribución normal con parámetros µ y σ (o σ2) Se dice que X tiene distribución normal con parámetros µ y σ si su densidad es, fX (x) = 1√ 2πσ exp { −1 2 ( x − µ σ )2} , −∞ < x <∞ Tambien se llama distribución Gauss (o gaussiana) Notación: N(µ, σ2) Distribución normal estándar N(0,1) Notación: φ(x) = densidad; Φ(x) = Fda (no tiene fórmula) Z ∼ N(0,1) Densidad normal estándar: φ(x) = 31 / 51 Capı́tulo 4 4.3 Distribución normal (144) Valor esperado y varianza Si X ∼ N(µ, σ2), entonces, E(X ) = µ Var(X ) = σ2. 32 / 51 Capı́tulo 4 4.3 Distribución normal (144) Gráficos de densidades normales dnorm(x=1) # valor en x=1 #de la densidad con mean = 0, sd=1 plot(dnorm, xlim=c(-3,3)) # forma simple #————————————————————– x.q <- seq(from=-3,to=3, by=0.1) dnorm(x=x.q) # valores de la densidad normal # con mean = 0, sd=1 plot(x=x.q, y=dnorm(x.q))# grafico incompleto # grafico con informacion adecuada: plot( x=x.q, y=dnorm(x.q), xlab="x",ylab="densidad normal", main="grafico de la densidad N(0,1)", type="l") 33 / 51 Capı́tulo 4 4.3 Distribución normal (144) (X) # densidad N( mean=1/2,sigma2 = 1/4) plot( x=x.q, y=dnorm(x.q, mean=0.5, sd=1/2), xlim=c(-3,3), xlab="x", ylab="densidad normal", main="grafico de la densidad N( mean=1/2,sigma2 = 1/4)", type="l") 34 / 51 Capı́tulo 4 4.3 Distribución normal (144) Sea Z una va con Z ∼ N(0,1) (Notación frecuente) Ejemplo 4.13 Calcule: (a) P(Z ≤ 1.25), (b) P(Z > 1.25), (c) P(Z ≤ −1.25), y (d) P(−0.38 ≤ Z ≤ 1.25). Soluciones: (a) pnorm(q=1.25, mean=0, sd=1) [1] 0.8943502 Por defecto, el comando pnorm() usa pnorm(q, mean=0, sd=1), de modo que puede omitir mean=0, sd=1 en cálculos de probabilidades con la distribución normal estándar. Resuelva (b), (c), y (d) usando pnorm() y propiedades de probabilidades. 35 / 51 Capı́tulo 4 4.3 Distribución normal (144) Percentiles de la distribución normal estándar Ejemplo 4.14 Notación zα Sea 0 < α < 1. Entonces zα es tal que P(Z ≥ zα) = α. Nota: esta definición puede cambiar de un texto a otro. 36 / 51 Capı́tulo 4 4.3 Distribución normal (144) Cálculo de percentiles con R: Sea α ∈]0; 1[. En el texto (Devore), zα es tal que P(Z ≥ zα) = α. Equivalentemente, P(Z ≤ zα) = 1− α. Con R, uno calcula zα con, qnorm(p= 1 - alpha, mean=0, sd=1), o bien con, qnorm(p= alpha, mean=0, sd=1, lower.tail=F), Estos cálculos se pueden hacer con una distribución normal no estándar. Ejemplo: Z ∼ N(0,1), α = 0.1. Con R uno calcula zα con alpha <- 0.1 qnorm(p= 1 - alpha, mean=0, sd=1) [1] 1.281552 o bien qnorm(p= alpha, mean=0, sd=1, lower.tail=F) 37 / 51 Capı́tulo 4 4.3 Distribución normal (144) zα = percentil 100(1− α)% de la distribución normal estándar. (también se conoce como valor crı́tico.) Por simetrı́a: P(Z ≥ −zα) = α. Tabla 4.1: Percentiles normales estaándar y valores crı́ticos % en cola inferior 90 95 97.5 99 99.5 99.9 99.95 α (área de cola superior) 0.1 0.05 0.025 0.01 0.005 0.001 0.0005 zα = percentil 1.28 1.645 1.96 2.33 2.58 3.08 3.27 100× (1− α)% Ejemplo 4.15 (p. 148) (práctica individual) 38 / 51 Capı́tulo 4 4.3 Distribución normal (144) Distribuciones normales no estándar Proposición Para µ y σ dados, sea X ∼ N(µ, σ2). Entonces Z = (X − µ)/σ es una va con Z ∼ N(0,1). Uso de este resultado: P(a ≤ X ≤ b) = P ( a− µ σ ≤ Z ≤ b − µ σ ) = Φ ( b − µ σ ) − Φ ( a− µ σ ) P(X ≤ a) = Φ ( a− µ σ ) , P(X ≥ b) = 1− Φ (b − µ σ ) 39 / 51 Capı́tulo 4 4.3 Distribución normal (144) Ejemplo 4.16 (p. 150) La va X tiene distribución normal con valor medio 1.25 s y desviación estándar 0.46 s. Calcule 1.00 ≤ X ≤ 1.75 a) con la distribución de X y b) con la distribución N(0,1) Ejemplo 4.17 (p. 150) (modificado) Se sabe que el precio en CLP de un EURO tiene distribución normal. Determine la probabilidad que el precio de un EURO esté dentro de una desviación estándar de su valor medio. Sea X el precio CLP de un EURO. Suponga X ∼ N(µ, σ2). P(µ− σ < X < µ+ σ) =? Otros probabilidades notables: P(−2 ≤ Z ≤ 2) = 0.9544 P(−3 ≤ Z ≤ 3) = 0.9974 40 / 51 Capı́tulo 4 4.3 Distribución normal (144) (X) Percentiles de una distribución normal arbitraria Proposición Sean µ y σ dados y sea ηµ,σ2(p) = percentil (100p)% de la N(µ, σ2). Entonces, ηµ,σ2(p) = µ+ η0,1(p)× σ Ejemplo 4.18 (p. 