Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

3.5 Variables aleatorias continuas

En la seccin anterior se consideraron variables aleatorias discretas, o sea variables aleatorias cuyo
rango es un conjunto finito o infinito numerable. Pero hay variables aleatorias cuyo rango son todos
los nmeros reales de un intervalo dado, (es decir es un conjunto infinito no numerable). Ejemplos
de variables continuas podran ser
X: tiempo que tarda en llegar un colectivo a una parada
Y: tiempo de vida de un fusible
Como ahora los valores de una v.a. continua no son contables no se puede hablar del i-simo valor
de la v.a. X y por lo tanto p( xi ) = P( X = xi ) pierde su significado. Lo que se hace es sustituir la
funcin p(x) definida slo para x1 , x 2 ,.... , por una funcin f (x) definida para todos los valores x
del rango de X. Por lo tanto se da la siguiente definicin de v.a. continua

Sea X una v.a.. Decimos que es continua si existe una funcin no negativa f , definida sobre todos
los reales x ( , ) , tal que para cualquier conjunto B de nmeros reales
P( X B ) = f ( x)dx
B

O sea que la probabilidad de que X tome valores en B se obtiene al integrar la funcin f sobre el conjunto B.
A la funcin f la llamamos funcin densidad de probabilidad (f.d.p.).

Observaciones:
1- Como X debe tomar algn valor real, entonces debe cumplirse que

1 = P ( < X < ) =

f ( x)dx

2- Si B es el intervalo real [a , b] = {x R; a x b} entonces

b

P( X B) = P(a X b) = f ( x)dx
a

Notar que en este caso la probabilidad de que X

tome valores en el intervalo [a, b] es el rea bajo
f entre a y b
3- Si en la observacin anterior a = b entonces
a

P( X = a ) = f ( x)dx = 0
a

Es decir la probabilidad que una v.a. continua tome algn valor fijado es cero. Por lo tanto, para
una v.a. continua

56

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

P(a X b) = P(a < X b) = P(a X < b ) = P(a < X < b) = f ( x)dx

a

Funcin de distribucin acumulada

Sea X una v.a. continua. Se define la funcin de distribucin acumulada de X (abreviamos F.d.a
de X) como
F ( x) = P( X x)

< x <

Si X tiene f.d.p. f(x) entonces

x

f (t )dt

F ( x) = P( X x) =

< x <

Adems
b

P(a X b) = f ( x)dx =

f ( x)dx f ( x)dx = F (b) F (a)

Observaciones:
1- Si X es una v.a. con f.d.p. f(x) y funcin de distribucin acumulada F (x) entonces
x

dF ( x ) d
= f (t )dt = f ( x) donde F (x) sea derivable
dx
dx

Es decir, se puede obtener la funcin de densidad de X a partir de su F.d.a.

2- Como en el caso discreto vale

Si a < b entonces F (a ) F (b ) (es decir F(x) es una funcin creciente)

Y adems se cumple que

lim F ( x) = lim
x

f (t )dt = f (t )dt =1

lim F ( x) = lim

f (t )dt = f (t )dt =0

Ejemplos:
1- Supongamos que X es una v.a. continua con f.d.p. dada por
a) Cul es el valor de C?
C (4 x 2 x ) si 0 x 2
f ( x) =
0 caso contrario
2

b) Hallar P( X > 1)
c) Hallar la F.d.a. de X
57

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

Solucin:

a) Por lo dicho en la observacin 1, se debe cumplir que 1 =

f ( x)dx , por lo tanto

1=

f ( x)dx =

0.7

x2
x3
8
2 = C = 1
C 4 x 2 x 2 dx = C 4
3 0
3
2
0
3
C=
8

Entonces
2

2
2
0dx + C 4 x 2 x dx + 0dx = C 4 x 2 x dx

0.6
0.5
0.4
0.3
0.2
0.1

Es til hacer un grfico de la densidad

0.5

1.5

b) Para calcular la probabilidad que X sea mayor que 1, planteamos

P( X > 1) =
2

=
1

3
1
4 x 2 x 2 dx =
8
2

c) Para calcular la F.d.a. notar que

tenemos tres casos: x < 0 , 0 x 2 y
x > 2 , por lo tanto

0
si x < 0
x 3
F ( x ) = 4t 2t 2 dt si 0 x 2
0 8
1
si x > 2

es decir

0
3 2 x
F ( x ) = x 1
4 3
1

si

x<0

si 0 x 2
si

x>2

El grfico de la F.d.a. es

Se podra haber calculado la P ( X > 1) a partir de la F.d.a. de la siguiente forma

58

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

3 1
3 2 1
P( X > 1) = 1 P( X 1) = 1 F (1) = 1 12 1 = 1 =
4 3
4 3 2

2- El tiempo de vida en horas que una computadora funciona antes de descomponerse es una v.a.
continua con f.d.p. dada por
0.01e 0.01x si x 0
f ( x) =
si x < 0
0

a) hallar la F.d.a. de X

b) Cul es la probabilidad que la computadora funcione

entre 50 y 150 horas antes de descomponerse?
c) Cul es la probabilidad que una computadora se descomponga antes de registrar 100 horas de uso?
d) Cul es la probabilidad que exactamente 2 de 5 computadoras se descompongan antes de registrar 100 horas de uso?. Asumir que las computadoras trabajan en forma independiente.
Solucin:
a) Hacemos un grfico de la densidad y entonces observamos claramente que
hay dos casos a considerar para calcular
la F.d.a.: x 0 y x < 0
0.01
Si x < 0 entonces
0.008

