Parcial 2
Una densidad beta y sus momentos, la aproximación normal de la binomial, el cambio de variable, una simetría de la densidad y una función de riesgo
Este segundo parcial individual repasa las distribuciones continuas y el límite normal: una densidad beta con sus momentos, la aproximación normal de la binomial con corrección de continuidad, el teorema de cambio de variable aplicado a una normal, el uso de una simetría de la densidad y una función de riesgo que no es constante. El examen se entregó con la siguiente tabla de valores de \(\Phi\), la función de distribución de la normal estándar, recordando que \(\Phi(-z)=1-\Phi(z)\).
| \(z\) | \(0{,}50\) | \(1{,}00\) | \(1{,}12\) | \(1{,}25\) | \(1{,}64\) | \(1{,}75\) | \(1{,}96\) | \(2{,}14\) | \(2{,}33\) | \(2{,}58\) |
|---|---|---|---|---|---|---|---|---|---|---|
| \(\Phi(z)\) | \(0{,}6915\) | \(0{,}8413\) | \(0{,}8686\) | \(0{,}8944\) | \(0{,}9495\) | \(0{,}9599\) | \(0{,}9750\) | \(0{,}9838\) | \(0{,}9901\) | \(0{,}9951\) |
1 Una densidad beta y sus momentos
Sea \(X\) una variable aleatoria con densidad beta de parámetros \(2\) y \(3\):
\[f(x)=12\,x\,(1-x)^2 \quad\text{si } 0<x<1, \qquad f(x)=0 \quad\text{en otro caso.}\]
- Demuestre que \(f\) es una densidad de probabilidad. (5 puntos)
- Calcule \(E[X]\) y \(\operatorname{Var}(X)\). (10 puntos)
1. Es claro que \(f\ge0\). Además
\[\int_0^1 12\,x(1-x)^2\,dx = 12\int_0^1\big(x-2x^2+x^3\big)\,dx = 12\Big(\frac12-\frac23+\frac14\Big) = 12\cdot\frac1{12}=1.\]
2.
\[E[X]=12\int_0^1 x^2(1-x)^2\,dx = 12\int_0^1\big(x^2-2x^3+x^4\big)\,dx = 12\Big(\frac13-\frac12+\frac15\Big)=\frac{12}{30}=\frac25.\]
\[E[X^2]=12\int_0^1 x^3(1-x)^2\,dx = 12\int_0^1\big(x^3-2x^4+x^5\big)\,dx = 12\Big(\frac14-\frac25+\frac16\Big)=\frac{12}{60}=\frac15.\]
\[\operatorname{Var}(X)=E[X^2]-E[X]^2=\frac15-\frac4{25}=\frac1{25}.\]
2 Aproximación normal de la binomial
Sea \(X\sim B(100,0{,}4)\). Aproxime \(P(35\le X\le50)\) usando la aproximación normal con corrección de continuidad. Indique la media y la varianza de la normal que utiliza y los valores de \(z\) que obtiene. (5 puntos)
Aquí \(\mu=np=40\) y \(\sigma^2=np(1-p)=24\), así que \(\sigma\approx4{,}899\). Cada entero \(k\) representa la franja \([k-\tfrac12,k+\tfrac12]\), de modo que el rango de enteros de \(35\) a \(50\) corresponde al intervalo continuo \([34{,}5,\,50{,}5]\):
\[P(35\le X\le50)\approx P\Big(\frac{34{,}5-40}{\sigma}\le Z\le\frac{50{,}5-40}{\sigma}\Big) = P(-1{,}12\le Z\le2{,}14)=\Phi(2{,}14)-\Phi(-1{,}12).\]
Con la tabla, \(\Phi(2{,}14)=0{,}9838\) y \(\Phi(-1{,}12)=1-\Phi(1{,}12)=1-0{,}8686=0{,}1314\), y por lo tanto
\[P(35\le X\le50)\approx0{,}9838-0{,}1314=0{,}8524.\]
El valor exacto de la binomial es \(0{,}8529\).
