Beruflich Dokumente
Kultur Dokumente
Prof. R. Rojas
Definición: Sea Y una variable aleatoria con función de distribución 𝐹(𝑦). Se dice que Y
es continua si la función de distribución 𝐹(𝑦) es continua para −∞ < 𝑦 < ∞
𝑑𝐹(𝑦)
𝑓(𝑦) = = 𝐹 ´ (𝑦)
𝑑𝑦
Esta PROBABILIDAD puede ser interpretada como un Área (integral) bajo la curva f(x).
Por lo tanto, la función de distribución de una v.a. continua Y viene dada por
𝑦
Ejemplo
Sea la función de distribución de una variable aleatoria Y;
0 𝑦≤0
𝑦
0<𝑦<2
8
𝐹(𝑦) =
𝑦2
2≤𝑦<4
16
{ 1 𝑦≥4
a) Hallar la función de densidad de Y.
b) Calcule 𝑝(1 ≤ 𝑌 ≤ 3)
c) Encuentre 𝑝(𝑌 ≥ 1,5)
Universidad Simón Bolívar
Prof. R. Rojas
Solución:
a) Dado que la función de densidad es la derivada de la función de distribución,
entonces debemos derivar por partes, entonces:
0 𝑦≤0
1
0<𝑦<2
𝑓(𝑦) = 8𝑦
2≤𝑦<4
8
{ 0 𝑦≥4
9 1 7
b) 𝑝(1 ≤ 𝑌 ≤ 3) = 𝐹(3) − 𝐹(1) = 16 − 8 = 16
3
2 13
c) 𝑝(𝑌 ≥ 1,5) = 1 − 𝑝(𝑌 ≤ 1,5) = 1 − 𝐹(1,5) = 1 − = 16
8
Ejemplo
Suponga que Y tiene una función de densidad;
𝑘𝑦(1 − 𝑦) 0 ≤ 𝑦 ≤ 1
𝑓(𝑦) = {
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
a) Halle k para que 𝑓(𝑦) sea una función de densidad.
b) Calcule 𝑝(0,4 ≤ 𝑌 ≤ 1).
c) Encuentre 𝑝(0,4 ≤ 𝑌 < 1).
Solución:
∞
a) Para que 𝑓(𝑦) sea una función de densidad ∫−∞ 𝑓(𝑦) 𝑑𝑦 = 1. Por lo que
calculamos:
∞ 1 1
∫ 𝑘𝑦(1 − 𝑦) 𝑑𝑦 = ∫ 𝑘𝑦 𝑑𝑦 − ∫ 𝑘𝑦 2 𝑑𝑦
−∞ 0 0
1
𝑦2 𝑦3 1 1 𝑘
= 𝑘[ − ] = 𝑘( − ) = = 1 ⇒ 𝑘 = 6
2 3 0 2 3 6
1
1 𝑦2 𝑦3
b) 𝑝(0,4 ≤ 𝑌 ≤ 1) = ∫0,4 6𝑦(1 − 𝑦) 𝑑𝑦 = 6 [ − ]
2 3 0,4
1 1 0,16 0,064 1 22
= 6 [( − ) − ( − )] = 6 ( − ) = 0,648
2 3 2 3 6 375
𝑎
c) Como la integral en un punto es igual a cero, es decir ∫𝑎 𝑓(𝑥)𝑑𝑥 = 0, entonces
Teorema: Si 𝑔(𝑌) es una función de Y, entonces el valor esperado de 𝑔(𝑌) esta dado
por;
∞
𝐸(𝑔(𝑌)) = ∫−∞ 𝑔(𝑌)𝑓(𝑦) 𝑑𝑦 , siempre y cuando la integral exista.
Teorema: Si c es una constante y 𝑔(𝑦), 𝑔1 (𝑦), 𝑔2 (𝑦), … , 𝑔𝑘 (𝑦) son funciones de una
variable aleatoria continúa Y, entonces:
1- 𝐸(𝑐) = 𝑐
2- 𝐸(𝑐𝑔(𝑦)) = 𝑐𝐸(𝑔(𝑦))
3- 𝐸 (𝑔1 (𝑦) + 𝑔2 (𝑦) + … + 𝑔𝑘 (𝑦)) = 𝐸 (𝑔1 (𝑦)) + 𝐸 (𝑔2 (𝑦)) + ⋯ + 𝐸 (𝑔𝑘 (𝑦))
Ejemplo
Si Y tiene función de densidad
3 2
𝑦 +𝑦 0≤𝑦 ≤1
𝑓(𝑦) = { 2
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Calcule la media y la varianza de Y.
