UNIVERSIDAD

DE

OCCIDENTE

MAESTRA EN INGENIERA

PROBABILIDAD Y ESTADSTICA AVANZADA

RECORDANDO:

VARIABLE ALEATORIA. Correspondencia del espacio muestral con nmeros reales definida como
una funcin. Segn la correspondencia son discretas o continuas.
VARIABLE ALEATORIA DISCRETA. Pertenece al subconjunto de nmeros enteros y puede ser finita o
contable.
Distribucin de Probabilidad de variable aleatoria discreta. Se puede describir tabular o
grficamente o con formulacin, usando P(X=x), P(X=x), P(X= x), etc.
Valor esperado u = E (X) = nX=0 x f(X) donde f(X) es la distribucin de probabilidad
Varianza 2 = V(X)= nX=0 (x- u)2 f(X)

DISTRIBUCIONES DE PROBABILIDAD CONTINUA

UNIFORME. NORMAL, GAMMA, WEIBULL, MULTINOMIAL

DISTRIBUCIN DE PROBABILIDAD CONTNUA

FUNCIN DE DENSIDAD DE PROBABILIDAD

VARIABLE ALEATORIA CONTNUA

Permite hacer correspondencia con datos de experimentos realizando mediciones en escala
contnua y con nmeros reales. (pesos, duracin de una actividad, etc.)
FUNCIN DE DENSIDAD DE PROBABILIDAD
Permite medir la probabilidad de una variable aleatoria continua. El rea debajo del grfico de
esta funcin debe cumplir requisitos para que represente una medida del valor de probabilidad.
Con X = variable aleatoria continua, f es funcin de densidad si y solo si;

P (a X b) =

dado a, b,

R .

rea total bajo

curva = 1
f(x) = 0

( no puede tomar valores negativos

EJEMPLO

Si el tiempo de atencin por cliente en una gasolinera es variable aleatoria continua

con la funcin de densidad
f(x) =

2/5 (x + 2)

(0 X 1)

otro x

a) Verifique que cumple propiedades de funcin de densidad

f(x) 0

- < x < + evidente para f(x) especificada

= + - f(x) dx = 1 donde = 1 0 = 2/5 (x+2) dx

= 2/5 (x2/2 + 2x

b) Calcule la probabilidad que el tiempo est entre 15 y 30 min.

1/4 2/5 (x2+2) dx

= 19/80 = 0.2375 = 23.75%

= 1

P (1/4 < X < )

FUNCIN DE DISTRIBUCIN.
Es la funcin de probabilidad acumulada para variable discreta en variables continuas.
F (x) = P (X x) = + - x F(x) dx

para

-<x<+

esta es la funcin de distribucin de la variable aleatoria X

PROPIEDADES DE LA FUNCIN DE DISTRIBUCIN
d/dx F(x) = f(x)

La derivada de la funcin de distribucin es la densidad.

a<b ::F(a) < F (b)

F es una funcin creciente

P (a x b) = F(b) - F (a)

til para valores de probabilidad de la variable x.

EJEMPLO. Encuentre la funcin de distribucin para el ejemplo de gasolinera

F(X) = x - f(t) dt = 1 donde = x

2/5 (t + 2) dt = 2/5 (t /2
2

+ 2t )x 0 = 2/5 (x2/2 + 2x )

Esta es una funcin cuyo dominio es el conjunto R

0
F (X)

2/5 (x2/2 + 2x )
1

x<0
0<x<1
x1

P (1/4 < X < ) = F(1/2) F(1/4) = (2/5) ((1/2)2 + 2(1/2) - (2/5) ((1/4)2+2(1/4) = 19/80
2

MEDIA Y VARIANZA DE VARIABLES ALEATORIAS CONTINUAS

Media;

Varianza;

u = E(X) = + - x F(x) dx = + - x f(x) dx

2 = V(X)= E (X- u)2 f(x) dx

EJEMPLO

Calcule media y varianza para ejemplo de gasolinera con tiempo de

atencin en horas, con la densidad de probabilidad:
F (X)

