Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
lim∑ P( x) ∆x = ∫ f (x) dx
b
P ( a ≤ x ≤ b) = a
= Área bajo la curva desde a hasta b
∆x → 0 a
Como en el caso discreto, con frecuencia se desea resumir la información contenida en una
distribución de probabilidad calculando los valores esperados de la variable aleatoria y determinadas
funciones de la misma.
El valor esperado de una variable aleatoria continua X que tiene una función de densidad de
probabilidad ƒ(x), está dada por:
E[x] = ∫−∞ x ƒ(x) dx
+
∞
Ejemplo:
Distribuciones Continuas - 1
UTN – FRBB – Ingeniería Civil PROBABILIDAD Y ESTADÍSTICA - 2010
Sea X el porcentaje del tiempo que no trabaja un torno de un taller de maquinaria, de una semana
de trabajo de 40 hs., que es el tiempo que debería trabajar el torno. Supóngase que X tiene una función de
3x2 0 ≤ x ≤ 1
densidad de probabilidad dada por: ƒ(x) =
0 e ln od e m a s
Calcular el promedio y la varianza de X
E[x] = ∫−∞ x ƒ(x) dx ; E[ x] = ∫0 x(3x 2 ) dx E[ x] = ∫ 0 3x3 dx
+
∞ 1 1
;
1
x4 3
E[ x] = 3 = = 0,75
4 0 4
Así, en promedio, el torno se usa el 75% del tiempo.
5 0 5
Entonces: V[x] = E[x2] − (E[x] )2 = 0,60 − (0,75)2 = 0,60 − 0,5625 = 0,0375
DISTRIBUCIÓN UNIFORME
Dejando por ahora el estudio general de variables aleatorias continuas, para analizar modelos
específicos que son útiles en la práctica. Un modelo muy sencillo supone que igualmente probable que x
quede en cualquier subintervalo, de longitud d, sin importar dónde queda ese subintervalo dentro de (a ,
b) siendo a el menor valor que pueda tomar x y b el mayor valor que pueda tomar x. Esta hipótesis
conduce a la distribución uniforme de probabilidad, cuya función de densidad de probabilidad está dada
por:
ƒ(x)
1
b− a a≤ x≤ b
1
ƒ(x) = b −a
0 e nc u a l q uo it er cor a s o
a b
b 1 1 b 2 − a2 a + b
E[x] = ∫−∞ E[ x] = ∫ a x
+
∞
x ƒ(x) dx ; dx
b − a
;
b − a 2
=
2
1 1 b 3 − a 3 b 2 + ab + a 3
E[x ] = ∫−∞ x ƒ(x) dx ; E[ x ] = ∫ a
+
∞ b 2
2 2 2
x dx
b − a
=
b − a 3
=
3
2
b 2 + ab + a 2 a + b 1
V[ x]= − = [ 4( b 2 + ab + a 2 ) − 3( a + b) 2 ]
3 2 12
a+b ( b − a) 2
E[ x] =
2
; V[ x] =
12
Puede ser que el resultado no sea intuitivo, pero se observa que la variancia sólo depende de la longitud del intervalo (a , b )
Problema tipo:
Cuando deja de funcionar una tarjeta de circuito integrado, un sistema de cómputo se detiene
hasta que se reponga una tarjeta nueva. El tiempo de reposición X está uniformemente distribuido en el
intervalo de uno a cinco días, calcular la probabilidad de que el tiempo de entrega sea de dos o más días.
Solución:
El tiempo de entrega X está uniformemente distribuido de uno a cinco días, lo cual da:
1 1
= 1 ≤ x≤ 5
f ( x) = 5 − 1 4
0 e ln od e m a s
5
1
de esta manera: P(x ≥ 2) = ∫ 4 dx = 0,25 × (5 − 2) = 0,75
2
DISTRIBUCIÓN EXPONENCIAL
Un investigador mide la duración o vida útil de un transistor. En este caso hay un número infinito
de valores posibles que puede tomar la variable x. No se puede asignar una probabilidad positiva a c/u de
los resultados posibles del experimento por su infinitud. Sin embargo, si se pueden asignar probabilidades
positivas a intervalos de números reales de modo consistente con los axiomas de la probabilidad.
Intuitivamente podemos retratar el comportamiento de la duración o vida, dándonos cuenta que no
será uniforme la probabilidad de duración a lo largo del tiempo, sino casualmente a medida que este
transcurre, va disminuyendo esa probabilidad, la una idea de modelo probabilístico posible es la
representación mediante una curva exponencial negativa. En general, la densidad de probabilidad
exponencial está dada por:
1 − xθ
e x≥ 0
f (x)= θ
0 e l ndo e m a s
El parámetro θ es una constante que determina la razón a la cual disminuye la curva.
P(x)
DISTRIBUCIÓN NORMAL
Es indiscutiblemente la más conocida y usada de todas las distribuciones. Muchos fenómenos
naturales tienden a dar como resultado una distribución normal, también la distribución de los errores de
medición y la distribución del grado de perfección de diversos procesos de producción. Debido a ello se
ha convertido en un patrón de referencia para muchos problemas probabilísticos.
La distribución normal es una distribución continua en la que x puede tomar cualquier valor
comprendido entre {− ∞ ≤ x ≤ + ∞ }. Dos son los parámetros que describen la distribución normal: µ y
la desviación estándar σ. Una distribución normal con media µ y varianza σ2 se denota N(µ, σ2 ). La
función de densidad es simétrica y de forma acampanada.
