Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Profesor Asociado
Universidad de Córdoba
2 Profesor Asistente
Universidad de Córdoba
Montería – 2011
Contenido
1 Variables aleatorias continuas
Generalidades
Función de densidad de una V.A continua
Función de distribución de una V.A continua
Media y varianza de una V.A continua
2 Distribuciones continuas de uso frecuente
Distribución uniforme
Distribución exponencial
Distribución normal
Cálculo de probabilidades usando la tabla normal
Estandarización
3 Aproximaciones
Binomial aproximada por la normal
Poisson aproximada por la normal
4 Distribuciones Erlang y Gamma
Definición
Una variable aleatoria continua es aquella cuyo rango contiene un
intervalo de números reales.
Tiempo,
longitud,
temperatura,
voltaje,
corriente eléctrica,
humedad.
0.20
0.15
0.15
Densidad
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
0.20
0.20
X X
0.15
0.15
Densidad
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
70 90 110 130 150 170 190 210 230 250 70 90 110 130 150 170 190 210 230 250
a b
Definición
Sea X una variable aleatoria continua, y x un número perteneciente al
rango de posibilidades de X. La función de densidad de X, denotada
por fX (x), es una función que tiene las siguientes propiedades
fX (x) ≥ 0 para todo x
+∞
R
fX (x)dx = 1
−∞
Rb
P (a ≤ X ≤ b) = fX (x)dx
a
donde a y b son dos posibles valores de la variable aleatoria X con
a < b.
Función de distribución
La función de distribución de una variable aleatoria continua X, se
denota por FX (x) y se define como
Z x
FX (x) = P (X ≤ x) = fX (u)du
−∞
P(X ≤ x0)
x0
Función de distribución
Función de distribución
F (b)
b
Función de distribución
F (a) F (b)
a b
Función de distribución
F (b) − F (a)
a b
a) Calcule P (1 ≤ X ≤ 2)
b) Calcule F (1.5)
a) Calcule P (1 ≤ X ≤ 2)
2 2
2
3 x3 x3 23 − 13
Z
3 2 7
P (1 ≤ X ≤ 2) = x dx = = = = = 0.875
1 8 8 3 8 8 8
1 1
b) Calcule F (1.5)
a) Calcule P (1 ≤ X ≤ 2)
2 2
2
3 x3 x3 23 − 13
Z
3 2 7
P (1 ≤ X ≤ 2) = x dx = = = = = 0.875
1 8 8 3 8 8 8
1 1
b) Calcule F (1.5)
Z 1.5
FX (1.5) = fX (x)dx
−∞
Z 1.5
3 2
FX (1.5) = x dx
−∞ 8
Z 0 Z 1.5
3 2
= 0dx + x dx
−∞ 0 8
1.5
x3
=0+
8
0
(1.5)3 − 03
= = 0.421875
8
X Ejercicio
Obtenga F (x) en forma general.
si la integral existe.
si la integral existe.
Definición (Varianza)
Sea X es una variable aleatoria continua con función de densidad
fX (x) y valor esperado µX , entonces su varianza, que se simboliza
2 ó var(X), se define como
por σX
Z ∞
2
σX = var(X) = (x − µX )2 fX (x)dx
−∞
Propiedades de la varianza
Propiedades.
