Variables Aleatorias Continuas

Universidad T
ecnica Federico Santa Mara

Departamento de Matematica
Profesor: Ronny Vallejos
Variables Aleatorias Continuas Especiales

Distribuci
on Uniforme
Definici
on 1. Sea X una variable aleatoria continua que toma valores en el intervalo [a, b], donde
a, b son finitos. Si la funcion de densidad de probabilidad esta dada por
1
I[a,b] (x),
ba
fX (x) =
entonces diremos que X tiene una distribucion uniforme con parametros a y b y anotaremos
X U [a, b].
Teorema 1. Sea X U [a, b]. Entonces
1. FX (x) =
xa
I (x)
ba [a,b]
2. E[X] =
a+b
.
2
3. V[X] =
(ba)2
.
12
+ I]b,+[ (x).
Demostraci
on. Las demostracoines son el resultado de integracion directa.
1. Note que
Z x
Z x
dt
xa
fX (t)dt =
FX (x) =
=
, x b.
ba
a ba
Si x b entonces FX (x) = 1.
2.
Z
E[X] =
a
a+b
xdx
=
.
ba
2
3. Similarmente,
Z
V[X] =
a
x2 dx
ba
a+b
2
2
=
(b a)2
.
12
Observaci
on 1. Una variable aleatoria uniforme representa la analoga continua a los resultados
igualmente probables en el sentido siguiente: Para cualquier subintervalo [c, d] [a, b] donde
a c d b,
Z d
dx
dc
P[c X d] =
=
.
ba
c ba
Esta probabilidad solo depende de la distancia entre c y d. Luego cualquier intervalo de longitud
d c dentro del intervalo [a, b] tiene asociada la misma probabilidad.
Observaci
on 2. Podemos entonces en virtud de la observacion anterior, decir que si elegimos
un punto al azar proveniente de una poblacion uniforme, todos los puntos del intervalo tienen la
misma chance de ser elegidos.
MAT-043
Mayo, 2014
Universidad T
Ejemplo 1. Un punto se elige al azar sobre el segmento de lnea [0, 2]. Cual 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
Z
P[1 X 3/2] =
1
3/2
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 funcion de distribucion acumulada dada por:
0 x < 0
FX (x) = x 0 x 1
1 x 1.
a. Cual es la probabilidad de que el espectador sintonice la mayor parte del programa?
b. Si el espectador sintonizo la mayor parte del programa, Cual 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 > 1/2] = 1 P[X 1/2] = 1 FX (1/2) = 1/2.
b. Nos piden
P[5/6 X 1/X > 1/2] =
1/6
1
P[5/6 X 1]
=
= .
P[X > 1/2]
1/2
3
Una aplicacion muy importante de la distribucion uniforme es la generacion de n

umeros aleatorios. Los algoritmos congruenciales para la generacion de n
umeros pseudoaleatorios son una herramienta bastante popular.
Definici
on 2. Un generador congruencial se define como
Xi = (aXi1 + c) mod M,
donde a, c y M son constantes en Z y X0 se llama semilla (seed) y se us para inicializar el algoritmo.
La sucesion generada pertenece al rango {0, 1, 2, . . . , M 1}. Luego calculamos
Ui =
Xi
.
M
La secuencia de variables {Ui } proviene de una distribucion U [0, 1].

