Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD 4.DistribucionesContinuas
UNIDAD 4.DistribucionesContinuas
DISTRIBUCIN CONTINUAS........................................................................................................ 2
4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA...........................................................2
4.2 FUNCIN DE DENSIDAD Y ACUMULATIVA...........................................................................2
4.3 VALOR ESPERADO, VARIANZA Y DESVIACIN ESTNDAR...............................................6
4.4 DISTRIBUCIN UNIFORME CONTINUA................................................................................7
4.5 DISTRIBUCIN EXPONENCIAL............................................................................................ 12
4.6 DISTRIBUCIN GAMMA (ERLANG)......................................................................................13
4.7 DISTRIBUCIN NORMAL...................................................................................................... 16
4.6 DISTRIBUCIN GAMMA (ERLANG)......................................................................................20
4.8 TEOREMA DE CHBYSHEV................................................................................................. 24
DISTRIBUCIN CONTINUAS
4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA.
Si los datos representan mediciones de una variable aleatoria continua y si su
cantidad de datos es muy grande, podemos reducir la anchura de los intervalos de
clase hasta que la distribucin se vea como una curva continua. Una funcin de
densidad de probabilidad, es un modelo terico para esta distribucin.
Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria
continua y entonces la funcin de densidad f(y) para y es.
f y
df y
dy
f y dy f 1
P a y b f y dy
b
3.-
f ( y)
dF ( y )
dy
La funcin de densidad para una variable aleatoria contina y que modela alguna
poblacin de datos de la vida real, por lo regular es una curva.
EJEMPLO:
La funcin de densidad de probabilidad de probabilidad del tiempo de falla ( en
horas) de un componente electrnico de una copiadora.
e x / 1000
f ( x)
1000
Para x>0
Calcule la probabilidad de que:
a) El componente tarde ms de 3 mil horas en fallar.
b) El componente falle en el lapso comprendido entre 1000 y 2000 horas.
c) El componente falle antes de 1000 horas.
d) Calcule el de horas en las que fallaron el 10% de todos los componentes.
a)
p(x>3000)= 1- p (0<x<3000)
p (0 x 3000)
3000
e x / 1000
1000e x / 1000
dx
1000
1000
3000
p (1000 x 2000)
1000
e x / 1000
2000
2000 / 1000
e x / 1000
1000e x / 1000
dx
1000
1000
1000
(e ( 1000 / 1000) )
1000
e
c)
1
1
1 0.232544 23.25%
2
e
e
3000
1
1 0.9502
e 3
b)
2000
x / 1000
2000
1000
p (0 x 1000)
e x / 1000
1000
e x / 1000
1000e x / 1000
dx
1000
1000
1000 / 1000
1000
(e 0 / 1000 ) e 1 e 0
0.6321 63.21%
d)
p(0 x w)
e x / 1000
e x / 1000
1000
0
w
p (50 x 50.25)
50.25
50
2dx 2
50.25
50
50.25
dx 2 x
50
b)
w
p(49.75 x w) 2 x
49.75
2w 0.9 2(49.75)
0.9 99.5
2
w 50.2
Ejercicio 2
Supngase que f(x)=e-x para 0<x. Determine las siguientes probabilidades.
a) p (1<x)
p (1 x) 1 p (0 x 1) 1 0.6321 0.3678
1
p (0 x 1) e dx e
z
e (e ) e 1 0.3678 1 0.6321
0
b)
2.5
2.5
p (1 x 2.5) e x dx e x e 2.5 (e 1 )
1
2.5
c)
p ( x 3) 0
d)
4
p ( x 4) e x dx e x e 4 (e 0 ) e 4 e 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%
Ejercicio 3
e ( x 4)
12
p (8 x 12) e ( x 4) dx e ( x 4 )
8
(12 4 )
(8 4 )
e
( e
) 3.35 x10
0.0176 1.76%
0.018
e)
p ( X x) 0.90
p ( X r ) 0.90
r
p ( X r ) e ( x 4 ) dx e ( x 4 ) e ( r 4 ) (e ( 4 4 )
4
( r 4 )
1 e
r 4
0.90 1
r 4
0.10
r 4
e r 4 0.10
ln( e r 4 ) ln( 0.10)
r 4 ln( 0.10)
r 2.3025 4
r 6.3025
r 6.3025
1 0.90
xf
( x )dx
V ( X ) 2 x ( x x) 2 f ( x)dx
EJEMPLO:
Con la siguiente funcin f(x) =0.125x para 0<x<4, calcular la media, la varianza y
la desviacin estndar.
Valor esperado:
4
0.125 x
3
3 4
0.125(4)
0.125(0)
8
2.666
3
3
3
Varianza:
4
4
8
16 X 64
V ( x) 2 ( X ) 2 0.125 x dx X 2
0
0
3
3
9
X3
0 8
1
dx
8
16 x 2
24
4
3
4 X
64 x
x4
2 x 2 8x
2 x 3 8x 3
dx
dx
0 8 3 9
8
*
4
3
*
3
9
*
2
72
0
3
2
3
2
4
3
2 4
4
4
4
x
2x
8x
2 4
8 4 0
2 0
8 0
8
0.8888
9
18 0 32
9
18 32
9
18
9
32
4
Desviacin estndar:
8
0.9428
9
f x
1
,
b a
a X b
x
0 .5 x 2
ab
dx
ba
ba a
2
3 Ibd. Pg.170
La varianza de X es
3
( a b) 2
( a b)
(x
)
(x
)b
b
(b a ) 2
2
2
v ( x)
dx
a
ba
3(b a ) a
12
Estos datos pueden resumirse de la siguiente manera.
