3 distribuciones de variable aleatorias · 2011. 8. 9. · •número de preguntas bien contestadas...
TRANSCRIPT
-
3‐Distribuciones de variable aleatorias
Edgar Acuna
ESMA 4001Edgar Acuña
Universidad de Puerto Rico1
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico2
3. 1. Distribución Binomial.Un experimento es llamado de Bernoulli, si satisface las siguientes
características:• En cada repetición puede ocurrir sólo una de dos maneras, una de ellas
es llamada Exito y la otra Fracaso.• La probabilidad de Exito, representada por p, debe permanecer constante
cuando el experimento es repetido muchas veces.• Las repeticiones de los experimentos deben ser independientes entre sí.
Los siguientes son experimentos de Bernoulli• Lanzar varias veces un dado y observar las veces que sale el valor 6, en
este caso la probabilidad de éxito es 1/6.• Contar el número de pacientes que sobreviven a una operación de corazón
abierto.• Contar el número de personas que se entrevistan por un empleo y a las que
se le hace una oferta de empleo.
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico3
Una variable aleatoria X tiene una distribución Binomial con parámetros n y p si se define como el número de éxitos que ocurren cuando un experimento de Bernoulli se repite n veces en forma independiente.
Ejemplo 3.1. Las siguientes son variables aleatorias binomiales.•Número de veces que resulta suma 7 al lanzar un par de dados 10 veces es una variable binomial con parametros p = 1/6 y n = 10.•Número de preguntas bien contestadas en un examen de 10 preguntas de selección múltiple, donde cada una tiene 4 alternativas de las cuales una es la correcta. En este caso n = 10 y p = ¼ = 0.25.•Número de artículos dañados que hay en una muestra de tamaño 3 extraidaCON REPOSICIÓN de un lote que contiene 10 artículos, de los cuales 4 son dañados. En este caso n = 3 y p = 4/10.
La Distribución Binomial (cont)
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico4
La Distribución Binomial (cont)
La función de probabilidad de una Binomial esta dada por:
para x = 0, 1, …,n.
donde representa combinaciones de n elementos tomados de x enx. Notar que p(x) es similar al x-esimo termino del binomio de Newton.Luego, se puede ver facilmente queEl valor de p(x) para diversos valores de n y p aparece en tablas de todo
texto básico de Estadística.
xnx ppxn
xp −−⎟⎟⎠
⎞⎜⎜⎝
⎛== )1()(
⎟⎟⎠
⎞⎜⎜⎝
⎛xn
1)]1([)(0
=−+=∑=
nn
xppxp
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico5
Calculos de la funcion de distribucionBinomial
En MINITAB y en cualquier software estadistico se pueden calcular lafunción de probabilidad (Probability), la función de distribución acumalada(Cumulative probability) y los percentiles (Inverse cumulative probability)de la distribución Binomial para cualquier valor de n y p. Para esto hayque seguir la secuencia Calc4Probability Distributions4Binomial.
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico6
Ejemplo 3.2. Probabilidades binomialesen MINITAB
a)Expresar en una tabla devalores la función deprobabilidad y la función dedistribución acumulada de lavariable aleatoria X: Númerode preguntas bien contestadaspor un estudiante que respondeal azar un examen tiposelección múltiple que consistede 10 preguntas, cada una con4 alternativas de las cuales sólouna es correcta.
Solución:Poner en una columna, llamada ‘x’,
todos los valores posibles de la variable. Laventana session en Minitab muestra lossiguientes resultados
-
Ejemplo 3.2(cont)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico7
b)Usar la tabla anterior para calcular la probabilidad de que el estudiante: Tenga exactamente 3 preguntas buenas.Tenga 6 ó menos preguntas buenas.Tenga por lo menos 4 buenas.Solucion:
La probabilidad de tener 3 preguntas bien contestadas es P(3) = 0.2502, la probabilidad de tener 6 o menos preguntas bien contestadas es F(6) = 0.9964, la probabilidad de tener por lo menos 4 buenas es por complemento P(X ≥ 4) = 1 ‐P(X ≤ 3) = 1 ‐ F(3) = 1‐ 0.77588 = 0.23412.
-
Ejemplo 3.3.
ESMA 4001Edgar Acuña
Universidad de Puerto Rico8
Una empresa tiene dos plantas de produccion A y B. En la planta A se produce el 60% de la produccion total y en la planta B solo el 40%. El 5% de la produccionde A es defectuosa mientars que solo el 2% de la pruduccion de B lo es. Se eligeal azar 10 articulos producidos por la empresa. Cual es la probabilidad de quea)Exactamente dos de los articulos resulten defectuosos?b) A lo mas 3 de ellos resulten defectuosos?c) Por lo menos 6 de ellos resulten defectuosos?d) Por lo menos 8 de ellos resulten buenos?
