Beruflich Dokumente
Kultur Dokumente
1
En este ejemplo, solo se han considerado eventos representados
por intervalos que forman parte del segmento de línea de 0 a 200.
Al usar el axioma 3, también se obtienen las probabilidades
mediante la unión de intervalos finitos o contables. Por ende, para
dos intervalos que no se traslapan, de longitudes L1 y L2, se tiene
L +L
una probabilidad de 1 2 y para una secuencia infinita de
200
intervalos que no se traslapan de longitudes L1 , L2 , L3 , …, hay una
probabilidad de
𝐿1 + 𝐿2 + 𝐿3 + ⋯
200
2
subintervalo que contiene 𝑥i está dada por 𝑓(𝑥𝑖 )∆𝑥. Entonces, la
probabilidad de que la variable aleatoria de interés tome un valor
en el intervalo de 𝑎 − 𝑏 está dada por
𝑚
𝑏
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
3
En el caso continuo, las probabilidades están dadas por integrales
y no por los valores 𝑓(𝑥).
4
Se seguirá la práctica común de llamar 𝑓(𝑥) a la función de
densidad de probabilidad, en el entendido de que se hace
referencia a la función 𝑓 que asigna el valor 𝑓(𝑥) a 𝑥, para cada 𝑥
que es un valor posible de la variable aleatoria 𝑋.
𝑓 (𝑥 ) ≥ 0 ∀ 𝑥
∞
∫ 𝑓(𝑥 )𝑑𝑥 = 1
−∞
5
𝑑𝐹(𝑥)
= 𝑓(𝑥)
𝑑𝑥
EJEMPLO.
a) entre 1 y 3;
b) mayor que 0.5
Solución
Al evaluar las integrales necesarias, se obtiene
3
∫ 2𝑒 −2𝑥 𝑑𝑥 = −𝑒 −2𝑥 |13 = 𝑒 −2 − 𝑒 −6 = 0.1333
1
∞
∫ 2𝑒 −2𝑥 𝑑𝑥 = −𝑒 −2𝑥 |∞
0.5 = −0 + 𝑒
−1
= 0.368
0.5
6
En la gráfica de esta función se observa que tiene una
discontinuidad en 𝑥 = 0; de hecho, una densidad de probabilidad
no necesita ser continua en todas partes, mientras pueda ser
integrada entre dos límites 𝑎 𝑦 𝑏 cualesquiera (con 𝑎 < 𝑏) y
cumpla con las propiedades de una función de densidad de
probabilidades.
0 𝑝𝑎𝑟𝑎 𝑥 ≤ 0
𝑥
𝐹 (𝑥 ) = {
∫ 2𝑒 −2𝑥 𝑑𝑡 = −𝑒 −2𝑥 |0𝑥 = −𝑒 −2𝑥 + 1 𝑝𝑎𝑟𝑎 𝑥 > 0
0
𝐹 (1) = −𝑒 −2 + 1 = 0.8646
7
Observe que la función de distribución 𝐹 (𝑥 ) es creciente, además
se comprueba que 𝐹 (−∞) = 0 y 𝐹 (∞) = 1.
0 𝑝𝑎𝑟𝑎 𝑥 ≤ 0
𝑓 (𝑥 ) = { 2
𝑘𝑥𝑒 −4𝑥 𝑝𝑎𝑟𝑎 𝑥 > 0
∞ ∞ ∞
−4𝑥 2
𝑘 𝑘 2
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑘𝑥𝑒 𝑑𝑥 = ∫ − 𝑒 𝑢 𝑑𝑢 = − 𝑒 −4𝑥 |∞
0
−∞ 0 0 8 8
𝑘
= −0 + = 1; 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑘 = 8
8
8
𝐸(𝑋) de una variable aleatoria, la cual tiene una densidad de
probabilidad 𝑓(𝑥).
