Modelos Analticos de Fenmenos Aleatorios Continuos

3.1- definicin de variable aleatoria contina.

Una variable aleatoria continua es una funcin X que asigna a cada resultado posible de un experimento un nmero real. Si X puede asumir cualquier valor en algun intervalo I (el intervalo puede ser acotado o desacotado), se llama una variable aleatoria continua. Si puede asumir solo varios valores distintos, se llama una variable aleatoria discreta. Si X es una variable aleatoria, estamos frecuentemente interesado en la probabilidad de que X asume un valor en cualquier rango. Por ejemplo, si X el ltimo precio cotizado del las acciones de Conglomerado Colosal, y observamos que el precio est entre $10 y $20 60% del tiempo, diramos La probabilidad de que X tome un valor entre $10 y $20 es 0.6. Escribimos esta declaracin matemticamente como sigue: P(10 X 20)= 6 Podemos utilizar un grfico de barras, llamado un histograma de la distribucin de probabilidad, para ilustrar las probabilidades de que X se queda en rangos seleccionados

3.2.funcion densidad y acumulativa Funcin densidad

La funcin de distribucin acumulada es llamada tambin Distribucin de Probabilidad Acumulada, y se consiste en una lista de los posibles resultados de un experimento asociados a la probabilidad de que ocurra cada uno de ellos ms la probabilidad de que ocurran los anteriores.

Por ejemplo, en el experimento de lanzar un dado, la distribucin de probabilidad simple sera de la siguiente manera:

Resultados posibles (X i) 1 2 3 4 5 6 Total

Probabilidad del Resultado (X i) 1/6 = 0.166 1/6 = 0.166 1/6 = 0.166 1/6 = 0.166 1/6 = 0.166 1/6 = 0.166 6/6 = 1

La distribucin de probabilidad acumulada sera de la siguiente manera:

Resultados posibles (X i)

Probabilidad del Resultado (X i) 0 1/6 = 0.16 2/6 = 0.33 3/6 = 0.50 4/6 = 0.66 5/6 = 0.83 6/6 = 1.00

X<1 1X<2 2X<3 3X<4 4X<5 4X<5 6X

Las representaciones grficas de ambas distribuciones de probabilidad seran de la siguiente manera:

Valor esperado y varianza de una variable aleatoria discreta (VAD).

El valor esperado de una variable aleatoria discreta tambin es conocido como el valor promedio de largo plazo de la variable aleatoria o como la media de la distribucin de probabilidad. As, el valor esperado de la VAD es un promedio ponderado en el que los valores

posibles de la variable aleatoria se ponderan segn las probabilidades correspondientes de ocurrencia.

3.3. la media , varianza y desviacin standar

La media o valor esperado de una distribucin de probabilidad discreta se

calcula por medio de la siguiente frmula:

ME DIA O VALOR E SPE R ADO DE UNA DISTRIBUCIN DE PROBABILIDAD

= E ( X ) = [X P( X )]

Donde P ( X ) es la probabilidad de los valores posibles de la variable aleatoria X. En otras palabras, se multiplica cada valor de X por la probabilidad de que ocurra, y luego se suman estos productos.

Como se observ, la media es el valor tpico que se usa para resumir una distribucin de probabilidad discreta. Sin embargo no describe la cantidad de dispersin en una distribucin. La varianza lo hace. La frmula para calcular la varianza de una distribucin de probabilidad es:

VARIANZA DE UNA DISTRIBUCIN DE PROBABILIDAD

2 = [ (X ) 2 P( X )]

Los pasos a seguir para calcular la varianza se enumeran a continuacin son: restar la media a cada valor y elevar la diferencia al cuadrado, multiplicar el cuadrado de cada diferencia por su probabilidad y finalmente sumar los productos restantes para obtener la varianza.

