Documente Academic
Documente Profesional
Documente Cultură
variable aleatoria es una funcin cuyo dominio es el espacio muestral y cuyo rango es el conjunto de
nmeros reales.
por la va
x , y . La notacin
X ( s )=x
significa que
es el
X .
Ejemplos.
1. Considere el experimento en el cual un nmero telefnico en cierto cdigo de rea es elegido con
un marcador de nmeros aleatorios (tales dispositivos los utilizan en forma extensa organizaciones
encuestadoras) y defina una va Y como
Y (5282966 )=0
Y (7727350 )=1
Definicin. Cualquier variable aleatoria cuyos nicos valores posibles son 0 y 1 se llama variable
aleatoria de Bernoulli.
como
gasolinera2
U=el mximo de los nmeros de bombas en uso en las dos gasolineras
(S )
( F ) . Suponga que se seleccionan al azar tres vigas que fallaron y que se determina el
X =
por cortante. Ponga en lista cada resultado en el espacio muestral junto con el valor asociado de
X .
s
FFF
FFS
FSF
FSS
SFF
SFS
SSF
SSS
[20, 30]).
P ( X=c ) =0
con
c .
posibles valores de
dice cmo est distribuida (asignada) la probabilidad total de 1 entre los varios
X .
P (Y = y )
por
y ,
tome el valor
particular. La distribucin de
y . A veces
p( y) .
p ( y )=P (Y = y )
para toda
y .
p ( x )=1
toda x
Ejemplo.
es como se da en la
0.05
0.10
0.15
0.25
0.20
0.15
0.10
para
x=1,2,3,4
f (x)
f ( 1)
es negativa
-0.5
0.5
b) La funcin no sirve como distribucin de probabilidad por que la suma de las cinco probabilidades
6
es 5 y no 1
x
f (x)
0.04
0.16
0.36
0.64
3. Seis lotes de componentes estn listos para ser enviados por un proveedor. El nmero de
componentes defectuosos en cada lote es como sigue:
Lote
Numero de defectuosos
Uno de estos lotes tiene que ser seleccionado al azar para ser enviado a un cliente particular. Sea
X el nmero de defectuosos en el lote seleccionado.
a) Cul es la probabilidad de que el lote seleccionado tenga ningn componente defectuoso?
b) Cul es la probabilidad de que el lote seleccionado tenga un componente defectuoso?
c) Cul es la probabilidad de que el lote seleccionado tenga dos componentes defectuoso?
Distribucion de probabilidad
0.7
0.6
0.5
0.4
p(y) 0.3
0.2
0.1
0
0
3
p ( 0 )=P ( X=0 )= =0.5
6
1
p (1 ) =P ( X=1 )= =0.167
6
2
p (2 )=P ( X=2 ) = =0.333
6
X . Los valores de
4. Un supervisor en una planta manufacturera tiene tres hombres y tres mujeres trabajando para l y
desea escoger dos trabajadores para un trabajo especial. No queriendo mostrar sesgo en su
seleccin, decide seleccionar los dos trabajadores al azar. Denote con Y el nmero de mujeres en
su seleccin. Encuentre la distribucin de probabilidad para
Y .
3 3
(
0 )( 2 ) 1 3 3 1
p ( 0 )=P ( Y =0 )=
=
= = =0.2
15 15 5
6
( 2)
3 3
(
1 )( 1 ) 3 3 9 3
p (1 ) =P ( Y =1 )=
=
= = =0.6
15 15 5
6
(2 )
3 3
(
2)( 0) 3 1 3 1
p (2 )=P (Y =2 )=
=
= = =0.2
15 15 5
6
(2 )
Distribucion de probabilidad
0.8
0.6
p(y)
0.4
0.2
0
0
p (x)
F ( x )=P ( X x )=
F(x)
como
p( y)
y: y x
x ,
F(x)
ser
x .
Ejemplo
1. La distribucin de probabilidad de
y
p( y)
Primero se determina
F( y)
0.4
0.3
0.2
0.1
( 1,2,3,4 ) :
a la izquierda de
y ,
F( y)
y .