∞
𝐸(𝑋) = 𝜇 = ∫ 𝑥𝑓(𝑥)𝑑𝑥
−∞
∞
𝑉 (𝑋) = 𝜎 = ∫ (𝑥 − 𝜇 )2 𝑓(𝑥 )𝑑𝑥 = 𝐸 (𝑋 2 ) − [𝐸 (𝑋)]2
2
−∞
9
∞ ∞ ∞
−2𝑥
𝜇 = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = ∫ 𝑥2𝑒 𝑑𝑥 = 2 ∫ 𝑥𝑒 −2𝑥 𝑑𝑥
−∞ 0 0
∫ 𝑓 𝑑𝑔 = 𝑓𝑔 − ∫ 𝑔 𝑑𝑓
𝑓 = 𝑥; 𝑑𝑔 = 𝑒 −2𝑥
1
𝑑𝑓 = 𝑑𝑥; 𝑔 = − 𝑒 −2𝑥
2
∞
−2𝑥
1 −2𝑥 ∞ ∞
1 −2𝑥
2 ∫ 𝑥𝑒 𝑑𝑥 = 2 (−𝑥 𝑒 )] + 2 ∫ 𝑒 𝑑𝑥
0 2 0 0 2
∞
1 −2𝑥 ∞ 1 1
2 ∫ 𝑥𝑒 −2𝑥 𝑑𝑥 = −𝑥𝑒 −2𝑥 ]∞
0 − 𝑒 ] = −0 + 0 − 0 + =
0 2 0 2 2
2
∞
2
1 2 −2𝑥
∞ ∞
−2𝑥
1 2
𝜎 = ∫ (𝑥 − 𝜇) 𝑓(𝑥)𝑑𝑥 = ∫ (𝑥 − ) 2𝑒 𝑑𝑥 = 2 ∫ 𝑒 (𝑥 − ) 𝑑𝑥
−∞ 0 2 0 2
∞
1 2 ∞
1 ∞
1
2 ∫ 𝑒 −2𝑥 (𝑥 − ) 𝑑𝑥 = 2 ∫ 𝑒 −2𝑥 (𝑥 2 − 𝑥 + ) 𝑑𝑥 = 2 ∫ (𝑥 2 𝑒 −2𝑥 − 𝑥𝑒 −2𝑥 + 𝑒 −2𝑥 ) 𝑑𝑥
0 2 0 4 0 4
1
𝜎2 =
4
∞ 𝛽 𝛽
1 = ∫ 𝑓 (𝑥 )𝑑𝑥 = ∫ 𝑓(𝑥 )𝑑𝑥 = ∫ 𝐾𝑑𝑥 = 𝐾(𝛽 − 𝛼)
−∞ 𝛼 𝛼
1
Entonces 𝐾 = , para satisfacer que el área total sea 1
(𝛽−𝛼)
10
1
𝑝𝑎𝑟𝑎 𝛼 < 𝑥 < 𝛽
𝑓(𝑥 ) = { 𝛽 − 𝛼
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑥
De manera general
𝑥−α
𝑝𝑎𝑟𝑎 𝛼 < 𝑥 < 𝛽
𝐹 (𝑥 ) = { 𝛽 − 𝛼
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑥
11
Para ilustrar cómo una situación física origina una distribución
uniforme, suponga que una rueda de locomotora tiene el radio 𝑟,
𝑥 es la ubicación en algún punto en su circunferencia, medida a lo
largo de la circunferencia a partir de cierto punto de referencia 0.
Cuando se aplican los frenos, algún punto hará contacto
deslizante con el riel, y en dicho punto habrá un fuerte desgaste.
Entonces en una aplicación repetida de los frenos, es razonable
suponer que 𝑥 es un valor de una variable aleatoria que tiene la
distribución uniforme con 𝛼 = 0 y 𝛽 = 2𝜋𝑟.
(𝛽 + 𝛼)
𝐸(𝑋) = 𝜇 =
2
𝛽 2
1 (𝛽 + 𝛼 )
𝑉 (𝑋 ) = 𝜎 2 = ∫ 𝑥 2 𝑑𝑥 − [ ]
𝛼 𝛽 − 𝛼 2
𝛽 2
1 𝑥3 (𝛽 + 𝛼 )
= [ ] −[ ]
𝛽−𝛼 3 𝛼 2
2
1 𝛽3 − 𝛼 3 (𝛽 + 𝛼 )
= ( )−[ ]
3 𝛽−𝛼 2
12
1 (𝛽 − 𝛼)(𝛽 2 + 𝛽𝛼 + 𝛼 2 ) (𝛽 + 𝛼) 2
= ( )−[ ]
3 𝛽−𝛼 2
𝛽 2 + 𝛽𝛼 + 𝛼 2 𝛽 2 + 2𝛽𝛼 + 𝛼 2
=( )−( )
3 4
4𝛽 2 − 3𝛽 2 + 4𝛽𝛼 − 6𝛽𝛼 + 4𝛼 2 − 3𝛼 2
=( )
12
𝛽 2 − 2𝛽𝛼 + 𝛼 2 (𝛽 − 𝛼)2
=( )=
12 12
2
(𝛽 − 𝛼)2
𝜎 =
12
𝛽−𝛼
𝜎=
√12
13
LA DISTRIBUCIÓN DE PROBABILIDAD NORMAL
La densidad de probabilidad normal, es la más importante o la más
utilizada. Se estudió por primera vez en el siglo xviii, cuando los
científicos observaron un grado sorprendente de regularidad en
los errores de las mediciones. Descubrieron que los patrones (de
distribuciones) que observaron se aproximaban cercanamente
mediante una distribución continua, a la que se refirieron como
la “curva normal de errores” y se la atribuyeron a las leyes del
azar. La ecuación de la densidad de probabilidad normal, está
dada por la función
1 (𝑥−𝜇)2
2 −
𝑓(𝑥; 𝜇, 𝜎 ) = 𝑒 2𝜎2 𝑝𝑎𝑟𝑎 − ∞ < 𝑥 < ∞
𝜎√2𝜋
14
entonces la función de densidad 𝑓 (𝑥 ) se transforma a la que se
conoce como función de densidad normal estándar
1 (𝑥−𝜇)2 1 −𝑧 2
−
𝑓 (𝑥 ) = 𝑒 2𝜎 => 𝑓(𝑧) =
2
𝑒 2
𝜎√2𝜋 √2𝜋
De esta manera se obtiene la función de distribución normal
estándar;
𝑧 𝑡2
1 −2
𝐹 (𝑧) = ∫ 𝑒 𝑑𝑡
√2𝜋 −∞
Curva normal estándar: 68.27% del área está entre z_-1 y z_+1,
95.45% del área está entre z_-2 y z_+2 y 99.73% del área está
entre z_-3 y z_+3.
