Está en la página 1de 6

UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE CONTINUA MS


IMPORTANTES

Las distribuciones de variable contnua, al igual que las distribuciones discretas, han sido estudiadas
con mucha intensidad y cada una de ellas corresponde, como modelo, a una coleccin de
fenmenos aleatorios. Todas ellas sern abordadas utilizando su funcin de densidad. Se pondr
ms nfasis en la Distribucin Normal ya que ella constituye la base para la Inferencia Estadstica.

DISTRIBUCIN UNIFORME

Se dice que una variable aleatoria X tiene distribucin uniforme, y se escribe X ~ U[a, b] , si su
distribucin de probabilidad es como sigue:
1
f ( x) para x [a, b].
ba
donde las constantes a y b son parmetros de la funcin de densidad.

Ciertas variables aleatorias continuas en Fsica, Administracin y en Biologa tienen


aproximadamente distribuciones uniformes de probabilidad. Por ejemplo, supngase que
consideramos eventos que tienen una distribucin de Poisson, como las llamadas telefnicas que
llegan a un conmutador. Si se sabe que exactamente uno de tales eventos ha ocurrido en un
intervalo dado, digamos (0, t), entonces el tiempo real de ocurrencia tendra una distribucin
uniforme en este intervalo.

Ejemplo 1: Si una persona llega a su centro de labores entre las 8:00 y las 8:30 de la maana, podr
considerarse que es igualmente probable que llegue, por ejemplo, entre las 8:05 y las 8:10 o entre
las 8:15 y las 8:20. La variable X, que corresponde al tiempo en horas en que sucede la llegada al
centro de labores, tiene distribucin uniforme en el intervalo [0, 30].

Ejemplo 2: Las llegadas de los clientes a cierta caja registradora tienen una distribucin de Poisson.
Se sabe que durante un perodo dado de 30 minutos, lleg un cliente a la caja. Encuentre la
probabilidad de que el cliente haya llegado durante los ltimos 5 minutos del perodo de 30
minutos.

Solucin: Como se mencion antes, el tiempo real de llegada seguir una distribucin uniforme en
el intervalo (0,30). Sea X el tiempo de la llegada, entonces
30 25 1
30
1
P(25 X 30) = dy
25
30 30 6
Obsrvese que la probabilidad de que la llegada ocurra en cualquier otro intervalo de 5 minutos ser
tambin igual a 1/6.

Caractersticas Numricas: Si X ~ U[a, b] , su esperanza y varianza son iguales a:


E(X) =(a+b)/2 y V(X) = (b-a)2/12

DISTRIBUCIN EXPONENCIAL

Una variable aleatoria continua X tiene distribucin exponencial, con parmetro > 0, y se escribe
X ~ exp , si su funcin de densidad est dada por:

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 1


UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES

f ( x) e - x para x0; >0


donde es una constante real.
Este modelo est asociado al fenmeno aleatorio que consiste en observar el tiempo que
transcurre, desde que se inicia la observacin hasta que ocurre el evento por primera vez, en un
proceso de Poisson. La v.a. X se interpreta como el tiempo de espera para la primera ocurrencia
en el proceso de Poisson, con ocurrencias por unidad de tiempo.

Caractersticas Numricas: Si X ~ exp , su esperanza y varianza son:


E(X) = 1/ V(X) = 1/ 2

Ejemplo 1: El tiempo de vida en horas, X, de un cierto dispositivo electrnico tiene funcin de


densidad
f ( x) 1 / 100e x / 100 con x 0.
Cul es la probabilidad de que un dispositivo escogido al azar no tenga que ser sustituido durante
las primeras 150 horas de uso?

Solucin: Para que un dispositivo no se sustituya durante las primeras 150 horas, X debe ser mayor
que 150. La distribucin de X es exponencial con parmetro 1 / 100; por lo tanto,

(1 / 100)e
x / 100
P(X>150) = dx e 150 / 100 0.2231.
150

Ejemplo 2: Una estacin de suministro de gasolina recibe gasolina una vez por semana. Si su
volumen semanal de ventas V, en miles de galones, se distribuye exponencialmente con parmetro
= 0.5, calcular la capacidad que debe tener el depsito de la estacin si el distribuidor desea que,
con una garanta del 99%, exista gasolina en el fin de semana.

