Probabilidad

Semana 2
Tema 4
Variables aleatorias continuas
 Introducción
Hasta ahora hemos estudiado v.a. que toman un número finito
(o finito numerable) de valores.
Sin embargo, muchas variables que nos interesarán no son de
este tipo, por ejemplo:
 El precio de una acción: en principio puede tomar
cualquier valor en el intervalo [0 ;  ].
 La mayoría de las v.a. macroeconómicas: consumo,
inversión, PIB…
 El volumen de ventas de una empresa, el gasto total en
personal, etc.

Todas estas variables toman valores dentro de un

intervalo, por tanto son v.a. continuas.
 Introducción (II)
 En este tema vamos a redefinir los conceptos que se estudiaron
en el tema 2 para v.a. discretas al caso de las v.a. continuas.
 La diferencia fundamental entre ellos es de tipo técnico y deriva
del hecho de tener infinitos posibles resultados.
 Al pasar del caso discreto al continuo, reemplazaremos
los sumatorios por integrales.
 Por ejemplo, al calcular la esperanza de una v.a. discreta se
computa la suma de cada uno de los elementos ponderados por su
probabilidad.
 Para calcular la esperanza de una v.a. continua el procedimiento
es análogo. Sin embargo, ahora tendremos que sumar un continuo
de valores, o lo que es lo mismo, tendremos que calcular una
integral
 Variables aleatorias continuas

DEFINICIÓN: Una v.a. continua es aquella que toma

sus valores en un intervalo. por tanto,
toma un número infinito (no numerable)
de valores.

Ejemplos:
- Ingreso de los gerentes de las 10 compañías más
grandes del Perú
- Crecimiento de la economía peruana
- Edad de los afiliados en la AFP INTEGRA
- Etc.
 Función de densidad de X, f(x)

Es la función f(x) positiva e integrable que satisface:

1.- f(x) ≥ 0, para todo x ∈ R o f(x) > 0, ∈ Rx

2.- ∫ Rx f(x) dx = 1 ó


 f (x)dx1


La condición 1 establece

La gráfica de la función de densidad esta "arriba "del eje x
La condición 2 establece
El área acotada por la curva f(x), el eje x y las rectas
verticales que pasan por los puntos extremos de Rx es 1.
 f(x)

Area = 1

a 0 b
 Función de densidad: interpretación

La probabilidad de que X esté entre a y b

se puede calcular como el área que queda de-
bajo de la curva f(x)
f(x)

a b X
El área delimitada por la curva f(x) en el intervalo [a,b]
se calcula como la integral de la función en dicho intervalo.
 Función de densidad: interpretación (II)

1. IMPORTANTE: la función de densidad per se NO

ES UNA PROBABILIDAD!!

Es decir, NO es verdad que f(x) = P(X=x)

(Recuerda que P(X=x) es siempre igual a cero si X

es una v.a. continua.

2. Al igual que la función de masa de prob., la función

de densidad siempre toma valores positivos. Pero,
dado que no es una probabilidad, PUEDE TOMAR
VALORES SUPERIORES A 1.
 Función de distribución F(x)

Este concepto es idéntico al que vimos para las v.a.

discretas.
Sea X una v.a. continua, su función de distribución
asocia a cada valor de X, x, la probabilidad de que
X sea menor o igual que x.
Es decir, sea F(x) la función de distribución de X,
entonces.

F:[0,1]

xF(x)=P(Xx)
 Propiedades

Tiene las mismas propiedades que F(x) definida para v.a.

Discretas.

 Siempre toma valores entre 0 y 1 (puesto que es una

probabilidad)

 F(x) es una función no decreciente. (puesto que acumula

probabilidades, que son siempre positivas o cero).

 Limx-F(x)=0 y LimxF(x)=1
 Relación entre F(x) y f(x)

 Recuerda que si X es una v.a. Discreta, se podía

pasar de f(x) a F(X) acumulando (sumando) las
probabilidades. Análogamente, era necesario
‘desacumular’ (restar) para pasar de F(x) a f(x).

