1

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
 UNIDAD II .-
FUNDAMENTOS DE
PROBABILIDAD

27
28
29
30
31
32
33
34
35
36
37
PRACTICA
3

38
39
40
41
42
43
44
45
46
PRACTICA
4

47
48
49
50
51
52
53
54
55
56
57
58
 UNIDAD III.-
DISTRIBUCIONES
DE PROBABILIDAD
DISCRETAS

59
60
61
62
63
64
65
66
67
PRACTICA
5

68
69
70
71
72
73
74
75
76
PRACTICA
6

77
78
79
80
81
82
83
84
85
86
PRACTICA
7

87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
4.1 Definición de variable aleatoria continúa.
Una variable aleatoria X es continua si su función de distribución es una función continua.

En la práctica, se corresponden con variables asociadas con experimentos en los cuales la

variable medida puede tomar cualquier valor en un intervalo: mediciones biométricas,
intervalos de tiempo, áreas, etc.

Ejemplos

Resultado de un generador de números aleatorios entre 0 y 1. Es el ejemplo más sencillo que

podemos considerar, es un caso particular de una familia de variables aleatorias que tienen
una distribución uniforme en un intervalo [a, b]. Se corresponde con la elección al azar de
cualquier valor entre a y b.

Estatura de una persona elegida al azar en una población. El valor que se obtenga será una
medición en cualquier unidad de longitud (m, cm, etc.) dentro de unos límites condicionados
por la naturaleza de la variable. El resultado es impredecible con antelación, pero existen
intervalos de valores más probables que otros debido a la distribución de alturas en la
población. Más adelante veremos que, generalmente, variables biométricas como la altura se
adaptan un modelo de distribución denominado distribución Normal y representada por una
campana de Gauss.

Dentro de las variables aleatorias continuas tenemos las variables aleatorias absolutamente
continuas.

Diremos que una variable aleatoria X continua tiene una distribución absolutamente continua
si existe una función real f, positiva e integrable en el conjunto de números reales, tal que la
función de distribución F de X se puede expresar como

Una variable aleatoria con distribución absolutamente continua, por extensión, se clasifica
como variable aleatoria absolutamente continua.

En el presente manual, todas las variables aleatorias continuas con las que trabajemos
pertenecen al grupo de las variables absolutamente continuas, en particular, los ejemplos y

104
casos expuestos.

4.2 Función 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
distribución se vea como una curva continua. Una función de densidad de probabilidad es un
modelo teórico para esta distribución.1

Si f(y) es la función de distribución acumulativa para una variable aleatoria continua y,

entonces la función de densidad f(y) para y es.

dF ( y)
f ( y) 
dy

La función de densidad para una variable aleatoria continúa y que modela alguna población de
datos de la vida real, por lo regular es una curva.

EJEMPLO:

La función de densidad de probabilidad de probabilidad del tiempo de falla ( en horas) de un

componente electrónico de una copiadora.

e  x / 1000
f ( x)   Para x>0
1000

Calcule la probabilidad de que:

a) El componente tarde más de 3 mil horas en fallar.

b) El componente falle en el lapso comprendido entre 1000 y 2000 horas.
c) El componente falle antes de 1000 horas.
d) Calcule el de horas en las que fallaron el 10% de todos los componentes.

105
a)

p(x>3000)= 1- p (0<x<3000)

e  x / 1000  1000e  x / 1000

3000 3000
3000
p (0  x  3000)   dx    e  x / 1000 
0 1000 1000 0 0

1
 e 3000 / 1000  (e 0 / 1000 )  e 3  e 0  e 3  1    1  0.9502
e 3

b)

e  x / 1000  1000e  x / 1000

2000
2000
p(1000  x  2000)   dx   
1000 1000 1000 1000
2000

  e
 x / 1000  2000 / 1000
e  (e ( 1000/ 1000) ) 
1000

2 1 1 1
e e     0.232544  23.25%
e 2 e1

c)

e  x / 1000  1000e  x / 1000

1000
1000
p (0  x  1000)   dx  
0 1000 1000 0
1000
 e  x / 1000   e
1000 / 1000
 (e 0 / 1000 )  e 1  e 0 
0