Solución:
1 1
3 3 𝑦3 3 1 17
𝐸(𝑌) = ∫ 𝑦 ( 𝑦 2 + 𝑦) 𝑑𝑦 = [ 𝑦 4 + ] = + =
0 2 8 3 0 8 3 24
2) 2
1
3 2
2
17 2
𝑉(𝑌) = 𝐸(𝑌 − 𝐸(𝑌) = ∫ 𝑦 ( 𝑦 + 𝑦) 𝑑𝑦 − ( )
0 2 24
1 2
3 𝑦4 17 11
= [ 𝑦5 + ] − ( ) =
10 4 0 24 20
Distribución Uniforme
Es el modelo continuo más simple. Corresponde al caso de una variable aleatoria que
solo puede tomar valores entre dos extremos a y b, de manera que todos los intervalos
de una misma longitud tienen la misma probabilidad.
Universidad Simón Bolívar
Prof. R. Rojas
1
𝑠𝑖 𝑥 ∈ (𝑎, 𝑏)
𝑓𝑥 (𝑥) = {𝑏 − 𝑎
𝑠𝑖 𝑥 ∉ (𝑎, 𝑏)
0
Cuya representación gráfica es:
0 𝑠𝑖 𝑥 ≤ 𝑎
𝑥−𝑎
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = { 𝑠𝑖 𝑥 ∈ (𝑎, 𝑏)
𝑏−𝑎
1 𝑠𝑖 𝑥 ≥ 𝑏
Esperanza y varianza
𝑏+𝑎 (𝑏−𝑎)2
𝐸(𝑥) = 2
𝑉𝑎𝑟(𝑥) = 12
Ejemplo
Sea x el momento al azar en que un estudiante recibe una clase en un determinado día
entre las horas:7-8-9-10-11-12-13.
Universidad Simón Bolívar
Prof. R. Rojas
La Distribución Normal
Entre las muchas curvas de distribución continua que se emplean en estadística,
la más importante es la curva normal. Con frecuencia a la distribución normal se le
identifica como la piedra angular de la estadística moderna, esto se debe en parte al
papel que desempeña en el desarrollo de la teoría estadística y en parte al hecho de
que es frecuente que distintas variables asociadas a fenómenos naturales y cotidianos
siguen, aunque sea de manera aproximada, esta distribución. Por ejemplo, la medición
en experimentos científicos, tiempos de reacción en experimentos psicológicos,
medidas e indicadores económicos, etc., tienen el mismo patrón general que las
distribuciones normales. Además, la normal se puede usar para aproximar varias
distribuciones de probabilidad discretas y tiene algunas propiedades que la hacen
aplicable a un gran número de situaciones en las que es necesario hacer inferencias
mediante la toma de muestras.
Definición
Se dice que una variable aleatoria continua X tiene una distribución normal con
parámetros μ y σ (donde -∞ < μ < ∞ y 0 < σ), si la función de densidad de probabilidad
de X es:
x μ 2
1
f(x) e 2σ 2
- x
2π σ
X ~ N (μ , σ).
Características
1. La curva tiene un solo pico, por tanto es unimodal y tiene forma de campana.
2. La media de la población distribuida normalmente cae en el centro de su curva
normal.
3. Los dos extremos de la distribución normal de probabilidad se extienden
indefinidamente y nunca tocan el eje x, por lo que existe algo de
probabilidad de que la variable aleatoria pueda tomar valores demasiado
grandes o muy pequeños, sin embargo, no se pierde mucha precisión al
ignorar valores tan alejados de la media. Por lo tanto, a cambio de la
conveniencia del uso de este modelo teórico, se debe aceptar el hecho de
que puede asignar valores empíricos imposibles.
4. Debido a la simetría de la distribución normal, la mediana y la moda se
encuentran también en el centro; en consecuencia, para una curva
normal, la media, la mediana y la moda tienen el mismo valor.
5. Si la distribución de la población de una variable es aproximadamente
normal, entonces:
a) Alrededor del 68,27% de los valores están dentro de 1 desviación estándar de
la media.
b) Alrededor del 95,45% de los valores están dentro de 2 desviaciones
estándar de la media.
c) Alrededor del 99,73% de los valores están dentro de 3 desviaciones
estándar de la media.
Universidad Simón Bolívar
Prof. R. Rojas
x t μ 2
1
2π σ
F(x) e 2σ 2
dt
Observaciones:
- Cabe destacar que no hay una sola distribución normal, sino una familia de curvas
normales por lo que para diversos pares (μ,σ) diferentes, tenemos variadas gráficas.
