Modelos Probabilísticos Continuos

Sesión 06

Gilberto Campaña

Departamento de Ciencias
Ingeniería en Mantenimiento Industrial
Universidad Técnica Federico Santa María
Sede de Viña del Mar – Chile

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 1 / 25

Distribución Uniforme
Definición: Sea X una variable aleatoria continua tal que
! 1
, a → x → b,
fX (x ) = b→a
0, e.o.c.
"
la cual cumple fX (x ) dx = 1. Luego, X ↑ U[a, b] y
R
↭Esperanza:
" b
a+b
E(X ) = x · fX (x ) dx = .
a 2
↭Varianza:
(b ↓ a)2
V(X ) = E(X 2 ) ↓ (E(X ))2 = .
12
↭Función de distribución:


0, x < a,

x →a
FX (x ) = , a → x → b,
 b→a


1, x > b.
Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 2 / 25
Distribución Uniforme
Ejemplo
Si X ↑ U[a, b]. Hallar P(c → X → d) donde [c, d] ↔ [a, b].

Solución:
" " 'd
d d
1 x '' d ↓c
P(c → X → d) = fX (x ) dx = dx = ' = .
c c b↓a b ↓ a' b↓a
c

Ejemplo
Si seleccionamos puntos al azar en el intervalo [0, 4], ¿Cuál es la probabilidad de
que el punto este entre 1 y 2?

Solución: Sabemos que X ↑ U[0, 4]. Luego

2↓1 1
P(1 → X → 2) = = .
4↓0 4

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 3 / 25

Distribución Uniforme

Ejemplo
Una reunión de planificación dura en total una hora. Un asistente puede retirarse
en cualquier momento. Suponga que el tiempo de permanencia es una variable
aleatoria continua X ↑ U[0, 1]. ¿Cuál es la probabilidad de que el asistente este
presente en la reunión la mayor parte del tiempo?

Solución: Sabemos que X ↑ U[0, 1]. Luego

1 1
P(X > 1/2) = 1 ↓ P(X → 1/2) = 1 ↓ FX (1/2) = 1 ↓ = .
2 2

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 4 / 25

Distribución Gamma

Función Gamma: Definimos la función gamma como:

" ↑
!(ω) = x ω→1 e →x dx
0

donde cumple:
1 !(ω + 1) = ω !(ω)
2 !(n) = (n ↓ 1)! n↗N
↘
3 !(1/2) = ε
Definición: Se dice que X es una variable aleatoria continua con distribución
gamma si su función de densidad es
1
fX (x ) = x ω→1 e →x /ε , x > 0, ω, ϑ > 0.
!(ω)ϑ ω

Diremos que X ↑ !(ω, ϑ).

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 5 / 25

Distribución Gamma
Ejemplo Propuesto
Validar que fX (x ) es una función de densidad de probabilidad.

tof
(todx =
Jau= X/B
n Se
.
=

x=
uß

a en el
Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 6 / 25
Distribución Gamma
↭Esperanza:
!(1 + ω)
E(X ) = ϑ · = ϑω.
!(ω)
↭Varianza:
V(X ) = ωϑ 2 .
Observación: La m-ésima potencia esperada de X es:
ϑ m !(m + ω)
E(X m ) = .
!(ω)
(↑
Validación: Sabemos que E(X m ) = 0 x m fX (x ) dx . Luego,
" ↑ " ↑
1 1
E(X m ) = xm · x e
ω→1 →x /ε
dx . = x m+ω→1 e →x /ε dx .
0 !(ω)ϑ ω !(ω)ϑ ω
0

Usando la propiedad de la función gamma, obtenemos

1 ϑ m !(m + ω)
E(X m ) = !(m + ω) · ϑ m+ω
= .
!(ω)ϑ ω !(ω)
Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 7 / 25
Distribución Gamma

Ejemplo
Sea X una variable aleatoria continua con función de densidad
!
ϖxe →x /4 , x > 0,
fX (x ) =
0, e.o.c.
1 Hallar ϖ tal que fX sea función de densidad de probabilidad.
2 Calcular E(X ) y V(X ).
3 Determinar P(X > 1).

Solución: Sabemos que X ↑ !(ω, ϑ) con

1 1
1 ϑ = 4, ω = 2, entonces ϖ = !(2)42 = 16 .
2
2 E(X ) = ωϑ = 8, V(X ) = ωϑ = 32.
(1 1
3 P(X ≃ 1) = 1 ↓ P(X < 1) = 1 ↓ 0 16 xe
→x /4
dx ⇐ 0.9735.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 8 / 25

Distribución Exponencial

Definición: Sea X ↑ !(1, ϑ), entonces se genera una distribución exponencial:

X ↑ Exp(ϑ)

donde
1 →x /ε
fX (x ) = e , x ≃ 0.
ϑ
↭Esperanza:
E(X ) = ϑ
↭Varianza:
V(X ) = ϑ 2
↭Función de distribución:
" x
FX (x ) = fX (t) dt = 1 ↓ e →x /ε
0

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 9 / 25

Distribución Exponencial

Ejemplo
Suponga que la duración en horas de una batería es una variable aleatoria X , la cual
sigue una distribución exponencial con parámetro ϑ = 50, es decir, X ↑ Exp(50).
1 ¿Cuál es la probabilidad de que una batería dure menos de 200 horas, si se
sabe que funcionó más de 100 horas?
2 ¿Cuál es la probabilidad de que para un grupo de 8 baterías, dos deban reem-
plazarse antes de las 150 horas?