 Si X es una v.a. continua, será necesario trasladar

esas operaciones al campo continuo. Por tanto:

- Para pasar de f(x) a F(X) será necesario integrar.

- Para pasar de F(x) a f(x) será necesario derivar.
Relación entre F(x) y f(x) (II)

Por tanto:

Dado F(x), podemos calcular f(x) como:

f(x)=F’(x)

Y dado f(x), F(x) se calcula como,

.
x
F ( x)  

f ( x)dx
 Ejemplo

 Sea f una función con regla de correspondencia:

𝑥 ∶ 0 ≤ 𝑥 ≤ 1/2
1
 𝑓 𝑥 = 1 ∶ ≤ ≤ 11/8
2
0 ∶ 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑙𝑢𝑔𝑎𝑟

 Verificar que es una función de densidad y graficarla.

 Hallar su función de distribución.
 Hallar: P[ X > ½ ]; P[-10 < x < ¼] U P[ ½ < x < 1]:
Ejemplo
 Ejemplo

Un cartero llega cada mañana entre las 8 y las 10.

Definimos X=tiempo transcurrido (medido en
horas) hasta que llega el cartero. Por tanto, X está
entre 0 y 2. Si la función de densidad de X es

k Si X está entre 0 y 2
f ( x)  
0 En caso contrario
• Calcula el valor de k
• ¿Cuál es la probabilidad de que el cartero llegue
entre las 9 y las 10?
• ¿Cuál es la probabilidad de que llegue a las 9 en
punto?
 Solución

1. Cálculo del valor de k

Sabemos que, 

 f (x)dx1

Por tanto,
 2

f(x k
2
) 
dx dxkx
]
2k
01 0

 0

Lo que implica que k=1/2

2
2.
1
2
 /2 1

dx/2
x]
1/2(
2 
1)
1/2 1
1
3. 0
 Ejemplo II
 Sea X = el tiempo que transcurre (en segundos) entre
la llegada a la meta del coche ganador y el segundo
en una carrera
 La función de densidad de X es,
f(x) = 0.15 e-0.15( x - 0.5), x  0.5.
Esto es f(x) = 0 para X< .5 y f(x) es una función que
decrece exponencialmente a partir de 0.5.

1. ¿Es f(x) es una función de densidad?

2. ¿Cuál es la probabilidad de que el segundo coche
llegue con menos de 5 segundos de diferencia?
 Ejemplo (cont.)
1. Es claro que f(x)  0. Verificamos que
  
 f ( x )dx   .15e 
.15( x .5 ) .15 x
dx .15e .075
e dx
 .5 .5

1 (.15)(.5)
 .15e .075
e  1.
.15
2.
5 5 5
P ( X  5)   f ( x )dx   .15e .15( x .5 )
dx .15e .075
 e .15 x dx
 .5 .5

1 .15 x x  5
 .15e .075
( e )  e.075 (e .75  e .075 )  .491.
.15 x  .5
 Función de distribución

Este concepto es idéntico al que vimos para las v.a.

discretas.
Sea X una v.a. continua, su función de distribución
asocia a cada valor de X, x, la probabilidad de que
X sea menor o igual que x.
Es decir, sea F(x) la función de distribución de X,
entonces.
F:[0,1]
xF(x)=P(Xx)
 Propiedades

Tiene las mismas propiedades que F(x) definida para v.a.

Discretas.

w Siempre toma valores entre 0 y 1 (puesto que es una

probabilidad)
w F(x) es una función no decreciente. (puesto que acumula
probabilidades, que son siempre positivas o cero).
w Limx-F(x)=0 y LimxF(x)=1
Relación entre F(x) y f(x)

 Recuerda que si X es una v.a. discreta, se podía

pasar de f(x) a F(X) acumulando (sumando) las
probabilidades. Análogamente, era necesario
‘desacumular’ (restar) para pasar de F(x) a f(x).
 Si X es una v.a. continua, será necesario trasladar
esas operaciones al campo continuo. Por tanto:
- Para pasar de f(x) a F(X) será necesario integrar.
- Para pasar de F(x) a f(x) será necesario derivar.
Relación entre F(x) y f(x) (II)

Por tanto:

Dado F(x), podemos calcular f(x) como:

f(x)=F’(x)

Y dado f(x), F(x) se calcula como,

x
F(x)  f(x)dx

 Ejemplo

Sea X con función de densidad,

f(x)=e-x si x>0

Calcula F(x) y comprueba que al derivar F(x) recuperas

f(x).


