Escolar Documentos
Profissional Documentos
Cultura Documentos
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
UNIDAD II .-
FUNDAMENTOS DE
PROBABILIDAD
27
28
29
30
31
32
33
34
35
36
37
PRACTICA
3
38
39
40
41
42
43
44
45
46
PRACTICA
4
47
48
49
50
51
52
53
54
55
56
57
58
UNIDAD III.-
DISTRIBUCIONES
DE PROBABILIDAD
DISCRETAS
59
60
61
62
63
64
65
66
67
PRACTICA
5
68
69
70
71
72
73
74
75
76
PRACTICA
6
77
78
79
80
81
82
83
84
85
86
PRACTICA
7
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
4.1 Definición de variable aleatoria continúa.
Una variable aleatoria X es continua si su función de distribución es una función continua.
Ejemplos
Estatura de una persona elegida al azar en una población. El valor que se obtenga será una
medición en cualquier unidad de longitud (m, cm, etc.) dentro de unos límites condicionados
por la naturaleza de la variable. El resultado es impredecible con antelación, pero existen
intervalos de valores más probables que otros debido a la distribución de alturas en la
población. Más adelante veremos que, generalmente, variables biométricas como la altura se
adaptan un modelo de distribución denominado distribución Normal y representada por una
campana de Gauss.
Dentro de las variables aleatorias continuas tenemos las variables aleatorias absolutamente
continuas.
Diremos que una variable aleatoria X continua tiene una distribución absolutamente continua
si existe una función real f, positiva e integrable en el conjunto de números reales, tal que la
función de distribución F de X se puede expresar como
Una variable aleatoria con distribución absolutamente continua, por extensión, se clasifica
como variable aleatoria absolutamente continua.
En el presente manual, todas las variables aleatorias continuas con las que trabajemos
pertenecen al grupo de las variables absolutamente continuas, en particular, los ejemplos y
104
casos expuestos.
Si los datos representan mediciones de una variable aleatoria continua y si la cantidad de datos
es muy grande, podemos reducir la anchura de los intervalos de una clase hasta que la
distribución se vea como una curva continua. Una función de densidad de probabilidad es un
modelo teórico para esta distribución.1
dF ( y)
f ( y)
dy
La función de densidad para una variable aleatoria continúa y que modela alguna población de
datos de la vida real, por lo regular es una curva.
EJEMPLO:
e x / 1000
f ( x) Para x>0
1000
105
a)
p(x>3000)= 1- p (0<x<3000)
1
e 3000 / 1000 (e 0 / 1000 ) e 3 e 0 e 3 1 1 0.9502
e 3
b)
e
x / 1000 2000 / 1000
e (e ( 1000/ 1000) )
1000
2 1 1 1
e e 0.232544 23.25%
e 2 e1
c)
0.6321 63.21%
d)
106
e x / 1000
w
w
p (0 x w) e x / 1000
0 1000 0
EJERCICIO:
a) p(x>50)
50.25
50.25 50.25
p(50 x 50.25) 2dx 2 dx 2 x
50 50
50
b)
w
p(49.75 x w) 2 x 2(w) 2(49.75) 0.9
49.75
0.9 99.5
2w 0.9 2(49.75)
2
w 50.2
107
Ejercicio 2
a) p (1<x)
b)
2.5
2.5
p(1 x 2.5) e x dx e x e 2.5 (e 1 )
1
1
2.5 1
e e 0.082 0.3678 0.2858 28.58%
c)
p ( x 3) 0
d)
4
4
p( x 4) e dx e x x
e
4
( e 0 ) e 4 e 0
0
0
0.9816 98.16%
e)
p (3 x)
3
p (0 x 3) e x dx e 3 (e 0 ) e 3 e 0
0
0.0497 1 0.9503
1 0.9503 0.0497 4.97%
108
4.3 VALOR ESPERADO, VARIANZA Y DESVIACIÓN ESTÁNDAR.
La media y la varianza de una variable aleatoria continua se define de la manera similar al caso
de la variable aleatoria discreta. En las definiciones la integración remplaza a la sumatoria.2
Supóngale que X es una variable aleatoria continua con función de densidad de probabilidad fx
(x),-<x<.
