2

Facultad de Ingeniería Mecánica

y Ciencias de la Producción
Maestría en Mejoramiento de Procesos
Métodos Estadísticos
 3

Variables aleatorias continua

• Sea X una variable aleatoria continua, con ella se asocia una función
f(x), denominada función de densidad de X tal que:
•
f ( x) ≥ 0
∞
•
∫ f ( x)dx = 1
−∞
b

• P(a ≤ x ≤ b ) = P(a < x < b ) = ∫ f ( x)dx

a
 4

Distribución Acumulada
 Sea X una variable aleatoria continua con función de densidad f(x),
la distribución Acumulada
x
de X se define como:
 F (x ) = P( X ≤ x ) = ∫ f (t )dt
−∞

 Notemos que F´(x)=f(x)

 Propiedades:
 lim F (x ) = 0
x → −∞

 xlim F (x ) = 1
→∞
 F(x) es creciente
 F(x) es continua
 5

(… viene) Distribución Acumulada

a b

P(a ≤ x ≤ b ) = P(x ≤ b ) − P(x ≤ a ) = F (b) − F (a )

 6

Ejercicio
 Suponga que el tiempo, en años, de vida de cierto equipo puede ser modelado
como una variable aleatoria con función de densidad:

f ( x ) = kx 2 , S = {x ∈ R 0 ≤ x ≤ 2}
 Determine el valor de la constante k para que la función sea densidad.
 ¿Cuál es la probabilidad de que un equipo funcione por menos de 1 año?
 Determine la probabilidad de que un equipo funcione entre medio año y año y
medio.
 ¿Cuál es la probabilidad de que un equipo funcione por lo menos año y medio?
 Determine la distribución acumulada del tiempo de vida del equipo y calcule las
probabilidades anteriores usando la acumulada
 7

Valores Esperados
 Sea X una variable aleatoria continua con función de densidad f(x) y
g(x) una función en términos de x. El valor esperado de g(x) si
existe, se define como:
∞
E [g ( x )] = ∫ g (x ) f (x )dx
−∞

 Propiedades:
 E [c ] = c

E [cg (x )] = cE[g (x )]
 E [g1 (x ) + g 2 (x )] = E [g1 (x )] + E [g 2 (x )]
 8

Media y varianza de una variable aleatoria

• La media de una variable aleatoria X continua con función de
densidad f(x) se define como:

µ = E[X ]
• La varianza de una variable aleatoria X continua con función de
densidad f(x) se define como:
[ ]
σ 2 = E ( X − µ )2 = E [X 2 ]− µ 2
 9

Ejercicio
• Con respecto al problema del tiempo de vida de los equipos.
Determine en promedio que tiempo de vida de los equipos y la
varianza
 10

Distribución uniforme continua

• Una variable aleatoria X continua tiene distribución uniforme con
parámetros α y β cuando su densidad se define como:
1
f (x ) = , S = {x ∈ R α ≤ x ≤ β }
β −α
• La media y la varianza de una variable aleatoria uniforme están
dadas por

α + β 
µ =  σ2 =
(β − α )2

 2  12
 11

Gráfica de la densidad de una variable aleatoria

uniforme
1
f(x)=
0,18 β −α
0,16
0,14
0,12
0,1
0,08
0,06

α
0,04 β
0,02
0
-4 -3 -2 -1 0 1 2 3 4
 12

Ejercicio
• El tiempo que se tarda una persona en dar mantenimiento a cierto
equipo puede ser modelado como una variable aleatoria uniforme
en el intervalo de 30 a 60 minutos. Determine:
• La probabilidad de que tarde menos de 40 minutos en dar mantenimiento a
el equipo
• La probabilidad de que tarde mas de 50 minutos en dar mantenimiento al
equipo
• La probabilidad de que tarde entre 35 y 50 minutos en dar el
mantenimiento
 13

Función Gamma
• La función Gamma de un valor α>0 se define como:
∞
Γ(α ) = ∫ x α −1e − x dx
0
• La función Gamma tiene las siguiente propiedad
Γ(α ) = (α − 1)Γ(α − 1)
• Y la Γ(1) = 1
• Γ(n ) = (n − 1)!
• Γ(7.3) = (6.3)Γ(6.3) = 6.3(5.3)(4.3)(3.3)(2.3)(1.3)(0.3)Γ(0.3)
 14

