VariablesAleatorasContinuas PDF

Variables Aleatorias continuas
Mario Alfonso Morales Rivera.1

Victor Hugo Morales Ospina 2
1 Profesor Asociado
Universidad de Córdoba
2 Profesor Asistente
Universidad de Córdoba
Montería – 2011
Morales & Morales () V. A. Continuas Enero de de 2011 1 / 71

Contenido
1 Variables aleatorias continuas
Generalidades
Función de densidad de una V.A continua
Función de distribución de una V.A continua
Media y varianza de una V.A continua
2 Distribuciones continuas de uso frecuente
Distribución uniforme
Distribución exponencial
Distribución normal
Cálculo de probabilidades usando la tabla normal
Estandarización
3 Aproximaciones
Binomial aproximada por la normal
Poisson aproximada por la normal
4 Distribuciones Erlang y Gamma

Variables aleatorias continuas
Contenido
Generalidades
Estandarización
3 Aproximaciones

Variables aleatorias continuas Generalidades
Variable aleatoria continua
Definición
Una variable aleatoria continua es aquella cuyo rango contiene un
intervalo de números reales.
Tiempo,
longitud,
temperatura,
voltaje,
corriente eléctrica,
humedad.

Cómo se calcula probabilidad con V.A continuas?
Con una variable aleatoria continua no es posible construir una

tabla con todos los posibles valores de la variable y sus
probabilidades, puesto que este número es infinito.
Se postula un modelo o función que caracterice la distribución de
las probabilidades,
función de densidad de X, y se simboliza por fX (x).


las probabilidades,


las probabilidades,

Variables aleatorias continuas Función de densidad de una V.A continua
¿Cómo se determina la función de densidad?

La gráfica del modelo propuesto esta relacionado con la del
histograma de frecuencias relativas. Si en el histograma se
consideraran más observaciones y se redujera el ancho de las clases,
su forma se asemejará a una curva sin saltos.


La gráfica del modelo propuesto esta relacionado con la del
histograma de frecuencias relativas. Si en el histograma se
consideraran más observaciones y se redujera el ancho de las clases,
su forma se asemejará a una curva sin saltos.
0.20
0.20
0.15
0.15
Densidad
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35
0.20
0.20
X X
0.15
0.15
Densidad
0.10
0.10
0.05
0.05
0.00
0.00
0 5 10 15 20 25 30 35 0 5 10 15 20 25 30 35

70 90 110 130 150 170 190 210 230 250
Morales & MoralesResistencia

() (psi) V. A. Continuas Enero de de 2011 7 / 71
70 90 110 130 150 170 190 210 230 250 70 90 110 130 150 170 190 210 230 250
Morales & MoralesResistencia

() (psi) V. A. Continuas ResistenciaEnero
(psi) de de 2011 7 / 71
¿Cómo se determina la probabilidad ?
La función de densidad se define de modo que área total bajo la

curva sea igual a 1 y por tanto el área sobre un intervalo dado
(a, b) será igual a la probabilidad que X se encuentre en tal
intervalo
De acuerdo con lo anterior en las variables aleatorias continuas
las probabilidades están asociadas con áreas debajo de la
curva de densidad.

¿Cómo se determina la probabilidad ?
a b

¿Propiedades de la función de densidad?
Definición
Sea X una variable aleatoria continua, y x un número perteneciente al
rango de posibilidades de X. La función de densidad de X, denotada
por fX (x), es una función que tiene las siguientes propiedades
fX (x) ≥ 0 para todo x
+∞
R
fX (x)dx = 1
−∞
Rb
P (a ≤ X ≤ b) = fX (x)dx
a
donde a y b son dos posibles valores de la variable aleatoria X con
a < b.

Variables aleatorias continuas Función de distribución de una V.A continua
Función de distribución
La función de distribución de una variable aleatoria continua X, se
denota por FX (x) y se define como
Z x
FX (x) = P (X ≤ x) = fX (u)du
−∞
P(X ≤ x0)
x0

Cómo calcular P (a < X < b) usando F

Si se conoce la función de distribución de una variable aleatoria
continua es muy fácil calcular la probabilidad que la variable esté en
un intervalo (a, b), de la siguiente forma
P (a < X < b) = F (b) − F (a)


P (a < X < b) = F (b) − F (a)
F (b)
b


P (a < X < b) = F (b) − F (a)
F (a) F (b)
a b


P (a < X < b) = F (b) − F (a)
F (b) − F (a)
a b

Función de distribución (ejemplo)

Ejemplo
Suponga que la variable aleatoria X tiene una función de densidad
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
0 en cualquier otro punto
a) Calcule P (1 ≤ X ≤ 2)
b) Calcule F (1.5)


Ejemplo
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
2 2
2
3 x3 x3 23 − 13
Z
3 2 7
P (1 ≤ X ≤ 2) = x dx = = = = = 0.875
1 8 8 3 8 8 8
1 1
b) Calcule F (1.5)


Ejemplo
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
2 2
2
3 x3 x3 23 − 13
Z
3 2 7
P (1 ≤ X ≤ 2) = x dx = = = = = 0.875
1 8 8 3 8 8 8
1 1
b) Calcule F (1.5)
Z 1.5
FX (1.5) = fX (x)dx
−∞

Z 1.5
3 2
FX (1.5) = x dx
−∞ 8
Z 0 Z 1.5
3 2
= 0dx + x dx
−∞ 0 8
1.5
x3
=0+

8
0
(1.5)3 − 03
= = 0.421875
8
X Ejercicio
Obtenga F (x) en forma general.

