Anda di halaman 1dari 30

UNIVERSIDAD NACIONAL DANIEL ALCIDES CARRION

ESCUELA DE POST GRADO

MAESTRIA EN SISTEMAS Y COMPUTACION

SIMULACION DE SISTEMAS

TEMA : Distribuciones e Prob!bi"i !

Docente: Integrantes:

Mg. Rubn Galeas Arana

Campos Salvatierra, Oscar C. Negrete Lisbeth G. Carhuaricra,

Pasco

Per!

"#$#

O#$ETIVOS
Conocer las distribuciones de probabilidad de variable discreta y continua. Calcular la probabilidad de que una variable aleatoria tome determinados valores, a partir de su funcin de distribucin o de su funcin de densidad. Entender las limitaciones de cada una de las distribuciones de probabilidad que se utilice.

INDICE

INTRODUCCI%N
Los valores de una variable sirven para describir o clasificar individuos o distinguir entre ellos. La mayora de nosotros hacemos algo ms que simplemente describir, clasificar o distinguir, porque tenemos ideas respecto a las frecuencias relativas de los valores de una variable. En estadstica decimos que la variable tiene una funcin de probabilidad, una funcin de densidad de probabilidad o simplemente una funcin de distribucin. Las distribuciones de probabilidad estn relacionadas con la distribucin de frecuencias. e hecho, podemos pensar en la distribucin de probabilidad como una distribucin de frecuencias terica. !na distribucin de frecuencias terica es una distribucin de probabilidades que describe la forma en que se espera que varen los resultados. ebido a que estas distribuciones tratan sobre e"pectativas de que algo suceda, resultan ser modelos #tiles para hacer inferencias y tomar decisiones de incertidumbre.

Los $aestristas.

CAPITULO I VARIA#LES ALEATORIAS


!na variable aleatoria " puede ser de dos tipos% I&' VARIA#LE ALEATORIA DISCRETA ()* &e le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al a'ar y discreta porque solo puede tomar valores enteros y un n#mero finito de ellos. E(emplos% " " " " " )ariable que nos define el n#mero de burbu(as por envase de vidrio que son generadas en un proceso dado. *, +, ,, -, ., /, etc, etc. burbu(as por envase

)ariable que nos define el n#mero de productos defectuosos en un lote de ,/ productos. *, +, ,, -,....,,/ productos defectuosos en el lote

)ariable que nos define el n#mero de alumnos aprobados en la materia de probabilidad en un grupo de .* alumnos.

"

*, +, ,, -, ., /,....,.* alumnos aprobados en probabilidad

Con los e(emplos anteriores nos damos cuenta claramente que los valores de la variable " siempre sern enteros, nunca fraccionarios. I&+& VARIA#LE ALEATORIA CONTINUA ()* &e le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al a'ar y continua porque puede tomar tanto valores enteros como fraccionarios y un n#mero infinito de ellos. E(emplos% " " " " " " )ariable que nos define el dimetro de un engrane en pulgadas /.*0, ..11, ..12, /.*, /.*+, /.*, ..13

)ariable que nos define la longitud de un cable o circuito utili'ado en un arn4s de auto ,*./ cm, ,*.+, ,*.*, +1.2, ,*,3, ,*.*, ,*.*

)ariable que nos define la concentracin en gramos de plata de algunas muestras de mineral +..2gramos, +,.*, +*.*, .,.-, +/.*, +2.., +1.*, ,+.*, ,*.2

Como se observa en los e(emplos anteriores, una variable continua puede tomar cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable continua es que esta variable nos permite medirla o evaluarla, mientras que una variable discreta no es medible, es una variable de tipo atributo, cuando se inspecciona un producto este puede ser defectuoso o no, blanco o negro, cumple con las especificaciones o no cumple, etc.

CAPITULO II DISTRI#UCION DE PRO#A#ILIDAD


Las variables descritas anteriormente nos generan una distribucin de probabilidad, las que pueden ser. istribucin de probabilidad discreta. istribucin de probabilidad continua.

II&' DISTRI#UCI%N DE PRO#A#ILIDAD DISCRETA& II&'&' CARACTER,STICAS +. Es generada por una variable discreta 5"6. " )ariable que solo toma valores enteros " *, +, ,, -, ., /, 3, 7, 2, ... etc. ,. p5"i6* Las probabilidades asociadas a cada uno de los valores que toma " deben ser mayores o iguales a cero. -. p5"i6 8 + La sumatoria de las probabilidades asociadas a cada uno de los valores que toma " debe ser igual a +.

