DISTRIBUCIONES DE PROBABILIDAD

CONTINUA

Funcin de densidad de probabilidad

Una funcin f(x) es denominada funcin de densidad de probabilidades (f.d.p.) de una variable aleatoria continua X, si satisface las siguientes condiciones:
1. f ( x) 0 2. para toda X R X

f ( x) dx = 1
x2 x1

3. P( x1 X x2 ) = f ( x) dx

Funcin de densidad de probabilidad

Sea la variable aleatoria continua X la corriente medida en mili amperes, en un conductor delgado de cobre. Supngase que el rango de X es [0,20], y todos los valores son igualmente probables. Cul es la probabilidad de que una medicin de corriente sea menor que 8 mili amperes?

Funcin de densidad de probabilidad

Como los valores de X son igualmente posibles, entonces f(x)=c , c es una constante

20

Cunto vale c? Cunto es la prob?

Funcin de distribucin acumulativa

F(x) = P(Xx)
F ( x) = p ( j )
x

x
x

Si X es un variable aleatoria discreta

Si X es una variable aleatoria continua

F ( x) = f (t ) dt, x

Propiedades
1) F(x) es una funcin no decreciente, para el caso discreto es escalonada y para el caso continuo es continua. 2) F(-)=0 y F(+)=1 d F ( x) 3) Si X es continua f(x)= dx 4) Para el caso continuo P(x1 < X < x2) = F(x2) - F(x1)

VALOR ESPERADO O ESPERANZA MATEMATICA

Viene a ser el valor promedio que uno esperara como resultado de una observacin repetida de una variable en estudio.

VALOR ESPERADO O ESPERANZA MATEMATICA

Si X es una va discreta, entonces el Valor Esperado se define como:

= E ( X ) = x p ( x)
Si X es una va continua

= E ( X ) = x f ( x) dx

Varianza
La Varianza mide la dispersin de los datos alrededor de la media. Se define de la siguiente manera:

V ( X ) = = E [ X E ( X )]
2

V ( X ) = = E( X )
2 2

Variable Aleatoria Continua

Variable que puede tomar una infinidad de valores dentro de un rango de valores. Son variables que provienen e medicin Ejemplos: Recorrido, en kilmetros, de un avin Peso de un individuo

Distribucin Uniforme
Diremos que una variable aleatoria continua X tiene una DISTRIBUCION UNIFORME en el intervalo [a,b] si su funcin de densidad:

1 f ( x) = b a 0

si a x b si x<a x>b

a+b E ( x) = 2
2 ( b a ) 2 V ( x) = = 12

Distribucin Uniforme
Ej.1. En un cine se exibe una cinta de 150 minutos en forma continuada, durante todo el da. a. Cual es la probabilidad de que un expectador que elija al azar no pierda mas de los 15 primeros mimutos de la pelcula. Ej.2. Los buses de cierta lnea corren entre la media noche y la seis de la maana. a. Cual es la probabilidad de que una persona que es en un paradero de esta lnea de buses, a una hora al azar, duarnte este perido tenga que esperar por lo menos 20 minutos. b. Cual es la espera promedio.

Diapositiva 12

Distribucin Uniforme
Ej.3. Acerca de la cantidad aleatoria demandad durante un cierto periodo de tiempo por parte de una empresa textil, se sabe que no supera la tonelada. Determinar para dicho periodo de tiempo: a. La probabilidad de que la cantidad demandada no supere los 800 Kg. b. La probabilidad de que la cantidad demandad este comprendida entre 650 y 850 Kg. c. La demanda esperada.

