Documentos de Académico
Documentos de Profesional
Documentos de Cultura
V.A continuas
es continua, lo cual equivale a decir que todos sus saltos son nulos, es decir: P([X = x] = 0 x ∈ R.
Densidades: Si X es una variable aleatoria y F es una función de distribución, decimos que F es absolutamente continua
(ó que tiene densidad) si existe una función f no negativa, tal que
Z x
F (x) = f (t) dt para todo x ∈ R
−∞
Propiedades
R∞
Para −∞
f (u) du = 1.
Si f es continua en x0 , F es derivable en x0 y F 0 (x0 ) = f (x0 ).
Rb
P([a < X ≤ b]) = P([X ≤ b]) − P([X ≤ a]) = F (b) − F (a) = a
f (u) du
P([a ≤ X ≤ b]) = P([a < X < b)) = P([a < X ≤ b]) = P([a ≤ X < b])
Ejemplo
1. Halle el valor de c: R
Este debe satisfacer c 0 4x − 2x2 dx = 1.
2
x=2
Así: c 4 x2 − 2 x3 =⇒ c = 38 .
2 3
= c 2 × 4 − 23 × 8 = c × 8
3
x=0
2. Halle P (X >R1) :
∞ 3
R2 1
P (X > 1) = 1
f (u) du = 8 1
4u − 2u2 du = 2
Esperanza y Varianza
R
µ = E[X] = R xf (x)dx
R
σ 2 = V ar(X) = E (X − µ)2 = R (x − µ)2 f (x)dx
V ar(X) = E[X 2 ] − E 2 [X]
1
Figura 2: Densidad uniforme
Ejemplo
Calcular la esperanza, la varianza, la desviación, la función de distribución y P (|X| 6 2) para la va X con densidad
x2
si 0 6 x 6 6
f (x) = 72
0 si no
R6 2
µ = R xf (x)dx = 0 x x72 dx = 4, 5
R
R6 2
σ 2 =√ R x2 f (x)dx − µ2 = 0 x2 x72 dx − (4, 5)2 = 1, 35
R
σ = 1, 35 = 1, 16
Para x <R 0
x Rx :0
F (x) = −∞ f (x) dx = −∞ 0 dx
=0
Para x ∈ [0, 6)
Rx R0 :0 R x 2 x3
0 dx + 0 x72 dx = 216
F (x) = −∞ f (x) dx = −∞
Para x > 6
Rx R0 :0 R 6 2 R x :0
0 dx + 0 x72 dx + 6
F (x) = −∞ f (x) dx = −∞ 0 dx = 1
En resumen:
si x < 0
0
F (x) = x3
216 si 0 ≤ x < 6
1 si x > 6
R2 R2 x 2
1
P (|X| 6 2) = P (−2 6 X 6 2) = −2
f (x) dx = 0 72
dx = 27
Distribución Uniforme
Una variable aleatoria X tienen distribución uniforme en el intervalo [a, b] si para cualquier intervalo I ∈ [a, b] P (X ∈ I)
es proporcional a la longitud de I .
Densidad
1
si a ≤ x ≤ b
b−a ,
f (x) = 0, si x < a
0, si x > b
Distribución acumulada
P (X ≤ x) = x−a si a ≤ x ≤ b
b−a ,
F (x) = 0, si x < a
1, si x > b
2
Distribución Normal.
Figura 3: Simetría en µ
Varianzas diferentes con medias iguales equivalen a normales centradas en el mismo valor pero con un nivel de
apuntamiento diferente.
3
Figura 5: Densidad Normal µ1 = µ2 , σ1 < σ2
Propiedades:
• Complemento:P (X > x) = 1 − P (X ≤ x) = 1 − F (x) (válido para todas las va)
• Intervalos P (a ≤ X ≤ b) = P (X ≥ a) − P (X ≥ b) y P (a ≤ X ≤ b) = P (X ≤ b) − P (X ≤ a) (válido para todas
las continuas)
• Simetría P (X ≥ a) = P (X ≤ −a) (valido para simétricas alrededor del cero)
Para calcular en el intervalo dado debe estandarizarse cada lado de las desigualdades:
a−µ X −µ b−µ a−µ b−µ
P (a ≤ X ≤ b) = P ≤ ≤ =P ≤Z≤
σ σ σ σ σ
4
Ejemplos
1. Dada una v.a. X con distribución normal de media µ = 50 y desviación σ = 10, hallar la probabilidad
de que X tome valores entre 45 y 62.
