Professional Documents
Culture Documents
Distribución uniforme
La variable aleatoria continua más sencilla posible se llama variable aleatoria uniforme por tener un valor
constante (uniforme) en un intervalo de valores.
Gráficamente se tiene:
f(x) F(x)
1
0.5
-3 3 x -3 3
1
;a ≤ x ≤ b
⇒ f ( x) = b − a
0 ; en otra forma
0 ; sí x < a
x 1
F ( x) = ∫ dx ; sí a ≤ x ≤ b
b−a
a
1 ; sí x > b
b+a
µ=
2
(b − a ) 2
σ2 =
12
e tb − e ta
m(t ) =
t (b − a )
Ejemplo:
Una persona viaja diariamente en el metro para ir de su casa en "Indios Verdes" a su escuela en "Ciudad
universitaria". Suponga que los trenes sales de la estación "Indios Verdes" a las 7, 7:13, 7:20, 7:25, 7:45 y
7:55 am y esta persona aborda el primero, tan pronto llega a la estación. Debido a que no se levanta a la
misma hora y a las condiciones variables del tránsito, El tiempo en que esa persona llega a la estación, tiene
la misma probabilidad de esta comprendida entre las 7:15 y las 7:45 am, De acuerdo a lo anterior, ¿Cual es
la probabilidad de que tenga que esperar en la estación menos de 5 min. un día cualquiera? ¿menos de 10
min.? ¿Cual es la probabilidad de que aborde los trenes de las 7:25 y las 7:45 en determinado día?
Indios Verdes
Ciudad Universitaria
7
7:13
7:15
7:20 Misma probabilidad
7:25
de llegar a la estación
7:32
7:45 7:45
7:55
Para fines prácticos, suponga que para referirse al intervalo de 7:15 - 7:45 sea igual a manejar el intervalo
de 0 a 30 min.
Para que se cumpla que el tiempo de espera sea menos de 5 min debe cumplirse que
Gráficamente se tiene
0 5 10 17 30
De donde se ve claramente porque se habla de una distribución uniforme (la variable aleatoria "tiempo de
espera" tiene un valor constante dentro de un intervalo de valores.
5 5 5 5 20
⇒ P(esperar < 5 min) = + + + =
30 30 30 30 30
De igual forma se tiene la probabilidad de esperar menos de 10 min es
0 5 10 17 30
5 5 7 10 27
⇒ P(esperar < 10 min) = + + + =
30 30 30 30 30
y por último, la probabilidad de abordar los trenes de las 7:25 o de las 7:45 se describe a continuación
5/30 13/30
0 5 10 17 30
Para abordar el tren de las 7:25, el tiempo de espera es de 5 min. y para abordar el tren de las 7:45 el tiempo
de espera es de 13 min.
5 13 18
⇒ P(5 < x ≤ 10 ∪ 17 < x ≤ 30 min) = + =
30 30 30
Ejemplo
Sea la siguiente distribución uniforme
f(x)
x
-1 1
Calcular:
1. − h
2. − P( x ≤ 0)
3. − P( x ≤ −1)
4. − P( x ≥ 1)
5. − P(−0.5 ≤ x ≤ 0.5)
6. − Graficar F ( x)
Respuestas
1.- Como los valores de probabilidad deben estar entre 0 y 1. El área en cuestión debe valer 1
Despejando a h
h= 1 / 2
1 1
2. − P( x ≤ 0) = b * h = 1 * =
2 2
3. − P( x ≤ −1) = 0
4. − P( x ≥ 1) = 0
1 1
5. − P(−0.5 ≤ x ≤ 0.5) = 1 * =
2 2
6.- Graficando
F(x)
1
x
-1 1
Distribución exponencial
λe − λx ;x ≥ 0
f ( x) =
0 ; de otra manera
f(x)
x
0
e − λt (λt ) x
; x = 0,1,2,....
p( x) = x!
