Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
PROBABILIDADES Y ESTADISTICA Tema 4.1: Variables Aleatorias Continuas Dra. Patricia Guevara Vallejo Docente del DECE Universida de las Fuerzas Armadas -ESPE Mayo 2020 I ÍNDICE Capítulo 4. Variables aleatorias continuas ________________ 84 4.1. Definición de variable aleatoria continua _________________ 84 4.2. Función de densidad ___________________________________ 84 4.3. Función de distribución ________________________________ 85 4.4. Esperanza matemática para una variable aleatoria continua 85 4.5. Varianza para una variable aleatoria continua ____________ 85 4.6. Distribuciones continuas _______________________________ 91 4.7. Distribuciones normal __________________________________ 91 4.7.1. Variable aleatoria normal estándar ___________________________________ 93 Bibliografía ______________________________________ 98 84 Capítulo 4. Variables aleatorias continuas Como ya se mencionó en el capítulo anterior, una v.a. continua es aquella que toma un rango infinito de valores en R. A continuación se enuncia la definción formal. 4.1. Definición de variable aleatoria continua Una variable aleatoria X se dice continua, si y solo si la probabilidad en cualquier punto es cero. Es decir: xR p(X=x) = 0 A diferencia de las variables aleatorias discretas donde se podía calcular la probabilidad puntual f(x)=p(X=x), ahora esto no tiene sentido, por lo dicho anteriormente; y por este mismo principio p(X≤x) = p(X<x). 4.2. Función de densidad La función f(x), definida en el conjunto de los números reales, se llama función de densi- dad de probabilidad de la variable aleatoria continua X, si y solo si la probabilidad de que x se encuentre entre dos valores se calcula con la integral definida de f(x) entre a y b. 𝑝(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥) 𝑏 𝑎 𝑑𝑥 Teorema Una función f(x) de una variable aleatoria continua X será de densidad si satisface dos propiedades: 1. f(x) 0 para -<x<+ 2. ∫ 𝒇(𝒙) + − 𝒅𝒙 = 𝟏 User Lápiz User Texto escrito a máquina f(z)dz User Lápiz User Texto escrito a máquina f(x)dx User Resaltado User Resaltado User Resaltado 85 4.3. Función de distribución Si X es variable aleatoria continua y su función de densidad es f(x), entonces la función de distribución F(x) se define por: 𝑭(𝒙) = 𝒑(𝑿 ≤ 𝒙) = ∫ 𝒇(𝒙) 𝒙 −∞ 𝒅𝒙 para -<x<+ La función de distribución F(x) para una variable aleatoria continua satisface cuatro propiedades: 1. 0F(x) 1 xX 2. F(xi) F(xj) si xi<xj 3. P(X>x) = 1 - p(Xx) = 1-F(x) 4. P(xi X xj) = p(Xxj) - p(Xxi) = F(xj) – F(xi) = j i x x f(x)dx , xi<xj Nota. La función de de densidad f(x) puede obtenerse al derivar la función de distribución F(x). 4.4. Esperanza matemática para una variable aleatoria continua Si X es variable aleatoria continua y f(x) es sun función de densidad, la esperanza matemá- tica de X o valor esperado de X se define: 𝑬(𝑿) = ∫ 𝒙𝒇(𝒙) + − 𝒅𝒙 4.5. Varianza para una variable aleatoria continua Si X es variable aleatoria continua y f(x) es su función de densidad, la varianza puede defi- nirse mediante la esperanza matemática de X como sigue: 𝑽𝒂𝒓(𝑿) = 𝑽(𝑿) = 𝑬(𝒙 − 𝒖)𝟐 = ∫ (𝑿 − 𝒖)𝟐𝒇(𝒙) + − 𝒅𝒙 Aplicando las propiedades, se demuestra que: Var(X) = E(X2) – [E(X)]2. Nota. La esperanza matemática y la varianza en el caso continuo cumplen las mismas propie- dades propuestas en el caso discreto, sin embargo la demostración en el caso continuo requiere el uso de la integral en lugar de sumatoria. Ejemplo 4.1. (Ejercicio 4.18, Prob. & Estad. Aplic. Ing. Montgomery & Runger. 