Variables aleatorias continuas Media y varianza de una V.A continua
Media de una V.A continua
Definición (Media o valor esperado )

Si X es una variable aleatoria continua con función de densidad fX (x)
su valor esperado o media, que se simboliza por µX o E(X), se define
como Z ∞
µX = E(X) = xfX (x)dx
−∞
si la integral existe.

Media de una V.A continua
Definición (Media o valor esperado )

Si X es una variable aleatoria continua con función de densidad fX (x)
su valor esperado o media, que se simboliza por µX o E(X), se define
como Z ∞
µX = E(X) = xfX (x)dx
−∞
si la integral existe.
Propiedades del valor esperado.

Para una constante c y variables aleatorias continuas X y Y con la
misma función de densidad de probabilidad, se verifica que
1 E(c) = c
2 E(cX) = c E(X)
3 E(X + Y ) = E(X) + E(Y )

Varianza de una V. A contínua
Definición (Varianza)
Sea X es una variable aleatoria continua con función de densidad
fX (x) y valor esperado µX , entonces su varianza, que se simboliza
2 ó var(X), se define como
por σX
Z ∞
2
σX = var(X) = (x − µX )2 fX (x)dx
−∞
Valores grandes de σX 2 implican una dispersión grande de la
distribución de X alrededor de la media. Inversamente, valores

pequeños implican una alta concentración de la distribución alrededor
de la media.

Propiedades de la varianza
Propiedades.
Para constantes c y d y variable aleatorias continuas X y Y con la
misma función de densidad de probabilidad, se verifica que
1 var(X) = E(X 2 ) − [E(X)]2
2 var(cX + b) = c2 var(X)
3 Si X e Y son independientes,
var(cX ± dY ) = c2 var(X) + d2 var(Y )

Media y varianza (ejemplo)

Ejemplo
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
a) Calcule E(X)
b) Calcule var(X)


Ejemplo
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
a) Calcule E(X) Z ∞
3
E(X) = xfX (x)dx =
−∞ 2
b) Calcule var(X)


Ejemplo
dada por 3 2
8x si 0 ≤ x ≤ 2
fX (x) =
a) Calcule E(X) Z ∞
3
E(X) = xfX (x)dx =
−∞ 2
b) Calcule var(X)
Z ∞ 2
3
var(X) = x− fX (x)dx
−∞ 2
= E(X 2 ) − (E(X))2
Distribuciones continuas de uso frecuente
Contenido
Generalidades
Estandarización
3 Aproximaciones

Distribuciones continuas de uso frecuente Distribución uniforme
Definición
Una variable aleatoria continua X tiene distribución uniforme en el
intervalo (a, b), si su función de densidad de probabilidad tiene la
forma 
 1
si a ≤ x ≤ b
fX (x) = b−a
 0 en cualquier otro caso
Una variable aleatoria X con distribución uniforme se caracteriza

porque la probabilidad de que la variable tome un valor en un intervalo
de su rango de variación es la misma para cualquier otro intervalo con
la misma longitud.

Rx
Si x ≤ a, es claro que −∞ fX (u)du = 0
Si a < x < b entonces
Z x Z x
1 x−a
F (x) = fX (u)du = du =
a a b − a b−a
Si x ≥ b entonces se tiene
Z x Z b Z x
1 b−a
F (x) = fX (u)du = du + 0du = +0=1+0=1
a a b − a b b−a
Por tanto la función de distribución de una variable uniforme en el
intervalo (a, b) es

 0x − a si x ≤ a

FX (x) = si a < x < b (1)
 b−a

1 si x ≥ b
fX (x) FX (x)
1
1
b−a
x
a b a b
(a) (b)
Figura: (a) Función de densidad de probabilidad, fX (x), y la función de

distribución, FX (x) de una uniforme en (a, b)

Media y Varianza de una V.A uniforme
Teorema
La media y la varianza de una variable aleatoria con distribución
uniforme en el intervalo (a, b) son
a+b (b − a)2
E(X) = var(X) =
2 12

Ejemplo
Ejemplo
La función de densidad de probabilidad del tiempo necesario para
terminar una operación de ensamblado es fX (x) = 0.1 para
30 < x < 40 segundos
a) Calcule la proporción de ensambles que requieren más de 35
segundos para concluir la operación.
b) ¿Obtener un tiempo x tal que el 90 % de los tiempos de ensamble
excede a x?
c) Calcule la media y la varianza del tiempo de ensamblado.