Solucion: Sea X:numero de articulos defectuosos entre los escogidos.X es binomial con parametros n=10 y con probabilidad de exitop=(.6)*.05+(.4)*.02=.03+.008=.038, usando probabilidad total
0476.)962.0()038(.2
10)2() 82 =⎟⎟
⎠
⎞⎜⎜⎝
⎛==XPa
9996.)962.0()038(.10
)3() 103
0=⎟⎟
⎠
⎞⎜⎜⎝
⎛=≤ −
=∑ kkk k
XPb
-
Ejemplo 3.3 (cont.)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico9
000.0)5(1)6() =≤−=≥ XPXPc
d) Por lo menos 8 sean buenos es equivalente a decir que a lo masdos de los 10 articulos salen defectuosos. O sea.
9946.)962.0()038(.10
)2( 102
0=⎟⎟
⎠
⎞⎜⎜⎝
⎛=≤ −
=∑ kkk k
XP
-
Media y varianza de una Binomial
ESMA 4001Edgar Acuña
Universidad de Puerto Rico10
npqXVarnpXE
entoncespnBinesXSi
==)(
)(
),(
En efecto, ∑∑ ∑=
−
= =
− −−−
=−⎟⎟⎠
⎞⎜⎜⎝
⎛==
n
x
xnxn
x
n
x
xnx ppxnx
nppxn
xxxpXE10 1
)1()!()!1(
!)1()()(
Haciendo y=x‐1 se obtiene que
∑−
=
−−−⎟⎟⎠
⎞⎜⎜⎝
⎛ −=
1
0
1)1(1
)(n
y
yny ppy
nnpXE
Pero la suma es 1, porque es la suma de todas las probabilidades de unabinomial con parametros n‐1 y p. Luego, E(X)=np
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico11
Var(X)=E(X2)‐[E(X)]2 Pero en lugar de calcular E(X2) directamente es mejor usar la siguiente relacion
E[X(X‐1)] =E(X2)‐E(X), donde E[X(X‐1)] es obtenido mas facilmente
22
0
22
0
222
20
)1()1(2
)1()1()!2(!
)!2()1(
)1()!()!2(
!)1()1()]1([
pnnppy
npnnpp
ynynnn
ppxnx
nppxn
xxXXE
n
y
ynyn
y
yny
xnxn
x
xnxn
x
−=−⎟⎟⎠
⎞⎜⎜⎝
⎛ −−=−
−−−
−=
−−−
=−⎟⎟⎠
⎞⎜⎜⎝
⎛−=−
∑ ∑
∑∑−
=
−−−
=
−−+
−
=
−
=
Notar que la ultima sumatoria vale 1 pues es la suma de las probabilidadesde una binomial(n‐2,p). Luego,
E[X(X‐1)]=n(n‐1)p2=E(X2)‐E(X). Por lo tanto, E(X2)=n(n‐1)p2+npEn consecuencia,
Var(X)=n2p2‐np2+np‐n2p2 = np(1‐p)=npq
-
3.2 La distribucion hipergeometrica
ESMA 4001Edgar Acuña
Universidad de Puerto Rico12
En este caso de una poblacion dicotomica de tamano N con Np (0
-
Media y varianza de unahipergeometrica
ESMA 4001Edgar Acuña
Universidad de Puerto Rico13
Si X es una hipergeometrica con parametros N, n y p e entonces
1)1()(
11
1)1(1
)!()!1()!1(
1)1(
)!1(!)!1(
)!(!!
)1()!()!1(
!)1(
)(
1
0
1
0
10
−−
−=
=
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
⎟⎟⎠
⎞⎜⎜⎝
⎛−−−
⎟⎟⎠
⎞⎜⎜⎝
⎛ −
=
−−−
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
−−−
−
=
−
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
−−=
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎠
⎞⎜⎜⎝
⎛−−
⎟⎟⎠
⎞⎜⎜⎝
⎛
=
∑∑
∑∑
−
=
−
=
==
NnNpnpXVar
ynp
nN
ynpN
yNp
np
nNnnNN
ynpN
yNpyNpNp
nNnN
xnpN
xNpxNp
nN
xnpN
xNp
xXE
n
y
n
y
n
x
n
x
Cuando N tiende a infinito la hipergeometrica converge a una Binomial (n,p)
-
Ejemplo 3.4
ESMA 4001Edgar Acuña
Universidad de Puerto Rico14
Los articulos producidos por una empresa son inspeccionados en lotes de 50 articulos. Se extrae una muestra aleatoria de 6 articulos del lote y si a lo mas unode los articulos sale defectuoso el lote es aceptado en su totalidad. Si se sabe que5 de los 50 articulos del lote estan defectuosos. Cual es la probabilidad de que un lote cualquiera sea aceptado.?Solucion:Sea X: numero de articulos defectuosos en la muestra de 5 extraidos al azar del lote de 50. Claramente X es una hipergeometrica con N=50, p=.10 y n=6 . Luego,
5,4,3,2,1,0
6506455
)( =
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎠
⎞⎜⎜⎝
⎛−⎟
⎟⎠
⎞⎜⎜⎝
⎛
== kkk
kXP
Prob(lote sea aceptado)= 8969.
