Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD 4.DistribucionesContinuas
UNIDAD 4.DistribucionesContinuas
df y
f y
dy
Entonces, el área acumulativa bajo la curva entre -y un punto y0 es igual a f(y0).
Propiedad
1.- f y 0
2.- f y dy f 1
La función de densidad para una variable aleatoria continúa y que modela alguna
población de datos de la vida real, por lo regular es una curva.
EJEMPLO:
a)
p(x>3000)= 1- p (0<x<3000)
1
e 3000 / 1000 (e 0 / 1000 ) e 3 e 0 e 3 1 1 0.9502
e 3
b)
e x / 1000 1000e x / 1000
2000
2000
p(1000 x 2000) dx
1000 1000 1000 1000
2000
e
x / 1000 2000 / 1000
e (e ( 1000/ 1000) )
1000
2 1 1 1
e e 0.232544 23.25%
e 2 e1
c)
e x / 1000 1000e x / 1000
1000
1000
p (0 x 1000) dx
0 1000 1000 0
1000
e x / 1000 e
1000 / 1000
(e 0 / 1000 ) e 1 e 0
0
0.6321 63.21%
d)
e x / 1000
w
w
p (0 x w) e x / 1000
0 1000 0
EJERCICIO:
La función de densidad de probabilidad de peso neto en libras de un paquete de
herbicida químico es igual a f(x)=2 para 49.75<x<50.25 libras.
a) calcule la probabilidad de que un paquete pese más de 50 libras.
b) Cuanto herbicida estará contenido en el 90% de los paquetes.
a) p(x>50)
50.25
50.25 50.25
p(50 x 50.25) 2dx 2 dx 2 x
50 50
50
b)
w
p(49.75 x w) 2 x 2(w) 2(49.75) 0.9
49.75
0.9 99.5
2w 0.9 2(49.75)
2
w 50.2
Ejercicio 2
a) p (1<x)
p(1 x) 1 p(0 x 1) 1 0.6321 0.3678
1
1
p(0 x 1) e dx e z x
0
0
1 1
e (e ) e 1 0.3678 1 0.6321
0
b)
2.5
2.5
p(1 x 2.5) e dx e x x
e
2.5
(e 1 )
1
1
2.5 1
e e 0.082 0.3678 0.2858 28.58%
c)
p ( x 3) 0
d)
4
4
p( x 4) e dx e x x
e
4
( e 0 ) e 4 e 0
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
Suponga que f(x) e ( x 4 ) para 4<x
a) p(1<x)= no aplicable
b) p(2 x 5) no aplicable
c) p(4<x)=1
d)
12
12
p(8 x 12) e ( x 4 )
dx e ( x 4 )
8
8
(12 4 ) (8 4 ) 4
e ( e ) 3.35 x10 0.018
0.0176 1.76%
e)
p ( X x) 0.90
p ( X r ) 0.90
r
r
p( X r ) e ( x 4)
dx e ( x 4 )
e
( r 4 )
( e ( 4 4 )
4
4
( r 4 ) r 4
e 1 e 1 0.90
e r 4 0.90 1
e r 4 0.10
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
Valor esperado:
4 4 4
E ( X ) X x(0.125 x)dx 0.125 x 2 dx 0.125 x 2 dx
0 0 0
3 4 3 3
0.125 x 0.125(4) 0.125(0) 8
3
0
3
3
2.666
3
Varianza:
4 16 X 64 1
V ( x) 2 ( X ) 2 0.125 x dx X 2
4 8
dx
0 3 0
3 9 8
X 3 16 x 2 64 x
4 4 X
3
2 x 2 8x x4 2 x 3 8x 3
4
0 8 24 72 0 8 3 9 8 * 4 3 * 3 9 * 2 0
dx dx
Desviación estándar:
8
x 0.9428
9
f x
1
, a X b
b a
Tiene una distribución uniforme continua.
3 Ibíd. Pág.170
f(x)
1/b-a
x
Función de densidad de probabilidad de una variable aleatoria uniforme continua.
La media de la variable aleatoria uniforme continua X es:
ab
b
0.5 x 2
E x
b x
a ba
dx
ba a
2
La varianza de X es
( a b) 2 ( a b)
3
(x ) (x )b
b (b a) 2
v( x)
3(b a ) a
2 dx 2
a ba 12
( a b) (b a) 2
x E ( X ) y x v( x)
2
2 12
EJEMPLO:
Suponga que X tiene una distribución uniforme continua en el intervalo
[1.5, 5.5].
a) Calcule la media, la varianza y la desviación estancar de X.
b) Cual es la probabilidad de p(x<2.5).