Ejemplo
Ejemplo
La función de densidad de probabilidad del tiempo necesario para
terminar una operación de ensamblado es fX (x) = 0.1 para
30 < x < 40 segundos
a) Calcule la proporción de ensambles que requieren más de 35
segundos para concluir la operación.
b) ¿Obtener un tiempo x tal que el 90 % de los tiempos de ensamble
excede a x?
c) Calcule la media y la varianza del tiempo de ensamblado.
Sea X la variable aleatoria que mide el tiempo de ensamblado, por la

forma de la función de densidad es claro que X tiene distribución
uniforme en el intervalo (30, 40)

Solución
Calculemos la probabilidad de que una operación de ensamblado

demore mas de 35 segundos, P (X > 35)
35 − 30 5 1
P (X > 35) = 1−P (X ≤ 35) = 1−F (35) = 1− = 1− = 1−
40 − 30 10 2
así que el 50 % de los ensambles requieren mas de 35 segundos.
La probabilidad anterior se calcula con R así
Se requiere el valor de x tal que P (X > x) = 0.9
x − 30 x − 30
0.9 = P (X > x) = 1−P (X ≤ x) = 1−F (x) = 1− = 1−
40 − 30 10
por tanto x − 30 = 1 de donde x = 31 así el 90 % de los tiempos
de ensamble exeden los 31 segundos.
Solución
Usando las fórmulas dadas anteriormente se tiene

30 + 40 70
E(X) = = = 35
2 2
(40 − 30)2 100 25

var(X) = = = = 8.333
12 12 3

Distribuciones continuas de uso frecuente Distribución exponencial
La distribución exponencial es una distribución continua bastante
utilizada en problemas de ingeniería, por ejemplo para describir la
duración de los componentes electrónicos.
Definición
Se dice que una variable aleatoria tiene distribución exponencial con
parámetro λ > 0, si su función de densidad es de la forma
λ e−λx x > 0

fX (x) =
0 en cualquier otro caso

La distribución exponencial es una distribución continua bastante
utilizada en problemas de ingeniería, por ejemplo para describir la
duración de los componentes electrónicos.
Definición
Se dice que una variable aleatoria tiene distribución exponencial con
parámetro λ > 0, si su función de densidad es de la forma
λ e−λx x > 0

fX (x) =
0 en cualquier otro caso
Teorema
La función de distribución para una variable aleatoria exponencial de
parámetro λ es

0 si x ≤ 0
FX (x) = −λx (2)
1−e si x > 0
Distribución exponencial: Media y Varianza
Teorema
El valor esperado y la varianza de una exponencial es
1 1
E(X) = var(X) =
λ λ2

Ejemplo
La duración (en horas) T de un componente electrónico es una
variable aleatoria con distribución exponencial de parámetro λ = 0.01
a) Calcule la probabilidad de que el componente funcione por mas de
200 horas.
b) ¿Cuál es la duración esperada, en horas, de un componente?
c) ¿Cuál es la varianza de la duración del componente.

Ejemplo
200 horas.
a)
P (T > 200) = 1 − P (T ≤ 200) = 1 − F (200) = 1 − [1 − e−0.01×200 ]

= e−2 = 0.13533

Ejemplo
200 horas.
a)
P (T > 200) = 1 − P (T ≤ 200) = 1 − F (200) = 1 − [1 − e−0.01×200 ]

= e−2 = 0.13533
1
b) La duración esperada es E(T ) = 0.01 = 100 horas.

Ejemplo
200 horas.
a)
P (T > 200) = 1 − P (T ≤ 200) = 1 − F (200) = 1 − [1 − e−0.01×200 ]

= e−2 = 0.13533
1
b) La duración esperada es E(T ) = 0.01 = 100 horas.
1
c) La varianza de la duración es var(T ) = 0.012 = 10000

X
La distribución exponencial se usa para modelar el tiempo que
transcurre entre ocurrencia de dos eventos en un proceso Poission.

X

X
T1
T

X
T1
T

X
T1 T2
T

1 Sea Y la variable aleatoria que cuenta el número de llegadas en

el intervalo [0, t)
2 asumimos que Y tiene distribución de Poisson con parámetro λ.
3 Denotemos con T el tiempo entre dos llegadas sucesivas.
4 La función de distribución de T es

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso
5 Si T > t es porque no hubo llegadas en el intervalo [0, t),

equivalentemente, Y = 0;
6 por tanto P (T > t) = P (Y = 0) = e−λt , entonces
1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso


el intervalo [0, t)

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso

1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso


el intervalo [0, t)

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso

1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso


el intervalo [0, t)

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso

1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso


el intervalo [0, t)

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso

1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso


el intervalo [0, t)

P (T ≤ t) = 1 − P (T > t) si t ≥ 0
FT (t) =
0 en otro caso

1 − e−λt si t ≥ 0

FT (t) =
0 en otro caso

Gráfica de la función de densidad exponencial

λ = 0.25
0.20
0.15
Densidad
0.10
0.05
2 4 6 8 10 12
Variable

Gráfica de la función de distribución exponencial

λ = 0.25
0.8
Probabilidad acumulada
0.6
0.4
0.2
2 4 6 8 10 12
Variable

Distribución exponencial: Ejemplo
Ejemplo
La carga de tráfico es una consideración importante en el diseño de
sistemas de calzadas. Los vehículos arriban a cierto punto de la
calzada, de acuerdo con una distribución de Poisson, a una taza de 4
por minuto.
1 Determine la probabilidad de que el tiempo que separa el arribo
de dos vehículos sea al menos dos minutos.
2 Determine el tiempo medio de arribo.
3 Determine la varianza de los tiempos de arribo.