3 Cambio de variable: el cuadrado de una normal estándar
Sea \(Z\sim N(0,1)\) y \(W=Z^2\). Halle la densidad de \(W\) (observe que \(z\mapsto z^2\) no es inyectiva). Recuerde que la densidad gamma de parámetros \(\alpha\) y \(\lambda\) es
\[\frac{\lambda^\alpha}{\Gamma(\alpha)}\,w^{\alpha-1}e^{-\lambda w}\quad\text{para } w>0,\]
donde \(\Gamma(\alpha)=\int_0^\infty t^{\alpha-1}e^{-t}\,dt\). Reconozca que \(W\) es gamma e indique sus parámetros. (10 puntos)
Como \(z\mapsto z^2\) no es inyectiva, se calcula primero la función de distribución. Para \(w>0\),
\[F_W(w)=P\big(-\sqrt w\le Z\le\sqrt w\big)=2\Phi(\sqrt w)-1.\]
Derivando, con \(\Phi'=\varphi\),
\[f_W(w)=2\varphi(\sqrt w)\cdot\frac1{2\sqrt w}=\frac1{\sqrt{2\pi}}\,w^{-1/2}e^{-w/2},\qquad w>0,\]
y \(f_W(w)=0\) si \(w\le0\). Esta densidad tiene la forma \(w^{\alpha-1}e^{-\lambda w}\) con \(\alpha=\tfrac12\) y \(\lambda=\tfrac12\). Como \(f_W\) integra \(1\), la constante que acompaña a esa forma tiene que ser la de la gamma, y por lo tanto
\[W\sim\text{Gamma}\Big(\frac12,\frac12\Big).\]
4 Una simetría de la densidad
Sea \(X\) una variable aleatoria con densidad \(f\) y función de distribución \(F\). Suponga que existe \(a\in\mathbb R\) tal que \(f(a+t)=f(a-t)\) para todo \(t\in\mathbb R\) y que \(E|X|<\infty\). Usando únicamente esta simetría, demuestre que \(F(a)=\tfrac12\) y que \(E[X]=a\). Sugerencia: use el cambio de variable \(x=a-t\). (5 puntos)
Con \(x=a-t\) y luego la simetría,
\[F(a)=\int_{-\infty}^a f(x)\,dx=\int_0^\infty f(a-t)\,dt=\int_0^\infty f(a+t)\,dt=P(X>a)=1-F(a),\]
de donde \(F(a)=\tfrac12\).
Por otro lado, como \(E|X|<\infty\), la esperanza \(E[X-a]=\int_{-\infty}^\infty t\,f(a+t)\,dt\) existe. Con \(t=-s\) en la parte negativa y la simetría,
\[\int_{-\infty}^0 t\,f(a+t)\,dt=-\int_0^\infty s\,f(a-s)\,ds=-\int_0^\infty s\,f(a+s)\,ds,\]
así que las dos mitades de la integral se cancelan y \(E[X-a]=0\), es decir, \(E[X]=a\).
La hipótesis \(E|X|<\infty\) es necesaria. La densidad de Cauchy \(\dfrac1{\pi(1+x^2)}\) es simétrica respecto a \(a=0\), pero \(\int|x|f(x)\,dx=\infty\) y no tiene esperanza.
5 Función de riesgo de una distribución Rayleigh
La vida útil \(T\) (en años) de una bomba de riego en un cultivo de flores de la Sabana de Bogotá tiene distribución de Rayleigh, con densidad
\[f(t)=\frac t2\,e^{-t^2/4}\quad\text{si } t>0, \qquad f(t)=0\quad\text{si } t\le0.\]
La función de riesgo de \(T\) se define como \(h(t)=\dfrac{f(t)}{P(T>t)}\) para \(t>0\) y mide la tasa instantánea de falla de una bomba que ya ha funcionado \(t\) años.
- Halle \(P(T>t)\) y la función de riesgo \(h(t)\). Indique si el riesgo es constante, creciente o decreciente y qué significa esto para la bomba. (10 puntos)
- Calcule la probabilidad de que una bomba que ya ha funcionado \(2\) años funcione más de \(3\) años en total, es decir, \(P(T>3\mid T>2)\). (5 puntos)
1. Para \(t>0\), con el cambio de variable \(u=s^2/4\), \(du=\tfrac s2\,ds\),
\[P(T>t)=\int_t^\infty\frac s2\,e^{-s^2/4}\,ds=\int_{t^2/4}^\infty e^{-u}\,du=e^{-t^2/4}.\]
Entonces
\[h(t)=\frac{\frac t2\,e^{-t^2/4}}{e^{-t^2/4}}=\frac t2,\qquad t>0.\]
El riesgo crece linealmente con \(t\): la bomba se desgasta, y cuanto más vieja es, mayor es la probabilidad de que falle en el siguiente instante. Es lo contrario de la exponencial, cuyo riesgo es constante. En la sección de riesgo la función de riesgo se llama \(\lambda(t)\); aquí se usa \(h(t)\) como en el enunciado. Como \(h(t)=\alpha\beta\,t^{\beta-1}\) con \(\alpha=\tfrac14\) y \(\beta=2\), esta distribución es la Weibull de parámetros \(\tfrac14\) y \(2\), que recibe el nombre de Rayleigh.
2. Como \(\{T>3\}\subset\{T>2\}\),
\[P(T>3\mid T>2)=\frac{P(T>3)}{P(T>2)}=\frac{e^{-9/4}}{e^{-1}}=e^{-5/4}\approx0{,}2865.\]
Con la función de riesgo se obtiene lo mismo:
\[P(T>3\mid T>2)=\exp\Big(-\int_2^3 h(u)\,du\Big)=\exp\Big(-\int_2^3\frac u2\,du\Big)=\exp\Big(-\frac{9-4}{4}\Big)=e^{-5/4}.\]
Compare con \(P(T>1)=e^{-1/4}\approx0{,}7788\), que es distinto de \(0{,}2865\): la vida útil de la bomba no es sin memoria.