650
545
5645
650
545
15
650
645
05
)1()0()1( =
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎠
⎞⎜⎜⎝
⎛+⎟⎟⎠
⎞⎜⎜⎝
⎛
=
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛
+
⎟⎟⎠
⎞⎜⎜⎝
⎛
⎟⎟⎠
⎞⎜⎜⎝
⎛⎟⎟⎠
⎞⎜⎜⎝
⎛
==+==≤ XPXPXP
-
3.3 La distribucion Geometrica
ESMA 4001Edgar Acuña
Universidad de Puerto Rico15
Sea X: numero de repeticiones de un experimento de Bernoulli hasta que salga el primer exito. Entonces se dice que X tiene una distribucion geometrica con parametro p.La funcion de probabilidad de X esta dada por
P(X=k)=(1‐p)k‐1p para k=1,2,…….Usando la suma de una serie geometrica se puede mostrar queΣP(x=k)=1
kpkXP
entoncespGeomesXSi
)1()(
)(:
−=>
Propiedad
∑∑ ∑ ∑∞
=
∞
+=
∞
+=
∞
=
+− −−=−=−===>01 1 0
1 )1()1()1()1()()(m
mk
kj kj m
kmj pppppppjXPkXP
Y usando la suma de una serie geometria de razon r=1‐p se obtiene
kk pp
ppkXP )1()1(1
1.)1()( −=−−
−=>
-
Media y varianza de una geometrica
ESMA 4001Edgar Acuña
Universidad de Puerto Rico16
2/)(/1)(
)(
pqXVarpXE
entoncespGeomesXSi
=
=
pqp
qdqdp
dq
qkdp
dqdqppkqkXkPXE
k k k
kk
k 1])1(
1[]11
1[)(
)()( 21 1 1
11 =−
=−−
======∑ ∑ ∑∑∞
=
∞
=
∞
=
∞
=−
233
22
2
20
2
0 02
21
22))1(
2(
))1(
1()1
1()(
)1()]1([
pq
ppq
qpq
qdqdpq
qdqdpq
dq
qdpq
dqqdpqpqkkXXE k
k
k k
kk
==−
=
−=
−===−=−
∑∑ ∑
∞
=∞
=
∞
=
−
22222 2112))(()())1(()(,
pq
pqq
pppqXEXEXXEXVarLuego =−=−+=−+−=
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico17
Propiedad de falta de memoria de una geometrica. Si X es una Geom(p) entoncespara dos enteros positivos cualesquiera m y n se cumple queP[X>m+n/X>n]=P[X>m].Prueba:
][][
][][
],[]/[ mXPqq
qnXP
nmXPnXP
nXnmXPnXnmXP mnnm
>===>+>
=>
>+>=>+>
+
Ejemplo 3.5. La probabilidad de que un reclutador haga una oferta de empleo a un entrevistado es .3 independientemente de quien sea el entrevistadoa)Cual es la probabilidad de que se haga la primera oferta al cuarto entrevistado?b) Cual es la probabilidad de que la primera oferta se haga despues de la quintaentrevista?c) Si a los primeros 5 entrevistados no se le ha hecho una oferta de empleo, cual es la probabilidad de que la primera oferta de empleo se haga despues de 9 entrevistas?Solucion:a) P(X=4)=(.7)3.3 b)P(X>5)=(.7)5 c)P(X>9/X>5)=P(X>4)=(.7)4
-
3.4 La distribucion Poisson
ESMA 4001Edgar Acuña
Universidad de Puerto Rico18
Se dice que una variable aleatoria X tiene una distribucion Poisson con parametroλ>0 si su funcion de probabilidad esta dado por
!][
kekXP
kλλ−==
Para k=0,1,2,3,….. Notar que
usando el desarrollo en series de la funcion exponencial
1!