15
16
Para calcular la probabilidad de que una variable aleatoria tome
un valor entre 𝑎 y 𝑏, sabiendo que tiene una distribución normal
estándar, se evalúa la siguiente ecuación
Ejemplo
Determine la probabilidad de que la variable aleatoria con
distribución normal estándar tome un valor
Solución
En la tabla de la función de distribución normal estándar, se busca
𝐹 (𝑧), en la primera columna se ubican unidades y décimas, en las
siguientes columnas se localizan las centésimas. Así por ejemplo
17
𝐹 (1.28) se ubica en el renglón 13 y la columna 0.08, en dicha
intersección se encuentra la probabilidad de 0.8997
c) En este caso de
18
d) Este último caso, primero se plantea como el c) y posteriormente
se utiliza la identidad del b)
1 − 𝐹 (−0.65) = 1 − (1 − 0.65) = 1 − 0.2578 = 0.7422
EJEMPLO
19
probabilidad más cerca de 0.99 y se encuentra el valor de
0.9901, que corresponde a z = 2.33.
𝑋−𝜇
𝑍=
𝜎
Para encontrar la probabilidad de que la variable aleatoria
original tome un valor menor que o igual a 𝑎, en la tabla se busca
𝑎−𝜇
𝐹( )
𝜎
𝑎−𝜇 𝑏−𝜇
𝑦
𝜎 𝜎
𝑋−𝜇
𝑍=
𝜎
Siempre y cuando X tenga la distribución normal con media 𝜇 y
desviación estándar 𝜎. (probabilidades normales)
20
𝑏−𝜇 𝑎−𝜇
𝑃(𝑎 < 𝑋 < b) = 𝐹 ( ) − 𝐹( )
𝜎 𝜎
EJEMPLO
Solución
a) La atenuación máxima del siguiente producto X, se trata
como una selección aleatoria en una distribución normal
𝑋−𝜇
con 𝜇 = 10.1 y 𝜎 = 2.7 En consecuencia, 𝑍 = ⇒𝑍=
𝜎
𝑋−10.1
, puede calcularse.
2.7
21
13.0 − 10.1 8.5 − 10.1
𝐹( ) − 𝐹( ) = 𝐹 (1.07) − 𝐹 (−0.59)
2.7 2.7
=0.8577 - 0.2776
=0.5801
15.1 − 10.1
1−𝐹( ) = 1 − 𝐹 (1.85) = 1 − 0.9678 = 0.0322
2.1
22
EJEMPLO
4−𝜇
( ) = −2.05, entonces − 𝜇 = −(2.05 ∗ 0.04) − 4
0.04
𝜇 = (2.05 ∗ 0.04) + 4 = 4.082
23
DISTRIBUCIÓN DE PROBABILIDADES GAMMA
Muchas densidades de probabilidad cuyas aplicaciones se
estudiarán más adelante, son casos especiales de la distribución
gamma. Esta distribución tiene la densidad de probabilidad dado
por
1
𝛼
𝑥 𝛼−1 𝑒 −𝑥/𝛽 𝑝𝑎𝑟𝑎 𝑥 > 0, 𝛼 > 0, 𝛽 > 0
𝑓 (𝑥 ) = {𝛽 Γ(𝛼)
0 𝑝𝑎𝑟𝑎 𝑥 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
1
Donde 𝜆 representa el promedio de fracasos, entonces 𝛽 =
𝜆
representa el tiempo promedio hasta que ocurra la primara falla.
Γ(𝛼) = (𝛼 − 1)Γ(𝛼 − 1)
1
Γ ( ) = √π = 1.7724
2
24
De manera general, para valores impares de 𝑛 se tiene:
𝑛 𝑛!
Γ ( + 1) = √π ∗ (𝑛+1)/2
2 2
25
∞
1
𝜇= ∫ 𝑥 𝛼 𝑒 −𝑦 𝛽𝑑𝑦
𝑥𝛼
Γ(𝛼) 0
y𝛼
∞
𝛽 𝛽Γ(𝛼 + 1)
𝜇= ∫ 𝑦 𝛼 𝑒 −𝑦 𝑑𝑦 =
Γ(𝛼) 0 Γ(𝛼)
𝛽𝛼 Γ(𝛼)
𝜇=
Γ(𝛼)
𝜇 = 𝛼𝛽
𝜎 2 = 𝛼𝛽 2
EJEMPLO
Los ingenieros que diseñan la próxima generación de
trasbordadores espaciales planean incluir dos bombas de
combustible, una activa y la otra en reserva.