Distribución exponencial: Ejemplo
Solución
1 Como los arribos siguen una distribución de Poisson, entonces el
tiempo entre arribo es exponencial con λ = 4 luego
P (T > 2) = 1 − P (T ≤ 2) = 1 − (1 − e−2×4 ) = e−8 = 0.000335
2 El tiempo medio de arribo es:

1
E(T ) = = 0.25
4
3 La varianza es:
1
var(T ) = = 0.0625
42

Código R y Excel
Con R
1-pexp(2,rate=4)

Código R y Excel
Con R
1-pexp(2,rate=4)
Con Excel
=1-DISTR.EXP(2;4;1)

Distribuciones continuas de uso frecuente Distribución normal
Distribución continua de gran importancia, no solo por sus

aplicaciones en diferentes campos de la ciencia, sino por el papel que
ha desempeñado en el desarrollo de gran parte de la teoría
estadística.
Definición
Si la variable aleatoria X tiene función de densidad
1 2 2
f (x) = √ e−(x−µ) /2σ , para − ∞ < x < ∞ (3)
σ 2π
donde µ y σ 2 Son números tales que −∞ < µ < ∞ y 0 < σ 2 < ∞

donde e y π son las constantes, e = 2.71828 . . . y π = 3.14159 . . . ,
entonces se dice que X sigue una distribución normal.

Gráfica de la función de densidad normal
No hay una única distribución normal, sino una familia completa de

distribuciones, que resultan de valores concretos para µ y σ 2
Figura: Izquierda: la función representada por la linea continua tiene µ menor

que la de la linea punteada pero la misma varianza. Derecha: la función
representada por la linea continua tiene una σ menor pero el mismo µ que la
representada por la linea punteada

Propiedades de la distribución normal.
Supongamos que una variable aleatoria X tiene distribución normal

con parámetros µ y σ. Se cumplen las siguientes propiedades.
La media de la variable aleatoria es µ es decir E(X) = µ
La varianza de la variable aleatoria es σ 2 . Es decir var(X) = σ 2
La forma de la función de densidad es una curva en forma de
campana centrada en la media µ, véase la figura anterior.
La distribución es simétrica alrededor de µ.
La distancia horizontal entre µ y el punto de inflexión de la curva
sobre el eje de las X es una desviación estándar (σ)

Función de distribución de una V.A normal

Φ(x0 )
Si X tiene distribución normal con media µ y varianza σ 2 , es decir
X ∼ N (µ, σ 2 ). Entonces la función de distribución acumulada es
FX (x0 ) es
Z x0
1 2 2
Φ(x0 ) = FX (x0 ) = P (X ≤ x0 ) = √ e−(t−µ) /2σ dt
−∞ σ 2π

Función de distribución de una V.A normal

Φ(x0 )
Si X tiene distribución normal con media µ y varianza σ 2 , es decir
X ∼ N (µ, σ 2 ). Entonces la función de distribución acumulada es
FX (x0 ) es
Z x0
1 2 2
Φ(x0 ) = FX (x0 ) = P (X ≤ x0 ) = √ e−(t−µ) /2σ dt
−∞ σ 2π
P(X ≤ x0)
x0

Distribuciones continuas de uso frecuente Cálculo de probabilidades usando la tabla normal
La distribución normal estándar.
Definición
Una variable aleatoria X con distribución normal de media µ = 0 y
varianza σ 2 = 1 recibe el nombre de normal estándar y se denota con
Z.
Uso de la tabla de probabilidades.

La tabla 3, da las probabilidades para una distribución normal
estándar. Los valores de z se dan con un decimal en la columna y
hasta dos decimales en la fila.
Ejemplo
Encontrar la probabilidad de que una variable aleatoria normal

estándar Z sea menor que un valor positivo. Encontrar P (Z ≤ 1.17)

Tabla de probabilidades para una normal estándar
Rz
Cuadro: Distribución normal acumulada: √1 exp{−t2 /2}dt.
−∞ 2π
z 0 .01 .02 .03 .04 .05 .06 .07 .08 .09

0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997

Rz
−∞ 2π
z 0 .01 .02 .03 .04 .05 .06 .07 .08 .09

0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997
Encontrar 1.1 en la primera columna