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 10 / 25

Distribución Exponencial

Solución: Sabemos que X ↑ Exp(50) y FX (x ) = 1 ↓ e →x /50 .

P(100 < X < 200)
1 P(X < 200 | X > 100) =
P(X > 100)

FX (200) ↓ FX (100) 1 ↓ e →200/50 ↓ (1 ↓ e →100/50 )

= = .
1 ↓ FX (100) e →100/50

e →2 ↓ e →4
= = 1 ↓ e →2 ⇐ 0.86.
e →2
2 Sea Y el número de baterías a reparar en menos de 150 horas, entonces Y ↑
Bin(n = 8, p), donde

p = P(X → 150) = FX (150) = 1 ↓ e →150/50 = 1 ↓ e →3 ⇐ 0.95.

) *
8
P(Y = 2) = (0.95)2 (1 ↓ 0.95)6 ⇐ 3.94 ⇒ 10→7 .
2

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 11 / 25

Distribución Normal

Definición: Sea X una variable aleatoria continua, diremos que X ↑ N(0, 1) si la

función de densidad de probabilidad es
1 2
fX (x ) = ↘ e →x /2 , x ↗ R.
2ε
↭Esperanza:
E(X ) = 0
↭Varianza:
V(X ) = 1
Observación: En este caso, donde la distribución está centrada en 0 (media) y
tiene varianza 1.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 12 / 25

Distribución Normal
Ejemplo Propuesto
Validar que fX es una función de densidad de probabilidad.

Deromove Ex

Se debe
Stovalidor

1
sex 2 =

x
= 12
au xx
u
= =

Endx
de
= .

:
= => =

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 13 / 25

Distribución Normal

Definición: Sea X una variable aleatoria con función de densidad

1 2
/(2ϑ 2 )
fX (x ) = ↘ e →(x →µ) , x ↗ R, µ ↗ R, ϱ > 0.
2εϱ 2

Decimos que X ↑ N(µ, ϱ 2 ), donde E(X ) = µ es la media y V(X ) = ϱ 2 la varianza.

Ejemplo Sugerido Validar que fX (x ) es una función de densidad de probabilidad.

Resultado: Si X ↑ N(µ, ϱ 2 ), entonces

X ↓µ
Z= ↑ N(0, 1).
ϱ
donde " ϖ
1 2
FZ (ς) = ↘ e →t /2 dt = P(Z → ς)
→↑ 2ε

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 14 / 25

Distribución Normal

Propiedad: Supongamos que X ↑ N(µ, ϱ 2 ). Entonces,

) *
a↓µ X ↓µ b↓µ
P(a → X → b) = P → → .
ϱ ϱ ϱ

Redefiniendo en términos de Z ↑ N(0, 1),

) *
a↓µ b↓µ
P(a → X → b) = P →Z → .
ϱ ϱ

Por lo tanto,
) * ) *
b↓µ a↓µ
P(a → X → b) = FZ ↓ FZ , Z ↑ N(0, 1).
ϱ ϱ

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 15 / 25

Distribución Normal

Ejemplo
Suponga que X representa el puntaje en una prueba de selección de matemáticas,
donde X ↑ N(µ = 586, ϱ 2 = 702 ).
1 ¿Cuál es la probabilidad de obtener más de 800 puntos?
2 Si se seleccionan estudiantes que pertenecen al 5% superior, ¿Cuál es el puntaje
de corte?

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 16 / 25

Distribución Normal

Solución:
+ 800→586
,
1 P(X > 800) = 1 ↓ P(X → 800) = 1 ↓ P Z → 70
" 3.06
1 2
= 1 ↓ P(Z → 3.06) = 1 ↓ ↘ e →t /2 dt ⇐ 1 ↓ 0.9989 ⇐ 0.001.
→↑ 2ε
2 Encontrar el puntaje de corte para el 5% superior:
) *
ς ↓ 586
P(X → ς) = 0.95 ⇑ P Z → = 0.95.
70
) *
ς ↓ 586
FZ = FZ (1.645) ⇑ ς = 586 + 1.645 · 70 ⇐ 701.15.
70

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 17 / 25

Distribución Normal

Ejemplo
Un grupo de fusibles de 16 amperes se considera bueno si funciona entre 14 y 17
amperes. Se observa que el 5% de los fusibles se funden a 14 amperes o mas y solo
el 1% se funde a 17 amperes o mas. Determine la probabilidad de que un fusible
esté funcionando bien.
Solución: Sea X la intensidad a la que se funde el fusible, con X ↑ N(µ, ϱ 2 ).
P(X > 14) = 0.05
P(X > 17) = 0.01
Buscamos P(14 < X < 17).

