4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA.

Si los datos representan mediciones de una variable aleatoria continua y

si su cantidad de datos es muy grande, podemos reducir la anchura de los
intervalos de clase hasta que la distribucin se vea como una curva
continua. Una funcin de densidad de probabilidad, es un modelo terico
para esta distribucin.
Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria
continua y entonces la funcin de densidad f(y) para y es.
f y

df y
dy

La funcin de densidad para una variable aleatoria continua y que

modela alguna poblacin de datos de la vida real, por lo regular es una
curva continua.
Entonces, el rea acumulativa bajo la curva entre -y un punto y0 es igual a
f(y0).
La funcin de la densidad para una variable aleatoria continua siempre debe
satisfacer las tres propiedades que se indican en siguiente.
Propiedad
f y 0
1.2.-

f y dy f 1

P a y b f y dy
b

3.-

, donde a y b son constantes.

4.2 FUNCIN DE DENSIDAD Y ACUMULATIVA.

Si los datos representan mediciones de una variable aleatoria continua y si la
cantidad de datos es muy grande, podemos reducir la anchura de los
intervalos de una clase hasta que la distribucin se vea como una curva
continua. Una funcin de densidad de probabilidad es un modelo terico
para esta distribucin.1
Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria
continua y, entonces la funcin de densidad f(y) para y es.
1

f ( y)

dF ( y )
dy

La funcin de densidad para una variable aleatoria contina y que modela

alguna poblacin de datos de la vida real, por lo regular es una curva.
EJEMPLO:
La funcin de densidad de probabilidad de probabilidad del tiempo de falla
( en horas) de un componente electrnico de una copiadora.
e x / 1000
f ( x)

1000
Para x>0
Calcule la probabilidad de que:
El componente tarde ms de 3 mil horas en fallar.
p(x>3000)= 1- p (0<x<3000)
p (0 x 3000)

3000

e x / 1000
1000e x / 1000
dx
1000
1000

e 3000 / 1000 (e 0 / 1000 ) e 3 e 0 e 3

3000

e x / 1000

3000

1
1 3 1 0.9502
e

4.3 VALOR ESPERADO, VARIANZA Y DESVIACIN

ESTNDAR.
La media y la varianza de una variable aleatoria continua se define de la
manera similar al caso de la variable aleatoria discreta. En las definiciones la
integracin remplaza a la sumatoria.2
Supngale que X es una variable aleatoria continua con funcin de densidad
de probabilidad fx (x),-<x<.
La media de x, denotada por E (x) o x es
E ( X ) X

xf

( x)dx

La varianza de

X, denotada por V(X) o 2x, es

V ( X ) 2 x ( x x) 2 f ( x )dx

As mismo la desviacin estndar de X es

x v(x)
2

EJEMPLO:
Con la siguiente funcin f(x) =0.125x para 0<x<4, calcular la media, la
varianza y la desviacin estndar.
Valor esperado:
4

E ( X ) X x(0.125 x)dx 0.125 x 2 dx 0.125 x 2 dx

0

0.125 x
3

3 4

0.125(4)
0.125(0)
8

2.666
3
3
3

Varianza:
4
4
8
16 X 64
V ( x ) 2 ( X ) 2 0.125 x dx X 2

0
0
3
3
9

X3
0 8

1
dx
8

4
3
4 X
64 x
x4
2x 2 8x
2 x 3 8x 3

dx

dx 0

3
9
72
8
8 * 4 3*3 9 * 2 0
x 4 2 x 3 8 x 2 4 4 4 2 4 3 8 4 2 0 4 2 0 3 8 0 2
8
32 9 18 32 9 18 32 9 18 9 0.8888

16 x 2

24

Desviacin estndar:

8
0.9428
9

4.4 DISTRIBUCIN UNIFORME CONTINUA.3

La distribucin continua ms sencilla es anloga a su contraparte
discreta, una variable aleatoria continua X con funcin de probabilidad.
f x

1
,
b a

a X b

Tiene una distribucin uniforme continua funcin de

probabilidad de una variable aleatoria uniforme continua.
La media de la variable aleatoria uniforme continua X.