De lo anterior, se puede apreciar que la curva normal puede describir un gran número
de poblaciones, diferenciadas solamente por la media, por la desviación estándar o por
ambas.
- Para calcular P(a ≤ X ≤ b) cuando X es una variable aleatoria con distribución normal
de parámetros μ y σ debemos evaluar:
b
x μ 2
1
a 2π σ
e 2σ 2
dx
Sin embargo, ninguna de las técnicas de integración estándar se emplean para evaluar
la expresión anterior. En lugar de esto se trabaja con una distribución normal con valores
de parámetros μ = 0 y σ = 1, que recibe el nombre de distribución normal estándar
(variable aleatoria Z) y cuya función de densidad de probabilidad viene dada por:
z2
1
f(z) e 2
-z
2π
z t2
1
F(z)
2π
e 2σ 2
dt
Universidad Simón Bolívar
Prof. R. Rojas
x μ
z
σ
Por lo tanto y puesto que resulta físicamente imposible (y también innecesario) construir
tablas separadas de áreas de curvas normales para todas las parejas de valores de μ y
σ concebibles, estas áreas se tabulan sólo en relación con la distribución normal
estándar.
P(a<Z<b) está representada por al área bajo la curva que está entre los
valores de a y b como se ve en la figura
Ejemplo 1
Supóngase que se sabe que el peso de los/as estudiantes universitarios/as sigue una
distribución aproximadamente normal, con una media de 140 libras y una desviación
estándar de 20 libras.
Se establece que a=150 libras, por lo tanto el área de la curva de la curva requerida
es:
Determinar el valor Z:
Calculo de áreas
P(Z<= a)=0.6915
Se concluye que la probabilidad de que una persona pese 150 lbs. o menos es de
69,15 %
Se establece que a=150 libras, por lo tanto el área de la curva buscada es:
Determinar el valor Z:
Calculo de áreas
Se concluye que la probabilidad de que persona elegida al azar, tenga un peso mayor
a 150 libras, es 30,85 %
Determinar el valor Z:
𝑥− 𝜇 115 − 𝜇
𝑃(X <= −115) = 1 − 𝑃(X ≤ 115) = 1 − 𝑃 ( <= )
𝜎 𝜎
115− 140
= 𝑃 (Z <= 20
) = 𝑃(Z <= −1.25)
Se concluye que la probabilidad de que una persona pese 115 lbs. o menos es de
10,56%
Se establece que a=150 libras y b= 160 libras, por tanto el área de la curva buscada
es:
Universidad Simón Bolívar
Prof. R. Rojas
Determinar el valor Z:
150 − 𝜇 𝑥 − 𝜇 160 − 𝜇
𝑃(150 ≤ X ≤ 160) = 𝑃 ( ≤ ≤ )
𝜎 𝜎 𝜎
150 − 140 160 − 140
= 𝑃( ≤Z≤ )= P(0.5 ≤ Z ≤ 1)
20 20
La probabilidad de que una persona elegida al azar, tenga un peso entre 150 y 160
libras es 53,28%
Ejemplo 2
El gasto mensual en la construcción de una vivienda sigue una distribución normal con
una media 80.000$ y desviación estándar 4.000$. ¿Cuánto debería presupuestarse
para la construcción mensualmente, de modo que la probabilidad de que el gasto sea
mayor a la cantidad presupuestada sea tan solo de 0.1%?
X= gasto mensual
La probabilidad de que el gasto sea mayor a la cantidad presupuestada sea tan solo de
0.1% es
Entonces
𝑥− 𝜇 𝑐− 𝜇 𝑐 − 80.000
𝑃(X > c) = 𝑃 ( ˃ ) = 𝑃 (Z ˃ ) = 0.01
𝜎 𝜎 4.000
Despejando c se obtiene:
𝑐 − 80.000
= 1,28
4.000
Donde el valor de 2,32 representa el valor de Z donde la probabilidad del área bajo la
curva es 0.01. Entonces c= 1,28. 4.000 +80.000 = 85120
Distribuciones Gamma
Existen variables aleatorias que siempre son positivas, además, la mayor parte del área
bajo su función de densidad está cercana al origen y luego, esta función de densidad decae
gradualmente. Un ejemplo de este tipo de distribuciones es la Gamma.
