Está en la página 1de 23

Tema4.

Distribuciones
Continuas
1
TEMA 4.
DISTRIBUCIONES
CONTINUAS
Tema 4. Distribuciones
Continuas
2
CONCEPTO DE VARIABLE
ALEATORIA
Forma intuitiva: Cualquier magnitud que puede
tomar valores en un determinado dominio de
forma impredecible influida por el azar.

Variable aleatoria: Valores impredecibles en
situaciones concretas y la posibilidad de
probabilizar el espacio muestral definido por R.

Variable aleatoria continua: Puede tomar
cualquier valor de la recta R.
Tema 4. Distribuciones
Continuas
3
FUNCIN DE DENSIDAD I
A diferencia de la v.a. discreta, la masa de
probabilidad no est concentrada en un punto,
ya que la v.a. continua toma infinitos valores
Se denomina FUNCIN DE DENSIDAD a
cualquier funcin real, fx, que verifique:







}
+

=
>
1 ) ( )
0 ) ( )
dx x f b
x f a
9 e x
Tema 4. Distribuciones
Continuas
4
FUNCIN DE DENSIDAD II
Tenemos distintas formas de funcin de
densidad que nos permitirn calcular los
valores de un determinado intervalo.

Para cualquier subconjunto B de R, la
probabilidad de que x tome valores ser:

}
= e
B
dx x fx B x P ) ( ) (
Tema 4. Distribuciones
Continuas
5
FUNCIN DE DISTRIBUCIN I
Se denomina FUNCIN DE DISTRIBUCIN, Fx
de una v.a. continua x:


Fx y fx se pueden obtener de forma alternativa:

) ( ) ( x X P x Fx s = 9 e x
dx
x dFx
x f x
dt t f x x Fx
x
) (
) (
) ( ) (
=
=
}

Tema 4. Distribuciones
Continuas
6
EJ.: DISTRIBUCIN UNIFORME
UNA VARIABLE ALEATORIA ES UNIFORME U(a,b) Si la probabilidad
de que x pertenezca a cualquier subintervalo de S=[a,b] es
proporcional a la longitud del subintervalo. Es constante en el
subintervalo

s s

=
=
caso otro en 0
b x a si
a b
1
f(x)
K 1/(b-a)
a b
1
a b

>
s s
<
=
b x si 1
b x a si
a - b
a - x
a x si 0
F(x)
FUNCIN DE DENSIDAD
FUNCIN DE DISTRIBUCIN
Tema 4. Distribuciones
Continuas
7
FUNCIN DE DISTRIBUCIN II
Propiedades:
) ( ) ( ) P(x x x / x , x
Fx(x) - 1 x) P(X x f)
continua es Fx )
0 ) ( )
1 ) ( )
e decrecient no es Fx b)
1 ) ( 0 )
1 2 2 1 2 1 2 1
x Fx x Fx x X
e
x Fx Lim d
x Fx Lim c
x Fx a
x
x
= s < < 9 e
= > 9 e
=
=
s s

+
Tema 4. Distribuciones
Continuas
8
FUNCIN DE DISTRIBUCIN III
La propiedad f) en el caso de v.a. continuas se
puede resumir en:
}
}
= s s
< = s = =
= s

b
a
a
dx x f x b x a P
a x P a x P a x P
dx x f x a x P
) ( ) (
) ( ) ( 0 ) (
) ( ) (
Tema 4. Distribuciones
Continuas
9
MEDIDAS CARACTERSTICAS
Esperanza matemtica

}
+

= dx x f x x E ) ( ) (
P x x P x F
p p
= s = ) ( ) (
Percentil 100*P

( ) | |
) (
)] ( [ ) ( ) (
) ( )) ( ( ) ( ) (
2 2
2
2
x Var
x E x E x Var
dx x f x x E x x E x E x Var
x
=
=
= =
}
+

o
Moda

Varianza y Desviacin Tpica

Tema 4. Distribuciones
Continuas
10
DISTRIBUCIN NORMAL I
Modeliza bien un gran nmero de variables encontradas
en la realidad: la mayora de las variables cuya
distribucin es simtrica. Se representa por N(,).

) x (- e
2
1
(x) f
2
2
2
) (x
X
+ < <


Funcin de
densidad
M
FUNCIN DE DENSIDAD

=E(x)
= Desviacin tpica
Tema 4. Distribuciones
Continuas
11
DISTRIBUCIN NORMAL II
FUNCIN DE DISTRIBUCIN
dx e
2
1
) ( (x) F
2
2
2
) (x
X
}

= s =
x
x X P

CARACTERSTICAS
MEDIA =E(x) Toma cualquier valor
VARIANZA Var(x)=
2

DESVIACIN TPICA Slo valores positivos
MODA=MEDIANA=MEDIA
La integral no
puede resolverse
analticamente
Tema 4. Distribuciones
Continuas
12
DISTRIBUCIN NORMAL III
FUNCIN DE DENSIDAD de una v.a. x con
normal tipificada, se representa por Z=N(0,1)
+ < < =

z -
2
1
) (
2
2
z
e z fz
t
Donde:
= 0
= 1
FUNCIN DE DISTRIBUCIN
du
2
1
) ( ) (
2
2
}

= s =
z u
e z Z P z
t
|
Esta funcin
est tabulada
Tema 4. Distribuciones
Continuas
13
DISTRIBUCIN NORMAL IV
La funcin de distribucin de una Var. Normal General,
se puede calcular con la Normal Tipificada
|
.
|