26
∞ 𝑥
1 𝛼−1 −
𝛽
𝐹 (𝑋) = 𝛼 ∫ 𝑥 𝑒 𝑑𝑥
𝛽 Γ(𝛼 ) 0
50
1 𝑥
−100
𝐹 (𝑋) = 𝑃(𝑋 < 50) = ∫ 𝑥𝑒 𝑑𝑥 = 0.0902
1002 ∗ 1! 0
1 1−1 −𝑥/𝛽
1 −𝑥/𝛽
𝑥 𝑒 𝑒 𝑝𝑎𝑟𝑎 𝑥 > 0, 𝛽 > 0
𝑓(𝑥 ) = {𝛽1 Γ(1) = {𝛽
0 0 𝑥≤0
∞
1 ∞ −𝛽𝑥
𝜇 = ∫ 𝑥 𝑓(𝑥)𝑑𝑥 = ∫ 𝑥𝑒 𝑑𝑥
−∞ 𝛽 0
∫ 𝑓 𝑑𝑔 = 𝑓𝑔 − ∫ 𝑔 𝑑𝑓
𝑥
−
𝑓 = 𝑥; 𝑑𝑔 = 𝑒 𝛽
𝑥
−
𝑑𝑓 = 𝑑𝑥; 𝑔 = −𝛽𝑒 𝛽
1 ∞ −𝛽𝑥 1 𝑥 ∞ 1 ∞ 𝑥
− −
∫ 𝑥𝑒 𝑑𝑥 = (−𝑥𝛽𝑒 𝛽 )] + ∫ 𝛽𝑒 𝛽 𝑑𝑥
𝛽 0 𝛽 0
𝛽 0
1 ∞ −𝛽𝑥 𝑥 ∞ 𝑥 ∞
− −
𝛽 𝛽
∫ 𝑥𝑒 𝑑𝑥 = −𝑥𝑒 ] −𝛽𝑒 ] = −0 + 0 − 0 + 𝛽 = 𝛽
𝛽 0 0 0
27
Cuya función de distribución de probabilidad acumulada es
1 𝑥 −𝛽𝑥 𝑥 𝑥
−
𝐹 (𝑥 ) = ∫ 𝑒 𝑑𝑥 = −𝛽𝑒 ] 𝛽
𝛽 0 0
𝑥
−
𝐹 (𝑥 ) = − 𝑒 𝛽 +1
EJEMPLO
Solución
a)
1/12 1
𝐹 (𝑥 ) = ∫ 3𝑒 −3𝑥 𝑑𝑥 = 1 − 𝑒 −4 = 0.221
0
O también
𝐹 (𝑥 ) = 1 − 𝑒 −(1/12)/(1/3)
1
𝐹 (𝑥 ) = 1 − 𝑒 −4 = 0.221
b)
∞ 9
∫ 3𝑒 −3𝑥 𝑑𝑥 = 0 + 𝑒 −4 = 0.105
3/4
9 9
𝐹 (𝑥 ) = 1 − (1 − 𝑒 −4 ) = 𝑒 −4 = 0.105
28
EJEMPLO
La llegada de estudiantes a un bar tiene un promedio de 30
estudiantes por hora. ¿Cuál es la probabilidad de que se tenga que
esperar más de 3 minutos para atender al próximo alumno?
Solución.
Si es X igual al número de estudiantes, entonces la media λ es de
30 estudiantes por 60 minutos. Ahora, si W denota el tiempo (de
espera) entre los estudiantes, podemos esperar que haya, en
1
promedio, 𝛽 = = 2 minutos entre los estudiantes que llegan.