Observaci
on 3. La eleccion apropiada de las constantes a, c y M determinan el perodo de la
secuencia. Se desea que el perodo sea grande para que los n
umeros no se repitan.
MAT-043
Mayo, 2014
Universidad T
Observaci
on 4. Si c = 0, el generador
Xi = aXi1 mod M
se llama generador congruencial multiplicativo.
Ejemplo 3. Considere el generador congruencial definido como
Xi = (5Xi1 + 3) mod 16, X0 = 7,
Xi
.
Ui =
16
Obtenga los 5 primeros n
umeros de la secuencia {Ui }.
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,
= X1 = (5X0 + 3) mod 16 = 38 mod 16 = 6.
= U1 = 6/16 = 0.3750.
= X2 = (5 6 + 3) mod 16 = 33 mod 16 = 1.
= U2 = 1/16 = 0.0625.
Siguiendo este esquema, obtenemos finalmente
U3
U4
U5
U6
= 0.50,
= 0.06875,
= 0.6250,
= 0.3125.
Observaci
on 5. El generador RANDU (IBM) es un generador congruencial multiplicativo definido
por:
Xi+1 = 65539 mod 231 ,
Xi
Ui+1 = 31 .
2
Este generador ha sido implementado en algunos programas computacionales como Matlab y R.
MAT-043
Mayo, 2014
Universidad T
Observaci
on 6. En Matlab el comando rand(m, n) genera una matriz de dimension m n con
n
umeros pseudoaleatorios U 0, 1]. Por ejemplo, el comando
X=rand(100,1)
hist(X)
genera 100 n
umeros pseudoaleatorios U [0, 1]. Un histograma puede ser usado para chequear visualmente si la distribucion 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 codigo en R produce la figura que se muestra a continuacion:
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 Y
Histogram of Z
400
40
300
Frequency
30
Frequency
0.0
0.2
0.4
0.6
n=100
MAT-043
0.8
1.0
10
100
20
200
Frequency
10
12
500
50
14
Histogram of X
0.0
0.2
0.4
0.6
n=500
0.8
1.0
0.0
0.2
0.4
0.6
0.8
1.0
n=10000
Mayo, 2014
Universidad T
Distribuci
on Gama, Exponencial y Normal
Definici
on 3. Sea X una variable aleatoria continua que toma valores en el intervalo [0, +[. Si
la funcion de densidad de probabilidad esta dada por
fX (x) =
x1 ex/
I[0,+[ (x), > 0, > 0,
()
entonces diremos que X tiene una distribucion gama con parametros y y anotaremos X
(, ).
La distribucion gamma es muy flexible en cuanto a su forma. Los parametros y dan cuenta
de esta propiedad.
Teorema 2. Sea X (, ). Entonces
R x 1 et/
on analtica sencilla)
1. FX (x) = 0 t ()
dt (No existe una representaci
2. E[X] = .
3. V[X] = 2 .
Demostraci
on. Las demostraciones son el resultado de integracion directa usando el hecho que
Z
x1 ex/ dx = () .
0
Observaci
on 9. Podemos recordar algunas propiedades de la funcion gama que son u
tiles en el
calculo de momentos asociados a esta distribucion.
1. ( + 1) = ().
2. Si n N, entonces (n) = (n 1)!.
3. ( 21 ) = .
Teorema 3. Sea X (, ), entonces
E[X ] =
( + )
.
()
Definici
on 4. Sea X una variable aleatoria con distribucion ( = 1, ). Entonces se dice que
X tiene una distribucion exponencial con parametro . Es claro que la funcion de densidad de
probabilidad de la distribucion exponencial es
fX (x) =
1 x/
e
, x 0, > 0.
Algunas consecuencias inmediatas del Teorema 1 son establecidas en el siguiente resultado.

Teorema 4. Sea X Exp(). Entonces
MAT-043
Mayo, 2014
Universidad T
1. E[X] = .
2 V[X] = 2 .
3. FX (x) = 1 ex/ .
Teorema 5. (Perdida de Memoria de la Distribucion Exponencial)
Sea X Exp(). Entonces para todo s, t R+ tal que t < s se tiene
P[X > s/X > t] = P[X > s t].
Demostraci
on.
P[X > s/X > t] =
P[X > s X > t]

P[X > s]
=
= e(st)/ = P[X > s t].
P[X > t]
P[X > t]
Ejemplo 4. Supongamos que la duracion en horas de una batera es una variable aleatoria exponencial con parametro = 50.
a. Cual es la probabilidad de que una batera dure menos de 200 horas si se sabe que la batera
funciona mas de 100 horas?
b. Cual es la probabilidad de que de un grupo de 8 bateras dos deban reponerse antes de 150
horas?
Soluci
on.
a. Definimos la variable X = tiempo de duracion de la bateria. Entonces X Exp( = 50).
Luego nos interesa la probabilidad
P[X < 200/X > 100] =
e2 e4
P[100 < X < 200]
=
.
P[X > 100]
e2
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 e3 = 0.95.
Luego bajo independencia asumimos que Y Bin(n = 8, p = 0.95). Entonces nos piden

