Distribucin de probabilidad

La distribucin Normal suele conocerse como la "campana de Gauss".

En teora de la probabilidad y estadstica, la distribucin de probabilidad de una variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango de valores de la variable aleatoria. Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la distribucin de probabilidad est completamente especificada por la funcin de distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria sea menor o igual que x.
Contenido
[ocultar]

1 Definicin de funcin de distribucin 2 Propiedades 3 Distribuciones de variable discreta

3.1 Distribuciones de variable discreta ms importantes

4 Distribuciones de variable continua

4.1 Distribuciones de variable continua ms importantes

5 Enlaces externos

[editar]Definicin

de funcin de distribucin
, su funcin de distribucin, , es

Dada una variable aleatoria todos son puntos

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice simplemente, .

y se escribe,

[editar]Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:

Es una funcin continua por la derecha. Es una funcin montona no decreciente.

Adems, cumple

Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos y son mutuamente excluyentes y su unin es el suceso , por lo

que tenemos entonces que:

y finalmente

Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de la variable aleatoria x conoceremos completamente la distribucin de probabilidad de la variable. Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y sin embargo para ver una representacin grfica de la probabilidad es ms prctico el uso de la funcin de densidad.

[editar]Distribuciones

de variable discreta

Distribucin binomial.

Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad slo toma valores positivos en un conjunto de valores de X finito o infinito numerable. A dicha funcin se le llama funcin de masa de probabilidad. En este caso la distribucin de probabilidad es la suma de la funcin de masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin representa la suma de todas las probabilidades desde hasta el valor x.

[editar]Distribuciones

de variable discreta ms

importantes
Las distribuciones de variable discreta ms importantes son las siguientes:

Distribucin binomial Distribucin binomial negativa Distribucin Poisson Distribucin geomtrica Distribucin hipergeomtrica Distribucin de Bernoulli

Distribucin Rademacher, que toma el valor 1 con probabilidad 1 / 2 y el valor -1 con probabilidad 1 / 2.

Distribucin uniforme discreta, donde todos los elementos de un conjunto finito son equiprobables.

[editar]Distribuciones

de variable continua

Distribucin normal.

Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos valores existentes dentro de un intervalo. En el caso de variable continua la distribucin de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces que:

[editar]Distribuciones

de variable continua

ms importantes
Las distribuciones de variable continua ms importantes son las siguientes:

Distribucin ji cuadrado Distribucin exponencial Distribucin t de Student Distribucin normal Distribucin Gamma Distribucin Beta Distribucin F


RESUMEN

Distribucin uniforme (continua)

En este trabajo se realiza la aplicacin de las distribuciones discretas, para realizar el clculo y anlisis correspondientes se ha tomado como datosalgunos sucesos que ocurren dentro del quehacer acadmico en los laboratorios de la FIEE de la UNAC, reportados por el personal encargado. 1 INTRODUCCIN. Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento. Una distribucin de probabilidad es similar al distribucin de frecuencias relativas .Si embargo, en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. Las decisiones estadsticas basadas en la estadstica inferencial son fundamentales en la investigacin que son evaluadas en trminos de distribucin de probabilidades. En el presente trabajo, se estudia de manera gil los diverso tipos de distribucin probabilstica, caracterizaremos cada distribucin, la fundamentacinmatemtica de los diversos resultados no se enfocaran en el presente trabajo; slo me limitar al estudio descriptivo de la distribucin de probabilidades discretas. 2 TEORIA Qu es una distribucin de probabilidad? Muestra todos los resultados posibles de un experimento y la probabilidad de cada resultado. Cmo generamos una distribucin de probabilidad? Supongamos que se quiere saber el numero de caras que se obtienen al lanzar cuatro veces una moneda al aire? Es obvio que, el hecho de que la modena caiga de costado se descarta. Los posibles resultados son: cero caras, una cara, dos caras, tres caras y cuatro caras. Si realizamos el experimento obtenemos el siguiente espacio muestral:

NUMERO DE CARAS FRECUENCIA DISTRIBUCIN DE PROBABILIDADES 0 1 1 4 1/16 4/16

2 3 4

6 4 1

6/16 4/16 1/16

OBSERVACION 1. La probabilidad de cada resultado especifico va desde cero hasta uno inclusive 2 VARIABLE ALEATORIA.-Cantidad que es resultado de un experimento y debido al azar, puede tomar valores diferentes. Variable aleatoria discreta:- Toma valores claramente separados, generalmente se produce por conteo. 2.1Variable aleatoria continua:-Cantidades que toman infinitos valores, dentro de un rango permitido, generndose una distribucin de probabilidades continuas. 2.2Media de una Distribucin de Probabilidades.-Valor promedio a largo plazo de la variable aleatoria, tambin es conocido como valor esperado. Esta media es un promedio ponderado, en el que los valores posibles se ponderan mediante sus probabilidades correspondientes de ocurrencia, se calcula con la formula:

Donde P(X) es la probabilidad que puede tomar la variable aleatoria X. 2.3Varianza.- Mide el grado de dispersin de la distribucin de probabilidades, siendo la formula:

...............................................(2)

Tambin se aplica la frmula:

................................................. (3) Desviacin Estndar.-Es la raz cuadrad del varianza, luego:

..................................... (4) 3 DISTRIBUCIN DE LA PROBABILIDAD BINOMIAL Esta distribucin es la que mejor se ajusta a la distribucin de probabilidades de variable discreta. Si lanzamos dos monedas al aire, se tiene el siguiente espacio maestral:

Si p es la probabilidad de obtener una cara(c) al considerar una sola moneda y q la probabilidad de que salga sello(s); entonces p=q= ; luego:

Con el binomio de Newton deducimos lo siguiente:

(5) Luego, la distribucin de probabilidad binimial esta dada por: .. (6) Donde: p: Probabilidad de xito de cada ensayo. n: Nmero de ensayos. x: Nmero de exitos. OBSERVACIN

(1) (2)Si p=q=1/2, el histograma de las distribuciones binomiales son simtricas.

2. 3. Si el experimento se repite r veces con n ensayos ; entonces se tiene:

. (7) Luego se deduce que: . (8) 3.1 MEDIA DE LA DISTRIBUCIN BINOMIAL Esta dada por: . (9) 3.2VARIANZA DE LA DISTRIBUCIN BINOMIAL . (10) 4DISTRIBUCIN DE PROBABILIDAD ACUMULADA Estos son similares a las distribuciones acumuladas, as aplicamos para las distribuciones binomiales.
VARIABLE ALEATORIA X 0 1 2 3 4 P=0.60 Probabilidades 0.004 0.0037 0.0138 0.276. 0.311

P(x<=2)=P(x=0)+P(x=1)+P(x=2) 5 DISTRIBUCION DE PROBABILIDAD HIPERGEOMETRICA Esta distribucin se aplica cuando el muestreo se realiza sin repeticin y la probabilidad de xito no permanece constante de un ensayo a otros calcula mediante la frmula:

(12) Donde: N: Tamao de la poblacin

S: Cantidad de xitos en la poblacin X: Nmero de xitos en la muestra. n : Tamao de la muestra. n>=0.05N 6 DISTRIBUCIN DE PROBABILIDAD DE POISSON Describe la cantidad de veces que ocurre un evento en un intervalo determinado (tiempo, volumen, temperatura, etc...).La distribucin se basa en dos supuestos: 1) La probabilidad es proporcional a la extensin del intervalo. 2) Los intervalos son independientes. Esta distribucin es una forma lmite de la distribucin binomial,cuando la probabilidad de xito es bien pequea y n es grande ,a esta distribucin se llama "Ley de eventos improbables", lo cual significa que la probabilidad de p es bien pequea .La probabilidad de Poisson es una probabilidad discreta; puesto que se forma por conteo

. (13)

(14) Donde: Media del nmero de ocurrencias. : Constante de Euler. x : Nmero de ocurrencias 6.1Media:-Esta dado por:

. 7 APLICACIN DE LA DISTRIBUCION DE PROBABILIDAD. En el Laboratorio de Control y Automatizacin de la FIEE de la UNAC se tiene 16 computadoras, el Jefe de dicho laboratorio reporta el siguienteinforme:

El jefe de laboratorio desea saber cual es la distribucin de probabilidad de falla de las mquinas, para tomar acciones de mantenimiento.
Distrib. Prob

N de mquin a

1 0.096774194 2 0.064516129 3 0

4 0.193548387 0.03225806 5 0

5 6

7 0.064516129 8 0.03225806

5 0.03225806 5

10 0.064516129 11 12 0 0 0.03225806 5

13

14 0.161290323 15 0.193548387 0.03225806 5

16

7.1 CONCLUSIONES El jefe del laboratorio, segn la distribucin de probabilidades que tienden a cero solo har algunos ajustes. 8 APLICACION DE LA DISTRIBUSION BINOMIAL. El almacenero del laboratorio de Ingeniera Electrnica reporta que de las treinta puntas de prueba de osciloscopios el 20% estn malogradas, l desea saber la distribucin de probabilidad de que estn malogradas 4 puntas de prueba. Se aplica la frmula (6). P(x=4) =0.13252245.