Diapositiva 13

Distribucin Exponencial
Se dice que una v.a continua tiene X una DISTRIBUCION EXPONENCIAL, si su funcin de densidad esta definida por:

e x f ( x) = 0

si x>0 si x 0

Su parametro es ; con > 0

E ( x) = V ( x) =

Distribucin Exponencial
1 e x P [ X x] = F ( x ) = 0 Por tanto: P [ X > x ] =1-P [ X x ] P [ X > x ] =1 {1 e x } P [ X > x ] =e x x 0 (*1) Si X es el tiempo, entonces P [ X > t ] es la confiabilidad durante un perido t, es decir, la probabilidad de que su tiempo para fallar excede t. Es decir a trabajado confiadamente durante un tiempo t. si x>0 si x 0

Distribucin Exponencial
P[ X > s + t / X > s] = P[ X > t ] Demostracin: P ( X > s + t ) ( X > s ) P[ X > s ] P 1 P ( X > s + t ) ( X s + t ) = = P[ X > s] 1 P[ X s ]

( s +t ) 1 F ( s + t ) 1 1 e e (t ) = = = = e ( s) ( s) 1 F (s) e 1 1 e

( (
e

( s +t )

) )

usando la propiedad 1 tenemos:

(t )

= P[ X > t]

Distribucin Exponencial
Ej.4. El tiempo de vida de ciertos tipo de focos elctricos tiene una distribucin exponencial con vida media de 600 horas. Si x representa el tiempo de vida de un foco. a. Cul es la probabilidad que se quemen antes de 400 horas. b. Cual es la probabilidad que dure por lo menos 400 horas. c. Si un foco ha durado 400 horas, cual es la probabilidad de que dure otras 500 horas. Ej.5. El tiempo de vida de un bacteria en un ambiente especial es una variable aleatoria continua X, cuya distribucin de probabilidad es aproximandamente una distribucin exponencial. Si el promedio de duracin de vida es de 10 horas. Calcular: a. La probabilidad de que una bacteria particual muera antes de las 10 horas. b. La probabilidad de que una bacteria, la cual ha vivido 10 horas,viva otras 10 horas mas. c. La probabilidad de que una bacteria, la cual ha vivido 10 horas,muera antes
Diapositiva 17

de las 10 prximas horas.

Distribucin Normal
La distribucin continua de probabilidad mas importante em todo campo de la estadstica es la distribucin normal. Su grfica recibe el nombre de curva normal, teniendo forma de campana(como la figura), la cual describe aproximandamente muchos fenmenos que ocurren en la naturaleza, la industria y la investigacin. Fue estudiada por primera vez en el siglo XVIII cunado cientificos observaron con sorpresa el grado de regularidad en los errores de medicin descubriron que los patrones (distribuciones) eran aproximados a una distribucin continua que denominaran "curva normal de errores" y le atribuyeron reglas de probabilidad. En 1733 Abraham De Moivre desarrollo la ecuacin matematica dela curva normal, tambin llamada distribucion Gaussiana en honor a Karl Friedrich Gauus (1777-1855) quien tambin derivo su ecuacin en un estudio de errores de mediciones repetidas de la misma cantidad. La ecuacin matemtica depende de los parmetros

y 2 y notandosela por N ( x; , 2 ) .

Distribucin Normal
Definicin: Una variable aleatoriacontinua X tiene una DISTRIBUCION NORMAL con media E ( x) = , donde < < y su varianza V ( x) = 2 ,si su funcin densidad es dada por:

E ( x) =

< <

V ( x) = 2 > 0

Distribucin Normal
Comportamintos mas frecuntes en experimentos.

Distribucin Normal Estandarizada

Por lo general cuando tratamos con distribuciones normales se nos proporcionan una media 0 y una varianza 2 1, este detalle nos obliga a convertir la media en cero ( = 0 ) y la varianza ( 2 = 1).

X N ( , 2 ) entonces la conversion z= x

N (0,1)

Se prueba fcilmente

E ( z ) = 0 var( z ) = 1

Distribucin Normal Estandarizada

Definicin: Si Z es una distribucin N ( 0,1) , decimos que Z tiene una distribucin NORMAL ESTANDARIZADA. Uso de tablas