0 ; de otra manera
Considerese ahora p(0), que es la probabilidad de que no haya ocurrencias en [0, t]. Esto es igual a
p (0) = e − λt
Otra interpretación de tal probabilidad es que el evento ocurra en un tiempo mayor que t. Si consideramos a
este tiempo como una variable aleatoria T, se observa que
Entonces, si ahora se deja que el tiempo varíe y sí se considera a la variable aleatoria T como el tiempo
transcurrido hasta la ocurrencia, entonces
F (t ) = P(T ≤ t ) = 1 − e − λt t≥0
∞ ∞ ∞ 1
E ( X ) = ∫ xλe − λx dx = − xe −λx + ∫ e −λx dx =
0 0 0 λ
y
2 2
1 1
dx − = − x 2 e −λx dx − = 2
∞ ∞ ∞ 1
σ = ∫ x λe
2 2 − λx
+ 2 ∫ xe − λx
0
λ 0 0 λ λ
−1
t
M x (t ) = 1 −
λ
La función de distribución F(x) puede obtenerse integrando la función de densidad, lo cual da como
resultado
0 ;x < 0
F ( x ) = x − λt
∫0 λe dt = 1 − e
− λt
;x ≥ 0
Ejemplo 1
Se sabe que un componente electrónico tiene una vida útil representada por una densidad exponencial, con
tasa de falla de 10-5 fallas por hora (esto es , λ=10-5). El tiempo promedio transcurrido hasta la falla, E(X),
es por tanto 105 hr. Supóngase que se desea determinar la fracción de tales componentes, que fallará antes
de que transcurra la vida media o vida esperada.
1
1 1
P T ≤ = ∫ λ λe −λx dx = − e −λx λ = 1 − e −1 = 0.63212
λ 0 0
F(x)
f(x)
0.63212 E(X)=1/λ
0.36788
x
Este resultado se cumple para cualquier valor de λ mayor de cero. En este ejemplo, el 63.212% de los
componentes fallarán antes de 105 hr.
Ejemplo 2
Supóngase que un diseñador puede tomar una decisión entre dos procesos de manufactura para la
fabricación de cierto componente. Empleando el proceso A cuesta C dólares por unidad fabricar un
componente. Empleando el proceso B cuesta k*C dólares por unidad fabricar un componente, cuando k >
1. Los componentes tienen una densidad exponencial de tiempo transcurrido hasta la falla con tasa de falla
de 200-1 fallas por hora para el proceso A, mientras que los componentes empleando el proceso B tienen
una tasa de falla de 300-1 fallas por hora. Entonces, las vidas medias son de 200 y 300 hr. , respectivamente,
para los dos procesos. Debido a una cláusula de garantía, si un componente dura menos de 400 hr. , el
fabricante debe pagar una pena de K dólares. Sea X el tiempo transcurrido hasta la falla para cada
componente.
CA = C ; si X ≥ 400
=C+K ; si X < 400
y
C B = kC ; si X ≥ 400
= kC + K ; si X < 400
∞
E (C A ) = (C + K ) ∫ 200 −1 e − 200 x dx + C ∫ 200 −1 e − 200 x dx
400 −1 −1
0 400
0 400
[ −2
= (C + K ) 1 − e + C e −2
] [ ]
−2
= C + K (1 − e )
∞
E (C B ) = (kC + K ) ∫ 300 −1 e −300 x dx + kC ∫ 300 −1 e −300 x dx
400 −1 −1
0 400
0 400
−
4
−4
= (kC + K ) 1 − e 3 + kC e 3
4
−
= kC + K (1 − e 3 )
Por tanto , si
K
k < 1− 4
−
C (e − 2 − e 3 )
entonces la razón
E (C A )
>1
E (C B )
∞
Γ(n) = ∫ x n −1 e − x dx ; para n > 0
0
lim ∫ x n−1e − x dx
k
k →∞ 0
existe una importante relación recurrente que puede fácilmente demostrarse al integrar por partes a la
función gamma
Γ(n) = (n − 1) Γ(n − 1)
Γ(n) = (n − 1)!
λ
Γ(r ) (λx ) e
r −1 − λx
;x > 0
f ( x) =
0 ; de otra manera
Los parámetros son r > 0 y λ > 0. Al parámetro r generalmente se le denomina parámetro de forma, y a λ
se le denomina parámetro de escala.