Qu es una distribucin de probabilidad, una variable aleatoria y un valor esperado?

Una distribucin de probabilidad la podemos concebir como una distribucin terica de frecuencia, es decir, es una distribucin que describe como se espera que varen los resultados. Dado que esta clase de distribuciones se ocupan de las expectativas son modelos de gran utilidad para hacer inferencias y tomar decisiones en condiciones de incertidumbre. Variable aleatoria. Es aquella que asume diferentes valores a consecuencia de los resultados de un experimento aleatorio. Estas variables pueden ser discretas o continuas. Si se permite que una variable aleatoria adopte slo un nmero limitado de valores, se le llama variable aleatoria discreta. Por el contrario, si se le permite asumir cualquier valor dentro de determinados lmites, recibe el nombre de variable aleatoria continua. El Valor Esperado. El valor esperado es un concepto fundamental en el estudio de las distribuciones de probabilidad. Desde hace muchos aos este concepto ha sido aplicado ampliamente en el negocio de seguros y en los ltimos veinte aos ha sido aplicado por otros profesionales que casi siempre toman decisiones en condiciones de incertidumbre. Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor que sta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los productos. Es un promedio ponderado de los resultados que se esperan en el futuro.

D) DISTRIBUCIONES DE PROBABILIDAD. Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede ser de dos tipos: 1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta porque solo puede tomar valores enteros y un nmero finito de ellos. Ejemplos: x Variable que nos define el nmero de burbujas por envase de vidrio que son generadas en un proceso dado. x0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase xVariable que nos define el nmero de productos defectuosos en un lote de 25 productos. x0, 1, 2, 3,....,25 productos defectuosos en el lote xVariable que nos define el nmero de alumnos aprobados en la materia de probabilidad en un grupo de 40 alumnos. x0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x siempre sern enteros, nunca fraccionarios.

2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto valores enteros como fraccionarios y un nmero infinito de ellos. Ejemplos: xVariable que nos define el dimetro de un engrane en pulgadas x5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96 xVariable que nos define la longitud de un cable o circuito utilizado en un arns de auto x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0 xVariable que nos define la concentracin en gramos de plata de algunas muestras de mineral x14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8 Como se observa en los ejemplos 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, etc. Las variables descritas anteriormente nos generan una distribucin de probabilidad, las que pueden ser. 1) Distribucin de probabilidad discreta. 2) Distribucin de probabilidad continua. Las caractersticas de cada una de las distribuciones anteriores se mencionarn a continuacin: DISTRIBUCIN DE PROBABILIDAD DISCRETA. Caractersticas: 1. Es generada por una variable discreta (x). xVariable que solo toma valores enteros x0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc. 2. p(xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero.

3. p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1. DISTRIBUCIN DE PROBABILIDAD CONTINUA. Caractersticas: 1. Es generada por una variable continua (x). x Es una variable que puede tomar tanto valores enteros como fraccionarios. x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
2. f(x) 0

Las probabilidades asociadas a cada uno de los valores que toma x deben ser mayores o iguales a cero. Dicho de otra forma, la 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 I y II.

3. La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de probabilidad deber ser de 1. CALCULO DE MEDIA Y DESVIACIN ESTANDAR PARA UNA DISTRIBUCIN DISCRETA 1. Media o valor esperado de x.- Para determinar la media de la distribucin discreta se utiliza la siguiente frmula:

Donde: = media de la distribucin E(x) = valor esperado de x xi = valores que toma la variable p(xi) = probabilidad asociada a cada uno de los valores de la variable x 2. Desviacin estndar. Para determinar la desviacin estndar de la distribucin discreta se utiliza la siguiente frmula:

Donde:

 = desviacin estndar = media o valor esperado de x xi = valores que toma la variable x p(xi) = probabilidad asociada a cada uno de los valores que toma x Ejemplos: 1. Segn estadsticas la probabilidad de que el motor de un auto nuevo, de cierto modelo, y marca sufra de algn desperfecto en los primeros 12 meses de uso es de 0.02, si se prueban tres automviles de esta marca y modelo, encuentre el nmero esperado de autos que no sufren de algn desperfecto en los primeros doce meses de uso y su desviacin estndar. Solucin: Haciendo uso de un diagrama de rbol, usando las literales siguientes, se obtiene el espacio muestral como se muestra a continuacin; N = no sufre de algn desperfecto en el motor los primeros 12 meses de uso S = sufre de algn desperfecto en el motor los primeros 12 meses de uso

N N S

1er auto S S

N 2o auto S

3o S = {NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS} x = variable que nos define el nmero de autos que no sufre de algn desperfecto en el motor durante los primeros 12 meses de uso x = 0, 1, 2 o 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses de uso p(x=0)=p(SSS)=(0.02)(0.02)(0.02)=0.000008 p(x=1)=p(NSS, SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)(0.02)(0.98)= =0.001176 p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+(0.02)(0.98) (0.98)==0.057624 p(NNN) = (0.98)(0.98)(0.98) =0.941192 Por tanto la media o valor esperado se determina de la siguiente manera:

=E(x) =

(0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)(0.941192)=

=0.0+0.001176+0.115248+2.823576=2.94 3 autos que no sufren algn desperfecto en el motor en los primeros 12 meses de uso La interpretacin de la media o valor esperado es; se espera que los 3 autos probados no sufran de algn desperfecto en el motor en los primeros 12 meses de uso.

= 0.2497 0.0 autos que no sufren algn desperfecto en su motor en los primeros 12 meses de uso. Interpretacin: En este experimento se espera que los 3 autos probados no sufran de algn desperfecto en su motor en los primeros 12 meses de uso y la variabilidad de este experimento es de cero. Nota: La media y la desviacin estndar se redondean a un valor entero ya que son la media y desviacin de una distribucin de probabilidad discreta. 2. Se ha detectado en una lnea de produccin que 1 de cada 10 artculos fabricados es defectuoso; se toman de esa lnea tres artculos uno tras otro, a) obtenga la distribucin de probabilidad del experimento, b) encuentre el nmero esperado de artculos defectuosos en esa muestra y su desviacin estndar. Solucin: Tambin haciendo uso de in diagrama de rbol, se obtiene el espacio muestral a) D = objeto defectuoso N = objeto no defectuoso ={DDD, DDN, DND, DNN, NDD, NDN, NND, NNN} Este espacio muestral ha sido obtenido haciendo uso de un diagrama de rbol, x = Variable que nos define el nmero de objetos defectuosos encontrados x = 0, 1, 2 o 3 objetos defectuosos

p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729 p(x=1)=p(DNN, NDN, NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)(0.1)=0.243 p(x=2)=p(DDN, DND, NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)(0.1)=0.027 p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001 Distribucin de probabilidad x P(x) 0 0.729 1 0.243 2 0.027 3 0.001

b)

(0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)= = 0.0 + 0.243 + 0.054 + 0.003 = 0.3 0 productos defectuosos

Interpretacin: Se espera que ninguno de los productos inspeccionados sea defectuoso.

= 0.6 = 1 producto defectuoso Interpretacin: En este experimento se espera que ninguno de los productos inspeccionados sea defectuoso, pero los resultados de este experimento pueden variar en 1 producto defectuoso, por lo que al inspeccionar los 3 productos el numero de productos defectuosos puede variar desde 1 producto defectuoso, hasta 1 producto defectuoso, pero, es posible obtener 1 producto defectuoso?, claro que esto no puede ocurrir, luego el nmero de productos defectuosos en el experimento variar de 0 a 1 producto defectuoso solamente. 3. Segn estadsticas, la probabilidad de que un pozo petrolero que se perfore en cierta regin pueda ser beneficiado es de 0.30. Se perforan tres pozos en esa regin, encuentre el nmero esperado de pozos que pueden ser beneficiados y su desviacin estndar. Solucin: Se obtiene el espacio muestral , de la misma forma que se ha hecho en los ejemplos anteriores;

B = se puede el pozo que se perfora N = no se puede beneficiar el pozo que se perfora = {BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN} x = variable que nos define el nmero de pozos que se pueden beneficiar x = 0, 1, 2 o 3 pozos que se pueden beneficiar p(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343 p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441 p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189 p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027

1 pozo beneficiado Interpretacin: Se espera que solo 1 de los tres pozos perforados sea el que pueda ser beneficiado.

