Variables aleatorias continuas y Teorema Central del Limite

Tamaño: px

Comenzar la demostración a partir de la página:

Download "Variables aleatorias continuas y Teorema Central del Limite"

Domingo Aguirre Gallego
hace 6 años
Vistas:

1 Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015

2 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R con f 0, tal que P(X C) = f (x) dx. Ejemplos: Uniforme: X U(a, b) Normal: X N (µ, σ) Exponencial: X E(λ). Otras: " distribuciones derivadas de la normal": χ 2, t-student. Otras: Gamma, Beta, Weibull, Cauchy, Laplacian, etc. C

3 Distribución uniforme Definición X se dice uniformemente distribuida en (a, b) si su función de densidad está dada por f (x) = 1 b a I (a,b)(x) = { 1 b a a < x < b 0 c.c. Función de distribución acumulada: 0 x a x a F (x) = b a a < x < b 1 x b E[X] = a + b 2. Var(X) = 1 12 (b a)2.

4 Gráficos f (x) = 1 0 x 3 2 I x 3 (3,5)(x) F(x) = 2 3 < x < 5 1 x 5

5 Maximo de uniformes Sean X 1, X 2,..., X n v.a. independientes con f.d.a. F 1, F 2,..., F n, y sea M = max {X 1, X 2,..., X n } 1 i n. Entonces n F M (t) = F i (t). Esto se prueba observando que en general si M es un maximo de variables independientes F M (x) = P(M x) = P(X 1 t,, X n t) = (F 1 (x)) (F n (t)) Si ademas X i U(a, b), entonces F M (t) = i=1 t n (b a) n I [a,b](t) + 1I (b, (t).

6 Distribución exponencial Definición Una v.a. X con función de densidad dada por f λ (x) = λ e λx, x > 0, para cierto λ > 0 se dice una v.a. exponencial con parámetro λ. E[X] = 1 λ Var(X) = 1 λ 2

7 Función de densidad

8 Propiedades Una variable aleatoria con distribución exponencial X E(λ) tiene F(x) = 1 exp( λx), x > 0. c > 0, c X E( 1 c λ). falta de memoria. P(X > s + t X > s) = P(X > t). Las variables exponenciales son las únicas v.a. continuas con falta de memoria. El análogo en el caso discreto son las v.a. geométricas.

9 Mínimo de exponenciales Sean X 1,, X n v.a. independientes con f.d.a. F 1,, F n, y sea m = min 1 i n {X 1, X 2,..., X n }. Entonces n F m (t) = (1 (1 F i (t))). i=1 Esto se prueba observando que en general si m es un minimo de variables independientes 1 F m (t) = P(m > t) = (1 F 1 (t)) (1 F n (t)). Si ademas X i E(λ i ), entonces 1 F m (x) = e λ 1x e λ 2x... e λnx = e ( i λ i ) x. Por lo cual m E( i λ i)

10 Distribución Normal Definición La v.a. X se dice normalmente distribuida con media µ y varianza σ 2 si su función de densidad de probabilidad está dada por f (x) = 1 2πσ e (x µ)2 /2σ 2, x R. µ R, σ > 0. Notación: X N(µ, σ). Distribución normal estándar: Z N(0, 1). f Z (x) = 1 2π e x 2 /2, x R.

11 Variando µ Máximo: x = µ 1 Valor Máximo: 2πσ 1 2π π 2 0.2

12 Variando σ

13 La desviación estándar P( X µ < σ) 68% P( X µ < 2σ) 95% P( X µ < 3σ) 99.7%

14 Distribución Normal estándar Φ(x) = P(Z x) = 1 2π x No existe una fórmula cerrada para Φ(x). Si X N(µ, σ), entonces X µ Z = N(0, 1). σ Si X N(µ, σ), ax + b N(aµ + b, a σ). e t 2 /2 dt. ( ) x µ P(X x) = Φ. σ

15 La función Φ(x) P(X 2) = P(Z 1) = Φ(1).

16 Valores de Φ(x) Para α (0, 1), z α es el número real tal que P(Z > z α ) = α. Los valores de Φ(z) están tabulados: Φ(z α ) = P(Z α) = 1 α Φ( z) = 1 Φ(z), por lo tanto es suficiente tabular para z 0, o z 0.