Por ejemplo,
0 si y <1
0.4 si 1 y <2
F ( y ) 0.7 si 2 y <3
0.9 si3 y< 4
1 si 4 y
X , la grfica de
F(x)
y ser plana entre los valores posibles. Tal grfica se conoce como funcin
escalonada.
Ejemplo
1. (Ejercicio 15. Seccin 3.2). Muchos fabricantes cuentan con programas de control de calidad que
incluyen la inspeccin de los materiales recibidos en busca de defectos. Suponga que un fabricante
de computadoras recibe tarjetas madre en lotes de cinco. Se seleccionan dos tarjetas de cada lote
para inspeccionarlas. Se pueden representar los posibles resultados del proceso de seleccin por
pares. Por ejemplo, el par ( 1,2 ) representa la seleccin de las tarjetas 1 y 2 para inspeccin.
a. Mencione los diez posibles resultados diferentes.
b. Suponga que las tarjetas 1 y 2 son las nicas tarjetas defectuosas en un lote de cinco. Dos
tarjetas tienen que ser seleccionadas al azar. Defina X como el nmero de tarjetas defectuosas
observadas entre las inspeccionadas. Encuentre la distribucin de probabilidad de
F(x)
c. Sea
F ( 1)
F ( 2 ) ; luego obtenga
X .
X . Primero determine
F ( 0 ) =P ( X 0 ) ,
x .
a.
S= { (1,2 ) ( 1,3 ) ( 1,4 ) ( 1,5 )( 2,3 )( 2,4 )( 2,5 ) ( 3,4 )( 3,5 ) ( 4,5 ) }
b.
s
( 1,2 )
( 1,3 )
( 1,4 )
( 1,5 )
( 2,3 )
( 2,4 )
( 2,5 )
( 3,4 )
( 3,5 )
( 4,5 )
X ( s )=x
Recuerda que
aleatoria
X ( s )=x
significa que
por la variable
X .
p ( 0 )=P ( X=0 )=
1 1 1
3
+ + = =0.3
10 10 10 10
p (1 ) =P ( X=1 )=
1 1 1 1 1 1
6
+ + + + + = =0.6
10 10 10 10 10 10 10
p (2 )=P ( X=2 ) =
1
=0.1
10
Distribucion de probabilidad
0.7
0.6
0.5
0.4
p(y) 0.3
0.2
0.1
0
0
c.
F ( 0 ) =P ( X 0 ) =P ( X=0 )=p ( 0 )=0.3
F ( 1 )=P ( X 1 )=P ( X=0 o 1 ) =p ( 0 )+ p ( 1 ) =0.3+0.6=0.9
F ( 2 )=P ( X 2 )=P ( X=0 o 1o 2 )= p ( 0 ) + p ( 1 ) + p ( 2 )=0.3+ 0.6+0.1=1
La funcin de distribucin acumulativa es por tanto
0 si x <0
F ( x ) 0.3 si 0 x <1
0.9 si 1 x <2
1 si2 x
10
3. Valores esperados
Valor esperado de
Definicin. Sea
X
una variable aleatoria discreta con un conjunto de valores posibles
X , denotado por
E(X)
y una
x , es
E ( X )= x = x p ( x )
xD
Varianza de
Definicin. Sea
p (x )
X , denotada por
V (X)
o simplemente
2 , es
V ( X )= 2= ( x )2 p ( x )=E [ ( X )2 ]
D
La desviacin estndar de
Formula abreviada para
2
es : x = x
11
[ x p ( x ) ] =E ( X )[ E ( x ) ]
2
Ejemplo
1. (Ejercicio 29. Seccin 3.3. Devore). La funcin masa de probabilidad de
X =
el nmero de
p (x )
0.08
0.15
0.45
0.27
0.05
Calcule lo siguiente:
a. E ( X )
b. V ( X ) directamente a partir de la definicin
c. La desviacin estndar de
X .
b.
4
V ( X )= = ( x ) p ( x )=
2
x=0
( 02.06 )2 ( 0.08 )+ (12.06 )2 ( 0.15 ) + ( 22.06 )2 ( 0.45 ) + ( 32.06 )2 ( 0.27 ) + ( 42.06 )2 ( 0.05 ) =0.9364
c.
x = 2x = 0.9364=0.9676
d.