λ
Como W (se supone que está) distribuido exponencialmente con
una media 𝜇 = 𝛽 = 2, su función de densidad de probabilidad es:
∞
1 −𝑥/2 3
−2
𝑃(𝑋 > 3) = ∫ 𝑒 𝑑𝑥 = 0 + 𝑒 = 0.2231
3 2
3
𝐹 (𝑥 ) = 1 − (1 − 𝑒 −𝑥/2 ) = 𝑒 −2 = 0.2231
LA DISTRIBUCIÓN BETA
Γ(𝛼 + 𝛽)
𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑝𝑎𝑟𝑎 0 < 𝑥 < 1, 𝛼 > 0, 𝛽 > 0
𝑓(𝑥 ) {Γ(𝛼 ) ∗ Γ(𝛽)
0 𝑝𝑎𝑟𝑎 𝑥 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
29
𝛼 𝛼𝛽
𝜇= 𝑦 𝜎2 =
𝛼+𝛽 (𝛼 + 𝛽 )2 (𝛼 + 𝛽 + 1))
EJEMPLO
Cálculo de probabilidad usando una distribución beta
30
b) Al sustituir 𝛼 = 3 y 𝛽 = 2 en la fórmula para la distribución
beta y usar el hecho de que Γ(5) = 4! = 24, Γ(3) = 2! = 2, Γ(2) =
1! = 1,
se obtiene
Γ(5)
𝑥 2 (1 − 𝑥 ) = 12 𝑥 2 (1 − 𝑥 ) 𝑝𝑎𝑟𝑎 0 < 𝑥 < 1, 𝛼 > 0, 𝛽 > 0
( )
𝑓 𝑥 {Γ(3) ∗ Γ(2)
0 𝑝𝑎𝑟𝑎 𝑥 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟
1
2
∫ 12 𝑥 2 (1 − 𝑥 )𝑑𝑥
0
1/2 1/2
=∫ 12 𝑥 2 𝑑𝑥 − ∫ 12 𝑥 3 𝑑𝑥 = 4 𝑥 3 ]0.5 4 0.5
0 − 3𝑥 ]0 = 0.3125
0 0
31
La distribución de probabilidad Weibull
𝛽−1 −𝛼𝑥 𝛽
𝑓(𝑥 ) = { 𝛼 𝛽𝑥 𝑒 𝑝𝑎𝑟𝑎 𝑥 > 0, 𝛼 > 0, 𝛽 > 0
0 𝑝𝑎𝑟𝑎 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 𝑥
𝑋𝛽 𝑋 𝛽
𝛽−1 −𝛼y
𝑑𝑦
𝐹 (𝑥 ) = ∫ 𝛼 𝛽𝑥 𝑒 𝛽−1
= ∫ 𝛼 𝑒 −𝛼y 𝑑𝑦
0 𝛽𝑥 0
𝑋𝛽 𝑋𝛽
𝛼𝑒 −𝛼y 𝛽 𝛽
𝐹 (𝑥 ) = ∫ 𝛼𝑒 −𝛼y
𝑑𝑦 = [ ] = [−𝑒 −𝛼y ]0𝑋 = −𝑒 −𝛼𝑥 + 1
0 −𝛼 0
32
Las gráficas de varias distribuciones de Weibull con 𝛼 = 1 y 𝛽 =
1
, 1 𝑦 2 se presentan en la figura siguiente
2
∞ ∞
𝑥 𝛼𝛽 𝑥 𝛽−1 𝑒 −𝑢 𝑑𝑢
𝜇=∫ ⟹ 𝜇 = ∫ 𝑥 𝑒 −𝑢 𝑑𝑢
0 𝛼𝛽𝑥 𝛽−1 0
𝑢 𝛽
𝑢 1/𝛽 𝛽 1/𝛽
𝑢1/𝛽
=𝑥 ⟹( ) = (𝑥 ) ⟹ 1/𝛽 = 𝑥
𝛼 𝛼 𝛼
𝑥 = 𝑢1/𝛽 𝛼 −1/𝛽
∞
−1/𝛽
𝜇=𝛼 ∫ 𝑢1/𝛽 𝑒 −𝑢 𝑑𝑢
0
1
y la integral se puede representar como Γ (1 + ). La función
𝛽
𝑥 𝛼−1 −𝑥
gamma que se definió previamente, Γ(𝛼) = ∫0 𝑥 𝑒 𝑑𝑥
33
Se encuentra que la media de la distribución de Weibull está dada
por
1
𝜇 = 𝛼 −1/𝛽 Γ (1 + )
𝛽
1
Γ (1 + )
𝛽
𝜇=
𝛼 1/𝛽
1
Γ (1 + )
𝛽
𝑠𝑖 𝛼 1/𝛽 =
𝜇
1 𝛽 1 𝛽
Γ (1 + ) Γ (1 + )
1/𝛽 𝛽 𝛽 𝛽
(𝛼 ) = ( ) 𝑒𝑠𝑡𝑜 𝑒𝑠 𝛼 = ( )
𝜇 𝜇
2 −2/𝛽
2 1 2
𝜎 =𝛼 { Γ (1 + ) − [Γ (1 + )] }
𝛽 𝛽
EJEMPLO
Cálculo de probabilidad usando una distribución de Weibull
34
b)
∞
0.5 0.5
∫ 0.1 ∗ 0.5 𝑥 −0.5 𝑒 −0.1𝑥 𝑑𝑥 = 𝑒 −0.1(300) = 0.1777
300
EJEMPLO
35
2
√π
𝛼 = ( 2 ) = 0.00196349
20
15
2
𝐹(𝑋) = ∫ 0.00196349(2) 𝑥 1 𝑒 −0.0019634𝑥 𝑑𝑥
0
2 15
𝐹 (𝑋) = [−𝑒 −0.001963𝑥 ]0 = (−0.642958 + 1) = 0.3570
36
Distribución chi-cuadrada (𝜒 2 (𝑛))
37
Propiedades:
• Es una función asimétrica.
• E(x)= n
• V(x)=2n.
• Considere dos variables aleatorias chi-cuadrada que se
distribuyen 𝑋1 → 𝑋𝑛2 y 𝑋2 → 𝑋𝑚 2
, posteriormente se define una
nueva variable de la forma 𝑌 = 𝑋1 + 𝑋2 , entonces esta nueva
variable se distribuye como:
2
𝑌 → 𝑋𝑛+𝑚
• Cuando el número de variables aleatorias es muy grande, es
decir, cuando 𝑛 → ∞, la variable puede aproximarse a una
función normal.