densidad de

4.5 DISTRIBUCIN EXPONENCIAL.

La familia de las distribuciones exponenciales proporciona modelos de
probabilidad que son ampliamente utilizados en ingeniera y ciencias.
Se dice que X tiene una distribucin exponencial si la pdf de X es
e x
f ( x; )
x0
0
de otra manera donde >0
La pdf exponencial es un caso especial, de gamma general, en la que =1 y
ha sido sustituida por 1/, [algunos autores emplean la forma (1/)e-x/].
La media y la varianza de X entonces son:
1
1

2 2 2

Tanto la media como la desviacin estndar de la distribucin exponencial

son iguales a 1/. Las grficas de las variables pdf exponenciales aparecen
en la figura siguiente. La diferencia de pdf gamma general, la pdf
exponencial se pueden integrar fcilmente.
EJEMPLO.
Sea X el tiempo en horas de un sistema de cajeros de atencin a usuarios. La
atencin puede modelarse como un proceso de Poisson por una media de 25
accesos por hora cul es la probabilidad de que no halla acceso en un
intervalo de 6 minutos?
=25 usuarios / hora
=2.5 usuarios / 6 minutos

0.1

0. 1

25e 25 x dx 25 e 25 x dx
0

25e 25 x
25

0.1

0. 1

25 x
25( 0.1)
(e 25( 0) )
e e

2. 5

P(x0.1)=

e 1 0.9179
p ( x 0.1) 1 P ( x 0.1) 1 0.9173 0.08208 2.8%

4.6 DISTRIBUCIN GAMMA (ERLANG)4

Aumenta la distribucin ya que se puede utilizar para resolver muchos
problemas en ingeniera y en la ciencia, hay aun numerosas situaciones que
4

requieren diferentes tipos de funciones de densidad. Dos de estas funciones

de densidad, las distribuciones gamma y exponencial, se estudian en esta
seccin.
Resulta que la distribucin exponencial es una cosa especial de la
distribucin gamma. Ambas encuentran un gran nmero de aplicaciones .Las
distribuciones exponencial y gamma juegan un papel importante en teora
de colas y problemas de confiabilidad. Los tiempos entre llegadas en
instalaciones de servicio, y tiempo de falla de partes componentes y
sistemas elctricos, a menudo quedan bien moldeadas mediante la
distribucin exponencial. La realidad entre la gamma y la exponencial
permite que la gamma se involucre en tiempos de problemas similares.
La distribucin gamma, deriva su nombre de la bien conocida funcin
gamma, que se estudia en muchas reas de las matemticas. Antes de que
procedemos con la distribucin gamma, revisemos esta funcin y algunas de
sus propiedades importantes.
La funcin gamma se define como:

Al integrar la formula u= xa1 y du=ex dx

Para

obtenemos

a>1 , que produce la formula recursiva

La aplicacin repetida de la frmula de recursividad da

Y as sucesivamente. Ntese que cuando a=n , donde n

es un entero positivo

Sin embargo por la definicin

Y de aqu

Una propiedad importante de la fusin gamma, se deja al lector para su

verificacin.
Inclinaremos ahora la fusin gamma en nuestra difusin de la distribucin
gamma.
La variable aleatoria continua x tiene una distribucin gamma, con
parmetros a y B , si su fusin de densidad est dada por

En la figura 6.28 se muestran graficas de varias distribuciones en gamma

para ciertos valores especficos de los parmetros a y B .La distribucin
gamma especial para la que a=1 se llama distribucin exponencial. La
variable aleatoria continua x tiene una distribucin exponencial, con
parmetro B, si su funcin de densidad est dada por

El siguiente teorema y corolario dan la media y la varianza de las

distribuciones gamma y exponencial.
La media y la varianza de la distribucin gamma son