1a. Ed.) Suponga que la función de distribución es: 𝐹(𝑥) = { 0 𝑥 < 0 0.2𝑥 0 ≤ 𝑥 ≤ 5 1 𝑥 > 5 User Resaltado User Lápiz User Lápiz User Texto escrito a máquina A1=b1*h1 A = Sum(Ai) A= lim f(x) delta x User Lápiz User Lápiz User Texto escrito a máquina p(X>x) = User Lápiz User Texto escrito a máquina = u User Texto escrito a máquina X, f(x), F(x), E(x), ... User Cuadro de texto p(X<2)=0.2(2)=0.4 p(X>3)=1-p(X<=3)=1-F(x)=1-0.2(3)=0.4 f(x) = 0.2 si 0<=X<=5 0 otro caso 86 Ejemplo 4.2 Ejemplo 4.3 Tomado del libro de Prob. & Estad. Aplic. Ing. Montgomery & Runger. 1era. Edición El diámetro de un agujero taladrado en milímetros es 10e-10(x-5) para x>5 mm, aunque el diámetro requerido es 5mm, las vibraciones, el desgaste de las herramientas y otros factores producen diámetros mayors que 5 mm. 87 a. Calcular la media y la varianza del diámetro de los agujeros. (Resuelto, revise) Var(x) = E(x2) - 2 = ∫ 10e−10(x−5) 𝑥2𝑑𝑥 +∞ 5 Para usar: uv-vdu, se definen: u=x2 du = 2xdx dv=10e-10(x-5)dx v = ∫ 10e−10(x−5) 𝑑𝑥= −1 10 ∫ 10ew 𝑑𝑤=e-10(x-5) w=-10(x-u) dw=-10dx Luego: I = uv-vdu = x2.e-10(x-5) – 2 ∫ e−10(x−5)xdx= x2.e-10(x-5) – 2I1 Para la integral I1, usar nuevamente: uv-vdu, por lo que se definen: u=x du = dx dv=e-10(x-5)dx v = ∫ e−10(x−5) 𝑑𝑥= −1 10 e-10(x-5) 88 Luego: I1 = uv-vdu= x. −1 10 e-10(x-5)+ 1 10 ∫ e−10(x−5)dx= −𝑥𝑒−10(𝑥−5) 10 − 𝑒−10(𝑥−5) 100 en I I = x2.e-10(x-5) – 2I1 = x2.e-10(x-5) – 2*( −𝑥𝑒−10(𝑥−5) 10 − 𝑒−10(𝑥−5) 100 ) 𝐼 = 𝑥2 𝑒10(𝑥−5) − 2 ∗ ( −𝑥 10𝑒10(𝑥−5) − 1 100𝑒10(𝑥−5) ) = 52 𝑒0 − 2 ∗ ( −5 10𝑒0 − 1 100𝑒0 ) – lim 𝑥→∞ 𝑥2 𝑒10(𝑥−5) − 2 lim 𝑥→∞ 𝑥 𝑒10(𝑥−5) − lim 𝑥→∞ 1 100𝑒10(𝑥−5) = Aplicando L’Hopital una y dos veces en el término que corresponde = 25 + 1 + 1 50 − 2𝑥 10𝑒10(𝑥−5) − 2 ( 1 10𝑒10(𝑥−5) − 0)= Aplicando L’Hopital = 25 + 1 + 1 50 − lim 𝑛→∞ 2 100𝑒10(𝑥−5) − lim 𝑛→∞ ( 1 10𝑒10(𝑥−5) )= = 25 + 1 + 1 50 − 0=26.02 b. Obtenga la probabilidad de que un diámetro sea mayor que 5 mm Ejemplo 4.4 Tomado del libro de Prob. & Estad. Aplic. Ing. Montgomery & Runger. 5ta. Edición Además hallar lo siguiente 89 a. p(X>5) b. p(X>20) c. E(X) d. Var(X) Ejemplo 4.5 Tomado del libro de Prob. & Estad. Aplic. Ing. Montgomery & Runger. 5ta. Edición Además hallar lo siguiente a. p(X<12.5) b. p(12.6<X<12.7) c. E(X) 90 d. Var(X) Ejemplo 4.6 Demuestre que la función f(x) = kx2, para 0<x<4 es una función de densidad para alg{u valor de k. Determine el valor de k. Ejemplo 4.7 Si f(x)=e—x, x>0, es función de probabilidad, hallar: a. P(X>2) b. P(2<X≤3) c. E(x) d. V(x) 91 4.6. Distribuciones continuas Algunos casos de distribuciones continuas son la normal, exponencial, uniforme continua, entre otras. 4.7. Distribuciones normal La distribución normal es un modelo matemático que permite estudiar el comportamiento de una variable cuya función de densidad de ajusta a la denominada Campana de Gauss, medi- ante el cálculo de las probabilidades para predecir la ocurrencia de eventos. La distribución nor- mal, es una de las distribuciones más importantes dentro de la Estadística, por su aplicabilidad en diferentes situaciones reales dentro de la Administración, la Biología, la Agronomía, la Medic- ina, Ingeniería, etc. El matemático Carl Friedrich Gauss (1777-1855), fue quien aporto en el estu- dio de esta distribución. Y a la gráfica de la función de densidad tiene la forma de una campana a la que se le ha llamado “Campana de Gauss”. No todas las variables se pueden estudiar a