Distribuciones de Probabilidad Continuas

Apunte de Clase

INGE1418 PROBABILIDAD PARA INGENIERÍA

II SEMESTRE 2019

Universidad San Sebastián

Distribución Uniforme Continua

i
Info: Una variable aleatoria continua X con función de densidad de probabilidad,
1
f (x) = a≤x≤b
b−a
tiene una distribución uniforme continua.

La siguiente Figura muestra la función de densidad de una variable aleatoria continua uniforme con
a = 3 y b = 0.5.

La media de una variable aleatoria continua X es,

Z b
x
E[X] = dx
a b−a
=
0.5x2 b
=
b−a a

=
a+b
=
2
La varianza de una variable aleatoria continua X es,

1
 b
(x − ( a+b
2 ))
2
Z
V [X] = dx
a b−a
=
(x − a+b 3 b
2 ) 
=
b−a

a
=
(b − a)2
=
2

Ejemplos
Ejemplos de una variable aleatoria continua son,

• La corriente medida en un alambre de cobre

• El peso de un producto
• El espesor de una pieza

Distribución Exponencial
Recuerde el ejemplo de la variable aleatoria N número de fallas en una determinada longitud (soporte
continuo) de un alambre de cobre.

• Esta variable aleatoria tiene una distribución Poisson

• El número promedio de fallas en L mm es λ, por ejemplo λ = 2.3 fallas/mm.

La distribución exponencial se obtiene al considerar en un proceso de Poisson variables continuas

como las siguientes,

t = tiempo entre la ocurrencia de dos sucesos consecutivos

X = longitud entre la ocurrencia de dos sucesos consecutivos

donde X o t toman valores en el intervalo (0, ∞).

i
Info: Para obtener la función de distribución de una variable aleatoria de este tipo, considere

e−λt0 (λt0 )0
P (t > t0 ) = P [cero sucesos en el intervalo (0, t0 )] = P [N = 0] = = e−λt0
0!
donde λ es la tasa media de sucesos por unidad de tiempo, entonces la función de distribución es,

F (t0 ) = P (t ≤ t0 ) = 1 − e−λt0

La función de densidad es,

dF (t)
f (t) = = λe−λt0
dt
con λ > 0, t > 0.

Las medidas características,

1
E[t] = λ = DT [t]

2
 Si el número de ocurrencias tiene una distribución de Poisson, el tiempo entre ocurrencias tiene una
distribución exponencial; una variable es discreta (el conteo de ocurrencias) y la otra es continua (el
tiempo).
La distribución exponencial es una de las distribuciones que se conocen como distribuciones de dura-
ciones de vida. En este caso,

• La variables aleatoria continua puede tomar cualquier valor positivo no acotado.

• La variable es la duración de vida de ciertos elementos.
• Permite modelar la duración (vida de personas, animales, o componentes, discursos políticos, huel-
gas, periodo de desempleo) o tamaño (rentas de familias, tamaño de yacimientos).

• Proporciona la probabilidad de muerte en cada instante para los elementos que han sobrevivido
hasta dicho instante 7→ la función se denomina tasa de fallo y define la función de densidad de la
variable.

i
Info: Sea f (t) la función de densidad de una variable aleatoria positiva en (0, ∞).

La distribución exponencial se caracteriza por una tasa de fallo constante 7→ f (t) = λe−λt0 ,

• La probabilidad de morir en cualquier intervalo no depende de la vida anterior.

• Adecuada para describir aparición de muertes al azar, no debidas a desgaste o deterioro de una
pieza.

Ejemplos
• En una red de computadores, el acceso de los usuarios al sistema puede modelarse como un proceso
Poisson con una media de 25 accesos por hora. ¿Cuál es la probabilidad de que no haya accesos en
un intervalo de 6 minutos?

