Professional Documents
Culture Documents
Y
PROBABILIDADES
Sesión 08
Si la variable aleatoria es
continua cada uno de los infinitos
valores posibles tendrá
probabilidad cero y sólo
podremos hablar de probabilidad
dentro de intervalos.
Ejemplos :
• X: Tiempo de vida de una computadora.
RX 0 ,
• X: Duración (en horas) de un tubo de monitor.
RX 0 ,
Ing William León Velásquez 7
FUNCIÓN DE DISTRIBUCIÓN Y FUNCIÓN DE
DENSIDAD
• Si la variable aleatoria es continua hay infinitos valores posibles de
la variable y entre cada dos de ellos se podrían definir infinitos
valores más.
• En estas condiciones, no es posible deducir la probabilidad de un
valor puntual de la variable, como se puede hacer en el caso de
variables aleatorias discretas.
11
Ing William León Velásquez
FUNCIÓN DE DISTRIBUCIÓN Y FUNCIÓN DE
DENSIDAD
A partir de una situación real con densidades de frecuencias se crea un
modelo teórico con asignación de probabilidades.
5. EX xf ( x)dx a b x
|R
( x EX )
6. V X 2
f ( x ) dx
R Ing William León Velásquez 20
Ejemplos de variable aleatorias continuas
1
para 0 x 24
f ( x ) 24
0 en otro lugar
24
24 24 1 1
P ( x 8) 8
f ( x ) dx 8 24
dx x
24 8
24 8
P ( x 8) 0,667
24 24
La probabilidad de que el investigador tenga que esperar mas de ocho horas
es de 37.5 %
Ing William León Velásquez 22
Ejemplos de variable aleatorias continuas
b) Calcular el valor esperado..
24 24 1
E( x )
0
x f ( x ) dr
0
x
24
dr
24
1 x2 1 242
. . 0 12
24
2
0 24
2
24
E( x )
2 2
V( x ) E( x ) x 2 . f ( x ) dx 122
0
24
24 1 1 x 3
dx 12
2 2 2
x . . 12
0 24 24 3 0
1 243
. 0 12 48
2
24 3
La varianza del tiempo que tiene que esperar es de 48 horas2
Ing William León Velásquez 24
Ejemplos de variable aleatorias continuas
2.- Una empresa comercializadora afirma que el
número de unidades vendidas mensualmente de un
determinado tipo de artículo, sigue la ley de
probabilidad definida por la función de densidad:
x
25 para 0 x 5
1
f ( x) ( 10 x ) para 5 x 10
25
0 para cualquier otro valor de x
7,5
7,5 1 1 x2
P ( 5 X 7,5 )
5 25
( 10 x ) dx
25
10 x
2
5
1 7,52 25
10 7,5 50 0,375
25
2 2
5 x 10 1
E (X)
0
x
25
dx
5
x
25
(10 x ) dx
1 5 1 10
2
x dx (10 x x 2 ) dx
25 0 25 5
5 10
1 x3 1 x2 x3 5 1 250
10 5
25
3 0 25
2 3 5 3 25 3
25 0 25 5
5 10
1 x 1 4
x 3
x 4
10 3 4 25
25 4 0 25 5
25
1
572.9 25 4,17
4 25
b) La probabilidades serán:
Solución:
Para ello se calculará el valor esperado de dicha variable
• Definición :
• Y tiene una distribución exponencial con parámetro λ si
• para 0 <y<=∞.
• En este caso se escribe Y ~Ex(λ).
La distribución exponencial
• La función de distribución de Y es
para 0 <y<∞.
La distribución exponencial
La media y varianza
• Teorema Si Y ~ Ex(λ), entonces
La distribución exponencial. Ejemplo 1
• El tiempo T entre llegadas sucesivas de autos a un punto en
la carretera se distribuye como una exponencial con
parámetro λ =0,01 segundos.
1) Hallar la media y varianza de T.
2) Un viejito empieza a cruzar la calle inmediatamente
después de que un auto pasa por allí. Si tarda 50
segundos en cruzar la calle, ¿cuál es la probabilidad de
que le atropella el siguiente auto que pasa (suponiendo
que no para, igual que la mayoría de conductores)?
3) ¿Cuál es la probabilidad de que en un minuto no llegue
ningún auto?
La distribución exponencial. Ejemplo 1
1) E[T]=1/0,01 = 100 y
V [T]=1/0,012 =10000.
La distribución exponencial. Ejemplo 1
3) Sea X el número de autos que lleguen en un minuto.
La distribución de X es Poisson:
X ~ P(60 × 0,01) = P(0,6).
La distribución exponencial. Ejemplo 2
• El tiempo de funcionamiento de una bombilla se distribuye
como exponencial con una media de 10 días.
a) ?Cuál es la probabilidad de que una bombilla funciona más
de 10 días?
b) Suponiendo que cada vez que falla una bombilla se la
cambia por una nueva, hallar la probabilidad de que haya
más de 1 fallo en un mes (30 días).
c) Hallar el número medio de fallos en un mes.
La distribución exponencial. Ejemplo 2
• a) Sea T ~ Ex(λ) el tiempo de funcionamiento.
• Hallamos el valor de λ.
• Sabemos que E[T]= 10 = 1/λ
• y luego λ =0,1.
• Ahora:
La distribución exponencial. Ejemplo 2
b) El número de fallos X en 30 días tiene una distribución
Poisson
X ~ P(30 × 0,1) = P(3).
Caracteres sociológicos,
Ejemplo: consumo de cierto producto por un mismo grupo de individuos,
puntuaciones de examen.