38
Apéndice IV (serie Schaum)
P(0.35 <X<7.81)= P(7.81)-P(0.35)
P(0.35 <X<7.81)= 0.95- 0.05=0.90
𝑛
2
(𝐹. 𝑂 − 𝐹. 𝐸 )2
𝜒 =∑
𝐹. 𝐸
𝑖=1
Donde
𝐹. 𝑂: Frecuencia observada, proveniente de una encuesta, estudio
ó experimento
𝐹. 𝐸: Frecuencia esperada
39
Ejemplo: Una agencia de publicidad desea saber si el género de
los consumidores es independiente de sus preferencias de cuatro
marcas de café. La respuesta determinará si se deben diseñar
diferentes anuncios dirigidos a los hombres y otros diferentes
para las mujeres. Realice la prueba con un nivel de significancía
del 5%.
sexo∖ 𝑚𝑎𝑟𝑐𝑎 A B C D
H 18 25 15 12 70
25.17 20.14 12.58 12.08
M 32 15 10 12 69
24.82 19.85 12.41 11.91
50 40 25 24 139
50 ∗ 70
𝐹. 𝐸𝐻,𝐴 = = 25.17
139
40 ∗ 70
𝐹. 𝐸𝐻,𝐵 = = 20.14
139
25 ∗ 70
𝐹. 𝐸𝐻,𝐶 = = 12.58
139
24 ∗ 70
𝐹. 𝐸𝐻,𝐷 = = 12.08
139
50 ∗ 69
𝐹. 𝐸𝑀,𝐴 = = 24.82
139
40 ∗ 69
𝐹. 𝐸𝑀,𝐵 = = 19.85
139
25 ∗ 69
𝐹. 𝐸𝑀,𝐶 = = 12.41
139
24 ∗ 69
𝐹. 𝐸𝑀,𝐷 = = 11.91
139
40
Grados de libertad = (2-1)(4-1)=3 y 𝛼 = 0.05, en tablas es
equivalente a 0.95, en renglón de tres grados de libertad es 𝜒 2 𝑡 =
7.81
𝑛
2
(𝐹. 𝑂 − 𝐹. 𝐸 )2
𝜒 =∑
𝐹. 𝐸
𝑖=1
(18 − 25.17)2 (25 − 20.14)2 (15 − 12.58)2 (12 − 12.08)2
𝜒2𝑐 = + + +
25.17 20.14 12.58 12.08
(32 − 24.82)2 (15 − 19.85)2 (10 − 12.41)2 (12 − 11.91)2
+ + + +
24.82 19.85 12.41 11.91
= 7.412
𝜒 2 𝑐 = 7.412, 𝜒 2 𝑡 = 7.821
Aceptar Ho:
Con un nivel de confianza del 5% se encontró que la marca de café
es independiente del sexo de la persona. Por lo que se recomienda
elaborar un sólo tipo de anuncio.
41
Distribución t de Student (t(n))
La distribución t student es una familia de curvas que depende de
un solo parámetro n (grados de libertad)
𝑛+1
Γ( )
2 − ∞ < 𝑥 < +∞
ℎ(𝑥 ) = 𝑛 𝑡2
(𝑛+1)/2
√𝑛𝜋 ∗ Γ (2) ∗ (1 + 𝑛 )
{
Donde
∞
Γ(𝛼) = ∫ 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0
𝑥̃ − 𝜇
𝑡=
𝑠/√𝑛
42
Esta distribución es muy utilizada, se construye a partir de una
normal y un chi-cuadrada. Una gráfica (a) comparativa con una
distribución normal y algunas de las propiedades.
Propiedades:
• Es simétrica, está centrada en el punto (0,0)
• Mo = Me =0
• E [T] = 0 si n>1
𝑛
• V [T] = si n>2.
𝑛−2
(a) (b)
En el gráfico (b) aparecen representadas las función de densidad
de una t(4) :
Ejemplo
Se desea saber si un instrumento de medición está calibrado,
desde el punto de vista de la exactitud. Para ello se consigue un
valor patrón y se mide 10 veces (por ejemplo: una pesa patrón
para una balanza, un suero control para un método clínico, etc.).
Suponiendo que el resultado de estas mediciones arroja una
media de 52.9 y una desviación de 3, usando un patrón de valor
50, se desea determinar si el instrumento está calibrado y la
43
estimación del error sistemático (no se establecen unidades para
generalizar este ejemplo). H0: μ= 50 el instrumento está calibrado
en exactitud
H1:μ≠50 no está calibrado. Hay un error sistemático
𝑥̃ − 𝜇 52.9 − 50.0
𝑡= = =3
𝑠/√𝑛 3/√10
Mirando las zonas con los valores críticos, el valor de t cae en la
de rechazo para el 95% y no alcanza para las otras. La conclusión
es que se ha probado la existencia de un error sistemático con una
confianza del 95%
𝑠 3
𝜇 = 𝑥̃ ± 𝑡 = 52.9 ± 3 = 52.9 ± 2.8
√𝑛 √10
44
EJEMPLO
Suponga que T tiene una distribución t con r = 8 grados de
libertad ¿Cuál es la probabilidad de que el valor absoluto de T sea
menor que 2.306?