Distribucin Normal Estandarizada

Uso de tablas

Distribucin Normal Estandarizada

Ej.6. Sea una variable aleatoria con distribucin normal de 10 y desviacin estandar 2. Encuntre la probabilidad de que X este entre 11 y 13.6. Ej.7. Si X N (10,9 ) .Calcular a. P [10 X 11.8] b. P [ 6 < X < 12] c. P [ X > 14.2] d. P [ X < 12] e. P X 10 2 f. P X 2 > 2 Ej.8.Supongamos que X N ( 3, 4 ) . Hallar el numero C tal que P [ X > C ] =2P [ X 12] Ej.9.Supongamos que X N (15, 25 ) . Hallar la constante C>0 tal que P X 15 > C = 0.29372
Diapositiva 24

Distribucin Normal Estandarizada

Ej.10.La variable aleatoria X tiene distribucin normal y se conocen los siguientes datos. P [ X 20] = 0.68493 P [ X > 46] = 9.24825 Ej.11.Sea X una V.A que se distribuye normalmente.
2 Si E X = 68 y P [ X > 10] =0.15866.

Calcular la media y la Varianza. Ej.12. Una mquina expendedora de refrescos esta ajustada para servir un promedio de 200 ml por vaso. Si la cantidad de refrescos es normalmente distribuida con una desviacin tpica estandar igual a 15 ml. a. Que fracciones de los vasos contendr mas de 224 ml. b. Cual es la probabilidad de que una vaso contenga entre 191 y 209 ml. c. Cuantos vasos probablemente se derramaran si se utilizan vasos de 230 ml. En los siguientes 1000 refrescos.
Diapositiva 25

d. Por debajo de que valorse obtienen el 25% mas pequeo de los refrescos.

Distribucin de la suma de variables Independientes

Proposicin: Sea X1 ,X 2 ,....,X n las n variabless aleatorias donde: X1 N ( 1 , 12 ) X 2 N ( 2 , 22 ) X n N ( n , n2 ) Entonces ( X1 +X 2 ,....,X n ) N ( 1 + 2
+ ....

n , 12 + 22 .... n2 )

Esto indica que la suma Y de as n variables aleatorias independientes, cada una con distribcion normal, tambien disminuye normalmente cuyda media es la suma de las medias ( = 1 + 2
+ ....

n ) y cuya varianza es la suma de las varianzas

= 12 + 22 .... n2 ) .

Distribucin de la suma de variables Independientes

Teorema del Lmite Central Sean X1 ,X 2 ,....,X n , una sucesion de variables independientes donde: E ( X1 ) = 1 ; E ( X 2 ) = 2 ;............E ( X n ) = n V ( X1 ) = 12 ;V ( X 2 ) = 22 ;............V ( X n ) = n2 Sea X=X1 + X 2 +....+X n . Si n es grande, entonces X se distribuye aproximadamente a una normal,con E ( x ) = i y V ( x ) = i2 y por lo tanto la variable aleatoria Zn esta definida
i =1 i =1 n n

Zn =

x E ( x) V ( x) x i
i =1 n

o lo que es o mismo

Zn =

i =1

2 i

tiene distribucin normal, con media 0 y varianza 1.ntonces

Distribucin de la suma de variables Independientes

Teorema Sean X1 ,X 2 ,....,X n , una sucesion de variables independientes con la misma distribucon: Sean: E ( X1 ) = E ( X 2 ) = ............ = E ( X n ) = V ( X1 ) = V ( X 2 ) = ............ = V ( X n ) = 2 donde X es la media de una muestra aleatoria de tamao n que se toma de una poblacin con media y con varianza finita 2 entonces la distribucin de Zn Zn = X

Distribucin de la suma de variables Independientes

Ej.13. El brazo de un robot consta de 3 piezas: X1 ,X 2 ,X 3 .Suponiendo que las piezas se producen en diferntes fbricas y que las longitudes de las piezas, medidas en centimetros, se distribuyen normalmente del siguiente modo: X1 N (10, 0.05 ) X 2 N (12, 0.04 ) X 3 N (16, 0.07 ) a. Calcular: P x1 + x2 > 23.25 b. Calcualr la probabilidad de que la longitud del brazo este comprendida entre 32.52 y 38.48 centimetros.

c. Hallar P x2 12 .

Diapositiva 29