V ( X )= 2=
[ x p ( x ) ] =[ (0 0.08 )+(1 0.15 )+ (2 0.45 )+( 3 0.27 )+( 4 0.05)] 2.06 =0.9364
2
12
2. (Ejercicio 4.32. Miller y Freud). Suponga que las probabilidades son 0.4, 0.3, 0.2 y 0.1 de que
habr 0, 1, 2 o 3 fallas elctricas en cierta ciudad durante el mes de julio. Emplee las frmulas que
2
definen x y para encontrar
a) la media de esta distribucin de probabilidad
b) la varianza de esta distribucin de probabilidad directamente a partir de la definicin
c) la varianza de esta distribucin de probabilidad por medio de la formula abreviada
a)
3
b)
3
V ( X )= = ( x ) p ( x )=
2
x=0
E ( X )= = x 2 p ( x ) 2=
2
Tarea en Excel. La siguiente tabla indica las probabilidades de que cierta computadora funcionara
mal 0,1, 2, 3, 4, 5 o 6 veces cualquier da:
x
p (x )
0.17
0.29
0.27
0.16
0.07
0.03
0.01
Calcule lo siguiente:
a. E ( X )
b. V ( X ) directamente a partir de la definicin
c. La desviacin estndar de
X .
13
X =
nmero
X = nmero de nias.
5. De todos los pacientes que padecen una enfermedad en particular, el 35% experimenta una
mejora con cierto medicamento. Para los siguientes 30 pacientes a los que se les administrar el
medicamento, sea X = nmero de pacientes que experimentan mejora
Cada uno de estos experimentos aleatorios pueden considerarse como formado por una serie de
ensayos repetidos; 10 lanzamientos de la moneda en el experimento (1), la produccin de 25 partes
en el experimento (2) y as sucesivamente. En cada caso, la variable aleatoria es el conteo del
nmero de ensayos que cumplen con un criterio especfico. Con esto, el resultado de cada ensayo
coincide o no con el criterio especifico y X cuenta o no; en consecuencia, cada ensayo puede
resumirse como xito o fracaso, respectivamente. Por ejemplo, en el experimento de opcin mltiple,
M.C. LEONARDO A. MEDINA R.
14
para cada una de las preguntas, slo la opcin que es correcta es la que se considera como un xito.
La seleccin de cualquiera de las otras tres opciones incorrectas da como resultado un ensayo que
puede resumirse como un fracaso.
A menudo es razonable suponer que los ensayos que forman el experimento aleatorio son
independientes. Esto implica que el resultado de uno de los ensayos no tiene ningn efecto sobre el
resultado que se obtenga en cualquier otro ensayo. En el experimento (2), la hiptesis de ensayos
independientes implica que saber que la parte nmero 5 es defectuosa, no tiene ningn efecto sobre
la probabilidad de que cualquiera de las dems partes sea defectuosa. As mismo, a menudo es
razonable suponer que la probabilidad de xito en cada ensayo es constante. En el experimento de
opcin mltiple [experimento (5)], si se supone que el sujeto que lleva a cabo la prueba no tiene
ningn conocimiento del tema y slo adivina la respuesta de cada pregunta, entonces puede
considerarse que la probabilidad de una respuesta correcta para cada pregunta es 1/4.
Variable aleatoria binomial y distribucin
En la mayora de los experimentos binomiales, lo que interesa es el nmero total de los xitos
( E) ,
es
n x
x
b ( x ; n , p )= n p ( 1 p ) , x=0, 1,2, , n
x
()
n=3
Cuando se interrumpe una torre de interconexin para servicio de telefona inalmbrica, rpidamente
se convierte en una costosa proporcin para la compaa telefnica, y el costo aumenta con el
tiempo en que es inoperable. De los registros de la compaa, se postula que la probabilidad es de
0.90 de que la interrupcin puede repararse en una hora. Para las siguientes tres interrupciones, en
diferentes das y diferentes torres,
a) Mencione todos los posibles resultados en trminos de xito,
fracaso,
a)
M.C. LEONARDO A. MEDINA R.