0.6321  63.21%

d)

106
 e  x / 1000
w
w
p (0  x  w)    e  x / 1000  
0 1000 0

 e  w / 1000  (e 0 / 1000 )  e  w / 1000  e 0 

 e  w / 1000  1  0.10
 e  w / 1000  0.10  1
 e  w / 1000  0.90
e  w / 1000  0.90
ln( e  w / 1000 )  ln( 0.90)
w
 0.105360
1000
w
 0.105360
1000
w  (0.105360)(1000)
w  105.36

EJERCICIO:

La función de densidad de probabilidad de peso neto en libras de un paquete de herbicida

químico es igual a f(x)=2 para 49.75<x<50.25 libras.

a) calcule la probabilidad de que un paquete pese más de 50 libras.

b) Cuanto herbicida estará contenido en el 90% de los paquetes.

a) p(x>50)

50.25
50.25 50.25
p(50  x  50.25)   2dx 2 dx  2 x 
50 50
50

2(50.25)  2(50)  0.5

b)

w
p(49.75  x  w)  2 x   2(w)  2(49.75)  0.9
49.75

0.9  99.5
2w  0.9  2(49.75) 
2
w  50.2

107
Ejercicio 2

Supóngase que f(x)=e-x para 0<x. Determine las siguientes probabilidades.

a) p (1<x)

p(1  x)  1  p(0  x  1)  1  0.6321  0.3678

1
1
p(0  x  1)   e dx  e z x

0
0
1 1
 e  (e )  e  1  0.3678  1  0.6321
0

b)

2.5
2.5
p(1  x  2.5)   e  x dx  e  x   e 2.5  (e 1 ) 
1
1
 2.5 1
e  e  0.082  0.3678  0.2858  28.58%

c)

p ( x  3)  0

d)

4
4
p( x  4)   e dx  e x x
  e
4
 ( e 0 )  e  4  e 0
0
0

 0.9816  98.16%

e)

p (3  x)
3
p (0  x  3)   e  x dx  e 3  (e 0 )  e 3  e 0
0

 0.0497  1  0.9503
 1  0.9503  0.0497  4.97%

108
4.3 VALOR ESPERADO, VARIANZA Y DESVIACIÓN ESTÁNDAR.

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 integración remplaza a la sumatoria.2

Supóngale que X es una variable aleatoria continua con función de densidad de probabilidad fx
(x),-<x<.

La media de x, denotada por E (x) o x es


E ( X )  X   xf

x ( x)dx

La varianza de X, denotada por V(X) o 2x, es


V ( X )   2 x   ( x  x) 2 f ( x)dx


Así mismo la desviación estándar de X es

 x  v(x)

EJEMPLO:

Con la siguiente función f(x) =0.125x para 0<x<4, calcular la media, la varianza y la desviación
estándar.

Valor esperado:

4 4 4
E ( X )   X  x(0.125 x)dx   0.125 x 2 dx  0.125 x 2 dx 
0 0 0
3 4 3 3
0.125 x 0.125(4) 0.125(0) 8
3 
0
3

3
  2.666
3

Varianza:

109
 4 16 X 64  1 
V ( x)   2   ( X  ) 2 0.125 x dx    X 2 
4 8
  dx 
0 3 0
 3 9  8 
4  X 3  16 x 2  64 x  4 X
3
2 x 2 8x   x4 2 x 3 8x 3 
4

0  8  24  72  0  8 3 9   8 * 4 3 * 3 9 * 2  0 
   dx      dx   

 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

18  0  32
             0.8888
 32 9 9 18   32 9 18  9

Desviación estándar:

8
x   0.9428
9

4.4 DISTRIBUCIÓN UNIFORME CONTINUA.

La distribución continua más sencilla es análoga a su contraparte discreta, una variable

aleatoria continua X con función de probabilidad.

f x  
1
, a X b
b  a 

Tiene una distribución uniforme continua.

f(x)

1/b-a

Función de densidad de probabilidad de una variable aleatoria uniforme continua.