través de la distribución normal, ya que podrían ajus- tarse mejor a otros modelos. Para poder usar esta distribución, se comprobar si la variable sigue una distribución normal a través de pruebas de hipótesis no paramétricas. Definición. Si X es una variable aleatoria normal de parámetros la media=E(X) y la varianza Var(X)=2, notada como X N(, 2), entonces tiene una función de densidad: 2 σ μx 2 1 X e 2πσ 1 (x)f , -<X< , e=2,71828... y =3,14159 (1) La función de densidad, tiene las siguientes características: 1. Simétrica 2. Mesocúrtica 3. Asintótica respecto al eje X. 4. Los puntos de inflexión tienen abscisas los x x http://es.wikipedia.org/wiki/Carl_Friedrich_Gauss 92 La variable aleatoria normal, tienen las siguientes medidas descriptivas: Media Varianza Coeficiente de asimetría Coeficiente de curtosis E(x) = Var(x) =2 3 = 0 4 = 3 Comparación entre varias gráficas de distribución normal Igual media, pero diferentes desviaciones estándar, implica mayor o menor dispersión. Igual desviación estándar, pero diferente media, solo implica traslación de la media. Definición. Si X es una variable aleatoria normal de parámetros la media =E(X) y la varianza Var(X)=2, notada como X N(, 2), entonces tiene una función de distribución: 0 2 x σ μx 2 1 0X e 2πσ 1 )xP(X(x)F F(z) cumple con las propiedades de la función de distribución para variables aleatorias continuas. 0,000 0,100 0,200 0,300 0,400 0,500 -3 ,6 -3 ,2 -2 ,8 -2 ,4 -2 -1 ,6 -1 ,2 -0 ,8 -0 ,4 0 0 ,4 0 ,8 1 ,2 1 ,6 2 2 ,4 2 ,8 3 ,2 f(x) 0,000 0,200 0,400 0,600 0,800 1,000 -3 ,6 -3 ,2 -2 ,8 -2 ,4 -2 -1 ,6 -1 ,2 -0 ,8 -0 ,4 0 0 ,4 0 ,8 1 ,2 1 ,6 2 2 ,4 2 ,8 3 ,2 3 ,6 F(x)=P(X≤x) pvgue Texto escrito a máquina pero usando el valor estandarizado es 0 pvgue Texto escrito a máquina xo pvgue Lápiz pvgue Lápiz pvgue Resaltado pvgue Lápiz pvgue Texto escrito a máquina 0 93 4.7.1. Variable aleatoria normal estándar La función de densidad de una variable aleatoria normal es compleja, mucho más cuando a cada cálculo de probabilidad le corresponde el cálculo de una integral definida, mediante métodos nu- méricos. Para resolver el problema se realiza el cambio de variables con z (variable aleatoria nor- mal estándar) para trasladar el eje de simetría al Origen del sistema de referencia. Luego se con- struye una table de probabilidades para diferentes valores de Z desde -3.69 a 3.69 aproximad- amente. Esta variable aleatoria no tiene unidad de medida, pues ha sido estandarizada para cualquier valor de X. Por lo tanto las probabilidades calculadas con Z, serán las requeridas para X, pues la curva mantiene su tamaño y forma, solo ha trasladado su eje de simetría. Definición.- Si X sigue una distribucion normal de media x y desviación estándar x=1, se define la variable aleatoria 𝑍 = 𝑋−𝜇𝑋 𝜎𝑋 , denominada variable aleartoria normal estándar de media x=0 y desviación estándar z=1. La variable aleatoria normal estándar es el cambio de variable que permite la traslación de la media hacia el Origen y a la vez hace que la desviación estándar se haga uno, por lo tanto Z tambien tiene distribución normal. Por lo que se puede denotar Z N(, ) Se demuestra que E(Z)=0 E(Z) = E 0)μ(μ σ 1 )μE(x σ 1 σ ux xx x x xx x Se demuestra que Var(Z)=1 Var(Z)=Var 1 σ σ Var(X) σ 1 )μVar(X σ 1 σ μX x 2 x 2 x 2x x 2 x x pvgue Resaltado pvgue Texto escrito a máquina ux pvgue Texto escrito a máquina - inf pvgue Texto escrito a máquina +inf pvgue Texto escrito a máquina uz=0 pvgue Resaltado pvgue Cuadro