Univer Uni versid sidad ad T´ ecnica ecn ica Federic Feder ico o Santa San ta Mar´ Mar´ ıa Departament Depart amento o de d e Matem´ M atem´atica atic a
Profesor: Ronny Vallejos
Variables Aleatorias Continuas Especiales Distribuci´ on on Uniforme Definici´ on on 1. Sea X Sea X una una variable aleatoria continua que toma valores en el intervalo [a, [ a, b], donde
on de densidad de probabilidad est´a dada por a, b son finitos. Si la funci´on 1
f X X (x) =
b
[a,b] a,b] (x),
− a I
entonce entoncess diremos diremos que X distribuci´´on on uniforme con par´ametros ametros a y b y anotaremos X tiene una distribuci X U [ U [a, b].
∼ ∼
∼ ∼ U [a, b]. Entonces
Teorema 1. Sea X Sea X
1. F X X (x) =
x−a + I ]b,+ a,b] (x) + I b,+∞[ (x). b−a I [a,b]
2.
E[X ]
=
a+ b 2 .
3.
V[X ]
=
(b−a)2 12 .
Demostraci´ on. on. Las demostracoines son el resultado de integraci´on on directa.
1. Note que
x
F X X (x) =
x
f X dt = X (t)dt =
a
−∞
≥
Si x Si x b entonces F entonces F X X (x) = 1. 2.
b
E[X ]
=
a
3. Similarmente, b
V[X ]
=
a
b
−a
=
x b
− a , x ≤ b. −a
+ b xdx a + b = . 2 b a
−
x2 dx b a
−
dt
− + b a + b 2
2
=
(b
2
− a) . 12
Observaci´ on o n 1. Una variable variable aleatoria uniforme representa representa la analog´ analog´ıa continua continua a los resultados
igualment igualmentee probables probables en el sentido sentido siguiente: siguiente: Para Para cualquier cualquier subinterv subintervalo alo [c, [ c, d] a c d b, d dx d c P[c = X d] = . a b a c b
≤ ≤ ≤
≤ ≤ ≤
−
⊂ [a, b] donde
− −
Esta probabilidad s´olo olo depende de la distancia entre c y d. Luego d. Luego cualquier intervalo de longitud [ a, b] tiene asociada la misma probabilidad. d c dentro del intervalo [a,
−
Observaci´ on o n 2. Podemos entonces en virtud de la observaci´on on anterior, decir que si elegimos
un punto al azar proveniente de una poblaci´on on uniforme, todos los puntos del intervalo tienen la misma chance misma chance de de ser elegidos.
MAT-043
1
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Ejemplo 1. Un punto se elige al azar sobre el segmento de l´ınea [0, 2]. ¿Cu´ al es la probabilidad
de que el punto escogido quede entre 1 y 3/2? Supongamos que la variable X U [0, 1]. Entonces se nos pide
∼
3/2
P[1
≤ X ≤ 3/2] =
1
dx 1 = . 2 4
Ejemplo 2. Un programa de TV dura en total una hora y un espectador impaciente puede cambiar
de canal en cualquier momento. Supongamos que el tiempo que el espectador sintoniza un canal preferido es una variable aleatoria X con funci´on de distribuci´on acumulada dada por:
F X (x) =
0 x < 0 x 0 x 1 x 1.
≤ ≤1 ≥
a. ¿Cu´ al es la probabilidad de que el espectador sintonice la mayor parte del programa? b. Si el espectador sintoniz´o la mayor parte del programa, ¿Cu´al es la probabilidad de que
apague la TV o cambie de canal en los u ´ ltimos 10 minutos? a. Note que la probabilidad pedida es P[X
b. Nos piden P[5/6
> 1/2] = 1
− P[X − ≤ 1/2] = 1 − F (1/2) = 1/2. X
≤ X ≤ 1] = 1/6 = 1 . ≤ X ≤ 1/X > 1/2] = P[5/6 1/2 3 P[X > 1/2]
Una aplicaci´on muy importante de la distribuci´on uniforme es la generaci´on de n´ umeros aleatorios. Los algoritmos congruenciales para la generaci´ o n de n´ umeros pseudoaleatorios son una herramienta bastante popular. Definici´ o n 2. Un generador congruencial se define como
X i = (aX i 1 + c) mod M , −
donde a, c y M son constantes en Z y X 0 se llama semilla (seed) y se us para inicializar el algoritmo. La sucesi´on generada pertenece al rango 0, 1, 2, . . . , M 1 . Luego calculamos
{
− }
U i =
X i . M
{ }
La secuencia de variables U i proviene de una distribuci´on U [0, 1]. Observaci´ o n 3. La elecci´ on apropiada de las constantes a, c y M determinan el per´ıodo de la
secuencia. Se desea que el per´ıodo sea grande para que los n´umeros no se repitan.
