You are on page 1of 38

EYP1113 - Probabilidad y Estadı́stica

Capı́tulo 4: Funciones de Variables Aleatorias

Ricardo Aravena C. Ricardo Olea O.

Departamento de Estadı́stica
Pontificia Universidad Católica de Chile

Segundo Semestre 2014

Probability Concepts in Engineering
Alfredo H-S. Ang† and Wilson H. Tang‡
† University of Illinois at Urbana-Champaing and University of California, Irvine

‡ Hong Kong University of Science & Technology

Aravena - Olea (PUC) Probabilidad y Estadı́stica 2014 - 02 1 / 38

Contenido I

1 Introducción

2 Derivación de Distribuciones de Probabilidad
Funciones de Variables Aleatorias
Funciones de Multiples Variables Aleatorias
Distribución de Valores Extremos

3 Momentos de funciones de Variables Aleatorias
Esperanza matemática de una función
Media y Varianza de una función general

Aravena - Olea (PUC) Probabilidad y Estadı́stica 2014 - 02 2 / 38

Introducción

Introducción

En el área de la ingenierı́a los problemas, a menudo, involucran la
determinación de relaciones funcionales entre una variable dependiente y
dos o más variables independientes.
Si una de las variables independientes o más son aleatorias, la variable
dependiente será aleatoria.
Por tanto, su distribución de probabilidades y momentos (media, varianza)
deben ser obtenidas a partir de la o las variables aleatorias básicas.

Aravena - Olea (PUC) Probabilidad y Estadı́stica 2014 - 02 3 / 38

corresponde a una relación funcional entre la carga P y el módulo de la elasticidad E de la barra.Olea (PUC) Probabilidad y Estadı́stica 2014 .02 4 / 38 . de una barra de acero de largo L sometida a una carga P . P y E son variables aleatorias con sus correspondientes fP (p) y fE (e). Aravena . dada por: P L3 D= 3E I donde I es el momento de la inercia. la deflexión D también es una variable aleatoria con fD (d). la cual debe ser obtenida a partir de las funciones de P y E. Claramente. D. Introducción Introducción Ejemplo La deflexión (desviación).

entonces X = g −1 (y) donde g −1 es la función inversa de g. En el caso que g −1 tenga raı́z única. la nueva variable aleatoria también lo será. donde P (Y = y) = P X = g −1 (y)   Esto implica.02 5 / 38 . entonces en el caso que X sea una variable aleatoria discreta. Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Considere una función de una variable aleatoria X. Y = g(X) Si Y = y. que la función de probabilidad de Y es pY (y) = pX g −1 (y)   (1) Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .

Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias La función de distribución de probabilidad acumulada de Y esta dada por  P X ≤ g −1 (y) si g(·) es creciente    FY (y) = P (Y ≤ y) = P X ≥ g −1 (y) si g(·) es decreciente    Cuando y crece con x se tiene que: Caso discreto X FY (y) = pX (x) x≤g −1 (y) Caso continuo Z Z g−1 (y) FY (y) = fX (x) dx = fX (x) dx x≤g −1 (y) −∞ Z y    −1  d −1 = fX g (v) · g (v) dv −∞ dv Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .02 6 / 38 .

entonces   d −1 g (y) > 0 dy En el caso que g(·) sea decreciente. Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Luego.02 7 / 38 . la función de de densidad de Y   d  −1  d −1 fY (y) = FY (y) = fX g (y) · g (y) dy dy Como g(·) es creciente. entonces FY (y) = 1 − FX g −1 (y)   Luego   d d −1 FY (y) = −fX g −1 (y) ·   fY (y) = g (y) dy dy Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .

Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias con   d −1 g (y) < 0 dy Por lo tanto .

.

 −1  .

d −1 .

fY (y) = fX g (y) · .

g (y).

.

.

02 8 / 38 .Olea (PUC) Probabilidad y Estadı́stica 2014 . dy Aravena .

Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4. Considere la posibilidad de una viga de longitud L que se somete a una carga F aplicada en el extremo libre de la viga como se muestra en la figura: Aravena .1 Comencemos por ilustrar la transformación de una distribución discreta como se indica en la ecuación (1).Olea (PUC) Probabilidad y Estadı́stica 2014 .02 9 / 38 .

1 Supongamos que la carga F se compone de una serie de cajas de un mismo pesos y el número de cajas x cargadas en la viga varı́a de 0 a n. entonces. Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4. Si una caja es cargada con probabilidad p.   n x pF (x) = P (F = x) = p (1 − p)n−x x Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .02 10 / 38 .

02 11 / 38 .Olea (PUC) Probabilidad y Estadı́stica 2014 . la función de probabilidad del momento M es:   n pM (m) = P (X = m/L) = pL/m (1 − p)n−L/m m/L Aravena . el momento de flexion en el empotramiento de la viga esta dado por: m m=L·x⇒x= L Luego. Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4.1 Bajo una carga de x cajas.

Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4. σ Ejemplo 4.2 Sea X ∼ Normal(µ.3 Sea X ∼ Log-Normal(λ. Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 . Determine la distribución de Y = ln X. X −µ Determine la distribución de Y = . σ). ζ).02 12 / 38 .

. entonces k X pX gi−1 (y)   pY (y) = i=1 Si X es continua. . entonces k . g −1 (y) = x1 . es decir. xk . Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Cuando g −1 (y) no tiene solución única. Entonces k [ (Y = y) = (X = xi ) i=1 Si X es discreta. . . x2 .

.

X  −1  .

d −1 .

fY (y) = fX gi (y) · .

.

gi (y).

.

02 13 / 38 . dy i=1 Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .

L: Largo de la barra.02 14 / 38 . Determina la función densidad de U . Aravena .4 La energı́a de deformación en una barra elástica sometido a una fuerza axial S está dada por la ecuación: L U= S2 2AE Donde. Si S ∼ Log-Normal con parámetros λ y ζ. A: Área de sección transversal de la barra.Olea (PUC) Probabilidad y Estadı́stica 2014 . E: Módulo de elasticidad del material. Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4.

5 Suponga ahora que S ∼ Normal(0. Determine la densidad de U . 1). Aravena . Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Variables Aleatorias Ejemplo 4.02 15 / 38 .Olea (PUC) Probabilidad y Estadı́stica 2014 .

02 16 / 38 . Y ) donde X e Y son variables aleatorias. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias En el caso que una variable dependa de otras dos o más variables aleatorias.Olea (PUC) Probabilidad y Estadı́stica 2014 . Considere el caso Z = g(X. Aravena . ésta también es una variable aleatoria y por tanto su distribución de probabilidad puede ser obtenida a partir de ellas.

Y ) = z} [ = {X = x. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Si X e Y son discretas. y) g(x.Y (x.02 17 / 38 . se tiene {Z = z} = {g(X.y)=z Aravena . Y = y} g(x.y)=z y su función de probabilidad esta dada por X pZ (z) = pX.Olea (PUC) Probabilidad y Estadı́stica 2014 .

Cambiando la variable de integración de x a z. y) dx dy g(x.Y (x. y). se tiene Z ∞Z z .y)≤z Z ∞ Z g −1 = fX. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Si X e Y son continuas.Y (x. la función de distribución de probabilidad acumulada de Z esta dada por ZZ FZ (z) = fX. y) dx dy −∞ −∞ donde g −1 = g −1 (z.

.

−1 .

∂ −1 .

y) . FZ (z) = fX.Y (g .

g .

.

du dy .

−∞ −∞ ∂u Aravena .Olea (PUC) Probabilidad y Estadı́stica 2014 .02 18 / 38 .

obtenemos la función de de densidad de Z. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias derivando con respecto a z. la cual resulta ser: Z ∞ .

.

−1 .

∂ −1 .

fZ (z) = fX.Y (g . y) .

g .