3
 – Sea X el tiempo en horas desde que el inicio del intervalo hasta que se presenta el primer
acceso.
– X tiene una distribución exponencial con λ = 25 accesos por hora.
– La probabilidad a calcular es P (X > 6) [6 minutos].
– 6 minutos = 0.1 horas
Z ∞
P (X > 0.1) = 25e−25x dx = e−25∗0.1 = 0.082
0.1

– ¿Cuál es la probabilidad de que el tiempo que transcurre hasta el siguiente acceso esté entre 2
y 3 minutos?
* 2 minutos = 0.033 horas
* 3 minutos = 0.05 horas
Z 0.05 0.05
P (0.033 < X < 0.05) = 25e−25x dx = −e−25x  = 0.152

0.033 0.033

– Determine el intervalo de tiempo para el que la probabilidad de que no se presenten accesos al

sistema durante ese tiempo sea 0.9
* Se pide el tiempo x para el que P (X > x) = 0.9,
P (X > x) = e−λx = 0.9
ln(0.9)
x= = 0.00421 horas = 0.25 minutos
25
– El tiempo medio hasta el siguiente acceso es,
E[X] = 1
25 = 0.04 horas = 2.4 minutos
– La desviación estándar del tiempo que transcurre hasta el siguiente acceso es,
σ= 1
25 minutos = 2.4 horas

• La duración de vida de ciertos elementos sigue una distribución exponencial con media 8 meses. Se
pide,

1. Calcular la probabilidad de que un elemento tenga una vida ente 3 y 12 meses.

2. El percentil 0.95 de la distribución.
3. La probabilidad de que un elemento que ha vivido más de 10 meses viva más de 25.

1. Dado que la media es 1/λ, tenemos que,

1 −t/8
f (t) = e t>0
8
donde t es medido en meses. Entonces,
R x1
P (x0 < X ≤ x1 ) = x0
f (x)dx
R 12 1 −t/8
p(3 < X ≤ 12) = 3 8e dt

p(3 < X ≤ 12) = −e−t/8 |13 2 = 0.47

2. F (x) = 1 − e−λt
0.95 = 1 − e−x/8

x = −8 × ln(0.05) = 23.97

3. La probabilidad pedida es P (t > 25|t > 10). Por definición de probabilidad condicionada,

4
 P (t > 25) 1 − P (t ≤ 25)
P (t > 25|t > 10) = =
P (t > 10) 1 − P (t ≤ 10)
ya que la probabilidad conjunta P (t > 25, t > 10) se reduce a P (t > 25) al estar el primer
suceso contenido en el segundo.
Por lo tanto, utilizando la expresión anterior de la función de distribución,
1 − (1 − e−λ25 )
P (t > 25|t > 10) = = e−λ(25−10) = e−λ15
1 − (1 − e−λ10 )
Entonces,
P (t > 25|t > 10) = P (t > 15)
En general, es inmediato ver que si t2 > t1 ,

P (t > t2 |t > t1 ) = P (t > t2 − t1 )

que indica que la probabilidad de que un elemento viva t2 − t1 unidades de tiempo adicionales
es independiente del tiempo ya vivido por el elemento. Se dice entonces que la distribución
exponencial no tiene memoria.

Distribución Gamma
i
Info: La función gamma se define como,
R∞
Γ(n) = 0 xn−1 e−x dx n>0

i
Info: La variable aleatoria X con función de densidad de probabilidad,
λ r−1 −λx
f (x) = Γ(n) (λx) e x>0

tiene una distribución gamma con parámetros λ > 0 (parámetro de escala) y r > 0 (parámetro de
forma).

• Si r = 1 distribución gamma 7→ distribución exponencial.

• E[X] = r/λ

• V ar[X] = r/λ2

i
Info: Si la variable aleatoria X es la suma de r variables aleatorias xj independientes y distribuidas
exponencialmente, cada una con un parámetro λ, X tiene una densidad gramma con parámetros r y
λ.

X = x1 + ... + xr

donde xj tiene función de densidad,

g(x) = λe−λx x≥0

La distribución gamma no se emplea con mucha frecuencia, pero existe un caso especial de esta dis-
tribución que es de mucha utilidad, la distribución χ2 (se lee chi cuadrado) y que estudiaremos en el
siguiente curso.

5
Distribución Normal
La distribución normal es una de las distribuciones de probabilidad más utilizadas para modelar experi-
mentos aleatorios. También se conoce como distribución Gaussiana.