MAT-043
2
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Observaci´ on 4. Si c = 0, el generador
X i = aX i
1
−
mod M
se llama generador congruencial multiplicativo. Ejemplo 3. Considere el generador congruencial definido como
X i = (5X i 1 + 3) mod 16, X 0 = 7, X i U i = . 16 Obtenga los 5 primeros n´umeros de la secuencia U i . −
{ }
Note que
0 mod 16 = 0, 1 mod 16 = 1, 2 mod 16 = 2, .. . 15 mod 16 = 15, 16 mod 16 = 0, 17 mod 16 = 1, .. . 32 mod 16 = 0, 33 mod 16 = 1, = X 1 = (5X 0 + 3) mod 16 = 38 mod 16 = 6. = U 1 = 6/16 = 0.3750. = X 2 = (5 6 + 3) mod 16 = 33 mod 16 = 1. = U 2 = 1/16 = 0.0625.
⇒
⇒
×
⇒ ⇒
Siguiendo este esquema, obtenemos finalmente U 3 = U 4 = U 5 = U 6 =
0.50, 0.06875, 0.6250, 0.3125.
Observaci´ on 5. El generador RANDU (IBM) es un generador congruencial multiplicativo definido
por: X i+1 = 65539 mod 231 , X i U i+1 = 31 . 2 Este generador ha sido implementado en algunos programas computacionales como Matlab y R. MAT-043
3
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Observaci´ o n 6. En Matlab el comando rand(m, n) genera una matriz de dimensi´on m
n´umeros pseudoaleatorios U 0, 1]. Por ejemplo, el comando
× n con
X=rand(100,1) hist(X)
genera 100 n´umeros pseudoaleatorios U [0, 1]. Un histograma puede ser usado para chequear visualmente si la distribuci´on subyacente es uniforme. Observaci´ on 7. En R se puede usar el comando
X=runif(100,0,1) hist(X)
para realizar el mismo proceso descrito en Matlab. Observaci´ on 8. El siguiente c´odigo en R produce la figura que se muestra a continuaci´on:
X=runif(100,0,1) Y=runif(500,0,1) Z=runif(10000,0,1) par(mfrow=c(1,3)) hist(X) hist(Y) hist(Z)
Histogram of X
Histogram of Y
Histogram of Z
4 1
0 5
0 0 5
0 4
0 0 4
2 1
0 1
8
y c n e u q e r F
y c n e u q e r F
y c n e u q e r F
0 3
0 0 3
6
0 2
0 0 2
0 1
0 0 1
0
0
4
2
0
0.0
0.2
0.4
0.6
n=100
MAT-043
0.8
1.0
0.0
0.2
0.4
0.6
n=500
4
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
n=10000
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Distribuci´ on Gama, Exponencial y Normal
∞[. Si
Definici´ on 3. Sea X una variable aleatoria continua que toma valores en el intervalo [0 , +
la funci´on de densidad de probabilidad est´a dada por xα 1 e x/β I [0,+ [ (x), α > 0, β > 0, Γ(α)β α −
f X (x) =
−
∞
∼
entonces diremos que X tiene una distribuci´on gama con par´ametros α y β y anotaremos X Γ(α, β ).
La distribuci´on gamma es muy flexible en cuanto a su forma. Los par´ ametros α y β dan cuenta de esta propiedad.
∼ Γ(α, β ). Entonces
Teorema 2. Sea X
1. F X (x) =
x tα−1 e−t/β 0 Γ(α)β α dt (No
2.
E[X ]
= αβ.
3.
V[X ]
= αβ 2 .
existe una representaci´ on anal´ıtica sencilla)
Demostraci´ on. Las demostraciones son el resultado de integraci´on directa usando el hecho que
∞
xα 1 e −
x/β
−
dx = Γ(α)β α .
