IV.

Variables Aleatorias Continuas y

IV.
sus Distribuciones de Probabilidad

Variable Aleatoria Continua

Definicin
Se dice que una variable aleatoria X es continua si su
conjunto de posibles valores es todo un intervalo (finito o
infinito) de nmeros reales.
Por ejemplo, una v.a. continua puede ser el tiempo de
retraso con el que un alumno o un profesor llega al aula de
clases tambin el peso o la estatura de los estudiantes de
l FE
la
FE.

La funcin de densidad de una variable

aleatoria continua
La funcin f(x) es una funcin de densidad de probabilidad
para la variable aleatoria continua X, definida sobre el
conjunto de los nmeros reales, s:
1.- f(x) 0 x R

2.-

f ( x)dx = 1

3.- P ( a X b ) = P ( a < X b ) = P ( a X < b )

= P (a < X < b ) =

f X ( x ) dx

La funcin de densidad de una variable

aleatoria continua
`

Esto es, la probabilidad de que X tome un valor en el intervalo

[a, b] es el rea bajo la grfica de la funcin de densidad, como
lo ilustra la figura 4.1 La grfica de f (x), se conoce a veces
como curva d
de densidad.
d
id d

Esto es, la probabilidad de que X tome un valor en el intervalo

[a, b] es el rea bajo la grfica de la funcin de densidad, como
lo ilustra la figura. La grfica de f(x), se conoce a veces como
curva de densidad.
4

La funcin de densidad de una variable

aleatoria continua
Propiedades
Para una v.a. X, fX (x) satisface las siguientes propiedades:
f (x) 0 , x

1
1.

2.

fX

(x )dx

=1

3.

P ( x1 X x2 ) =

x2

f ( x ) dx
X

x1

Note adems que P(X = c) = 0, para cualquier nmero real c.

5

La funcin de densidad de una variable

aleatoria continua
Ejemplo
Un profesor de la UNAM nunca termina su clase antes del
trmino de la hora, mas nunca se pasa de 2 minutos de sta.
S X : ell tiempo
Sea
i
que transcurre entre ell trmino
i de
d la
l hora
h
y
el trmino efectivo de la clase. Suponga que la fdp de X viene
dada por:

`
`

kx 2 0 x 2
fX (x) =
0 d . o. m .

La funcin de densidad de una variable

aleatoria continua
1.
2.
3.
4.

Encuentre el valor de k.
Cul es la probabilidad de que la clase termine a
menos de un minuto despus del trmino de la hora?
Cul es la probabilidad de que la clase contine entre
60 y 90 segundos despus del trmino de la hora?
Cul es la probabilidad de que la clase contine por lo
menos 90 segundos despus del trmino de la hora?

La funcin de densidad de una variable

aleatoria continua

a)

f X ( x ) dx =

0 dx + kx 2 dx + 0 dx
0
2

8
k 3
= x
=
k
3
3
0

Como

8
3
f X ( x ) dx = 1
k = 1 k=
3
8

b ) P ( X 1) =
8

3
x 2 ddx =
x
8
0 8

=
0

1
8

0 125
0,125

La funcin de densidad de una variable

aleatoria continua

c) P (1 X 1,5) =
=

d ) P ( X 1,5
, )=

1,5

1 3
3 2
x dx = x
8
1 8

0,2969
64

19

1,5

3 x2dx
1,5 8

= 1

3 2
x dx
8
0

= 1

1
8

3 2

x
0

= 1

27
64

37
64

0, 5781

Funcin de Distribucin Acumulada

La distribucin acumulada F(x) de una variable aleatoria continua X,
con una funcin de densidad f(x) es:
x

F(x)
( ) = P(X
( x) =

f ( s)ds

para x
De la definicin de funcin de distribucin acumulada de una variable
aleatoria continua se deducen las ppropiedades
p
siguientes:
g
1.- F() = 0
2.- F() = 1
3.- P( x1 X x2) = F(x2) F(x1)
dF ( x )
= f ( x)
4.dx

10

Funcin de Distribucin Acumulada

`

11

Funcin de Distribucin Acumulada

Se ilustra el clculo de probabilidades entre a y b como
una diferencia entre las probabilidades acumuladas en la
fda (reas).

Clculo de P ( a X b ) a partir de las probabilidades

acumuladas.

12

Esperanza Matemtica
Esperanza Matemtica
Sea X una variable aleatoria continua con funcin de
densidad f(x). Se llama esperanza matemtica o valor
esperado, valor medio o media de X al nmero real.
E( X ) = =

x f ( x)dx

Significado
g
de la esperanza
p
Como valor medio terico de todos los valores que puede
tomar la variable. Representa
p
una medida de centralizacin.