15
s
X ( s )=x
FFF
FFS
FSF
FSS
SFF
SFS
SSF
SSS
FFF
FFS
FSF
SFF
0
X ( s )=x
FSS
SFS
SSF
1
SSS
b) Los resultados de las reparaciones en diferentes das y diferentes torres son independientes.
Adems, la probabilidad de xito de 0.90 es la misma para cada reparacin.
P ( FFF )=P ( F ) P ( F ) P ( F )=( 1 p ) (1p ) ( 1 p ) =( 1 p )3=( 10.9 )3=0.001
3
30
0
b ( 0 ; 3,0.9 )=P ( FFF )=( 10.9 ) = 3 0.9 ( 10.9 ) =0.001
0
()
()
()
16
()
Ejemplo
1. Se afirma que en 60% de todas las instalaciones de calefaccin solar, la facturacin del servicio se
reduce en al menos un tercio. En concordancia, Cules son las probabilidades de que tal factura se
reducir en al menos un tercio en
a) cuatro de cinco instalaciones
b) al menos cuatro de cinco instalaciones?
a) Al sustituir
x=4, n=5
p=0.6
en
n x
b ( x ; n , p )= n p x ( 1 p )
x
()
54
4
P ( X=4 ) =b ( 4 ; 5,0.6 )= 5 0.6 ( 10.6 ) =0.259
4
()
b)
5
5x
5 4
55
P ( X 4 )= b ( x ; 5,0.6 )= 5 0.6 x ( 10.6 ) = 5 0.6 4 ( 10.6 ) + 5 0.65 ( 10.6 ) =0.259+0.078=0.337
4
5
x=4
x=4 x
()
()
()
2. A cada uno de seis bebedores de refrescos de cola seleccionados al azar se le sirve un vaso de
refresco de cola A y uno de refresco de cola B. Los vasos son idnticos en apariencia excepto por un
cdigo que viene en el fondo para identificar el refresco de cola. Suponga que en realidad no existe
una tendencia entre los bebedores de refresco de cola de preferir un refresco de cola al otro.
Entonces p=P (un individuo seleccionado prefiere A) 0.5 , as que con X = el nmero entre
los seis que prefieren A. En concordancia, Cules son las probabilidades de un individuo
seleccionado prefiera A en
a) tres de seis individuos prefieran A
b) al menos tres individuos prefieran A
c) cuando mucho uno individuo prefiera A
a) Al sustituir
x=3, n=6
p=0.5
en
17
n x
b ( x ; n , p )= n p x ( 1 p )
x
()
63
3
P ( X=3 )=b ( 3 ; 6,0.5 )= 6 0.5 ( 10.5 ) =0.3125
3
()
6x
63
64
65
P ( X 3 ) = b ( x ; 6,0.5 )= 6 0.5 x ( 10.5 ) = 6 0.53 (10.5 ) + 6 0.54 ( 10.5 ) + 6 0.55 ( 10.5 ) + 6 0.56 ( 1
3
4
5
6
x=3
x=3 x
()
()
()
()
()
6x
60
61
x
0
1
P ( X 1 )= b ( x ; 6,0.5 )= 6 0.5 ( 10.5 ) = 6 0.5 ( 10.5 ) + 6 0.5 ( 10.5 ) =0.015625+0.09375=0.1093
0
1
x=0
x=0 x
()
()
()
tedioso. La tabla 1 del apndice (De Libro Miller y Freud pg. 504 a 508) tabula la funcin de
distribucin de probabilidad acumulativa F ( x )=P(X x) con n=2 a n=20 en combinacin
con valores seleccionados de
Notacin. Para
p .
P ( X x )=B ( x ; n , p )= b ( k ; n , p ) x=0,1, 2, , n
k=0
b ( x ; n , p)
B( x ;n, p)
B ( x1 ; n , p )
difieren por el
b ( x ; n , p)
b ( x ; n , p )=B ( x ; n , p )B ( x1 ; n , p )
18
Donde B (1 )=0 .