)( 00 0
==== −∞
=
∞
=
−
∑ ∑ eeekekp
k k
kλλ
λλ
-
Ejemplo de variables aleatoriasPoisson
ESMA 4001Edgar Acuña
Universidad de Puerto Rico19
Una variable Poisson en la practica cuenta el numero de ocurrencia de eventosque tienen una probabilidad pequena de ocurrencia.X: Numero de errores por pagina de un libroX: Numero de llamadas que entran a un cuadro telefonico en un intervalo de tiempo dadoX: Numero de personas que hay en la fila de un banco en un intervalo de tiempo dadoX:Numero de accidentes que ocurren en una interseccion semanalmente.X: Numero de ocurrencia de terremotos por ano
-
Media y varianza de una Poisson
ESMA 4001Edgar Acuña
Universidad de Puerto Rico20
Si X es una Poisson con parametro λ entoncesE(X)= λ yVar(X)= λ
∑ ∑ ∑ ∑∞
=
∞
=
∞
=
∞
=
−−−
==−
===0 0 1 0 !)!1(!
)()(x x x t
txx
te
xe
xexxxpXE λλλλλ
λλλ
2
00
22
0 2 !!)!2(!)1()]1([ λλλλλλ
λλλλ
===−
=−=− ∑∑∑ ∑∞
=
−∞
=
+−∞
=
∞
=
−−
y
y
y
y
x x
xx
ye
ye
xe
xexxXXE
La ultima suma da 1, porque es la suma de todas las probabilidades de unaPoisson(λ). Luego,
E(X2)=E[X(X‐1)]+E(X)=λ2+λ. Por lo tanto,Var(X)= λ2+λ‐ λ2= λ
-
Ejemplo 3.6
ESMA 4001Edgar Acuña
Universidad de Puerto Rico21
El numero promedio de accidentes en una interseccion es 2 por semana. Asumiendoque el numero de accidentes por semana sigue una distribucion Poissona)Hallar la probabilidad de que no haya accidentes en una semana cualquierab)Hallar la probablidad de que ocurran a lo mas tres accidentes en un periodo de dos semanas. Solucion: Sea X:numero de accidentes por semana en la interseccion. X esPoisson(λ=2)a) P(X=0)=e‐220/0!=e‐2
b) Sea Y=numero de accidentes en un periodo de dos semanas. Y es una Poisson con λ=2(2)=4P(Y
-
Ejemplo 3.7
ESMA 4001Edgar Acuña
Universidad de Puerto Rico22
El numero de errores en un libro se distribuye como una variable aleatoria Poisson con λ=.5 errores por paginaa) Cual es la probabilidad de que en una pagina elegida al azar hayan dos errores?b) Cual es la probabilidad de que en un capitulo del libro, que tiene 30 paginas, hayan
5 errores?c) Cual es la probabilidad de que en un capitulo del libro, que tiene 30 paginas, hayan
por lo menos 10 errores?
Solucion: a) Sea X:numero de errores por pagina, X es Poisson(λ=.5)P(X=2)=e‐.5.52/2!=.0758
b) Sea Y=numero de errores en un capitulo de 30 paginas. Y es una Poisson con λ=30(.5)=15P(Y=5)=e‐15155/5!=.00193
c) P(Y>=10)=1‐P(Y
-
Aproximacion Poisson a la Binomial
ESMA 4001Edgar Acuña
Universidad de Puerto Rico23
!)()1(lim
kepp
kn kknk
n
λλ−−∞→
=−⎟⎟⎠
⎞⎜⎜⎝
⎛
nkk
nkk
kknkknk
nnknk
nn
nnknknnn
nnknknpp
kn
)1()1(!
)11)......(21)(11(1
)1()1(!
)1)....(1()1()()!(!
!)1(
λλλ
λλλλλ
−−−
−−−=
−−+−−
=−−
=−⎟⎟⎠
⎞⎜⎜⎝
⎛
−
−−−
Tomando limites cuando n tiende a infinito se tiene
λλλλ −∞→
=−⋅⋅⋅⋅⋅ eknk
kn
n
k
!)1(lim1
!1.....11
donde np λ=
Las probabilidades de una binomial con n grande pueden ser aproximadasusando una Poisson con parametro λ=np. Es decir,
-
Comparacion de probabilidades binomialesB(10,.1) y las probabilidades Poisson(λ=1)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico24
x bin poiss0 0.348678 0.3678791 0.387420 0.3678792 0.193710 0.1839403 0.057396 0.0613134 0.011160 0.0153285 0.001488 0.0030666 0.000138 0.0005117 0.000009 0.0000738 0.000000 0.0000099 0.000000 0.00000110 0.000000 0.000000
-
Ejemplo 3.8
ESMA 4001Edgar Acuña
Universidad de Puerto Rico25
Estimar la probabilidad de que en un grupo de 400 personas por lo menos 3 celebrensus cumpleanos el 4 de julio. Asumir que hay 365 dias en el ano y que cada uno de ellos es igualmente probable que sea el dia de cumpleanos de una persona dada.