0 si x  0

x
F(x)  e  x
dx   x  x
  0
 x x
   e dx  e
0
 1 e  x
si x  0
 Cálculo de probabilidades con
f(x) y F(x)
 Recuerda que si X es continua, entonces
P(X=x)=0.
 Cálculo de P(a  X  b)
 Con la función de distribución P(a  X  b)= F(b) -
F(a).
 Con la función de densidad:
b

 f (x)dx
a
Variables aleatorias mixtas

 No todas las v.a son discretas o continuas.

 Podemos encontrar v.a. mixtas: en algunos
intervalos son v.a. discretas y en otros son
continuas.
Variables aleatorias mixtas (II)
Un ejemplo:

Una persona acude puntual a una cita con una

probabilidad igual a 0.5. Sea X la v.a. que mide el
tiempo que la otra persona esperando.

X es una v.a. mixta puesto que es discreta en un valor

(X=0) y contínua en los demás (X>0)

E.d. P(X=0)=1/2 pero P(X=x)=0 si x>0 puesto que para

estos valores la distribución de X es continua.
 Medidas descriptivas de la
distribución de X
 Para describir la distribución de X, podemos definir
las mismas medidas que se estudiaron en el caso de
v.a. discretas.

 Los conceptos, interpretación y propiedades son los

mismos.

 La única diferencia radica en el cálculo: al estar en el

campo continuo, las sumas que aparecen en las
fórmulas de esperanza, varianza etc. se sustituyen
por integrales.
Esperanza

 El concepto de esperanza es idéntico que en

el caso de v.a. discretas: es decir, nos da una
medida del centro de la distribución.
 La calculamos como una ‘suma’ de los
valores de la variable ponderados en este
caso por su densidad de probabilidad.



E(X)  
xf (x)dx.
Esperanza (II)

 Todas las propiedades que vimos que

cumple la esperanza de una v.a. Discreta
son validas también en este caso. Es decir:
 E(a)=a si a es una constante
 E(X+Y)=E(X)+E(Y)
 E(aX+b)=aE(X)+b.
 Ejemplo

La función de densidad (en minutos) del tiempo

de espera antes de ser atendido es
f(x) = x/8 for 0  x < 4.
 ¿Cuál es la probabilidad de esperar menos de
3 minutos?
 ¿Cuál es la esperanza del tiempo de espera?
 Solución

 Esperar menos de 3 minutos:

3 x x x3 9
2
P ( X  3)   dx    .5625.
0 8 16 x  0 16
 Esperanza

4 x x 3 x  4 64
E( X )   x  dx    2.667.
0 8 24 x  0 24
 Varianza y desviación típica.

 La varianza de una v.a. continua X se define igual

que el caso discreto,

  V (X)  E[(X  ) ]  E[X ]  E(X) .

2
X
2 2 2



(x  ) 2  f (x)dx 


 La interpretación es idéntica: mide la variabilidad de

X con respecto a su valor medio.
 Varianza y desviación tipica (II)
 Las propiedades de la varianza que se analizaron para las v.a.
Discretas también se mantienen en este caso. Entre ellas:
Si a es una constante, entonces V(a)=0.
Si la Var(X)=0, entonces X es una constante.
V(bX+a)=b2V(X)
Si X e Y indep. Entonces V(X+Y)=V(X)+V(Y)

La desviación típica:

 x  V ( X ).
 Ejemplo (Cont)

El tiempo de espera antes de ser atendido tiene

una función de densidad
f(x) = x/8 si 0  x < 4.
Calcula su varianza
- Por el ejercicio anterior E(X) = 2.667.

