Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SEMANA 2
NDICE
2
ESTE DOCUMENTO CONTIENE LA SEMANA 2
VARIABLES ALEATORIAS CONTINUAS Y DISTRIBUCIONES
DE PROBABILIDAD CONTINUAS
APRENDIZAJES ESPERADOS
Identificar elementos que involucran distribuciones de probabilidad de variables
continuas.
INTRODUCCIN
Muchos indicadores econmicos y empresariales como las ventas, la inversin, el consumo los
costos y los ingresos se presentan por medio de variables expresadas en cantidades decimales.
Adems, las medidas del tiempo, la distancia, la temperatura y el peso encajan en esta
categora. Estas variables se denominan variables continuas, ya que estn medidas en nmeros
reales.
Aunque en la realidad casi todas las variables en algn momento se redondean, es importante
que las variables aleatorias continuas y sus distribuciones de probabilidad sean buenas
aproximaciones en muchos problemas aplicados. Por lo tanto, estos modelos son muy
relevantes y constituyen excelentes instrumentos para las aplicaciones empresariales y
econmicas.
FX x P X x para todo x
3
ESTE DOCUMENTO CONTIENE LA SEMANA 2
DEFINICIN:
Se llama soporte de X a todos los posibles valores que puede tomar la variable x (Olea, 2011, p.
9).
X x1 , x2 , x3 ,...xn
(1) P a X b f X x dx
b
a
Y:
FX x P X x f X t dt
x
Con:
d
fX x FX x
dx
Notar que:
P x X x dx f X x dx
4
ESTE DOCUMENTO CONTIENE LA SEMANA 2
PROPIEDADES:
FX 0 y FX 1
FX x 0 para todo valor de x y es no decreciente.
FX x es continua para la derecha.
Para el caso continuo, la ecuacin (1) se puede escribir como (Olea, 2011, p. 13):
P a X b f X x dx f X x dx
b a
P a X b pX xi pX xi
xi b xi a
P a X b FX b FX a
Ejemplo 1: Considere la carga ejercida de 100 kg sobre un punto al azar de una viga de largo 10
m (ver figura). La distribucin de probabilidad de la posicin de carga X se distribuye en forma
uniforme (0,10).
c, 0 x 10
fX x
0, en otro caso
0, x0
x
FX x , 0 x 10
10
1, x 10
5
ESTE DOCUMENTO CONTIENE LA SEMANA 2
Ejemplo 2: La vida til (T en horas) de mquinas de soldar no es totalmente predecible, pero
puede ser descrita por la distribucin exponencial la cual tiene la siguiente funcin de
densidad:
e t , t 0
fT t En que es una constante positiva.
0, en otro caso
Medidas de centralidad.
Medidas de dispersin.
Medidas de asimetras y otras.
3. VALOR CENTRAL
Del rango de los valores posibles de una variable aleatoria, el valor central tiene un inters
especial.
Dado que para cada valor existe una medida de probabilidad, el centro equivale a un promedio
ponderado.
Se define el valor esperado o esperanza o media de una variable aleatoria X a (Olea, 2011, p.
24):
X E X x f X xi dx, Caso continuo
Moda: valor con mayor probabilidad. Si se trata de una funcin continua, se obtiene
maximizando la funcin, esto es, derivando e igualando a cero.
Mediana: valor central. Sea xmed el valor que toma la mediana, entonces:
FX x med
1
2
6
ESTE DOCUMENTO CONTIENE LA SEMANA 2
En general, en distribuciones simtricas estos valores coinciden (media, mediana, moda).
Mientras que en distribuciones asimtricas difieren.