II&'&+ MEDIA

DESVIACI%N

ESTANDAR

PARA

UNA

DISTRI#UCI%N DISCRETA II&'&+&' Me i! o -!"or es.er! o e ) 9ara determinar la media de la distribucin discreta se utili'a la siguiente frmula%

= E( x ) = xi * p( xi )
onde% 8 media de la distribucin E5"6 8 valor esperado de " "i 8 valores que toma la variable p5"i6 8 probabilidad asociada a cada uno de los valores de la variable " II&'&+&+ Des-i!ci/n est0n !r 9ara determinar la desviacin estndar de la distribucin discreta se utili'a la siguiente frmula%

=
onde%

( xi ) * p( xi )

8 desviacin estndar 8 media o valor esperado de " "i 8 valores que toma la variable " p5"i6 8 probabilidad asociada a cada uno de los valores que toma " II&+ DISTRI#UCI%N DE PRO#A#ILIDAD CONTINUA& II&+&' CARACTER,STICAS +. Es generada por una variable continua 5"6. " Es una variable que puede tomar tanto valores enteros como fraccionarios. " +.*, -.7, ..*, ..3, 7.1, 2.*, 2.-, ++./, .....,

,. f5"6*

Las probabilidades asociadas a cada uno de los valores que icho de otra forma, la

toma " deben ser mayores o iguales a cero.

funcin de densidad de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin de densidad de probabilidad slo puede estar definida en los cuadrantes : y ::.

-.

uno de los valores que toma " debe ser igual a +. El rea definida ba(o la funcin de densidad de probabilidad deber ser de +. II&+&+ MEDIA Y DESVIACI%N EST1NDAR PARA UNA

f ( x )dx = +

La sumatoria de las probabilidades asociadas a cada

DISTRI#UCI%N CONTINUA II&+&+&' Me i! o -!"or es.er! o e )&2 9ara calcular la media de una distribucin de probabilidad continua se utili'a la siguiente frmula%

= xf ( x )dx

onde% 8 E5"6 8 media o valor esperado de la distribucin " 8 variable aleatoria continua f5"6 8 funcin de densidad de la distribucin de probabilidad II&+&+&+ Des-i!ci/n est0n !r&2 La frmula para determinar la desviacin estndar de una distribucin continua es;

,= ( x )* f ( x )dx

Luego%

= ,

CAPITULO III DISTRI#UCIONES DE PRO#A#ILIDAD DISCRETA


III&' DISTRI#UCION POISSON &e denominan procesos de tipo 9oisson, a todo e"perimento consistente en una serie de pruebas repetidas dentro de un continuo, caracteri'adas por tener resultados que se pueden clasificar en si verifican o no, cierta propiedad o atributo, siendo aleatorios e independientes del lugar que ocurren dentro del continuo. 9ara identificar un proceso 9oisson en una serie de pruebas repetidas, se deben verificar tres condiciones% Sucesos puntuales: Los sucesos ocurren dentro de un continuo 5espacio o tiempo6 y ocupan una parte infinitesimal del mismo. Es decir, en el espacio un suceso es puntual y en el tiempo es instantneo. En t4rminos prcticos, los sucesos no ocupan una parte apreciable del continuo. Sucesos independientes: La ocurrencia de un suceso en un lugar del continuo no condiciona la ocurrencia del anterior 5o del siguiente6 en otra parte del mismo.

Probabilidad constante: La probabilidad de ocurrencia de un suceso en un lugar del continuo es la misma en todo punto del mismo. &on e(emplos de este tipo de proceso% La llegada de pacientes a una cola o lnea de espera, Los accidentes en una ruta, etc. Esta probabilidad se apro"ima a la binomial cuando la probabilidad de 4"ito es muy peque<a, por eso muchos la llaman% la =binomial de los sucesos raros=.
P5 x6 = e x x>

P(x) = Probabilidad de x aciertos x = 0, 1, 2, ., n e = 2.71828 (es una constante, la base de los logaritmos naturales) III&+ DISTRI#UCION #INOMIAL Esta distribucin se basa en el proceso de ?ernoulli. &e denominan procesos de tipo ?ernoulli, a todo e"perimento consistente en una serie de pruebas repetidas, caracteri'adas por tener resultados que se pueden clasificar en si verifican o no cierta propiedad o atributo, siendo aleatorios e independientes. 9ara identificar un proceso ?ernoulli en una serie de pruebas repetidas, se deben verificar tres condiciones% Resultados dicotmicos: Los resultados de cada prueba se pueden clasificar en =4"ito= si verifican cierta condicin, o =fracaso= en el caso contrario. Independencia de las pruebas% El resultado de una prueba cualquiera es independiente del resultado obtenido en la prueba anterior, y no incide en el resultado de la prueba siguiente. Estabilidad de las pruebas: La probabilidad p de obtener un resultado considerado como un 4"ito se mantiene constante a lo largo de toda la serie de pruebas.