13

Esperanza Matemtica
Ejemplo: La distribucin de la cantidad de grava (en toneladas)
vendida a una empresa en particular proveedora de materiales
para la construccin, en una semana dada, es una v.a. X continua
con fdp:
fd

3 1 x 2 0 x 1
fX ( x) = 2
0 de otra manera
Cuntas toneladas esperaras que se vendan durante esa
semana?

14

Esperanza Matemtica
Solucin:
Por definicin tenemos:

3
E ( X ) = x f X ( x ) dx = x (1 x ) dx = = 0,375
8

0
3
2

Lo cual significa que esperaramos que se vendieran 0,375

0 375
[Ton] 375 [kg] de grava a la empresa proveedora de
materiales para la construccin.
construccin

15

Esperanza Matemtica
`

16

Varianza
Definicin
Medida del cuadrado de la distancia promedio entre la
media y cada elemento de la poblacin.
Sea X una variable aleatoria continua con distribucin de
probabilidad f(x) y media . La varianza de X es calculada
por medio de:

2 = E [( X ) 2 ] = ( x ) 2 f ( x) dx = x 2 f ( x)dx 2

17

Desviacin estndar
`

18

IV.1.
IV 1 La distribucin Uniforme
`

19

IV.1.
IV 1 La distribucin Uniforme
`
b

f ( x)dx = 1
a

b+a
= E[ x] =
2
(b a) 2
( )=
Var(x)
12
20

IV.1.
IV 1 La distribucin Uniforme
`

Densidad de una v.a. Uniforme

21

IV.2. Distribucin de Probabilidad

Exponencial
`

22

IV.2. Distribucin de Probabilidad

Exponencial
`

e
dx
0

lim e x dx

23

IV.2. Distribucin de Probabilidad

Exponencial
t = e x

Sea:

dt
= e x
dx
dt = e x dx
b

Entonces:

lim e x ( )dx = lim e x ( )dx

Realizando el cambio de variable

b

( )

lim e dt = lim e
t

Sustituyendo: t = e x
24

b
0

( )

= lim e
b

x b
0

1
= lim x
b e

IV.2. Distribucin de Probabilidad

Exponencial
Evaluando la integral:
1

1
1
= lim b lim (0 ) = 0 lim 0
b e b e
b e

1
= 0 lim = lim(1) = lim(1) = 1
b
b
b 1

Lo cual queda demostrado.

25

IV.2. Distribucin de Probabilidad

Exponencial
Funcin de distribucin:
x
Demostracin: F ( x) = e t dt

La integral se resuelve por cambio de variable:

Sea:

w = e t

dw
= e t
dx
d = e t dt
dw
d

26

IV.2. Distribucin de Probabilidad

Exponencial
Entonces:

F ( x) = e t dt
0
x

F ( x) = e t ( )dt = e t ( )dt

Realizando el cambio de variable:

x

F ( x) = e t ( )dt
0
x

F ( x) = e dw = e
w

27

w x
0

IV.2. Distribucin de Probabilidad

Exponencial
`

F ( x ) = e

w x

F ( x ) = e

t x

[
F ( x) = [e

F ( x ) = e x e ( 0 )
x

e0

F ( x ) = 1 e x

28

IV.2. Distribucin de Probabilidad

Exponencial
La media y la varianza de la distribucin exponencial son:

E (x
( x) =
V ( x) =
Var
Respectivamente.

29

IV.2. Distribucin de Probabilidad

Exponencial
Propiedad de la prdida de memoria de la distribucin
exponencial.
exponencial
1.
2.
3.

4.

30

La distribucin exponencial carece de memoria, es decir:

t
P (X > x + > x) = P(X > t)
X
L distribucin
La
d
b exponenciall es la
l generalizacin
l
all caso continuo de
d
la distribucin Geomtrica.
La distribucin exponencial aparece, en ocasiones, caracterizada
utilizando
ili d como parmetro

lla media,
di
1
E (x ) = =

La distribucin exponencial se caracteriza por tener una razn de

fallo constante; la probabilidad de fallar en cualquier intervalo no
depende de la vida anterior. Es, por lo tanto, adecuada para
d
describir
ibi la
l aparicin
i i de
d fallos
f ll all azar. La
L razn
de
d fallo
f ll viene
i
dada
d d
por:
h(t) = .