Rz
−∞ 2π
z 0 .01 .02 .03 .04 .05 .06 .07 .08 .09

0 .50000 .50399 .50798 .51197 .51595 .51994 .52392 .52790 .53188 .53586
.1 .53983 .54380 .54776 .55172 .55567 .55962 .56356 .56749 .57142 .57535
.2 .57926 .58317 .58706 .59095 .59483 .59871 .60257 .60642 .61026 .61409
.3 .61791 .62172 .62552 .62930 .63307 .63683 .64058 .64431 .64803 .65173
.4 .65542 .65910 .66276 .66640 .67003 .67364 .67724 .68082 .68439 .68793
.5 .69146 .69497 .69847 .70194 .70540 .70884 .71226 .71566 .71904 .72240
.6 .72575 .72907 .73237 .73565 .73891 .74215 .74537 .74857 .75175 .75490
.7 .75804 .76115 .76424 .76730 .77035 .77337 .77637 .77935 .78230 .78524
.8 .78814 .79103 .79389 .79673 .79955 .80234 .80511 .80785 .81057 .81327
.9 .81594 .81859 .82121 .82381 .82639 .82894 .83147 .83398 .83646 .83891
1.0 .84134 .84375 .84614 .84849 .85083 .85314 .85543 .85769 .85993 .86214
1.1 .86433 .86650 .86864 .87076 .87286 .87493 .87698 .87900 .88100 .88298
1.2 .88493 .88686 .88877 .89065 .89251 .89435 .89617 .89796 .89973 .90147
1.3 .90320 .90490 .90658 .90824 .90988 .91149 .91309 .91466 .91621 .91774
. . . . . . . . . . .
. . . . . . . . . . .
. . . . . . . . . . .
3.8 .99993 .99993 .99993 .99994 .99994 .99994 .99994 .99995 .99995 .99995
3.9 .99995 .99995 .99996 .99996 .99996 .99996 .99996 .99996 .99997 .99997
Encontrar 0.07 en la primera fila 1.17 = 1.1 + 0.07. La probabilidad se

encuentra en la interseccion de la fila y la columna así
P (Z ≤ 1.17) = 0.879.
La distribución normal estándar.
Código R.
Con R se calcula así:
pnorm(1.17)
[1] 0.8789995
##Si se redondea a 3 cifras
round( pnorm(1.17), 3)
[1] 0.879

Ejemplos de uso de la tabla
Ejemplo
Encontrar la probabilidad que Z sea mayor que un valor positivo.

Encontremos P (Z ≥ 1.34).
En R esa probabilidad se calcula mediante
1-pnorm(1.34)
## equivalente a
pnorm(1.34,lower.tail=FALSE)

Ejemplo
Encontrar la probabilidad que Z sea mayor que un valor positivo.

Encontremos P (Z ≥ 1.34).
Usando la propiedad de la probabilidad del complemento tenemos
P (Z ≥ 1.34) = 1 − P (Z ≤ 1.34) = 1 − 0.90988 = 0.09012
En R esa probabilidad se calcula mediante
1-pnorm(1.34)
## equivalente a
pnorm(1.34,lower.tail=FALSE)

Ejemplo
Encontrar la probabilidad que la variable aleatoria Z tome un valor en

un intervalo de la forma (z1 , z2 ) donde z1 y z2 son positivos.
Encontremos P (0.42 ≤ Z ≤ 1.61)
Usando el programa R esa probabilidad se calcula mediante
pnorm(1.61)- pnorm(0.42)

Ejemplo
Encontrar la probabilidad que la variable aleatoria Z tome un valor en

un intervalo de la forma (z1 , z2 ) donde z1 y z2 son positivos.
Encontremos P (0.42 ≤ Z ≤ 1.61)
Recordemos que P (0.42 ≤ Z ≤ 1.61) = Φ(1.61) − Φ(0.42), buscamos

esos valores en la tabla. Φ(1.61) = 0.94630 y Φ(0.42) = 0.66276 por lo
tanto P (0.42 ≤ Z ≤ 1.61) = 0, 28354
pnorm(1.61)- pnorm(0.42)

Ejemplo
Encontrar la probabilidad de que un valor aleatorio de Z caiga en un

intervalo a la izquierda del origen, esto es, P (z1 ≤ Z ≤ z2 ) donde
z1 < 0 , z2 ≤ 0. Calculemos P (−1.64 ≤ Z ≤ −1)
pnorm(-1)- pnorm(-1.64)

Ejemplo
Encontrar la probabilidad de que un valor aleatorio de Z caiga en un

intervalo a la izquierda del origen, esto es, P (z1 ≤ Z ≤ z2 ) donde
z1 < 0 , z2 ≤ 0. Calculemos P (−1.64 ≤ Z ≤ −1)
Usando la simetría de la densidad normal se tiene
P (−1.64 ≤ Z ≤ −1) = P (1 ≤ Z ≤ 1.64) = Φ(1.64)−Φ(1) = 0.9495−0.8413
pnorm(-1)- pnorm(-1.64)

1.17 1.34
−1.64
−1
0.42 1.61
Figura: Areas calculadas en los ejemplos 2.4 a 2.7

Ejemplo
Encontrar el valor de z1 tal que P (Z ≤ z1 ) = 0.975
Este valor se consigue con R mediante el código
qnorm(0.975)

Ejemplo
Buscamos en el cuerpo de la tabla la probabilidad 0.975.
qnorm(0.975)

Ejemplo
Buscamos en el cuerpo de la tabla la probabilidad 0.975.

