Beruflich Dokumente
Kultur Dokumente
Apunte de Clase
La siguiente Figura muestra la función de densidad de una variable aleatoria continua uniforme con
a = 3 y b = 0.5.
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,
Distribución Exponencial
Recuerde el ejemplo de la variable aleatoria N número de fallas en una determinada longitud (soporte
continuo) de un alambre de cobre.
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
dF (t)
f (t) = = λe−λt0
dt
con λ > 0, t > 0.
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,
• 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 ,
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
• La duración de vida de ciertos elementos sigue una distribución exponencial con media 8 meses. Se
pide,
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 ,
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).
• 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
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,
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,
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
Ejemplos
• Para cualquier variable aleatoria normal,
• 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.
Ejemplos
• Supóngase que Z es una variable aleatoria normal estándar. La Tabla mostrada a continuación
proporciona probabilidades de la forma,
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.
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,
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?
• ¿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
= 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?
= 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
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.
i
Info: Si X es una variable aleatoria binomial, entonces,
X − np
Z=p
np(1 − p)
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