Professional Documents
Culture Documents
Clase 5 VAC-19-04-22-AVM
Clase 5 VAC-19-04-22-AVM
CONTINUAS
- CURSO 2022 -
VARIABLES ALEATORIAS (1)
DEFINICIONES
1) Si un espacio muestral contiene una cantidad finita de
posibilidades o una secuencia interminable con tantos
elementos como el total de números enteros, se llama
espacio muestral discreto y a la variable aleatoria
definida en ese espacio, se le denomina variable
aleatoria discreta
a) f(x) ≥ 0 ∀x ∈ ℜ
∞
b ) ∫- ∞ f(x) dx = 1
b
c) P (a < X < b) = ∫a f (x) dx
VARIABLES ALEATORIAS CONTINUAS (2)
y
f (x)
b
P (a < X < b) = ∫a f (x) dx
x
a b
a
P (X = a) = ∫a f (x) dx = 0
0 1 2
a) Comprobar si es función de densidad
∞ f (x) dx = 0 0 dx + 1 x dx + 2 (2 - x) dx + ∞ 0 dx = 1
∫− ∞ ∫− ∞ ∫0 ∫1 ∫2
VARIABLES ALEATORIAS CONTINUAS (4)
12 12 12
x2 1
b) P (- 1 < X < 1 2 ) = ∫ f(x) dx = ∫ x dx = =
0 0 2 8
0
1 32
1 32
x2 x2 7
c) P (X ≤ 3 2 ) = ∫ x dx + ∫ (2 - x) dx =
+ 2x - =
0 1 2 2 8
0 1
f (x)
d) P ( X ≥ 2.5 ) = 0 1
0 1 2
VARIABLES ALEATORIAS CONTINUAS (5)
Definición: La distribución acumulada F(x) de una variable
aleatoria continua X con función de densidad f(x) está dada
por:
x
F (x) = P (X ≤ x) = ∫- ∞ f (t) dt
d F (x)
P (a < X < b) = F (b) - F (a) y f (x) = si existe la derivada
dx
Propiedades:
1. F (– ∞) = 0
2. F (∞) = 1
3. ∀a ≤ b : F (a) ≤ F (b) es una función creciente
VARIABLES ALEATORIAS CONTINUAS (6)
Ejemplo 1: Encontrar F(x) y P(0 < X < 1) para la siguiente
función de densidad
x2
- 1< x < 2
3
f (x) =
0 en otro lugar
x x x
t2 t3 x3 + 1
F (x) = ∫- ∞ f (t) dt = ∫ dt = =
-1 3 9 9
-1
2 1 1
P (0 < X ≤ 1) = F (1) - F (0) = - =
9 9 9
VARIABLES ALEATORIAS CONTINUAS (7)
MEDIA O VALOR ESPERADO
Definición: Sea X una variable aleatoria con distribución de
probabilidad f(x). La media poblacional, o el valor esperado,
o la esperanza matemática de X es:
∞
µ x = E [X ] = ∫ x . f(x) dx
-∞
VARIANZA
Definición: Sea X una variable aleatoria continua con
distribución de probabilidad f(x). La varianza esta dada por:
∞
Var [ x ] = V ( x ) = ∫ (x - E[X])2 f(x) dx = E[X2 ] - (E[X])2
-∞
VARIABLES ALEATORIAS CONTINUAS (8)
Ejercicio 2: se perfora un orificio en un componente de una hoja de
metal y después se inserta un eje a través del orificio. La holgura del eje
es igual a la diferencia entre el radio del orificio y el radio del eje. Sea X
la variable aleatoria que denota a la holgura, en milímetros. La función
de densidad de probabilidad de X es:
1,25 (1 - x 4 ) 0 < x <1
f (x) =
0 en otro lugar
a) Determinar la media y la varianza de la holgura.
1
1
x x 2 6
[ ]
µ x = E(X) = ∫ x 1,25 (1 - x ) dx = 1,25 −
4
= 0,416
0 2 6 0
1
[ ]
σ 2x = V(X) = ∫ x 2 1,25 (1 - x 4 ) dx - (0,416 )
2
0
1
x x 3 7
= 1,25 − - (0,416 ) = 0,064
2
3 7 0
VARIABLES ALEATORIAS CONTINUAS (9)
, ,
VARIABLES ALEATORIAS CONTINUAS (10)
Ejercicio 3: una variable aleatoria X tiene una función de densidad
de la forma:
x2
- 1< x < 2
f (x) = 3
0 en otro lugar
a) Hallar la mediana.
