Clase8 161118161742

ESTADÍSTICA
Wendy Plata Alarcón

wplata@espol.edu.ec
Clase 8
ESTADÍSTICA
IV. MODELOS
ESTOCÁSTICOS CONTINUOS
Wendy Plata Alarcón
wplata@espol.edu.ec
Guayaquil, junio de 2015

Variables Aleatorias Continuas
 Variable Aleatoria Continua: una Variable Aleatoria X,
definida sobre un Espacio Muestral ( , L) es continua
cuando y solo cuando para todo x real su Distribución
Acumulada F es una función continua en R.
F(x)  P(X  x)
Se cumple que : lim F(x)  1 y lim F(x)  0
x  x 
3 Estadística para Ingenierías

 Densidad de una Variable Aleatoria Continua: si X es
continua, entonces existe una función continua y no
negativa f tal que, para todo x real,
 f (x)  0

 

f ( x )dx  1

 P(a  x  b)  f ( x )dx
a
 Si X es continua y con densidad f:
a

P(X  a )  P(a  X  a )  f (t )dt  0
a
 Función de Distribución: de una Variable Aleatoria
Continua, siempre es continua.
x
 F(X)  P(X  x)   f (t)dt

 f (x)  F' (x)
 P(a  X  b)  F(b)  F(a )
Variables Aleatorias Continuas:
ejemplo
 Se conoce que el tiempo de vida útil, en años, de una
máquina troqueladora previo a que se produzca la primera
falla que lleve a un mantenimiento emergente, ha sido
modelado como una Variable Aleatoria X tal que,
 0 ;x  0

F(X)   
x

1  e 2 ;x  0
 Determinar la función de densidad f(x) y determinar la
probabilidad que una de estas máquinas vaya a
mantenimiento emergente, antes del primer año de vida.

ejemplo
 Desarrollo:
 Función de Densidad
x
1 
f (x)  F' (x)  e 2 ; para x  0 y cero para el restode x
2
 P(X < 1)
P(X  1)  P(X  1)  F(1)

1

P(X  1)  1  e 2  1  0.6065  0.3935

ejemplo
 Encuentre la Función de Distribución de la Variable
Aleatoria X cuya densidad está dada por:
 x ; 0  x 1

f (x)  2  x ; 1  x  2
 0
 ; restode x
 Desarrollo:
 0<x<1
x x 2 x 2
 
t x
F1 (x)  f (t )dt  tdt  
2 0
2
0 0

ejemplo
 Desarrollo:
 1  x < 2 x
    
x x 2 2
 2
   t    2x  x 1
   2    2x  x 3
F2 (x)  f (t )dt  (2  t )dt   2t      
 2 1  2  2 2 2
1 1
x2 3 1 x2
F2 (x)  2x     2x  1  0 ; x0
2 2 2 2
 x2
 ; 0  x 1
Por lo tanto, la Función 
F( x )   2
de Distribución será: 2
2x  x
1 ; 1  x  2
 2
 1 ; x2
Valores Esperados de una Variable
Aleatoria Continua
 El Valor Esperado de una función U se denota E[u(x)] y
de existir se define como:

E[u(x)]   u(x)f (x)dx

 Función Generadora de Momentos

M x (t )  E(e xt )  

e xt f (x)dx; t  (a, a)
 Media  Varianza 
  E[x]  

xf (x)dx  2  E[x 2 ]   2  

x 2 f (x)dx   2

Aleatoria Continua: ejemplo
 Si la Función de Densidad de Probabilidad de X está
dada por:
x / 2 ; 0  x 1
1 / 2 ; 1 x  2

f (x)  
(3  x) / 2 ; 2x3
0 ; restode x
 Encontrar el valor esperado de g(x) = 3 + x2 - 5x

Aleatoria Continua: ejemplo
 Desarrollo
 E[g( x)]  E[3  x 2  5x ]  E(3)  E( x 2 )  5E( x )
8  3  18  16  45 11
 E[g(x)]  3   5   
3 2 6 6
1 2 3
1 2
(3  x)x
3
x3 x2 (3  x)x 2
  