IV
IV.3
IV.3.
3. Distribucin de Probabilidad Normal
`

El 12 de noviembre de 1733, Abraham DeMoivre

desarroll la ecuacin matemtica de la curva normal. De
igual manera proporcion una base sobre la cual se
f d
fundamenta
una gran parte de
d la
l teora
de
d la
l estadstica
d i
inductiva.
A la
l d
distribucin
b normall se le
l llama
ll
tambin
b
Distribucin Gaussiana en honor a Karl Friedrich
Gauss.
Gauss

31

IV 3 Distribucin de Probabilidad Normal

IV.3.
Definicin
Una variable aleatoria continua X tiene una distribucin
normal con parmetros y 2 , siendo un nmero real
cualquiera y > 0,
0 siendo su funcin de densidad de
probabilidad de la forma siguiente:

f (x ) =
Con:
<x<
<<
>0
32

1
e
2

(
x )2

2 2

IV 3 Distribucin de Probabilidad Normal

IV.3.
Para ser una funcin de densidad de probabilidad debe de
satisfacer las siguientes condiciones.
1. Que f(x) 0 para toda x que pertenece a los nmeros
reales.
Que por ser una funcin exponencial lo cumple.

2.

f (x )dx = 1

33

IV 3 Distribucin de Probabilidad Normal

IV.3.
Propiedades.
1.
Es unimodal.
2.
La moda, mediana y moda poseen el mismo valor.
3.
El dominio de f(x) son todos los nmeros reales y su imagen
est contenida en los reales positivos.
4.
Es simtrica respecto de la recta x .
Esto se debe a que:
f( + x) = f( x)
5.
Tiene una asntota horizontal en y = 0
En efecto y = 0 es una asntota horizontal, ya que:
lim f ( x ) = 0
x

34

IV 3 Distribucin de Probabilidad Normal

IV.3.
6.

Alcanza un mximo absoluto en el punto:

1
,
2

Demostracin
Sea:
f (x ) =

35

1
2

(
x )2

2 2

IV 3 Distribucin de Probabilidad Normal

IV.3.
Derivando con respecto a .

f ( x ) =
f ( x ) =

1
e
2
1
e
2

(
x )2

2( x )

(
)

2
2

(
x )2

2( x )

2 2

2 2

Igualando a cero:

1
2

( x )2
2 2

2( x )

=0
2

De donde resulta:
x = 0
x=
36

IV 3 Distribucin de Probabilidad Normal

IV.3.
Obteniendo la segunda derivada:
x x
1
f ( x ) = f ( x ) 2 2 + f ( x ) 2


( x )2
1

(
)
f ( x ) = f ( x )
f
x
+
2
4

( x )2 1
2
f ( x ) = f ( x )
4

1
f ( x ) = f ( x ) 2

37

( x )

2

IV 3 Distribucin de Probabilidad Normal

IV.3.
De donde resulta:
f ( x ) =

Entonces:

f() < 0
Y como:
x=
Por lo tanto:
f ( ) =

1
2

Lo que prueba que el mximo se encuentra en:

, 1

38

IV 3 Distribucin de Probabilidad Normal

IV.3.
Es creciente en el intervalo ( , ) y decreciente en
(, ):

7.

Si x < , es f(x) > 0, entonces la funcin es creciente

Si x > , es f(x) < 0, entonces la funcin es decreciente

39

IV 3 Distribucin de Probabilidad Normal

IV.3.
Posee dos puntos de inflexin en:

8.

x=
x=+
Considerando la segunda derivada,
derivada la obtenida en el punto seis,
seis e igualando a
2
cero:

1 (x )
1 = 0
f ( x ) 2
2

Despejando:
( x )2 = 1
2
(x )2 = 2

De donde resulta:
x=

x=

Por lo tanto:
x=+
40

x=

IV 3 Distribucin de Probabilidad Normal

IV.3.
9.

41

Los parmetros y 2 son la media y la varianza

respectivamente.

IV 3 1 Distribucin Normal Tipificada

IV.3.1.
Teorema.
Si X tiene una distribucin normal con la media y la desviacin
estndar, entonces:
Z=

Donde:
X es la variable de inters.
: es la media.
: es la desviacin estndar
Z es ell nmero
Z:

de
d d
desviaciones
i i
estndar
d d
de X respecto a lla media
di de
d esta
distribucin.

La distribucin normal estndar tiene media cero y varianza 1, y

se denota como N(0,1).
42

IV 3 1 Distribucin Normal Tipificada

IV.3.1.
Propiedades.
1. Su dominio son todos los nmeros reales y su imagen
son los nmeros reales positivos.
2. Es simtrica respecto al eje de ordenadas.
3. Tiene una asntota horizontal en y = 0.
1
4. Alcanza un mximo absoluto en el punto (0,
).
2
5
5.
Es creciente en el intervalo ((
, 0) y decreciente en el
intervalo (0, ).
6
6.
Posee dos puntos de inflexin en x = 1
1 y x = 1,
1
respectivamente.
43

IV 3 1 Distribucin Normal Tipificada

IV.3.1.
reas de la normal:
1. Aproximadamente el 68% de todos los valores se
encuentran dentro de una desviacin estndar.
2. Aproximadamente el 95.5% de todos los valores se
encuentran dentro de dos desviaciones estndar.
3. Aproximadamente el 99.7% de todos los valores se
encuentran dentro de tres desviaciones estndar.