Ejemplos
1. Se afirma que en 60% de todas las instalaciones de calefaccin solar, la facturacin del servicio se
reduce en al menos un tercio. En concordancia, Cules son las probabilidades de que tal factura se
reducir en al menos un tercio en
a) cuatro de cinco instalaciones
b) al menos cuatro de cinco instalaciones?
a) cuatro de cinco instalaciones
P ( X=4 ) =b ( 4 ; 5,0.6 )=B ( 4 ; 5,0.6 ) B ( 41; 5,0.6 ) =?
19
2. A cada uno de seis bebedores de refrescos de cola seleccionados al azar se le sirve un vaso de
refresco de cola A y uno de refresco de cola B. Los vasos son idnticos en apariencia excepto por un
cdigo que viene en el fondo para identificar el refresco de cola. Suponga que en realidad no existe
una tendencia entre los bebedores de refresco de cola de preferir un refresco de cola al otro.
Entonces p=P (un individuo seleccionado prefiere A) 0.5 , as que con X = el nmero entre
los seis que prefieren A. En concordancia, Cules son las probabilidades de un individuo
seleccionado prefiera A en
a) tres de seis individuos prefieran A
b) al menos tres individuos prefieran A
c) cuando mucho uno individuo prefiera A
a) tres de seis individuos prefieran A
P ( X=3 )=b ( 3 ; 6,0.5 )=B ( 3 ; 6,0.5 )B ( 31 ; 6,0.5 )= ?
20
21
P ( X 1 )= b ( x ; 6,0.5 )=?
x=0
P ( X 1 )= b ( x ; 6,0.5 )=0.1094
x=0
22
Tarea. Si la probabilidad es de 0.05 de que cierta columna de doble perfil caer bajo una carga axial
dada, Cules son las probabilidades de que, entre 16 de tales columna,
a) cuando mucho caern dos;
b) al menos caern cuatro?
Resolver mediante definicin, tablas de distribucin binomial y Excel.
Media, varianza y desviacin estndar de la distribucin binomial
Si
X Bin ( np ) , entonces
E ( X )= X =np ,
V ( X )= 2X =np ( 1 p )=npq
X = npq
(donde
q=1 p .
Ejemplo.
Si 75% de todas las compras en una tienda se hacen con tarjeta de crdito y
es el nmero
entre diez compras seleccionadas al azar realizadas con tarjeta de crdito, entonces
X Bin ( 10,0.75 ) . Calcule E ( X )= X , V ( X )= 2X , y X
E ( X )= X =np=( 10 )( 0.75 ) =7.5
V ( X )= 2X =np ( 1 p )=npq=( 10 )( 0.75 ) ( 10.75 )=1.875
X = npq= 1.875=1.369
Ejercicio 48 (Seccin 3.4 Devore). Cuando se utilizan tarjetas de circuitos en la fbrica de
reproductores de discos compactos se prueban; el porcentaje de defectuosas es de 5%. Sea X =
el nmero de tarjetas defectuosas en una muestra aleatoria de tamao
n=25 , as que
X Bin ( 25,0.05 )
a. Determine
P ( X 2) .
b. Determine
P ( X 5) .
c. Determine
P (1 X 4 ) .
a.
23
P ( X 2 )= b ( x ; 25,0.05 ) =?
x=0
P ( X 2 )= b ( x ; 25,0.05 ) =0.873
x=0
b.
25
24
25
c.
4
x=0
x=0
x=0
x=0
P (1 X 4 ) =P ( X 4 )P ( X 0 )= b ( x ; 25,0.05 ) b ( x ;25,0.05 )= ?
25
d.
E ( X )= X =np=( 25 )( 0.05 ) =1.25
V ( X )= 2X =np ( 1 p )=npq=( 25 )( 0.05 )( 10.05 )=1.1875
X = npq= 1.1875=1.0897
X , el numero de
resultados que ocurren durante un intervalo dado o en una regin especfica, se llaman
experimentos de Poisson. El intervalo dado puede ser de cualquier longitud, como un minuto, un da,
una semana, un mes o incluso un ao. Por ello, un experimento de Poisson puede generar
observaciones para la variable aleatoria X que representa el nmero de llamadas telefnicas por
hora que recibe una oficina, el nmero de das que la escuela permanece cerrada debido a la nieve
durante el invierno o el nmero de juegos suspendidos debido a la lluvia durante la temporada de
beisbol. La regin especfica podra ser un segmento de lnea, un rea, un volumen o quizs una
pieza de material. En tales casos X puede representar el nmero de ratas de campo de acre, el
nmero de bacterias en un cultivo dado o el nmero de errores mecanogrficos por pgina. Un
experimento de Poisson se deriva del proceso de Poisson y tiene las siguientes propiedades:
1. El nmero de resultados que ocurren en un intervalo o regin especfica es independiente del
nmero que ocurre en cualquier otro intervalo o regin del espacio disjunto. De esta forma vemos
que el proceso de Poisson no tiene memoria.