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 18 / 25

Distribución Normal
X ↓µ
Sabemos que Z = ↑ N(0, 1).
ϱ
↭ Considerar X > 14:
) * ) *
14 ↓ µ 14 ↓ µ
P(X > 14) = 0.05 ⇑ P Z> = 0.05 ⇑ FZ = 0.95.
ϱ ϱ

14 ↓ µ
Se sabe que FZ (1.65) = 0.95 de esta forma: = 1.65.
ϱ
↭ Considerar X > 17:
) * ) *
17 ↓ µ 17 ↓ µ
P(X > 17) = 0.01 ⇑ P Z> = 0.01 ⇑ FZ = 0.99.
ϱ ϱ

17 ↓ µ
Se sabe que FZ (2.33) = 0.99 de esta forma: = 2.33.
ϱ
↭ Resolviendo el sistema, obtenemos µ = 16.742 y ϱ = 4.412.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 19 / 25

Distribución Normal

Finalmente, calculamos P(14 < X < 17):

) *
14 ↓ µ 17 ↓ µ
P(14 < X < 17) = P <Z < .
ϱ ϱ

Sustituyendo, tenemos que

P(14 < X < 17) = FZ (2.33) ↓ FZ (1.65) = 0.99 ↓ 0.95 = 0.04.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 20 / 25

Transformación de Variables Aleatorias

Idea: Sea X una variable aleatoria continua con función de densidad fX (x ), y sea
Y = g(X ) una transformación de X .

Teorema: La función de densidad de probabilidad de la variable aleatoria Y es

' '
' d →1 '
fY (y ) = fX (g (y )) · ' g (y )'' .
→1 '
dy
"
Esquema: Recordemos que fX (x ) dx = 1. Luego, dado y = g(x ), tenemos que
A
" ' '
' d →1 '
fX (g →1
(y )) ' g (y )'' dy = 1.
'
g(A) dy

Aquí, aplicamos las transformaciones:

+ ,↓
x = g →1 (y ) y dx = g →1 (y ) dy .

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 21 / 25

Transformación de Variables Aleatorias

Ejemplo
Sea X ↑ U[0, 1] y defina Y = ↓ ln(X ). Hallar la función de densidad de probabili-
dad fY (y ), la esperanza E(Y ), y la varianza V(Y ).

Solución: Debido a que X ↑ U[0, 1] se tiene que fX (x ) = 1. Luego, como

Y = ↓ ln(X ) o bien X = e →Y se tiene
' '
→y ' d →y '
' '
fY (y ) = fX (e ) ' e ' = e →y , ⇑ Y ↑ Exp(ϑ = 1).
dy

E(Y ) = ϑ = 1, V(Y ) = ϑ 2 = 1.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 22 / 25

Transformación de Variables Aleatorias
Ejemplo
Sea X ↑ N(0, 1). Hallar la función de densidad de probabilidad de Y = X 2 .

Solución: Consideremos dos casos

Caso 1: X ≃ 0
↘
Y = g(X ) = X 2 ⇑ X= Y = g →1 (Y ).
Entonces,
' '
' d →1 ' 1 1
f1 (y ) = fY (y ) = fX (g →1
(y )) ' g (y )'' = ↘ e →y /2 · ↘ .
'
dy 2ε 2 y
Caso 2: X < 0
↘
Y = g(X ) = X 2 ⇑ X = ↓ Y = g →1 (Y ).
Entonces,
' '
↘ '' d ↘ '' 1 1
f2 (y ) = fY2 (y ) = fX (↓ y ) ' (↓ y )' = ↘ e →y /2 · ↘ .
dy 2ε 2 y
Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 23 / 25
Transformación de Variables Aleatorias

Combinando ambos casos:

1
fY (y ) = f1 (y ) + f2 (y ) = ↘ y →1/2 e →y /2 .
2ε
Por lo tanto, ) *
1
Y ↑ ! ω = ,ϑ = 2
2
Observación: En este caso, diremos que Y distribuye Chi-cuadrado.

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 24 / 25

Distribución Weibull
Definición: Sea X una variable aleatoria continua con función de densidad

fX (x ) = ωϖω x ω→1 e →(ϱx ) , x > 0, ω > 0, ϖ > 0.

ω

En este caso diremos que

X ↑ Weibull(ω, ϖ)
↭Esperanza: ) *
1 1
E[X ] = ! 1 + .
ϖ ω
↭Varianza: - ) * ) ) **2 .
1 2 1
V[X ] = 2 ! 1+ ↓ ! 1+ .
ϖ ω ω
↭Función de distribución acumulada:

FX (x ) = 1 ↓ e →(ϱx ) .
ω

Gilberto Campaña (UTFSM) Modelos Probabilísticos Continuos 25 / 25