La media de la variable aleatoria uniforme continua X es:

110
 ab
b
0.5 x 2
E x   
b x
a ba
dx 
ba a  
2

La varianza de X es

( a  b) 2 ( a  b)
3
(x  ) (x  )b
b (b  a) 2
v( x)  
3(b  a ) a
2 dx  2 
a ba 12

Estos datos pueden resumirse de la siguiente manera.

La media y la varianza aleatoria uniforme continúa X sobre a  x  b están dadas por:

( a  b) (b  a) 2
x  E ( X )  y  x  v( x) 
2

2 12

EJEMPLO:

Suponga que X tiene una distribución uniforme continua en el intervalo

[1.5, 5.5].

a) Calcule la media, la varianza y la desviación estancar de X.

b) Cual es la probabilidad de p(x<2.5).

1 1 1
f ( x)     0.25
b  a 5.5  1.5 4

.30
.20
.10

1 2 3 4 5 6

111
a)

5.5  1.5 7
x    3.5
2 2

(5.5  1.5) 2 4
 2x    1.33
12 3

4
x   1.1547
3

2.5
2.5 1 x 2.5 1.5
b) P( X  2.5)  
1.5 4
dx   
4 1.5 4

4
 0.25  25%

EJEMPLO 2:

Suponga que X tiene una distribución uniforme continua en el intervalo [-1, 1]

a) Obtenga la media la varianza y la desviación estándar.

b) Calcule el valor de X talque p(-x < X < x)=0.90

0,05 0,45 0,45 0,05

-1 1

1 1 1
f ( x)     0.5
b  a 1  (1) 2

112
 11
x  0
2

(1  (1)) 2 4 2
a)  2 x     0.333
12 12 6

2
x   0.577
6

b) p(-x< X <x)=0.90

r 1
r
r 1 x
1 2dx  2 1  2  2  0.05

r r
 0.05  0.5   0.45
2 2
r  0.45(2)  0.90
x 1
p ( x  X  x)   dx  0.90
x 2

x x
x
x
 dx     0.90
2 x 2 2
x  0.90

EJEMPLO 3:

La variable X se desarrolla en el intervalo [2 , 8].

a) Obtenga la media de la distribución.

b) Calcule la probabilidad p(x<X<x)=0.85
c) Calcule la probabilidad de p(x<X)=0.70

0,16
0,75 0,75

0 1 2 3 4 5 6 7 8 9
X X

113
 1 1 1
f ( x)     0.166
ba 82 6

8  2 10
a) x   5
2 2

b)

x
x 1 x x 2
p (2  X  x)   dx      0.075
2 6 62 6 6
x 2
 0.075 
6 6
2
x  (0.075  )6
6
x  2.45
comprovación :
7.55
1
7.55 x 7.55 2.45
p (2.45  X  7.55)   dx      0.85
2.45 6 6 2.45 6 6

c)

p ( x  x)  0.70  p (2  X  x)
x
x 1 x x 2 x 2 2
 2 6
dx      0.30   0.30   x  (0.30  )
62 6 6 6 6 3
x  3.8
8
8 1 x 8 x
p ( x  X  8)   dx      0.70
x 6 6x 6 6
x 8
  0.70 
6 6
8
x  (0.70  )6
6
x  3.8

4.5 DISTRIBUCIÓN EXPONENCIAL.

La familia de las distribuciones exponenciales proporciona modelos de probabilidad que son
ampliamente utilizados en ingeniería y ciencias.

114
 e  x
Se dice que X tiene una distribución exponencial si la pdf de X es f ( x;  )   x  0 de
0
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
  ç   2   2 
 2

Tanto la media como la desviación estándar de la distribución exponencial son iguales a 1/.
Las gráficas de las variables pdf exponenciales aparecen en la figura siguiente.