La encontramos en la linea correspondiente a 1.9 y en la columna 0.06
así que z1 = 1.96, y por tanto P (Z ≤ z1 ) = 0.975 cuando z1 = 1.96.
qnorm(0.975)

Ejemplo
Encontrar el valor z1 tal que P (−z1 ≤ Z ≤ z1 ) = 1 − α donde α es un
valor dado. Es decir encontrar los limites de un intervalo tal que el área
bajo la curva dentro de ese intervalo sea 1 − α. Hallemos z1 tal que
P (−z1 ≤ Z ≤ z1 ) = 0.95
qnorm(0.025)

Ejemplo
P (−z1 ≤ Z ≤ z1 ) = 0.95
En este caso α = 0.05 (nótese que 1 − 0.05 = 0.95).

Dado que la curva es simétrica, hállese z1 tal que
P (Z ≥ z1 ) = α/2 = 0.05/2 = 0.025, o lo que es lo mismo,
P (Z ≤ z1 ) = 1 − α/2 = 0.975, como se mostró en el ejemplo anterior,
este valor es 1.96, luego z1 = 1.96 es tal que P (−z1 ≤ Z ≤ z1 ) = 0.95.
El valor −z1 se consigue con R mediante el comando
qnorm(0.025)

Ejemplo
P (−z1 ≤ Z ≤ z1 ) = 0.95
En este caso α = 0.05 (nótese que 1 − 0.05 = 0.95).

Dado que la curva es simétrica, hállese z1 tal que
P (Z ≥ z1 ) = α/2 = 0.05/2 = 0.025, o lo que es lo mismo,
P (Z ≤ z1 ) = 1 − α/2 = 0.975, como se mostró en el ejemplo anterior,
este valor es 1.96, luego z1 = 1.96 es tal que P (−z1 ≤ Z ≤ z1 ) = 0.95.
El valor −z1 se consigue con R mediante el comando
qnorm(0.025)

Distribuciones continuas de uso frecuente Estandarización
Caso general: distribución con media µ y varianza σ 2
Teorema (Estandarización)
Si X es una variable aleatoria normal con media µ y desviación
estándar σ entonces la variable aleatoria Z, obtenida mediante la
transformación
X −µ
Z=
σ
tiene distribución normal, con media cero y desviación estándar 1, es
decir, Z es normal estándar.

Distribución normal con media µ y varianza σ 2
Ejemplo
Si X ∼ N (75, 100), hallar P (80 ≤ X ≤ 90)
En este caso σ 2 = 100 (σ = 10) y µ = 75 .

80 − 75 X −µ 90 − 75
P (80 ≤ X ≤ 90) = P ≤ ≤
10 σ 10
= P (0.5 ≤ Z ≤ 1.5) = 0.2417
usando la tabla de la normal estándar.

Código R
pnorm(90,mean=75,sd=10)-pnorm(80,mean=75,sd=10)
Observese que con R no es necesario realizar la estandarización

manualmente.

Distribución normal con media µ y varianza σ 2
Ejemplo
La resistencia a la comprensión de una serie de muestras de cemento
kg
puede modelarse con una distribución normal con media 6000 cm 2 y
kg
una desviación estándar de 100 cm2
1 ¿Cuál es la probabilidad de que la resistencia de una muestra sea
kg
menor que 6250 cm 2 ?
2 ¿Cuál es la probabilidad de que la resistencia de una muestra se

kg
encuentre 5800 y 5900 cm 2?
3 ¿Cuál es el valor de resistencia que excede el 95 % de las

muestras?

Continuación
1 Sea X la resistencia a la tensión, de acuerdo con el problema
X ∼ N (6000, 1002 )

6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100

Continuación
X ∼ N (6000, 1002 )

6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100

5800 − 6000 5900 − 6000
P (5800 < X < 5900) = P <Z<
100 100
= P (−2 < Z < −1)
= P (Z < −1) − P (Z < −2) = 0.136

Continuación
X ∼ N (6000, 1002 )

6250 − 6000
P (X < 6250) = P Z < = P (Z < 2.5) = 0.994
100

5800 − 6000 5900 − 6000
P (5800 < X < 5900) = P <Z<
100 100
= P (−2 < Z < −1)
= P (Z < −1) − P (Z < −2) = 0.136
3 Se requiere un valor x0 tal que P (X > x0 ) = 0.95 lo que es

equivalente a P (X < x0 ) = 0.05, estandarizando se tiene
x0 − 6000
P (Z < ) = 0.05
100
buscando en la tabla se tiene
x0 − 6000
= −1.645
100
de donde x0 = 100 × (−1.645) + 6000 = 5835
Con R este valor se obtiene mediante el código
qnorm(0.05,mean=6000,sd=100)