Distribución Gamma
• Sea X una variable aleatoria continua, X tiene distribución Gamma
con parámetros α>0 y β>0 si su función de densidad es:
x
1
S = {x ∈ R x ≥ 0}
−
f (x ) = x α −1e β
,
Γ(α )β α

• La media y la varianza de la distribución Gamma es:

µ = αβ σ 2 = αβ 2
 15

Gráfica de la densidad de una variable aleatoria

Gamma
0,5 f(x)
0,45
0,4
0,35
Título del eje

0,3
0,25 α=1, β=3
0,2 α=2, β=3
0,15 α=4, β=3
0,1
0,05
0
0 10 20 30 40
 16

Casos particulares de la distribución Gamma

 Cuando α=1 la distribución se denomina Distribución Exponencial

x
1
, S = {x ∈ R x ≥ 0}
−
f (x ) = e β
β
 La media y la varianza de la distribución Exponencial es:
µ=β σ =β
2 2

 Cuando α=n se denomina distribución Erlang

 Cuando α=n/2 y β=2 se denomina distribución Ji-Cuadrado con n
grados de libertad
 17

Ejercicio
• El tiempo entre fallas en un sistema de producción puede ser
modelado como una variable aleatoria exponencial con media de 2
horas. Determine:
• La probabilidad de que entre una falla y otra no pase más de 3 horas.
• La probabilidad de que entre una falla y otra pasen más de 4 horas.
 18

Ejercicio
• El tiempo que esta fuera de servicio un sistema de producción por
fallas puede ser modelado como una variable aleatoria exponencial
con media 30 minutos. Determine:
• La probabilidad de que en una falla, el sistema de producción este fuera de
servicio por lo menos 1 hora.
• La probabilidad de que en una falla cualquiera, el sistema de producción
este fuera de servicio menos de 10 minutos.
 19

Distribución Normal
 Sea X una variable aleatoria continua, X tiene distribución Normal con media µ
y varianza σ2 si su función de densidad es:
2
1  x−µ 
1 −  
f (x ) = e 2 σ 
, x∈R
σ 2π
 Cuando la media es 0 y la varianza 1 la distribución se denomina distribución
Normal Estándar 1
1 − 2 z2
f (z ) = e , z∈R
2π
 Si X es una variable aleatoria normal con media µ y varianza σ2. la
transformación lineal z = x − µ tiene distribución normal estándar
σ
 20

Gráfica de la densidad de una variable aleatoria

Normal
1,4 f(x)
1,2
1
Título del eje

0,8
0,6 µ=3, σ=4
0,4 µ=3, σ=2

0,2 µ=3, σ=7

0
-20 -10 0 10 20
-0,2
 21

Gráfica de la densidad de una variable aleatoria

Normal Estándar
0,45 f(z)
0,4
0,35
0,3
Título del eje

0,25
0,2
µ=0, σ=1
0,15
0,1
0,05
0
-4 -2 0 2 4
 22

Uso de la tabla de la distribución normal estándar

• Determine P(z>0,53)

z 0.00 0.01 0.02 0.03 0.04

0.0 0.5000 0.4960 0.4920 0.4880 0.4840

0.1 0.4602 0.4562 0.4522 0.4483 0.4443
0.2 0.4207 0.4168 0.4129 0.4090 0.4052
0.3 0.3821 0.3783 0.3745 0.3707 0.3669
0.4 0.3446 0.3409 0.3372 0.3336 0.3300

0.5 0.3085 0.3050 0.3015 0.2981

0.2981 0.2946
0.6 0.2743 0.2709 0.2676 0.2643 0.2611
0.7 0.2420 0.2389 0.2358 0.2327 0.2296
0.8 0.2119 0.2090 0.2061 0.2033 0.2005
0.9 0.1841 0.1814 0.1788 0.1762 0.1736
 23

(… Viene) Uso de la tabla de la distribución normal estándar

• Determine P(z<0,42)=1-P(z>0,42)

z 0.00 0.01 0.02 0.03 0.04

0.0 0.5000 0.4960 0.4920 0.4880 0.4840

0.1 0.4602 0.4562 0.4522 0.4483 0.4443
0.2 0.4207 0.4168 0.4129 0.4090 0.4052
0.3 0.3821 0.3783 0.3745 0.3707 0.3669
0.4 0.3446 0.3409 0.3372
0.3372 0.3336 0.3300

