Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
González”
Profesorado de Matemática
Probabilidades y Estadística 3”A” y 3”B” (2020)
Profesora: Christiane Ponteville
Apuntes de clase: Queda totalmente prohibida la copia, reproducción, adaptación, modificación y distribución de este material con fin diferente de aquel para el cual fue elaborado.
VARIABLE ALEATORIA UNIFORME
Diremos que X es una variable aleatoria uniforme en 𝑎; 𝑏 con 𝑎 < 𝑏 o que X se distribuye uniformemente
en 𝑎; 𝑏 si su función de densidad de probabilidad es:
1
𝑓𝑋 𝑥 = ቐ 𝑠𝑖 𝑥 ∈ 𝑎; 𝑏
𝑏−𝑎
0 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜
𝑎+𝑏
𝐸 𝑋 = demostración en archivo adjunto
2
Función de distribución
0 𝑠𝑖 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 𝑥 = ൞ 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥>𝑏
Verificar utilizando la
definición de función de
distribución
VARIABLE ALEATORIA UNIFORME
1
𝑏−𝑎 1
0
a b
VARIABLE ALEATORIA UNIFORME
Podemos hacer una analogía a los resultados igualmente probables en el caso discreto con el caso continuo en
el siguiente sentido:
Para cualquier subintervalo 𝑐; 𝑑 de 𝑎; 𝑏 ( o sea: 𝑎 ≤ 𝑐 < 𝑑 ≤ 𝑏) su probabilidad depende de la longitud y
no de su ubicación en el intervalo 𝑎; 𝑏 pues:
𝑑
1 𝑑−𝑐
𝑃 𝑐≤𝑋≤𝑑 =න 𝑑𝑥 =
𝑐 𝑏 − 𝑎 𝑏−𝑎
Dos intervalos de la misma longitud tendrán igual probabilidad.
Podemos así definir la elección al azar de un valor x en un intervalo 𝒂; 𝒃 a través de la distribución
uniforme en dicho intervalo
VARIABLE ALEATORIA UNIFORME
Ejemplo
El espesor del borde de un componente de cierta nave se encuentra distribuido de manera uniforme entre
0,95 y 1,05 milímetros.
a) Calcular la proporción de bordes cuyo espesor es mayor que 1,02 milímetros.
b) ¿Qué valor de espesor es superado por el 90% de los casos?
Ejemplo
a) Calcular la proporción de bordes cuyo espesor es mayor que 1,02 milímetros:
1,05
1 1,05 − 1,02
𝑃 𝑋 > 1,02 = න 𝑑𝑥 = = 0,3
1,02 1,05 − 0,95 1,05 − 0,95
b) ¿Qué valor de espesor es superado por el 90% de los casos?
Queremos hallar el valor e que cumpla que 𝑃 𝑋 > 𝑒 = 0,9, o sea, 𝑃 𝑋 < 𝑒 = 0,1
𝑒−0,95
𝑃 𝑋 < 𝑒 = 𝐹𝑋 𝑒 = = 0,1 De aquí: e = 0,96
1,05−0,95
VARIABLE ALEATORIA EXPONENCIAL
Diremos que X es una variable aleatoria exponencial con parámetro 𝛽 > 0 si su función de densidad de
probabilidad está definida por:
𝑥
−
𝑒 𝛽
𝑓𝑋 𝑥 = ൞ 𝑠𝑖 𝑥 ≥ 0
𝛽
0 𝑠𝑖 𝑥 < 0
Se lee: la variable X tiene
𝑋~ℰ 𝛽 distribución exponencial con
parámetro 𝛽
VARIABLE ALEATORIA EXPONENCIAL
Función de distribución
0 𝑠𝑖 𝑥 <0
𝐹𝑋 𝑥 = ൝ −
𝑥
𝛽 Verificar utilizando la
1 −𝑒 𝑠𝑖 𝑥≥0 definición de función de
distribución
Nos interesa, dada la naturaleza de las situaciones en las cuales se utiliza, calcular:
𝑥 𝑥
− −
𝑃 𝑋 > 𝑥 = 1 − 𝐹𝑋 𝑥 = 1 − 1 − 𝑒 𝛽 =𝑒 𝛽 𝑠𝑖 𝑥 ≥ 0
VARIABLE ALEATORIA EXPONENCIAL
1
1
𝛽
VARIABLE ALEATORIA EXPONENCIAL
Ejemplo
El tiempo durante el cual cierta marca de baterías trabaja en forma efectiva hasta que falle se
distribuye según el modelo exponencial con un tiempo medio de fallas igual a 360 días. Hallar
la probabilidad de que una batería falle después de 400 horas.