45
P (T <2.306)=0.975
P (T <-2.306)=1- P (T <2.306)=1-0.975=0.025
P (| T | <2.306)= 0.975-0.025=0.25
46
VARIABLES ALEATORIAS CONJUNTAS CONTINUAS
En muchos estudios los espacios muestrales están restringido a
una sola dimensión, en los que se registran resultados de un
experimento como valores dados por una única variable
aleatoria. Sin embargo, habrá situaciones donde sea preferible
registrar los resultados simultáneos de varias variables
aleatorias. Para el caso particular de dos variables aleatorias,
éstas se denominan variables aleatorias conjuntas.
Definición.
Si 𝑋 y 𝑌 son dos variables aleatorias, la distribución de
probabilidad de sus ocurrencias simultáneas puede
representarse por una función 𝑓(𝑥, 𝑦) para cualquier par de
valores (𝑥, 𝑦) dentro del rango de las variables aleatorias; a esto
se le denomina distribución de probabilidad conjunta.
𝑎) 𝑓(𝑥, 𝑦) ≥ 0, ∀ 𝑥, 𝑦
∞ ∞
𝑏) ∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = 1
−∞ −∞
𝑦 𝑥
𝑐)𝐹(𝑥, 𝑦) = ∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦
−∞ −∞
Probabilidades marginales.
Se les llama probabilidades marginales cuando a partir de una
función conjunta se margina a una de las variables aleatorias. Es
el equivalente a la probabilidad total de las funciones de una sola
variable.
∞
𝑔(𝑥 ) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑦
−∞
47
∞
ℎ(𝑦) = ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥
−∞
Probabilidad condicional.
𝑏
𝑓(𝑥, 𝑦)
𝑃(𝑎 < 𝑋 < 𝑏, 𝑌 = 𝑦) = ∫ 𝑑𝑥
𝑎 ℎ(𝑦)
Ejemplo
Calculo de probabilidades de una función de densidad de
probabilidad conjunta
Si la densidad de probabilidad conjunta de dos variables
aleatorias está dada por
48
b)
∞ 2 3
𝑃(0 < 𝑋 < 2, 2 < 𝑌 < ∞) = 6 ∫ ∫ 𝑒 −2𝑥−3𝑦
𝑑𝑥𝑑𝑦 = −3 ∫ [𝑒 −2𝑥−3𝑦 ]20 𝑑𝑦
2 0 2
∞ ∞
= −3 ∫ (𝑒 −4−3𝑦 − 𝑒 0−3𝑦 )𝑑𝑦 = −3(𝑒 −4 − 𝑒 0 ) ∫ 𝑒 −3𝑦 𝑑𝑦
2 2
= (𝑒 −4 − 𝑒 0 )[𝑒 −3𝑦 ]∞
2 = (𝑒
−4
− 𝑒 0 )(𝑒 −∞ − 𝑒 −6 ) = 0.002312
c)
𝑦 𝑥 𝑦
𝐹(𝑥, 𝑦) = 6 ∫ ∫ 𝑒 −2𝑥−3𝑦
𝑑𝑥𝑑𝑦 = 3 ∫ [−𝑒 −2𝑥−3𝑦 ]𝑥0 𝑑𝑦
0 0 0
𝑦 𝑦
= −3 ∫ (−𝑒 −2𝑥−3𝑦 +𝑒 0−3𝑦 )𝑑𝑦
= 3(1 − 𝑒 −2𝑥 )
∫ 𝑒 −3𝑦 𝑑𝑦
0 0
−2𝑥 )[−𝑒 −3𝑦 ]𝑦 −2𝑥 )(−𝑒 −3𝑦
= (1 − 𝑒 0 = (1 − 𝑒 + 1)
= (1 − 𝑒 −2𝑥 )(1 − 𝑒 −3𝑦 )
Ejemplo.
Dada la función:
2(2𝑥 + 3𝑦)
0 ≤ 𝑥 ≤ 1, 0≤ 𝑦≤1
𝑓(𝑥, 𝑦) = { 5
0 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑒𝑟𝑒𝑠 𝑑𝑒 𝑥, 𝑦
49
𝑠𝑖 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑎
1 1 1
b) Encuentre la probabilidad de 𝑃 [(𝑥 ≤ , ≤ 𝑦 ≤ ) ∈ 𝐴]
2 4 2
1
1 2 1
1
1 1 1 2 2(2𝑥 + 3𝑦) 2 3𝑦 2 2
𝑃 (𝑥 ≤ , ≤ 𝑦 ≤ ) = ∫ ∫ 𝑑𝑦𝑑𝑥 = ∫ [2𝑥𝑦 + ] 𝑑𝑥
2 4 2 0 5 0 5 2 1
1 4
4
1 2 1 2
1 1 1 2 1 3( ) 1
1 3( )
𝑃 (𝑥 ≤ , ≤ 𝑦 ≤ ) = ∫ [(2𝑥 + 2 ) − (2𝑥 + 4 )] 𝑑𝑥
2 4 2 0 5 2 2 4 2
1
1 1 1 2 3 1 3
𝑃 (𝑥 ≤ , ≤ 𝑦 ≤ ) = ∫ [(𝑥 + ) − ( 𝑥 + )] 𝑑𝑥
2 4 2 0 5 8 2 32
1
1
2 1 9 2 1 9𝑥 2
=∫ [( 𝑥 + )] 𝑑𝑥 = [ 𝑥 2 + ]
0 5 2 32 5 4 32 0
2 1 9
= [ + ] = 0.08125
5 16 64
50
Ejemplo.
