Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Parte5 PDF
Parte5 PDF
2 Distribución Normal
Una variable aleatoria X que toma valores reales, -oo < X < oo, tiene distribución normal si su
función de densidad es de la forma:
2. p = Md = P 50 = M c M d : Moda,
NOTACIÓN X ~ n ,a 2 ) Esto quiere decir que la variable aleatoria X tiene una distribución
Normal con media (i y varianza a 2
96
5. M x ( t ) = - j J = H dx, haciendo Z = - ^ = > d z = — , \ X = az + n
¿na
V 2r ~ ~
V(X) = n 2 + a 2 - (i2 = a 2
9. F z ( - z ) = l - F z ( z )
Ejemplo 14
a. P(X < (i - a)
b. P(X > (i +2 a)
c. P(n - 3a < X < ii + 3a)
Solución:
P ( Z < - 1 ) = 0.15866
a
b. P(X > n + 2a) = 1 - P(X < n + 2a) => P(X - < 2a) => P P(Z< 2) = 0.97725
a a
=> P(X > \i + 2a) = 1 - 0.97725 = 0.02275
9<
C. P ( n - 3 a < X < j i + 3a) = P G i - 3 a - n < X - j i < j i + 3 a - j O = P(— < — — < — ) =
a a a
= P(-3 < Z < 3) = P(Z < 3) - P(Z < -3) = 0.99865 - 0.00135 = 0.9973
NOTA 1. Los valores de probabilidad son leídos en una tabla de probabilidad normal estándar.
Ejemplo 15
La estatura de una población es una variable aleatoria normalmente distribuida con media 172.2
cm y desviación estándar 6.35 cm. Se desea seleccionar una muestra al azar de 200 personas. Cuantas
de ellas se espera que midan:
Solución:
a. P(170 < X < 172) = P(X < 172) - P(X < 170) = 0.48803 - 0.36693 = 0.1211
172-172 2
P(X < 172) = P(Z < = -0.0314) = 0.48803
6.35
170-172 2
P(X < 170) = P(Z < — = -0.3464) - 0.36693
6.35
150-172 2
c. P(X < 150) = P(Z < — — = -3.4960) = 0.00029
6.35
98
e. P{(X < 145)|J(X > 180)} = 1 -P(145 < X < 180) = 1-0.88877 = 0.11123
P(145 < X < 180) = P(X < 180) - P(X < 145) =
P(Z < 1.228) - P(Z < -4.283) = 0.88877 - 0.0 = 0.88877
La interpretación de estos resultados se acostumbra a hacer tal como se ha efectuado con una
medida de probabilidad, así se tiene:
Sea X~B(n, P ) => Lim P(X < a) = P(Y < a + 0.5) = P(Z < ( V °n p' 5 )1" p = z) ó también
n —» oo V ( ~ )
Lim P(X > a) = P(Y > a — 0.5) = P(Z > ( a " °' S ) ~ ^ = z)
siendo Y « n ( f i , a 2 ) ^ Z = - = L = S E = « n(0,1)
Vnp(l-p)
Ejemplo 16
Sea una variable X con distribución Binomial de parámetros n=5 y P=0.4. A pesar de que n es
pequeño se evidencia ya la aproximación normal. Observen las gráficas y la corrección por continuidad
que se debe hacer.