∞ ∞ λ
∫−∞
f ( x) = ∫
0 Γ( r )
(λx) r −1 e −λx dx
1 ∞ r −1 − y 1
=
Γ (r ) ∫0
y e dy =
Γ (r )
Γ(r ) = 1
Graficando la distribución probabilística gamma para l =1 y r=1, 2 y 3
f(x)
r=1 r=2
r=3
De aquí se ve existe una estrecha relación entre la distribución exponencial y la distribución gamma. Es
decir, si r=1 la distribución gamma se reduce a la distribución exponencial.
r r
E( X ) = y σ2 =
λ λ2
en tanto que la función generatriz de momentos esta definida por
−r
t
M X (t ) = 1 −
λ
y la función de distribución F(x) es
∞ λ
1 − ∫x Γ(r ) (λt ) e dt
r −1 − λt
;x > 0
F ( x) =
0 ;x ≤ 0
si r es un entero positivo, la ecuación anterior puede integrarse por partes obteniendose
F ( x) = 1 − ∑ e
r −1 − λx
(λx )k x>0
k =0 k!
que es la suma de los términos de Poisson, con media λx . Entonces, las tablas de la distribución
acumulativa de Poisson pueden utilizarse para evaluar la función de distribución gamma.
Ejemplo
Un sistema redundante opera en la forma que se muestra en la siguiente figura.
Unidad 1
DS Unidad 2
Unidad 3
Inicialmente, la unidad 1 está en línea, mientras que las unidades 2 y 3 están en alerta. Cuando la unidad 1
falla, el interruptor de decisión (DS) conecta la unidad 2 hasta que esta falla y después conecta a la unidad
3. Se considera que el interruptor de decisión es perfecto, de manera que la vida del sistema X puede
representarse como la suma de las vidas de los subsistemas, X=X1+X2+X3. Si las vidas de los subsistemas
son independientes unas de otras, y si cada uno de los subsistemas tiene vida Xj donde j=1,2 y 3 con
densidad
x
1 −100j
g(x j ) = e ;xj ≥ 0
100
entonces X tendrá una densidad gamma con r=3 y como la función de densidad arriba expresada
corresponde a la distribución exponencial se deduce que λ= 0.01
λ
f ( x) = (λx )r −1 e −λx = 0.01 (0.01x) 2 e −0.01x ;x > 0
Γ(r ) 2!
Distribución normal
Se dice que una variable aleatoria X tiene una distribución normal con media µ y varianza σ2, si tiene una
función de densidad.
2
1 x−µ
1 −
2 σ
f ( x) = e −∞ < x <∞
σ 2π
La distribución normal tiene varias propiedades importantes:
∞
1. − ∫ f ( x)dx = 1
−∞
2. − f ( x) ≥ 0 para toda x
3. − lím f ( x) = 0 y lím f ( x) = 0
x →∞ x → −∞
tµ +σ 2t 2
M X (t ) = e 2
2
1 u − µ
1 −
F ( x ) = P ( X ≤ x) = ∫
x
2 σ
e du
−∞
σ 2π
La evaluación de la integral anterior requiere de la utilización de métodos numéricos. Sin embargo, una
transformación simple de variables permite que la evaluación sea independiente de µ y σ
µ)/σ
Sea z=(x-µ σ
−µ z2
x−µ
x
1 −
F x = P X ≤ x = P Z ≤
( ) ( ) = ∫− xσ e 2 dz
σ σ 2π
donde
x − µx
z=
σx
se le conoce como la variable normalizada correspondiente a x, lo que significa que la µ de z es cero y que
la σ es 1
La función de distribución correspondiente está dada por
z
1 −
∫
z
F ( z ) = P( Z ≤ z ) = e 2
dz
σ z 2π −∞
Ejemplo 1.-
1.- Hallar el área bajo la curva normal en cada uno de los siguientes casos.
a. − P(0 ≤ z ≤ 1.2)
b. − P(−0.68 ≤ z ≤ 0)
c. − P(−0.46 ≤ z ≤ 2.21)
d . − P(0.81 ≤ z ≤ 1.94)
e. − P( z ≤ −0.6)
f . − P( z ≥ −1.28)
g . − P( z ≤ −1.44 y z ≥ 2.05)
Solución
a.-
De tablas
0.3849
µ=0 z=1.2
b.-
0.2518
z=-0.68 µ=0
c.-
0.1772 0.4864
P(-0.46<= z <=2.21)=0.1772+0.4864
=0.6636
-0.46 2.21
d.-
0.1828
P(z <= 1.94) = 0.4738
P(z <= 0.81) = 0.2910
Entonces
P(0.81 <= z <=1.94) = 0.4738 - 0.291
= 0.1828
0.81 1.94
e.-
-0.6
f.-
0.3997 0.5
P(z >= -1.28) = 0.3997 + 0.5
= 0.8997
-1.28
g.-
0.4798
0.4251
0.4251+0.4798=0.9049
1 - 0.9049 = 0.0951
-1.44 2.05
Ejemplo 2
Determinar el valor o valores de z en cada uno de los siguientes casos, donde el área se refiere a una curva
normal.
