Este documento presenta los conceptos clave de las variables aleatorias continuas, incluyendo: la función de densidad de probabilidad, la función de distribución acumulada, el valor esperado y la varianza. También introduce varios modelos de probabilidad continua como el uniforme, exponencial y normal.
0 calificaciones0% encontró este documento útil (0 votos)
156 vistas29 páginas
Este documento presenta los conceptos clave de las variables aleatorias continuas, incluyendo: la función de densidad de probabilidad, la función de distribución acumulada, el valor esperado y la varianza. También introduce varios modelos de probabilidad continua como el uniforme, exponencial y normal.
Este documento presenta los conceptos clave de las variables aleatorias continuas, incluyendo: la función de densidad de probabilidad, la función de distribución acumulada, el valor esperado y la varianza. También introduce varios modelos de probabilidad continua como el uniforme, exponencial y normal.
Este documento presenta los conceptos clave de las variables aleatorias continuas, incluyendo: la función de densidad de probabilidad, la función de distribución acumulada, el valor esperado y la varianza. También introduce varios modelos de probabilidad continua como el uniforme, exponencial y normal.
Descargue como PDF, TXT o lea en línea desde Scribd
Descargar como pdf o txt
Está en la página 1/ 29
SESIÓN 4
VARIABLES ALEATORIAS CONTINUAS
Orden del día: • Modelo normal * Función de densidad de probabilidad • Calculo de probabilidades * Función acumulada de una variable • Uso de tablas de la función acumulada aleatoria continua • Uso de tablas porcentuales * Valor esperado de una variable aleatoria • Aproximación de la normal a la binomial continua • Solución de casos utilizando las funciones * Varianza estadísticas de hojas de calculo. * Modelos continuos de probabilidad • Modelo uniforme • Modelo exponencial • Relación entre los modelos exponencial y Poisson
1 Variable aleatoria continua
Una variable aleatoria X es continua si:
1) sus valores posibles comprenden un solo intervalo sobre la línea de numeración (para alguna A < B, cualquier número x entre A y B es un valor posible) o una unión de intervalos disjuntos 2) P(X =c) = 0 para cualquier número c que sea un valor posible de X. Las variables aleatorias continuas, por ejemplo estaturas y pesos, lapso de vida útil de un producto en particular o un error experimental de laboratorio, pueden tomar los infinitamente numerosos valores correspondientes a puntos en un intervalo de una recta.
Las distribuciones de probabilidad continua se
aplican en variables donde el valor puede subdividirse en diferentes escalas y entre enteros. Generalmente pueden ser medidas por un instrumento de medición; así tenemos gramos, miligramos, centigramos, kilómetros, metros, decímetros, decibeles, horas, minutos, segundos, entre otras y tenemos así 3.4 km, 38 segundos o 25 °C.
2 Función de densidad de probabilidad
Es decir, la probabilidad de que X asuma un valor en el intervalo [a, b] es el área
sobre este intervalo y bajo la gráfica de la función de densidad. La gráfica de f(x) a menudo se conoce como curva de densidad.
Para que f(x) sea una función de densidad de probabilidad legítima, debe satisfacer las dos siguientes condiciones:
3 Función de densidad de probabilidad
• Para variables aleatorias continuas, área = probabilidad.
• El área bajo la curva es igual a 1. • P(x =a) = 0 para variables aleatorias continuas. • Esto implica que P(x ≥ a) = P(x > a) y P(x ≤ a) = P(x < a). • La gráfica de la función f (x) siempre debe estar encima del eje X. • un evento debe ser necesariamente un intervalo.
Por ejemplo, es probable que el error x introducido al redondear una observación a la
pulgada más cercana tenga una distribución uniforme en el intervalo de .5 a .5. La función de densidad de probabilidad f(x) sería “plana” como se muestra en la figura. La altura del rectángulo está fija en 1, de modo que el área total bajo la distribución de probabilidad es 1. ¿Cuál es la probabilidad de que el error de redondeo sea menor a .2 en magnitud?
Solución: Esta probabilidad corresponde al área
bajo la distribución entre x = -0.2 y x = +0.2. Como la altura del rectángulo es 1, P(-.2 < x < .2) =Area bajo la curva = base x altura =[.2 - (-.2)] x 1 = .4
4 Función de densidad de probabilidad
La dirección de una imperfección con respecto a una línea de referencia sobre un objeto circular tal como un neumático, un rotor de freno o un volante está, en general, sujeta a incertidumbre. Considérese la línea de referencia que conecta el vástago de la válvula de un neumático con su punto central y sea X el ángulo medido en el sentido de las manecillas del reloj con respecto a la ubicación de una imperfección. Una posible función de densidad de probabilidad de X es
La función de densidad de probabilidad aparece dibujada en la figura posterior. Claramente
f(x) ≥ 0. El área bajo la curva de densidad es simplemente el área de un rectángulo (altura) por (base) → (1/360)(360) = 1. ¿Cuál es la probabilidad de que el ángulo esté entre 90° y 180° ? Solución: 180 1 𝑥 𝑥 = 180 1 P(90 ≤ X ≤ 180) = 90 𝑑𝑥 = ቊ = = 0.25 360 360 𝑥 = 90 4
5 Función acumulada de una variable aleatoria continua
La función de distribución acumulativa F(x) de una variable aleatoria discreta X da,
con cualquier número especificado x, la probabilidad P(X ≤ x). Se obtiene sumando la función masa de probabilidad p(y) a lo largo de todos los valores posibles y que satisfacen y ≤ x. La función de distribución acumulativa de una variable aleatoria continua da las mismas probabilidades P(X ≤ x) y se obtiene integrando la función de densidad de probabilidad f(y) entre los límites -∞ y x.
6 Función acumulada de una variable aleatoria continua
Ejemplo: El departamento de marketing de una firma distribuidora de automóviles considera que el tiempo, en años, que transcurre para la renovación de un automóvil por parte de un cliente típico es una variable aleatoria que puede representarse por la función:
¿Cuál es la probabilidad de que un vehículo se renueve después de 4 años? Es decir P(x > 4) = 1-P(X≤1) = 1 - F(X). Suponiendo que han pasado más de tres años desde la compra del vehículo, ¿cuál es la probabilidad de tardar más de cinco años en renovarlo? 7 Función acumulada de una variable aleatoria continua
* Primero se construye la función de distribución
de X → • Solución de P(x > 4) = 1 – 4^3 / 216 = 0.7037
• La probabilidad de que se tenga que renovar el coche entre 4 y 5 años es: P(4≤X≤5) 53 43 = F(5) - F(4) → [ ]–[ ] = [0.5787] – [0.2962] = 0.2825 216 216
8 Valor esperado de una variable aleatoria continua
El valor esperado o valor medio de una variable aleatoria continua X con función de densidad de probabilidad f(x) es:
Ejemplo: La función de densidad de probabilidad de las ventas semanales de grava X fue 3 𝑓(𝑥) = ቐ 1−𝑥 2 0≤ 𝑥 ≤ 0 2 0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Cuando la función de densidad de probabilidad
f(x) especifica un modelo para la distribución de valores en una población numérica, entonces es la media de la población, la cual es la medida más frecuentemente utilizada de la ubicación o centro de la población. 9 Valor esperado y varianza
10 Valor esperado y varianza
La varianza de una variable aleatoria continua X con función de densidad de
probabilidad f(x) y valor medio es
O también de con la ecuación:
Ejemplo: Para X = ventas semanales de grava, se calcula E(X) = 3/8. además:
Cuando h(X) = aX + b, el valor esperado y la varianza de h(X) satisfacen las mismas
propiedades que en el caso discreto: E[h(X)] aµ + b y V[h(X)] = a^2*σ2. 11 Modelo uniforme
En las distribuciones continuas se suele comenzar con un modelo sencillo, pero de gran importancia en diferentes áreas de estudio, donde las variables aleatorias se distribuyen uniformemente en un intervalo finito. Un modelo probabilístico continuo es de tipo uniforme cuando la variable aleatoria continua que en él se define está distribuida en el intervalo finito [a, b], de tal forma que la probabilidad en un subintervalo cualesquiera depende sólo de su longitud, y, por consiguiente, su función de densidad dependerá de los valores de las constantes a y b. Al formalizar el modelo, se tiene
12 Modelo uniforme
Ejemplo: Supóngase un experimento en el que de alguna manera se hace una medición al azar y ésta tiene distribución uniforme en el intervalo [0, 3]. Calcula la probabilidad de que la medición esté entre 3/2 y 2 a) por medio de su función de densidad b) por medio de su función acumulada Solución: Dada X la variable aleatoria continua definida en el experimento. Como se mencionó en las condiciones del problema, X tiene una distribución uniforme en [0, 3] y, por tanto, su función de densidad estará dada por: 1 1 = 𝑥 𝑒𝑠 𝑢𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 0, 3 𝑓(𝑥) = ቐ 3 − 0 3 0 𝑥 𝑛𝑜 𝑒𝑠 𝑢𝑛 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜 𝑑𝑒 0, 3 La probabilidad se calcula por:
Su función acumulada de X esta dada por:
Por lo tanto la probabilidad P(1.5 < X < 2) es:
13 Modelo exponencial
Los modelos exponenciales tienen una gran aplicación en las líneas de espera o en la teoría de colas, ya que las distribuciones de tiempos son propicias para: • espera y llegada de clientes a un centro de servicios • espera para reparar un aparato • espera para ser atendidos en un banco • espera de pacientes para ser atendidos en una clínica • casos en los que se estudian las duraciones de vida de componentes electrónicos; resulta que generalmente tienen una distribución tipo exponencial • duración de equipos industriales para poder establecer tiempos de garantías • las variables aleatorias exponenciales son invariantes en el tiempo.
14 Modelo exponencial
Ejemplo: El tiempo de espera de los clientes en un restaurante para ser atendidos es una variable aleatoria continua X con distribución exponencial y media µ= 5 minutos. a) se calcula la probabilidad de que la siguiente persona que entre al restaurante sea atendida después de seis minutos b) si se sabe que una persona fue atendida después de cuatro minutos, se calcula la probabilidad de que haya sido atendida después de seis minutos c) se calcula la probabilidad de que la persona sea atendida después de dos minutos y se compara el resultado con el obtenido en el inciso b).
15 Modelo exponencial
Como X está distribuida exponencialmente con
parámetro β= 5 se tiene para el inciso a:
b)Por la probabilidad condicional, se tiene:
c) Con la propiedad del inciso a se tiene:
mismo resultado que el inciso b
El resultado del inciso b) se puede generalizar y muestra que la distribución exponencial no
tiene memoria. Es decir, para cualesquier a y b, se cumple P(X>a+b/ X>a) = P(X>b). Esto último quiere decir que si comparamos las probabilidades de duración de un componente usado, el cual tiene una distribución exponencial, la probabilidad de que opere por lo menos t unidades de tiempo adicionales debe de ser igual a la probabilidad cuando un componente nuevo de tal tipo opere al menos las mismas t unidades de tiempo que el viejo 16 Relación entre los modelos exponencial y Poisson
Ejemplo 1: En un crucero, el número de accidentes se representa por una distribución de Poisson con promedio de tres por mes, se calcula la probabilidad de que el tiempo entre un accidente y el siguiente sea mayor de medio mes.
Ejemplo 2: Se ha hecho un estudio sobre el tiempo de espera de los usuarios en cierto banco del D. F.; se obtuvo que el tiempo promedio de atención a un usuario entre las 9 y las 12 horas de un día normal es de 10 min, y que el tiempo de espera en ser atendido se distribuye exponencialmente, calcula la probabilidad de que si vas a dicho banco en un día normal a las 10:20 seas atendido a) en menos de 5 min → P(X<0.05)=1-e^(-0.05*10) = 0.3936
a) b) en más de 10 min → P(X>0.10) = e^-0.10*10 = 0.3678
17 Modelo normal
Esta distribución fue descubierta por Carl Friedrich Gauss1 y en algunos trabajos se le conoce como Ley de probabilidad de Gauss. Según ésta, una magnitud sufre la influencia de numerosas causas de variación, todas ellas muy pequeñas e independientes entre sí, los resultados se acumulan alrededor de la media, distribuyéndola simétricamente a su alrededor con una frecuencia que disminuye rápidamente al alejarse del centro. Por tanto, la curva que asemeja dicho comportamiento tiene forma de campana y es la representación gráfica de una distribución de esta clase
Cuando la distribución de la variable tiene una gráfica
muy semejante a la de la figura de la derecha, se emplea la distribución normal, la cual comúnmente se simboliza por: N( µ, σ )
18 Calculo de probabilidades
La distribución de Gauss tiene una gran importancia en el estudio de la estadística y la
probabilidad, por consiguiente también es importante tener un análisis detallado sobre su comportamiento para el cálculo de probabilidades.
Formula de la distribución normal.
La función anterior se relaciona con el calculo de probabilidades, pero no se puede resolver con base en funciones elementales. Para resolverla se requiere de algún método, con el que no se tengan que resolver integrales para diferentes valores de µ y σ.
Mediante esta fórmula normalizada podemos resolver problemas de probabilidad de
parámetros poblacionales a partir de datos de muestras. Si se trabaja con una muestra en lugar de una población y se desconoce σ,entonces la variable Z puede aproximarse mediante la distribución:
19 Uso de tablas de la función acumulada
La integral para la función acumulada
de la variable aleatoria Z, es decir, la distribución normal en su forma estándar, se calcula por
Para el cálculo de probabilidades se
emplean las propiedades siguientes de la distribución y la tabla de la normal estándar
Como se puede observar, en estas tablas la función acumulada se representa por medio de la función Φ(z0)= Φ(z). Para facilitar el cálculo de probabilidades en intervalos simétricos, en las tablas existe otra función
20 Uso de tablas de la función acumulada
Por tanto, el cálculo de probabilidades, con base en estas funciones y las propiedades anteriores, se puede efectuar de la siguiente forma
Ejemplo: Dada Z una variable aleatoria continua con distribución normal estándar, se calculan las probabilidades indicadas: P(Z<1.25), P(Z<-0.86), P(Z>-1.03), P(-0.67<Z<0.67 y P(-2.97<Z<2.97)
21 Uso de tablas de la función acumulada
Por tanto, el cálculo de probabilidades, con base en estas funciones y las propiedades anteriores, se puede efectuar de la siguiente forma
Ejemplo: Dada Z una variable aleatoria continua con distribución normal estándar, se calculan las probabilidades indicadas: P(Z<1.25), P(Z<-0.86), P(Z>-1.03), P(-0.67<Z<0.67 y P(-2.97<Z<2.97)
22 Uso de tablas porcentuales
Con frecuencia, al resolver problemas, se deben hacer conclusiones con respecto a la variable aleatoria en estudio. Para tal efecto, es común tener que encontrar los valores de la variable con los cuales se obtienen las probabilidades establecidas (pueden estar dadas en porcentajes). En lo que concierne a las variables aleatorias con distribución normal, se emplean otras tablas, llamadas tablas porcentuales de la distribución normal y tienen el siguiente aspecto.
En las tablas, los bloques están divididos en tres columnas. La primer columna corresponde a las probabilidades dadas en porcentajes que varían en décimas de porcentaje, desde 0.0 hasta 99.9. La segunda corresponde a los valores de Z, cuya función acumulada proporciona el porcentaje de la primera. Mientras que la tercera corresponde a los valores de Z con intervalos simétricos (extremos –Z y Z), tales que la probabilidad en este intervalo es igual al porcentaje de la primer columna 23 Uso de tablas porcentuales
Ejemplo: La probabilidad que se indica es igual a 10.8%; por tanto, al buscar 10.8% en las tablas porcentuales se tiene:
Se calcula el valor de z0, tal que P(Z z0) = ?
24 Aproximación de la normal a la binomial
Sea x la variable binomial aleatoria con n intentos y probabilidad p de éxito. La distribución de
probabilidad de x se aproxima mediante el uso de una curva normal con µ=np y σ = 𝑛𝑝𝑞
La figura de la derecha muestra un
histograma de probabilidad binomial de la distribución binomial con n=20, p=0.6 con el cual µ=20(0.6)=12 y σ=Raíz cuadrada de [20(0.6)(0.4)]=2.19. Sobre el histograma de probabilidad se superpuso una curva normal con esas µ y σ. Aunque el histograma de probabilidad es un poco asimétrico (debido a que p ≠0.5), la curva normal da una muy buena aproximación, sobre todo en la parte media de la figura. El área de cualquier rectángulo (probabilidad de cualquier valor X particular), excepto la de los localizados en las colas extremas, puede ser aproximada con precisión mediante el área de la curva normal correspondiente. Por ejemplo, P(X =10) = B(10; 20, 0.6) - B(9; 20, 0.6) = 0.117, mientras que el área bajo la curva normal entre 9.5 y 10.5 es P(-1.14 ≤ Z ≤ 0.68)= 0.1212.
En términos generales, en tanto que el histograma de probabilidad binomial no sea
demasiado asimétrico, las probabilidades binomiales pueden ser aproximadas muy bien por áreas de curva normal. Se acostumbra entonces decir que X tiene aproximadamente una distribución normal. 25 Aproximación de la normal a la binomial
Ejemplo: Una fábrica de tapones para botellas de licor tiene 20% de producción defectuosa (rebabas, manchas, etc.). Los productores de licor deciden seguir comprando tapones a la fábrica, si al inspeccionar aleatoriamente un lote de 200 tapones no se encuentran más de 25 defectuosos. Se calcula la probabilidad de que los productores no tengan que cambiar de proveedor.
Solución: Dada la variable aleatoria X: “cantidad de tapones defectuosos”. Además se sabe que X tiene una distribución de tipo binomial, con n = 200 y p = 0.20. Como la cantidad de ensayos es grande y np = 200 (0.20) = 40, se empleará una aproximación a la normal con media E(X) = np = 40 y varianza V(X) = npq = 32.
26 Aproximación de la normal a la binomial
La probabilidad de que se encuentren 25 o menos tapones defectuosos es muy pequeña,
significa que la probabilidad de tener más de 25 defectuosos es demasiado grande (1 – 0.0052 = 0.9948), por tanto, es muy probable que el productor de licor tenga que cambiar de proveedor.
También se podría calcular la probabilidad de encontrar de cero a veinticinco tapones
defectuosos como la probabilidad de P(0 ≤ X ≤ 25):
Generalmente en este tipo de problemas, los valores en las probabilidades de las “colas” son “tan despreciables” que no se consideran.
27 Solución de casos utilizando las funciones estadísticas de hojas de calculo.
Useche, J. (mayo 2021) APROXIMACIÓN NORMAL A LA BINOMIAL. ASPECTOS TEÓRICOS Y SOLUCIÓN EN EXCEL.. [Video] YouTube. https://youtu.be/o-ejNFE-cbU 28 Referencias
• Devore, J. (2008) Probabilidad y Estadística para Ingeniería y Ciencias.
Cengage Learning, séptima edición • Mendenhall, Beaver y Beaver (2010) Introducción a la probabilidad y estadística. Cengage Learning, décima tercera edición. • Millones, R. Barreno, E. Vázquez, F. Castillo, C (2017). Estadística descriptiva y probabilidades Aplicaciones en la ingeniería y los negocios. Fondo Editorial. Primera edición.