Suponga que la fracción 𝑋 de atletas hombres y la fracción 𝑋 de
atletas mujeres que terminan la carrera del maratón puede
describirse por la función de densidad conjunta.
8𝑥𝑦 𝑦 ≤ 𝑥 ≤ 1, 0≤ 𝑦≤𝑥
𝑓(𝑥, 𝑦) = {
0 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑒𝑟𝑒𝑠 𝑑𝑒 𝑥, 𝑦
1
ℎ(𝑦) = ∫ 8𝑥𝑦 𝑑𝑥 = [4𝑦𝑥 2 ]1𝑦 = 4𝑦 − 4𝑦 3 , 0 ≤ 𝑦 ≤ 𝑥
𝑦
𝑓 (𝑥, 𝑦) 8𝑥𝑦 8𝑥𝑦 2𝑥
𝐹 (𝑋/𝑌) = = = =
ℎ(𝑦) 4𝑦 − 4𝑦 3 4𝑦(1 − 𝑦 2 ) (1 − 𝑦 2 )
𝑓(𝑥, 𝑦) 8𝑥𝑦 2𝑦
𝐹 (𝑌/𝑋) = = 3= 2
𝑔(𝑥 ) 4𝑥 𝑥
1 1 1
1
1 1 8 2𝑦 2𝑦 8 8
𝑃 (𝑌 < /𝑋 = ) = ∫ 2 𝑑𝑦 = ∫ 2 𝑑𝑦 = ∫ 8𝑦𝑑𝑦 = [4𝑦 ]80
2
8 2 0 𝑥 0 1 0
( )
2
4 1
= =
64 16
51
Ejemplo. Para la función de distribución de probabilidad
conjunta de dos variables:
𝑥(1 + 3𝑦 2 )
𝑓(𝑥, 𝑦) = { 0 < 𝑥 < 2, 0< 𝑦<1
4
0 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜𝑠 𝑣𝑎𝑙𝑒𝑟𝑒𝑠 𝑑𝑒 𝑥, 𝑦
1 1
𝑥(1 + 3𝑦 2 ) 𝑥𝑦 𝑥𝑦 3 𝑥 𝑥 𝑥
𝑔(𝑥 ) = ∫ 𝑑𝑦 = [ + ] = + =
0 4 4 4 0 4 4 2
2 2
𝑥(1 + 3𝑦 2 ) 𝑥 2 (1 + 3𝑦 2 ) 1 + 3𝑦 2
ℎ(𝑦) = ∫ 𝑑𝑥 = [ ] =
0 4 8 0
8
𝑥(1 + 3𝑦 2 )
𝑓(𝑥, 𝑦) 4 8(𝑥(1 + 3𝑦 2 ))
𝐹 (𝑋|𝑌) = = = = 2𝑥
ℎ(𝑦) 1 + 3𝑦 2 4(1 + 3𝑦 2 )
8
𝑥(1 + 3𝑦 2 )
𝑓(𝑥, 𝑦) 4 2𝑥(1 + 3𝑦 2 ) (1 + 3𝑦 2 )
𝐹(𝑌|𝑋) = = 𝑥 = =
𝑔(𝑥) 4𝑥 2
2
1 1 1
b) Encontrar la probabilidad de 𝑃 ( < 𝑋 < |𝑌 = )
4 2 3
1 𝑥(1 + 3𝑦 2 )
1
1 1 1 2 𝑓(𝑥, 𝑦) 4 2
𝑃 ( < 𝑋 < |𝑌 = ) = ∫ 𝑑𝑥 = ∫ 𝑑𝑥
4 2 3 1 ℎ(𝑦) 1 1 + 3𝑦 2
4 4
8
1 1
1
2 8(𝑥(1 + 3𝑦 2 )) 2
=∫ 𝑑𝑥 = ∫ 2𝑥𝑑𝑥 = [𝑥 ]21
2
1 4(1 + 3𝑦 2 ) 1
4
4 4
1 1 3
= − =
4 16 16
52
Valores esperados y momentos para las funciones
bivariadas.
𝑠
𝐸{(𝑋 − 𝜇𝑥 )𝑟 (𝑌 − 𝜇𝑦 ) }
∞ ∞
𝑠
= ∫ ∫ (𝑥 − 𝜇𝑥 )𝑟 (𝑦 − 𝜇𝑦 ) 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥
−∞ −∞
53