Cuando en un proceso del tipo ?ernoulli se desea saber la probabilidad de obtener e"actamente r 4"itos, en una serie de n pruebas, con una probabilidad de 4"ito p, se puede aplicar la frmula de la probabilidad binomial%

" 8 *, +, ,, @@, n.

La media o valor esperado es% 8 np La varian'a% , 8 np5+-p6

III&3 DISTRI#UCION UNI4ORME DISCRETA En teora de la probabilidad, la distribucin uniforme discreta es una distribucin de probabilidad que asume un n#mero finito de valores con la misma probabilidad.

&i la distribucin asume los valores reales probabilidad es%

, su funcin de

&u media estadstica es%

y su varian'a

E(emplos. 9ara un dado perfecto, todos los resultados tienen la misma probabilidad +A3. luego, la probabilidad de que al lan'arlo caiga . es +A3. 9ara una moneda perfecta, todos los resultados tienen la misma probabilidad +A,. Luego, la probabilidad de que al lan'arla caiga cara es +A,.

III&5 DISTRI#UCION GEOMETRICO En una serie de intentos independientes, con una probabilidad constante p de 4"ito, sea la variable B el n#mero de ensayos reali'ados hasta la obtencin del primer 4"ito. &e dice que B tiene una distribucin geom4trica con parmetro p cuando%
f 5 x; p 6 = 5+ p 6 x + p

B 8 cantidad de intentos La media y varian'a para esta distribucin son% E5"68+Ap


Var 5 x 6 = 5+ p 6 p,

!na caracterstica de esta distribucin que carece de memoria, es decir, se puede empe'ar a contar en cualquier ensayo o intento hasta obtener el 4"ito.

CAPITULO IV DISTRI#UCIONES DE PRO#A#ILIDAD CONTINUA


IV&' DISTRI#UCION E6PONENCIAL La distribucin e"ponencial es el equivalente continuo de la distribucin geom4trica discreta. Esta ley de distribucin describe procesos en los que% Cos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. E(emplos de este tipo de distribuciones son% El tiempo que tarda una partcula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utili'a en Ciencia para, por e(emplo, la datacin de fsiles o cualquier materia orgnica mediante la t4cnica del carbono +., C+.; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente;

En un proceso de 9oisson donde se repite sucesivamente un e"perimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico e"ponencial. 9or e(emplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de funcin de densidad es%

, es tal que su

&e dice que sigue una distribucin e"ponencial de parmetro , x Exp 56

B !n clculo inmediato nos dice que si xE*,

Luego la funcin de distribucin es%

Figura: Funcin de distribucin, F, de E"p5D6 , calculada como el rea que de(a por deba(o de s la funcin de densidad.

F 9ara calcular el valor esperado y la varian'a de la distribucin e"ponencial, D obtenemos en primer lugar la funcin caracterstica

f Luego de derivarlo la varian'a vale "

IV&'&' UNA APLICACI%N DE LA DISTRI#UCI%N E6PONENCIAL La distribucin e"ponencial tiene aplicaciones importantes. 9or e(emplo, puede demostrarse que si una variable aleatoria tiene distribucin de 9oisson con parmetro , entonces, el tiempo de espera entre dos Ge"itosH consecutivos es una variable aleatoria con distribucin e"ponencial y parmetro 8 +A EIE$9LJ% La llegada de los camiones a una bodega tiene distribucin de 9oisson con media de . por hora. Calcule la probabilidad que el tiempo transcurrido entre la llegada de dos camiones consecutivos sea menor a +* minutos.