Para encontrar la media de la distribucin gamma escribimos

Ahora bien,

y=x / B , que da

Para encontrar la varianza de la distribucin gamma, procedemos como

antes para obtener

Y entonces

La media y la varianza de la distribocion especial son

4.7 DISTRIBUCIN NORMAL

La distribucin normal es la ms importante en probabilidad y
estadstica. Muchas poblaciones numricas tienen distribuciones que se
pueden ajustar con mucha aproximacin mediante una curva normal
apropiada. Como ejemplos pueden citarse la estatura, peso y otras
caractersticas fsicas (el famoso artculo 1903 de Biomtrica analiz muchos
de este tipo), errores de medicin en experimentos cientficos, mediciones
antropomtricas efectuadas en fsiles, tiempo de reaccin en experimentos
psicolgicos, mediciones de inteligencia y aptitud, calificaciones de diversas
pruebas y numerosas medidas e indicadores econmicos. Aun cuando la
distribucin fundamental sea discreta, la curva normal proporciona con
frecuencia una aproximacin excelente. A dems cuando las variables

individuales no estn normalmente distribuidas, en condiciones apropiadas

las sumas y promedios de las variables tendrn aproximadamente una
distribucin normal.5
La distribucin normal aparece en el estudio de muchos fenmenos fsicos
bsicos. Por ejemplo, el fsico James Maxwell desarrollo la distribucin normal
a partir de hiptesis muy sencillas con respecto a las velocidades de las
molculas.6
Una variable aleatoria X con funcin de densidad de probabilidad
fx( x, , )

1
2

( x )2

2 2

Tiene una distribucin normal con parmetros , donde -<<, y >0.

As mismo E(x)= y v(x)=2
La deduccin de la media y la varianza de una variable aleatoria normal que
aparece al final de esta seccin. Los valores de y determinar la forma
de la funcin de densidad de probabilidad. La funcin de densidad de
densidad de probabilidad es una curva simtrica con forma de campana. El
valor de determina el centro de la funcin de densidad de probabilidad,
mientras que el de la determina la dispersin. Es evidente que fx(x,,)
es no negativa.
Es una distribucin continua que tiene por propiedades.
1.- Es simtrica.
2.- Se extiende en ambos sentidos del eje x.
3.- Es asinttica.
EJEMPLO:
P(0.16 Z 1.06

P 0.06356 0.35543 0.41899

4.8 TEOREMA DE CHBYSHEV

Para demostrar cmo o 2 son indicadores de la dispersin de la
distribucin de una variable aleatoria, probaremos ahora el teorema
siguiente, conocido como teorema de Chbyshev. Este teorema ofrece una
especie de garanta mnima acerca de la probabilidad de una variable
5
6

aleatoria a suma un valor dentro de k desviaciones estancar alrededor de la

media. Aunque la garanta no siempre es muy precisa, la ventaja de este
teorema es su generalidad por cuanto es aplicable a cualquier variable
aleatoria con cualquier distribucin de probabilidad, ya sea discreta o
continua.
Teorema de Chbyshev si y son, respectivamente, la media y la
desviacin estndar de la variable aleatoria X, entonces para una constante
positiva k cualquiera la probabilidad es cuando menos 1-1/k 2 de que X
tomara un valor contenido en k desviaciones estndar de la media; en la
1
p ( X k ) 1 2
k
forma simblica q ue se tiene.7

EJEMPLO:
Si la densidad de la probabilidad de la variable aleatoria X esta dada por

630 x 4
0

f ( x)

Para 0<x<1

en
otra
parte
determine la probabilidad de que X tome un valor contenido en dos
desviaciones estndar de la media y comprela con el limite inferior
proporcionado por el teorema de Chbyshev.
La integracin directa muestra que = y 2= 1/44, de manera que =
0.15 por tanto, la probabilidad de que X tome un valor contenido en dos
desviaciones estndar de la media, es la probabilidad de que tome un valor
entre 0.20 y 0.80, es decir,
p (0.20 X 0.80)

0.80

0.20

630 x 4 (1 x) 4 dx 0.96

Obsrvese en el enunciado la probabilidad es de 0.96 es mucho mas

especifico que la probabilidad es cuando menos de 0.75, enunciando,
proporcionando por el teorema de Chbyshev.