Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Estadística y Análisis de Datos 1 MODELOS PROBABILÍSTICOS CONTINUOS DISTRIBUCIÓN UNIFORME EN UN INTERVALO Definición: Una variable aleatoria continua X sobre un espacio de probabilidad (S, A, P), tiene distribución uniforme en un intervalo (a; b), a < b, y se indica X U (a; b) si su función de densidad de probabilidad es constante en ese intervalo. x bxa xf ab de valores otros para0 1 Gráfico 1 Observación. Si X U (a; b) entonces f es una función de densidad de probabilidad. 1) f(x) 0 xR 2) - dxxf 1 En efecto: 1) 01 ab xf puesto que a < b por lo que b – a > 0 entonces su inverso multiplicativo también es positivo 2) b b a ab a -b b a a -- dx.dxdxdxxfdxxfdxxfdxxf 00 1 100 11 abx ab b aab Puede observarse que los parámetros de este modelo son a y b. Se usa la siguiente notación X es U(a, b) (“X es uniforme con parámetro a y b”) Integrando f(x), obtenemos la función de distribución del modelo uniforme. x - duufxF Entonces: ab ax u ab du ab du ab xF x a x a x a 111 De manera que bx bxa ax xF ab ax si1 si si0 Gráfico 2 a x b x F(x) 1 F(x) a x b x f(x) ab 1 f(x)= 0 f(x) = ab 1 f(x) = 0 Estadística y Análisis de Datos 2 Esperanza y Varianza 222 1 2 1 0 1 00 1 0 222 ba .ab ab.abab ab x ab xdx ab dx..xdx ab .xdx..x dxxf.xdxxf.xdxxf.xdxxf.xXE b a b ab b a a b b a a Luego, 2 ba XE Para calcular la varianza necesitamos obtener primeramente E(X 2 ). 333 1 3 1 0 1001 0 22 22 333 2222 22222 aabb .ab aabb.ab ab ab x ab dxx ab dx..xdx ab xdx..x dxxf.xdxxf.xdxxf.xdxxf.xXE b a b ab b a a b b a a Entonces 1212 2 12 363444 4 2 343 2222222 2222222 222 abaabbbabaaabb babaaabbbaaabb XEXEXD Por lo tanto, 12 2 2 abXD Cuando una variable aleatoria está uniformemente distribuida en el intervalo (a, b), su densidad es simétrica en el centro del intervalo 2 ba y así este valor es tanto la media como la mediana de la distribución. (Observe el Gráfico 1). Desviación típica. 12 2 ab XD Ejemplo. Un colectivo pasa por cierta parada cada 15 minutos. ¿Cuál es la probabilidad de que un señor que llega en un momento dado tenga que esperar el colectivo más de cinco minutos? Se define la variable aleatoria X que indica el tiempo de espera, entonces X es U(0, 15). Se calcula en primer lugar la función de distribución: 15si1 150si 0si0 15 x x x xF x La probabilidad pedida viene dada por: 670 15 5 151515 ,FXPXP DISTRIBUCIÓN EXPONENCIAL La distribución exponencial es el equivalente continuo de la distribución geométrica discreta. Esta ley de distribución describe procesos en los que: Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf , no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. Ejemplos de este tipo de distribuciones son: El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datación de fósiles o cualquier materia orgánica mediante la técnica del carbono 14, C 14 ; Estadística y Análisis de Datos 3 El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilístico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. Definición: Una variable aleatoria continua X sobre un espacio de probabilidad (S, A, P), tiene distribución exponencial con parámetro μ > 0 y lo indicamos X Exp() si su función de densidad de probabilidad es: x xe. xf x de valores otros para0 0 Gráfico 3 Observación. Si X Exp() entonces f es una función de densidad de probabilidad. 