0
Observaci´ o n 9. Podemos recordar algunas propiedades de la funci´ on gama que son u ´ tiles en el
c´alculo de momentos asociados a esta distribuci´on. 1. Γ(α + 1) = αΓ(α).
∈ N, entonces Γ(n) = (n − 1)!. √ ) = π.
2. Si n 3. Γ( 12
∼ Γ(α, β ), entonces
Teorema 3. Sea X
β ν Γ(ν + α) E[X ] = . Γ(α) ν
Definici´ o n 4. Sea X una variable aleatoria con distribuci´o n Γ(α = 1, β ). Entonces se dice que
X tiene una distribuci´on exponencial con par´ametro β. Es claro que la funci´on de densidad de probabilidad de la distribuci´ on exponencial es f X (x) =
1 e β
x/β
−
,x
≥ 0, α > 0.
Algunas consecuencias inmediatas del Teorema 1 son establecidas en el siguiente resultado.
∼ Exp(β ). Entonces
Teorema 4. Sea X MAT-043
5
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
1.
E[X ]
= β.
2
V[X ]
= β 2 .
3. F X (x) = 1
−e
x/β
−
Profesor: Ronny Vallejos
.
Teorema 5. (P´ erdida de Memoria de la Distribuci´ on Exponencial) +
∼ Exp(β ). Entonces para todo s, t ∈ R
Sea X
P[X
tal que t < s se tiene
> s/X > t] = P[X > s
− t].
Demostraci´ on. P[X
> s/X > t] =
P[X
∩
> s X > t] P[X > s] = = e P[X > t] P[X > t]
(s−t)/β
−
= P[X > s
− t].
Ejemplo 4. Supongamos que la duraci´ on en horas de una bater´ıa es una variable aleatoria expo-
nencial con par´ametro β = 50. a. ¿Cu´ al es la probabilidad de que una bater´ıa dure menos de 200 horas si se sabe que la bater´ıa
funciona m´as de 100 horas? b. ¿Cu´ al es la probabilidad de que de un grupo de 8 bater´ıas dos deban reponerse antes de 150
horas? Soluci´ on.
∼ E xp(β = 50).
a. Definimos la variable X = tiempo de duraci´ on de la bateria. Entonces X
Luego nos interesa la probabilidad P[X
< 200/X > 100] =
X < 200] e 2 e = P[X > 100] e 2
P[100 <
−
−
−
4
−
.
b. Definimos otra variable aleatoria Y =cantidad de circuitos que duran menos de 150 horas.
Entonces calculamos la probabilidad de ´exito p = P [X < 150] = 1 Luego bajo independencia asumimos que Y P[Y =
2] =
−e
3
−
= 0.95.
∼ Bin(n = 8, p = 0.95). Entonces nos piden
8 0.952 0.056 = 3.94 2
× 10
7
−
.
Recordemos que una distribuci´on muy usada en ingenier´ıa es la distribuci´ on de Poisson. Una relaci´on entre la distribuci´on de Poisson y la distribuci´on exponencial es la siguiente: Sea X (t) la cantidad de eventos que ocurren en el intervalo [0 , t] y T el tiempo que transcurre entre dos eventos sucesivos. Si X (t) Poisson(θt), entonces T Exp(θ).
∼
MAT-043
∼
6
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Definici´ o n 5. Sea X una variable aleatoria continua con funci´on de densidad dada por
f X (x) =
1 √ 2πσ e
−
(x−µ)2 2σ2
I R (x),
entonces diremos que X tiene una distribuci´on normal con par´ametros µ y σ 2 . Anotaremos X (µ, σ2 ).
∼
N
Observaci´ o n 10. En el caso particular en que µ = 0 y σ = 1, la variable aleatoria X se llama
N (0, 1)
variable aleatoria normal (Gausiana) est´andar. Note que la densidad de una distribuci´on est´a dada por x2 1 f X (x) = e 2 I R (x). 2π
√
−
√
Observaci´ on 11. La derivaci´ on de la constante 1/ 2π que acompa˜ na la densidad normal puede
obtenerse v´ıa integraci´on directa usando una integral doble, un cambio a coordenadas polares y las propiedades de la funci´on gama. El siguiente resultado establece la relaci´on entre una variable
2
N (µ, σ ) y una variable N (0, 1).
2
∼ N (µ, σ ). Entonces
Teorema 6. Sea X
Z =
X
− µ ∼ N (0, 1).
