Beruflich Dokumente
Kultur Dokumente
Distribución Uniforme
Demostración.
�c a< x<b
f X (x) = �
�0 en otros casos
�
La condición �f ( x ) dx = 1
-�
X
Implica �
c dx = 1
a
b
1
dx = c [ b - a ] = 1 por
Lo que quiere decir c � tan to c =
a
b-a
( b - a)
2
a+b
E( X ) = y V (X ) =
2 12
Ejemplo
Daniel es un niño de 2 años, y de acuerdo con su historia familiar, parece razonable suponer
que cuando sea adulto su estatura tenga la misma verosimilitud de estar comprendida entre
160 y 172 cm. En base a esta suposición, cuando sea adulto, cuál es la probabilidad de que su
talla: ¿sea superior a 165 cm? ¿Este entre 164 y 169 cm?
Solución.
X: Talla de Daniel cuando sea adulto.
RX: (160, 172)
f X ( x ) = 1/ 12 160 < x < 172
Sean los eventos:
A: Cuando sea adulto su talla sea superior a 165cm.
A = [ X > 165 ]
172
1 1 7
P(A) = P(X > 165) = � dx = [172 - 165] = = 0.5833
165
12 12 12
Distribución Exponencial
Otra variable continua que también se presenta con frecuencia es la variable exponencial.
Definición. Una variable absolutamente continua X, tiene distribución exponencial con
parámetro l > 0, si su función de densidad está dada por:
�l e- l x x > 0
fX ( x) = �
�0 x �0
Donde l es una constante real. Por notación se escribe X : exp ( l )
Esperanza y Varianza de X.
E(X) = 1/ l V ( X ) = 1 l2
Ejemplo
Se ha observado que las fallas mecánicas ocurridas en una planta industrial, aparecen como
un proceso Poisson aproximado con parámetro l = 1 / 2 por hora ( 1 cada 2 horas). Sí se llega
a la planta a las 9 a.m. del lunes y se designa con T el tiempo, desde la llegada hasta la
primera falla, entonces el comportamiento probabilístico de T viene dada por la función de
densidad
Es decir:
¿Cuál es la probabilidad de que transcurra al menos 1 hora antes que aparezca la primera
falla?
Solución.
T: Tiempo que transcurre hasta que aparezca la primera falla.
RT: {t / t > 0 , t es un número real }
1
1 - t
fT ( t ) = e 2 t >0
2
Sea el evento A: Transcurra al menos una hora
A = [T > 1]
� 1 1
1 -2 t -
P(A) = P[T > 1] = � e dt = e 2
= 0.6065
1
2
Distribución Normal
La fórmula para esta distribución fue publicada por primera vez por Abraham De Moivre el
12 de noviembre de 1733.
Muchos otros matemáticos contribuyeron en la obtención de esta fórmula, como Carl Gauss,
por sus aportes a la distribución normal también se llama distribución Gaussiana.
La variable aleatoria normal tiene como función de densidad la siguiente expresión
matemática:
2
1 �x - m �
- � �
2�s �
e -�< x < �
f ( x) = ,
s 2p
En esta ecuación p y e son las constantes 3.14159 y 2.71828. Los parámetros m , la media
y s la desviación estándar pueden considerarse como la medida de Tendencia Central y
Dispersión respectivamente.
La gráfica de la distribución normal es la siguiente:
La gráfica es:
Para hallar la probabilidad de que Z tome un valor entre dos puntos cualesquiera por ejemplo
z0 y z1:
Debe hallarse el área limitada por las perpendiculares trazadas en estos puntos, la curva y el
z2
z1 -
dado que se cuenta con tablas que proporcionan dicho resultado. Para indicar que una variable
aleatoria tiene distribución normal con media 0 y varianza 1 se utiliza la siguiente notación:
Z : N ( 0,1)
Solución.a.
P(Z< -1.2) =
b.
P(Z<1.58)
d.
P(Z<a) = 0.025
2. Se transforma la variable X a otra Z de modo que tenga una distribución N(0,1), es decir,
X -m
definimos Z = , donde Z : N ( 0,1)
s
Por lo tanto:
�a - m X - m b - m �
P ( a < X < b) = P � � �
�s s s �
�
�a - m b-m �
= P� �Z �
�s s � �
�b - m � � a - m �
= F� �- F � �
�s � �s �
Ejemplo
La talla de 1000 alumnos de un colegio tiene una distribución aproximadamente normal con
media 1.7m y desviación estándar 0.05 m.
a. ¿Cuál es el número de alumnos con talla superior a 1.60 m?
b. ¿Cuál es la talla máxima del 30.5 % de los alumnos?
Solución.
Exp.
Acción: De esta población de alumnos se selecciona un alumno
Interesa: observar su talla
Luego la variable aleatoria es, X: Talla del alumno (la unidad en la que se expresará la
variable será los c.m.)
El recorrido de X, aproximadamente es; RX : (155, 185)
El comportamiento probabilistico de la variable es:
�X - m 160 - 170 �
P(X > 160) = 1 - P ( X �160 ) = 1 - P � � �
�s 5 �
= 1 - P ( Z - �2 ) = 1 - 0.0227 = 0.9773
Finalmente para hallar la cantidad de alumnos de dicha población, que tiene una talla
superior a 160 c.m. multiplicamos 0.9773 por 1000, lo que da 977. En conclusión son 997
alumnos que tienen una talla superior a 160 c.m.
b. Ubiquemos el evento y su probabilidad debajo de curva descrita por X, donde el evento es:
N: La talla del alumno sea menor o igual que “a”.
P(N) = P(X<a) = 0.3050
P(X<a)
� a -170
5
= -0.51 � a = 167.45c.m.
Tarea
DISTRIBUCIÓN CHI-CUADRADO
DISTRIBUCIÓN “t “ DE STUDENT
Buscar en los libros y traer por escrito, La variable aleatoria, la función de densidad de
probabilidad, la gráfica que muestra su comportamiento probabilístico, su esperanza y su
varianza.
Un ejemplo asociado a cada distribución, y calcular la probabilidad de 2 eventos.