de texto uz pvgue Texto escrito a máquina con media z=0 y desv. est z =1 pvgue Texto escrito a máquina E(x)-E(ux) pvgue Texto escrito a máquina Var(x)-Var(ux)= 94 4.7.1.1. Función de densidad y distribución normal estándar Si Z tiene distribución normal estándar con media 0 y varianza 1, se denota: Z N(0, 1). Y la función de de densidad y distribución de probabilidad para esta variable se definen a contin- uación. Función de densidad normal estándar: 2 Z z 2 e 2π 1 (z)f -<z< Función de distribución normal estándar: z z 2 1 Z dze 2π 1 (z)F 2 -<z< Sus gráficas son: 4.7.1.2. Propiedades de la función de distribución normal estándar Si Z N(0, 1), cumple dos propiedades de simetría: 1) P(Z z) = 1- P (Z z) = P(Z-z) 2) P(– z Z z) = 1 – 2P(Z – z) = 2P(Z z) – 1 4.7.1.3. Uso de las tablas de la distribución normal En este curso usareos la table de distribución F(z) completa, tanto para valores positivos como negativos de z, en el rango de -3.69 a 3.69 en una hoja de dos partes, primera parte valores de z negativos y la segunda parte con valores de z positivos. En cada parte, la primera columna de z tiene un decimal y las siguientes colmnas el Segundo decimal, mientras que en la parte interna de la table se encentran las probabildades p(Zz), que corresponden al área bajo la curva limitado por el punto crítico z. Por ejemplo para calcular P(Z1,96), se busca en la primera columna el número 1,9 y en las colum- nas el centésimo 0,06; luego la celda intersección de la fila y columna correspondientes es la prob- abilidad buscada; en este caso ese número es 0,975 por lo que: P(Z 1,96) = 0,975 0,000 0,200 0,400 0,600 -3 ,6 -3 ,1 -2 ,6 -2 ,1 -1 ,6 -1 ,1 -0 ,6 -0 ,1 0 ,4 0 ,9 1 ,4 1 ,9 2 ,4 2 ,9 3 ,4 f(z) 0,000 0,500 1,000 -3 ,6 -3 ,1 -2 ,6 -2 ,1 -1 ,6 -1 ,1 -0 ,6 -0 ,1 0 ,4 0 ,9 1 ,4 1 ,9 2 ,4 2 ,9 3 ,4 F(z) pvgue Resaltado pvgue Resaltado pvgue Resaltado pvgue Resaltado pvgue Lápiz pvgue Texto escrito a máquina z pvgue Texto escrito a máquina =p(Z<=z) pvgue Lápiz pvgue Texto escrito a máquina F(z) 95 Z = 1.96 Ejemplo 4.8 Considere la variable aleatoria normal estándar Z N(0,1), halle las siguientes probabilidades. a. P(Z 1,73) = 0,9582 b. P(Z1,73)=1–0,9582 =0,0418=P(Z<-1,73) c. P( –0,17 Z 1,82) = d. P(-3,6≤ Z≤3,6)= P(Z≤3,6)-Z≤-3,6≤)= e. P(Z 4,1 o Z 2,8). Dado que {z -1,4} {z 2,8} = tenemos que: P(Z 4,1 o Z≥2,8) = P(Z≥-1,4)+P(Z≥2,8)=0,0808+0,0026 f. P(Z>1.96) = p(Z<-1.96) = 0.025 g. P(Z<-10) h. P(Z>6) i. P(Z<8) j. P(Z>-5) k. P(Z<0) l. P(-1.96<Z<1.96) Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 1.6 0.9452 0.8277 0.7961 0.7870 0.7844 0.7836 0.7834 0.7833 0.7833 1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 96 Ejemplo 4.9 Considere la variable aleatoria normal estándar Z N(0,1), dada la probabilidad, hallar el valor de Z (punto crítico) a. Encontrar el valor de z tal que: P(Z < z) = 0.975 Buscar en el interior de la tabla, el valor que corresponde a la probabilidad de 0.975 b. Encontrar el valor de z tal que: P(Z z) = 0,4602 El valor de z que se busca es aquel cuya área a su derecha es 0,4602 O si consideramos que P(Z z) = 0,4602 = 1 - P(Z z) P(Z z) = 0,5398 Luego, se ubica esta área bajo en la tabla de distribución, para hallar el valor correspondiente a Z; y el valor correspondiente de z es 0,1; es decir, P(Z 0,1) = 0,5398 c. Hallar z tal que: P(-z Z z) = 0,8 0,8 = P(– z Z z) = 1 – 2P(Z – z); de donde: P(Z -z) = 0,1 En la tabla el valor correspondiente a dicha probabilidad es –z= –1,28 es decir z = 