Tomando el ejemplo de la distribucin de frecuencia de el nmero de soles en tres lanzamiento de una moneda, los clculos seran de la siguiente manera:

Nmero de soles (X i) 0 1 2 3 Total

Probabilidad del Resultado P (X i) 1/8 = 0.125 3/8 = 0.375 3/8 = 0.375 1/8 = 0.125 8/8 = 1.000

Clculo de la media = E ( X ) = [X P( X )]
= E ( X ) = 0 (0.125) + 1 (0.375) + 2 (0.375) + 3 (0.125) = E ( X ) = 1.5

Estos clculos se resumen en el cuadro siguiente:

Nmero de soles (X i) 0 1 2 3 Total

Probabilidad del Resultado P (X i) 0.125 0.375 0.375 0.125 1.000 E(X) =

X P( X ) 0.000 0.375 0.750 0.375

1.500

Clculo de la varianza

= [ (X ) P( X )]

Para mostrar los resumen:

clculos de la varianza se utilizar el siguiente cuadro

Probabilidad Nmero del de soles Resultado P (X i) (X i) 0 1 2 3 Total 0.125 0.375 0.375 0.125 1.000

(X )

(X )2

(X )2 P ( X )

0.125 1.5 0.375 1.5 0.375 1.5 0.125 1.5

1.890 1.265 1.265 1.890 2 =

0.236 0.474 0.474 0.236 1.421

Clculo de la Desviacin Estndar

Se debe recordar que la Desviacin Estndar es la raz cuadrada de la Varianza, por lo que el clculo se obtendra de la siguiente frmula:

DESVIACIN ESTNDAR DE UNA DISTRIBUCIN DE PROBABILIDAD

Funcin acumulativa
Variables Aleatorias Bidimensionales. Sea un experimento con espacio muestral asociado S, X1=X1(s), ..., Xn=Xn(s) X=X(s) y Y=(Ys) son dos funciones que asignan un nmero real a cada uno de los resultados s S , entonces, (X,Y) es la variable aleatoria bidimensional

- En el caso discreto, (X,Y) tiene valores posibles finitos o infinitamente numerables - En el caso continuo, (X,Y) puede tener todos los valores en un conjunto no numerable del plano Euclidiano

Sea (X,Y) una variable aleatoria bidimensional con cada resultado posible (xi,yj) asociamos un nmero p(xi,yj) que representa P(X=xi,Y=yj) que satisface

p( x i , y j ) 0 ( x , y)

p(x , y ) = 1
i j j=1 i =1

La funcin p definida para todo (xi,yj) en el recorrido de (X,Y) es la funcin de probabilidad de (X,Y) y la terna (xi,yj,p(xi,yj)) es la distribucin de probabilidad de (X,Y)

Sea (X,Y) una variable aleatoria continua que toma todos los valores de la regin R del plano Euclideo, la funcin de distribucin de probabilidad conjunta f es la funcin que satisface,

f ( x, y) 0 ( x, y) R

f (x, y)dxdy = 1
R

La funcin de distribucin acumulada de F de la variable aleatoria (X,Y) est definida

F( x , y ) = P ( X x , Y y )

Si F es la funcin de distribucin acumulada de una variable bidimensional con funcin de distribucin de probabilidad conjunta f, entonces 2 F( x , y) = f ( x , y) xy

Funcin de Distribucin Acumulativa. Sea X una variable aleatoria discreta o continua, F es la funcin de densidad acumulada de X, F( x ) = P (X x ) , si
Si X es variable aleatoria discreta,

F( x ) = p( x j ), x j x
j

Si X es variable aleatoria continua,

F( x ) = f (s)ds

F es no decreciente, por tanto, x 1 x 2 , entonces , F( x 1 ) F( x 2 )

Lim F( x ) = 0 Lim F( x ) = 1 x x +
Se cumple, tambin, f ( x ) =

d F( x ) con valores x1,x2,... y son x1<x2<x3<... dx

Sea F la funcin de distribucin acumulada, entonces

p ( x i ) = P (X = x i ) = F( x i ) F( x j1 )

3.4 . Distribucin uniforma y exponencial

Distribucin uniforme
Se dice que una v.a. X posee una distribucin uniforme en el intervalo [a,b],

si su funcin de densidad es la siguiente:

Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el valor de X este comprendido en cierto subintervalo de [a,b] depende nicamente de la longitud del mismo, no de su posicin. Cometiendo un pequeo abuso en el lenguaje, podemos decir que en una distribucin uniforme la probabilidad de todos los puntos del soporte es la misma. Teniendo en cuenta que si ,

la funcin de distribucin de

es:

Figura: Funcin de densidad y de distribucin de

Como esta distribucin es muy simple, vamos a calcular sus momentos ms usuales directamente a partir de la definicin. Resultando

Distribucin exponencial
La distribucin exponencial es el equivalente continuo de la distribucin geomtrica discreta. Esta ley de distribucin describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datacin de fsiles o cualquier materia orgnica mediante la tcnica del carbono 14, C14; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. , es tal que su funcin de

Concretando, si una v.a. continua X distribuida a lo largo de densidad es

se dice que sigue una distribucin exponencial de parmetro

Figura: Funcin de densidad, f, de una

Un clculo inmediato nos dice que si x>0,

luego la funcin de distribucin es:

Figura: Funcin de distribucin, F, de

, calculada como el rea que deja por debajo de s la funcin de densidad.

Integrando se obtiene que el valor esperado de la exponencial es E[X]=

. Asmismo

E[X2]=

Entonces la varianza vale

3.5. Distribucin normal

La distribucin normal es muy importante por lo siguiente:

Es la distribucin a la que se aproximan la mayora de los fenmenos fsicos, Qumicos, Bilogicos 2. 2. Se ha tomado como base en la inferencia estadstica paramtrica
1. 1. 3. 3.

Otras distribuciones bajo ciertas circunstancias se pueden aproximar a la normal Es la base para definir otras distribuciones de importancia tales como la Chi cuadrada, t de Student y F de Fisher.

4. 4.

CARACTERISTICAS DE LA DISTRIBUCION NORMAL

1. 1.

Forma Es una campana simtrica con respecto a su centro La curva tiene un solo pico; por tanto, es unimodal.

La media de una poblacin distribuida normalmente cae en el centro de su curva normal.

Debido a la simetra de la distribucin normal de probabilidad, la mediana y la moda de la distribucin se encuentran tambin en el centro; en consecuencia, para una curva normal, la media, la mediana y la moda tienen el mismo valor.

Los dos extremos de la distribucin normal de probabilidad se extienden indefinidamente y nunca tocan el eje horizontal

2. 2.

Parmetros Est caracterizada por dos parmetros

a).- Parmetro de localizacin: La media

b).- Parmetro de forma: La varianza

3. 3.

Funcin de densidad

Para determinar las reas bajo la curva de funcin de densidad normal se requiere integrar la ecuacin anterior, desafortunadamente no existe una solucin exacta para la integral, por lo que su evaluacin solamente puede obtenerse utilizando mtodos de aproximacin. Por esta razn, se aprovech la propiedad de transformacin de cualquier curva normal a la NORMAL ESTANDAR utilizando una nueva variable aleatoria Z llamada variable aleatoria normal estndar.

Si X ~ N ( , 2 ) entonces X puede transformarse en Z

AREAS BAJO LA CURVA NORMAL

2 No importa cules sean los valores de la y para una distribucin de probabilidad normal, el rea total bajo la curva es 1.00, de manera que podemos pensar en reas bajo la curva como si fueran probabilidades. Matemticamente es verdad que:

1. 1.Aproximadamente 68% de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 1 desviacin estndar de la media.

2. 2. Aproximadamente 95.5 % de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 2 desviacin estndar de la media. 3. 3. Aproximadamente 99.7 % de todos los valores de una poblacin normalmente distribuida se encuentra dentro de 3 desviacin estndar de la media.

3.5.1. Aproximacin de la binomial a la normal

Vamos a representar en un sistema de referencia distribuciones binomiales para distintos valores de n y p=0,3.

Queremos aproximar estas distribuciones a una distribucin normal estndar:

Se puede apreciar en los grficos anteriores como a medida que aumenta n mejora el parecido de las grficas de barras de las distribuciones binomiales (discretas) a la grfica de la distribucin normal estndar (continua), pero con el inconveniente de que se produce un desplazamiento hacia la derecha de la distribucin binomial a medida que aumenta n. Este inconveniente se evita, corrigiendo la variable aleatoria, Sj, restando la media (para corregir el desplazamiento) y dividiendo por la desviacin tpica(para ajustar la dispersin) :

A la nueva variable, xj le asignamos b(n,p,j). La representacin, para el caso, n = 270 y p=0,3 , del diagrama de barras de la binomial corregida y de la funcin de densidad de la distribucin normal estndar es :