2. La probabilidad de que ocurra un solo resultado durante un intervalo muy corto o en una regin
pequea es proporcional a la longitud del intervalo o al tamao de la regin, y no depende del
nmero de resultados que ocurren fuera de este intervalo o regin.
3. La probabilidad de que ocurra ms de un resultado en tal intervalo corto o que caigan en tal
regin pequea es insignificante
El nmero
es
x
e
(
)
p x; =
x=0,1, 2,
x!
26
El valor de
La Tabla A.2 (pg. 666 y 667 de Devore) contiene la suma de la probabilidad de Poisson
x
F ( x ; )=
y=0
e
y!
Media y varianza de
Si
, entonces
E ( X )=V ( X )= .
Ejemplo
1. Sea
=4.5 , as que en
P ( X=5 ) =
e4.5 ( 4.5 )5
=0.1708
5!
P ( X 5 ) =
x=0
27
= 2= 4.5=2.121
Ejercicios
1. (Ejercicio 79. Seccin 3.6. Devore). Sea
P(X8)
b.
P ( X=8 )
c.
P ( 9 X )
d.
P (5 X 8 )
e.
P (5< X <8 )
a.
8
P ( X 8 )=
y=0
e
=F ( 8 ;5 )= ?
y!
28
P ( X 8 )=F ( 8 ; 5 )=0.932
b.
P ( X=8 )=F ( 8 ; 5 ) F ( 7 ; 5 )= ?
29
c.
P ( X 9 )=1P ( X 8 )=1F ( 8 ; 5 )= ?
d.
P (5 X 8 )=P ( X 8 )P ( X 4 )=F ( 8 ; 5 )F ( 4 ; 5 ) =?
30
e.
P (5< X <8 ) =P ( X 7 ) P ( X 5 )=F ( 7 ; 5 )F ( 5 ; 5 )=?
31
2. (Ejercicio 81. Seccin 3.6. Devore). Suponga que el nmero de conductores que viajan entre un
origen y destino particulares durante un periodo designado tiene una distribucin de Poisson con
parmetro =20 . Cul es la probabilidad de que el nmero de conductores
a.
P ( X 10 )=F ( 10; 20 )= ?
b.
P ( X >20 )=1F ( 20 ; 20 )=
c.
P (10 X 20 )=F ( 20 ; 20 ) F ( 9 ; 20 )= ?
P (10< X <20 ) =F ( 19 ;20 )F ( 10 ; 20 )=?
d.
E ( X )===20
= = ?
P ( 2 < X < + 2 )
Proceso de Poisson
32
Una aplicacin muy importante de la distribucin de Poisson surge en conexin con la ocurrencia de
eventos de algn tipo en el transcurso del tiempo. Eventos de inters podran ser visitas a un sitio
web particular, pulsos de alguna clase registrados por un contador, mensajes de correo electrnico
enviados a una direccin particular, accidentes en una instalacin industrial o lluvias de rayos
csmicos observados por astrnomos en un observatorio particular.
Para encontrar la probabilidad de x xitos durante un intervalo de tiempo de longitud T , el
intervalo se divide en n partes iguales de longitud t , de modo que T =n t , y se supone
que
1. La probabilidad de un xito durante un intervalo de tiempo muy pequeo
t .
Pk ( t )
la probabilidad de que
tiempo particular de duracin t .
Proposicin.
Pk ( t )=et ( t )k / k !
de modo que el nmero de eventos durante un intervalo de tiempo de duracin t es una variable
de Poisson con parmetro =t . El nmero esperado de eventos durante cualquier intervalo de
tiempo es constante
.