1,28. Probabilidad para diferentes desviaciones de la media. Puesto que la media corresponde al valor Z = 0, el área correspondiente a una desviación estándar -1<Z<+1, es decir la probabilidad de que la variable se encuentre a una desviación estándar de la media expresada como P(-1<Z<+1) es 0.6827; luegola probabilidad de estar a dos desviaciones y tres desviaciones estándar de la media son respectivamente: P(-2<Z<+2)= 0.9545 y P(–3<z<+3) = 0.9973. pvgue Texto escrito a máquina Resp. Z=1.96 pvgue Resaltado pvgue Resaltado pvgue Texto escrito a máquina Resp. Z=0,10 pvgue Texto escrito a máquina z=-1,285=(-1,28-1,29)/2, es un promedio con los valores proximos alrededor del z buscado para la prob. indicada. 97 Puntos críticos para probabilidades usuales. En la estimación de parámetros y prueba de hipótesis que se estudiará más adelante, es común hallar puntos críticos en la distribución normal estándar que delimitan las áreas bajo la curva o prababilidades en una sola cola (derecha o izquierda) o en dos colas. Como se mestra a a contin- uación valores típicos. Proba- bilidad Punto crítico que limita probabilidad en cola izquierda Punto crítico que limita probabilidad en cola derecha Punto crítico que lim- ita probabilidad en dos colas 0.99 z = - 2.325 z = + 2.325 z = 2.575 0.95 z = - 1.645 z = + 1.645 z = 1.96 0.90 z = - 1.285 z = + 1.285 z = 1.645 Ejemplo 4.9 Sea X una variable aleatoria con distribución normal de media 50 y varianza 100, encontrar P(X 30) Sol. Como 2 = 100, la desviación estándar es = 100 =10 P(X 30) = 10 5030 σ μX P = P(Z –2) = 0.0228 Ejemplo 4.10 Si el tiempo (en segundos) que una bacteria resiste a determinado antibiótico se distribuyera de forma normal con media 1200s y varianza 14400s2, ¿cuál es la proporción de bacterias que resis- ten más de 1000 segundos? Sol. X: tiempo (seg) de resistencia al antibiótico, X N(1200, 14400), = 14400 = 120 P(X1000)= 120 12001000 ZP = P(Z–1.67) = 1 – P(Z –1.67) = 1– 0,0475 = 0,9525 -3 -2 -1 0 1 2 3 z 68.27 95.45 99.73 98 Luego la proporción de bacterias que resiste más de 1000 segundos ante el antibiótico es 0.9525. Ejemplo 4.11 En el estudio del ingreso en la población, se sabe que éste se distribuye de forma normal con un Ejemplo 4.11 En el estudio del ingreso en la población, se sabe que éste se distribuye de forma normal con un ingreso promedio de $345 y una desviación estándar de $46. Si se elige un ciudadano al azar, a. ¿cuál es la probabilidad de que ésta tenga un sueldo inferior a $280? b. ¿cuál es la probabilidad de que ésta tenga un sueldo superior a $324? c. ¿cuál es la probabilidad de que ésta tenga un sueldo superior a $400? d. ¿cuál es la probabilidad de que ésta tenga un sueldo entre $300 y superior a $360? e. ¿Cuál es el ingreso que es superado por el 80% de esa población Bibliografía Distribución de probabilidad continua. Gráfico de la distribucion normal. Recuperado el 10 de mayo de 2020 de https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad_con- tinua Freund J., Miller I., Miller M. (2000). Estadística Matemárica con aplicaciones. Sexta Edicion. (pp. 92-94, 130). Prentice Hall. Pearson Education. Montgomery D., Runger G. (2011). Applied Statistics and Probability for Engineers. Fifth Edi- tion. (pp. 109). Arizona State University. Copyright © 2011 John Wiley & Sons, Inc. https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad_continua https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad_continua
Compartir