1) f(x) 0 xR 2) 0 1dxxf En efecto: 1) xe.xf 0 1 x e . si x 0 y > 0 0xf si x < 0 Por lo tanto, f (x) 0 xR 2) 11 limlim 0 000 tt t x t xx e. e dxedxe.dxxf 1 1 0 11 lim 0 tt e. Función de distribución x - duufxXPxF Entonces: x x xx x u uxx u e e e.e.e. e duedue.xF 11 1 1111 0 0 00 Estadística y Análisis de Datos 4 De manera que: 00 01 x xe xF x Gráfico 4 Esperanza y Varianza 11 10 1 00 11 lim 10 lim lim 1 lim 1 22 0 0 2 0 0 00 0 0 000 ee e. e. t ee.x dxe e.x dxe.xdxe..xdxxf.xXE tttt t x t t x t x x xx Luego, 1 XE Para obtener la varianza calculamos E(X 2 ): 20 2 0 2 0 22 2 dxe.xdxe..xdxxf.xXE xx Entonces: 222 222 112 XEXEXD Desviación típica 11 2 XD Ejemplo En un experimento de laboratorio se utilizan 10 gramos de 0 210 84 P . Sabiendo que la duración media de un átomo de esta materia es de 140 días, ¿cuántos días transcurrirán hasta que haya desaparecido el 90% de este material? El tiempo X de desintegración de un átomo de 0 210 84 P es una variable aleatoria de distribución exponencial. Como la duración media de un átomo de 0 210 84 P es de 140 días, se tiene que 140 11 140 . Entonces el tiempo que transcurre hasta que el 90% del material radiactivo se desintegra es: Estadística y Análisis de Datos 5 días 32210ln14010ln 1 10lnln901901 ,,x,e.x,e,exF xx Consideremos otro ejemplo: Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de20 años? Si el marcapasos lleva funcionando correctamente 5 años en un paciente, ¿cuál es la probabilidad de que haya que cambiarlo antes de 25 años? Sea X la variable aleatoria que mide la duración de un marcapasos en una persona. Tenemos que X sigue una distribución exponencial con 16 1 Entonces, 7135012020 20 16 1 ,eFXP En segundo lugar 71350 73160 5220 11 11 51 525 5 255 525 16 5 16 5 16 25 , , , e ee F FF XP XP X/XP Luego como era de esperar, por ser propio a un mecanismo exponencial, 205205 XPX/XP o sea, en la duración que se espera que tenga el objeto, no influye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la distribución exponencial no tiene memoria". Teorema. Sea X una variable aleatoria con distribución exponencial. Entonces para dos enteros positivos cualesquiera s y t: tXPsX/tsXP RELACIÓN ENTRE EL MODELO EXPONENCIAL Y EL MODELO DE POISSON El modelo exponencial puede obtenerse a partir del modelo de Poisson. Si una secuencia de eventos ocurre en el tiempo de acuerdo con la ley de Poisson, a un promedio de 𝜇 eventos por unidad de tiempo entonces la variable aleatoria que denota el tiempo transcurrido entre las ocurrencias del evento tiene distribución exponencial con parámetro . Ejemplo: Si las llegadas de pacientes a una clínica siguen la ley de Poisson, entonces la distribución del tiempo entre las sucesivas llegadas es una variable exponencial. Entonces, sea X la variable aleatoria tiempo de espera entre la ocurrencia de un evento y la ocurrencia del evento siguiente (variable tiempo entre eventos) y procedamos a determinar la función de distribución de X, evaluando el evento (X > x) para cualquier intervalo de tiempo específico x. El evento (X > x) significa que es un evento que todavía no ha ocurrido en el intervalo de tiempo (0; x). De manera