8
P[Y = 2] =
0.952 0.056 = 3.94 107 .
2
Recordemos que una distribucion muy usada en ingeniera es la distribucion de Poisson. Una
relacion entre la distribucion de Poisson y la distribucion 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) P oisson(t), entonces T Exp().
MAT-043
Mayo, 2014
Universidad T
Definici
on 5. Sea X una variable aleatoria continua con funcion de densidad dada por
fX (x) =
(x)2
1
e 22 IR (x),
2
entonces diremos que X tiene una distribucion normal con parametros y 2 . Anotaremos X
N (, 2 ).
Observaci
on 10. En el caso particular en que = 0 y = 1, la variable aleatoria X se llama
variable aleatoria normal (Gausiana) estandar. Note que la densidad de una distribucion N (0, 1)
esta dada por
x2
1
fX (x) = e 2 IR (x).
2
na la densidad normal puede

Observaci
on 11. La derivacion de la constante 1/ 2 que acompa
obtenerse va integracion directa usando una integral doble, un cambio a coordenadas polares y
las propiedades de la funcion gama.
El siguiente resultado establece la relacion entre una variable N (, 2 ) y una variable N (0, 1).
Teorema 6. Sea X N (, 2 ). Entonces
Z=
X
N (0, 1).
Demostraci
on. La demostracion de este resultado requiere el teorema de transformacion, el cual
veremos mas adelante en este curso.
Este resultado permite calcular las probabilidades de la distribucion normal usando una tabla
para la distribucion normal estandar. Si definimos la funcion de distribucion acumulada de la
distribucion normal estandar como sigue:
Z z
t2
1
e 2 dt
(z) =
2
entonces
P[a X b] = P[(a )/ (X )/ (b )/]
= P[[(a )/ Z (b )/]
= [(b )/] [(a )/] .
La funcion () esta tabulada, luego, la probabilidad de un evento puede ser encontrada usando
una tabla o una rutina computacional. Valores tpicos para la funcion son los siguientes
z
(z)
0
0.5
1.645 0.95
1.96 0.975
MAT-043
Mayo, 2014
Universidad T
Algunas Propiedades
Sea X N (, 2 ).
1. E[X] = .
2. V[X] = 2 .
3. X es simetrica con respecto a .
4. = argmaxx {fX (x)}.
5. fX (x) tiene dos puntos de inflexion, x = .
6. La variable Z =
N (0, 1)
7. Si = 0, entonces
(
0,
p impar
E[X p ] =
p
(p 1)!!, p par
donde (n)!! denota el factorial impar. Por ejemplo 5!! = 1 3 5 = 15
6. Si = 0, entonces 1 = 0 (el sesgo es cero).
9. Si = 0, entonces 2 = 0 (curtosis es cero).
10. La funcion de distribucion de X no tiene una expresion analtica sencilla.
Z x
(t)2
1
FX (x) =
e 22 dt.
2
Observaci
on 12. Recordemos que la funcion de distribucion de una variable aleatoria N (0, 1) la
denotamos por () y esta dada por
Z z
t2
1
e 22 dt.
(z) =
2
Esta funcion ha sido evaluada para valores en el intervalo [3, 3] y puede ser encontrada en tablas.
Tambien existen rutinas computacionales que permiten una rapida evaluacion de ().
Ejemplo 5. Si Z N (0, 1). Calcular
a. P[Z < 1/2].
b. P[1/2 < Z < 1/2].
3. P[Z > 5.2].
Soluci
on.
T abla
a. P[Z < 1/2] = (1/2) = 0.6915.

MAT-043
Mayo, 2014
Universidad T
T abla
b. P[1/2 < Z < 1/2] = (1/2) (1/2) = 0.6915 0.3085 = 0.383.

c. Claramente P[Z > 5.2] = 0.
Ejemplo 6. Si X N(1, 4), calcular P[1 X 3].
Soluci
on.