99
X P(X=x) a - 0,5<Y<b+ 0,5 P(a- 0,5 < Y < b+ 0,5)
0 0,08 - 0,5 - 0,5 7,5
1 0,26 0,5 - 1,5 24,1
2 0,35 1,5 - 2,5 35,6
3 0,23 2,5 - 3,5 24,1
4 0,08 3,5 - 4,5 7,5
5 0,01 4,5 - 5,5 1,1
TOTAL 1,00 TOTAL 100,0
- 30,0 ll '
fi X
X
d. 20,0 - B. 20,0 -
o
o
2 io,o
10,0 -
rl 1 0,0 •0,5 • 0,5
'
0,5 - 1,5 1,5 - 2,5 2,5 • 3,5 3,5 • 4,5 4,5 - 5,5
VALORES DE Y
0,0 -
VALORES DE X
Sea v|/ un fenómeno aleatorio y X una variable aleatoria que puede representar una característica
física cuyos valores se encuentran restringidos a un intervalo de longitud finita. Tales como:
gx(x) = ^7^T x a
" 1
a- x
) P
" 1
0<X<1 a,p>0
B(a,P)
r(q)r(P) , t - l „-x
B ( a , P ) = j¡ x a - 1 ( l - x ) P - 1 d x = R<T) = F e dx t > 0
r ( a + P)
100
a ap
E(X) = V(X) = - 2
= ct
a +p (a + P) (a + P + l)
00
NOTACION X~B(a,P)
E/emp/o 17
0.2 0.4 0.6 0.8 1 X
La proporción de tramos de una autopista que requieren repararse anualmente, es una variable
ileatoria con distribución Beta de parámetros a= 3 y P=2.
Tí 5) 4' i i2
Siendo g x (x) = — — — x 2 V(1 - x) = — x 2V(1 - x)
; = L2x (1 - x)
0<x<l
' T(3)r(2) ' 2!1!
5 5
P(X<0.5) = J0° g x ( x ) D X = J0°' 1 2 x 2 ( l - x ) d x = 0.3125
NOTA 2. Caracterización de la forma de la función de densidad del modelo Beta a, P le dan la
101
forma a la curva así:
a =
ß la distribución es simétrica
NOTA 4
Ejemplo 18
102
Calcular
d. P(0.507<X< 0.7424
e. P(0.3902<X< 0.8598
Solución:
AlfvBttk V(X) = a 2
10,6
10x6
g(*)
(10 + 6)2 (6 + 10+1)
= 0.01378
a = 0.1174
0 0.2 0.4 0.6 0.8 1
X
15! 9
=r2 5
3 0 0 30 x 9 ( l - x ) 5 dx x ( l - x ) 5 = 30030 x 9 ( l - x ) 5
JO 9 ! 5!
= 0.4826
0.7424 ru./4Z4
0.7424 _
Í
Q
(•0.8598 f0.8598 Q ,
P(0.3902<X
V <0.8598)=
7 6gXxV( x ) d x = 30030 * x 9V( l - x )7 5 d x = 0.9595
JO.3902 ^ JO.3902
103
2.5 Distribución Exponencial
1. X es variable aleatoria que señala el tiempo transcurrido entre dos sucesos de la misma
naturaleza, ó indica el tamaño de una región del espacio.
>x
/.c x>0
2. gx(*) =
en otro caso
5. M" (t = 0) = 2/A,2 = E ( X 2 )
6. V(X) = 2 / A 2 - l / A 2 = l / A 2 = c 2
7. F x (x) = l - e " X x
8. Existe relación de éste fenómeno con el Poisson ya que los 2 sucesos mencionados en la
variable exponencial son del tipo Poisson. Por lo tanto X es el mismo parámetro en las dos
distribuciones.
11. Para x > a, la función de densidad se presenta como: g x (x)= Á,e "X(x"a). Algunos autores la
llaman exponencial trasladada.
104
DISTRIBUCION EXPONENCIAL DISTRIBUCION EXPONENCIAL
x>0 x>20
0.06 0.06
0.05 0.05
0.04
0.03
Lambda
17
0.04
0.03
•¡lili
•
0.02 0.02
0.01 0.01
1
0 0
20 40 60 SO 100 20 40 60 SO 100 120
X X
NOTACION. X ~ Ex(k)
Por lo tanto, la primera derivada F' T (t)= gT(t) es la función de densidad de T, en la cual se
tiene el mismo parámetro X de la distribución Poisson.
Ejemplo 19
105
Y: indica el número de personas que llegan al supermercado por minuto. Y~P (X= ])
X: describe el tiempo (en minutos) transcurrido entre la llegada de dos clientes.