2
  
x x
dx  E(x )  dx  dx 
2
 E( x )  dx  dx  dx
2 2 2 2 2 2
0 1 2 0 1 2
1 2 3 1 2 3
x  3 x   3x x 
2 2 3 x 
4 x  3  3x x  3 4
  
            
        
 6  0  4 1  4 6   8  0  6 1  6 8 
2 2
1 4 1 27 27 12 8 3 1 8 1 81 81 24 16 8
               
6 4 4 4 6 4 6 2 8 6 6 6 8 6 8 3
Variable Aleatoria Uniforme
Continua
 Una Variable Aleatoria Continua es denominada
Uniforme con parámetros  y  cuando y solo cuando
su densidad f se define como:
1
f (x)  ; S  {x  R   x  }

 Media Varianza
 (   ) 2
 2 
2 12
Continua
 Distribución Acumulada
0 ;x  a
x
  1 

F( x )    
     
dx ; x  (, )
1 ;x 
(e t  e t ) 2
M x (t )  ; t0
t (  )
Continua
 Densidad f Distribución Acumulada F
f(x) F(x)
1
 1
X X
   

Continua: ejemplo
 En ciertos experimentos, el error cometido cuando se determina
la densidad de una sustancia es una Variable Aleatoria que tiene
Densidad Uniforme con  = -0.015 y  = 0.015. Encuentre la
probabilidad de que un error esté entre -0.002 y 0.003.
 Desarrollo:
0.003 0.003
0.003  0.002 0.005

1 x
P(0.002  x  0.003)  dx    
0.03 0.03 0.002 0.03 0.03 0.03
0.002
P(0.002  x  0.003)  0.1667
 Por lo tanto, la probabilidad de que un error esté entre -0.002 y

0.003 es 0.1667.
Variable Aleatoria Normal
 Se dice que una Variable Aleatoria Continua X tiene
Distribución Normal con media  y varianza 2 si su
densidad es 2
1  x  
1   
( x)  f ( x)  e 2   , Sx  R
 2



Se cumple que f ( x)dx  1, además es verdad que

E(x) =  y E(x – )2 = 2.

Variable Aleatoria Normal
 Nótese que la densidad de X es simétrica con respecto a ,
por lo que P(X > ) = 0.50 = P(X < ). Su gráfico semeja
una “campana” y muchos han optado por llamarla la
“campana de Gauss”.
0,4
0,3 2 = 1
Densidad
0,2
0,1
0,0
12 13 14 15 16 17 18
X
Distribución Normal Estándar
 Si X  N(, 2), tal que  = 0 y 2 = 1, se dice que X es
Normal Estándar, y su distribución es
z2
1 
f ( z)  e 2  (z); S z  R
2
0,4
0,3
Z es el percentil (1 - )100
Densidad
0,2
de la Normal Estándar
1-
0,1

0,0
0 z
X
 Es importante recordar cuál es el valor del percentil
90, así como el 95, el 97.50 y el 99, por lo que
expresamos que:
1.281 1.6448
 f (z)dz  0.90  f (z)dz  0.95



0,4 0,4
0,3 0,3
Densidad
Densidad
0,2 0,2
0,1 0,1
0,1
0,05
0,0 0,0
0 1,282 0 1,645
X X

 Es importante recordar cuál es el valor del percentil
90, así como el 95, el 97.50 y el 99, por lo que
expresamos que:
1.959 2.326
 f (z)dz  0.975  f (z)dz  0.99



0,4 0,4
0,3 0,3
Densidad
Densidad
0,2 0,2
0,1 0,1
0,01
0,025 0,0
0,0 0 2,326
0 1,960
X
X
 Supongamos ahora que tenemos una Variable Aleatoria Z  N(0,1) y se
pide determinar la probabilidad de que Z tome valores menores que
0.50.
 Usando lo aprendido hasta el momento, el cálculo de esta probabilidad

sería de la siguiente manera:
0.5 0.5 z2

 f (z)dz  
1
P(z  0.50)  e 2 dz
 
2
 Esta integral es posible resolverla solamente con el uso de Métodos
Numéricos. Por lo tanto, para determinar probabilidades cuando se
trabaja con la Distribución Normal Estándar, nos valemos de una Tabla
que se presenta en la siguiente lámina.
Tabla de la Distribución Normal
Estándar
 El valor de la tabla para Z representa el área bajo la
curva de la Normal Estándar a la izquierda de Z.
0,4
Probabilidad
0,3
Densidad
0,2
0,1
0,0 0 Z
X