44

IV
IV.3.1
IV.3.1.
3 1. Distribucin Normal Tipificada

P b bilid d asociadas
Probabilidades
i d con una di
distribucin
t ib i normall
45

Ejemplos de distribucin normal

Ejemplo 1
El tiempo que tarda un automovilista en reaccionar a las
luces de freno traseras de otro vehculo al desacelerar, es
crtico para ayudar a evitar una colisin.
Suponga que esta variable se puede modelar como una
distribucin normal con media de 1,25 segundos y
desviacin estndar de 0,46 segundos.
Cul es la probabilidad de que el tiempo de reaccin se
encuentre 1 y 1,75 segundos?

46

Ejemplos de distribucin normal

`

Solucin:

47

Ejemplos de distribucin normal

A continuacin se muestra el clculo de esta probabilidad en
f
forma
grfica,
f mostrando la equivalencia en el rea

entre la
distribucin normal y la estndar

48

Ejemplos de distribucin normal

Ejemplo 2
En un quiosco de peridicos se supone que el nmero de
ventas diarias se distribuye normalmente con media 30 y
varianza 2. Determinar:
a)
b)

49

Probabilidad de que en un da se vendan entre 13 y 31

peridicos
d
Determinar el mximo nmero de peridicos que se venden
en el 90% de las ocasiones

Ejemplos de distribucin normal

`

50

Ejemplos de distribucin normal

Ejemplo 3.
Los pesos de 2 000 soldados presentan una
distribucin normal de media 65 kgg y desviacin tpica
p
8 kg. Calcula la probabilidad de que un soldado elegido
al azar pese:
p
a)
b))
c)
d))

51

Ms de 61 kg.
Entre 63 y 69 kg.
g
Menos de 70 kg.
Ms de 75 kgg

Ejemplos de distribucin normal

`

52

Ejemplos de distribucin normal

Ejercicio
En un estudio estadstico sobre la altura de los espaoles y de los
ingleses. Se han obtenido los siguientes datos:
Nacionalidad
Media
Desviacin tpica

a)
b)
c)
d)

53

Espaoles

Ingleses

170.2

175.4

6.4

5.9

Quin es ms alto en su pas, un espaol que mide 177 cm o un

ingls que mide 181 cm?
C l es la probabilidad
Cul
r babilidad de quee unn espaol
es a l mida ms de 180 cm?
Cul es la probabilidad de que un ingles mida entre 160 y 170
cm?
Cul es la probabilidad de que un espaol sea ms alto que un
ingls?

Ejemplos de distribucin normal

54

Apndice
Distribucin de Probabilidad Normal

f (x )dx = 1

Demostracin
Sea:
1
f (x ) =

Como:

I=

( x )2
2 2

f ( x )dx =

1
e
2

( x )2
2 2

dx

Estableciendo la siguiente igualdad:

t=

55

Apndice
Derivando:

dt =

Entonces:

Por lo que:

dx

( x )2
2 2

1
e
2

t2

dx

dt

Considerando I2:

I =
2

56

1
2

t2
2

dt

1
2

s2
2

ds

Apndice
Por lo que ahora tenemos una integral doble de la siguiente
forma:
(
s 2 +t 2 )

1 2
2
I =
e
dsdt
2

De donde resulta:
1
I =
2
2

57

(s

+t 2
2

)
dsdt

Apndice
Realizando un cambio a coordenadas polares.
Sea:
s = r cos
Y
t = r sen
Por lo que el rea ds y dt se transforma en rdrd , y los
nuevos intervalos
i
l son:
- < s < y
- < t <
0<r<
58

0 < < 2

Apndice
Entonces

1
2
I =
2
1
2
I =
2

1
I =
2
2

1
I =
2
2

59

(r sen + r

cos 2

0 0

r 2 sen 2 + cos 2

r 2 (1)

rdrd

0 0
2

e
0 0

r2

rdrd

rdrd

rdrd

0 0

Apndice
Resolviendo:

r2

rdr

Por cambio de variable

r2
w=
Sea:
2
dw = r
dw = rdr

La integral resultante es:

I 2 = ( ) e
0

60

r2

( 1)rdr

Apndice
Por lo que:

( ) e w dw
d = lim
li e w dw
d
b
lim e

= lim e
b

r2

Sustituyendo:
b
o

lim e 2 lim e 2
b
b
2

61

= lim b 2 lim 1 = [0 1] = 1
b
b

e2

Apndice
Entonces:

Por lo tanto:

2
0 1d = 0 = 2 0 = 2

I2 =

1
[2 ] = 1
2

I=1
Lo cual queda demostrado.

62