0.5 0.3085 0.3050 0.3015 0.2981 0.2946

0.6 0.2743 0.2709 0.2676 0.2643 0.2611
0.7 0.2420 0.2389 0.2358 0.2327 0.2296
0.8 0.2119 0.2090 0.2061 0.2033 0.2005
0.9 0.1841 0.1814 0.1788 0.1762 0.1736
 24

(… Viene) Uso de la tabla de la distribución normal estándar

• Determine P(z>1,78)
• Determine P(z<-2,45)
• Determine P(z>-0,58)
• Determine P(z<2,77)
• Determine P(-2<z<1)
• Determine P(-2<z<-1)
• Determine P(1<z<1,8)
• Determine P(-1<z<1)
 25

(… Viene) Uso de la tabla de la distribución normal estándar

• Determine zo tal que P(z>z0)=0,0207
• Determine zo tal que P(z<z0)=0,0793
• Determine zo tal que P(z>z0)=0,8193
• Determine zo tal que P(z<z0)=0,95
• Determine zo tal que P(-z0<z<z0)=0,95
 26

Ejercicio
• El tiempo en horas que se requiere para ensamblar tres
componentes de un sistema aeronáutico, se puede explicar a través
de una variable aleatoria normal con media 28 y varianza 17.
Determine la probabilidad que en una ocasión cualquiera no se
demore más de 27 horas. ¿Cuánto debería reducirse la varianza del
tiempo de ensamblaje, si nuevas reglas en ensamblarlas de calidad
exige que el 90% de la veces no se debería tomar más de 28.5
horas?
 27

Ejercicio
• Se supone que la longitud, en centímetros, del diámetro del eje de
un rotor es una variable normal con media 25 y varianza 2. Los
rotores son admitidos como “conformes” por el departamento de
calidad del comprador, si su diámetro tiene longitud entre 24 cm y
26.5 cm.
¿Cuál es la probabilidad de que un rotor de un torno sea admitido
por el comprador?.
 28

Aproximación de la distribución Binomial usando

la distribución Normal
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
0 1 2 3 4 5 6 7 8 9 101112131415161718192021222324252627282930
a
 29

Aproximación de la distribución Binomial

(… viene)

usando la distribución Normal

 Esto ocurre cuando n≥30, np≥5 y n(1-p) ≥5
 Si X ~ b(n,p) y Y ~ N(np,np(1-p)) entonces:
0,2
 P(X ≥a) ≈ P(Y ≥a-0.5)
0,15
 P(X >a) ≈ P(Y ≥a+0.5)
0,1
 P(X ≤a) ≈ P(Y ≤a+0.5) 0,05

 P(X <a) ≈ P(Y ≤a-0.5) 0

a
01234567891011213141516171819202122324252627282930
 30

Ejercicio
• Se conoce que la probabilidad de que un artículo elegido al azar
presente defectos es de 0,1. Si se eligen 200 unidades al azar del
artículo en cuestión, ¿Cuál es la probabilidad de que cuando mas 25
de ellos presenten defectos?
 31

Distribución Beta
• Una variable aleatoria X continua tiene distribución Beta si su
función de densidad está dada por:
Γ(α + β ) α −1
f (x ) = x (1 − x ) , S = {x ∈ R 0 ≤ x ≤ 1}
β −1

Γ(α )Γ(β )

• Le media y la varianza para la distribución beta se presentan a

continuación
α αβ
µ= σ2 =
α +β (α + β )2 (α + β + 1)
 32

Gráfica de la densidad de una variable aleatoria

Beta
f(x)
2
1,8
1,6
1,4
Título del eje

1,2
α=2,β=1
1
α=1,β=2
0,8
0,6 α=2,β=2
0,4 α=3,β=2
0,2
0
0 0,2 0,4 0,6 0,8 1
 33

Ejercicio
• La tasa de artículos defectuosos producidos por día, puede ser
modelada como una variable aleatoria beta con α=1 y β=4.
Determine la probabilidad de que en un día cualquiera haya más de
un 10% de artículos defectuosos.
 34

Bibliografía
• Zurita, G. (2008) Probabilidad y Estadística: Fundamentos y
Aplicaciones; Edición Escuela Superior Politécnica del Litoral, Instituto
de Ciencias Matemáticas, Guayaquil-Ecuador