.

dy .

es decir. −∞ ∂z Alternativamente. g −1 = g −1 (x. z). se tiene que la función de densidad de Z esta dada por: Z ∞ . si consideramos la inversa con respecto a y.

.

−1 .

∂ −1 .

.

.

fZ (z) = fX. g ) .Y (x.

g .

Olea (PUC) Probabilidad y Estadı́stica 2014 .02 19 / 38 . dx −∞ ∂z Aravena .

Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Suma de Variables Aleatorias Discretas Considere la suma de dos variables aleatorias discretas. y) = pX. la función de probabilidad de Z esta dada por: X X pZ (z) = pX.Y (x.Olea (PUC) Probabilidad y Estadı́stica 2014 . z − x) x+y=z x∈ΘX Si X e Y son independientes. Aravena . En este caso. mostrar que la distribución de Z = X + Y es Poisson(ν + µ).02 20 / 38 . entonces pX.Y (x. Z = X + Y .Y = pX (x) · pY (y) Ejercicio: Si X e Y son variables aleatorias independientes con distribución de Poisson con parámetros ν y µ.

7 Tres distritos residenciales A. el tráfico promedio estimado de vehı́culos que sale desde los tres distritos son 2. 3.Olea (PUC) Probabilidad y Estadı́stica 2014 . Durante las horas pick. ¿Cuál es la probabilidad que en un minuto de hora pick crucen por el puente más de nueve vehı́culos proveniente desde los distritos? Aravena . B y C están conectados como muestra la figura. y 4 vehı́culos por minuto respectivamente. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Ejemplo 4.02 21 / 38 .

En este caso. Aravena . la función de densidad de Z esta dada por Z ∞ Z ∞ fZ (z) = fX. entonces la distribución de Z = X + Y también es una variable aleatoria cuya distribución es Normal. y) dy o fZ (z) = fX. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Suma de Variables Aleatorias Continuas Considere la suma de dos variables aleatorias continuas.02 22 / 38 . Z = X + Y .Olea (PUC) Probabilidad y Estadı́stica 2014 .Y = fX (x) · fY (y) Ejercicio: Si X e Y son variables aleatorias con distribución Normal.Y (x.Y (z − y. entonces fX. z − x) dx −∞ −∞ Si X e Y son independientes.

1). La velocidad de la masa con respecto a los ejes X e Y implican una velocidad Z = (X 2 + Y 2 )1/2 Suponiendo que X e Y son variables aleatorias independientes con distribución Normal(0.02 23 / 38 . Cuando un temblor ocurra el edificio vibrará sobre su posición original.Olea (PUC) Probabilidad y Estadı́stica 2014 . determine la distribución de la energı́a cinética de la masa definida como W = m Z 2 .8 La figura muestra un edificio que concentra una masa m a nivel del techo. Aravena . Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Ejemplo 4.

Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Producto y cociente de variables aleatorias continuas Sea Z = XY . se tiene que la función de densidad de Z esta dada por Z ∞. ∂∂ xz = y1 . entonces x = z/y por tanto. aplicando el resultado anterior.

.

.

1.

fZ (z) = .

.

fX. y) dy −∞ y .Y (z/y.

.

la función de densidad de Z esta dada por Z ∞ fZ (z) = |y| fX.Olea (PUC) Probabilidad y Estadı́stica 2014 .02 24 / 38 . En términos similares.Y (zy. y) dy −∞ Aravena . si Z = X/Y .

v. F y E son estadı́sticamente independientes con distribución Log-Normal Variable Mediana c.Olea (PUC) Probabilidad y Estadı́stica 2014 .5% Determine la probabilidad que el costo anual del funcionamiento de la planta de tratamiento de residuos se superior a $35.0% E 1. W 2000 tons/yr 20.0% F $20 per ton 15.6 12.02 25 / 38 .o. Aravena .13 El costo anula de operación de una planta de tratamiento de residuos es función del peso W de los residuos sólidos.000. el factor de costo unitario F y el coeficiente de eficacia E de la siguiente manera: WF C= √ E donde W . Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Ejemplo 4.