2/5 (x2/2 + 2x )

0<x<1

Media;

otro x

u = E(X) = 1 0 (x)(2/5 (x + 2 ))dx = 2/5 x3/3 + x2 10 = 2/15 + 2/5 = 8/15 =0.533

( tiempo de atencin promedio a

clientes)

Varianza;
(8/15)

2 = V(X)= E (X- u)2 = E(X2) u2 = 1 0 x2 (2/5 (x + 2 )dx

= 0.0822

::

= 0.0822 =

10

PROPIEDADES DE MEDIA Y VARIANZA

Sea X una variable Aleatoria continua con densidad de probabilidad f(x) a, b E R
MEDIA

E (aX + b ) = aE (X) + b
E (aX) = a E(X)
E (b) = b
VARIANZA
V (aX + b) = a V(X)
V (aX ) = a2 V(X)
V (b) = 0
Nota: Son similares a variables aleatorias discretas solo que las integrales sustituyen a;

11

EJEMPLO

Para el ejemplo de gasolinera, el costo de atencin a clientes se da por la

variable aleatoria; G(X) = 10 + 5X en dls.

(una sola variable aleatoria)

u G(X) = E (G(X)) = + - Gx f(x) dx = E (10 + 5X) = 10 + 5 E(X)

= 10 + 5 (8/15) = 12.667 dls

12

RECORDANDO: TEOREMA DE CHEBYCHEV

La probabilidad que X tome algn valor que no se desve de su media u, en ms

de k es al menos 1- 1/k2
P( u k < x < u k) 1 1/k2, k E R+

13

DISTRIBUCIN DE PROBABILIDAD CONTINUA UNIFORME

Dado que con modelos matemticos se calcula la probabilidad de problemas tpicos en los que intervienen
variables aleatorias continuas. En el Modelo de distribucin continua uniforme los valores de la variable
aleatoria tienen igual probabilidad de tomar cualquier valor en un intervalo especificado.
La diferencia entre distribucin de probabilidad es
que la funcin de densidad calcula el rea bajo la curva.
Sus propiedades son:
P(X=x) = 0
rea bajo la curva = 1
X = variable aleatoria continua , X tiene distribucin
uniforme si su densidad de probabilidad se da como:
f(x) = 1/ b-a a x b a, b son los parmetros del modelo

14

PROBABILIDAD DE QUE X EN EL INTERVALO C Y D

Donde:
a= valor mnimo de D.
b = valor mximo de D
c = valor mnimo de SI
d =valor maximo de SI

15

MEDIA Y VARIANZA ( DIST. UNIFORME CONTINUA)

Media

u = E(X) = (a +b)

De; u = E(X) = + - x f(x) dx =

a x (1/(b-a)) dx = b a 1/b-a(1/2(b

u = E(X) = (a + b)
Varianza

2 = V(X) = 1/12 (b-a) 2

FUNCIN DE DISTRIBUCIN DE PROBABILIDAD

+

- F(x)= P(X x) =

F(x) = 0

x<a,

- f(t) dt = = x a (1/(b-a)) dx = x a / b-a =

x-a / b-a,

ax b

16

1, x b

-a) 2 )

EJEMPLOS
1.Una mquina de caf sirve de 7-10 Lt en un aeropuerto (variable aleatoria continua).
Calcule la P (de que en un da la cantidad de caf servida sea):

Ms de 7.4 Lt pero menos de 9.5Lt

::

a= 7, b= 10, c = 7.4 d= 9.5

P(7.4 < x < 9.5) = 9.5 7.4/ 10 7 = 2.1 / 3 = 0.7 = 70%

A lo ms 8.8 Lt.

; P( X > 8.8) P ( 7< x < 8.8) = 8.8 -7/ 10 -7 = 1.8 / 3 = 0.6 = 60 %

Al menos 8.5 Lt; P ( x > 8.5 ) = P (8.5 < x < 10)

Media y desviacin std.;

= 10 -8.5/ 10 -7 = 1.5 / 3 = 0.5 = 50 %

u = 7+10 /2 = 17/2 8.5 Lt

= (10-7)2/12 = 32 /12 = 9/12 = 0.75 = 0.86

17

EJEMPLOS
2. Cotizando costos de embarque de una empresa que fabrica microcomputadoras encuentra
que se distribuyen entre 20 y 25 mil pesos. Encuentre la P ( costo) est:

Por debajo de $ 22,000

a= 20 mil

b = 25 mil

c = 20 mil

d = 22 mil

P(x < 22) = P (20 < x < 22) = 22-20/ 25-20 = 2/5 = 0.4 = 40%

Sea ms de $ 24,000

a= 20 mil, b= 25 mil, c= 24 mil,

d = 25 mil

P (x > 24) = P( 24< x < 25) = 25-24/ 25-20 = 1/5 = 0.2 = 20%

Sea de 21 mil a $ 22,500

a= 20 mil, b = 25 mil

c= 21 mil

P( 21 < x < 22.5) = 22.5 21 / 25 - 20 = 1.5/ 5 = 0.3 = 30%

18

d= 22.5 mil

MEDIA Y DESVIACIN STD

u = 20 + 25 /2 = 45 / 2 = 22.5 Mil pesos

= (25 20)2/12 = 52 / 12 = 25/ 12 = 2.083 = 1.44

19

EJEMPLO
Al fallar un dispositivo en un equipo de produccin, este se detiene hasta repararlo. Si el tiempo de
reparacin entre 1 y 5 hrs.
a) Calcule probabilidad de que la duracin tome al menos 2 hrs
X = variable aleatoria continua = duracin de la reparacin (dist. Uniforme) ::
f(x) = 1/b-a
f(x) = 1/5-1 = con 1 x 5 P( X 2 ) = 5 2 dx =1/4 x 52 = 5/4 2/4= = 75 %
b) Valor esperado de la duracin de reparacin

E(X) = (a + b) = ( 1+5) = 3 hrs

c) Suponga que el costo fijo de reparacin es $100 y el costo variable es $10, este ltimo se incrementa
cuadrticamente dependiendo de la duracin. Calcule valor esperado de la reparacin con:
C=100+10x2

de; = 5 1 x2 dx = (x3/3)51 = 125/12 1/12 = 10.33

E(C) = E( 100 + 10 x2 ) = 100 + 10 E(X2 ) = 100+ 10(10.33)

20

E(C) = $203.3

DISTRIBUCIN DE PROBABILIDAD NORMAL

Piedra angular de la estadstica moderna. Describe comportamiento aleatorio de gran

variedad de procesos naturales y realizados.

FUNCIN DE DENSIDAD

+/- 1 , 68.27%
+/- 2 , 95.45%
+/- 3 , 99.73%
Si logrramos disminuir la desviacin estndar a la mitad en el
mismo ancho tendramos el famoso 6 sigma, o sea, 6
desviaciones estndar a cada lado del centro.

21

DISTRIBUCIN NORMAL

PROPIEDADES

nica moda y coincide con u y M

Asinttica al eje de abscisas luego son vlidos valores entre; - . rea total = 1
Simtrica respecto a su u, ( 50% de probabilidad de observar un dato > u y 50% dato < u)
Distancia entre la u y punto de inflexin de curva es = 1 .
La forma de la campana es f(u y ) . A > + aplanada la curva ya que habr mayor
y +

dispersin de datos en torno a la media.

El rea bajo la curva situada a 2

valor entre:

= 0.95 :: Existe 95 % de posibilidad de observar un

( u 1.96 , u + 1.96 )

22

FORMA DE CURVA NORMAL

23

CLCULOS DE PROBABILIDAD

P( a X b) =

a, b E R

Distribucin acumulada P( X x) =

f(t) dt

para

- . y + :: P( a X b) = F(b) F(a)

24

DISTRIBUCIN NORMAL ESTNDAR

Sea Z la variable aleatoria continua
con u =0 y 2 = 1 :: f (z)

Se utiliza:
Distribucin acumulada funcin de
distribucin; P (Z z)

Zi = x u/

25

USO DE TABLAS
PARA CLCULO DE
PROBABILIDAD
a) P(Z 1.45 )

= f(1.45) = 0.9265
b) P(Z -1.45)
= 1 F(1.45) = 0.0735
c) P(Z 1.45) = 1- P(Z<1.45)
= 0.0735
d) P(1.25 Z 1.45)
= F(1.45)- F(1.25) = 0.0321
e) Encuentre z tal que P(Z z) = 0.64
= F(z) =0.64 corresponde a: 0.36
(bsqueda inversa)

26

ESTANDARIZACIN DE LA DISTRIBUCIN NORMAL

Facilita clculo de probabilidades, el sustituir una
variable con distribucin normal transformndola a
una con distribucin normal estndar
Zi = X u/
Z; N(0,1) para
X; N (u,)
E(Z) = E (X-u/ ) = 1/ (E(X)-E(u) = 1/ (u-u) = 0
V(Z) = V(X-u/ ) = 1/ (V(X)-V(u) = 1/ ( -0) = 1
Se prueba que Z tiene distribucin normal estndar
Z; N(0,1)
2

27

DISTRIBUCIN NORMAL ESTNDAR

28

EJEMPLOS

El tiempo de revelado de una fotografa

tiene dist. Normal con u = 16.2 s y = 0.52 s.

Encontrar P de que el tiempo requerido para una fotografa sea de :

1.Mayor de 17 s,

2. Mayor de 15 s

29

EJEMPLOS

El tiempo de revelado de una fotografa

tiene dist. Normal con u = 16.2 s y = 0.52 s. Encontrar P

de que el tiempo requerido para una fotografa sea de :
3. Entre 16 y 17 s,

2. Entre 17 y 18 s

30

TAREA
1.Un paciente que sufre un trasplante tiene 0.4 de probabilidad de ser compatible. Si se sabe
que 100 personas recibieron algn trasplante, cul es la probabilidad de que sean compatibles:
a) menos de 30?
b) ms de 50?
c) de 30 a 50?
2. Los reportes del alcoholmetro indican que en fin de semana uno de cada 10 conductores no
pasa la prueba. Si en un fin de semana se revisan 400 conductores al azar, calcular la probabilidad
de que no pasen la prueba:
a) menos de 32
b) ms de 49
c) entre 35 y 47

31

TAREA
3. Una compaa productora de acero corta y vende tubos con medidas que van de 1 a
5 metros, estas medidas son las ms demandadas en el mercado:
a) Cul es la medida promedio de un tubo?
b) Cul es la probabilidad de que un tubo sea mayor de 3 metros?
c) Cul es la probabilidad de que un tubo sea menor de 4 metros?
4. Un almacn contiene diez mquinas impresoras, cuatro de las cuales son defectuosas.
Un cliente adquiere cinco de las mquinas al azar
pensando que todas estn en buenas condiciones. Cul es la probabilidad de que:
a) una sea defectuosa
b) ms de una sea defectuosa
c) Calcular la media y desviacin estndar

32

APROXIMACIN DE LA BINOMIAL CON LA NORMAL

Cuando n > 30,

la D. Binomial se aproxima a la normal y se aplica si; np 5 y nq 5

z = x-np / npq

Al usar distribucin continua para aproximar una discreta se aplica un factor de

correccin por continuidad, el cual consiste en tomar 0.5 a la derecha y/o a la izq., del
valor de X segn corresponda ( semejante a lmites reales en un histograma)

> 0.5 antes, < 0.5 despus.

33

EJEMPLO
Una empresa sabe que el 15% de sus productos tienen algn defecto. Se toma una muestra de
100 artculos. Se desea calcular la probabilidad de que:

A) Ms de 20 sean defectuosos. X > 20

n= 100

xito; sea defectuoso con p= 0.15, fracaso; est bien con q = 1- 0,15 = 0.85

Verificamos se cumpla np 5 y n q 5,

np = (100) (0.15) =15

n q = (100)(0.85) = 85

Se calcula u y :
u = np = (100) ( 0.15) = 15

= uq = (15) (0.85) = 8.3 = 3.57

Se pide x > 20
tomamos 0.5 antes queda: x > 19.5

34

35

b) Exactamente 12 sean defectuosos

En distribucin continua las probabilidades
se calculan como reas bajo la curva,
P ( un solo valor x ) = 0.
Se toma 0.5 antes y 0.5 despus
c) Menos de 18 sean defectuosos
X < 18 tomamos 0.5 despus .:: x < 18.5

36

TAREA

5.Las barras de pan de una cierta marca tienen una longitud promedio de 30 centmetros
y una desviacin estndar de 2 centmetros.
Si se supone que las longitudes estn distribuidas normalmente, qu porcentaje de las barras son
a) ms largas que 31.7 centmetros?
b) de entre 29.3 y 33.5 centmetros de longitud?
c) ms cortas que 25.5 centmetros?

37

DISTRIBUCIN DE PROBABILIDAD EXPONENCIAL

Aplica en fenmenos cuya probabilidad se refiere a tiempo y distancia entre la ocurrencia de
experimentos respecto a un intervalo continuo. Los tiempos entre llegadas en instalaciones de
servicio, y tiempos de fallas de partes componentes y sistemas elctricos, frecuentemente son bien
modelados mediante la distribucin exponencial.
En la distribucin Poisson se calcula la probabilidad de que un evento ocurra x veces
durante un periodo de tiempo o espacio
Pero el inters puede enfocarse a la cantidad de tiempo o espacio entre la ocurrencia de
eventos
FUNCIN DE DENSIDAD DE LA DISTRIBUCIN EXPONENCIAL
Donde es el recproco de la media u, de Poisson.
Si en unidad de tiempo ocurren en promedio u eventos ,
el tiempo de separacin entre cada evento es =1/ u

38

DISTRIBUCIN EXPONENCIAL
FORMA DE LA GRFICA

39

PROBABILIDAD DE QUE OCURRA O NO OCURRA UN SUCESO

DENTRO DEL INTERVALO X0.

Donde = valor medio entre eventos,

Xo = valor dado del intervalo, e = 2.7182

Media y desv, std. Tienen igual valor =

40

EJEMPLO
Si el tiempo para cargar un torton ( variable X con distribucin exponencial) es en promedio de
15 min. Calcule probabilidad de que la carga tarde:
a) 10 min
=15 min Xo = 10 min
b) Ms de 18 min
= 15 min Xo = 18 min
c) Entre 8 y 12 min.
Calculando cada extremo por separado
P = 0.5507- 0.4114 = 0.1393

Media = = 15 =

41

EJEMPLO
El tiempo de vida de una mquina con distribucin exponencial se comprob que es de 8
aos. Calcule la probabilidad de que:
a) Una mquina nueva dure menos
de12 aos.
= 8 aos,

Xo = 12 aos

b) Dure ms de 10 aos
c) Dure entre 5 y 17 aos
P(5< x < 17) = P(<17) - P(<5)
= 0.8806-0.4648 = 0.4158

42

TAREA
6. Se sabe que una colonia el gasto mensual de agua por familia tiene una distribucin
exponencial con media
de 20 metros cbicos.
a) Cul es la probabilidad de que una familia consuma menos de 15 metros cbicos al
mes?
b) Cul es la probabilidad de que el consumo mensual de agua de una familia rebase los
40 metros cbicos?
c) Cul es la probabilidad de que el consumo mensual de agua de una familia sea de 30
a 50 metros cbicos?

43

DISTRIBUCIN GAMA
Generalizacin del modelo exponencial donde las variables describen el tiempo hasta que se
produce veces un suceso determinado.
sus grficas tienen forma asimtrica con sesgo positivo y su dominio en los R.

Su funcin de densidad depende de los parmetros (forma) y (escala). La funcin I()

es la Gamma Euler

Si es positivo y entero
I () = (-1)!
Por integracin directa
I(1) = 1

44

k = en proceso de Poisson

PROPIEDADES DE DISTRIBUCIN GAMMA

Distribucin de datos sesgada a la dcha.
En la prctica se entiende como la distribucin de la cantidad de tiempo que uno espera hasta que un
total de n eventos haya ocurrido.

El modelo exponencial es un caso particular de la Distribucin Gamma con p = 1

Relaciones:

E tiempo hasta que el suceso k ocurre en un Proceso Poisson de intensidad es una

variable aleatoria con Distribucin Gamma. Eso es la suma de variables aleatorias independientes de
distribucin exponencial con parmetro .

Si tenemos k variables de Dist. Exponencial con comn e independientes la suma de ellas seguir una
distribucin Gamma G ( , k)

45

MEDIA Y VARIANZA DE DISTRIBUCIN GAMMA

Media

u = E(X) =

Varianza 2 = V(X) = 2

46

EJEMPLO

El tiempo (hrs) que requiere una mquina semanalmente para su mantenimiento es una
variable aleatoria Gamma con = 3, = 2
A) Encuentre posibilidad que en alguna semana el tiempo de mantenimiento sea
mayor a 8 hrs.
B) Si el costo de mantenimiento es C = 30X + 2X2, siendo X el tiempo de
mantenimiento encuentre el costo promedio de mantenimiento.
P ( X> 8) = 0.2381 E( C) = 276

47

DISTRIBUCIN Ji2 (CHI2)

Es un caso de la distribucin gamma haciendo = v/2

y = 2 donde v = parmetro

(+) =gl

Media y varianza
u=v

48

2= 2v

DISTRIBUCIN T DE STUDENT

V = grados de libertad
n 30 tiende a z

49

DISTRIBUCIN WEIBULL

Est definida por 3 parmetros. T = tiempo entre fallas. es

parmetro de forma de la distribucin.
= Parmetrp de
escala ( aguda o plana)y = de localizacin ( en el
tiempo , momento en que se genera la distribucin.. Si
=1 La D Weibull se reduce a exponencial con = 1/
Luego la exponencial es un caso de Gamma y Weibull. Para >1
su curva es campana pero asimtrica. Es parmetro de escala

50

APLICACIN

Como la distribucin Gamma y exponencial se puede aplicar a problemas de

confiabilidad y prueba de vida como tiempos de falla o duracin de la vida de un
componente medido en un tiempo especfico hasta que falla.

Confiabilidad. Probabilidad de que funcione apropiadamente un tiempo especfico

en condiciones experimentales dadas. Confiabilidad = 1 funcin de falla

51

FUNCIN DE CONFIABILIDAD Y ACUMULATIVA

La funcin acumulativa se interpreta como la probabilidad de fallos.
Su aplicacin lleva toda una secuencia de operaciones, iniciando con la determinacin
de parmetros que puede hacerse por varios mtodos.

Simplificando la funcin de tasa de fallas puede calcularse como ;

52

h(t) = / t -1

EJEMPLO
Con distribucin Weibull se utiliza para modelar cantidad de emisiones de un gas de motor de
4 tiempos de un tipo seleccionado aleatoriamente .
X tiene = 2 y = 10

Probabilidad de que sea

X de 10 o menos = P( X 10) = 1- e

(10/10)2

= 1- e -1 = 0.632

P( X 25)= = 1.- e (25/10)2 = 0.998

Con esto se observa la distribucin concentrada entre los valores 0 y 25

53

54