Para constantes c y d y variable aleatorias continuas X y Y con la
misma función de densidad de probabilidad, se verifica que
1 var(X) = E(X 2 ) − [E(X)]2
2 var(cX + b) = c2 var(X)
3 Si X e Y son independientes,
var(cX ± dY ) = c2 var(X) + d2 var(Y )
a) Calcule E(X)
b) Calcule var(X)
a) Calcule E(X) Z ∞
3
E(X) = xfX (x)dx =
−∞ 2
b) Calcule var(X)
a) Calcule E(X) Z ∞
3
E(X) = xfX (x)dx =
−∞ 2
b) Calcule var(X)
Z ∞ 2
3
var(X) = x− fX (x)dx
−∞ 2
= E(X 2 ) − (E(X))2
Morales & Morales () V. A. Continuas Enero de de 2011 18 / 71
Distribuciones continuas de uso frecuente
Contenido
1 Variables aleatorias continuas
Generalidades
Función de densidad de una V.A continua
Función de distribución de una V.A continua
Media y varianza de una V.A continua
2 Distribuciones continuas de uso frecuente
Distribución uniforme
Distribución exponencial
Distribución normal
Cálculo de probabilidades usando la tabla normal
Estandarización
3 Aproximaciones
Binomial aproximada por la normal
Poisson aproximada por la normal
4 Distribuciones Erlang y Gamma
Distribución uniforme
Definición
Una variable aleatoria continua X tiene distribución uniforme en el
intervalo (a, b), si su función de densidad de probabilidad tiene la
forma
1
si a ≤ x ≤ b
fX (x) = b−a
0 en cualquier otro caso
Función de distribución
Rx
Si x ≤ a, es claro que −∞ fX (u)du = 0
Si a < x < b entonces
Z x Z x
1 x−a
F (x) = fX (u)du = du =
a a b − a b−a
Si x ≥ b entonces se tiene
Z x Z b Z x
1 b−a
F (x) = fX (u)du = du + 0du = +0=1+0=1
a a b − a b b−a
Por tanto la función de distribución de una variable uniforme en el
intervalo (a, b) es
0x − a si x ≤ a
FX (x) = si a < x < b (1)
b−a
1 si x ≥ b
Morales & Morales () V. A. Continuas Enero de de 2011 21 / 71
Distribuciones continuas de uso frecuente Distribución uniforme
fX (x) FX (x)
1
1
b−a
x
a b a b
(a) (b)
Teorema
La media y la varianza de una variable aleatoria con distribución
uniforme en el intervalo (a, b) son
a+b (b − a)2
E(X) = var(X) =
2 12
Ejemplo
Ejemplo
La función de densidad de probabilidad del tiempo necesario para
terminar una operación de ensamblado es fX (x) = 0.1 para
30 < x < 40 segundos
a) Calcule la proporción de ensambles que requieren más de 35
segundos para concluir la operación.
b) ¿Obtener un tiempo x tal que el 90 % de los tiempos de ensamble
excede a x?
c) Calcule la media y la varianza del tiempo de ensamblado.
Ejemplo
Ejemplo
La función de densidad de probabilidad del tiempo necesario para
terminar una operación de ensamblado es fX (x) = 0.1 para
30 < x < 40 segundos
a) Calcule la proporción de ensambles que requieren más de 35
segundos para concluir la operación.
b) ¿Obtener un tiempo x tal que el 90 % de los tiempos de ensamble
excede a x?
c) Calcule la media y la varianza del tiempo de ensamblado.
Solución
35 − 30 5 1
P (X > 35) = 1−P (X ≤ 35) = 1−F (35) = 1− = 1− = 1−
40 − 30 10 2
así que el 50 % de los ensambles requieren mas de 35 segundos.
La probabilidad anterior se calcula con R así
Se requiere el valor de x tal que P (X > x) = 0.9
x − 30 x − 30
0.9 = P (X > x) = 1−P (X ≤ x) = 1−F (x) = 1− = 1−
40 − 30 10
por tanto x − 30 = 1 de donde x = 31 así el 90 % de los tiempos
de ensamble exeden los 31 segundos.
Morales & Morales () V. A. Continuas Enero de de 2011 25 / 71
Distribuciones continuas de uso frecuente Distribución uniforme
Solución
Distribución exponencial
La distribución exponencial es una distribución continua bastante
utilizada en problemas de ingeniería, por ejemplo para describir la
duración de los componentes electrónicos.
Definición
Se dice que una variable aleatoria tiene distribución exponencial con
parámetro λ > 0, si su función de densidad es de la forma
λ e−λx x > 0
fX (x) =
0 en cualquier otro caso
Distribución exponencial
La distribución exponencial es una distribución continua bastante
utilizada en problemas de ingeniería, por ejemplo para describir la
duración de los componentes electrónicos.
Definición
Se dice que una variable aleatoria tiene distribución exponencial con
parámetro λ > 0, si su función de densidad es de la forma
λ e−λx x > 0
fX (x) =
0 en cualquier otro caso
Teorema
La función de distribución para una variable aleatoria exponencial de
parámetro λ es
0 si x ≤ 0
FX (x) = −λx (2)
1−e si x > 0
Morales & Morales () V. A. Continuas Enero de de 2011 27 / 71
Distribuciones continuas de uso frecuente Distribución exponencial
Teorema
El valor esperado y la varianza de una exponencial es
1 1
E(X) = var(X) =
λ λ2
Ejemplo
La duración (en horas) T de un componente electrónico es una
variable aleatoria con distribución exponencial de parámetro λ = 0.01
a) Calcule la probabilidad de que el componente funcione por mas de
200 horas.
b) ¿Cuál es la duración esperada, en horas, de un componente?
c) ¿Cuál es la varianza de la duración del componente.