que si consideramos Y variable aleatoria de Poisson que indica el número de ocurrencias de un evento en un intervalo de tiempo, por la ley de Poisson la probabilidad del evento (X > x) es: eeYPxXP !0 0 0 con = .x donde : promedio de ocurrencias Se tiene que P(Y = 0) = P(no ocurra ningún evento en (0; x)) Como resultado, la función de distribución acumulada de la variable exponencial es: xexXPxXPxF 11 donde es el número medio de las ocurrencias por unidad de tiempo o espacio en la distribución de Poisson, x longitud del intervalo de tiempo entre los sucesos y e es la base de los logaritmos naturales. La función de densidad de la variable exponencial es: xe.x´Fxf Consideremos el siguiente ejemplo: Una sustancia radiactiva emite partículas α, el número de partículas emitidas sigue la Ley de Poisson a un promedio de 2 partículas por segundo. Calcule la probabilidad de que: Estadística y Análisis de Datos 6 a) En 3 segundos se emitan menos de 2 partículas. b) Entre 2 partículas sucesivas transcurran: más de ½ segundo, entre 0,2 segundos y 0,6 segundos, 1 segundo. p = 2 partículas por segundo Sea X v. a. que indica en número de partículas emitidas en un intervalo de tiempo. Y v. a. que indica el tiempo transcurrido entre la emisión de dos partículas consecutivas. F(y)= { 1 − e−2y si y ≥ 0 0 si y < 0 a) P(X < 2) = P(X = 0) + P(X = 1) = e−6∙60 0! + e−6∙61 1! = 0,017351265 = 2 3 = 6 b) P(Y > 0,5) = 1 − P(Y ≤ 0,5) = 1 − F(0,5) = 1 − (1 − e−2∙0,5) = e−1 = 0,367879441 P(X = 0) = e−1∙10 0! = e−1 = 0,367879441 t = 0,5seg; = 20,5 = 1 P(0,2 < Y < 0,6) = F(0,6) − F(0,2) = 1 − e−2∙0,6 − (1 − e−2∙0,2) = −e−1,2 + e−0,4 = 0,369125834 P(Y = 1) = 0 DISTRIBUCIÓN NORMAL De entre todas las distribuciones continuas tiene especial relevancia la distribución Normal o de Gauss. Las variables que presentan una distribución Normal tienen características comunes tales como la acumulación de valores en torno al valor de la media, la simetría en la distribución de los valores y escasos valores alejados de la media, por ejemplo: - Caracteres morfológicos de individuos: altura, peso, número de pie, tamaño del palmo, etc. - Características de la mayoría de los productos de consumo: duración de las bombillas, resistencia a la rotura de muebles o de piezas, duración de los electrodomésticos, etc. - Calificaciones obtenidas en cursos, asignaturas y exámenes. La distribución normal suele usarse como modelo probabilístico para el estudio de ciertas variables biológicas (por ejemplo, varios estudios epidemiológicos a gran escala sugieren el uso de la distribución normal en el estudio del nivel de colesterol en suero para grandes poblaciones); en otros casos puede ocurrir que una sencilla función, como el logaritmo, de una cierta variable biológica siga una distribución normal (por ejemplo, esos mismos estudios sugieren que el logaritmo de los niveles de triglicéridos en suero se distribuye normalmente). Definición. Una variable aleatoria continua X sobre un espacio de probabilidad (, A, P), tiene distribución normal general de parámetros y 2 con R y 2 > 0 y se indica X N(, 2 ) si su función de densidad es: 2 2 1 π2 1 x exf σ para todo x Gráfico 5 f Estadística y Análisis de Datos 7 Observación. Si X N(, 2 ) entonces f es una función de densidad de probabilidad. 