1

Distribuciones continuas

Algunos modelos de probabilidad son frecuentemente

usados para representar la funci
on de densidad de
probabilidad de variables aleatorias continuas. Aquellos m
as utilizados son descritos a continuaci
on.

1.1

Distribuci
on Uniforme continua, U[, ]

Es una generalizaci
o de la distribuci
on Uniforme discreta, y es el modelo m
as simple de una variable aleatoria continua.
Definici
on. Una variable aleatoria X tiene distribuci
on
Uniforme continua de par
ametros y con < ,
ambos reales, si su funci
on de densidad de probabilidad est
a dada por
fX (x) =

1 , x

si no

0.0

0.2

0.4

0.6

0.8

1.0

El gr
afico de fX (x) tiene la siguiente forma,

-4

-2

Figure 1: Funci
on de densidad de la U[,].
Ejemplos.

1. Si X U[,], la esperanza es

E (X ) =



x

dx =

2 ( ) 

+
=
.
2

x2

2. Su varianza es

V (X ) =


2
E X E 2 (X )

Z
2


x
+ 2
=
dx
2



( )2
( )2
+ 2
=
=

.
3
2
12


3. Su funci
on de distribuci
on acumulada es

0,
x<
1
x , x
dz =
FX (x) =

1,
x
Z x

y su gr
afico es

Ejemplo. La escala de una balanza de palanca instalada en un laboratorio tiene el valor de una divisi
on
igual a un gramo. Al medir la masa de los componentes qumicos de una mezcla, la lectura se toma
con una precisi
on hasta una divisi
on entera redondeando con el error mnimo.

1.0
0.8
0.6
0.4
0.2
0.0
0

10

15

20

Figure 2: Funci
on de distribuci
on acumulada de la
distribuci
on U[,].
Cu
al es la probabilidad de que el error absoluto de la
determinaci
on de la masa no exceda la magnitud de
una desviaci
on est
andar?
Supongamos que la aguja de la balanza se distribuye
uniformemente entre cero y un gramo.

Luego, la desviaci
on est
andar es
=

( )
=
12

(1 0)2
1
=
12
2 3

Por otro lado, el error de la determinaci

on de la masa
es peque
no, o sea menor a , si la aguja marca en el
conjunto
[0, ] [1 , 1]
Por tanto, la probabilidad que estamos buscando es

P ([0, ] [1 , 1]) = P ([0, ]) + P ([1 , 1])

= 2P ([0, ]) = 2

Z
0

dx

= 0.577 35.
= 2 =
3

1.2

Distribuci
on Exponencial, E ()

Definici
on. Diremos que una variable aleatoria X
tiene distribuci
on Exponencial con par
ametro > 0

si su funci
on de densidad de probabilidad es
fX (x) =

ex, x > 0
0,
x0

0.0

0.1

0.2

0.3

0.4

El gr
afico de fX (x) se ilustra en la siguiente figura:

10

15

Figure 3: Funci
on de densidad de probabilidad de la
distribuci
on E ().
Por otro lado, es f
acil verficar que

E (X ) =

Z
0

xexdx =

V (X ) = E
=


2
X E 2 (X )

Z
0

1
1
x2exdx 2 = 2

Su funci
on de distribuci
on acumulada es
FX (x) = 1 ex,

si x > 0, y es cero si x 0.
La distribuci
on Exponencial tiene una relaci
on interesante con la distribuci
on de Poisson: Si en una unidad
de tiempo se observan n conteos con distribuci
on P (),
entonces el tama
no de los intervalos de tiempo entre
cada conteo distribuye E ().
Ejemplo. El tiempo de vida (en horas) de cierto tipo
de l
amparas es una variable aleatoria T E (0.002).

De aqu se tiene entonces que la vida media de este

tipo de l
amparas es
1
= 500
0.002
horas, y la probabilidad de que el tiempo de vida sea
mayor que el tiempo medio es

E (X ) =

P (X > 500) = 1 P (X 500) = 1 FX (500)

= e0.002500 = e1 = 0.3679.

1.3

Distribuci
on Normal, N , 2


Esta es la distribuci
on m
as importante de la Estadstica
debido, fundamentalmente, a que en muchas ocaciones es razonable suponer que los errores de medici
on
tienen distribuci
on Normal y porque posee propiedades
matem
aticas deseables.
Definici
on. Diremos que una variable aleatoria X
tiene distribuci
on Normal con par
ametros y 2, donde

 R y > 0, si su funci
on de densidad est
a dada
por
fX (x) =

1
2 2

exp

1 (x )
2 2

2)

donde x R.
El siguiente gr
afico ilustra esta funci
on de densidad
para los par
ametros y 2,
Algunas propiedades son:
1. E (X ) = y V (X ) = 2.

2.

lim fX (x) = 0.
n

3. fX (x) es sim
etrica en torno a , es decir, fX ( + x) =
fX ( x) para todo x R.

0.4
0.3
0.2
0.1
0.0

-4

-2

Figure 4: Funci
on de densidad de probabilidad de la
distribuci
on N , 2 .
La distribuci
on acumulada de la Normal no tiene una
forma analtica explcita. Luego, para calcular probabilidades con variables aleatroias normales es necesario el uso de m
etodos num
ericos para el c
alculo de
integrales.
Las
areas bajo la curva Normal han sido calculadas
para la llamada distribuci
on normal est
andar, esta es

la distribuci
on Normal con par
ametros = 0 y 2 =
1.
La siguiente tabla muestra la funci
on de distribuci
on

acumulada para la distribuci

on N (0, 1). Esta
es denotada por (x), o sea,
Z x

x2

(x) =
exp
2
2

dx.

C
omo utilizar la tabla?
Ejemplos.
1. P (Z 1.73) = (1.73) = 0.9582.
2. P (Z > 1.73) = 1 (1.73) = 1 0.9582 =
0.041 8.
3. (1.73) = P (Z 1.73) = P (Z 1.73) =
0.0418.

4. P (1.73 Z 0) = P (0 Z 1.73)
= P (Z 1.73) 0.5 = 0.9582 0.5 = 0.4582.
5. P (0.47 Z 1.73) = (1.73)P (Z < 0.47) =
0.9582 0.6808 = 0.277 4.
6. P (1.73 Z < 1.28) = P (1.28 < Z 1.73) =
(1.73) (1.28) = 0.9582 0.8997 = 0.0585.
Pero, c
omo podemos calcular probabilidades con otras
distribuciones normales?


X N , 2

Proposici
on. Si
aleatoria Z definida por

, entonces la variable

tiene distribuci
on normal est
andar.
Z=

Ejemplos.

1. Si

X N , 2

, calcular P (a < X b).

X
b
a
<

P (a < X b) = P




b
a
= P Z
P Z





b
a
=

2. Si X N (3, 16), calcular P (2 X 5).

P (2 X 5) =
=
=
=
=
=

23
X 3
53
P

4
4
4
P (0.25 Z 0.5)
P (Z 0.5) P (Z 0.25)
(0.5) [1 (0.25)]
0.6915 1 + 0.5987
0.2902.


Por tanto, P (2 X 5) = 0.2902.

3. Cu
al sera el primer y tercer cuartil de X
N (3, 16)?

(a) Hasta el tercer cuartil se acumula un 75% de

la probabilidad. Luego, por definici
on de Q3
se tiene:


Q3 3
0.75 = P (X Q3) = P Z
4
Por tanto, si z0.75 es el punto de la distribuci
on
normal est
andar hasta donde se acumula un
75% de la probabilidad entonces
Q3 3
= z0.75 = 0.675,
4
por lo que Q3 = 5.7.

(b) Hasta el primer cuartil se acumula un 25% de

la probabilidad. Luego, por definici
on de Q1
se tiene:


Q1 3
0.25 = P (X Q1) = P Z
4
Por tanto, si z0.25 es el punto de la distribuci
on
normal est
andar hasta donde se acumula un
25% de la probabilidad entonces
Q1 3
= z0.25 = z0.75 = 0.675,
4

por lo que Q1 = 0.3.

Finalmente, el intervalo intercuartlico de X
N (3, 16) es IQR = 5.7 0.3 = 5. 4.