Aproximaciones
Contenido
Generalidades
Estandarización
3 Aproximaciones

Aproximaciones Binomial aproximada por la normal
Aproximación de la distribución Binomial a la Normal
Teorema
Si X es una variable aleatoria con distribución binomial de parámetros
n y p entonces
X − np
Z=p
np(1 − p)
es aproximadamente una variable aleatoria normal estándar.
La aproximación es buena si np > 5 y n(1 − p) > 5

Ejemplo
Ejemplo
La fabricación de chips semiconductores produce 2 % defectuosos.
Asuma que los chips son independientes y que un lote contiene 1000
chips.
1 Aproxime la probabilidad de que mas de 25 chips sean
defectuosos.
2 Aproxime la probabilidad de que entre 20 y 30 sean defectuosos.
Sea X el número de chips defectuosos en el lote de 1000, entonces X

es binomial de parámetros 1000 y 0.02, así que
X − 1000 × 0.02 X − 20
Z=√ = √ ∼ N (0, 1)
1000 × 0.02 × 0.98 19.6
por tanto


X − 20 25 − 20
P (X > 25) = P √ > √ = P (Z > 1.13) = 1−0.8706 = 0.129
19.6 19.6

20 − 20 X − 20 30 − 20
P (20 < X < 30) = P √ < √ < √
19.6 19.6 19.6
= P (0 < Z < 2.26) = 0.4881
Usando R, los cálculos anteriores se hacen de la siguiente forma:

1 P (X > 25)
1-pnorm(25,mean=20,sd=sqrt(19.6))
2 P (20 < X < 30)
pnorm(30,20,sqrt(19.6))-pnorm(20,20,sqrt(19.6))

Aproximaciones Poisson aproximada por la normal
Aproximación de la distribución de Poisson a la

Normal
Teorema
Si X es una variable aleatoria con distribución de Poisson de
parámetro λ
X −λ
Z= √
λ
es aproximadamente una variable aletoria normal estándar.
La aproximación es buena si λ > 5

Ejemplo:
Se asume que las visitas a un sitio Web de alto volumen siguen una
distribución de Poisson con una media de 10000 por día.
1 Aproxime la probabilidad de más de 20000 visitas en un día.
2 Aproxime la probabilidad de menos de 9900 visitas en un día
3 Aproxime el valor tal que la probabilidad de que el número de
visitas en un día supere el valor es de 0.01
Sea X el número de visitas en un día, entonces X tiene distribución
de Poisson con media 10000 y
X − 10000 X − 10000
Z= √ = ∼ N (0, 1)
10000 100
por tanto:

Ejemplo: Continuación
1

X − 10000 20000 − 10000
P (X > 20000) = P >
100 100
= P (Z > 100) = 1 − P (Z < 100) ≈ 1 − 1 = 0
2

X − 10000 9900 − 10000
P (X < 9900) = P <
100 100
= P (Z < −1) = 0.159
1 P (X > 20000)
1-pnorm(20000,mean=10000,sd=100)
2 P (X < 9900)
pnorm(9900,mean=10000,sd=100)
Ejemplo: Continuación
Se requiere un valor x tal que P (X > x) = 0.01 entonces

X − 10000 x − 10000
0.01 = P (X > x) = P >
100 100

x − 10000 x − 10000
=P Z> =1−P Z <
100 100
Así que se requiere x tal que

x − 10000
P Z< = 0.99
100
Buscando en la tabla se encuentra que:
x − 10000
= 2.33
100
de donde
x = 2.33 × 100 + 10000 = 10233

Códogo R
qnorm(0.99,mean=10000,sd=100)

Distribuciones Erlang y Gamma
Contenido
Generalidades
Estandarización
3 Aproximaciones

Distribución Erlang
La distribución exponencial se usa para modelar

probabilísticamente el lapso hasta la primera ocurrencia de un
proceso Poisson.
A veces se desea modelar el lapso hasta que se presentas r
conteos en un proceso Poisson.
X
La variable aleatoria que es igual al lapso en el que ocurren r conteos
en un proceso Poisson es una variable aleatoria Erlang

Definición
Función de densidad Erlang La variable aleatoria X que es igual al
intervalo en que se presentan r fallas en un proceso Poisson con
media λ > 0, tiene una distribución Erlang con parámetros λ y r. La
función de densidad de probabilidad de X es
λr xr−1 e−λx
fX (x; λ, r) =
(r − 1)!
para x > 0 y r = 1, 2, . . .