X~Ex(A.= l)
d. P(X.3/X>2)
v =P ^ X ^ =^=0.6334
' P(X>2) 0.135
2.6 Distribución G a m a
Una variable aleatoria X asociada a un experimento aleatorio tiene una distribución GAMMA si
se caracteriza por las siguientes propiedades:
DISTRIBUCION GAMMA
1 A<axa-le-^x x > 0 a A > 0 0.5
I.gx00 = r ( a)
0.4 Fottìi a t Escala
o enotrocaso g(x)I
/\
A 1,1
i
— 2,1
0.3
•• — 7,1
Algunas alternativas de funciones de 0.2
densidad se pueden ver en la gráfica del lado i
derecho. Siendo los parámetros de forma (a) y 0.1 K
escala (A,) respectivamente: a = l , A,=l; a=2,
I > r v
0 12 15 X
A,=l; a=7, A,= l.
Xa |«xa-le-x(.-t)dx
2. MY(t)=íaetx ' -À,ax e dx =
X JU
r(a) r(a)
A« ra í U ^ du u=x(À-t)
Jo
r(a) U-tJ ~ Ar-t du=dx(A-t)
f y, vx ' X
^ f u^e-du = r(a) =
( ^ - t ) a r ( a ) -0 X-t r(a)
106
a
=> M'(t=0)= —= E(x)
ia+2
4. M"(t) = -aAa [(a +1) {X - t) a (-1)] / (X - t) 2(a+1) = a(a + \)Xa/(X-t)
5. V(X) =
NOTACION. X~G(a,X)
NOTA 4. Si X es un entero positivo existe una relación con la distribución Poisson, la función
de distribución se expresa por
x >0
x=0
107
El modelo Gamma se ha utilizado frecuentemente en variables tales como:
Ejemplo 20
Suponga que cierta pieza metálica se romperá después de sufrir dos ciclos de esfuerzo. Si estos
ciclos ocurren de manera independiente a una frecuencia promedio de dos por cada 100 horas. Obtener
la probabilidad de que el intervalo de tiempo se encuentre hasta que ocurre el segundo ciclo:
Solución:
X: Lapso que ocurre hasta que la pieza sufre el segundo ciclo de esfuerzo ,en horas.
Y: Número de ciclos /100 horas Y ~ ?{X=2) E(Y) = 2
Y': Número de ciclos / hora Y' ~ P(A=0.02) E(Y') = 0.02 = X
X ~ G(2, 0.02)
Ejemplo 27
En cierta ciudad el consumo diario de energía eléctrica, en millones de kilovatios por hora, puede
considerarse como una variable aleatoria con distribución GAMMA de parámetros a = 3 y X= 0.5.
108
La planta de energía de esta ciudad tiene una capacidad diaria de 10 millones de KW/hora
Solución:
c. E ( X ) = — =6 V(X)=—^r=12=i>ü=3.46
0.5 0.5^
Fue establecida por el físico suizo Weibull quien demostró que el esfuerzo al que se someten los
materiales puede modelarse de manera adecuada mediante el empleo de esta distribución. También se
ha usado para modelar situaciones del tipo tiempo- falla, ó bien puede indicar la vida útil de cierto
artículo, planta o animal, confiabilidad de un componente.
Si a = 1 => X~ Ex (A)
Obsérvense al lado las gráficas de algunas de las formas que adquiere la distribución.
109
2. F x (x) = l - e ^ x ) a x>O
3. E(X)=A lr
V ay
. í ^ p
4 v(x)=\ Nr i+- - r 11+-
1 v «. a
—— y
1 -ít;"
g T (t) = a — t a 4 e{Qj t > 0; a,0>O T~W(a,0)
Ejemplo 22
Suponga que la vida útil de cierto elemento es una variable aleatoria que tiene distribución
Weibull con a = 0.5 y /.= 0.01. Calcular:
110
Solución:
a E ( X ) = ^ r ( 3V ) = 200
0.01 '
c. P(X > 300) = 1 - P(X < 300) = 1 - 0.5 * 0.01o'5 x"0'5 e"(0 01 x r " =0.177
Ocurre en la práctica cada vez que existe una variable aleatoria X tal que su logaritmo natural es
una nueva variable aleatoria Y con distribución normal, entonces X sigue el modelo probabilístico
llamado logaritmo normal.