Solucin: Si C es la capacidad del tanque, debe cumplirse que


0.5e
0.5 x
0.99 = P(V<C) 0.01 = P(V C) = dx . Resolviendo la integral se tiene C = 9.2103
C
miles de galones.

DISTRIBUCIN NORMAL

Se dice que la variable tiene distribucin normal, con parmetros y 2 , y se escribe



X ~ , 2 , si su funcin de densidad es
1
1 x
2

f ( x) exp , c on R, > 0, x R.
2 2


Cada par , da lugar a una distribucin diferente, y cuando se tienen valores dados de y 2
2

se determina completamente a la distribucin normal de inters.


Este modelo, que vamos a emplear para representar la distribucin de ciertas variables continuas, en
poblaciones inmensamente grandes tiene las siguientes caractersticas:
La variable asume todos los valores reales, es decir, va de a .
La grfica de f ( x ) es simtrica con respecto a la vertical que pasa por la media de la variable: a
cada lado de la media, la variable se distribuye de igual manera.

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 2


UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES

El valor de la media, la mediana y la moda coinciden.


La forma de la distribucin de la variable es acampanada. La curva se denomina campana de
Gauss o curva normal.
El rea bajo la curva f ( x ) y por encima del eje x es 1.
El rea bajo la curva f ( x ) comprendida entre las rectas x = a y x = b, correspondiente a la
probabilidad P(a X b) , se calcula usando tablas ya elaboradas.
En la curva, a cada lado de la media, hay dos puntos especiales llamados puntos de inflexin los
cuales marcan un cambio de concavidad en la curva. Estos puntos estn situados a una distancia de
una desviacin estndar de la media.

Para cualquier valor de y 2 , se cumple que el rea comprendida entre - y + es


aproximadamente el 68.26% del rea total. Entre - 2 y +2 , el 95.5%. Entre - 3 y
+ 3 , el 99.9%.4/5
Cuando = 0 y 2 1 , la distribucin normal se llama distribucin normal estndar o
tpica.
En este caso, la funcin de densidad queda expresada del modo siguiente:

1 1
f ( x) exp x 2 , x R;
2 2

y la probabilidad P( X x) , denotada por ( x ) , la cual representa el rea bajo la curva f ( x ) a la


izquierda del punto x , ha sido calculada y tabulada.
Matemticamente, esto se representa del modo siguiente:
x x
1 t 2
( x ) = P( X x) = f (t )dt e 2
dt

2

Si X ~ N(0, 1) , entonces para todo x real positivo se cumple ( x ) = 1- ( x ) .


X

Si la variable X tiene distribucin , 2 , entonces la variable Z, definida por Z

,
tiene distribucin N(0,1). Esta propiedad indica lo siguiente: Cualquiera que sean los valores de
los parmetros de la distribucin , 2 , ella puede ser transformada a una N(0,1), segn la
transformacin Z anterior, y las probabilidades correspondientes a X pueden ser calculadas a
X
partir de la distribucin de la variable Z , a la que se le denomina variable normal

estandarizada. Al proceso de transformacin aplicado se le denomina estandarizacin.

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 3


UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES


Caractersticas Numricas: Si X ~ , 2 , entonces E(X) = y Var(X) = 2 .