E ( X ) X xf
x ( x)dx
V ( X ) 2 x ( x x) 2 f ( x)dx
x v(x)
EJEMPLO:
Con la siguiente función f(x) =0.125x para 0<x<4, calcular la media, la varianza y la desviación
estándar.
Valor esperado:
4 4 4
E ( X ) X x(0.125 x)dx 0.125 x 2 dx 0.125 x 2 dx
0 0 0
3 4 3 3
0.125 x 0.125(4) 0.125(0) 8
3
0
3
3
2.666
3
Varianza:
109
4 16 X 64 1
V ( x) 2 ( X ) 2 0.125 x dx X 2
4 8
dx
0 3 0
3 9 8
4 X 3 16 x 2 64 x 4 X
3
2 x 2 8x x4 2 x 3 8x 3
4
0 8 24 72 0 8 3 9 8 * 4 3 * 3 9 * 2 0
dx dx
Desviación estándar:
8
x 0.9428
9
f x
1
, a X b
b a
f(x)
1/b-a
110
ab
b
0.5 x 2
E x
b x
a ba
dx
ba a
2
La varianza de X es
( a b) 2 ( a b)
3
(x ) (x )b
b (b a) 2
v( x)
3(b a ) a
2 dx 2
a ba 12
( a b) (b a) 2
x E ( X ) y x v( x)
2
2 12
EJEMPLO:
[1.5, 5.5].
1 1 1
f ( x) 0.25
b a 5.5 1.5 4
.30
.20
.10
1 2 3 4 5 6
111
a)
5.5 1.5 7
x 3.5
2 2
(5.5 1.5) 2 4
2x 1.33
12 3
4
x 1.1547
3
2.5
2.5 1 x 2.5 1.5
b) P( X 2.5)
1.5 4
dx
4 1.5 4
4
0.25 25%
EJEMPLO 2:
-1 1
1 1 1
f ( x) 0.5
b a 1 (1) 2
112
11
x 0
2
(1 (1)) 2 4 2
a) 2 x 0.333
12 12 6
2
x 0.577
6
b) p(-x< X <x)=0.90
r 1
r
r 1 x
1 2dx 2 1 2 2 0.05
r r
0.05 0.5 0.45
2 2
r 0.45(2) 0.90
x 1
p ( x X x) dx 0.90
x 2
x x
x
x
dx 0.90
2 x 2 2
x 0.90
EJEMPLO 3:
0,16
0,75 0,75
0 1 2 3 4 5 6 7 8 9
X X
113
1 1 1
f ( x) 0.166
ba 82 6
8 2 10
a) x 5
2 2
b)
x
x 1 x x 2
p (2 X x) dx 0.075
2 6 62 6 6
x 2
0.075
6 6
2
x (0.075 )6
6
x 2.45
comprovación :
7.55
1
7.55 x 7.55 2.45
p (2.45 X 7.55) dx 0.85
2.45 6 6 2.45 6 6
c)
p ( x x) 0.70 p (2 X x)
x
x 1 x x 2 x 2 2
2 6
dx 0.30 0.30 x (0.30 )
62 6 6 6 6 3
x 3.8
8
8 1 x 8 x
p ( x X 8) dx 0.70
x 6 6x 6 6
x 8
0.70
6 6
8
x (0.70 )6
6
x 3.8
114
e x
Se dice que X tiene una distribución exponencial si la pdf de X es f ( x; ) x 0 de
0
otra manera donde >0
La pdf exponencial es un caso especial, de gamma general, en la que =1 y ha sido sustituida
por 1/, [algunos autores emplean la forma (1/)e-x/]. La media y la varianza de X entonces
son:
1 1
ç 2 2
2
Tanto la media como la desviación estándar de la distribución exponencial son iguales a 1/.
Las gráficas de las variables pdf exponenciales aparecen en la figura siguiente.
EJEMPLO.