Sea la variable aleatoria X * n (|i x , CTx2) => Y=ln X x>0 =>Y~n (|i x , CTy2) X~Ln ((%, c>Y2)
d(H (X)
g x ( x ) = g Y (H- 1 (x)) Haciendo Y=ln X => H(X)=eY = X H 1 (X)= lnX
dX
(lnx-ny) (lnx-^y)
2u y 2aY
gx(x):: = e x >0
Gy-J2 TI XCT • ,-j2n
/ i á„2
x u,
0,3 i ¡ b 12
00 i »
s
0,2 • i — ^
: 1 i
0,1
....
0 k- -
12 15 18
111
UvH
E(X) = e 2 =Mx
V(X) = e^ Y+CTY = 4
Se lee, la variable aleatoria X tiene distribución logaritmo normal (ó lognormal) con parámetros
Hx Y °y 2 •
NOTA 1. Las aplicaciones de la distribución logaritmo normal tienen que ver, entre otras con:
Ejemplo 23
a. La probabilidad de que la razón de las corrientes de salida y entrada se encuentre entre 6.1 y 8.2.
b. Valor esperado y varianza de la razón especificada.
Solución:
dx =0.8252
f ln 6.2-2^1
P(6.1 < X < 8.2) = P(ln 6.1 < Y < ln8.2) = F z ^ l n 8 - 2 " 2 1 - F z í l n 6 - 2 " 2 '
V 0.1 J 0.1 )
= 0.85113 -0.027613=0.8252
112
2.9 Distribución de Rayleigh
x"
1. g x ( x ) = ^ e 202
x>0
o
i
n1/2
nn2
2. E(X)= -0 - 0 0 X
2 e 2Ö
3. E(X 2 ) = 20 2 => a
-La amplitud de un campo electromagnético difundido por un gran numero de pequeños difusores.
-La amplitud del ruido en un receptor con modulación de amplitud cuando no hay señal.
NOTACION. X~R(0)
Ejemplo 24
La amplitud de una señal de radar retrodifundida desde la superficie del mar sigue la distribución
R ( 0 = l / V 2 ). Encontrar el valor de la amplitud mínima x 0 y que ocurre el 1% de las veces.
113
NOTACIÓN. X ~ C (a, p)
En algunas ocasiones las variables aleatorias, asociadas a los modelos probabilísticos que se han
estudiado, toman valores que corresponden a una parte de los que usualmente se trabajan, ó bien se
delimitan a la izquierda ó a la derecha de los acostumbrados, y entonces se conocen dichas variables
como variables aleatorias truncadas y a sus distribuciones como truncadas.
Sea una variable aleatoria X con función de densidad g x (x) xeÁ, entonces:
114
Si X es truncada a la derecha la identificamos como Y, tal que
q y>b D:
P u n t o donde se da la truncación üe A
gv(y) =
k 8x ( x ) y ^ k: constante que debe hallarse a partir de [ gx[X) dx—\
NOTA 1. Si X es una variable aleatoria discreta, el valor de k se determina con base en:
X P(X = x) = 1.
Vx
Ejemplo 25
Por lo tanto
O y<O
:
gv(y) g
*(X) y>O
0.977
Ejemplo 26
Un sistema esta formado por n componentes que funcionan independientemente, cada uno con
igual probabilidad P de funcionar correctamente. Cada vez que el sistema funciona mal se inspecciona
a fin de establecer cuantos y cuales son los componentes que fallan.
ÍO y<0
FY(y) =
kfx(x) 0<y<n
115
Para determinar k se hace
I P(Y = y) = l = k X P(X = x ) - P ( X = 0)
y=l x=0 1 — P11
3. EJERCICIOS PROPUESTOS
1. Un test de elección múltiple de cuatro respuestas, una de las cuales es buena, tiene 50 preguntas.
Suponiendo que un estudiante conteste sin pensar y responda todas las preguntas.
2. Un interruptor eléctrico tiene vida útil según la distribución exponencial, dura en promedio 2
años. ¿Cuál es la probabilidad de que fallen al menos 30 en el primer año, si se instalan en
diferentes sistemas: a. 50 interruptores, b. 100 interruptores, c. 150 interruptores.
a. ¿Cuál es la probabilidad de que 4 fusibles estén defectuosos en una muestra aleatoria de 400.
b. Encuentre la mediana de la variable aleatoria.
c. ¿Cuál es la función generadora de momentos, el valor esperado y la varianza de ésta
distribución.
4. El conmutador de una oficina recibe un promedio de 0.6 llamadas por minuto. Determine la
probabilidad de que:
116
6. La tasa de mortalidad para cierta enfermedad es 18 por 1.000.
8. General Equipement Manufacturing asume que una de sus laminadoras están produciendo láminas
de aluminio de varios gruesos. La máquina por lo general produce láminas de entre 75 y 150
milímetros de grueso. Se sabe que esta variable aleatoria tiene una distribución uniforme.
Las láminas de menos de 100 milímetros de grueso no son aceptables para los compradores y
se desperdician.
a. Encuentre el grosor promedio de las láminas de aluminio que produce esta máquina.
b. ¿Cuál es la variación estándar en el grosor de las láminas que produce esta máquina?
c. Averigüe la probabilidad de que una lámina producida por esta máquina tenga que
desperdiciarse.
9. El operario de una estación de bombeo ha observado que la demanda de agua durante las primeras
horas de la tarde tiene aproximadamente una distribución exponencial con una media de 100 pies
cúbicos por segundo (pcs).
a. Calcule la probabilidad de que la demanda exceda los 200 pcs durante las primeras horas déla
tarde para un día seleccionado al azar.
b. ¿Cuál tendría que ser la capacidad de bombeo de la estación durante las primeras horas de la
tarde a fin de que la demanda sea mayor a la capacidad de bombeo con una probabilidad de
solamente 0.01?
10. Los tiempos de respuesta en una terminal en línea para cierta computadora, tienen aproximadamente
una distribución gamma, con una media de 4 segundos, y varianza de 8
11. Un distribuidor mayorista de gasolina dispone de tanques de almacenamiento que contiene una
cantidad fija de gasolina y que se llenan cada lunes. La proporción de esta reserva que se vende
durante la semana es de sumo interés para el distribuidor, mediante observaciones durante muchas
117
semanas encontró que podría representar el modelo de esta proporción mediante una distribución
beta con a=4 y p=2.
a. Encuentre la probabilidad de que el mayorista venda al menos 90% de su reserva durante una
semana dada.
b. Determine la media, la mediana, la moda y la varianza de la variable aleatoria.
c. Debe garantizar su abastecimiento en el momento de tener no menos del 5% de su reserva,
¿Con que probabilidad pondrá en peligro su negocio?
12. Se supone que el 30% de los aspirantes para cierto trabajo industrial tienen un entrenamiento
avanzado en programación computacional. Los aspirantes son entrevistados uno tras otro, y son
seleccionados al azar del conjunto de aspirantes.
13. El 10% de las máquinas producidas en una línea de montaje resultan defectuosas.
14. Las resistencias que se utilizan en la construcción del sistema guía de un avión, tienen una duración
que sigue una distribución Weibull con a=2 y A=0.1, medidos en miles de horas.
15. Un dispositivo electrónico de conmutación ocasionalmente funciona mal con probabilidad 0.05
y puede ser necesario reemplazarlo. Se elabora un plan de chequeo que consiste en: Seleccionar
10 períodos de tiempo de longitud T aleatoriamente.
118