La diferencia de pdf gamma general, la pdf exponencial se pueden integrar fácilmente. En

particular, la pdf de X es

EJEMPLO.

Sea X el tiempo en horas de un sistema de cajeros de atención a usuarios. La atención puede

modelarse como un proceso de Poisson por una media de 25 accesos por hora ¿cuál es la
probabilidad de que no haya acceso en un intervalo de 6 minutos?

=25 usuarios / hora

=2.5 usuarios / 6 minutos

25e 25 x
0.1 0.1
0.1 0.1
 dx  25 e   e   e
 25 x  25 x  25 x  25( 0.1)
25e dx   (e 25( 0) ) 
0 0  25 0 0
 2.5
P(x0.1)=  e  1  0.9179
p( x  0.1)  1  P( x  0.1)  1  0.9173  0.08208  2.8%

4.6 DISTRIBUCIÓN GAMMA (ERLANG)

Aumenta la distribución ya que se puede utilizar para resolver muchos problemas en ingeniería
y en la ciencia, hay aun numerosas situaciones que requieren diferentes tipos de funciones de
densidad. Dos de estas funciones de densidad, las distribuciones gamma y exponencial, se
estudian en esta sección.

115
Resulta que la distribución exponencial es una cosa especial de la distribución gamma. Ambas
encuentran un gran número de aplicaciones .Las distribuciones exponencial y gamma juegan
un papel importante en teoría de colas y problemas de confiabilidad. Los tiempos entre
llegadas en instalaciones de servicio, y tiempo de falla de partes componentes y sistemas
eléctricos, a menudo quedan bien moldeadas mediante la distribución exponencial. La realidad
entre la gamma y la exponencial permite que la gamma se involucre en tiempos de problemas
similares.

La distribución gamma, deriva su nombre de la bien conocida función gamma, que se estudia
en muchas áreas de las matemáticas. Antes de que procedemos con la distribución gamma,
revisemos esta función y algunas de sus propiedades importantes.

La función gamma se define como:

Al integrar la formula u=𝑥𝑎 − 1 𝑦 𝑑𝑢 = 𝑒 − 𝑥 𝑑𝑥 obtenemos

Para 𝑎 > 1, que produce la formula recursiva

116
La aplicación repetida de la fórmula de recursividad da

Y así sucesivamente. Nótese que cuando 𝑎 = 𝑛, 𝑑𝑜𝑛𝑑𝑒 𝑛 es un entero positivo

Sin embargo por la definición

Y de aquí

Una propiedad importante de la fusión gamma, se deja al lector para su verificación.

Inclinaremos ahora la fusión gamma en nuestra difusión de la distribución gamma.

La variable aleatoria continua x tiene una distribución gamma, con parámetros 𝑎 𝑦 𝐵 , si su

fusión de densidad está dada por

117
En la figura 6.28 se muestran graficas de varias distribuciones en gamma para ciertos valores
específicos de los parámetros 𝑎 𝑦 𝐵.La distribución gamma especial para la que 𝑎 = 1se llama
distribución exponencial.

La variable aleatoria continua x tiene una distribución exponencial, con parámetro B, si su

función de densidad está 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 distribución gamma son

118
Para encontrar la media de la distribución gamma escribimos

Ahora bien, 𝑦 = 𝑥/𝐵, que da

Para encontrar la varianza de la distribución gamma, procedemos como antes para obtener

Y entonces

La media y la varianza de la distribocion especial son

119
4.7 DISTRIBUCIÓN NORMAL

La distribución normal es la más importante en probabilidad y estadística. Muchas poblaciones

numéricas tienen distribuciones que se pueden ajustar con mucha aproximación mediante una
curva normal apropiada. Como ejemplos pueden citarse la estatura, peso y otras
características físicas (el famoso artículo 1903 de Biométrica analizó muchos de este tipo),
errores de medición en experimentos científicos, mediciones antropométricas efectuadas en
fósiles, tiempo de reacción en experimentos psicológicos, mediciones de inteligencia y aptitud,
calificaciones de diversas pruebas y numerosas medidas e indicadores económicos. Aun cuando
la distribución fundamental sea discreta, la curva normal proporciona con frecuencia una
aproximación excelente. A demás cuando las variables individuales no están normalmente
distribuidas, en condiciones apropiadas las sumas y promedios de las variables tendrán
aproximadamente una distribución normal.3