σ
Demostraci´ on. La demostraci´ on de este resultado requiere el teorema de transformaci´on, el cual
veremos m´as adelante en este curso. Este resultado permite calcular las probabilidades de la distribuci´on normal usando una tabla para la distribuci´on normal est´andar. Si definimos la funci´ on de distribuci´on acumulada de la distribuci´ on normal est´andar como sigue: z
Φ(z ) =
√ 12π e
−
−∞
t2 2
dt
entonces P[a
≤ X ≤ b] = P[(a − µ)/σ ≤ (X − µ)/σ ≤ (b − µ)/σ] = P[[(a − µ)/σ ≤ Z ≤ (b − µ)/σ] = Φ[(b − µ)/σ] − Φ [(a − µ)/σ] .
·
La funci´on Φ( ) est´a tabulada, luego, la probabilidad de un evento puede ser encontrada usando una tabla o una rutina computacional. Valores t´ıpicos para la funci´on Φ son los siguientes Φ(z ) z 0 0.5 1.645 0.95 1.96 0.975
MAT-043
7
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Algunas Propiedades 2
∼ N (µ, σ ).
Sea X 1.
E[X ]
= µ.
2.
V[X ]
= σ 2 .
3. X es sim´etrica con respecto a µ.
{
}
4. µ = argmaxx f X (x) .
± σ.
5. f X (x) tiene dos puntos de inflexi´on, x = µ 6. La variable Z =
X −µ σ
∼ N (0, 1)
7. Si µ = 0, entonces p
E[X
]=
0, σ p ( p
−
p impar 1)!!, p par
· ·
donde (n)!! denota el factorial impar. Por ejemplo 5!! = 1 3 5 = 15 6. Si µ = 0, entonces γ 1 = 0 (el sesgo es cero). 9. Si µ = 0, entonces γ 2 = 0 (curtosis es cero). 10. La funci´ on de distribuci´on de X no tiene una expresi´on anal´ıtica sencilla. x
F X (x) =
−∞
1 e 2πσ
√
−
(t−µ)2 2σ2
dt.
Observaci´ on 12. Recordemos que la funci´on de distribuci´ on de una variable aleatoria
·
denotamos por Φ( ) y est´a dada por z
Φ(z ) =
−∞
√ 12π e
−
t2 2σ2
N (0, 1) la
dt.
−
Esta funci´on ha sido evaluada para valores en el intervalo [ 3, 3] y puede ser encontrada en tablas. Tambi´ en existen rutinas computacionales que permiten una r´apida evaluaci´on de Φ( ).
·
∼ N (0, 1). Calcular
Ejemplo 5. Si Z a.
P[Z
b.
P[
3.
P[Z
< 1/2].
−1/2 < Z < 1/2]. > 5.2].
Soluci´ on. a.
P[Z
MAT-043
Tabla
< 1/2] = Φ(1/2) = 0.6915. 8
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
b.
−1/2 < Z < 1/2] = Φ(1/2) − Φ(−1/2)
P[
c. Claramente
P[Z
Profesor: Ronny Vallejos
Tabla
= 0.6915
− 0.3085 = 0.383.
> 5.2] = 0.
∼ N(1, 4), calcular P[1 ≤ X ≤ 3].
Ejemplo 6. Si X Soluci´ on. P[1
≤ X ≤ 3]
Est.
=
P
− 1
1
2
≤ 2− 1 ≤ 3 −2 1 X
= Φ(1)
− Φ(0)
Tabla
= 0.84134
− 0.5 = 0.34134.
Ejemplo 7. Los puntajes de la PSU parte matem´ atica pueden modelarse usando una variable
N (µ = 586, σ
aleatoria
2
= 702 ). Determine bajo este modelo
a. ¿Cu´ al es la probabilidad de obtener un puntaje superior a 800 puntos? b. ¿Qu´e porcenta je de estudiantes obtiene un puntaje mayor o igual a 600 puntos en matem´ atica? c. Si elegimos aquellos estudiantes que pertenecen al 5% de los mejores puntajes. ¿Cu´ a l es el
puntaje de corte? Soluci´ on. a. Sea X =puntaje en la PSU parte matem´atica. Supongamos que
∼ N (µ = 586, σ
X
2
= 702 ).
Entonces P[X
> 800] = P
X
− 586 > 800 − 586 70
70
b.