La media y la varianza aleatoria uniforme contina X sobre a x b estn dadas
por:
x E ( X )
( a b)
2
2 x v( x )
y
(b a ) 2
12
EJEMPLO:
Suponga que X tiene una distribucin uniforme continua en el intervalo
[1.5, 5.5].
a) Calcule la media, la varianza y la desviacin estancar de X.
b) Cual es la probabilidad de p(x<2.5).
f ( x)
a)
1
1
1
0.25
b a 5.5 1.5 4
5 . 5 1 .5 7
3.5
2
2
2x
(5.5 1.5) 2 4
1.33
12
3
4
1.1547
3
P ( X 2.5)
2.5
1. 5
2.5
1
x
2.5 1.5
dx
0.25 25%
4
4 1. 5 4
4
b)
EJEMPLO 2:
Suponga que X tiene una distribucin uniforme continua en el intervalo [-1, 1]
a) Obtenga la media la varianza y la desviacin estndar.
b) Calcule el valor de X talque p(-x < X < x)=0.90
f ( x)
1
1
1
0.5
b a 1 (1) 2
11
0
2
(1 (1)) 2
4 2
x
0.333
12
12 6
2
2
0.577
6
a)
b) p(-x< X <x)=0.90
1
x
r 1
1 2dx 2 1 2 2 0.05
r
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:
La variable X se desarrolla en el intervalo [2 , 8].
a) Obtenga la media de la distribucin.
b) Calcule la probabilidad p(x<X<x)=0.85
c) Calcule la probabilidad de p(x<X)=0.70
f ( x)
x
a)
1
1
1
0.166
ba 82 6
8 2 10
5
2
2
b)
p (2 X x)
1
x
x 2
dx 0.075
6
62 6 6
x
2
0.075
6
6
2
x (0.075 )6
6
x 2.45
comprovacin :
7.55
1
x
7.55 2.45
p (2.45 X 7.55)
dx
0.85
2.45 6
6 2.45
6
6
7.55
c)
p ( x x) 0.70 p(2 X x )
1
x
x 2
x
2
2
dx 0.30 0.30 x (0.30 )
6
62 6 6
6
6
3
x 3.8
p ( x X 8)
x
8
0.70
6
6
8
x ( 0.70 )6
6
x 3.8
1
x
8 x
dx 0.70
6
6x 6 6
0.1
0.1
25e 25 x dx 25 e 25 x dx
0
2.5
25e 25 x
25
0.1
0.1
25 x
25( 0.1)
(e 25( 0 ) )
e e
1 0.9179
obtenemos
Para
es un entero positivo
Y de aqu
gamma y exponencial.
La media y la varianza de la distribucin gamma son
Ahora bien,
y=x / B , que da
Y entonces
1
2
( x )2
2 2
a)
6 Ibd. Pg.155
7 MONTGOMERY, Douglas C. Op. Cit. Pg.175
b)
P 1 Z 2
c)
P(0.16 Z 1.06
d)
P1.03 Z 2.33
P 0.49010 0.34849
e)
P 2.43 Z z 0.9675
z 1.99
f)
P z Z z 0.99
0.99
0.4950 0.5 2.58
2
z 2.58
g)
P z 1.731.73 z
1 0.045818 0.04182 2
0.08364 8.36%
h)
P 2.75 Z 3.66 Z
1 0.99702 0.00278
1 0.99987 0.00073
0.00278 0.00073 0.00311
0.00311 0.31%
Entonces, segn el teorema del lmite central para las sumas, la distribucin y la
probabilidad binomial p (y) deber acercarse a la notabilidad conforme n aumente
la aproximacin normal de una distribucin de probabilidad binomial es
razonablemente aceptable incluso para nuestros pequeos, digamos, n=10
cuando p = .5 y la distribucin de y es, por tanto simtrica alrededor de su medio
= np cuando p de acerca a 0 la dispersin de la probabilidad binomial tiende a
sesgarse hacia la derecha o a la izquierda pero esta simetra desaparecer
conforma aumente n . En general la aproximacin ser buena cuando n sea lo
bastante grande como para que tanto -2 =np+2npq queden entre 0 y n.
Sea y una distribucin de probabilidad binomial con n = 10 y p = .5.
a. Grafique p(y) y trace sobre la misma grafica una distribucin normal con
=np y = npq.
b. Utilice la tabla 1 del apndice 2 para obtener p(y4).
c. Utilice la aproximacin normal a la distribucin de probabilidad binomial
8 MORRIS H. Probabilidad y estadstica pag.113.
p ( X k ) 1
1
k2
EJEMPLO:
Si la densidad de la probabilidad de la variable aleatoria X esta dada por
630 x 4
0
f ( x)
Para 0<x<1
en
otra
parte
determine la probabilidad de que X tome un valor contenido en dos desviaciones
estndar de la media y comprela con el limite inferior proporcionado por el
teorema de Chbyshev.
La integracin directa muestra que = y 2= 1/44, de manera que = 0.15 por
tanto, la probabilidad de que X tome un valor contenido en dos desviaciones
estndar de la media, es la probabilidad de que tome un valor entre 0.20 y 0.80, es
decir,
p (0.20 X 0.80)
0.80
0.20
630 x 4 (1 x) 4 dx 0.96