33
e ( 3)
=0.950
0!
2. Si un banco recibe en promedio =6 cheques malos por da, Cules son las probabilidades
de que recibir
a) 4 cheques malos cualquier da dado?
b) 10 cheques malos durante cualesquiera 2 das consecutivos?
a)
= t=( 6 ) ( 1 )=6
6
P ( X=4 ) =
e ( 6)
=0.134
4!
P ( X=4 ) =F ( 4 ; 5 )F ( 3 ; 5 )=?
34
P ( X=4 ) =F ( 4 ; 6 )F ( 3 ; 6 )=0.2850.151=0.134
b)
= t=( 6 ) ( 2 )=12
P ( X=10 ) =
e12 ( 12 )10
=0.1048
10 !
P ( X=10 ) =F ( 10 ; 6 )F ( 9 ; 6 )= ?
35
P ( X=10 ) =F ( 10 ; 6 )F ( 9 ; 6 )=0.3470.242=0.105
entre
es un
c
que
X .
Ejemplo
1. En el estudio de la ecologa de un lago, se mide la profundidad en lugares seleccionados,
entonces X = la profundidad en ese lugar es una variable aleatoria continua. En este caso A
es la profundidad mnima en la regin muestreada y
es la profundidad mxima.
X , entonces
es una
36
Se podra argumentar que aunque en principio las variables tales como altura, peso y temperatura
son continuas, en la prctica las limitaciones de los instrumentos de medicin nos restringen a un
mundo discreto (aunque en ocasiones muy finamente subdividido). Sin embargo, los modelos
continuos a menudo representan muy bien de forma aproximada situaciones del mundo real y con
frecuencia es ms fcil trabajar con matemticas continuas (el clculo) que con matemticas
discretas y distribuciones.
Distribuciones de probabilidad de variables continuas
Definicin. Sea
cualesquiera
y b
es una funcin
f (x)
con a b ,
P ( a X b ) = f ( x ) dx
a
intervalo y bajo la grfica de la funcin de densidad, como se ilustra en la figura siguiente. La grafica
de f ( x ) a menudo se conoce como curva de densidad .
Para que
f (x)
sea una funcin de densidad de probabilidad legtima, debe satisfacer las dos
siguientes condiciones:
1. f ( x ) 0
2.
1
f ( x ; A , B )= B A A x B
0 de lo contrario
37
Ejemplo
1. Clculo de probabilidad a partir de la funcin de probabilidad. Si una variable aleatoria tiene la
densidad de probabilidad
2 x
f ( x )= 2 e para x >0
0 para x 0
e v dv=e v +c
v =2 x
dv=2 dx
3
2 e2 x dx =2 e2 x dx=
1
3
3
2
e2 x (2 ) dx=1 ( e2 x )|1=e2 x|1=
2 1
38
2e
2 x
0.5
dx=2 e
2 x
0.5
2
dx=
e2 x (2 ) dx=1 ( e2 x )|0.5=e2 x|0.5=
2 0.5
0.15 ( x0.5 )
para x 0.5
f ( x )= 0.15 e
de
lo contrario
0
e v dv=e v +c
v =0.15 x
dv=0.15 dx
0.15 e
0.15( x0.5 )
0.5
dx=0.15 e
0.15 x+0.075
0.5
0.15 0.075
e e0.15 x (0.15 ) dx=e0.075 e0.15 x|0.5=
0.15
0.5
39
0.15 e0.15( x0.5 ) dx=0.15 e0.15 x+0.075 dx=0.15 e0.15 x e0.075 dx=
0.5
0.5
0.15 e
0.075
0.15
0.15 x
0.5
5
0.15 0.075
dx=
e e0.15 x (0.15 ) dx=e0.075 e0.15 x|0.5=
0.15
0.5
P (2.5< X <2.5 )
c. Calcule
P (2 X 3 )
1
f ( x ; A , B )= B A A x B
0 de lo contrario
P ( X <0 )
a. Calcule
0
1
1
1
1 0
1
1
5
P ( X <0 ) =
dx= dx = dx= x|5= ( 0 ) (5 )= =0.5
10 5