Respuesta
a.-
0.377
ó
z= 1.16 z= -1.16
b.-
0.0217 0.4332
+ 0.4332 0.0217 +0.0217
----------- ----------
0.0217 0.4115
0.4549
ó
z = -1.69 -1.5 -1.5 z = -1.35
Ejemplo 3
La media de los pesos de 500 estudiantes de un cierto colegio es 75 kg y la desviación estándar es de 7.5
kg. Suponiendo que los pesos se distribuyen normalmente, hallar cuantos estudiantes pesan:
Respuesta
Datos:
N = 500 estudiantes
µ = 75 kg
σ = 7.5 kg
a.-
60 77.5
µ = 75
x−µ
z=
σ
59.5 − 75
⇒ z1 = = −2.066
7.5
78 − 75
⇒ z2 = = 0.4
7.5
0.4803 0.1554
-2.06 0.4
⇒ P(−2.06 ≤ z ≤ 0.4) = 0.4803 + 0.1554 = 0.6357
Este resultado indica que existe la posibilidad que de un total de 500 alumnos, el 63.57% pese entre 60 y
77.5 kg, o dicho de otra forma el número aproximado de estudiantes que pesen entre 60 y 77.5 kg es de
317.
b.-
92.5
92 − 75
z= = 2.26
7.5
0.4881
0.5-0.4881=0.0119
2.26
Entonces, de un total de 500 alumnos el 1.19% pesa mas de 92.5 kg, es decir, cerca de 6 alumnos.
c.- menos de 64 kg
64
Normalizando
64 − 75
z= = −1.47
7.5
0.4292
0.5-0.4292=0.0708
-1.47
d.- exactamente 64 kg
64
63.5 64.5
63.5 − 75 64.5 − 75
z1 = = −1.53 z2 = = −1.4
7.5 7.5
0.437-0.4192=0.0178
-1.53 -1.4
0.5-0.4192=0.0808
-1.4
Ejemplo 4
Para cierta prueba la calificación media es µ =500 con una σ =100. Se desea aprobar al 75% de los
candidatos que toman esta prueba. ¿Cual debe ser la calificación mínima aprobatoria?.
0.25 0.5
z µ=500
Se tiene que
x − µ x − 500
z= = = −0.67
σ 100
Despejando x
Se desea formar una compañía con soldados de una estatura mínima de 180 centímetros. Sí la estatura
media es de 170 centímetros, con una desviación típica de 6.25 centímetros. ¿Cuantos soldados se espera
que cumplan el requisito en este regimiento de 1200 hombres?
µ=170 180
180 − 170
z= = 1.6
6.25
0.5-0.4452=0.0548
1.6
Lo que indica que aproximadamente 66 soldados cumplen con los requisitos señalados.
Ejemplo
Lanzamos 10 veces una moneda, considerar como éxito cuando aparezca un águila.
a.- Determinar la probabilidad de que aparezcan x águilas.