Cuando n aumenta, la longitud de las barras disminuye, cosa lgica, porque la suma de las longitudes de todas las barras es 1 (funcin de probabilidad definida sobre una variable aleatoria discreta) ; mientras que el rea bajo la funcin de densidad (definida sobre una variable aleatoria continua) de la distribucin normal estandar, tambin es 1. Para ajustar ambas funciones, tendramos que conseguir que la suma de las reas de los rectngulos que forman el diagrama de barras fuera 1. Como la distancia entre las barras es constante y la suma de las alturas de todas las barras es 1, el rea bajo los rectngulos del diagrama de barras es igual a la distancia entre barras consecutivas. La distancia entre barras consecutivas es :

Por tanto, para que la suma de las reas de los ractngulos entre barras consecutivas sea 1, es suficiente multiplicar por la inversa de la distancia entre barras consecutivas ; es decir, a cada x j , le asignamos :

Si la representamos para el caso n=270 y p=0,3, junto con la funcin de densidad de la distribucin normal estndar, tenemos :

Como se puede apreciar en la grfica se ajustan bien ambas funciones. En resumen:

Aproximacin de la distribucin binomial por la normal Una dstribucin binomial B(n,p) se puede aproximar por una distribucin normal, siempre que n sea grande y p no est muy prxima a 0 o a 1. La aproximacin consiste en utilizar una distribucin normal con la misma media y desviacin tpica que la distribucin binomial.

En la practica se utiliza la aproximacin cuando :

En cuyo caso :

Y tipificando se obtiene la normal estndar correspondiente:

3.6. teorema de chebyshev

Dispersin: Desviacin Estndar Teorema de Chebyshev Cualquiera que sea la forma de la distribucin de los datos: al menos el 75% de los valores (poblacin) caern dentro de 2 desviaciones estndar respecto de la media de la distribucin: (X 2S) al menos el 89% de los valores (poblacin) caern dentro de 3 desviaciones estndar respecto de la media de la distribucin:
(X 3S)

Bibliografa
http://www.eumed.net/libros/2006a/rmss/a8.htm Devore, J.L. (2000). Probabilidad y Estadstica para Ingeniera y Ciencias, Quinta Edicin, Thomson Learning. Mendenhall, W. (1998). Estadstica para Administradores, Segunda Edicin, Grupo Editorial Iberoamrica. Montgomery, D.C. y Runger G.C. (1996). Probabilidad y Estadstica Aplicadas a la Ingeniera, Primera Edicin, Mc Graw Hill. Sheaffer, R. L. y McClave, J.T. (1990). Probabilidad y Estadstica para Ingeniera, Primera Edicin, Grupo Editorial Iberoamrica. Spiegel, M.R. (1970). Estadstica, Primera Edicin, Serie Schaum, Mc Graw Hill. Walpole, R. E., Myers, R.H., y Myers, S.L. (1998). Probabilidad y Estadstica para Ingenieros, Sexta Edicin, Prentice Hall. Weimer, R.C. (1996). Estadstica, Segunda Edicin, CECSA.

Ejercicios adicionales 1.- La siguiente tabla muestra la distribucin del residentes estadounidenses (16 aos de
edad o mayor) quienes asisten a cualquier colegio durante 1980, ordenada por edad: 15-19 20-24 25-29 30-34 35-? 2.7 4.8 1.9 1.2 1.8

Edad mero en 1980 (millones)

Fuente: 1980 Censo de Populacin, Departamento de Comercio/Oficina del Censo de EEUU.

Trace el histograma de la distribucin de probabilidad para X= la edad de un universitario elegido al azar.. 2.- Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribucin exponencial con media de 16 aos. Cul es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando correctamente 5 aos en un paciente, cul es la probabilidad de que haya que cambiarlo antes de aos? (distribucinuniforme)

3.- Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en aos est dado por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla = 5 . S 5 de estos componentes se instalan en diferentes sistemas, cul es la probabilidad de que al menos 2 continen funcionando despus de 8 aos?

4.- USO DE LA TABLA DE DISTRIBUCIN DE PROBABILIDAD NORMAL ESTNDAR