Solucion: Sea X: el numero de personas que cumplen anos el 4 de julio. Propiamente X es unabinomial con n=400 y p=1/365. Asi que habria que calcularP(X>=3)=1‐P(X=3)=1‐e‐1.09‐1.09e‐1.09‐1.092e‐1.09/2=1‐.9012=.0988
-
Ejemplo 3.9
ESMA 4001Edgar Acuña
Universidad de Puerto Rico26
Al formar digitos binarios con n digitos, la probabilidad de que aparezca un digitoincorrecto es .002. Si los errores son independientesa) Cual es la probabilidad de encontrar uno o mas digitos incorrectos en un numero
binario de 25 digitos?b) Si un computador forma 106 numeros binarios de 25 digitos por segundo, cual es la
probabilidad de que se forme un numero incorrecto en un segundo cualquiera?
Solucion: a) Sea X: el numero de digitos incorrectos en el numero de 25 digitos, X es una
binomial con n=25 y p=.002. Luego, la probabilidad de encontrar uno o mas digitosincorrectos en el numero sera P[X>=1]=1‐P[X=0]=1‐.99825=1‐.951=.049
b) Sea Y la cantidad de numeros incorrectos formados, Y es una Binomial con n=106 y p=.049. Pero como n es muy grande podemos considerar a Y como una Poisson con λ=(106)(.049)=49000. Luego, la probabilidad de un numero incorrecto seraP[Y=1}=e‐4900049000
-
Ejemplo 3.10
ESMA 4001Edgar Acuña
Universidad de Puerto Rico27
Sea X: el numero de llamadas que llegan a un cuadro telefonico en un periodode una hora, una variable aleatoria Poisson con parametro λ. Sea p la probabilidad de que la llamada sea contestada. a) Probar que Y el numero de llamadas que son contestadas es una variable aleatoria Poisson con parametro λp.b) Si p=.8 y λ=10. Hallar la probabilidad de que por lo menos 9 llamadas seancontestadas.Solucion:a) Sea Y=numero de llamadas contestadas entre las que llegan al cuadroP[Y=k]=P[Y=k, X=k]+P[Y=k, X=k+1]+P[Y=k,X=k+2]+………
=P[X=k]P[Y=k/X=k]+P[X=k+1]P[Y=k/X=k+1]+P[X=k+2]P[Y=k/X=k+2]+…..Lo anterior se justifica por la regla del producto.Por otro lado, si llegan m llamadas al cuadro entonces la probabilidad de que n (n
-
Ejemplo 3.10 (cont.)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico28
!)(
!)(
!)(
!)]1([
!)(
!)1(
!)!(!)1(
)1(!
]/[][][
)1(
)1(
00
kpe
kpe
ek
pem
pk
pem
pkpe
kjkppe
ppkj
jejXkYPjXPkYP
kpkp
pk
m
mk
m
mkmk
kj
kjkj
kj
kjkj
kj
λλ
λλλλλ
λ
λλλ
λλλλλ
λ
−−+−
−−∞
=
−∞
=
+−∞
=
−−
∞
=
−−∞
=
==
=−
=−
=−−
=
−⎟⎟⎠
⎞⎜⎜⎝
⎛======
∑∑∑
∑∑
Luego Y es una variable aleatoria Poisson con parametro λpb) De acuerdo a a) en numero Y de llamadas contestadas sera una Poisson con λ=10(.8)=8. Luego, P(Y>=9)=1‐P(Y
-
3.5. La distribucion Uniforme o Rectangular
ESMA 4001Edgar Acuña
Universidad de Puerto Rico29
Una variable aleatoria continua X se dice que se distribuye uniformemte en el intervalo (a,b) si su funcion de densidad esta dada por
coexf
bxaab
xf
..0)(
,1)(
=
-
Valor esperado y Varianza de unavariable aleatoria Uniforme
ESMA 4001Edgar Acuña
Universidad de Puerto Rico30
Si X~U(a,b) entoncesE(X)=(a+b)/2Var(X)=(b‐a)2/12En efecto,
2)(2|
)(21)(
222 ababab
abxdx
abxXE ba
b
a
+=
−−
=−
=−
⋅=∫
3)(3))((
)(3|
)(31)(
222233322 babb
abbabbab
abab
abxdx
abxXE ba
b
a
++=
−++−
=−−
=−
=−
⋅=∫
12)(
122
4)2(
3)())(()()(
222222222 bababababaaabbXEXEXVarLuego −=+−=++−++=−=
-
Ejemplo 3.11
ESMA 4001Edgar Acuña
Universidad de Puerto Rico31
Un punto se elige al azar sobre el segmento de linea [0,2] . Cual es la probabilidad de que el punto escogido quede entre 1 y 3/2Solucion: Sea X:numero elegido al azar entre 0 y 2. Entonces la densidad de X esta dada por
f(x)=1/2 si 0
-
Ejemplo 3.12
ESMA 4001Edgar Acuña
Universidad de Puerto Rico32
Si la variable aleatoria K esta distribuida uniformemente en (0,5). Cual es la probabilidad de que las raices de la ecuacion 4x2+4xK+K+2=0 son reales?