\
|

=
o

|
x
x Fx ) (
Z = 0
Debido a la simetra de la distribucin
(-z)= 1- (z)
Z > 0 Z < 0
P(Z<z)
z
Tema 4. Distribuciones
Continuas
14
DISTRIBUCIN NORMAL VI
CARACTERSTICAS DE LA NORMAL TIPIFICADA
Percentiles :
z
p
=
-1
(P) P(Z<z
p
)=P
Por ser simtrica z
p
=-z
1-p

Para pasar de una distribucin normal general a a
la tipificada:
X
p
= + z
p


Media=Mediana (percentil 50)=Moda=0

Tema 4. Distribuciones
Continuas
15
DISTRIBUCIN EXPONENCIAL I
Se utiliza como modelo cuando no existe
desgaste en el producto (slo fallos
accidentales):
La v.a. indica el tiempo de vida de un producto. El t
que transcurre antes de que se produzca un fallo en
su funcionamiento
El t transcurrido entre 2 averas de un producto
reparable. Siendo:

tiempo de ud. por fallos de n o fallos de Tasa = o
Tema 4. Distribuciones
Continuas
16
DISTRIBUCIN EXPONENCIAL II
Funcin de densidad exponencial
0 x ) ( > =
x
e x fx
o
o
Mean
5
10
Exponential Distribution
x
d
e
n
s
i
t
y
0 10 20 30 40 50 60
0
0,04
0,08
0,12
0,16
0,2
=0.1
=0.2
x
x
x
e dx e x Fx
o o
o

= =
}
1 ) (
0
Funcin de distribucin exponencial
Tema 4. Distribuciones
Continuas
17
DISTRIBUCIN EXPONENCIAL II
CARACTERSTICAS
Percentil




Modax=0, para cualquier valor del parmetro
Media




El valor medio de una distribucin exponencial se denomina:
MTTF (Mean Time To Failure)
MTBF (Mean Time Between Failures)
) 1 ln(
1
1 p x e p
p
x
p
= =

o
o
o
1
) ( = x E
Tema 4. Distribuciones
Continuas
18
DISTRIBUCIN EXPONENCIAL III
Varianza y desviacin tipica

o
o
o
1

1
) (
2
=
|
.
|

\
|
= x Var
INVARIABILIDAD EN EL TIEMPO (falta de memoria)
El comportamiento futuro es independiente de su
comportamiento actual o pasado.
P(X>t+x/X>t) = P(X>x)

CONCLUSIN: Los fallos se deben a causas accidentales y no al
desgaste (envejecimiento) del producto. Si en una mquina los fallos
son ms frecuentes a medida que envejece, los t hasta el fallo no
siguen una distribucin exponencial
Tema 4. Distribuciones
Continuas
19
PROCESOS DE POISSON
Distribucin Poisson: Indica el n de ocurrencias (x) de
un suceso en un tiempo determinado.
Procesos de Poisson: Se estudia el tiempo entre sucesos
de Poisson o bien el tiempo que transcurre hasta el
primer suceso de Poisson.

Ps() Ps() Ps() Ps()
0 1 2 3 t
independientes
Las v.a que indican la DIFERENCIA entre ocurrencias
sucesivas son estadsticamente independientes y siguen una
DISTRIBUCIN EXPONENCIAL con tasa de fallo (n medio
de fallos/unidad de tiempo):

D1=T1-0, D2=T2-T1, D3=T3-T2,
Tema 4. Distribuciones
Continuas
20
INTRODUCCIN A LA FIABILIDAD
La FIABILIDAD de un componente para una
misin de duracin x=t uds. de tiempo, es la
PROBABILIDAD de que la duracin de dicho
componente supere el tiempo t. Ej.: Exponencial
0 t ) ( 1 ) ( > = = >
t
e t Fx t x P
o
Falta de memoria (en la exponencial): La
fiabilidad del sistema no se modifica por el
hecho de que haya transcurrido un tiempo t
Tema 4. Distribuciones
Continuas
21
APROXIMACIONES NORMALES
TEOREMA CENTRAL DEL LMITE
En condiciones muy generales, la suma de
variables aleatorias independientes, sea cual sea
su distribucin, tiende a distribuirse normalmente
a medida que aumenta el nmero de sumandos.

Dicho teorema justifica el hecho de que la
mayora de las distribuciones de las variables en
problemas reales sean normales.

Normal Y X ... X X Y
N
N 2 1
~ + + + =

Tema 4. Distribuciones
Continuas
22
RELACIN:DISTRIBUCIN BINOMIAL Y NORMAL
La distribucin Binomial se puede aproximar a
una Normal, cuando:
) 1 ( , ( ) , (
5 . 0 ,
p np np N p n B
p n

~
Si utilizamos la correccin de continuidad, la
aproximacin normal sera:

+
=
)
`

+
=
) 1 (
) 5 , 0 (
) (
) ( ) 5 , 0 (
) (
p np
np x
x
x E x
x F |
o
|
Normalmente se verifica cuando: n>50 y 0,1<p<0,9
Tema 4. Distribuciones
Continuas
23
RELACIN:DISTRIBUCIN POISSON Y NORMAL
La distribucin de Poisson se puede aproximar a
una Normal, cuando:


, ( ) (
5
N Ps
>
Si utilizamos la correccin de continuidad, la
aproximacin normal sera:
)
`

+
=
)
`

+
=


|
o
|
) 5 , 0 (
) (
) ( ) 5 , 0 (
) (
x
x
x E x
x F