donde ninguna es dominante. . .Xn . entonces n   1X · σ Xi ∼ Normal µ. si una sucesión de variables aleatorias independientes con idéntica distribución X1 . Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Teorema Central de Limite Sin perdida de generalidad. el teorema dice que la suma de un gran numero de variables aleatorias. tiende a la distribución normal cuando en numero de variables aleatorias se incrementa. con E(Xi ) = µ y Var(Xi ) = σ 2 .Olea (PUC) Probabilidad y Estadı́stica 2014 . . √ n n i=1 Aravena .02 26 / 38 .. En otras palabras.

. para i = 1. . . n 1 X Sn = √ Xi → S ∼ Normal(0. .Olea (PUC) Probabilidad y Estadı́stica 2014 .02 27 / 38 . 1) n i=1 cuando n tiende a infinito.. Aravena . 2 De acuerdo al teorema. Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Derivación de Distribuciones de Probabilidad Funciones de Multiples Variables Aleatorias Por ejemplo considere una secuencia de variables aleatorias discretas X1 . Xn independientes con función de probabilidad 1 P (Xi = −1) = P (Xi = +1) = . . .n. .

consideramos el mayor y menor valor de una muestra de tamaño n de una distribución conocido. Por ejemplo: Nivel máximo y/o mı́nimo del flujo de un rı́o en los últimos 25 años. Derivación de Distribuciones de Probabilidad Distribución de Valores Extremos Derivación de Distribuciones de Probabilidad Distribución de Valores Extremos Los extremos (mı́nimo y máximo) de un fenómeno a menudo son de especial interés e importancia en ingenierı́a. Intensidad máxima de un terremoto en los últimos 50 años. nos interesa determinar su distribución exacta o asintótica.Olea (PUC) Probabilidad y Estadı́stica 2014 . Aravena .02 28 / 38 . Cuando hablemos de valores extremos. Por tanto.

.. . . . . Xn de esta distribución. . Xn }.Olea (PUC) Probabilidad y Estadı́stica 2014 . se definen: Yn = max{X1 .02 29 / 38 . Para una muestra X1 . . . Derivación de Distribuciones de Probabilidad Distribución de Valores Extremos Derivación de Distribuciones de Probabilidad Distribución de Valores Extremos Distribuciones exactas Considere una variable aleatoria X con función de densidad fX (x) o de distribución acumulada FX (x). . Xn } La función de densidad del Yn esta dada por: fYn = n [FX (y)]n−1 fX (y) Mientras que la función de densidad de Y1 corresponde a: fY1 = n [1 − FX (y)]n−1 fX (y) Aravena . Y1 = min{X1 . . .

Momentos de funciones de Variables Aleatorias Momentos de funciones de Variables Aleatorias Ya vimos como obtener funciones de una o más variables aleatorias. Por ejemplo. funciones lineales de variables normales es normal. Sin embargo. o bien. o una aproximación de éstos.Olea (PUC) Probabilidad y Estadı́stica 2014 .02 30 / 38 . algunas distribuciones de funciones pueden ser difı́cil de obtener analı́ticamente (y hasta imposible). Estos momentos están relacionados con los momentos de las variables originales. Aravena . es necesario disponer de métodos que permitan obtener algunos momentos (media y varianza). Por tanto. producto o cociente de log-normales es log-normal.

xn ) fX1 . se sustituyen las integrales por sumas y la función de densidad por función de distribución de probabilidad (puntual). . .Xn (x1 .. Xn ).02 31 / 38 . .. . ..Olea (PUC) Probabilidad y Estadı́stica 2014 . . xn ) dxn · · · dx1 −∞ −∞ en el caso de variables aleatorias discretas. Aravena . Momentos de funciones de Variables Aleatorias Esperanza matemática de una función Momentos de funciones de Variables Aleatorias Esperanza matemática de una función El valor esperado de una función de variables aleatorias se denomina esperanza matemática. . . . . . entonces la esperanza de Z puede ser obtenida como sigue: Z ∞ Z ∞ E(Z) = · g(x1 .. Si Z = g(X1 . .