0dx = 0

F ( x) = P( X x) =

0.006

Y si x 0 tenemos

0.004
0

0dt + 0.01e

F ( x ) = P( X x) =

0.01t

dt =

0.002

e 0.01t
= 1 e 0.01x
= 0 + 0.01

0
.
01

100

200

300

400

500

1 e 0.01x si x 0
F ( x) =
0 caso contrario

La grfica de la F.d.a. es

Se pide calcular P(50 X 150) , lo hacemos con la F.d.a.:

59

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

P (50 X 150) = F (150) F (50) = e 0.0150 e 0.01150 = 0.3834

f(x)

c) Hay que calcular P( X < 100)

P( X < 100) = F (100) = 1 e 0.01100 = 1 e 1 0.63212
d) Podemos definir la v.a.
Y: nmero de computadores entre 5 que se descomponen antes de las 100 horas de uso
Entonces Y ~ B( 5,p) donde p = P( X < 100)
Por lo tanto hay que calcular
5
2
3
5!
3
P(Y = 2) = p 2 (1 p ) =
1 e 1 e 1 0.198937
2
2!3!

)( )

3.6 Esperanza de una variable aleatoria continua

Para una v.a. discreta la E ( X ) se defini como la suma de los xi p ( xi ) . Si X es una v.a. continua con
f.d.p. f(x), se define E ( X ) sustituyendo la sumatoria por integracin y p ( xi ) por f(x).
La esperanza de una v.a. continua X con f.d.p. f(x) se define como

E( X ) =

xf ( x)dx

Ejemplo:
Para ciertas muestras de minerales la proporcin de impurezas por muestra, es una v.a. X con f.d.p.
dada por
3 2
x + x si 0 < x < 1
f ( x) = 2
0 caso contrario

Hallar la esperanza de X

60

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

Solucin:
Se plantea
3 x4 x3
3 2

E ( X ) = x x + x dx =
+
3

2 4
0 2
1

3 1 1 17
= + =
0 2 4 3 24

A menudo se desea calcular la esperanza de una funcin de X, Y = h(X), esto se puede hacer hallando previamente la densidad de Y y luego calcular E(Y) aplicando la definicin anterior.
Otra forma de calcular E(Y) sin hallar la densidad de Y est dada por el siguiente
Teorema: Si X es una v.a. continua con f.d.p. f(x) y h(X) es cualquier funcin de X, entonces

E (h( X )) =

h( x) f ( x)dx

Dem.) sin demostracin

Ejemplo: En el ejemplo anterior supongamos que el valor en dlares de cada muestra es
Y = h ( X ) = 5 0.5 X . Encontrar la esperanza de Y
Podemos hallar la esperanza de Y encontrando previamente su f.d.p.
Para esto se encuentra la F.d.a. de Y , para luego hallar la densidad de Y derivando la F.d.a
Anotamos G ( y ) y g ( y ) a la F.d.a de Y y a la densidad de Y respectivamente
5 y
5 y

5 y
G( y) = P(Y y) = P(5 0.5X y) = P X
= 1 P X
= 1 F

0.5
0.5

0.5
Donde F ( x) = P( X x)

Entonces
d
5 y
5 y 1
g ( y) =
1 F
= f

=
dy
0.5
0.5 0.5
3 5 y 2 5 y 1

si
0.5
= 2 0.5
0
.
5

0
caso contrario

5 y 1
f

=
0.5 0.5

0<

5 y
<1
0.5

O sea
3 5 y 2 5 y 1

+
si

g ( y ) = 2 0.5
0.5 0.5

0
caso contrario

9
< y<5
2

Ahora calculamos la E (Y )
3 5 y 2 5 y 1
223

E (Y ) = y
dy =
+

2 0 .5
0.5 0.5
46
9
2
5

61

Parte 1 Variables aleatorias

Prof. Mara B. Pintarelli

Aplicando el teorema anterior los clculos se reducen:

1
223
3

E (Y ) = E ( h( X )) = (1
54
2
0.4
53
x ) x 2 + x dx =
46
124243
0
h( x )
f(x)

Notar que de la misma forma que en el caso discreto, si h( x) = ax + b , es decir si h es una funcin
lineal, aplicando las propiedades de linealidad de la integral tenemos
E ( aX + b) = aE ( X ) + b

En el ejemplo anterior se poda encontrar la esperanza de Y haciendo

E (Y ) = E (h ( X )) = E (5 0.5 X ) = 5 0.5 E ( X ) = 5 0.5

17 223
=
24 46

Varianza de una variable aleatoria continua

Sea X una v.a. continua con f.d.p. f(x) y sea E ( X ) = , entonces la varianza de X es
V (X ) =

] (x )

= E (X ) =

2
X

f ( x)dx

La interpretacin de la varianza de una v.a. continua es la misma que para el caso discreto.
Adems sigue valiendo la igualdad

( )

V (X ) = E X 2 2
Pues en la demostracin hecha para el caso discreto si sustituyen las sumatorias por integrales.
Por la misma razn, tambin vale que

V (aX + b) = a 2V ( X )

aX +b = a X

Ejemplo:
Calculamos la varianza de Y = 5 0.5 X
V (Y ) = 0.5 2 V ( X )
17
V ( X ) = E( X ) = E ( X )
24
2

3 x5 x 4
3

E ( X ) = x x 2 + x dx =
+
4
2

2 5
0
1

V (X ) =

11 17

20 24

3 1 1 11
= + =
0 2 5 4 20

11 17 2
V (Y ) = 0.5 2
20 24

= 139
11520

62