Solucion: Las raices de la ecuacion cuadratica seran reales si(4K)2‐4(4)(K+2)>=0. Es decir, 4K2‐4K‐8=K2‐K‐2=(K+1)(K‐2)>=0. Esto ocurre cuandoK>=2 o K5
2 53
51)2( dxXP
-
3.6. La distribucion Exponencial
ESMA 4001Edgar Acuña
Universidad de Puerto Rico33
01)( / >= − xexf x θθ
Una variable aleatoria se dice que tiene una distribucion exponencial con parametro θ si su funcion de densidad esta dada por
∫ ∫∞ ∞
∞−− =+=−==0 0
0// 110|1)( θθ
θxx edxedxxf
Notar que
-
Ejemplo 3.13
ESMA 4001Edgar Acuña
Universidad de Puerto Rico34
Suponga que el tiempo para que falle un componente esta distribuidoexponencialmente con parametro 100. a) Cual es la probabilidad de que un componente dure entre 50 y 100 horas?b) Cual es la probabilidad de que un componente dure mas de 120 horas?Solucion:Sea X:el tiempo de duracion del componente. Luego
100/
1001)( xexf −=
∫ −−−− −=−==120
2.1120
100/100/ |100
1)120() eedxeXPb xx
-
Media y Varianza de una Exponencial
ESMA 4001Edgar Acuña
Universidad de Puerto Rico35
Si X~exp(θ) entoncesa)F(t)=1‐exp(t/θ) para t>0 y F(t)=0 e.o.cb)E(X)= θ yc)Var(X)= θ2d)Propiedad de falta de memoria: Si X~exp(θ) entoncesP(X>s+t/X>t)=P(X>s)
Prueba:
01|1)()() /0//
0
>−=−==≤= −−−∫ tsieedxetXPtFa ttxxt
θθθ
θ00)(
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico36
Luego, Var(X)=E(X2)‐(E(X))2=2θ2‐θ2 =θ2
][][
][][
],[]/[) ///)(
tXPee
esXP
tsXPsXP
sXtsXPsXtsXPd tsts
>===>+>
=>
>+>=>+> −−
+−θ
θ
θ
-
3.7. La distribucion Gamma
ESMA 4001Edgar Acuña
Universidad de Puerto Rico37
Se dice que una variable aleatoria continua X se distribuye como unaGamma con parametros α y β si su funcion de densidad es de la forma
0,)(
)(/1
>Γ
=−−
xexxfx
α
βα
βα
Donde Γ denota a la funcion Gamma que se define por
∫∞
−−=Γ0
1)( dxex xαα
Si α es un entero n entonces Γ(n)=(n‐1)!. Notar que
1)()(
)()()(
0
1/1
00
=ΓΓ
=Γ
=Γ
= ∫∫∫∞ −−−−∞∞
αα
αβα
α
α
βα
dtetdxexdxxftx
-
Distribucion Gamma (cont.)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico38
Dos casos particulares de la distribucion Gamma, que tienen mucha aplicacionesocurren cuandoa)α=n (entero), la cual es llamada la distribucion Erlang que se puede obtenersumando n inpendientes disribuciones exponenciales. En particular, cuando n=1 se obtiene la densidad exponencial.b) α=n/2 y β=2, la cual es llamada la distribucion Chi‐Cuadrado con n grados de libertad.
La Formula de la funcion de distribucion acumulada para la Gamma no se puedeescribir en forma explicita, pero cuando α es entero se relaciona con la acumuladade una Poisson. Mas precisamente.
)1(1)( )/(),( −−= αββα tPoissonGamma FtF
Ejemplo:Fgamma(3,2)(2.5)=1‐Fpoisson(1.25)(2)=.1315323
-
Distribucion Gamma (cont.)