Ejemplo
La duración (en horas) T de un componente electrónico es una
variable aleatoria con distribución exponencial de parámetro λ = 0.01
a) Calcule la probabilidad de que el componente funcione por mas de
200 horas.
b) ¿Cuál es la duración esperada, en horas, de un componente?
c) ¿Cuál es la varianza de la duración del componente.
a)
Ejemplo
La duración (en horas) T de un componente electrónico es una
variable aleatoria con distribución exponencial de parámetro λ = 0.01
a) Calcule la probabilidad de que el componente funcione por mas de
200 horas.
b) ¿Cuál es la duración esperada, en horas, de un componente?
c) ¿Cuál es la varianza de la duración del componente.
a)
1
b) La duración esperada es E(T ) = 0.01 = 100 horas.
Ejemplo
La duración (en horas) T de un componente electrónico es una
variable aleatoria con distribución exponencial de parámetro λ = 0.01
a) Calcule la probabilidad de que el componente funcione por mas de
200 horas.
b) ¿Cuál es la duración esperada, en horas, de un componente?
c) ¿Cuál es la varianza de la duración del componente.
a)
1
b) La duración esperada es E(T ) = 0.01 = 100 horas.
1
c) La varianza de la duración es var(T ) = 0.012 = 10000
X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.
X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.
X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.
T1
T
X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.
T1
T
X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.
T1 T2
T
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
1 − e−λt si t ≥ 0
FT (t) =
0 en otro caso
0.20
0.15
Densidad
0.10
0.05
2 4 6 8 10 12
Variable
0.8
Probabilidad acumulada
0.6
0.4
0.2
2 4 6 8 10 12
Variable
Ejemplo
La carga de tráfico es una consideración importante en el diseño de
sistemas de calzadas. Los vehículos arriban a cierto punto de la
calzada, de acuerdo con una distribución de Poisson, a una taza de 4
por minuto.
1 Determine la probabilidad de que el tiempo que separa el arribo
de dos vehículos sea al menos dos minutos.
2 Determine el tiempo medio de arribo.
3 Determine la varianza de los tiempos de arribo.
Solución
1 Como los arribos siguen una distribución de Poisson, entonces el
tiempo entre arribo es exponencial con λ = 4 luego
Código R y Excel
Con R
1-pexp(2,rate=4)
Código R y Excel
Con R
1-pexp(2,rate=4)
Con Excel
=1-DISTR.EXP(2;4;1)
Distribución normal
P(X ≤ x0)
x0
Definición
Una variable aleatoria X con distribución normal de media µ = 0 y
varianza σ 2 = 1 recibe el nombre de normal estándar y se denota con
Z.
Ejemplo
Rz
Cuadro: Distribución normal acumulada: √1 exp{−t2 /2}dt.
−∞ 2π
Rz
Cuadro: Distribución normal acumulada: √1 exp{−t2 /2}dt.
−∞ 2π
Código R.