Ejemplos
La distribución normal aproxima lo observado en muchos procesos,

• Medidas físicas del cuerpo humano en una población

• Características psíquicas medidas por test de inteligencia o personalidad
• Medidas de calidad en procesos industriales
• Errores de las observaciones astronómicas

i
Info: Una variable aleatoria X con función de densidad de probabilidad,
1 1
f (x) = √ exp[− 2 (x − µ)2 ]
σ 2π 2σ

tiene una distribución normal con parámetros µ, donde −∞ < µ < ∞, y σ > 0. Los dos parámetros,

• E[X] = µ: media, mediana, y moda de la distribución.

• V [X] = σ 2 : varianza.

Una variable X es N (µ, σ) cuando sigue esta función de densidad de probabilidad.

• Los valores de µ y σ determinan la forma de la función de densidad de probabilidad.

• El valor µ determina el centro de la función de densidad de probabilidad.

6
 • El valor σ determina la dispersión.
• La función de densidad de probabilidad es una curva simétrica con forma de campana.
• La función de densidad de probabilidad es no negativa.
• De la simetría de la distribución P (X > µ) = P (X < µ) = 0.5

• El área bajo f (x) en el intervalo −∞ < x < ∞ es uno.

√
• El valor máximo de la función de densidad de probabilidad es 2πσ que se presenta en x = µ.

Ejemplos
• Para cualquier variable aleatoria normal,

P (µ − σ < X < µ + σ) = 0.6827

P (µ − 2σ < X < µ + 2σ) = 0.9545

P (µ − 3σ < X < µ + 3σ) = 0.9973

• En el intervalo µ ± 2σ se encuentra el 95.5% de la distribución

• En el intervalor µ ± 3σ se encuentra el 99.7% de la distribución

• Los cuartiles de una distribución normal son −0.675σ, 0 y 0.675σ
• El rango intercuartílico es 1.35σ

• La Meda 0.675σ
• Dado a que más del 0.9973 de la probabilidad de una distribución normal está en el intervalo (µ −
3σ, µ + 3σ) se hace referencia a la cantidad 6σ como el ancho de una distribución normal.

7
Normal Estándar
i
Info: Una variable aleatoria normal con µ = 0 y σ 2 = 1 recibe el nombre de variable aleatoria nor-
mal estándar N (0, 1) y se denota como Z.

La variable aleatoria normal X es transformada en la variable normal estándar Z,

X −µ
Z=
σ
La función de densidad de una variable aleatoria normal estándar,
1 z2
f (z) = √ e− 2
2π
Cálculo de probabilidades de X,
x0 −µ
F (x0 ) = P (X ≤ x0 ) = P (µ + σz ≤ x0 ) = P (z ≤ σ ) = Φ( x0σ−µ )

donde Φ es la función de distribución de la normal estándar.

Ejemplos
• Supóngase que Z es una variable aleatoria normal estándar. La Tabla mostrada a continuación
proporciona probabilidades de la forma,

P (Z ≤ z)

• Para encontrar la probabilidad P (Z ≤ 1.5),

– Primero se localiza en la columna z el renglón donde aparece 1.5.

– La probabilidad asociada con este valor está en la columna adyacente, la cual tiene la etiqueta
0.00 y es 0.93319.
– Los encabezados de columna se refieren al dígito que ocupa el lugar de las centésimas en el
valor de z en P (Z ≤ z).

8
 – Otro ejemplo, P (Z ≤ 1.53) se obtiene al localizar en la columna z el renglón donde aparece
1.5, y luego al seleccionar la probabilidad de la columna que tiene la etiqueta 0.03, valor que
en este caso es 0.93699.

• Acontinuación se illustran ejemplos del cálculo de probabilidades,

– P (Z > 1.26) = 1 − P (Z ≤ 1.26) = 1 − 0.89616 = 0.10384

– ¿Cuál es el valor de P (Z < −0.86)?

* De la propiedad de simetría, esta probabilidad es igual a P (Z > 0.86) = 1−P (Z < 0.86) =
1 − 0.80510 = 0.19490.

– P (Z > −1.37) = P (Z < 1.37) = 0.91465

– P (−1.25 < Z < 0.37)

* Esta probabilidad puede calcularse como la diferencia de dos áreas → P (Z < 0.37)−P (Z <
−1.25),
P (Z < 0.37) = 0.64431
y
P (Z < −1.25) = P (Z > 1.25) = 1 − 0.89435 = 0.10565
por lo tanto,
P (−1.25 < Z < 0.37) = 0.64431 − 0.10565 = 0.53866

9
i
Info: Si X es una variable aleatoria normal con E[X] = µ y V [X] = σ 2 , entonces la variable aleatoria,

X −µ
Z=
σ
es una variable aleatoria normal con E[Z] = 0 y V [Z] = 1. Esto es, Z es una variable aleatoria normal
estándar.