&olucin &ea B el tiempo transcurrido entre dos llegadas consecutivas 5horas6 Es una variable aleatoria continua con distribucin e"ponencial con parmetro 8 +A 8 +A. f5"6 8 e
17 6

x 7

8 e-" 8 .e-.", "E*


dx 8 *..233 8 .2.33L

95BK+A36 8

4e
0

4 x

IV&+ DISTRI#UCION NORMAL &u propio nombre indica su e"tendida utili'acin, (ustificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a parecerse en su comportamiento a esta distribucin. $uchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de campana. En otras ocasiones, al considerar distribuciones binomiales, tipo ?5n,p6, para un mismo valor de p y valores de n cada ve' mayores, se ve que sus polgonos de frecuencias se apro"iman a una curva en =forma de campana=. En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables asociadas a fenmenos naturales que siguen el modelo de la normal. Caracteres morfolgicos de individuos 5personas, animales, plantas,...6 de una especie, p.e(m. tallas, pesos, envergaduras, dimetros, permetros,... Caracteres fisiolgicos8 por e(emplo% efecto de una misma dosis de un frmaco, o de una misma cantidad de abono. Caracteres sociolgicos8 por e(emplo% consumo de cierto producto por un mismo grupo de individuos, puntuaciones de e"amen. Caracteres psicolgicos8 por e(emplo% cociente intelectual, grado de adaptacin a un medio,...

Errores cometidos al medir ciertas magnitudes. Valores estadsticos muestrales, por e(emplo % la media. Otras distribuciones como la binomial o la de 9oisson son apro"imaciones normales. M en general cualquier caracterstica que se obtenga como suma de muchos factores. &e dice que una v.a. B sigue una distribucin normal de parmetros N y O,, lo que representamos del modo BPC5N,O,6 si su funcin de densidad es%

La distribucin normal es sim4trica, por lo que la media, la moda y la mediana son iguales. IV&+&' V!ri!b"e nor9!" est0n !r La variable normal estndar es aquella variable cuya funcin de densidad f5'6 es%

QPC5*,+6K8E f5'68

IV&3 DISTRI#UCION TRIANGULAR &e dice que una variable aleatoria sigue una distribucin triangular, si su funcin de densidad es de la forma%

f"5B68 En el resto donde m es la moda, La representacin grfica de su densidad es%

f5"6

9ara la simulacin de esta distribucin se puede la generacin a trav4s de los m4todos de aceptacin y recha'o y del m4todo de composicin. IV&5 DISTRI#UCION UNI4ORME Es una funcin constante sobre el intervalo que va de a a b% ensidad $edia % )arian'a%

!na de las formas para simular una distribucin !niforme sobre el intervalo que va de a a b es usar la transformacin inversa de la funcin de densidad. IV&: DISTRI#UCION ERLANG istribucin que es la suma de un n#mero de variables aleatorias independientes que poseen la misma distribucin e"ponencial. &e aplica en modelos de sistemas de servicio masivo, e(emplo% En situaciones donde el servicio tiene que reali'ar dos operaciones cAu con tiempo de servicio e"ponencial.

Riene dos parmetros k y D cuya funcin de densidad para valores x E * es

La distribucin Erlang es el equivalente de la distribucin gamma con el parmetro y D 8 + A S. 9ara k 8 + eso es la distribucin e"ponencial.

&e utili'a la distribucin Erlang para describir el tiempo de espera hasta el suceso n#mero k en un proceso de 9oisson. )arian'a%

La funcin generadora de momento responde a la e"presin% 5+ T t A D6 U k IV&: DISTRI#UCION #ETA La distribucin beta, 5a , b, p, q 6 , se utili'a como modelo probabilstico en un gran n#mero de problemas econmicos% fidelidad a una marca, anlisis de inversiones , valoracin, duracin de un traba(o comple(o, etc..., debido, entre otras cosas, a su tremenda maleabilidad para representar situaciones harto diferentes. Vs la distribucin uniforme o rectangular es un caso particular de distribucin beta 5 p = q =+ 6, tambi4n se obtienen las distribuciones triangulares 5
p =+

y q = , p = , y q =+ 6, la distribucin parablica con m"imo en el


/ resulta 3

punto 5*,/ ; +,/6 se obtiene para p = q = , y en el caso de que p = q = una distribucin que tiene una densidad tipo ba<era.

La distribucin beta utili'ada en el m4todo 9EWR, como modelo probabilstico, para la duracin de un tarea para modeli'ar el flu(o neto de una inversin, est completamente especificada, por las condiciones que se imponen y sus parmetros son %
p =- ,

q =- ,

, seg#n sea la estimacin sub(etiva de


a +b = c , centro del intervalo ,

la moda suministrada por el e"perto% m * 8

recorrido de la variable, esto es, seg#n sea su asimetra.

