PROBABILIDAD Y ESTADISTICA

APUNTES UNIDAD 6

Alumno: Erik Ricardo león Yuri

Profesor: Francisca López Córdova

Semestre y Carrera: 2do Semestre – Ingeniería

Industrial

Fecha: 04_ Junio _2022

 Apuntes Vistos En Clase

TEMA : VARIABLES ALEATORIAS CONTINUAS

A diferencia de una variable aleatoria discreta, una variable aleatoria

continua es la que puede tomar cualquier valor fraccionario en un rango
determinado de valores Como existe un número infinito de posibles
mediciones fraccionarias, no pueden en listarse todos los valores
posibles con una probabilidad correspondiente Más bien, se define una
función de densidad de probabilidad mediante el símbolo f (X), para
cualquier valor designado de la variable aleatoria X. Ala gráfica de una
función de este tipo se le denomina curva de probabilidad y el área
entre dos puntos cualesquiera bajo la curva da la probabilidad de la
ocurrencia aleatoria de un valor entre esos dos puntos.

EJEMPLO 1. Para la distribución continua de probabilidad de la figura 7-

1, la probabilidad de que un embarque seleccionado al azar tenga un
peso neto entre 3000 y 4 000 kilogramos es igual a la proporción del
área total bajo la curva que se encuentra en el área sombreada.

Es decir, se define que el área total bajo la función de densidad de

probabilidad es igual a 1, y puede determinarse la proporción de esta
área que se encuentra entre dos puntos determinados aplicando el
método de la integración (del cálculo diferencial e integral) junto con la
función matemática de densidad de probabilidad para esa curva de
probabilidad.

VARIABLES ALEATORIAS CONTINUAS

Una variable aleatoria continua es aquella que asociamos a experimentos a

aleatorios donde la variable puede tomar todos los valores que se encuentran
dentro de un intervalo, por tanto, podrían ser con infinitos decimales variables
aleatorias continuas vienen definidas por la función de densidad,que denotamos por
f(x) y que sería la función análoga a la función de probabilidad en el caso de las
variables discretas. Nos proporciona la posibilidad relativa de que la variable
aleatoria X tome un valor próximo a x.
.
PROPIEDADES :

Sea f(x) la función de densidad de una variable aleatoria X se

cumple que:

a) La función de densidad siempre es positiva para todo valor

que cualquier valor real que tome x : f ( x )≥ 0 con−∞ < x<+ ∞

b) La integral en −∞ y +∞ de la función de densidad vale 1 (es la -

análoga de que la suma de las funciones de probabilidad en las
discretas es 1)

c) Para calcular la probabilidad entre dos número hay que

resolver la siguiente integral

Ejemplo :

En un pequeño comercio de barrio donde se venden componentes

electrónicos, se distribuyen entre otro productos, cable telefónico. El
número de metros de un determinado tipo(en miles de metros) sigue
una distribución con función de densidad:

{
3
x +1
f ( x) 0< x <2
6
0

Resto
a) ¿ Cuál es la probabilidad de que el mes próximo venda entre 100 y
250 metros de cable?

b) Si, al comienzo del mes, la tienda dispone de un stock de 1000 metros

de cable, ¿cuál es la probabilidad de que no se puedan atender a todos
los clientes que solicitan este artículo?

c)Para poder calcular la probabilidad pedida tenemos que utilizar la

propiedad 3 de la función de densidad.

Tenemos mucho cuidado, ya que nuestra función de densidad viene

dada en miles de metros (es decir en kilómetros), por tanto nos están
pidiendo la probabilidad de que 0,1<x<0,250: P(.0,1<x<0,250).

Resolvemos la integral siguiente:

[ ]
0,25
x 3+1 1 x 4
∫ 6
dx
6 4
+ x = 0,15095
0,1

b) Como en este caso nos pide que no se pueda atender a todo el

mundo, tenemos que calcular P( x >1¿ :

[ ]
1 3 4
X +1 1 x
P( X > 1)=1−P( X ≤ 1)=∫ dx= + x =5 /24
0 6 6 4
∎En el caso de las distribuciones continuas de probabilidad sólo es
posible determinar un valor de probabilidad para un intervalo de
valores. La altura de la función de densidad, o curva de probabilidad,
para una variable con distribución normal está dada por :