La creación de una nueva variable aleatoria con esta transformación se conoce como estandarización.
La variable aleatoria Z representa la distancia de X a partir de su media en términos de desviaciones
estándar.

i
Info: Suponga que X es una variable aleatoria normal con media µ y varianza σ 2 . Entonces,
X − µ x − µ
P (X ≤ x) = P ≤ = P (Z ≤ z)
σ σ
donde,

• Z es una variable aleatoria normal estándar

• z = (x − µ)/σ es el valor z obtenido a través de la estandarización de X.

La probabilidad se obtiene de tablas con z = (x − µ)/σ.

Ejemplos
• Suponga que las mediciones de corriente realizadas en un alambre de cobre siguen una distribución
normal con media de 10 miliamperes y varianza de 4 miliamperes2 . ¿Cuál es la probabilidad de que

10
 el valor de una medición sea mayor que 13 miliamperes?

– Sea X la corriente en miliamperes.

– La probabilidad pedida es P (X > 13).
X − 10
– Sea Z =
2
– X > 13 corresponde a Z > 1.5 ((13 − 10)/2)
– De tablas,
P (X > 13) = P (Z > 1.5) = 1 − P (Z ≤ 1.5) = 1 − 0.93319 = 0.06681

• ¿Cuál es la probabilidad de que el valor de una medición de corriente esté entre 9 y 11 miliamperes?
 9 − 10 X − 10 11 − 10 
P (9 < X < 11) = P < <
2 2 2

= P (−0.5 < Z < 0.5)

= P (Z < 0.5) − P (Z < −0.5)

= 0.69146 − [1 − P (Z < 0.5)]

= 0.38292

• ¿Cuál es el valor para el que la probabilidad de que la medición de corriente tenga una magnitud
menor que éste sea 0.98?

– Es necesario encontrar un valor de x tal que P (X < x) = 0.98.

– Al estandarizar esta probabilidad,
 X − 10 x − 10 
P (X < x) = P <
2 2
 x − 10 
= P Z<
2

= 0.98
– Utilizamos la tabla para encontrar el valor de z tal que P (Z < z) = 0.98. La probabilidad más
cercana es,
P (Z < 2.05) = 0.97982
– Por lo tanto, (x − 10)/2 = 2.05 lo que permite determinar el valor de x. El resultado es,
x = 2 × (2.05) + 10 = 14.1 miliamperes

Teorema Central del Límite

Establece que cuando los resultados de un experimento son debidos a un conjunto muy grande de causas
independientes, que actúan sumando sus efectos, siendo cada efecto individual de poca importancia re-
specto al conjunto, es esperable que los resultados sigan una distribución normal.
Si x1 , ..., xn son variables aleatorias independientes con media µ y varianza σi2 y cualquier distribución
–no necesariamente la misma– y formamos la variable suma,

Y = x1 + ... + xn

entonces, si cuando n crece σi2 / σj2 → 0, que implica que el efecto de una variable es pequeño respecto
P
al efecto total, la variable,

11
12
 P
Y − µi
pP
σi

tiende a una distribución normal N (0, 1). Esto implica que si n es grande, se puede aproximar las proba-
bilidades de Y,
pP
σi2 )
P
Y ∼ N ( µi ;

• Si tenemos una variable que es suma de otras, la media de la suma es la suma de las medias.
• Cuando los sumandos son independientes, la varianza de la variable suma es la suma de las varianzas
de los sumandos.
• La variable suma se distribuye normalmente.

Relación entre la distribución normal y las distribuciones binomial y Poisson

i
Info: Si X es una variable aleatoria binomial, entonces,
X − np
Z=p
np(1 − p)

es, de manera aproximada, una variable aleatoria normal estándar.

i
Info: Si X es una variable aleatoria Poisson con E[X] = λ y V [X] = λ, entonces

X −λ
Z= √
λ
es, de manera aproximada, una variable aleatoria normal estándar.

13