Curiosamente esta distribucin es la interseccin com#n de cuatro familias de distribuciones beta% a6 las de varian'a constante, caracteri'adas porque la varian'a de la variable estandari'ada Q =
B a + , es . b6 las mesoc#rticas, que como b a -3

su propio nombre indica, se caracteri'an porque el coeficiente de curtosis, tanto de la variable original B, como de la variable estandari'ada Q, es nulo, c6 las que constituyen la familia Caballer, caracteri'adas porque sus parmetros p y q son de la forma%
p =h ,

q =h ,

, y d6 las betas de primera especie

caracteri'adas porque p + y q + con la condicin adicional de que sus parmetros cumplan la relacin pq = p + q ++ . Este modelo tiene actualmente aplicaciones importantes por la variedad de formas diferentes que puede tomar su funcin de densidad para diferentes valores de sus parmetros. El dominio es el intervalo X*, +Y, pero mediante alguna sustitucin, otros intervalos finitos pueden llevarse a X*, +Y !na variable aleatoria continua 6 tiene distribucin beta si su densidad de probabilidad est dada por%

5 + 6 -+ " 5+ - "6 -+ , * < " < + f 5 x6 = 5 65 6 para otro " *,


E*, E* son los parmetros para este modelo

Zrfico de la distribucin beta

IV&:&' MEDIA Y VARIAN;A DE LA DISTRI#UCI%N #ETA &i 6 es una variable aleatoria continua con distribucin beta, entonces < E=6> < + + < V=6> < . La demostracin de se fundamenta en la definicin de la funcin beta cuyo anlisis se encuentra en los libros de clculo. Con la definicin de valor esperado y la sustitucin respectiva, se encuentra E(emplo% !n distribuidor de gasolina llena los tanques del depsito cada lunes. &e ha observado que la cantidad que vende cada semana se puede modelar con la distribucin beta con 8., 8, a6 Encuentre el valor esperado de la venta semanal b6 Encuentre la probabilidad que en alguna semana venda al menos 1*L &olucin &ea 6% proporcin de combustible que vende semanalmente 5variable aleatoria continua con valor entre * y +6. &u densidad de probabilidad es% ?()* <
( 4 + 2 * 4 1 x (1 x *2 1 < +@)3('2)*8 @A)A' ( 4 *(2 *

( + * ( + + 1*
2

a6 <E=6>< + <

4 < +73 5vende en promedio ,A- del tanque 4+2

cada semana6
3 b* P()B@&C* < 20 x (1 x *dx < @&@D+ < D&+E 0&9 1

Es el rea marcada en el siguiente grfico

IV&F DISTRI#UCI%N GAMMA& !na variable aleatoria continua B tiene distribucin Zamma si su densidad de probabilidad est dada por

+ x +e x A , " > * f 5 x 6 = 5 6 para otro " *,


E*, E* son los parmetros para este modelo.
+ x 5 6 = x e dx 56 es la funcin Zamma% *

&i es un entero positivo, entonces 56 8 5 - +6> De9ostr!ci/n


() = x 1e xdx
0

u 8 "-+ du 8 5-+6"-, d" 9ara integrar por partes dv 8 e-" d" v 8 -e-" &e obtiene
( * = ( 1* x 2e x dx 8 5 - +65 - +6
0

&ucesivamente 56 8 5 -+65-,65--6...5+6, pero 5+6 8 + por integracin directa. IV&F&' MEDIA Y VARIAN;A DE LA DISTRI#UCI%N GAMMA 8 EXBY 8 , , 8 )XBY 8 , emostracin para 8 xf ( x *dx 8

x
0

1 1 x 1e x 7 dx 8 x e x 7 dx ( * ( * 0

$ediante la sustitucin y 8 "A


1 (y*e ydy 8 ( * 0

y e ydy ( * 0

Con la definicin de la funcin Zamma% 8 (* ( + 1* 8 ( * (* = E(emplo% El tiempo en horas que semanalmente requiere una mquina para mantenimiento es una variable aleatoria con distribucin gamma con parmetros 8-, 8, Encuentre la probabilidad que en alguna semana el tiempo de mantenimiento sea mayor a 2 horas &i el costo de mantenimiento en dlares es C 8 -*B [ ,B ,, siendo B el tiempo de mantenimiento, encuentre el costo promedio de mantenimiento. &olucin &ea B duracin del mantenimiento en horas 5variable aleatoria6 &u densidad de probabilidad es% f5"6 8
1 1 1 2 x 7 2 x 1e x 7 = 3 x 3 1e x 7 2 = x e (* 2 (3* 16