1) f(x) 0 para todo x. 2) dxxf = 1 En efecto: 1) 0 π2 1 π2 1 π2 1 0 2 22 1 2 2 2 2 2 x xx e. eexf 00 .σ σσ 2) dxedxe xx 2 2 2 2 22 π2 1 π2 1 σσ (1) Aplicamos en (1) integración por sustitución: dudxdxdu x u 1 Entonces: 12 2 1 π2 1 π2 1 π2 1 2 2 2 2 2 2 2 duedu..edxe uu x σσσ Esperanza y varianza. E(X) = D 2 (X) = 2 Desviación típica. D(X) = 2 Proposición. Sea X N(, 2 ) . Si f denota la función de densidad de X entonces: 1. f está definida y es continua para todo xR. 2. f es simétrica respecto de . 3. f es creciente en (, ) y decreciente en (, ). 4. f tiene puntos de inflexión en x = y x = + . Demostración 1. Las funciones potencia y exponencial son continuas para todo xR por lo tanto, su composición también lo es. 2. La función f es simétrica con respecto a x = . Gráfico 6 Tomamos dos puntos: x1 = + b y x2 = – b que equidistan de x = . x2 = b x = x1 = + b Estadística y Análisis de Datos 8 Las ordenadas f(x1) y f(x2) deben ser iguales: 2 2 2 2 2 2 1 222 1 π2 1 π2 1 π2 1 bbx eeexf σσσ 2 2 2 2 2 2 2 222 2 π2 1 π2 1 π2 1 bbx eeexf σσσ f(x1) = f(x2) x1, x2 / x1 y x2 equidistan de x = . 3. La función de densidad f presenta un máximo en x = . 2 2 1 π2 1 x exf σ xe .. x. ex´f xx 2 2 2 2 2 2 2 π2 1 2 2 π2 1 3σσ Ahora, si: mínimo o máximo posible 0 0 1 0 0 π2 1 2 2 2 2 2 2 2 2 2 xx x x e e xe . x x x 3σ Calculamos la segunda función derivada: 1 π2 1 1 π2 1 2 2 π2 1 2 2 2 3 2 2 2 2 3 2 2 2 2 2 2 x e . e .. x. e . x´´fx xx σ σσ 3 0 π2 1 1 π2 1 1 π2 1 3 0 32 2 2 3 2 2 . e . e . ´´f σσσ Por lo tanto, f tiene un máximo en x = : Gráfico 7 Luego: f es creciente en (, ) y decreciente en (, ). x = Estadística y Análisis de Datos 9 π2 1 π2 1 π2 1 02 1 2 σσσ eef ordenada máxima de f. 4. Existencia de puntos de inflexión Para determinar la existencia de puntos de inflexión se iguala a cero la función segunda derivada, obteniéndose las soluciones x1 = + y x2 = – . Se calcula la función tercera derivada y en ella se reemplaza x por estas soluciones, obteniéndose en los dos casos resultados distintos de cero. Por lo tanto, se afirma la existencia de putos de inflexión en x1 = + y x2 = – La forma y la posición de una distribución normal dependen de los parámetros y 2 , en consecuencia hay un número infinito de distribuciones normales. Función de distribución x - duufxXPxF Entonces: x ux u dueduexF 2 2 2 2 22 2 1 2 1 Gráfico 8 Se cumple: 0lim xF x y 1lim xF x MODELO NORMAL STANDARIZADO O TIPIFICADO Definición. Una variable aleatoria continua X sobre un espacio de probabilidad (, A, P), tiene distribución normal estándar si X N(0; 1), es decir, si su función de densidad es: 2 2 π2 1 x ex para todo x Gráfico 9 Estadística y Análisis de Datos 10 Función de distribución xx u dueduex u 22 22 2 1 2 1 Gráfico 10 RELACIÓN ENTRE EL MODELO N(, 2 ) Y EL N(0, 1) Proposición. Sea X N(, 2 ) entonces X Z es normal N(0, 1). Demostración 1 11 00 111 2 2 2 2 22 XD X DZD XE X EZE Corolario. Sea X N(, 2 ) entonces: a aXP ab bXaP Para facilitar el cálculo de probabilidad con la Distribución Normal Estándar, existen tablas con (x) para algunos valores de x. Ejercicios resueltos: Use la Tabla de la Distribución Normal Estándar para cada uno de los siguientes ejercicios. Sea X variable