ING. WILLIAM LEON V. 51
FUNCIÓN DE DENSIDAD
La distribución normal queda definida por dos parámetros,
su media y su desviación típica y se representa así
N (µ,σ)
Para cada valor de µ y σ tendremos una
función de densidad distinta, por tanto la
expresión N (µ,σ) representa una familia de
distribuciones normales
Donde:
−∞ < 𝑥 < +∞
F(x)=P(X≤ x)
𝑋−𝜇
𝑍=
𝜎
Sigue una distribución normal
con µ=0 y σ=1,
• Es decir: N(0,1)
La función de densidad es
1 𝑧2
−
𝜑 𝑧 = 𝑒 2
2𝜋
La función de distribución es
𝑧 𝑧2
1
𝐹 𝑧 =𝑃 𝑍≤𝑧 = 𝜑 𝑧 = 𝑒 − 2 𝑑𝑧
2𝜋 −∞
−∞ < 𝑧 < +∞
ING. WILLIAM LEON V. 57
TIPIFICACIÓN
la representación gráfica de esta función
Notación:
2
X N ( , )
P( a X b ) = área entre a y b
F ( x0 ) P ( X x0 )
𝑥𝑜 1 𝑥𝑜−𝜇 2
1
𝐹 𝑥0 = ℮−2( 𝜎 ) 𝑑𝑥𝑜 x0
−∞ 𝜎 2𝜋
𝑋 − 𝜇
Z=
Es decir:
𝜎
X N ( X , , 2 ) ZN(Z,0,1)
0 =0
2 > 0 2 = 1
ING. WILLIAM LEON V. 67
DISTRIBUCIÓN
NORMAL ESTANDARIZADA
2
z
1 2
f(z) e
2π
1.6
el resultado es 0.9515.
ING. WILLIAM LEON V. 75
USO LA TABLA N ( 0,1)
2. Si z<0 TABLA ACUMULADA DE -∞ hasta Z a partir de 0
• En ese caso,
P(Z<z) = P(Z>-z) = 1-P(Z<-z) = 1- FZ(-z);
• Por ejemplo:
• Calcular la probabilidad de que Z sea menor que –1.38
• Según la tabla, a 1.38 le corresponde 0.9162,
• luego el valor que buscamos es 1- 0.9162 = 0.0838.
0.9162 0.0838 0.0838
• Se sabe que el valor z está entre 0.55 y 0.56, mirando la fila y columnas
implicadas.
• Por regla de 3 simple se puede aproximar bastante:
(0.56-0.55) (z-0.5)
0.7123-0.7088) (0.71-0.7088)
z = 0.55+(0.56-0.55)(0.71-0.7088)/(0.7123-0.7088)
= 0.5534
Ejemplo:
Si p=0.09.
Tomamos 1-0.09=0.91
Buscar el correspondiente a 0.91, el cual
será un valor muy próximo a 1.34.
Luego, el valor z será aproximadamente
–1.34. 79
80
ING. WILLIAM LEON V.
EJERCICIO Nº 1
N(µ;σ)=N(3.0 ; 0.005)
diámetro : x 3,0 0,01
P(2.99<=X<=3.01)
𝑋−𝜇
𝑍=
𝜎 3.01−3 2.99−3
𝑍= = 2 𝑍= = -2
0.005 0.005
P(-2<=Z<=-2)
P z 2 P z 2
-2 0 2
ING. WILLIAM LEON V. 81
EJERCICIO Nº 1
P z 2 P z 2
1 0, 9545 0, 0455
4, 6 %
169.5−129.5 89.5−129.5
𝑍= = 1.33 𝑍= = -1.33
0.005 0.005 89.5 129.5 169.5
P(-1.33<= Z <=1.33)
-2.32 0.68
d) ¿Cuál
debe ser la duración de una llamada particular si sólo 1% de
todas las llamadas son más cortas?
x 129,5
P ( X x ) 0,01 2,32
30
x 129,5
P Z 0,01 x 59,9
30
2,32 F ( z ) 0,00990
P(X=k) P(k-0,5<Y<k+0,5)
P(X<k) P(Y<k-0,5)
P(X≤k) P(Y<k+0,5)
P(X>k) P(Y>k+0,5)
P(X≥k) P(Y>k-0,5)
P(k'<X≤k) P(k'+0,5<Y<k+0,5)
Luego
• Cumple los requisitos para poder ser aproximada mediante una normal.
EJERCICIO RESUELTO
• Por lo tanto se puede calcular las siguientes cálculos:
• Media:
• µ = np = 40 * 0.48 = 19.2
• Desviación estándar:
• 𝜎= 𝑛𝑝 1 − 𝑛𝑝 = 40 ∗ 0.48 ∗ 0.52 ≅ 3.16
EJERCICIO RESUELTO
• Luego B(40; 0,48) se puede aproximar mediante la distribución normal
N(19,6; 3,16).
N(19,6; 3,16).
11.5 −19.6
Z= = -2.56
3.16
12.5 −19.6
Z= = -2.25
3.16
P(Y)=0.0122-0.0052= 0.007
EJEMPLO 1
Se tiene un grupo de datos que siguen una distribución binomial con B(150, 0.45), calcular P (x ≥ 60).
N(n.p , √(n.p.q) )
La probabilidad es 90.49%
ING. WILLIAM LEON V. 99
EJEMPLO 2
El 1% de los autos fabricados por una empresa son defectuosos. En un lote de 5000 autos, ¿cuál es
la probabilidad de que haya más de 60 autos
Es una binomial B(5000, 0.01)
Se verifica si se puede ajustarla a una normal:
n.p = 5000*0.01 = 50 > 5
n.q = 5000*0.99 = 4950 > 5
En una urna hay 3 bolas rojas, 2 blancas y 5 verdes. Sacamos una bola, anotamos
su color y la devolvemos a la urna. Si repetimos la experiencias 50 veces, ¿cuál es
la probabilidad de sacar roja en más de 20 ocasiones?.