Definición: Se dice que una variable aleatoria Y tiene una Distribución Gamma con
parámetros 𝛼 > 0 y 𝛽 > 0 si y solo si la función de densidad de Y es:
𝑦
−
𝑦 𝛼−1 𝑒 𝛽
𝑓(𝑦) = { 𝛽 𝛼 Γ(𝛼) 0≤𝑦<∞
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Se puede demostrar fácilmente que esta función cumple las siguientes propiedades:
1.- Γ(1) = 1
2.- Γ(𝛼) = (𝛼 − 1)Γ(𝛼 − 1), para toda 𝛼 > 1
3.- Si n es entero, entonces Γ(𝑛) = (𝑛 − 1)!
Teorema: Si Y tienen una distribución Gamma con parámetros 𝛼 > 0 y 𝛽 > 0, entonces:
𝐸(𝑌) = 𝜇 = 𝛼𝛽 y 𝑉(𝑌) = 𝜎 2 = 𝛼𝛽 2
Ejemplo
El tiempo improductivo por semana Y (en horas) de una maquina industrial tiene
aproximadamente una distribución gamma con 𝛼 = 3 y 𝛽 = 2. La pérdida L (en dólares)
para la operación industrial como resultado de este tiempo improductivo está dado por
𝐿 = 30𝑌 + 2𝑌 2 . Encuentre la varianza y el valor esperado de L.
Solución:
Se sabe que 𝑌~𝐺𝑎𝑚𝑚𝑎(𝛼 = 3, 𝛽 = 2) por lo que;
𝐸(𝑌) = 𝛼𝛽 = 6 y 𝑉(𝑌) = 𝛼𝛽 2 = 12
Luego,
𝐸(𝐿) = 𝐸(30𝑌 + 2𝑌 2 ) = 3𝐸(𝑌) + 2𝐸(𝑌 2 ) = 3𝐸(𝑌) + 2[𝑉(𝑌) + 𝐸(𝑌)2 ]
Universidad Simón Bolívar
Prof. R. Rojas
Definición: Sea 𝜈 un entero positivo. Se dice que una variable aleatoria Y tienen
distribución Ji-Cuadrado con 𝜈 grados de libertad si y solo si Y es una variable aleatoria
𝜈
con distribución Gamma y parámetros 𝛼 = 2 y 𝛽 = 2.
Es importante destacar que a las variables con distribución Ji-Cuadrado con 𝜈 gados de
1 −𝛽𝑦
𝑒 0≤𝑦<∞
𝑓(𝑦) = { 𝛽
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Distribuciones Beta
Definición: Se dice que una variable aleatoria Y tiene una distribución de probabilidad
Beta con parámetros 𝛼 > 0 y 𝛽 > 0 si y solo si la función de densidad de Y es:
𝑦 𝛼−1 (1 − 𝑦)𝛽−1
0≤𝑦≤1
𝑓(𝑦) = { 𝐵(𝛼, 𝛽)
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
donde
1
Γ(𝛼)Γ(𝛽)
𝐵(𝛼, 𝛽) = ∫ 𝑦 𝛼−1 (1 − 𝑦)𝛽−1 𝑑𝑦 =
0 Γ(𝛼 + 𝛽)
Teorema: Sea Y una variable aleatoria con distribución Beta 𝛼 > 0 y 𝛽 > 0, entonces:
𝛼 𝛼𝛽
𝐸(𝑌) = 𝜇 = 𝛼+𝛽 y 𝑉(𝑌) = 𝜎 2 = (𝛼+𝛽)2 (𝛼+𝛽+1)
Ejemplo
El costo Y de reparaciones semanales de una maquina tiene una función de densidad de
probabilidad dada por
3(1 − 𝑦)2 0<𝑦<1
𝑓(𝑦) = {
0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
Con mediciones en cientos de dólares. ¿Cuánto dinero debe presupuestarse a la semana
para costos de reparación, de modo que el costo real rebase la cantidad presupuestada
solo 10% del tiempo?
Solución:
Si Y: Costo de reparaciones semanales, se puede notar que:
Γ(1)Γ(3) 2 1
𝐵(1,3) = = =
Γ(1 + 3) 6 3
Por lo que, podemos decir que 𝑌~𝐵𝑒𝑡𝑎 (𝛼 = 1, 𝛽 = 3).
Luego, estamos interesado en el valor a tal que 𝑝(𝑌 > 𝑎) = 0,1 por lo cual calculamos:
Universidad Simón Bolívar
Prof. R. Rojas
1 1
𝑦2 𝑦3 1 𝑎3
𝑝(𝑌 > 𝑎) = ∫ 3(1 − 𝑦) 𝑑𝑦 = 3 [𝑦 − 2 + ] = 3 [1 − 1 + − 𝑎 + 𝑎2 − ]
2
2 3 𝑎 3 3
𝑎
Referencia bibliográfica