Si la variable aleatoria X tiene distribucin , 2 , entonces la variable aleatoria Y aX b

tiene distribucin a b, a 2 2 . Esta propiedad nos indica que, cualquier combinacin lineal
de una variable normal tiene tambin distribucin normal.
Propiedad Reproductiva: Si X ~ 1 , 12 y Y ~ 2 , 22 , ambas variables
independientes, entonces la variable aleatoria (X + Y) ~ 1 2 , 12 22 . Esta propiedad
nos dice que la suma de dos variables aleatorias normalmente distribuidas tambin tiene
distribucin normal, con media igual a la suma de medias y con varianza igual a la suma de
varianzas. Del mismo modo, si las dos variables fuesen independientes y tuviesen la misma
distribucin N ( , 2 ) , entonces la suma de ellas tambin tiene distribucin normal, con media
2 y con varianza 2 2 . Esto es, (X+Y) tiene distribucin N(2, 2 2 ). De otro lado, si las dos
variables fuesen independientes y tuviesen la misma distribucin N ( , 2 ) , la media de ellas
tambin tendra distribucin normal, con media igual a y con varianza igual a 2 /2 .
Se puede extender esta propiedad para cualquier nmero de variables aleatorias. Generalizando:

Propiedad Reproductiva

1. Si X1 , X 2 ,..., X n son n variables aleatorias independientes, cada una con distribucin ( , 2 ),


para i = 1, 2, ..., n, entonces, la suma de las n variables aleatorias sigue una distribucin que se
comporta como una N( 1 +....+ n , 12 + + 2 )

2. Si X1 , X 2 ,..., X n son n variables aleatorias independientes e idnticamente distribuidas, todas


con la misma distribucin N(, 2 ), entonces la variable aleatoria suma de las n variables
aleatorias, Y= X1 X 2 ... X n , sigue una distribucin N( n , n 2 ).

3. Si X1 , X 2 ,..., X n son n variables aleatorias independientes e idnticamente distribuidas, todas


con distribucin N ( , 2 ) , entonces la variable aleatoria media aritmtica de estas n variables
1 n 2
aleatorias, X X 2 ... X n
X 1
n
= i
n i 1
X , sigue una distribucin N ( ,
n
).

TABLA DE LA DISTRIBUCIN NORMAL


Para valores de x , que varan a intervalos de un centsimo, generalmente desde -3.50 hasta 3.50, el
cuerpo de la tabla presenta valores de ( x ) . Esta tabla se usa de dos maneras. Uso directo: dado x ,
hallar ( x ) . Uso inverso: dado ( x ) , hallar x .

Ejemplos de uso directo de la tabla normal: Sea X ~ (0,1).

1) Para x = -1.85, P(X -1.85)= ( 185


. ) = 1- (185
. ) = 1- 0.9678 = 0.0322
2) Para x = 2, P(X 2) = (2) = 0.9772

3) P(0 X 2) = P(X 2) - P(X<0) = (2) - ( 0) = .9972 .4772


0.9772 - 0.50 = 0.4772 2 0 2

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 4


UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES

4) P(-1 X 1) = 2P(0 X 1) = 2[ (1) - ( 0) ] =


2[0.8413- 0.50] = 0.6826
5) P(-2 X 2) = 2P[0 X 2] =
2(0.4772) = 0.9544

6) P(-3 X 3) = ( 3) - ( 3) =
0.9987 - 0.0013 = 0.9974

7) El rea bajo la curva normal a la derecha del punto x = 1.52 es


P(X > 1.52) = 1 - P(X 1.52) = 1 - 0.9357 = 0.0643
0.0643
8) El rea entre x = 0.7 y x = 2.1 es
P(0.7 X 2.1) = (2.1) - (0.7) =
1.52
0.9821 - 0.7580 = 0.2241

Ejemplos de uso inverso de la tabla normal

9) Se desea conocer el valor de x asociado al percentil 75.


Esto es, dado ( x ) = 0.75, cunto vale x?.
Buscando el valor ms prximo a 0.75 en el cuerpo de la tabla, se observa que (0.67) = 0.7486
y ( 0.68) = 0.7517, por lo tanto x = 0.67 .
Esto significa que, el percentil 75 en una distribucin normal est localizado a una distancia de
0.67 desviaciones estndares por encima de la media.

10) Se desea conocer los valores de x que cubren el 95% del rea central de una distribucin
normal.
Por la simetra de la curva, debemos hallar los valores de x tales que se cumpla P(-x X x)= 0.95.