luego,
P (45 ≤ X ≤ 62) = P (−0, 5 ≤ X ≤ 1, 2) = P (X ≥ −0, 5) − P (X ≥ 1, 2) = 0, 6915 − 0, 1151 = 0, 5764
2. Cierto tipo de batería de almacenamiento dura, en promedio, 3 años, con una desviación estándar
de 0.5 años. Suponiendo que las duraciones de la batería se distribuyen normalmente, encuentre la
probabilidad de que una batería dada dure menos de 2.3 años.
X −3 2, 3 − 3
P (X < 2, 3) = P < = P (Z < −1, 4) = 0, 0808
0, 5 0, 5
3. Una empresa de material eléctrico fabrica bombillas de luz que tienen una duración, antes de que-
marse, que se distribuye normalmente con media igual a 800 horas y una desviación estándar de 40
horas. Encuentre la probabilidad de que una bombilla se queme entre 778 y 834 horas.
5
4. En un proceso industrial el diámetro de un cojinete de bolas es una parte componente importante.
El comprador establece que las especicaciones en el diámetro sean 3, 0 ± 0, 01 cm. La implicación es
que no se aceptará ninguna parte que quede fuera de estas especicaciones. Se sabe que en el proceso
el diámetro de un cojinete tiene una distribución normal con media 3,0 y desviación estándar 0,005.
En promedio, ¾cuántos cojinetes fabricados se descartarán?
P (2, 99 < X < 3, 01) = P (−2 < Z < 2) = 1 − 2 × P (Z > 2) = 2(0, 0228) = 0, 0456
2. Una prueba de opción múltiple tiene 200 preguntas, cada una de las cuales con 4 respuestas posibles
de las que sólo 1 es la correcta. ¾Cuál es la probabilidad de que solamente adivinando se obtengan
de 25 a 30 respuestas correctas para 80 de los 200 problemas, sobre los que el estudiante no tiene
conocimientos?
p = P (Respuesta
√ correcta a una pregunta) = 4 y n = 80 entonces X ∼ Binom 80, 4 , así µ = np = 80 × 0, 25 = 20,
1 1
√
y σ = npq = 80 × 0, 25 × 0, 75 = 3, 873
25 − 20 30 − 20
P (25 ≤ X ≤ 30) = P ≤Z≤ = P (1, 29 ≤ Z ≤ 2, 58) = P (Z > 1, 29) − P (Z > 2, 58) = 0, 0936
3, 873 3, 873
6
Distribuciones Gamma y Exponencial.
Exponencial:
7
Figura 8: Densidad Gamma
µ = β y σ2 = β 2
Si α = k
2 con k entero y β = 2 entonces la distribución gamma es llamada distribución chi-cuadrado con k grados de
libertad.
½OJO!
α: parámetro de forma: declive, campana, joroba sesgada β : parámetro de escala. Mide que tan estirada o contraída
está la gráca de la distribución. Representa el tiempo promedio de ocurrencia de un evento. λ = β1 : Representa el número
de ocurrencias en una unidad de tiempo.
Proceso Poisson
T1 : tiempo para que ocurra el primer evento poisson tiene distribución exponencial de media 1
λ Llega un cliente a la
cola, llega una pieza a una estación de trabajo desde la línea de montaje
En nuestro enfoque llegadas o ocurrencia, son las llegadas o ocurrencias de fallas en algún proceso determinado −→ β
tiempo medio entre fallas.
Tiempos de llegada en sistemas de cola.
distribución de Poisson y exponencial no tienen memoria. Ocurrencias en periodos sucesivos y disjuntos son inde-
pendientes.
8
Ejemplos
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de operación antes del fallo,
en años, está dado por T . La variable aleatoria T se modela bien mediante la distribución exponencial
con tiempo medio de operación antes del fallo β = 5.
¾Cuál es la probabilidad de que un componente aún funcione al nal de 8 años?