ESMA 4001Edgar Acuña
Universidad de Puerto Rico39
Si X es Gamma(α,β) entoncesa) E(X)= αβb) Var(X)= αβ2
αβαββα
αββα α
βα
α
βα
==+Γ
=Γ
⋅= ∫ ∫∞ ∞
+
−−−
)1()1()(
)(0 0
1
//1
dxexdxexxXExx
La integral vale 1 porque es la integral de una Gamma(α+1,β) en todo su dominio
22
0 02
/12
/122 )1()1()1(
)2()1(
)()( βααβαα
βαβαα
βα αβα
α
βα
+=+=+Γ
+=Γ
⋅= ∫ ∫∞ ∞
+
−+−−
dxexdxexxXExx
Luego, Var(X)=α(α+1)β2‐ α2β2= αβ2
-
3.8. La distribucion Beta
ESMA 4001Edgar Acuña
Universidad de Puerto Rico40
Se dice que una variable aleatoria continua X se distribuye como unaGamma con parametros α y β si su funcion de densidad es de la forma
10,)()(
)1()()(11
-
Media y varianza de una beta
ESMA 4001Edgar Acuña
Universidad de Puerto Rico41
Si X~Beta(α,β) entonces E(X)=α/(α+β) y Var(X)= αβ/[(α+β)2(α+β+1)]
βαα
βαβα
βαα
βαβα
βαβα βαβαβα
+=
Γ+Γ−++Γ
+=
ΓΓ−+Γ
=ΓΓ
−+Γ⋅= ∫∫∫
−−−− 1
0
11
0
11
0
11
)()1()1()1(
)()()1()(
)()()1()()( dxxxdxxxdxxxxXE
La ultima integral vale 1, porque se esta integrando la densidad Beta(α+1,β) en todo su dominio. Por otro lado,
)1)(()1(
)()2()1()2(
)1)(()1(
)()()1()(
)()()1()()(
1
0
11
0
111
0
1122
++++
=
Γ+Γ−++Γ
++++
=ΓΓ
−+Γ=
ΓΓ−+Γ
⋅= ∫∫∫−−+−−
βαβααα
βαβα
βαβααα
βαβα
βαβα βαβαβα dxxxdxxxdxxxxXE
La ultima integral vale 1, porque se esta integrando la densidad Beta(α+2,β) en todo su dominio. Luego,
)1()()()1)(()1()]([)()( 22
222
+++=
+−
++++
=−=βαβα
αββα
αβαβα
ααXEXEXVar
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico42
3.9 La Distribución NormalEs llamada tambien Distribución Gaussiana en honor a K. Gauss. Se diceque una variable aleatoria continua X tiene una distribucion Normal conparametros μ yσ si su funcion de densidad es de la forma
Se usa la notacion . Cuando μ=0 yσ =1 se obtiene la llamadadistribucion Normal estandar representada por Z. Para probar que el areadebajo de la curva Normal da 1 podemos asumir sin perdida de generalidaduna normal estandar. Asi, sea
πσ
σμ
2)(
2
2
2)( −
−
=
x
exf ∞
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico43
ππρθρρθρπ ρπρπ
ρ 2|2|2 02/
0
20
2/
0
2
0
2/2 222 =−=== ∞−∞
−∞
− ∫∫ ∫ ededdeI
Por lo tanto, I2=1 y I=1.
Claramente, la curva normal es simetrica con respecto a la media u. Esto es, f(x+u)=f(‐x+u). Asi que el area de cada mitad es .5.Tambien la curva normal tiene puntos de inflexion en μ+/‐σ, cambiando la concavidad de concava hacia arriba en los extremos a concava hacia abajo en el centro.Por otro lado, la curva normal es asintotica con respecto al eje X, casi un 100% de los datos caen entre μ‐3σ y μ+3σ.
Usando coordenadas polares se obtiene
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico44
Estandarización de una NormalDada una variable aleatoria X distribuida Normalmente con parametros μy σ, X ~ N(μ ,σ2 ), entonces puede ser convertida a una normal estándarmediante el, definido por Z=(X -μ)/σ, donde Z~N(0,1). Este es llamadoel proceso de estandarización de una Normal. Además si Xp y Zprepresentan sus respectivos percentiles entonces:
Xp = μ + σZp
En efecto, sea FZ(z)=P(Z
-
Media y varianza de una normal
ESMA 4001Edgar Acuña
Universidad de Puerto Rico45
.)(,)(),,(~ 22 σμσμ == XVarandXENXSi
.1)(,0)(),1,0(~Pr == ZVarandZENZsiqueobaremos
0|22
)()(2/2/ 22
=−=== ∞∞−−∞
∞−
∞
∞−
−
∫ ∫ ππzz edzezdzzzfZE
1102
|22
)()(2/2/2/
222222
=+=+−=== ∫∫ ∫∞
∞−
−∞∞−
−∞
∞−
∞
∞−
−
πππ
zzz ezedzezdzzfzZE
En la ultima integral se efectuo integracion por partes con u=z y dzezdvz
π2
2/2−
=
Por lo tanto Var(Z)=1. Ahora como X=σZ+μ, entonces E(X)=σE(Z)+μ=μ. Tambien, usando varianza de una transformacion lineal se tiene. Var(X)=σ2Var(Z)=σ2.