0 si x ≤ -1
3
x + 1
F (x) = si - 1 < x < 2
9
1 si 2 ≤ x
3
M +1
F (Me ) = e = 0,5 ⇒ Me = 3 3,5 ≈ 1,52
9
DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS
DISTRIBUCIÓN
UNIFORME
DISTRIBUCIÓN UNIFORME (1)
Definición: La variable aleatoria continua X tiene una
distribución uniforme o rectangular si su función de
densidad es:
f (x)
1
b - a a≤x≤b 1
b-a
f(x) =
x
0 en otra parte
a b
X ~ b + a (b - a )2
U
2
,
12
DISTRIBUCIÓN UNIFORME (2)
Definición: la función de distribución acumulada F(x) para
una distribución uniforme es:
0 x<a
x − a
F (x) = a≤x<b
b − a
1 x≥b
F(x)
1
a b x
DISTRIBUCIÓN UNIFORME (3)
b b
1 1 x2 1 b2 - a2
E [X ] =∫x dx = = =
a
b−a b-a 2 a b-a 2
=
1 (b - a ) (b + a ) b+a
=
b-a 2 2
b 3 b
E[ X 2 ] = ∫ x 2
1
dx= 1 x
=
1 b - a
=
(a + a b + b
3 3 2 2
)
a
b-a b-a 3 a b-a 3 3
V [X ] = E [X ] - [E [X ]] = a + a b + b − b + a = (b - a )
2 2 2 2
2 2
3 2 12
DISTRIBUCIÓN UNIFORME (4)
Ejemplo 2: La concentración de un contaminante se distribuye
uniformemente en el intervalo de 0 a 20 mg/l. Una concentración se
considera tóxica a partir de 8 mg/l. Se pide:
a) Probabilidad de que al tomar una muestra la concentración
resulte tóxica.
b) Concentración media y varianza.
b)
0 0
∞
2 −λ x
x e 2 ∞ −λ x 2
=λ + λ ∫ x e dx = 2
−λ 0
λ0 λ
2
V[X] = E[X ] - (E[X]) = 1 2
λ2
DISTRIBUCIÓN EXPONENCIAL (3)
Gráficas de la función de densidad de
probabilidad exponencial para varios valores de λ.
DISTRIBUCIÓN EXPONENCIAL (4)
A y B
Ejemplo A
F (x) = P(X ≤ x) = 1 - e - λx , x ≥ 0
DISTRIBUCIÓN EXPONENCIAL (5)
Ejemplo B
A
A
DISTRIBUCIÓN EXPONENCIAL (6)
Ejemplo 3: El tiempo de vida de un circuito integrado particular
tiene una distribución exponencial con media de dos años.
Encuentre la probabilidad de que el circuito dure más de tres
años.
F (x) = P(X ≤ x) = 1 - e - λx , x ≥ 0
X X
DISTRIBUCIÓN EXPONENCIAL (7)
Propiedad de falta de memoria
ejercicio 3
ejercicio 3
DISTRIBUCIÓN EXPONENCIAL (8)
Ejemplo 3:
X ~ n (x, µ, σ)
x
2
X ~ N(µ, σ ) µ−σ µ µ+σ
µ = Me = Mo
DISTRIBUCIÓN NORMAL (2)
σ1 σ
2
x
µ µ
1 2
µ < µ2 σ = σ2
1 1
σ σ
1
1
σ
2
σ
2
x x
µ = µ µ µ
1 2 1 2
σ < σ2 µ < µ σ < σ
1 2
1 1 2
DISTRIBUCIÓN NORMAL (3)
PROPIEDADES
1. El área total comprendida bajo la curva y sobre el eje
horizontal es igual a 1.
∞
f(x) ≥ 0 ∫-∞ f(x) dx = 1 ∀x ∈ ℜ
1 t - µ 2
x 1 -
2 σ
2. F(x) = ∫ e dt
-∞ σ 2 π
(Me)
DISTRIBUCIÓN NORMAL (6)
La proporción de una
población normal que se
encuentra a cierto número de
desviaciones estándar de la
media, es la misma en
cualquier población con
distribución normal.
DISTRIBUCIÓN NORMAL (7)
Distribución normal estándar - Puntuación z (1)
Una distribución normal está estandarizada al expresar su valor como el
número de desviaciones estándar (σ) que se encuentran a la izquierda o
derecha de su media µ.
La variable aleatoria normal estándar, z, se define como:
x -µ
z=
σ
El área bajo la curva normal
estándar a la izquierda de un
valor especificado de z, por La distribución normal estándar tiene su media
ejemplo z0 , es la probabilidad igual a 0 y su desviación estándar igual a 1.