Con R se calcula así:
pnorm(1.17)
[1] 0.8789995
##Si se redondea a 3 cifras
round( pnorm(1.17), 3)
[1] 0.879
Ejemplo
1-pnorm(1.34)
## equivalente a
pnorm(1.34,lower.tail=FALSE)
Ejemplo
1-pnorm(1.34)
## equivalente a
pnorm(1.34,lower.tail=FALSE)
Ejemplo
pnorm(1.61)- pnorm(0.42)
Ejemplo
pnorm(1.61)- pnorm(0.42)
Ejemplo
pnorm(-1)- pnorm(-1.64)
Ejemplo
pnorm(-1)- pnorm(-1.64)
1.17 1.34
−1.64
−1
0.42 1.61
Ejemplo
Encontrar el valor de z1 tal que P (Z ≤ z1 ) = 0.975
qnorm(0.975)
Ejemplo
Encontrar el valor de z1 tal que P (Z ≤ z1 ) = 0.975
qnorm(0.975)
Ejemplo
Encontrar el valor de z1 tal que P (Z ≤ z1 ) = 0.975
qnorm(0.975)
Ejemplo
Encontrar el valor z1 tal que P (−z1 ≤ Z ≤ z1 ) = 1 − α donde α es un
valor dado. Es decir encontrar los limites de un intervalo tal que el área
bajo la curva dentro de ese intervalo sea 1 − α. Hallemos z1 tal que
P (−z1 ≤ Z ≤ z1 ) = 0.95
qnorm(0.025)
Ejemplo
Encontrar el valor z1 tal que P (−z1 ≤ Z ≤ z1 ) = 1 − α donde α es un
valor dado. Es decir encontrar los limites de un intervalo tal que el área
bajo la curva dentro de ese intervalo sea 1 − α. Hallemos z1 tal que
P (−z1 ≤ Z ≤ z1 ) = 0.95
qnorm(0.025)
Ejemplo
Encontrar el valor z1 tal que P (−z1 ≤ Z ≤ z1 ) = 1 − α donde α es un
valor dado. Es decir encontrar los limites de un intervalo tal que el área
bajo la curva dentro de ese intervalo sea 1 − α. Hallemos z1 tal que
P (−z1 ≤ Z ≤ z1 ) = 0.95
qnorm(0.025)
Teorema (Estandarización)
Si X es una variable aleatoria normal con media µ y desviación
estándar σ entonces la variable aleatoria Z, obtenida mediante la
transformación
X −µ
Z=
σ
tiene distribución normal, con media cero y desviación estándar 1, es
decir, Z es normal estándar.
Ejemplo
Si X ∼ N (75, 100), hallar P (80 ≤ X ≤ 90)
Ejemplo
La resistencia a la comprensión de una serie de muestras de cemento
kg
puede modelarse con una distribución normal con media 6000 cm 2 y
kg
una desviación estándar de 100 cm2
1 ¿Cuál es la probabilidad de que la resistencia de una muestra sea
kg
menor que 6250 cm 2 ?
Continuación
1 Sea X la resistencia a la tensión, de acuerdo con el problema
X ∼ N (6000, 1002 )
6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100
Continuación
1 Sea X la resistencia a la tensión, de acuerdo con el problema
X ∼ N (6000, 1002 )
6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100
5800 − 6000 5900 − 6000
P (5800 < X < 5900) = P <Z<
100 100
= P (−2 < Z < −1)
= P (Z < −1) − P (Z < −2) = 0.136
Continuación
1 Sea X la resistencia a la tensión, de acuerdo con el problema
X ∼ N (6000, 1002 )
6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100
5800 − 6000 5900 − 6000
P (5800 < X < 5900) = P <Z<
100 100
= P (−2 < Z < −1)
= P (Z < −1) − P (Z < −2) = 0.136
x0 − 6000
P (Z < ) = 0.05
100
buscando en la tabla se tiene
x0 − 6000
= −1.645
100
de donde x0 = 100 × (−1.645) + 6000 = 5835
Con R este valor se obtiene mediante el código
qnorm(0.05,mean=6000,sd=100)
Contenido
1 Variables aleatorias continuas
Generalidades
Función de densidad de una V.A continua
Función de distribución de una V.A continua
Media y varianza de una V.A continua
2 Distribuciones continuas de uso frecuente
Distribución uniforme
Distribución exponencial
Distribución normal
Cálculo de probabilidades usando la tabla normal
Estandarización
3 Aproximaciones
Binomial aproximada por la normal
Poisson aproximada por la normal
4 Distribuciones Erlang y Gamma
Teorema
Si X es una variable aleatoria con distribución binomial de parámetros
n y p entonces
X − np
Z=p
np(1 − p)
es aproximadamente una variable aleatoria normal estándar.
La aproximación es buena si np > 5 y n(1 − p) > 5
Ejemplo
Ejemplo
La fabricación de chips semiconductores produce 2 % defectuosos.
Asuma que los chips son independientes y que un lote contiene 1000
chips.
1 Aproxime la probabilidad de que mas de 25 chips sean
defectuosos.
2 Aproxime la probabilidad de que entre 20 y 30 sean defectuosos.
X − 20 25 − 20
P (X > 25) = P √ > √ = P (Z > 1.13) = 1−0.8706 = 0.129
19.6 19.6
20 − 20 X − 20 30 − 20
P (20 < X < 30) = P √ < √ < √
19.6 19.6 19.6
= P (0 < Z < 2.26) = 0.4881
Teorema
Si X es una variable aleatoria con distribución de Poisson de
parámetro λ
X −λ
Z= √
λ
es aproximadamente una variable aletoria normal estándar.