4 x x x  4 256
4
E( X )  
2
x  dx 
2
  8.
0 8 32 x  0 32
V ( X )  E ( X 2 )  [ E ( X )]2  8  2.6672  .889.
 Percentiles
 En ocasiones nos interesa conocer cuales son los
valores de la v.a. X que ocupan un cierto lugar en la
distribución.

 Por ejemplo, si X es una v.a que representa los salarios

en una empresa nos puede interesar conocer qué
salario cobra el individuo ‘mediano’, es decir, aquel que
que cumple que la mitad de los empleados cobran
menos que él (y por tanto, la otra mitad cobran más que
él.
 Percentiles II
 Es decir, nos preguntamos por el valor x que
verifica,

f(x)
50%

50%

x 0.5 X
 Percentiles III
 En general, el percentil p de una v.a. continua
se define como el valor de X, xp, que verifica
que
P(X< xp)=p

En el ejemplo anterior si x0.8=2000 quiere decir

que el 80% de los trabajadores de esa
empresa cobra menos de 2000 euros.
 Percentiles (y IV)
 Un tipo particular de percentil son los cuartiles.
 Q1: primer cuartil de de la distribución. Es el
percentil 0.25
 Q2: segundo cuartil, es el percentil 0.5 (mediana)
 Q3: tercer percentil. Percentil 0.75

25%
25%
25%
25%

x 0.25 x 0.5 x 0.75

Ejemplo
 El salario mensual de la empresa A (medido en
miles de euros) se distribuye de acuerdo a la
siguiente distribución:

f(x) = e-( x - 1), x  1

 Calcula e interpreta el primer cuartil.
 Calcula e interpreta el segundo cuartil.
 Calcula la esperanza. ¿Se trata de una
distribución simétrica?
Tipos de distribuciones
continuas
Introducción

 Al igual que en el tema 3, en este tema vamos

a estudiar algunas familias de distribuciones
continuas que se emplean a menudo.
 De entre ellas, la más importante es la
distribución normal.
 También veremos: distribución uniforme y
exponencial.
 Distribución uniforme continua
en el intervalo (a,b)
Definición: Sea X una v.a. Con una función de
densidad de constante en el intervalo (a,b), entonces
X sigue una distribución uniforme en el intervalo [a,
b].

Notación y parámetros. 2 parámetros: a y b. X~U(a,b)

 Distribución uniforme (II)
Descripción: La función de densidad de X viene dada
por

 1
a xb
f (x)   ba

0 en otro caso
Y la esperanza y la varianza

E(X)(ba)/2
2
V(X)(ba) /12

 función de distribución
X toma valores exclusivamente en el intervalo (a,b).
Entonces, si x < a, F(x) = 0 y si x  b, F(x) = 1. Si a  X b,

1 xa
F(x)   f (y)dy   a
x x
dy  .
Por tanto F(x) es ba ba

  0 xa
x  a
F(x)   a x b
b  a
 1 x  b.
 Ejemplo
 Tiempo de espera en una estación. Los autobuses
llegan a una parada en intervalos de 15 minutos a
partir de las 7 de la mañana. Esto es, llegan a las 7,
7:15, 7:30, etc. Si un pasajero llega a la parada en un
tiempo que consideramos como una v.a. Uniforme en
el intervalo entre las 7 y 7:30, calcula la probabilidad de
que
 Espere menos de 5 minutes;
 Espere más de 10 minutos.
 Solución
 Sea X el número de minutos que transcurren después de
las 7 hasta que el pasajero llega a la parada. Entonces
{esperar < 5 min.} = {10 < X < 15 ó 25< X < 30}

1 15 30 1 1
P (10  X  15)  P(25  X  30)   dx   dx  .
 De manera análoga, 10 30 25 30 3
{esperar > 10 min.} = {0 < X < 5 or 15< X < 20}

5 1 20 1 1
P (0  X  5)  P(15  X  20)   dx   dx  .
0 30 15 30 3
 Ejercicio propuesto

 Un palo de una largura de un metro se casca

de manera aleatoria por cualquiera de sus
puntos. Determina la largura esperada de las
dos piezas resultantes.