95BE26 es el rea resaltada en el grfico

1 x 2 e x 7 2dx 95BE26 8 + U 95B26 8 + 16 0

9ara integrar se pueden aplicar dos veces la t4cnica de integracin por partes%

e x 7 2dx ,

u 8 ", du 8 ," d" dv 8 e-"A, d" v 8 -, e-"A,


x 7 2 dx 8 -,", e-"A, [ . x e

x e

x 7 2

dx

u 8 " du 8 d" dv 8 e-"A,d" v 8 -, e-"A, 8 -," e-"A, [ , e


x 7 2

dx

&ustituyendo los resultados intermedios, 95BE26 8 + 1 [- 2x 2e- x/2 + 4(-2x e- x/2 + 2(-2 e- x/2 ))] 8 8 *.,-2+ 0 16

EXCY 8 EX-*B [ ,B,Y 8 -* EXBY [ , EXB,Y EXBY 8 8 -5,6 8 3

EXB Y 8

2 x f ( x *dx

8 x2
0

1 2 x 7 2 1 x e dx 8 x 4 e x 7 2dx 16 16 0

sustituya y 8 "A, para usar la funcin Zamma 8


1 (2 y* 4 e y (2dy* 8 2 y 4 e ydy 8 ,5/6 8 ,5.>6 8 .2 16 0 0

Finalmente se obtiene EXCY 8 -*536 [ ,5.26 8 ,73 dlares IV&G DISTRI#UCION HEI#ULL Este modelo se utili'a en estudios de confiabilidad de ciertos tipos de sistemas. !na variable aleatoria continua B tiene distribucin de \eibull si su densidad de probabilidad est dada por
x >0 x 1e x 8 f (x* = para otro x 0,

E*, E* son los parmetros para este modelo &i 8 +, este modelo se reduce al modelo de distribucin e"ponencial. &i E +, el modelo tiene forma acampanada con sesgo positivo IV&G&' MEDIA Y VARIAN;A DE LA DISTRI#UCI%N DE HEI#ULL &i B es una variable aleatoria continua con distribucin de \eibull, entonces 8 EXBY 8 -+A5+[+A6 , 8 )XBY 8 -,AX5+[,A6 U 55+[+A66,Y emostracin de la media Con la definicin% 8 EXBY 8
1 x xf ( x *dx = xx e dx

$ediante la sustitucin y 8 " dy 8 "-+d" 8 y"-+d" 8 y5yA6-+Ad" se obtiene

-+A 0

17

e ydy

comparando con la funcin gamma 8 -+A5+[+A6 E(emplo &uponga que la vida #til en horas de un componente electrnico tiene distribucin de \eibull con 8*.+, 8*./ Calcule la vida #til promedio Calcule la probabilidad que dure ms de -** horas &olucin &ea B% vida #til en horas 5variable aleatoria continua6 &u densidad de probabilidad% f5"68 x 1e x 8 0&05 x 0&5 e 0&1x

0&5

8 -+A5+[+A6 8 5*.+6-+A*./5+[+A*./6 8 *.+-,5-6 8 ,** horas 95BE-**6 8

300

0&05 x 0&5 e 0&1x

0&5

d"

mediante la sustitucin y8"*./ dy 8 *./"-*./d" 8 *./5+Ay6dy se obtiene 95BE-**6 8 0&05


300

1 0&1y y e dy = 0 &1 y 0&5


300

300

0&1

dy

8 + U 95B-**6 8 + U 0&1

e
0

0&1

dy 8 *.+77

RE4ERENCIAS #I#LIOGRA4ICAS

Probabilidad y Estadstica, Murria R., Spregel McGraw-Hill Referencias Probabilidad y Estadstica en Ingeniara i!il, "ac# R. $en%a&n, McGrawHill. Probabilidad. Sey&our 'opsc(ut). Ele&entos de Probabilidades y Estadstica, S.a., 'ipp&an, *. Engineering Statistics. +lbert , $ow#er y Gerard, 'ieber&an. Printice-Hall Probabilidad y Estadstica. 'ouis Malsel, -ondo Educati!o Intera&ericano, S.+.

Estadstica escriptiva Conceptos y Vplicaciones Vutor% Wufino $oyo Caldern

CONCLUSIONES

La dp para una variable aleatoria describe cmo se distribuyen las probabilidades entre todos los valores de la variable aleatoria. L dp se define por una funcin de probabilidades denotada por f5"6, que provee probabilidades a cada valor de la va. La funcin de probabilidad discreta debe cumplir% f5"6E*

f 5 x6 =+
!na distribucin continua se define por su funcin de densidad si cumple% F5"6E8*
+

f 5 x6dx

= +