La aproximación es buena si λ > 5
Ejemplo:
Se asume que las visitas a un sitio Web de alto volumen siguen una
distribución de Poisson con una media de 10000 por día.
1 Aproxime la probabilidad de más de 20000 visitas en un día.
2 Aproxime la probabilidad de menos de 9900 visitas en un día
3 Aproxime el valor tal que la probabilidad de que el número de
visitas en un día supere el valor es de 0.01
Sea X el número de visitas en un día, entonces X tiene distribución
de Poisson con media 10000 y
X − 10000 X − 10000
Z= √ = ∼ N (0, 1)
10000 100
por tanto:
Ejemplo: Continuación
1
X − 10000 20000 − 10000
P (X > 20000) = P >
100 100
= P (Z > 100) = 1 − P (Z < 100) ≈ 1 − 1 = 0
2
X − 10000 9900 − 10000
P (X < 9900) = P <
100 100
= P (Z < −1) = 0.159
1 P (X > 20000)
1-pnorm(20000,mean=10000,sd=100)
2 P (X < 9900)
pnorm(9900,mean=10000,sd=100)
Morales & Morales () V. A. Continuas Enero de de 2011 63 / 71
Aproximaciones Poisson aproximada por la normal
Ejemplo: Continuación
Se requiere un valor x tal que P (X > x) = 0.01 entonces
X − 10000 x − 10000
0.01 = P (X > x) = P >
100 100
x − 10000 x − 10000
=P Z> =1−P Z <
100 100
Así que se requiere x tal que
x − 10000
P Z< = 0.99
100
Buscando en la tabla se encuentra que:
x − 10000
= 2.33
100
de donde
Códogo R
qnorm(0.99,mean=10000,sd=100)
Contenido
1 Variables aleatorias continuas
Generalidades
Función de densidad de una V.A continua
Función de distribución de una V.A continua
Media y varianza de una V.A continua
2 Distribuciones continuas de uso frecuente
Distribución uniforme
Distribución exponencial
Distribución normal
Cálculo de probabilidades usando la tabla normal
Estandarización
3 Aproximaciones
Binomial aproximada por la normal
Poisson aproximada por la normal
4 Distribuciones Erlang y Gamma
Distribución Erlang
Distribución Erlang
Definición
Función de densidad Erlang La variable aleatoria X que es igual al
intervalo en que se presentan r fallas en un proceso Poisson con
media λ > 0, tiene una distribución Erlang con parámetros λ y r. La
función de densidad de probabilidad de X es
λr xr−1 e−λx
fX (x; λ, r) =
(r − 1)!
para x > 0 y r = 1, 2, . . .
Distribución Erlang
Definición
Función de densidad Erlang La variable aleatoria X que es igual al
intervalo en que se presentan r fallas en un proceso Poisson con
media λ > 0, tiene una distribución Erlang con parámetros λ y r. La
función de densidad de probabilidad de X es
λr xr−1 e−λx
fX (x; λ, r) =
(r − 1)!
para x > 0 y r = 1, 2, . . .
Media y varianza
Si X es una variable aleatoria de Erlang con parámetros λ y r
entonces la media y la varianza de X son
r r
E(X) = var(X) =
λ λ2
Morales & Morales () V. A. Continuas Enero de de 2011 68 / 71
Distribuciones Erlang y Gamma
Solución
Sea T al lapso de tiempo necesario para que lleguen 5 mensajes.
Entonces T tiene distribución de Erlang con r = 5 y λ = 0.5.
1 Se desea P (T < 10).
Solución
Sea T al lapso de tiempo necesario para que lleguen 5 mensajes.
Entonces T tiene distribución de Erlang con r = 5 y λ = 0.5.
1 Se desea P (T < 10).
pgamma(10,shape=5,scale=1/0.5)
0.5595067
Solución
Sea T al lapso de tiempo necesario para que lleguen 5 mensajes.
Entonces T tiene distribución de Erlang con r = 5 y λ = 0.5.
1 Se desea P (T < 10).
pgamma(10,shape=5,scale=1/0.5)
0.5595067
2 Se desea P (T < 5)
pgamma(5,shape=5,scale=1/0.5)
0.108822
Trabajo independiente
Estudiar
1 Sección 4-9.9 Distribución Gamma.
2 Sección 4-10 Distribución Weibull.