≥ 600] = 1 − P
P[X
Z<
− 586 ] = 1−P[Z < 3.06] −P[Z < 800 70
=1
600
− 586
70
=1
− P[Z < 0.2]
Tabla
= 0.0001.
Tabla
= 0.4207.
c. Sea c el punto de corte. Entonces planteamos la probabilidad P[X
> c] = 0.05 P[X c] = 0.95 c 586 = 0.95 P Z 70 c 586 Φ = 0.95 70 c 586 Tabla = 1.65 70 = c = 1.65 70 + 586 = 701.5.
⇐⇒ ≤ ⇐⇒ ≤ − ⇐⇒ − ⇐⇒ − ⇒ ×
MAT-043
9
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Ejemplo 8. Un fusible de 16 amperes se considera bueno cuando funciona en el rango de 14 a 17
amperes; se ha observado que un 5% de las veves que se fabrica un fusible se funde a 14 amperes y s´olo el 1% lo hace a 17 amperes. Calcular la probailidad de que al probar 10 fusibles a lo m´as 3 de ellos no est´en buenos. 2
∼ N (µ, σ ).
Soluci´ on. Sea X = intensidad a la cual un fusible se funde. Supongamos que X
Se sabe que
≥ 14] = 0.05
P[X P[X
> 17] = 0.01
De estas dos ecuaciones obtenemos que 14
− µ = 1.645
σ 17 µ = .99 σ De donde encontramos que µ = 6.742 y σ = 4.412. Luego,
−
2
∼ N (6.742; (4.412) ).
X
{ ≤ X ≤ 17}. Entonces 14 − µ −Φ P[A] = Φ σ
Sea el evento A = 14
− 14
µ
σ
= 0.99
− 0.95 = 0.04.
Esta es la probabilidad que un fusible est´e bueno. Ahora definamos la variable Y = n´umero de fusibles malos en una muestra sin reposici´on de tama˜ no 10 extra´ıda del total (100 fusibles). Sabemos que P[Ac ] = 0.96. Luego Y
∼ Hip(100, 96, 10)
Queremos calcular 3
P[Y
≤ 3] =
f Y (y)
y=0
Note que el recorrido de la distribuci´on hipergeom´etrica es el siguiente:
{
{ − (M − N )}, . . . , min{n, M }} = {6, . . . , 10}.
Rec(Y ) = max 0, n Por lo tanto P[Y
≤ 3] = 0.
Teorema de Cambio de Variables Teorema 7. Sea X una variable aleatoria continua con una funci´ on de densidad de probabilidad
dada por f X (x), x
∈ A. Sea
Y = g(X )
una funci´ on diferenciable y 1-1. Entonces la funci´ on de densidad de probabilidad de Y es: dg 1 (y) = f X (g (y)) f Y (y) I g(A) (x). dy 1
−
MAT-043
10
−
Mayo, 2014
Universidad T´ ecnica Federico Santa Mar´ ıa Departamento de Matem´atica
Profesor: Ronny Vallejos
Este teorema permite encontrar la densidad de funciones de variables aleatorias de nuestro inter´es.
∼ U [0, 1]. Consideremos Y = − ln(X ). Determine f (y), E[Y ] y V[Y ]. Note
Ejemplo 9. Sea X
que
Y
f X (x) = I [0,1] (x). Tambi´en note que g(X ) =
− ln(X ) es diferenciable y 1-1. Entonces dg 1 (y) y = dy −
1
g (y) = e −
y
−
y
−e
−
.
Por el teorema de transformaci´on tenemos que = f X (e y ) f Y (y) −
y
− e
−
I (0,+
) (y)
∞
= e y I (0,+ −
) (y).
∞
∼ Exp(1), entonces E[Y ] = 1 y V[Y ] = 1. Ejemplo 10. Sea X ∼ N(µ, σ ). Encuentre la densidad de la variable X − µ Z = . Claramente Y
2
σ
Esta es una funci´on lineal, por lo tanto es diferenciable y 1-1. Luego
||
f Z (z ) = f X (zσ + µ) σ I R (z ) =
∼ N (0, 1).
√ 12π e
z 2 /2
−
I R (z )
Luego Z
∼ Γ(1/2, 2). Considere la transformaci´on Y = √ X. Encuentre la funci´on de
Ejercicio 0.1. Sea X
densidad de la variable Y.
MAT-043
11
Mayo, 2014