Interpretacin: La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 1 pozo, esto es la cantidad de pozos que se pueden beneficiar puede variar de 0 a 2 pozos. 4. La distribucin de probabilidad de x , el nmero de defectos por cada 10 metros de una tela sinttica en rollos continuos de ancho uniforme , es x 0 p(x) 0.41 1 0.37 2 0.16 3 0.05 4 0.0 1

a) Determine la distribucin de probabilidad acumulada de x; P(x).

b) Determine el nmero esperado de defectos por cada 10 metros de tela sinttica en rollos continuos de ancho uniforme y la desviacin estndar del nmero de defectos por cada 10 metros de tela ..... c) Determine la probabilidad de que en 10 metros de tela sinttica se encuentren como mximo 2 defectos. d) Determine la probabilidad de que en 10 metros de tela sinttica se encuentren por lo menos 2 defectos. Solucin: a) X p(x) P(x) 0 0.41 0.41 1 0.37 0.78 2 0.16 0.94 3 0.05 0.99 4 0.01 1.0

b) 1 defecto Interpretacin:0.16, 0.05 ,0.01 Se espera que por cada 10 metros de tela se encuentre un defecto.

Interpretacin: El nmero de defectos esperado puede variar en 1 defecto, es decir que el nmero de defectos esperado por cada 10 metros de tela puede variar de 0 a 2. c) d) p(x 2)= p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94 p(x 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22

CALCULO DE MEDIA Y DESVIACIN ESTNDAR PARA UNA DISTRIBUCIN CONTINUA 1.Media o valor esperado de x.- Para calcular la media de una distribucin de probabilidad continua se utiliza la siguiente frmula:

Donde: = E(x) = media o valor esperado de la distribucin x = variable aleatoria continua f(x) = funcin de densidad de la distribucin de probabilidad

2.Desviacin estndar.- La frmula para determinar la desviacin estndar de una distribucin continua es;

luego:

Ejemplos: 1. Para la siguiente funcin,

cuando 0 x 3 ,

f(x) = 0 para cualquier otro valor

a) Diga si esta funcin nos define una distribucin de probabilidad. b) Si la funcin define una distribucin de probabilidad, entonces, determine su media y desviacin estndar. c) Determine la probabilidad de que 1 x < 2. Solucin: a) Para verificar que la funcin nos define una distribucin de probabilidad, es necesario que cumpla con las caractersticas que se haban mencionado. 1. x s es una variable continua porque puede tomar cualquier valor entre 0 y 3 2. f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma f(x), dndonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a cero.

x 0 0. 5 1. 0 1. 4 2. 1 2. 7 3. 0

f(x) 0.0 0.0277 8 0.1111 1 0.2177 8 0.49 0.81 1.0

3. Para comprobar que la sumatoria de las probabilidades que toma cada valor de x es de 1, se integra la funcin de 0 a 3 como se muestra a continuacin:

A= rea bajo la funcin

Con las operaciones anteriores comprobamos que la funcin nos define una distribucin de probabilidad continua. b) Clculo de media y desviacin estndar.

Las barras c)

nos indican la evaluacin de la integral entre 0 y 3.

La barra nos indica la evaluacin de la integral de 1 a 2. Con las operaciones anteriores nos damos cuenta que para evaluar probabilidades para variables de tipo continuo, es necesario evaluar la funcin de densidad de probabilidad en el rango de valores que se desea; que vendra siendo el rea que se encuentra entre f(x) y el eje de las x y entre el rango de valores definidos por la variable x.
2. Suponga que el error en la temperatura de reaccin, en oC, para un

experimento controlado de laboratorio es una variable aleatoria continua x, que tiene la funcin de densidad de probabilidad:

, para -1< x < 2

f(x) = 0 en cualquier otro caso

a) Verifique la tercera condicin de la definicin de una distribucin de probabilidad continua. b) Determine la media o valor esperado de la distribucin de probabilidad. c) Encuentre la probabilidad de que 0< x 1. Solucin: a) Como la tercera condicin es que la sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe de ser 1, esto se comprueba de la siguiente manera:

b)

c)