La distribución normal aparece en el estudio de muchos fenómenos físicos básicos. Por ejemplo,
el físico James Maxwell desarrollo la distribución normal a partir de hipótesis muy sencillas con
respecto a las velocidades de las moléculas.4

Una variable aleatoria X con función de densidad de probabilidad

( x )2
1
fx( x,  ,  )  c 2 2
  x
2

Tiene una distribución normal con parámetros , donde -<<, y >0.

Así mismo E(x)= y v(x)=2

La deducción de la media y la varianza de una variable aleatoria normal que aparece al final de
esta sección. Los valores de  y  determinar la forma de la función de densidad de
probabilidad. La función de densidad de densidad de probabilidad es una curva simétrica con
forma de campana. El valor de  determina el centro de la función de densidad de
probabilidad, mientras que el de la  determina la dispersión. Es evidente que fx(x,,) es no
negativa.

Es una distribución continua que tiene por propiedades.

120
1.- Es simétrica.

2.- Se extiende en ambos sentidos del eje x.

3.- Es asintótica.

EJEMPLO:

a)

P0  Z  1  0.84134  0.5  0.34134

b)

P 1  Z  2 

P  0.34134  0.47725  0.81859

0.81859 *100%  81.85

c)

P(0.16  Z  1.06

121
P  0.06356  0.35543  0.41899

d)

P1.03  Z  2.33 

P  0.49010  0.34849 

e)

P 2.43  Z  z   0.9675

z  1.99

f)

P z  Z  z   0.99

0.99
P  0.4950  0.5  2.58
2
z  2.58

122
g)

Pz  1.73ó1.73  z  

1  0.045818  0.04182  2 

0.08364 ó 8.36%

h)

P 2.75  Z ó 3.66  Z  

1  0.99702  0.00278
1  0.99987  0.00073
0.00278  0.00073  0.00311 
0.00311 ó 0.31%

4.8 TEOREMA DE CHÉBYSHEV

Para demostrar cómo  o 2 son indicadores de la dispersión de la distribución de una variable
aleatoria, probaremos ahora el teorema siguiente, conocido como teorema de Chébyshev. Este
teorema ofrece una especie de garantía mínima acerca de la probabilidad de una variable
aleatoria a suma un valor dentro de k desviaciones estancar alrededor de la media. Aunque la

123
garantía no siempre es muy precisa, la ventaja de este teorema es su generalidad por cuanto
es aplicable a cualquier variable aleatoria con cualquier distribución de probabilidad, ya sea
discreta o continua.

Teorema de Chébyshev si  y  son, respectivamente, la media y la desviación estándar

de la variable aleatoria X, entonces para una constante positiva k cualquiera la probabilidad es
cuando menos 1-1/k2 de que X tomara un valor contenido en k desviaciones estándar de la
media; en la forma simbólica que se tiene.5

1
p( X    k )  1 
k2

EJEMPLO:

Si la densidad de la probabilidad de la variable aleatoria X está dada por

630 x 4 Para 0<x<1

f ( x)  
0

En otra parte
determine la probabilidad de que X tome un valor contenido en dos desviaciones estándar de la
media y compárela con el límite inferior proporcionado por el teorema de Chébyshev.

La integración directa muestra que = ½ y 2= 1/44, de manera que = 0.15 por tanto, la
probabilidad de que X tome un valor contenido en dos desviaciones estándar de la media, es la
probabilidad de que tome un valor entre 0.20 y 0.80, es decir,

0.80
p(0.20  X  0.80)   630 x 4 (1  x) 4 dx  0.96
0.20

Obsérvese 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
Chébyshev.

124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142