151) (estudio individual) Distribución normal y poblaciones discretas (p. 152) Ejemplo 4.19 (p. 152) (estudio individual) 41 / 51 Capı́tulo 4 4.3 Distribución normal (144) Aproximación Normal a la distribución Binomial Sea X ∼ Bin(n,p). Si n es grande y la distribución binomial es aproximadamente simétrica, entonces la distribución de X es aproximadamente N(µ, σ2), con µ = n × p, y σ2 = np(1− p). En particular, si x está en X (S), P(X ≤ x) = B(x ; n,p) ≈ Φ ( x + 0.5− np√ np(1− p) ) En la práctica, esta aproximación se usa cuando np ≥ 10, y n(1− p) ≥ 10. Ejemplo Ilustración con (Próxima lámina) Ejemplo 4.20 (estudio individual) (p. 153) 42 / 51 Capı́tulo 4 4.3 Distribución normal (144) Gráfico de la función frecuencia Bin(n = 50,p = 0.6) y la densidad N(µ, σ2) aproximante. # Aproximacion Normal a la Binomial # grafico de la funcion frecuencia binomial: plot(dbinom(x=seq(from=1, to=49, by=1), size=50, prob=0.6), xlab="n de caras en size=50 lanzamientos", ylab="prob de observar x caras") # superponer la densidad normal aproximante points(dnorm(x=seq(from=1, to=49, by=1), mean=30, sd=sqrt(50*0.6*0.4)), pch="+") graphics.off() # cierre ventanas graf́icas 43 / 51 Capı́tulo 4 4.3 Distribución normal (144) 0 10 20 30 40 50 0. 00 0. 02 0. 04 0. 06 0. 08 0. 10 nº de caras en size=50 lanzamientos pr ob d e ob se rv ar x c ar as Funcion de frecuencia Binomial y densidad Normal aproximante (intervalos en el eje-x son de largo unitario) ++++++++++++++++++++ + + + + + + + + + + + + + + + + + + +++++++++++ Figure: “o” = Binomial frequency, “+” = Normal density 44 / 51 Capı́tulo 4 4.3 Distribución normal (144) Resuelva: Problemas 28-50, pp. 154-156. El examen tendrá una versión modificada de uno de los problemas 28-34. 45 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) Definición: distribución exponencial Se dice que una va X tiene distribución exponencial con parámetro λ (λ > 0) si su función densidad es, fX (x) = { λe−λx , x ≥ 0 0, e.o.c. Notas: A veces esta distribución se usa con el parámetro β = 1/λ. Notación: X ∼ exp(λ). (No confundir con la función exp) Cuando use programas/paquetes de computación, tenga claro el parámetro (β o λ) que el programa usa. 46 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) Media y varianza de la distribución exponencial Si X ∼ exp(λ) entonces, E(X ) = 1 λ , Var(X ) = 1 λ2 . Ejemplo http://stat.ethz.ch/R-manual/R-devel/library/ stats/html/Exponential.html dexp(x, rate = 1, log = FALSE) pexp(q, rate = 1, lower.tail = TRUE, log.p = FALSE) qexp(p, rate = 1, lower.tail = TRUE, log.p = FALSE) rexp(n, rate = 1) Nota: rate = λ 47 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) # grafico de la dens. exponencial con rate=1 x <- seq(from=0,to=5,by=0.1) y <- dexp(x=x, rate=1) # note: rate=1 plot(x,y, xlab="x", ylab="dens. exponencial", main="Densidades exponenciales", type="l") # puntos de la dens. exponencial con rate=0.5 points(x,dexp(x=x, rate=0.5), type="p", pch="2") # note: rate=0.5 graphics.off() q() 48 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) Fda de la distribución exponencial Si X ∼ exp(λ) entonces, FX (x) = { 1− e−λx , x ≥ 0 0, e.o.c. 49 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) Ejemplo 4.21 (p. 158) X = tiempo de respuesta a una consulta en un computador (el tiempo transcurrido entre el final de la consulta de un usuario y el inicio de la respuesta del sistema a dicha consulta) X tiene una distribución exponencial con tiempo de respuesta esperado de 5 s. E(X ) =? λ =? Calcule la prob. que el tiempo de respuesta no exceda 10 s. Calcule la prob. que X exceda su media en una desviación estándar 50 / 51 Capı́tulo 4 4.4 Distribuciones exponencial y gama (157) Ejemplo 4.21 (p. 158) X = tiempo de respuesta a una consulta en un computador (el tiempo transcurrido entre el final de la consulta de un usuario y el inicio de la respuesta del sistema a dicha consulta) X tiene una distribución exponencial con tiempo de respuesta esperado de 5 s. E(X ) = 1/λ = 5 =⇒ λ = 0.2 P(X ≤ 10) : pexp(q=10, rate=0.2) [1] 0.8646647 Calcule la prob. que X exceda su media en una desviación estándar P(X ≥ µ+σ) = P(X ≥ 5+5) = 1−P(X ≤ 10) = 1−0.8646647 51 / 51
Compartir