10
10
10
10
5 5( 5 )
5 10
b. Calcule
P (2.5< X <2.5 )
2.5
P (2.5< X <2.5 )=
2.5
2.5
2.5
1
1
1
1 2.5
dx=
dx=
dx= x|2.5 =
10 2.5
10
5(5 )
2.5 10
1
1
2.5 2.5
( 2.5 ) (2.5 )=
+
=0.5
10
10
10 10
c. Calcule
P (2 X 3 )
3
1
1
1
1 3
P (2 X 3 )=
dx= dx= dx= x|2=
10 2
10
2 5 (5 )
2 10
40
1
1
3 2
( 3 ) (2 )= + =0.5
10
10
10 10
Valores esperados
Para una variable aleatoria discreta
E(X)
se obtuvo sumando
x p(x)
a lo largo de
posibles valores de
f (x)
con funcin de
es
X =E ( x ) = x f ( x ) dx
probabilidad
y el valor medio
es
=V ( X )= ( x ) f ( x ) dx= x 2 f ( x ) dx2
2
x
es
x = V ( X )
Ejemplo
1. La distribucin de la cantidad de grava (en toneladas) vendida por una compaa de materiales
para la construccin particular en una semana dada es una variable aleatoria continua X con
funcin de densidad de probabilidad
3
2
f ( x )= 2 ( 1x ) 0 x 1
de lo contrario
0
Determine
a. x =E ( X )
2
b. x =V ( X )
y x
41
a.
1
3
3
3
3 x2 x4
x =E ( X )= x ( 1x2 ) dx= x ( 1x 2 ) dx= xx 3 dx=
2
20
20
2 2 4
0
[(
)| =
0
)] [( 12 14 )]= 32 [ 14 ]= 38
3 12 14
02 04
3
=
2 2 4
2 4
2
)(
b.
1
3 x x
2 3 5
)| (
=
3 1 1
3 1 1 3 53 3 2
6 3 1
0=
=
= = = =
2 3 5
2 3 5 2 15
2 15 30 15 5
) ( )
2
1 3
1 9 6445 19
(
)
=V X =
= =
=
=0.059
5 8
5 64
320
320
()
2
x
x = 0.059=0.243
7. Distribucin normal
La distribucin normal es la ms importante en toda la probabilidad y estadstica. Muchas
poblaciones numricas tienen distribuciones que pueden ser representadas muy fielmente por una
curva normal apropiada. Los ejemplos incluyen estaturas, peso y otras caractersticas fsicas, errores
de medicin en experimentos cientficos, mediciones de inteligencia y aptitud, calificaciones en varios
exmenes y numerosas medidas e indicadores econmicos. Incluso cuando la distribucin
subyacente es discreta, la curva normal a menudo da una excelente aproximacin.
X
(o y 2)
donde
< <
probabilidad de X es
1 ( x ) /2
f ( x ; , 2 )=
e
< x <
2
2
42
1 z /2
e
< z<
2
La grfica de
f ( z ; 0,1 )
( o z ) . La funcin de distribucin
acumulativa de
es
( z)
43
La tabla A.3 del apndice (del libro de Devore), da ( z )=P ( Z z ) , el rea bajo la curva de
densidad normal estndar a la izquierda de z con z=3.49,3.48, ,3.49 . La figura 4.14 ilustra
el tipo de rea acumulativa tabulada en la tabla A.3. Con esta tabla, varias probabilidades que
implican Z
Ejemplo
P ( Z >1.25 )
c)
P ( Z 1.25 )
d)
P (0.38 Z 1.25 )
a)
P ( Z 1.25 )= ( 1.25 )
44
P ( Z >1.25 )
P ( Z 1.25 )
45
P ( Z 1.25 )=0.1056
d)
P (0.38 Z 1.25 )
46
2. Determine las probabilidades de que una variable aleatoria que tiene la distribucin normal
estndar tomar un valor
P ( 0.87 Z 1.28 )
P (0.34 Z 0.62 )
P ( Z >0.85 )
P ( Z >0.65 )
P ( 0.87 Z 1. 28 )
47
b)
P (0.34 Z 0.62 )
48
c)
P ( Z >0.85 )
d)
P ( Z >0.65 )
49
50