Definimos: X= tiempo (días) que una batería funciona hasta que falla 𝑋~ℰ 360
400
−
Queremos calcular: 𝑃 𝑋 > 400 = 𝑒 360 ≈ 0,33
VARIABLE ALEATORIA NORMAL
Diremos que X tiene una distribución normal o gaussiana con parámetros 𝜇 ∈ ℝ y 𝜎 ∈ ℝ>0 si su función de
densidad de probabilidad es la siguiente:
1 1 𝑥−𝜇 2
−2 𝜎
𝑓𝑋 𝑥 = 𝑒 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ ℝ
2𝜋 𝜎
𝑋~𝑁 𝜇 ; 𝜎
Se lee: la variable X tiene
distribución normal con
parámetros μ y σ
VARIABLE ALEATORIA NORMAL
3) Crecimiento de 𝑓𝑋 :
1 1 𝑥−𝜇 1 −1 𝑥−𝜇 2 𝑥−𝜇 1 𝑥−𝜇 2
−
𝑓𝑋′ 𝑥 = − 2 𝑒 2 𝜎 =− 𝑒 2 𝜎
2𝜋 𝜎 2 𝜎 𝜎 2𝜋 𝜎3
𝑓𝑋′ 𝑥 = 0 si, solo si, 𝑥=𝜇
VARIABLE ALEATORIA NORMAL
4) Concavidad de 𝑓𝑋 :
1 1 𝑥−𝜇 2 𝑥−𝜇 2
−2 𝜎
𝑓𝑋′′ 𝑥 =− 𝑒 1−
2𝜋 𝜎 3 𝜎
𝑥−𝜇 2
𝑓𝑋′′ 𝑥 =0 si, solo si, 1− =0 ⇔ 𝑥−𝜇 2 = 𝜎2 ⇔ 𝑥−𝜇 =𝜎
𝜎
⇔ 𝑥 =𝜇+𝜎 𝑜 𝑥 =𝜇−𝜎
VARIABLE ALEATORIA NORMAL
1 −
1 1
𝜇 + 𝜎; 𝑒 2 ≈ 𝜇 + 𝜎; 0,607
2𝜋 𝜎 2𝜋 𝜎
VARIABLE ALEATORIA NORMAL
Para μ fijo:
Campana de Gauss • Si σ se achica el máximo
1/(√2𝜋 𝜎) aumenta, los puntos de
inflexión se acercan y la
campana tiene un gráfico
más en punta.
• Si σ se agranda el máximo es
menor, los puntos de
inflexión se alejan y la
campana se achata.
−1 1
0
VARIABLE ALEATORIA NORMAL
Demostración:
𝑦−𝑏
𝑦−𝑏
Supongamos 𝑎 > 0 , 𝐹𝑌 𝑦 = 𝑃 𝑌 ≤ 𝑦 = 𝑃 𝑎𝑋 + 𝑏 ≤ 𝑦 = 𝑃 𝑋 ≤ = −∞ 𝑓𝑋 𝑥 𝑑𝑥 =
𝑎
𝑎
2
𝑧−𝑏
𝑦−𝑏 1 𝑥−𝜇 2 1 𝑎 −𝜇
1 −2 𝜎 𝑦 1 −2 1
−∞
𝑎 𝑒 𝑑𝑥 = −∞ 𝑒 𝜎 𝑑𝑧
2𝜋 𝜎 2𝜋 𝜎 𝑎
Cambio de variable:
𝑧 = 𝑎𝑥 + 𝑏
VARIABLE ALEATORIA NORMAL
2
𝑧−𝑏 2
1 𝑎 −𝜇 1 𝑧− 𝑏+𝜇𝑎
𝑦 1 −2 1 𝑦 1 −2
= −∞ 2𝜋 𝜎 𝑒 𝜎 𝑑𝑧 = −∞ 2𝜋 𝑎 𝜎 𝑒 𝜎 𝑎 𝑑𝑧
𝑎
Como 2
𝑦 1 𝑧− 𝑏+𝜇𝑎
1 −2 𝜎 𝑎
𝐹𝑌 𝑦 = න 𝑒 𝑑𝑧
−∞ 2𝜋 𝑎 𝜎
a b
En el teorema anterior consideramos la función lineal con los coeficientes señalados:
1 𝜇
Como 𝑌~𝑁 𝑎𝜇 + 𝑏 ; 𝑎 𝜎 : 𝑎𝜇 + 𝑏 = 𝜇+ − =0
𝜎 𝜎
1
𝑎 𝜎= 𝜎=1 que era lo que queríamos demostrar.
𝜎
VARIABLE ALEATORIA NORMAL
Si Z~𝑁 0; 1 entonces:
1) Si x < 0 entonces 𝐹𝑍 𝑥 = 1 − 𝐹𝑍 −𝑥
2) 𝑃 −𝑥 < 𝑍 < 𝑥 = 2 𝐹𝑍 𝑥 − 1
3) 𝑃 −1 < 𝑍 < 1 = 2 𝐹𝑍 1 − 1 = 0,6826
4) 𝑃 −2 < 𝑍 < 2 = 0,9544
5) 𝑃 −3 < 𝑍 < 3 = 0,9974
VARIABLE ALEATORIA NORMAL
• En general:
La probabilidad de que una variable aleatoria X~𝑁 𝜇; 𝜎 tome valores dentro de k
variaciones standard del valor esperado depende solamente de k y se calcula como:
𝑋−𝜇
𝑃 𝜇 − 𝑘 𝜎 < 𝑋 < 𝜇 + 𝑘 𝜎 = 𝑃 −𝑘 < < 𝑘 = 𝑃 −𝑘 < 𝑍 < 𝑘 = 2 𝐹𝑍 𝑘 − 1
𝜎
VARIABLE ALEATORIA NORMAL
Ejemplo
El diámetro de cierta variedad de tomates cultivados en una plantación se distribuye
normalmente con una media de 105 𝑚𝑚. Sabiendo que 0,99 es la probabilidad de que el
diámetro de un tomate sea mayor a 10 cm ; hallar el desvío standard de dicha variable.
Ejemplo
𝑋−105 100−105 −5
0,99 = 𝑃 𝑋 > 100 = 𝑃 > =𝑃 𝑍>
𝜎 𝜎 𝜎
donde 𝑍 ∼ 𝑁 0,1 ,
−5 5 5
𝑃 𝑍> = 0,99 ⇒ − = −2,326 ⇒ 𝜎 = ≃ 2,14
𝜎 𝜎 2,326