Z ∞
1
P (T > 8) = e−t/5 dt = e−8/5 ≈ 0,2
5 8
2. En un estudio biomédico con ratas se utiliza una investigación de respuesta a la dosis para determinar
el efecto de la dosis de un tóxico en su tiempo de supervivencia, El tóxico es uno que se descarga con
frecuencia en la atmósfera desde el combustible de los aviones. Para cierta dosis del tóxico el estudio
determina que el tiempo de supervivencia, en semanas, tiene una distribución gamma con α = 5 y
β = 10, ¾Cuál es la probabilidad de que una rata no sobreviva más de 60 semanas?
Z 6
1 1
= 4 e−
(
10y) 10y/
10
1
0dy
105 Γ(5)
0
Cambio: y = x
10 ⇒ x = 10y ⇒ dx = 10dy, x = 0 ⇒ y = 0, x = 60 ⇒ y = 6
Luego Z 6
1
P (X ≤ 60) = y 4 e−y dy = F (6, 5) = 0,715
Γ(5) 0
X : tiempo para la primera queja ∼ Gamma(2, 4) (distribución anterior a la intensicación del control)
Ecaz intensicación de control → Distribución antes de intensicación diferente a distribución después de intensi-
cación → Es raro que se produzca X ≥ 20 con la distribución anterior
No ecaz intensicación de control → Distribución antes de intensicación igual a distribución después de intensi-
cación → Es común que se produzca X ≥ 20 con la distribución anterior
20
x2−1 e−x/4
Z
1
P (X ≥ 20) = 1 − P (X < 20) = 1 − 2 dx.
4 0 Γ(2)
9
Con el cambio y = x
4
5
ye−y
Z
=1− dy = 1 − F (5, 2) = 1 − 0,96 = 0,04
0 Γ(5)
De 100 pruebas en que la distribución sea realmente Gamma(2, 4) sólo en aproximadamente 4 ocasiones el tiempo
de queja sobrepasará los 20 meses.
4. Con base en pruebas de gran alcance determinó que el tiempo X en años antes de que se requiera una reparación
1
may para cierta lavadora se caracteriza por la función de densidad f (x) = e−x/4 ; x > 0. La maquina se considera
4
una ganga si es improbable que requiera una reparación mayor antes del sexto año. Entonces
a) ¾Cuál es la probabilidad de P (X > 6)?
Es una exponencial con β = 4 años. P (X > 6) = 1 − F (6) = e−6/4 = e−3/2 = 0,223
b ) ¾Cuál es la probabilidad de ocurra una reparación mayor durante el primer año?
P (X < 1) = 1 − e−1/4 = 1 − 0,779 = 0,221
Distribución Weibull
También sirve para modelar tiempos de falla en problemas de conabilidad y de prueba de vida como los de tiempo
de operación antes del fallo o la duración de la vida de un componente, que se miden desde algún tiempo especíco hasta
que falla.
T : tiempo de operación antes del fallo
( α
f (x) =
α α−1 −( x
θα x e θ) si x ≥ 0
0 si x < 0
Media y Varianza
µ = E (X) = θΓ 1 + α1
σ 2 = V ar[X] = θ2 Γ 1 + α2 − Γ2 1 + α1
Ejemplo
1. El tiempo de vida X , en horas, de un artículo en el taller mecánico tiene una distribución de Weibull
con α = 2 y θ = 10 . ¾Cuál es la probabilidad de que falle antes de ocho horas de uso?
8
!
2
−
P (X < 8) = P (X ≤ 8) = F (8) = 1 − e 10 = 1 − 0,527 = 0,473
10
Otras distribuciones
√
Rayleigh: Para σ > 0 es equivalente a W eibull 2,
2σ
αβ α α
αx20
Pareto: f (x) = , x ≥ β ; F (x) = 1− β
x x ≥ β ; E (X) = αβ
α−1 si α > 1; V ar (X) = (α−2)(α−1)2 si α>
xα+1
2
µ
Cauchy: f (x) = × 1
µ2 +(x−θ)2 − ∞ < x < ∞, µ > 0
π
2
Laplace: f (x) = λ2 e−λ|x−α| − ∞ < x < ∞, λ > 0; E (X) = α; V ar (X)] =
λ2
11