Definición
Función de densidad Erlang La variable aleatoria X que es igual al
intervalo en que se presentan r fallas en un proceso Poisson con
media λ > 0, tiene una distribución Erlang con parámetros λ y r. La
función de densidad de probabilidad de X es
λr xr−1 e−λx
fX (x; λ, r) =
(r − 1)!
para x > 0 y r = 1, 2, . . .
Media y varianza
Si X es una variable aleatoria de Erlang con parámetros λ y r
entonces la media y la varianza de X son
r r
E(X) = var(X) =
λ λ2
Distribución Erlang: Ejemplo
Ejemplo (Ejercicio 4-101 del texto guía)

En un sistema de comunicaciones de datos, los mensajes que llegan a
un nodo son colocados en un paquete antes de ser transmitidos por la
red. Suponga que los mensajes llegan al nodo de acuerdo con un
proceso Poisson con τ = 30 mensajes por minuto. Si se utilizan cinco
mensajes para formar un paquete
1 ¿Cuál es la probabilidad de formar un paquete en menos de 10
segundos?
2 ¿Cuál es las probabilidad de que el paquete se forme en menos
de 5 segundos?

Solución
Sea T al lapso de tiempo necesario para que lleguen 5 mensajes.
Entonces T tiene distribución de Erlang con r = 5 y λ = 0.5.
1 Se desea P (T < 10).

Solución
pgamma(10,shape=5,scale=1/0.5)
0.5595067

Solución
0.5595067
2 Se desea P (T < 5)
0.108822

Trabajo independiente
Estudiar
1 Sección 4-9.9 Distribución Gamma.
2 Sección 4-10 Distribución Weibull.

VariablesAleatorasContinuas PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

VariablesAleatorasContinuas PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Variables Aleatorias continuas

Mario Alfonso Morales Rivera.1

Morales & Morales () V. A. Continuas Enero de de 2011 1 / 71

Morales & Morales () V. A. Continuas Enero de de 2011 2 / 71

Morales & Morales () V. A. Continuas Enero de de 2011 3 / 71

Variable aleatoria continua

Morales & Morales () V. A. Continuas Enero de de 2011 4 / 71

Cómo se calcula probabilidad con V.A continuas?

Con una variable aleatoria continua no es posible construir una

Morales & Morales () V. A. Continuas Enero de de 2011 5 / 71

Cómo se calcula probabilidad con V.A continuas?

Con una variable aleatoria continua no es posible construir una

Morales & Morales () V. A. Continuas Enero de de 2011 5 / 71

Cómo se calcula probabilidad con V.A continuas?

Con una variable aleatoria continua no es posible construir una

Morales & Morales () V. A. Continuas Enero de de 2011 5 / 71

¿Cómo se determina la función de densidad?

Morales & Morales () V. A. Continuas Enero de de 2011 6 / 71

¿Cómo se determina la función de densidad?

Morales & Morales () V. A. Continuas Enero de de 2011 6 / 71

¿Cómo se determina la función de densidad?

70 90 110 130 150 170 190 210 230 250

Morales & MoralesResistencia

¿Cómo se determina la función de densidad?

Morales & MoralesResistencia

¿Cómo se determina la probabilidad ?

La función de densidad se define de modo que área total bajo la

Morales & Morales () V. A. Continuas Enero de de 2011 8 / 71

¿Cómo se determina la probabilidad ?

Morales & Morales () V. A. Continuas Enero de de 2011 9 / 71

¿Propiedades de la función de densidad?

Morales & Morales () V. A. Continuas Enero de de 2011 10 / 71

Morales & Morales () V. A. Continuas Enero de de 2011 11 / 71

Cómo calcular P (a < X < b) usando F

P (a < X < b) = F (b) − F (a)

Morales & Morales () V. A. Continuas Enero de de 2011 12 / 71

Cómo calcular P (a < X < b) usando F

P (a < X < b) = F (b) − F (a)

Morales & Morales () V. A. Continuas Enero de de 2011 12 / 71

Cómo calcular P (a < X < b) usando F

P (a < X < b) = F (b) − F (a)

Morales & Morales () V. A. Continuas Enero de de 2011 12 / 71

Cómo calcular P (a < X < b) usando F

P (a < X < b) = F (b) − F (a)

Morales & Morales () V. A. Continuas Enero de de 2011 12 / 71

Función de distribución (ejemplo)

Morales & Morales () V. A. Continuas Enero de de 2011 13 / 71

Función de distribución (ejemplo)

Morales & Morales () V. A. Continuas Enero de de 2011 13 / 71

Función de distribución (ejemplo)

Morales & Morales () V. A. Continuas Enero de de 2011 13 / 71

Morales & Morales () V. A. Continuas Enero de de 2011 14 / 71

Media de una V.A continua

Definición (Media o valor esperado )

Morales & Morales () V. A. Continuas Enero de de 2011 15 / 71

Media de una V.A continua

Definición (Media o valor esperado )

Propiedades del valor esperado.

Morales & Morales () V. A. Continuas Enero de de 2011 15 / 71

Varianza de una V. A contínua

Valores grandes de σX 2 implican una dispersión grande de la

distribución de X alrededor de la media. Inversamente, valores

Morales & Morales () V. A. Continuas Enero de de 2011 16 / 71