b.- Graficar tal probabilidad
c.- Determinar la media
d.- Determinar la desviación estándar
Este ejemplo corresponde a una distribución binomial porque sólo puede asumirse dos valores (éxito y
fracaso)
X={ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
1 1
p= q=
2 2
a.-
0 10
1 1
P( X = 0)=10 C 0 = 0.001
2 2
1 9 1 9
1 1 1 1
P( X = 1)=10 C1 = 10 * = 0.0098
2 2 2 2
2 8 2 8
1 1 1 1
P( X = 2)=10 C 2 = 45 * = 0.0439
2 2 2 2
3 7 3 7
1 1 1 1
P( X = 3)=10 C 3 = 120 * = 0.1172
2 2 2 2
4 6 4 6
1 1 1 1
P( X = 4)=10 C 4 = 210 * = 0.2051
2 2 2 2
5 5 5 5
1 1 1 1
P( X = 5)=10 C 5 = 252 * = 0.2461
2 2 2 2
6 4 6 4
1 1 1 1
P( X = 6)=10 C 6 = 210 * = 0.2051
2 2 2 2
7 3 7 3
1 1 1 1
P( X = 7)=10 C 7 = 120 * = 0.1172
2 2 2 2
8 2 8 2
1 1 1 1
P( X = 8)=10 C8 = 45 * = 0.0439
2 2 2 2
9 1 9 1
1 1 1 1
P( X = 9)=10 C 9 = 10 * = 0.0098
2 2 2 2
10 0
1 1
P( X = 10)=10 C10 = 0.001
2 2
b.-
f(x)
Distribución normal
0.25
0.2
0.15 Distribución
binomial
0.1
0.05 x
1 2 3 4 5 6 7 8 9 10
1
c. − µ = np = 10 * =5
2
2
1 10
d . − σ 2 = npq = 10 * = = 2.5 ⇒ σ = 1.58
2 4
µ = np σ = npq
x − np
⇒ z=
npq
1 1
p= q=
2 2
n n
x− x−
z= 2 = 2 (ec. 1)
1 1
n* n
4 2
tomando un incremento en x
n n n n
x +1− x− x +1− − x +
⇒ ∆z = 2− 2 = 2 2
1 1 1
n n n
2 2 2
Simplificando
1
∆z =
1
n
2
por otro lado, la distribución binomial está dada por
n!
f ( x)= n C x p x q n − x = p x q n− x
x!(n − x)!
Haciendo p=q=0.5
n
n! 1
⇒ f ( x) = (ec. 2)
x!(n − x)! 2
despejando de la ecuación 1 a x
1 n
x= z n+ (ec.3)
2 2
multiplicando por σx a f(x), sea
y = σ x f ( x) ( función de densidad )
n
n! 1 1
⇒ y= n
x!(n − x)! 2 2
tomando un incremento en x
n n
n! 1 1 n! 1 1
∆y = n− n
( x + 1)!(n − ( x + 1))! 2 2 x!(n − x )! 2 2
n
1 1 n! n!
∆y = n −
2 2 ( x + 1)!(n − x − 1)! x!(n − x)!
n! x!(n − x)! − n!( x + 1)!(n − x − 1)!
n
1 1
∆y = n
2 2 ( x + 1)!(n − x − 1)! x!(n − x)!
n
1 1
n [x!(n − 2 x − 1)]
n!
⇒ ∆y =
( x + 1)!( x!)(n − x)! 2 2
n
n! 1 1
como y= n
x!(n − x)! 2 2
y
⇒ ∆y = (n − 2 x − 1)
x +1
Dividiendo ∆y/∆
∆z
y
∆y x + 1
(n − 2 x − 1) y 1
= = n (n − 2 x − 1) (ec. 4)
∆z 1 x + 1 2
1
n
2
sustituyendo 3 en 4
∆y
=
∆z 1
y 1
n n − n z − n −1 ( )
n z + +1
n 2
2 2
∆y
=
y 1
n − n z −1 ( )
∆z 1
2
( n z+n+2
2 )
∆y − y (nz + n )
= ; dividiendo entre n
∆z n z+n+2
n
− y( z + )
∆y
1 1 2
= n ;n = n n = n 2 n 2 = n 2 = n2
∆z nz 2
+1+
n n
1
− y( z + )
∆y n
⇒ = ; sí n→∞
∆z z 2
+1+
n n
1
− y( z + )
∆y dy n
lim = = lim = − yz
n → ∞ ∆z dz n →∞ z 2
+1+
n n
dy
⇒ = − yz ; separando variables
dz
dy
= − zdz integrando
y
dy
∫ y
= Ln y + c1
z2
∫ − zdz = − 2 + c2
z2
⇒ Ln y + c1 = − + c 2
2
z2
Ln y = − + c3 tomando antilogaritmos
2
z2 z2
− + c3 −
y=e 2
=e e c3 2
sea e c3 = k
z2
−
∴ y = ke 2
z2
∞ ∞ −
∫ −∞
y dy = ∫ k e
−∞
2
dz = 1
de donde
1
k=
2π
z2
1 −2
∴ y= e función de densidad o distribución normal estandarizada
2π
y
y = σ x f ( x) ⇒ f ( x) =
σx
z2
1 − x−µ
f ( x) = e 2
;z=
σ x 2π σx
2
x− µ
σ
−
x
1
⇒ f ( x) = e 2
función de densidad o distribución normal
σ x 2π