P(z ≤ z0 ). Las áreas debajo de
una curva normal con
diferentes media y varianza, se
convierten a unidades
estándar y se utiliza la tabla z.
x1 − µ 5 −5
z1 = = =0
σ 3 x2 − µ 8 −5
z2 = = =1
σ 3
σ σ=1
z
x
x x µ z1z2 0
1 2
DISTRIBUCIÓN NORMAL (10)
Ejemplo 4: Las láminas de aluminio utilizadas para fabricar latas de
bebida tienen un espesor (en milésimas de pulgada) que se
distribuye normalmente con una media de 10 y desviación estándar
de 1,3. Una lámina particular tiene un espesor de 10,8 milésimas de
pulgadas.
a) Determine el puntaje z
b) Si el espesor de cierta lámina tiene un puntaje z de -1,7;
determinar el espesor de la lámina en las unidades originales en
milésimas de pulgada.
a)
10,8 - 10
z= = 0,62
1,3
x - 10
b) − 1,7 = => x = 7,8 milésimas de pulgada
1,3
DISTRIBUCIÓN NORMAL (11)
EJEMPLO 5:
Áreas iguales
bajo cada curva
σ = 12 σ=1
x z
P(z < - 2,33) =P(z> 2,33) =1 - P(z < 2,33) =1 - 0,9901= 0,0099
σ=1
- 2.33 0 2.33
z
Z ~ N (0,1)
σ=2
σ=1
x z
8 12 14 -3 -1 0
X ~ N ( 14 , 4 ) Z ~ N(0,1)
= 0,9987−0,8413 = 0,1574
DISTRIBUCIÓN NORMAL (16)
DISTRIBUCIÓN NORMAL (17)
b) P(X < 20)= P Z <
20 - 14 = F(3) = 0.9987
2
σ=1
σ=2
14
0 3
x Z ~ N(0,1)
X ~ N ( 14, 4 )
c) P(X > 5) = P Z >
5 - 14 = P(Z > - 4,5) = P(Z < 4,5) ≈ 1
2
x x x
5 14 - 4.5 0 0 4.5
DISTRIBUCIÓN NORMAL (18)
3. X ~ N (0, 1). Hallar: P (- 1,65 < X < 0,85)
x
- 1.65 0 0.85
DISTRIBUCIÓN NORMAL (19)
PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN
NORMAL
Sean dos distribuciones normales X ~ N ( µ x , σ2x ) e Y ~ N ( µ y , σ2y )
donde X e Y son variables aleatorias independientes.
Si M = X + Y entonces
(
M ~ N µ x + µ y , σ2x + σ2y )
x + y
= m
µx µy µm= µx+ µy
APROXIMACIÓN ENTRE
DISTRIBUCIONES
APROXIMACIONES MEDIANTE LA NORMAL (1)
Aproximación NORMAL a la BINOMIAL (1)
X ~ b (x, n, p)
aa b c
n es grande p = 0.5
⇒ b → N ⇒ b → N
0.1 ≤ p ≤ 0.9 n cualquiera
APROXIMACIONES MEDIANTE LA NORMAL (2)
Aproximación NORMAL a la BINOMIAL (2)
Teorema: Si X es una variable aleatoria binomial, con media
E[X] = np y varianza V[X] = npq, la forma límite de la
distribución de:
X - np
Z=
np q
cuando n → ∞, es la distribución normal estándar n(z, 0, 1).
EJEMPLO: siendo X ∼ N (n p, n p q)
X-np 5 - n p + 0,5 x
P ( X ≤ 5 )=P ≤
npq npq 0,5
5
APROXIMACIONES MEDIANTE LA NORMAL (3)
Aproximación NORMAL a la BINOMIAL (3)
Corrección por continuidad
La distribución binomial es discreta, mientras que la distribución normal
es continua. La corrección por continuidad es un ajuste, hecho
cuando se aproxima una distribución discreta con una continua, que
puede mejorar la exactitud de la aproximación. Para ver cómo funciona,
imagine que se lanza al aire una moneda 100 veces. Sea X el número
de caras. Entonces X ~ B(100; 0,5). Imagine que se desea calcular la
probabilidad de que X esté entre 45 y 55. Esta probabilidad diferirá
dependiendo si se incluye o excluye los puntos finales, 45 y 55. La
FIGURA 1 ilustra el caso en el que se incluye los puntos finales; es
decir, en el que se quiere estimar P(45 ≤ X ≤ 55).
La probabilidad exacta está dada por el área total de los rectángulos del
histograma de probabilidad binomial correspondientes, incluyendo a los
enteros 45 y 55. Se sobrepone la curva normal aproximada.
APROXIMACIONES MEDIANTE LA NORMAL (4)
Aproximación NORMAL a la BINOMIAL (4)
1: