Professional Documents
Culture Documents
DISTRIBUCIONES
IMPORTANTES
DE
PROBABILIDAD
DE
VARIABLE
CONTINUA
MS
Las distribuciones de variable contnua, al igual que las distribuciones discretas, han sido estudiadas
con mucha intensidad y cada una de ellas corresponde, como modelo, a una coleccin de
fenmenos aleatorios. Todas ellas sern abordadas utilizando su funcin de densidad. Se pondr
ms nfasis en la Distribucin Normal ya que ella constituye la base para la Inferencia Estadstica.
DISTRIBUCIN UNIFORME
Se dice que una variable aleatoria X tiene distribucin uniforme, y se escribe X ~ U[a, b] , si su
distribucin de probabilidad es como sigue:
f ( x)
1
para x [a, b].
ba
P(25 X 30) = dy
30
30
6
25
Obsrvese que la probabilidad de que la llegada ocurra en cualquier otro intervalo de 5 minutos ser
tambin igual a 1/6.
Caractersticas Numricas: Si X ~ U[a, b] , su esperanza y varianza son iguales a:
E(X) =(a+b)/2
y V(X) = (b-a)2/12
DISTRIBUCIN EXPONENCIAL
Una variable aleatoria continua X tiene distribucin exponencial, con parmetro > 0, y se escribe
X ~ exp , si su funcin de densidad est dada por:
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI
Pgina 1
V(X) = 1/ 2
P(X>150) =
(1 / 100)e
x / 100
150
Ejemplo 2: Una estacin de suministro de gasolina recibe gasolina una vez por semana. Si su
volumen semanal de ventas V, en miles de galones, se distribuye exponencialmente con parmetro
= 0.5, calcular la capacidad que debe tener el depsito de la estacin si el distribuidor desea que,
con una garanta del 99%, exista gasolina en el fin de semana.
Solucin: Si C es la capacidad del tanque, debe cumplirse que
0.5e
0.5 x
miles de galones.
DISTRIBUCIN NORMAL
Se dice que la variable tiene distribucin normal, con parmetros y 2 , y se escribe
X ~ , 2 , si su funcin de densidad es
2
1
1 x
f ( x)
exp
, c on R, > 0, x R.
2
2
2
Cada par , da lugar a una distribucin diferente, y cuando se tienen valores dados de y 2
se determina completamente a la distribucin normal de inters.
Este modelo, que vamos a emplear para representar la distribucin de ciertas variables continuas, en
poblaciones inmensamente grandes tiene las siguientes caractersticas:
La variable asume todos los valores reales, es decir, va de a .
La grfica de f ( x ) es simtrica con respecto a la vertical que pasa por la media de la variable: a
cada lado de la media, la variable se distribuye de igual manera.
Pgina 2
1
1
exp x 2 , x R;
2
2
tiene distribucin N(0,1). Esta propiedad indica lo siguiente: Cualquiera que sean los valores de
los parmetros de la distribucin , 2 , ella puede ser transformada a una N(0,1), segn la
transformacin Z anterior, y las probabilidades correspondientes a X pueden ser calculadas a
X
partir de la distribucin de la variable Z
, a la que se le denomina variable normal
Pgina 3
y Var(X) = 2 .
tiene distribucin a b, a 2 2 . Esta propiedad nos indica que, cualquier combinacin lineal
de una variable normal tiene tambin distribucin normal.
Propiedad Reproductiva: Si X ~ 1 , 12 y
Y ~ 2 , 22 , ambas variables
Propiedad Reproductiva
1. Si X 1 , X 2 ,..., X n son n variables aleatorias independientes, cada una con distribucin
),
para i = 1, 2, ..., n, entonces, la suma de las n variables aleatorias sigue una distribucin que se
comporta como una N( 1 +....+ n ,
)
2. Si X 1 , X 2 ,..., X n son n variables aleatorias independientes e idnticamente distribuidas, todas
con la misma distribucin N(,
), entonces la variable aleatoria suma de las n variables
aleatorias, Y= X 1 X 2 ... X n , sigue una distribucin N( n , n ).
3. Si X 1 , X 2 ,..., X n son n variables aleatorias independientes e idnticamente distribuidas, todas
con distribucin N ( , 2 ) , entonces la variable aleatoria media aritmtica de estas n variables
aleatorias,
X X 2 ... X n
X 1
n
2
1 n
N
(
,
).
X
,
sigue
una
distribucin
i
n
n i 1
.9972
2
.4772
0 2
Pgina 4
2
2
= (1) - (-1) = (1) - [1 - (1)] = 2 (1) - 1
= 0.6826.
Pgina 5
Entonces,
200
200
1 P Z 1 1 (1) 1 0.8413 01587
.
De otro lado, si la produccin de focos es muy grande, los 500 focos que se compran constituyen
ensayos independientes de Bermoulli, con probabilidad de xito igual a P X 1000 . Entonces, el
nmero de focos que duran ms de 1000 horas es una nueva variable aleatoria, Y , con distribucin
binomial cuyos parmetros son n 500 y p 01587
.
.
Con ambos ejemplos, hemos visto que se pueden combinar modelos para el clculo de
probabilidades asociadas a diferentes variables aleatorias de inters.
Ejercicio 1: Sea XN(200, 20). Determinar las siguientes probabilidades:
a) P(185<X<210)
b) P(215<X<250)
c) P(X>240)
d) P(X>178)
Ejercicio 2: Se supone que los puntajes del examen de ingreso a cierta Universidad tienen una
distribucin normal con una media de 78 puntos y varianza igual a 36. Cul es el valor del
percentil 90? Si se desea aprobar solamente al 28,1% de postulantes, cul debe ser el puntaje
mnimo aprobatorio?
Ejercicio 3: Supongamos que la demanda semanal de un artculo sigue una distribucin normal
con media =100 y desviacin tpica =20. Qu existencias deben tener al principio de la semana
para poder satisfacer la demanda con una probabilidad de 0.95?
PROFESORA: LIC. JUSTA CARIDAD HUAROTO SUMARI
Pgina 6