11
X 1
31
T abla
P[1 X 3] = P
= (1) (0) = 0.84134 0.5 = 0.34134.

2
2
2
Est.
Ejemplo 7. Los puntajes de la PSU parte matematica pueden modelarse usando una variable
aleatoria N ( = 586, 2 = 702 ). Determine bajo este modelo
a. Cual es la probabilidad de obtener un puntaje superior a 800 puntos?
b. Que porcentaje de estudiantes obtiene un puntaje mayor o igual a 600 puntos en matematica?
c. Si elegimos aquellos estudiantes que pertenecen al 5% de los mejores puntajes. Cual es el
puntaje de corte?
Soluci
on.
a. Sea X =puntaje en la PSU parte matematica. Supongamos que
X N ( = 586, 2 = 702 ).
Entonces

X 586
800 586
800 586
T abla
>
] = 1P[Z < 3.06] = 0.0001.
P[X > 800] = P
= 1P[Z <
70
70
70
b.

600 586
T abla
P[X 600] = 1 P Z <
= 1 P[Z < 0.2] = 0.4207.
70
c. Sea c el punto de corte. Entonces planteamos la probabilidad

P[X > c] = 0.05
P[X c] = 0.95

c 586
P Z
= 0.95
70

c 586
= 0.95
70
c 586 T abla
= 1.65
70
=c = 1.65 70 + 586 = 701.5.
MAT-043
Mayo, 2014
Universidad T
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 solo el 1% lo hace a 17 amperes. Calcular la probailidad de que al probar 10 fusibles a lo mas 3
de ellos no esten buenos.
Soluci
on. Sea X = intensidad a la cual un fusible se funde. Supongamos que X N (, 2 ).
Se sabe que
P[X 14] = 0.05
P[X > 17] = 0.01
De estas dos ecuaciones obtenemos que
14
= 1.645
17
= .99
De donde encontramos que = 6.742 y = 4.412. Luego,

X N (6.742; (4.412)2 ).
Sea el evento A = {14 X 17}. Entonces

14
14
P[A] =
= 0.99 0.95 = 0.04.
Esta es la probabilidad que un fusible este bueno.

Ahora definamos la variable Y = n
umero de fusibles malos en una muestra sin reposicion de
tama
no 10 extrada del total (100 fusibles). Sabemos que P[Ac ] = 0.96. Luego
Y Hip(100, 96, 10)
Queremos calcular
P[Y 3] =
3
X
fY (y)
y=0
Note que el recorrido de la distribucion hipergeometrica es el siguiente:

Rec(Y ) = {max{0, n (M N )}, . . . , min{n, M }} = {6, . . . , 10}.
Por lo tanto P[Y 3] = 0.
Teorema de Cambio de Variables

Teorema 7. Sea X una variable aleatoria continua con una funcion de densidad de probabilidad
dada por fX (x), x A. Sea
Y = g(X)
una funcion diferenciable y 1-1. Entonces la funcion de densidad de probabilidad de Y es:
1
dg (y)
1
Ig(A) (x).
fY (y) = fX (g (y))
dy
MAT-043
10
Mayo, 2014
Universidad T
Este teorema permite encontrar la densidad de funciones de variables aleatorias de nuestro

interes.
Ejemplo 9. Sea X U [0, 1]. Consideremos Y = ln(X). Determine fY (y), E[Y ] y V[Y ]. Note
que
fX (x) = I[0,1] (x).
Tambien note que g(X) = ln(X) es diferenciable y 1-1. Entonces
g 1 (y) = ey y
dg 1 (y)
= ey .
dy
Por el teorema de transformacion tenemos que

fY (y) = fX (ey ) ey I(0,+) (y) = ey I(0,+) (y).
Claramente Y Exp(1), entonces E[Y ] = 1 y V[Y ] = 1.
Ejemplo 10. Sea X N(, 2 ). Encuentre la densidad de la variable
Z=
X
.
Esta es una funcion lineal, por lo tanto es diferenciable y 1-1. Luego

1
2
fZ (z) = fX (z + ) || IR (z) = ez /2 IR (z)
2
Luego Z N (0, 1).
Ejercicio 0.1. Sea X (1/2, 2). Considere la transformacion Y =
densidad de la variable Y.
MAT-043
11
X. Encuentre la funcion de
Mayo, 2014

Variables Aleatorias Continuas

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Variables Aleatorias Continuas

Caricato da

Copyright:

Formati disponibili

Universidad T

ecnica Federico Santa Mara

Profesor: Ronny Vallejos