Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 PROBABILIDADES Y ESTADISTICA- APUNTES DE CLASE 2015 VARIABLES ALEATORIAS CONTINUAS_ PARTE 1 Muchas variables aleatorias que se observan en la vida real no son variables aleatorias discretas porque la cantidad de valores que pueden asumir no se pueden enumerar (o sea es un conjunto no numerable). Por ejemplo el tiempo Y (en minutos) necesario para completar el TP N°1 de Estadística Descriptiva podría, en teoría, asumir cualquiera de los valores del número incontable (no numerable) que hay dentro del intervalo o < y < 240. La precipitación pluvial diaria en cierto lugar, La intensidad de la luz solar a una hora determinada del día Son ejemplos de v.a. que pueden asumir cualquier valor del número infinito e innumerable de puntos que hay en uno o más intervalos sobre la recta real. En contraste con las v. a. discretas, tales variables se llaman “variables aleatorias continuas” Ahora bien, es imposible asignar una cantidad finita de probabilidad a c/u del número infinito de puntos dentro de un intervalo de R, de forma tal que la suma de las probabilidades sea igual a 1. Una v.a. continua tiene una probabilidad cero de asumir exactamente cualquiera de sus valores. En principio esto puede parecer alarmante, pero se vuelve más razonable cuando se considera un ejemplo particular. Consideremos una v.a. cuyos valores son los alturas de los hombres mayores de 21 años. Entre cualquiera de dos valores, por ejemplo 1,635 y 1,645 m o incluso entre 1,6399 y 1,6401 hay un número infinito de alturas una de las cuales es 1,64. Es remota la probabilidad de seleccionar una hombre al azar que tenga exactamente una altura de 1,64 m y no alguna otra altura del conjunto infinitamente grande de alturas tan cercanas a ese valor que humanamente no se pudiera medir la diferencia, y entonces se asigna una probabilidad cero al evento. No obstante este no es el caso si se habla acerca de la probabilidad de seleccionar un hombre que al menos mida 1,63m pero no más de 1,65m. Para v.a. continuas vamos a tener que calcular probabilidades del tipo P(a<X<b), P(W>c), etc. Nótese que cuando X es continua P(a < X ≤ b) = P(a < X< b) + P(X=b) = P(a < X< b) =0 Esto es, no importa que se incluyan o no uno o ambos extremos del intervalo, esto no es verdad cuando X es discre- ta. Por lo tanto la distinción entre las v.a. continuas y discretas por lo regular se basa en la diferencia entre sus funciones de distribución acumulada (FDA). La FDA, función de distribución acumulada FX(x) para una v.a. X es FX(a) = P( X ≤ a) para todo a € R Para una variable aleatoria discreta, la FDA en “a” es la suma acumulada de pX(x) desde el valor x más pequeño que X puede asumir hasta el valor “a”. esto es FX(a) = P( X ≤ a) = )x(p ax iX i Por ejemplo, para la v.a. X que tiene la distribución de probabilidad que se indica, la FDA que se muestra es una fun- ción escalonada. Observemos que los saltos en los puntos 2, 3 y 4 son las probabilidades respectivas. X 2 3 4 pX(xi) 0,2 0,5 0,3 2 En contraste con la FDA para una v. a. discreta la FDA para una v.a. continua es una función continua y monótona creciente k de x, tal que Si x1 < x2 entonces F(x1) ≤ F(x2), Es decir, conforme x aumenta, F(x) nunca disminuye. Una gráfica de la FDA para una v.a. continua podría tener el aspecto siguiente Definición: Una v.a. continua es una que tiene las siguientes tres propiedades, 1°) Adopta un número no numerable de valores posibles en el intervalo (-∞ , +∞). 2°) La FDA es continua. 