Evaluando la probabilidad,
0.95 = P(-x X x) = (x) - (-x) =
(x) -[1 - (x)] =2 (x) - 1 (x) = 0.975
Buscamos en el cuerpo de la tabla el valor 0.975 y le hacemos corresponder su cuantil. As, x =
1.96.
En consecuencia, x = -1.96 y x = 1.96 acotan el 95% central de una distribucin normal.

11) Si X ~ N(12,4), hallar P[10 X 14].

1012 X- 14-12
Resolviendo, P(10 X 14) = P = P -1 Z 1
2 2
= (1) - (-1) = (1) - [1 - (1)] = 2 (1) - 1
= 0.6826.

APLICACIONES DE LA DISTRIBUCIN NORMAL

Ejemplo 1: Se sabe que el dimetro de ciertos rodamientos producidos por una mquina, sigue una
distribucin normal con media = 15 cm. y = 0.02 cm. Para que el rodamiento sea considerado
como no defectuoso, su dimetro debe variar entre 14.98 y 15.02 cm.

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 5


UNMSM FISI NOTAS DE CLASE TEMA: PROBABILIDADES

a) Cul es la probabilidad de que un rodamiento escogido al azar sea defectuoso?


b) Qu probabilidad existe de que en una caja de 50 rodamientos producidos hayan
exactamente tres rodamientos defectuosos?

Solucin: Sea la variable aleatoria X que indica la longitud de los dimetros.


a) La probabilidad de que cada rodamiento sea no defectuoso es
P14.98 X 15.02 P1 Z 1 0.6826
Luego, la probabilidad de que un rodamiento sea defectuoso es: 1 0.6826 = 0.3174

b) Sea la variable aleatoria Y que denota el nmero de rodamientos defectuosos en una caja de 50
unidades. Entonces, Y tiene distribucin binomial con parmetros n 50 y p 0.3174 .
50
Luego, PY 3 0.3174 0.6826 0
3 47

Ejemplo 2: El tiempo de duracin de un faro de luz est normalmente distribuido, con una duracin
media de 800 horas y una desviacin estndar de 200 horas. Se compran 500 de estos focos.
Cul es la distribucin de probabilidad del nmero de focos que estarn en servicio despus de
1000 horas?

Solucin: Sea la variable aleatoria X el tiempo de duracin de los focos; X ~ N(800,200 ). Que el
foco est en servicio despus de 1000 horas, significa que el tiempo de duracin, X, sea mayor que
1000 horas.
X 800 1000 800
Entonces, P X 1000 1 P( X 1000) 1 P
200 200
1 P Z 1 1 (1) 1 0.8413 01587 .

De otro lado, si la produccin de focos es muy grande, los 500 focos que se compran constituyen
ensayos independientes de Bermoulli, con probabilidad de xito igual a P X 1000 . Entonces, el
nmero de focos que duran ms de 1000 horas es una nueva variable aleatoria, Y , con distribucin
binomial cuyos parmetros son n 500 y p 01587 . .
Con ambos ejemplos, hemos visto que se pueden combinar modelos para el clculo de
probabilidades asociadas a diferentes variables aleatorias de inters.

Ejercicio 1: Sea XN(200, 20). Determinar las siguientes probabilidades:


a) P(185<X<210)
b) P(215<X<250)
c) P(X>240)
d) P(X>178)

Ejercicio 2: Se supone que los puntajes del examen de ingreso a cierta Universidad tienen una
distribucin normal con una media de 78 puntos y varianza igual a 36. Cul es el valor del
percentil 90? Si se desea aprobar solamente al 28,1% de postulantes, cul debe ser el puntaje
mnimo aprobatorio?

Ejercicio 3: Supongamos que la demanda semanal de un artculo sigue una distribucin normal
con media =100 y desviacin tpica =20. Qu existencias deben tener al principio de la semana
para poder satisfacer la demanda con una probabilidad de 0.95?

PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI Pgina 6

También podría gustarte