1 1 1
f ( x) 0.25
b a 5.5 1.5 4
.30
.20
.10
1 2 3 4 5 6
a)
5.5 1.5 7
x 3.5
2 2
(5.5 1.5) 2 4
2x 1.33
12 3
4
x 1.1547
3
2.5
2.5 1 x 2.5 1.5
b) P( X 2.5) dx 0.25 25%
1.5 4 4 1.5 4 4
EJEMPLO 2:
-1 1
1 1 1
f ( x) 0.5
b a 1 (1) 2
11
x 0
2
(1 (1)) 2 4 2
a) 2 x 0.333
12 12 6
2
x 0.577
6
b) p(-x< X <x)=0.90
r 1
r
r 1 x
1 2dx 2 1 2 2 0.05
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:
0,16
0,75 0,75
0 1 2 3 4 5 6 7 8 9
X X
1 1 1
f ( x) 0.166
ba 82 6
8 2 10
a) x 5
2 2
b)
x
x 1 x x 2
p (2 X x) dx 0.075
2 6 62 6 6
x 2
0.075
6 6
2
x (0.075 )6
6
x 2.45
comprovación :
7.55
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
c)
p ( x x) 0.70 p (2 X x)
x
x 1 x x 2 x 2 2
2 6
dx 0.30 0.30 x (0.30 )
62 6 6 6 6 3
x 3.8
8
8 1 x 8 x
p ( x X 8) dx 0.70
x 6 6x 6 6
x 8
0.70
6 6
8
x (0.70 )6
6
x 3.8
4.5 DISTRIBUCIÓN EXPONENCIAL.4
La familia de las distribuciones exponenciales proporciona modelos de
probabilidad que son ampliamente utilizados en ingeniería y ciencias.
Se dice que X tiene una distribución exponencial si la pdf de X es
e x
f ( x; ) x 0 de otra manera donde >0
0
La pdf exponencial es un caso especial, de gamma general, en la que =1 y ha
sido sustituida por 1/, [algunos autores emplean la forma (1/)e-x/]. La media y la
varianza de X entonces son:
1 1
ç 2 2 2
Y de aquí
Y entonces
( x )2
1
fx( x, , ) x
c 2 2
2
Tiene una distribución normal con parámetros , donde -<<, y >0.
Así mismo E(x)= y v(x)=2
La deducción de la media y la varianza de una variable aleatoria normal que
aparece al final de esta sección. Los valores de y determinar la forma de la
función de densidad de probabilidad. La función de densidad de densidad de
probabilidad es una curva simétrica con forma de campana. El valor de
determina el centro de la función de densidad de probabilidad, mientras que el de
la determina la dispersión. Es evidente que fx(x,,) es no negativa.
EJEMPLO:
a)
6 Ibíd. Pág.155
7 MONTGOMERY, Douglas C. Op. Cit. Pág.175
P0 Z 1 0.84134 0.5 0.34134
b)
P 1 Z 2
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
P 0.4950 0.5 2.58
2
z 2.58
g)
Pz 1.73ó1.73 z
1 0.045818 0.04182 2
0.08364 ó 8.36%
h)
P 2.75 Z ó 3.66 Z
1 0.99702 0.00278
1 0.99987 0.00073
0.00278 0.00073 0.00311
0.00311 ó 0.31%
Entonces, según el teorema del límite central para las sumas, la distribución y la
probabilidad binomial p (y) deberá acercarse a la notabilidad conforme n aumente
la aproximación normal de una distribución de ‘probabilidad binomial es
razonablemente aceptable incluso para nuestros pequeños, digamos, n=10
cuando p = .5 y la distribución de y es, por tanto simétrica alrededor de su medio
µ= np cuando p de acerca a 0 la dispersión de la probabilidad binomial tiende a
sesgarse hacia la derecha o a la izquierda pero esta simetría desaparecerá
conforma aumente n . En general la aproximación será buena cuando n sea lo
bastante grande como para que tanto µ-2Ϭ=np+2npq queden entre 0 y n.
Sea y una distribución de probabilidad binomial con n = 10 y p = .5.
a. Grafique p(y) y trace sobre la misma grafica una distribución normal con
μ=np y Ϭ = npq.
b. Utilice la tabla 1 del apéndice 2 para obtener p(y≤4).
c. Utilice la aproximación normal a la distribución de probabilidad binomial
para obtener una aproximación a p (y≤ 4) .
a. Las gráficas de p(y)y una distribución normal con