3°) La probabilidad de que X asuma exactamente cualquiera de sus valores es cero. Walpole: 3 4 Función de Distribución Acumulada FDA de una v.a. continua y su relación con la función de den- sidad. Definición: La función de distribución acumulada F(x) de una variable aleatoria continua X con función de densidad f(x) es F(x) = P(X ≤ x) = , para Como consecuencia inmediata de la definición anterior se escriben los dos resultados, P(a < X < b) = F(b) – F(a), y f(x) = , si existe la derivada. DISTRIBUCION RECTANGULAR (o UNIFORME) SOBRE UN INTERVALO [a, b] Parámetros de la distribución: a y b Sean a y b dos números reales tales que a < b y sea el experimento que consiste en seleccionar un punto X del intervalo S= { x / a ≤ x ≤ b} de forma que la probabilidad de que X pertenezca a cualquier subintervalo de S es proporcional a la longitud de ese subintervalo . Esta distribución de probabilidad de la v.a. X se denomina Distribución Rectangular (o Uniforme) sobre en Inter- valo [a, b] Aquí, X es el resultado de un experimento que a menudo se describe diciendo que “se selecciona al azar un punto del intervalo [a, b]”. Puesto que X debe pertenecer al intervalo S la fdp será cero fuera de S f(x) = Puesto que la probabilidad que se seleccione uno de los puntos extremos a o b es cero, es irrelevante la distribución que considere como una distribución uniforme en el intervalo cerrado a ≤ x ≤ b, o en el intervalo abierto a < x < b, o en los intervalos semiabiertos a ≤ x < b o a < x < b. Deducción de la función de densidad de probabilidad f(x): Dijimos que X es el resultado de un experimento que se describe diciendo “se selecciona al azar un punto del inter- valo [a, b]”. Por ejemplo consideremos el caso que a=2 y b=10 Dado que la probabilidad de que X pertenezca a cualquier subintervalo de [2, 10] es proporcional a la longitud de ese subintervalo P(2 ≤ X ≤ 3) = P(5 ≤ X ≤ 6) = P(9 ≤ X ≤ 10) = P(4,7 ≤ X ≤ 5,7), pues los cuatro subintervalos tienen la misma longitud 5 Luego f(x) debe ser independiente de la localización del subintervalo de [2, 10]. Además P(2 ≤ X ≤ 3) < P(2 ≤ X ≤ 5) Por consiguiente P( X € cualquier subintervalo de [2, 10] ) es proporcional a la longitud de ese subintervalo), luego f(x) tiene que ser constante ¿Cuál es el valor de la constante? f(x) = k 1 luego 1, k (b-a) = 1, de donde k= La función de distribución acumulada será: Si a ≤ x ≤ b; F(x) = P(X ≤ x) = Si x < a ; F(x) = P(X ≤ x) = Si x ≥ b; F(x) = P(X ≤ x) = Luego F(x) = Graficarla. Caso importante: a = 0 y b = 1 f(x) = La FDA será F(x) = VALOR ESPERADO DE UNA VARIABLE ALEATORIA CONTINUA Definición: Sea X una variable aleatoria continua con función de densidad fX(x), entonces Ejemplo: Hallamos el error esperado en la temperatura de reacción para un experimento controlado de laboratorio del ejemplo 2.6 de la pág. 3. Ejemplo: Hallamos el valor esperado de una distribución rectangular sobre el intervalo [a, b]. = VARIANZA Y DESVIACION ESTANDAR DE UNA VARIABLE ALEATORIA CONTINUA Definición: Sea X una variable aleatoria continua con función de densidad fX(x) y valor esperado E(X), entonces se define la Varianza de X Se definela desviación estándar de x Desv. Estándar (X) = 0 0,2 0,4 0,6 0,8 1 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 1,4 F(x) x Función de Distribución de una v.a. uniforme en el intervalo [0, 1] 6 También se demuestra que Ejemplo: Hallar la varianza y la desviación estándar de X en el ejemplo anterior – 0,6375 Desviación Estándar (X) = Ejemplo: Hallamos la varianza y la desviación estándar de X ∿ Rectangular sobre [a, b]. = ( Desviación Estándar (X) = DISTRIBUCION NORMAL ESTANDAR (Leer Walpole) Una variable aleatoria tiene Distribución Normal Estándar, si la función de densidad es: <z < Su curva recibe el nombre de “Curva Normal”, es la curva en forma de campana, la cual describe en forma aproximada muchos fenómenos que ocurren en la naturaleza, la industria y la investigación. Propiedades de la función de densidad de la normal estándar 1) Es simétrica respecto al eje f(-z) = f (z) 2) Nunca vale cero, se acerca al eje X en forma asintótica en cualquiera de los dos sentidos alejándose de ce- ro. 3) Max En efecto (z) = (z) = 0 sii z = 0 (z) = Para z = 0; ( 0 ) < 0 en z = 0 hay un máximo Además ( z ) = 0 z = ±1 