1
e [
− (x−π ) / 2 π ]
2 2

f ( x)=
√2π σ 2

En donde es la constante 3.1416, e es la constante 2.7183, es la media

de la distribución y es la desviación estándar de la distribución. Como
cualquier combinación distinta de y genera una distribución normal de
probabilidad distinta (todas ellas simétricas y mesokúrticas), las tablas
de las probabilidades normales se basan en una distribución especifica:
la distribución normal estandar.
Ésta es una distribución normal en la que μ=0 y σ =1Cualquier valor X de
una población con distribución normal puede convertirse a su valor
normal estándar equivalente, z, mediante la fórmula.

x−μ
z=
σ

Pueden obtenerse las porciones de área para diversos intervalos de

valores para la distribución normal estándar, en donde el limite inferior
del Intervalo es siempre la media. Puede utilizarse esta tabla
transformando los valores designados de la variable X en valores
normales estándar, y esta posibilidad hace que resulte innecesario
utilizar el método de la integración con respecto a la ecuación de la
función de densidad.
REGLA EMPIRICA

Antes de analizar más aplicaciones de la distribución de probabilidad

normal estándar, se consideran tres áreas bajo la curva normal que se
emplearán en los siguientes capítulos. Estos:

1. Cerca de 68% del área bajo la curva normal se encuentra a una

desviación estándar de la media, lo que se puede escribir como μ ±1 σ .

2. Alrededor de 95% del área bajo la curva normal se encuentra a dos

desviaciones estándares de la media. Esto se puede escribir como
μ ±2 σ .

2. Prácticamente toda el área bajo la curva se encuentra a tres

desviaciones estándares de la media, lo cual se escribe μ ±3 σ .

La cual se resume en la siguiente Gráfica :

EJEMPLO
 Como parte de su programa de control de calidad, la compañía
Autolite Battery realiza,pruebas acerca de la vida útil de las
baterías. La vida media de una batería de celda alcalina es de
19 horas. La vida útil de la batería se rige por una distribución
normal con una desviación estándar de 1.2 horas. Responda las
siguientes preguntas:

1. ¿Entre qué par de valores se localiza 68% de las baterías?

2. ¿Entre qué par de valores se localiza 95% de las baterías?

3. ¿Entre qué par de valores se localiza prácticamente la

totalidad de las baterías?

Aplique los resultados de la regla empírica para responder estas

preguntas.

1. Alrededor de 68% de las baterías tiene una vida útil de entre

17.8 y 20.2 horas, lo cual se determina con el cálculo 19.0 ±2( 1.2)
horas.

2. Cerca de 95% de las baterías tiene una vida útil de entre 16.6
y 21.4 horas, lo cual se determina mediante19.0 ±2( 1.2) horas.

3. De hecho, todas las baterías tienen una vida útil de entre

15.4 y 22.6 horas, lo cual se determina por medio 19.0 ±3 (1.2)
horas.

EJEMPLO :
 El ingreso medio semanal de un supervisor de turno de la
industria del vidrio tiene una distribución normal, con una
media de $1 000 y una desviación estándar de $100. Es
decir,u$1 000 y σ $100. ¿Cuál es la probabilidad de seleccionar a
un supervisor cuyo ingreso semanal oscile entre $1 000 y $1
1007?
Esta pregunta se expresa con notación de probabilidad de la
siguiente manera: P($1 000 < ingreso semanal < $1 100).

Sabe que $1 100 tiene un valor z de 1.00 mediante la fórmula:

X −μ $ 1 100−$ 1 000
z= = =1.00
σ $ 100

La probabilidad asociada con un valor z de 1.00 se encuentra

disponible en el apéndice B.1, una parte del cual se presenta a
continuación. Para localizar la probabilidad, descienda por la
columna izquierda hasta 1.0 y en seguida vaya a la columna con
el encabezado 0.00. El valor es 0.3413 = 34.13% es la
probabilidad de seleccionar a un
supervisor cuyo ingreso semanal oscile entre $1 000 y $1 100

Ejemplo :
Sea x una variable aleatoria con distribución estándar z hallar:

a) p (O<x< 1.45)

b) p (-0.75<x< 0)

c) p (O<x< 1.45)

d) p (-1.785x-0.52)