aleatoria con Distribución Normal Estándar. Calcule usando la Tabla a) P(X 1,45) = (1,45) = 0,9265 Gráfico 11 b) P(X 1,45) = (1,45) = 0,0735 Estadística y Análisis de Datos 11 Gráfico 12 c) P(X 1,45) = 1 – P(X < 1,45) = 1 – (1,45) = 1 – 0,9265 = 0,0735 Gráfico 13 d) P(1,25 X 1,45) = (1,45) – (1,25) = 0,9265 – 0,8944 = 0,0321 Gráfico 14 e) Encuentre x tal que P(X x) = 0,64. En la Tabla, el valor de x correspondiente más cercano es 0,36. Propiedad Importante Entonces: (a) (-a) = 1 (-a) (-a) = 1 – 2 .(-a) (a) (-a) (-a) a 0 a a 0 a Estadística y Análisis de Datos 12 (a) = 1 - (-a) APROXIMACIÓN DE UNA DISTRIBUCIÓN BINOMIAL A UNA NORMAL Teorema de De Moivre - Laplace Sea una variable aleatoria X que es Bi(n, p), si n, entonces npq npX es asintóticamente N(0, 1), es decir, 10 ;N npq npX d n Este Teorema nos dice que, en ocasiones y bajo ciertas condiciones se puede aproximar una distribución binomial a una normal, lo cual puede facilitar notablemente los cálculos. La aproximación no siempre es posible, y si no se tienen en cuenta las condiciones que la permiten pueden cometerse importantes errores de cálculo. Si una variable aleatoria X es binomial con parámetros n y p, Bi(n, p), puede aproximarse a una distribución normal con = n.p y varianza 2 = n.p.q cuando (np 5 y nq 5) o (np > 5 y p 0,5 o nq > 5 y p > 0,5). La variable aleatoria binomial X es discreta, mientras que las variables normalmente distribuidas son continuas; cuando una variable binomial cumple los requisitos para realizar la aproximación a la normal debe tenerse en cuenta que P(X = a) = 0, si X es continua, para evitar errores debe realizarse la corrección por continuidad, esto significa que la equivalencia P(X = a) cuando X es binomial y por lo tanto discreta, debe considerarse como P(a – 0,5 < X < a + 0,5), al realizar la aproximación a la normal y ser X continua, calculando la probabilidad de que X esté contenida en un determinado intervalo. CORRECCIONES 1) P(XB = a) = P(a – 0,5 XN a + 0,5) 2) P(XB a) = P(0 XB a) = P(0 – 0,5 XN a + 0,5) = P(– 0,5 XN a + 0,5) 3) P(a XB b) = P(a – 0,5 XN b + 0,5) 4) P(XB < a) = P(XB a – 1) y luego usar 2) 5) P(a< XB < b) = P(a + 1 XB b – 1) y luego usar 3) Ejemplo Un sistema compuesto está formado por 100 componentes que funcionan independientemente. La probabilidad de que cualquier componente falle durante un período de operación es igual a 0,1. A fin de que funcione el sistema completo, al menos deben funcionar 85 componentes. Calcule la probabilidad de que el sistema funcione. Sea X v. a. que indica el número de componentes que funcionan XBi(n = 100, p = 0,9) Utilizando aproximación de la normal: = n.p = 100.0,9 = 90 ; σ = √100.0,9.0,1 = 3 P(XB≥85)=1-P(XB<85)=1-P(XB≤84)=1-P(0≤XB≤84)= = 1 − P(0 − 0,5 ≤ XN ≤ 84 + 0,5) = 1 − P(−0,5 ≤ XN ≤ 84,5) = = 1 − [ ( 84,5−90 3 ) − F ( −0,5−90 3 )] = 1 − [(−1,83) − F(−30,17)] = 1 − 0,0336 = 0,9664 BIBLIOGRAFÍA 1. Devore, Jay L. Probabilidad y Estadística. Thomson. 2005. 2. Mendenhall, W.; Wackerly, D.; Scheaffer, R. Estadística Matemática con Aplicaciones. Grupo Editorial Iberoamericana. 1994. 3. Obregón Sanin, I. Teoría de la probabilidad. Limusa. 1997. 4. Walpole, Ronal E.; Myres Raymond H. Probabilidad y Estadística. Mc.Graw –Hill. 1992.
Compartir