Luego en z = ±1 la curva presenta puntos de inflexión 4) El área total bajo la curva es igual a 1. Esto es 5) La Función de Distribución Acumulada de z será: 7 definida para todo z tal que Ver los valores de se dan en la tabla correspondiente. La Distribución Normal estándar se puede generalizar para convertirse en una familia de distribuciones. DISTRIBUCION NORMAL CON PARAMETROS μ y σ 2 X tiene una Distribución Normal con parámetros si su función de densidad puede expresarse como (x) = 1) La moda, que es el punto sobre el eje horizon- tal donde la curva presenta un máximo, ocurre en x = . Se demuestra que E(X) = que será tanto la media de la distribución como la me- diana. 2) Es simétrica respecto al eje vertical x = . 3) La curva tiene puntos de inflexión en x = ± , Es cóncava hacia abajo si y es cóncava hacia arriba en cualquier otro caso x o si El valor de es la distancia desde hasta los puntos de inflexión de la curva (los puntos donde la curva cambia de concavidad ) 4) El área bajo la curva es igual a 1. Gráficas de Curvas Normales para distintos valores de y σ 2 Notación: Si X tiene una Distribución Normal con parámetros se denota X N ( CALCULO DE PROBABILIDADES PARA UNA v.a. X N ( (x) no es una función elemental, entonces no puede integrarse de forma sencilla. 8 Puesto que tenemos tablas para = 0 y = 1, mediante una sencilla transformación reducimos el problema, al de una variable con densidad normal estándar Es decir Demostración: Haciendo la sustitución z= , dz = , resulta = Ejemplo: Las piezas de pan de centeno distribuidas a los almacenes y tiendas locales por cierta panadería tienen una longitud media de 30 cm y una desviación estándar = 2 cm. Suponga que las longitudes están normalmente dis- tribuidas, ¿qué porcentaje de piezas son a) de más de 31,7 cm de longitud? b) entre 29,3 y 33,5 cm de longitud? c) de una longitud menor que 25,5 cm? Sea X “ longitud de una pieza de pan de centeno de la panadería A”. a) A cada medición X le corresponde una medición Z estándar (o tipificada). La longitud de 31,7 cm de una pieza equi- vale a 0,85 unidades de desviación estándar por arriba de la media. Respuesta: el 80,23 % de las piezas de pan tiene una longitud mayor que 31,7 cm. b) c) 0,0122 31,7 9 10 APROXIMACION NORMAL DE LA DISTRIBUCION BINOMIAL: Leer de Walpole Ejemplo: Si X tiene distribución binomial con parámetros n=15 y p=0,4, calcular las probabilidades que se indican usando la aproximación normal. Compare con el valor exacto de la probabilidad binomial. a) P(X = 5), b) P(2 ≤ X ≤ 4), c) P(X < 6) a) La probabilidad exacta binomial será Pbinomial(X = 5) = X b(n=15, p=0,4), luego E(X)= 15·0,4 = 6 ; V(X) = 15·0,4·0,6 = 3,6 y Superponemos sobre el histograma de probabilidad binomial una curva normal con µ = 6 y La probabilidad exacta de que X = 5 es igual al área del rectángulo cuya base está centrada en x = 5, lo que resul- ta aproximadamente igual al área de la región sombreada bajo la curva normal entre las dos coordenadas x1 = 4,5 y x2 = 5,5. Ver gráfico. Pbinomial (X = 5) PNormal (4,5 ≤ X ≤ 5,5) = PN. Estándar PNE(-0,79 < Z < - 0,26) 0,1826 Comparar los valores exacto y aproximado. En general, si a = 0, 1, 2, …, n Pbinomial (X = a) PNormal (a - ½ ≤ X ≤ a + ½) b) Pbinomial (2 ≤ X ≤ 4) = ( pX(2) + pX(3) + pX(4) = 0,0219 + 0,0634 + 0,1268 = 0,2121 La probabilidad aproximada usando la distribución normal será: Pbinomial (2 ≤ X ≤ 4) PNormal (2 - ½ ≤ X ≤ 4 + ½) = PNormal (1,5 ≤ X ≤ 4,5) PN. Estándar = P(Z ≤ - 0,79) – P(Z ≤ - 2,37) 0,2059 En general, si a = 0, 1, 2, …, n y b = 0, 1, 2, …, n Pbinomial (a ≤ X ≤ b)) PNormal (a - ½ ≤ X ≤ b + ½) c) La probabilidad binomial exacta será Pbinomial ( X < 6) = Pbinomial ( X ≤ 5) = 0,4032 La aproximación normal será: Pbinomial ( X < 6) = Pbinomial ( X ≤ 5) PNormal (X ≤ 5,5) = P(Z ≤ - 0,26) 0,3974 Observemos que la diferencia entre el valor exacto y el aproximado es mínima
Compartir