17 Tabla de Φ(z) Z N(0, 1) P(Z 1.51) = z

18 Valores usuales de z α α = 0.05 z α = 1.64 P( 1.64 Z 1.64) = 0.90

19 Valores usuales de z α α = z α = 1.96 P( 1.96 Z 1.96) = 0.95

20 Valores frecuentes de z α α = 0.01 z α = 2.33 P( 2.33 Z 2.33) = 0.98

21 Desigualdad de Chebyshev Lema (Desigualdad de Markov) Si X toma sólo valores no negativos y a > 0, entonces P(X a) E[X] a. Teorema (Desigualdad de Chebyshev) Si X es v.a. con media µ y varianza σ 2, entonces para k > 0 P( X µ kσ) 1 k 2.

22 Leyes de los grandes números Si X 1, X 2,..., X n,... son v.a. independientes e idénticamente distribuidas, con media µ: Ley débil de los grandes números: ( ) X 1 + X X n P µ n > ɛ 0 n. Ley fuerte de los grandes números: Con probabilidad 1 se cumple que: X 1 + X X n lim n n = µ.

23 LGN 100 número de caras número de cecas 0.7 frecuencia relativa=proporción de caras N=cantidad de tiradas N=cantidad de tiradas

24 Teorema Central del límite Teorema (Teorema Central del Límite) Sean X 1, X 2,..., variables aleatorias igualmente distribuidas, con media µ y varianza σ 2. Entonces lim P n ( X1 + X X n nµ σ n ) < x = Φ(x).

25 Muestra finita 5 51 intervalos 7 25 intervalos intervalos intervalos

26 Teorema Central del límite Ejemplo Supongamos que un programa suma números aproximando cada sumando al entero más próximo. Si todos los errores cometidos son independientes entre sí y están distribuidos uniformemente entre -0.5 y 0.5 y se suman 1500 números, A lo sumo cuántos números pueden sumarse juntos para que la magnitud del error total se mantenga menor que 10 con probabilidad 0.9?

27 Resolución Cada error cometido es una variable aleatoria ε k con distribución U[ 0.5, 0.5] E(ε k ) = [0.5 + ( 0.5)]/2 = 0 Var(ε k ) = (0.5 (0.5)) 2 /12 = 1/12 Definamos S n = n k=1 ε k, si deseamos encontrar el n más grande para el cual 0.9 = P( S n < 10) Usando el TCL [S 1500 ne(ε)]/ nvar(ε) N(0, 1) ( ) 10 ne(ε) P( S n < 10) = P S n ne(ε) 10 ne(ε) nvar(ε) nvar(ε) nvar(ε) = P 10 n 12 Z 10 n 12 = 1 2P Z 10 n 12

28 Resolución por lo cual y 10 n = 1 2P Z 10 n 12 = P Z 10 n 12 = 0.05 = Entonces, despejando resulta n = =

29 Teorema Central del límite Ejemplo Suponga que se tienen 100 lámparas de un cierto tipo, cuya duración puede modelarse como una variable exponencial de parámetro λ = Si la duración de cada lámpara es independiente de la duración de las otras, encuentre la probabilidad de que el promedio muestral T = (1/100)(T T 100 ) se encuentre entre 400 y 550 horas.

30 Resolución Como n es 100, podemos suponerlo suficientemente grande y aproximar la distribución del promedio por una normal. La esperanza y varianza de S n = T T n son E(S n ) = E(T T 100 ) = 100.E(T 1 ) = = Var(S n ) = Var(T T 100 ) = 100.Var(T 1 ) = P(400 (1/100)T 1 + +T ) = P(40000 T 1 + +T ) Φ(55000 E(S n )/ Var(S n )) Φ(40000 E(S n )/ Var(S n )) = Φ( /5000) Φ( /5000) = Φ(1) Φ( 2) = =

Documentos relacionados

Probabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid

Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X