La f.d.p. normal contiene dos constantes: π (3,14159...) y e (2,71828...)
1 x − µ 2
1 −
σ
Función de densidad normal , N(µ, σ ): f ( x) =
2
e 2 para − ∞ ≤ x ≤ + ∞
σ 2π
Puesto que π (3,14159...) y e (2,71828...) son constantes, si se conoce el valor de µ y de σ es
posible calcular áreas bajo esta función por medio del cálculo integral. Sin embargo, tales áreas
(probabilidades) están tabuladas, de modo que no es necesario recurrir al cálculo.
Nótese que el área comprendida bajo la curva entre µ y µ+1σ es igual a 0,3413.
Por tanto, P(µ ≤ x ≤ µ+1σ) = 0,3413. Por simetría P(µ−1σ ≤ x ≤ µ+1σ) = 2 (0,3413) = 0,6826.
Igualmente puede verse que:
P(µ−2σ ≤ x ≤ µ+2σ) = 0,9544
P(µ−3σ ≤ x ≤ µ+3σ) = 0,9987
La regla práctica que hemos estado usando hasta ahora para interpretar el tamaño de la desviación
estándar se basa, como vemos ahora, en la distribución normal.
ƒ(x)
0,399/σ
µ x
µ−1σ µ+1σ
Distribución normal con media µ y desvío estándar σ
ƒ(x)
0,798
Distribuciones Continuas - 4
UTN – FRBB – Ingeniería Civil PROBABILIDAD Y ESTADÍSTICA - 2010
σ = 0,5
0,399
σ = 1,0
0,266
σ = 1,5
x
µ
Tres distribuciones normales con diferentes desviaciones estándar.
Estos resultados pueden obtenerse sustituyendo x por µ en la fórmula de la función normal y observando que e0 = 1
y que 1/√2π =0,399. Así cuando σ = 1,0 se tiene que ƒ(µ) = 0,399/1,0. Cuando σ = 0,5 se tiene que ƒ(µ) = 0,399/0,5 = 0,798
y cuando σ = 1,5 se tiene que ƒ(µ) = 0,399/1,5 = 0,266.
Normal Estandarizada
Recuérdese que hemos transformado una variable aleatoria x (que puede ser normal o no) con media µ y
desviación estándar σ en una variable estandarizada con media cero y desviación estándar 1. Se indicó que la
( x − µ)
transformación adecuada es z = ; que tiene E[z] = 0 y V[z] = 1,0. Ahora agregamos el hecho adicional
σ
de que, si la variable aleatoria original (x) tiene distribución normal, entonces la variable estandarizada z tendrá
también distribución normal. Si la distribución normal de media µ y variancia σ2 la denotamos por N(µ, σ2),
( x − µ)
entonces z = es N(0,1).
σ
La interpretación de los valores de z es relativamente simple ya que indica: la distancia de x a la media,
en términos de desviaciones estándar. La función de densidad de la variable normal estandarizada
1 2
f ( z) = e −0,5 z
2π
Valores normales estandarizados
¿Cómo se calculan las probabilidades expresadas en la forma estandarizada?. Existen tablas de los valores
normales estandarizados (llamados valores z) que sirven para este propósito. Antes de describir el uso de la tabla
(de Gauss como se la llama también), investigaremos F(z), la función de distribución acumulativa de la variable z.
Esta función, nos da P(z≤ z), representada en la siguiente figura:
F(z)
z
Función acumulada para los valores z
Nótese que en esta gráfica sólo se han tomado en cuenta los valores de z comprendidos entre -3 y 3, porque
hay muy poca área fuera de estos límites. En z = 0 (la media de z), el valor de F(z) es igual a 0,5 porque z = 0
representa la mediana de los valores de z.
Puesto que la distribución normal es completamente simétrica, las tablas de valores z sólo incluyen por lo
general los valores positivos de la variable (esto es la mitad positiva de los valores)
Distribuciones Continuas - 5
UTN – FRBB – Ingeniería Civil PROBABILIDAD Y ESTADÍSTICA - 2010
P(z>1,25) = 0,1056
z
z = 1,25
z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
.... .... .... .... .... .... .... .... .... .... ....
.... .... Probabilidades = área desde z = 0 → hacia adelante
.... .... .... .... .... .... .... .... ....
2,9 0,4981 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
zi z = (x −µ) /σ
0
x=µ± z.σ
µ xi
Gráfica de un problema de cálculo probabilístico con Normal Estandarizada
Distribuciones Continuas - 6
UTN – FRBB – Ingeniería Civil PROBABILIDAD Y ESTADÍSTICA - 2010
Suponga que deseamos calcular la probabilidad de que, en una muestra aleatoria de 100 elementos, por lo menos
60 y no más de 70 cumplan una determinada especificación, dado que la verdadera proporción es del 64% (p =
0,64).
70
Probabilidad binomial: P(60 ≤ x ≤ 70) = ∑
x = 60
100 Cx(0,64)x(0,36)100−x = 0,7397
59 ,5 − np 70 ,5 − np
Aproximación normal: P(59,5 ≤ x ≤ 70,5) = P ≤z ≤ =
npq npq
59 ,5 − 64 70,5 − 64
P ≤z ≤ = 0,7379
4,8 4,8
Identidad de Euler :
Distribuciones Continuas - 7