Tabla de la Distribución Percentil
Normal Estándar
Probabilidades
Distribución Normal Estándar:
ejemplo
 Usando la Tabla de la Distribución Normal Estándar,
determinar la probabilidad de que Z sea menor o
igual que 0.21, mayor que -0.5; y, tome valores
entre -1 y 1. 0,4
0,3
 Desarrollo
Densidad
 P(Z  0.21) = 0.5832 0,2

0,5832
0,1
0,0 00,21
X
ejemplo
 Desarrollo
 P(Z > -0.50) = P(Z > 0.50) = 1 – P(Z  0.50)
 P(Z > -0.50) = 1 – 0.6915 = 0.3085
0,4
0,3
Densidad
0,2
0,1 0,3085
0,0 -0,5 0
X
ejemplo
 Desarrollo
 P(-1 Z  1) = P(Z  1) – P(Z  -1) = P(Z  1) – P(Z  1)
 P(-1 Z  1) = P(Z  1) – [1 – P(Z < 1)]
 P(-1 Z  1) = 2P(Z  1) -1 = 2(0.8413) – 1 = 0.6826

0,6827
0,4
0,3
Densidad
0,2
0,1
0,0 -1 0 1
27 X Estadística para Ingenierías
De una Normal cualquiera a la
Normal Estándar
 Si X es una Variable Aleatoria Normal con media 
cualquiera y varianza 2 > 0, es posible probar que X
se relaciona con Z  N(0,1) a través de una
transformación muy simple:
X 
X  N(,  )  Z 
2
 N(0,1)

 Esta última expresión, nos permite determinar la
probabilidad de que X, tome valores en cualquier
intervalo real.
Normal Estándar: ejemplo
 El valor de la nota, sobre 100 puntos, de Matemáticas
que obtiene un estudiante nativo de una comunidad
rural ecuatoriana al terminar la educación primaria
puede ser modelada como una Variable Aleatoria
Normal con  = 60 y 2 = 225. Si en dicha comunidad
estudian 1200 niños, determine:
 ¿Cuántos de ellos obtienen notas entre 50 y 70?

 ¿Con qué nota se alcanza el percentil 95 de la
distribución?

 Desarrollo
 X: Nota, sobre 100 puntos, de Matemáticas que
obtienen al terminar la educación primaria.
 ¿Cuántos de ellos obtienen notas entre 50 y 70?
 50  60 70  60 
 P(50  x  70)  P Z   P(0.67  Z  0.67)
 15 15 
 P( Z  0.67)  P(Z  0.67)  P(Z  0.67)  P(Z  0.67)
 P( Z  0.67)  [1  P(Z  0.67)]  2P(Z  0.67)  1
 P(50  x  70)  2(0.7486 )  1  0.4972
 Número de estudiantes con notasentre 50 y 70  1200 (0.4972 )  596 .64  597

 ¿Con qué nota se alcanza el percentil 95 de la
distribución?
P(X  x )  0.95
 x  60  x  60
P Z    0.95   1.64
 15  15 0,4
x  1.64(15)  60 0,95
0,3
x  84.6
Densidad
0,2
Por lo tanto, se alcanza el
percentil 95 de la distribución 0,1
con una nota de 84.6

0,0 0 1,645
X

Función Generadora de Momentos de
una Variable Aleatoria Normal
 Si X es una Variable Aleatoria Normal con Media  y
Varianza 2, su Función Generadora de Momentos es:
t 22
t 
M x (t ) e 2 ; t R
 Si X es una Variable Aleatoria Normal Estándar, su
Función Generadora de Momentos es:
t2
M x (t ) e 2 ; t R
Variable Aleatoria Gamma
 Decimos que X es una Variable Aleatoria Gamma con
parámetros  y , cuando y solo cuando su densidad
es:
x
1  0,07
f (x)  x  1e 
; 0,06 G(10,2)
()  Densidad 0,05
S  {x  R x  0} 0,04
0,03
0,02 G(8,3)
  y  son constantes
0,01
positivas. 0,00
0 10 20 30 40 50 60
X

 Probar que f es una Densidad no es complicado, si
manejamos la definición de Función Gamma, que es:


()  e x x 1dx  (  1)!
0
 x
 1   1  

 () 
0
x e dx  1


 
x
x
1  1  x dx

e dx  1; y   dy 
()  
0
 y 
   ( )
 (y) y
1  1   1  y

e dy  
e dy  1
() ()  ( )
0 0
 Media
 
 x  1e  x /  
 
1 x dx
E( x )  x   dx   x / 
x e dx; y   dy 
  ()  
 () 0  
0  
 
 (  1)
 
1  y  y
E( x )   ( y) e dy  y e dy 
 () 0  ( )  ( )
0
!  (  1)!
E( x )   
(  1)! (  1)!
E( x )    

 Varianza
 
  1  x /  
 
x e 1 x dx
E( x 2 )  x 2   dx  x  1  x / 
e dx; y   dy 
   ( )   
 ( ) 0  
0  
 
 2
 2
(  2)
 
1  1  y  1  y
E( x )  
2
( y) e dy  y e dy 
  ( ) 0 ()  ( )
0
 2
(  1)!  2
(  1)(  1)!
E( x ) 
2
   2 (  1)
(  1)! (  1)!
 2  E( x 2 )  [E(x )] 2   2 (  1)   2  2   2  2   2    2  2
 2   2
  1 
x e  1  x /     t  x
 
1
M x ( t )  E (e )  e
xt xt  dx  x  1e    dx;
    ( )   
 ( ) 0
0  
1  1 
y    t x  dy    t dx
   
  1 
 y    
 
1 y 1  1  y
M x (t)     e dy   
y e dy
 () 0  1  t   1  t  (1  t ) () 0
()
M x (t)   (1  t )  ; t  R
(1  t )  ()
Distribución Exponencial
 Decimos que una Variable Aleatoria X tiene una Distribución
Exponencial con parámetro , si es una Gamma con  = 1, y 
es cualquier constante real positiva.
e x /  0,5
f (x)  ; x0
 Densidad
0,4
Exp(2)
 Media:  = E(x) =  0,3
 Varianza: 2 = 2 0,2
 Generadora de Momentos:0,1 Exp(5)

1
M x (t )  ; tR 0,0
1  t 0 10 20 30 40 50 60 70 80
X
Distribución Exponencial: ejemplo
 Se nos dice por experiencias previas se conoce que el
“tiempo de espera” en la cola frente a la ventanilla
de un banco en Cuenca, un día laborable cualquiera,
puede ser modelado como una Distribución
Exponencial con Media igual a tres minutos.
Determinar su Densidad y Distribución Acumulada de
Probabilidades.

 Desarrollo:
 X: tiempo de espera en la cola frente a la ventanilla
de un banco en Cuenca.
  =  = 3 minutos.
 Función de Densidad:
1 x / 3
 f (x)  e ; S  R
3

 Desarrollo:
 Función de Distribución Acumulada:
x
e y / 3

x
F(x)  P(X  x)  dy   e  y / 3
3 0
0
F(x)  e  x / 3  1
F(x)  1  e  x / 3 ; para x  S y cero para el restode X

 El operario de una estación de bombeo ha observado
que la demanda de agua durante las primeras horas de
la tarde tiene aproximadamente distribución
exponencial con Media 100 pies3/s
 Determine:
 La probabilidad de que la demanda exceda los
200 pies3/s durante las primeras horas de la tarde para
un día seleccionado al azar.
 ¿Cuál tendría que ser la capacidad de bombeo de la
estación durante las primeras horas de la tarde a fin de
que la demanda sea mayor a la capacidad de bombeo
con una probabilidad de solamente 0.01?

 Desarrollo:
 X: demanda de agua en pies3/s durante las primeras
horas de la tarde
 La probabilidad de que la demanda exceda los
200 pies3/s durante las primeras horas de la tarde para
un día seleccionado al azar.
P( x  200 )  1  F(200 )  1  1  e 200/ 100  e 2  0.1353
 Por lo tanto, la probabilidad de que la demanda exceda

los 200 pies3/s durante las primeras horas de la tarde es
0.1353.
 Desarrollo:
 ¿Cuál tendría que ser la capacidad de bombeo de la
estación durante las primeras horas de la tarde a fin de
que la demanda sea mayor a la capacidad de bombeo
con una probabilidad de solamente 0.01?
P(x  a )  0.01  e a / 100  0.01

a
  ln(0.01)
100
 a  100 (4.6052 )  460 .52 pies 3 / s

Variable Ji-Cuadrado con
n grados de libertad
 Caso particular de la Variable G(,), en donde
 = n/2 y  = 2, n es entero positivo. Se la denota por
2.
x n / 21e  x / 2
f ( x)  n / 2 ; x0
2 (n / 2) 0,14
2
0,12  (6)
 Media:  = n 0,10
2(10)
Densidad
0,08
 Varianza: 2 = 2n 0,06
 Generadora de Momentos: 0,04
0,02
n / 2
M x ( t )  (1  2t ) 0,00
0 5 10 15 20 25 30
X

Variable Erlang
 Caso particular de la Variable G(,), en donde
 = n y  , n es entero positivo.
x n 1e x / 
f ( x)  ; x0
 (n)
n
 Media:  = n
 Varianza: 2 = n2
n
 Generadora de Momentos: M x ( t )  (1   t )

Distribución Beta
 Decimos que X es una Variable Aleatoria Beta con
parámetros  y  cuando y solo cuando, su Densidad f
es:
(  )  1
f (x)  x (1  x ) 1 ;
()()
S  {x  R 0  x  1}; ,   R 
 Media Varianza
 
 2 
 (  ) 2 (    1)

Distribución Beta: ejemplo
 La proporción de ítems defectuosos en una línea de
producción sigue una Distribución Beta con
parámetros  = 1 y  = 5. Determine la Media y
Varianza.
f (x)  5(1  x) 4 ; S  {x  R 0  x  1}
 1 1
 Media:   
   1 5 6
 5 5
 Varianza:  
2
 
(  ) (    1) (6) (7) 252
2 2

Función de Confiabilidad
 Cuando ocurren procesos en los que se registran las
fallas de un sistema, a fin de calcular las
probabilidades que se dan en los extremos (colas) de
la distribución de una Variable Continua X, se define
la Función de Confiabilidad R, de tal manera que su
regla de correspondencia es,
R(x) = 1 – F(x) para xR

Función de Riesgo
 Se define también la Función de Riesgo h como el
negativo de la derivada con respecto a X, del
logaritmo natural de R. Esta función es denotada por
h por su nombre en inglés, “hazard function”.
d R ' (x)
h(x)   [log e R (x)]  
dx R (x)
f (x)
h(x)  ; R (x)  0
R (x)

Desigualdad de Markov
 Sea u una función que toma valores no negativos y
que está definida en términos de una Variable
Aleatoria X, cuya Densidad o Distribución de
Probabilidades es f; si E[u(x)] existe, entonces, para
cualquier constante positiva  se cumple que:
Pu(x)   
E[u(x)]


Desigualdad de Markov: ejemplo
 Si por ejemplo X es el número de estudiantes que
anualmente aprueban un curso de Estadística, y la
media  de X es 300, entonces se puede afirmar en
términos de la Desigualdad de Markov, acerca de
P(X  500) lo siguiente:
 Tomemos u(x) = x, por lo que:

E(x)
P(X  ) 

 300 3
P(X  500 )    P(X  500 ) 
500 500 5
Teorema de Chebyshev
 Sea X una Variable Aleatoria Continua (o Discreta) con
Densidad f y Varianza finita 2; sea k una constante
positiva; bajo estas condiciones, la probabilidad de
que X difiera de su Media , por un valor mayor o
igual que k veces su Desviación Estándar , es menor
o igual a 1/k2. Esto es:
P X    k 
1
2
k

Teorema de Chebyshev: ejemplo
 Sea X una Variable Aleatoria Continua tal que:
1
 ;2  x  2
f (x)   4
 0 ; restode x
 Calcule la probabilidad P(X -   k) para k = 1 y

además acote esta probabilidad utilizando la
Desigualdad de Chebyshev.

 Desarrollo:
 X es una Variable Aleatoria Uniforme Continua con
parámetros  = -2 y  = 2, esto es, X  U(-2,2).
 22 (  ) 2 (2  2) 2 16 4
   0  
2
  
2 2 12 12 12 3
4
   1.15
3
 Calcular P(X - 0  1(1.15)) = P(X  1.15) = 0.425

 Desarrollo:
 Utilizando Chebyshev P(X  1)  1, ya que k = 1
 Conclusión
 La probabilidad pedida es 0.425 mientras que la
Desigualdad de Chebyshev nos informa que dicha
probabilidad es menor o igual que uno, lo cual es
verdadero, pero, dadas las circunstancias poco
informativo.

Referencias
 Zurita, G. (2010), “Probabilidad y Estadística:
Fundamentos y Aplicaciones”, Segunda Edición,
Escuela Superior Politécnica del Litoral, Instituto de
Ciencias Matemáticas, Guayaquil-Ecuador.


Clase8 161118161742

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clase8 161118161742

Загружено:

Авторское право:

Доступные форматы

ESTADÍSTICA

Wendy Plata Alarcón

Guayaquil, junio de 2015

3 Estadística para Ingenierías

6 Estadística para Ingenierías

P(X  1)  P(X  1)  F(1)

7 Estadística para Ingenierías

8 Estadística para Ingenierías

10 Estadística para Ingenierías

 Encontrar el valor esperado de g(x) = 3 + x2 - 5x

11 Estadística para Ingenierías

15 Estadística para Ingenierías

 Por lo tanto, la probabilidad de que un error esté entre -0.002 y

17 Estadística para Ingenierías

 f (z)dz  0.90  f (z)dz  0.95

20 Estadística para Ingenierías

 f (z)dz  0.975  f (z)dz  0.99

 Usando lo aprendido hasta el momento, el cálculo de esta probabilidad

23 Estadística para Ingenierías

 P(Z  0.21) = 0.5832 0,2

 P(-1 Z  1) = P(Z  1) – [1 – P(Z < 1)]

 P(-1 Z  1) = 2P(Z  1) -1 = 2(0.8413) – 1 = 0.6826

 ¿Cuántos de ellos obtienen notas entre 50 y 70?

29 Estadística para Ingenierías

 Número de estudiantes con notasentre 50 y 70  1200 (0.4972 )  596 .64  597

con una nota de 84.6

31 Estadística para Ingenierías

33 Estadística para Ingenierías

35 Estadística para Ingenierías

 Generadora de Momentos:0,1 Exp(5)

39 Estadística para Ingenierías

40 Estadística para Ingenierías

41 Estadística para Ingenierías

42 Estadística para Ingenierías

 Por lo tanto, la probabilidad de que la demanda exceda

P(x  a )  0.01  e a / 100  0.01

44 Estadística para Ingenierías

 Generadora de Momentos: 0,04

45 Estadística para Ingenierías

46 Estadística para Ingenierías

47 Estadística para Ingenierías

48 Estadística para Ingenierías

R(x) = 1 – F(x) para xR

49 Estadística para Ingenierías

50 Estadística para Ingenierías

51 Estadística para Ingenierías

 Tomemos u(x) = x, por lo que:

53 Estadística para Ingenierías

 Calcule la probabilidad P(X -   k) para k = 1 y

54 Estadística para Ingenierías

 Calcular P(X - 0  1(1.15)) = P(X  1.15) = 0.425

55 Estadística para Ingenierías

56 Estadística para Ingenierías

57 Estadística para Ingenierías

Вам также может понравиться