Solución:

a) por tablas p (0<x< 1.45)= 0.4265

Por simetría

b) p (-0.75<x< 0)= 0.2734- 0.5= 0.2266

c) p (-1.78<x<-0.52)=p(0≤ x ≤
O. 1.78)- p(0 ≤ x ≤ 0.52)= 0.4535 - 0.1985 =0.255

TEMA : APROXIMACIÓN DE LA DISTRIBUCIÓN NORMAL A LA

DISTRIBUCIÓN BINOMIAL
Si x es un valor de una variable aleatoria que tiene la distribución
binomial con los parámetros n y p, y si

x−np
z=
√ np(1−p)

Entonces la expresión limite de la función de distribución de esta E variable aleatoria

estandarizada cuando n a está dada por

Z
1 1 2
F (Z )=∫ t dt a−¿ z x< ¿
−a √ 2 π e2

EJEMPLO

* Si el 20% de los diodos fabricados en cierta planta están defectuosos,

¿ Cuales son las probabilidades de que en un lote de 100 aleatoriamente
escogidos para revisión ?
x−np
a) a lo sumo 15 estén defectuoso z=
√ np(1−p)

b) Exactamente 15 estén defectuosos ?

μ=np=100 (0.2)=20

σ =√ np(1−p) = √ 100(020)(0.80) = 4

15−20
a) z= 4
=−1.25

P( x ≥1.25)=0.5−0.3944=0.1056=10.56 %
*b) exactamente 15 estén defectuosos ?

15−20
z= =−1.25
4

14−20
z= =−1.5
4

* Por simetría

P(−1.25 x ≥−1.5)=0.4332−0.3944=0.0388

* Otra forma

( )
B( x ,n , p ,)=b( x , n , P)= 100 ¿
15

−2
¿ 4.806 x 10 =0.04806

* Regla practica consiste en emplear la aproximación normal a la

distribución binomial solo cuando np y (1-p) sean a la vez mayor que 5

* Para este problema se cumple

Np =100 x 0.20 = 20

n(1-p)= 100 (0-80)= 80

TEMA : LA DISTRIBUCIÓN EXPONENCIAL DE PROBABILIDAD

Si se presentan eventos en el contexto de un proceso Poisson - entonces
la longitud del tiempo o el espacio entre eventos sucesivos tiene una
distribución exponencial de probabilidad. Como el tempo o el espacio
son continuos, una medición de este tipo es una variable aleatoria
continua. Tal como resulta ser cierto para cualquier variable aleatoria
continua, no tiene sentido preguntar ¿cuál es la probabilidad de que la
primera solicitud de servicio llegue exactamente en un minuto?”. Más
bien, se debe determinar un intervalo dentro del cual debe ocurra el
evento, como por ejemplo preguntando "¿cuál es la probabilidad de que
la primera solicitud de servicio legue en un minuto”.

'Como los procesos Poisson son estacionarios, y se tiene una

probabilidad igual de que el evento ocurra a todo lo largo del periodo
relevante de tiempo, la distribución exponencial se aplica: si lo que
interesa es el tiempo (o espacio) hasta la "ocurrencia del primer evento,
o el tempo entre dos eventos sucesivos, o el tiempo que transcurre
hasta que se presenta el primer evento, después de cualquier punto en
el tiempo elegido al azar.

La probabilidad exponencial de que ocurra el primer evento dentro del

intervalo designado de tiempo o espacio es (en donde 4 es el número
promedio de ocurrencias para el intervalo de interés).
−k
P(T ≤ t)=1−e

De manera similar, la probabilidad exponencial de que el primer evento

no ocurra dentro del intervalo designado de tiempo o espacio es:

P(T ≤ t )=e−k

Para las dos formulas anteriores, puede obtenerse el valor de e− λ en el

apéndice 3.

EJEMPLO :
En promedio, cada dos dias llega un barco a determinado muelle. ¿Cuál
es la probabilidad de que , después de la salida de un barco, pasen
cuatro dias antes de la llegada del siguiente?

Promedio por dos dias = 10

Promedio por día = 0.5

λ= promedio de periodo de cuatro dias=4 x 0.5=20

P¿

EJEMPLO :

*Cada rollo de 500 metros de lamina de acero tiene dos defectos en

promedio.¿Cuál es la probabilidad de que, al desenrollar la lamina de
acero, se encuentre el primer defecto en el primer segmento de 50
metros ?

Promedio por rollo de 500 metros = 2.0

2.
λ=Promedio por segmento de 50 metros= =0.20
10

P(T ≤ 50)=1−e− λ=1−e 0.20=1−0.81873=0.1827