b0 + bj · Yj  = ai ·bj ·Cov (Xi . . Ym variables aleatorias y a0 . Muestre que n n ! X X E a0 + ai · Xi = ai · E(Xi ). . b1 . Y2 .02 32 / 38 . Yj ). . i=1 i=1   n X m X n X X m Cov a0 + ai · Xi . . Xn . i=1 j=1 i=1 j=1 Aravena . . X2 . Momentos de funciones de Variables Aleatorias Esperanza matemática de una función Momentos de funciones de Variables Aleatorias Esperanza matemática de una función Ejercicio Sean X1 .Olea (PUC) Probabilidad y Estadı́stica 2014 . . . . . . . Y1 . . . b0 . . a1 . . an . . bm constantes conocidas.

.02 33 / 38 . . i=1 i=1 j=1 Si X1 .Olea (PUC) Probabilidad y Estadı́stica 2014 . . Momentos de funciones de Variables Aleatorias Esperanza matemática de una función Momentos de funciones de Variables Aleatorias Esperanza matemática de una función Ejercicio (Cont. entonces n n ! X X Var a0 + ai · Xi = a2i · Var (Xi ) i=1 i=1 Aravena . Xj ).) n n n X ! X X Var a0 + ai · Xi = ai · aj · Cov (Xi . . Xn son variables aleatorias independientes.

Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Sea Y = g(X).Olea (PUC) Probabilidad y Estadı́stica 2014 . se puede expandir g(x) en torno a E(X). con X variable aleatoria con función de de densidad fX (x).02 34 / 38 . entonces: Z ∞ µY = E(Y ) = g(x) fX (x) dx Z−∞ ∞ σY2 = Var(Y ) = [g(x) − µY ]2 fX (x) dx −∞ Si no es posible determinar la densidad de X. es decir: dg 1 d2 g g(X) ≈ g(µX ) + (X − µX ) + (X − µX )2 2 dx 2 dx Aravena .

Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Evaluando las derivadas en µX . por ejemplo.Olea (PUC) Probabilidad y Estadı́stica 2014 .02 35 / 38 . la aproximación de segundo orden Aravena . y truncando se tiene la aproximación de primer orden para la media y varianza: E[g(X)] = g(µX ) y 2  d Var[g(X)] = Var(X) g(µX ) dX Es posible incluir términos de mayor orden.

. . . . . .Olea (PUC) Probabilidad y Estadı́stica 2014 . . . . se tiene que la expansión de Taylor entorno a los valores esperados (µX1 . Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Si Y = g(X1 . . µXn ) está dada por n X ∂g Y = g[(µX1 . . Xn ). . µXn )] + (Xi − µXi ) ∂ Xi i=1 n X n 1 X ∂2 g + (Xi − µXi )(Xj − µXj ) + ··· 2 ∂ Xi ∂ Xj i=1 j=1 Aravena .02 36 / 38 .

Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Para el caso de una aproximación de primer orden se tiene que E(Y ) ' g[(µX1 .02 37 / 38 .Olea (PUC) Probabilidad y Estadı́stica 2014 . . µXn )] y n  2 n n X X 2 ∂g X ∂g ∂g Var(Y ) ' σX i + ρi j σXi σXj ∂ Xi ∂ X i ∂ Xj i=1 i.j=1 i6=j Aravena . . . .

. . . µXn )] + ρi j σXi σXj 2 ∂ Xi ∂ Xj i=1 j=1 Aravena . .Olea (PUC) Probabilidad y Estadı́stica 2014 . Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Momentos de funciones de Variables Aleatorias Media y Varianza de una función general Para el caso de una aproximación de segundo orden se tiene que n n ∂2 g   1 XX E(Y ) ' g[(µX1 .02 38 / 38 .