25e 25 x
0.1 0.1
0.1 0.1
dx 25 e e e
25 x 25 x 25 x 25( 0.1)
25e dx (e 25( 0) )
0 0 25 0 0
2.5
P(x0.1)= e 1 0.9179
p( x 0.1) 1 P( x 0.1) 1 0.9173 0.08208 2.8%
Aumenta la distribución ya que se puede utilizar para resolver muchos problemas en ingeniería
y en la ciencia, hay aun numerosas situaciones que requieren diferentes tipos de funciones de
densidad. Dos de estas funciones de densidad, las distribuciones gamma y exponencial, se
estudian en esta sección.
115
Resulta que la distribución exponencial es una cosa especial de la distribución gamma. Ambas
encuentran un gran número de aplicaciones .Las distribuciones exponencial y gamma juegan
un papel importante en teoría de colas y problemas de confiabilidad. Los tiempos entre
llegadas en instalaciones de servicio, y tiempo de falla de partes componentes y sistemas
eléctricos, a menudo quedan bien moldeadas mediante la distribución exponencial. La realidad
entre la gamma y la exponencial permite que la gamma se involucre en tiempos de problemas
similares.
La distribución gamma, deriva su nombre de la bien conocida función gamma, que se estudia
en muchas áreas de las matemáticas. Antes de que procedemos con la distribución gamma,
revisemos esta función y algunas de sus propiedades importantes.
116
La aplicación repetida de la fórmula de recursividad da
Y de aquí
117
En la figura 6.28 se muestran graficas de varias distribuciones en gamma para ciertos valores
específicos de los parámetros 𝑎 𝑦 𝐵.La distribución gamma especial para la que 𝑎 = 1se llama
distribución exponencial.
118
Para encontrar la media de la distribución gamma escribimos
Para encontrar la varianza de la distribución gamma, procedemos como antes para obtener
Y entonces
119
4.7 DISTRIBUCIÓN NORMAL
La distribución normal aparece en el estudio de muchos fenómenos físicos básicos. Por ejemplo,
el físico James Maxwell desarrollo la distribución normal a partir de hipótesis muy sencillas con
respecto a las velocidades de las moléculas.4
( x )2
1
fx( x, , ) c 2 2
x
2
La deducción de la media y la varianza de una variable aleatoria normal que aparece al final de
esta sección. Los valores de y determinar la forma de la función de densidad de
probabilidad. La función de densidad de densidad de probabilidad es una curva simétrica con
forma de campana. El valor de determina el centro de la función de densidad de
probabilidad, mientras que el de la determina la dispersión. Es evidente que fx(x,,) es no
negativa.
120
1.- Es simétrica.
3.- Es asintótica.
EJEMPLO:
a)
b)
P 1 Z 2
c)
P(0.16 Z 1.06
121
P 0.06356 0.35543 0.41899
d)
P1.03 Z 2.33
P 0.49010 0.34849
e)
z 1.99
f)
P z Z z 0.99
0.99
P 0.4950 0.5 2.58
2
z 2.58
122
g)
Pz 1.73ó1.73 z
1 0.045818 0.04182 2
0.08364 ó 8.36%
h)
1 0.99702 0.00278
1 0.99987 0.00073
0.00278 0.00073 0.00311
0.00311 ó 0.31%
123
garantía no siempre es muy precisa, la ventaja de este teorema es su generalidad por cuanto
es aplicable a cualquier variable aleatoria con cualquier distribución de probabilidad, ya sea
discreta o continua.
1
p( X k ) 1
k2
EJEMPLO:
En otra parte
determine la probabilidad de que X tome un valor contenido en dos desviaciones estándar de la
media y compárela con el límite inferior proporcionado por el teorema de Chébyshev.
La integración directa muestra que = ½ y 2= 1/44, de manera que = 0.15 por tanto, la
probabilidad de que X tome un valor contenido en dos desviaciones estándar de la media, es la
probabilidad de que tome un valor entre 0.20 y 0.80, es decir,
0.80
p(0.20 X 0.80) 630 x 4 (1 x) 4 dx 0.96
0.20
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142