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico46
Calculo de probabilidades de ladistribucion Normal
Si F representa la distribución acumulada de la distribución Normal, esdecir el área acumulada a la izquierda del valor dado, entonces,
a) P (X < a) = F(a)b) P (a < X < b) = F(b) - F(a)c) P (X > b) = 1 - F(b)
En MINITAB se pueden calcular la función de densidad (Probability density), la función de distribución acumalada (Cumulative probability) y los percentiles (Inverse cumulative probability) de la distribución Normal para cualquier valor de la media μ y desviación estándar σ. No se requiere transformación a una normal estándar. Para esto hay que seguir la secuencia Calc4Probability Distributions4Normal.
-
ESMA 4001Edgar Acuña
Universidad de Puerto Rico47
Ejemplo 3.10
Si X es una población Normal con media μ = 70 y σ = 10. Hallar las siguientes probabilidades:
a) P (X < 60)b) P (X > 95)c) P (50 < X < 80)
Solución:Usando MINITAB con mean = 70 y standard deviation = 10, se tiene
que:a) P (X < 60) = F (60) = .1587b) P (X > 95) = 1 – F (95) = 1 - .9938 = .0062c) P (50 < X < 80) = F (80) – F (50) = .8413 - .0228 = .8185
-
Ejemplo 3.11
ESMA 4001Edgar Acuña
Universidad de Puerto Rico48
El tiempo que le toma a los estudiantes en ir de su casa a la Universidad se distribuye normalmente con media 20 minutos y desviación estándar 5. a) ¿Cuál es la probabilidad de que a un estudiante le tome más de 18 minutos en llegar a la universidad?b) ¿Cuál es la probabilidad de que un estudiante llegue a la universidad en menos de 30 minutos? c) ¿A qué hora debe salir el estudiante de su casa si se desea que llegue tarde a su clase de la 8:00 a.m. solamente un 5 por ciento de las veces?SoluciónSea la variable aleatoria X: El tiempo que le toma al estudiante en llegar de su casa a la Universidad, X es normal con media 20 y desviación estándar 5.a) P (X > 18) = 1 – F (18) = 1 ‐ .3446 = 6554.b)P (X
-
Ejemplo 3.12
ESMA 4001Edgar Acuña
Universidad de Puerto Rico49
Suponga que, X el diametro interior en milimetros de un tubo es una variable aleatoria distribuida normalmente con media μ y varianza 1. Si X no satisface ciertasespecificaciones, le produce una perdida al fabricante. Mas exactamenete supongaque la ganancia G por tubo es la siguiente funcion de X:
G=C1 si 10
-
Ejemplo 3.13
ESMA 4001Edgar Acuña
Universidad de Puerto Rico50
Se desea examinar a un grupo grande de personas, digamos N, para ver si tienen unacierta enfermedad. La alternativa obvia es analizar las muestras de sangresindividuales y ver si cada una de ellas tiene o no la enfermedad. Pero otra alternativamas economica es dividir las N personas en n grupos de k personas cada uno (N=nk). Se toma luego, una muestra de sangre a cada integrante del grupo y se combinan la muestra. Si la muestra combinada de sangre es negativa todo los integrantes del grupoestan sanos, si ésta sale positiva se hace un analisis individual para encontrar laspersonas enfermas. Asumiendo que hay una probabilidad p de que la muestra de sangre de una persona cualquiera salga positivo. a)Hallar el numero esperado de pruebas de sangre que hay que analizar paraencontrar todas la N personas enfermas. b) Para que valores de p, el valor esperado del numero de pruebas es menor que N.
-
Ejemplo 3.14
ESMA 4001Edgar Acuña
Universidad de Puerto Rico51
Suponga que la duracion en horas, digamos T, de un componente electronico es unavariable aleatoria exponencial con parametro θ. Una maquina que usa estacomponente cuesta C1 dolares por hora para funcionar. Mientras la maquina estafuncionando, se obtiene una ganancia de C2 dolares por hora. Para operar la maquinase contrata a un obrero un numero H de horas y con un salario de C3 dolares por hora. Para que valor de H se maximiza la ganancia esperada. Si θ=100, c1=3,c2=10 y c3=4, cuantas horas habria que contratar al obrero para maximizar la ganancia?. Solucion:La Ganancia G depende de T y de H. Si al obrero se le contrata por H horas y la maquina se dana antes de las H horas (TH) entonces G=C2H‐C1H‐C3H. Luego,
θθθ
θθθ
θθ
θθ
θ
θθ
/312
/3
/
/312
/3
0
/12
/312
0
/312
0
)()1(])()[12(
)()1(1)(
1)(1)()()()(
HHH
HHH
t
t
H
Ht
eHCHCHCeHCeHCC
eHCHCHCeHCdtetCC
dteHCHCHCdteHCtCtCdttftGGE
−−−
−−−
−∞
−∞
−−+−−+−−=
−−+−−−=
−−+−−==
∫
∫∫∫