Tambin puede ser necesario conocer la esperanza de una funcin determinada. Dada una
funcin g x , entonces el valor esperado de esta puede ser obtenido como:
E g x g x f X xi dx, Caso continuo
2 X Var X E X X X X f X xi dx,
2 2
Caso continuo
X Var X
X
X
X
Ejemplo: Sea X una variable aleatoria cuya funcin de densidad dada por:
e x , x 0, 0
fX x
0, en otro caso
7
ESTE DOCUMENTO CONTIENE LA SEMANA 2
Solucin:
Para la esperanza:
X E X x f X x dx
x e x dx
0
t x
dt dx
dt
dx
t et dt
0
te e dt
1 1
0
t et dt t t
te e t
1
t
0
1
0 0 0 1
1
FX xmed
2
8
ESTE DOCUMENTO CONTIENE LA SEMANA 2
FX x f X x dx
x
FX x e t dt
x
x
e t
0
1 e t
1
FX xmed 1 e xmed
2
1
e xmed
2
1
ln ln e xmed
2
ln 2 xmed
ln 2
xmed
Para la varianza:
Var X E X 2 E X
2
Se calcula primero E X :
2
E X 2 x 2 f X x dx
x 2 e x dx
0
9
ESTE DOCUMENTO CONTIENE LA SEMANA 2
0
x 2 e x dx x 2 e x 2 x e x dx
0
2
x 2 e x x e x dx
0
1
x e
x
Pero dx de acuerdo a lo calculado en la esperanza:
2 1
x 2 e x
0
1
X
1
2
X
X 1
6. DISTRIBUCIN EXPONENCIAL
En un proceso de Poisson el tiempo transcurrido entre la ocurrencia de eventos puede ser
descrito por una distribucin exponencial. Si T1 representa al tiempo pasado hasta la
ocurrencia del primer evento en un proceso de Poisson, el evento (T1 > t) implica que en el
intervalo (0, t) no ocurren eventos, es decir (Olea, 2011, p. 67):
vt e vt
0
P T1 t P X t 0 e vt
0!
Esto quiere decir que la funcin de distribucin exponencial nace a partir del proceso de
Poisson.
10
ESTE DOCUMENTO CONTIENE LA SEMANA 2
Por lo tanto, la funcin de distribucin de probabilidad acumulada de T1 est dada por:
FT1 t P T1 t 1 P T1 t 1 et
d
fT1 t FT1 t e t
dt
Adems, esta distribucin tambin carece de memoria, es decir, lo que haya ocurrido con el
valor de la variable que se estudia en los intervalos de tiempo anteriores, no afecta el
resultado de la probabilidad en el intervalo de tiempo en que se est midiendo.
Ejemplo: Un motor tiene una vida til de X horas, que puede considerarse como una variable
continua con distribucin exponencial. Si la vida til esperada es de 50 horas y posee un costo
de 320 dlares. Si el motor dura menos de 70 horas se asigna una prdida de 110 dlares
adicionales al fabricante. Calcular el costo esperado.
Solucin:
exp 50 con
1
X
50
Datos:
11
ESTE DOCUMENTO CONTIENE LA SEMANA 2
Costo + prdida = US$ 430 si X 70
E C C x P X 70 C x P X 70
Recordar que las probabilidades deben acumular a los percentiles, por lo tanto para
P X 70 se usa la propiedad de la probabilidad del complemento.
E C C x 1 P X 70 C x P X 70
70
1
70
1
E C 320 1 1 e 50 430 1 e 50
70
1
70
1
E C 320 1 1 e 50 430 1 e 50
1
70 70
1
E C 320 e 50
430 1 e 50
E C 78,91 323,96
7. DISTRIBUCIN NORMAL
En estadstica y probabilidad se llama distribucin normal, distribucin de Gauss o distribucin
gaussiana, a una de las distribuciones de probabilidad de variable continua que con ms
frecuencia aparece en fenmenos reales.
12
ESTE DOCUMENTO CONTIENE LA SEMANA 2
1 x 2
1
fX x e 2
, x
2 2
, 0
x2
1
fX x e 2
13
ESTE DOCUMENTO CONTIENE LA SEMANA 2
Sea S una variable aleatoria con distribucin normal estndar, cuya funcin de distribucin de
probabilidad acumulada est dada por:
x2
1
s FS s
s
2
e dx
2
PROPIEDADES:
SP 1 p 1 1 p
s 1 s
Sea X una variable aleatoria normal , con funcin de distribucin acumulada FX . Para
dos valores dados a y b (con a < b) se tiene que (Olea, 2011, p. 42):
14
ESTE DOCUMENTO CONTIENE LA SEMANA 2
P a X b FX b FX a
Ejemplo: Durante una tormenta el drenaje de una comunidad se comporta como una variable
aleatoria normal con una media y desviacin estndar estimada de 1,2 y 0,4 millones de
galones diarios (mgd) respectivamente.
a) Si el sistema de drenaje de aguas pluviales fue diseado para soportar una capacidad
mxima de 1,5 mgd. Cul es la probabilidad de que el sistema colapse?
Solucin:
P X 1,5 1 P X 1,5
1 FX 1,5
1,5 1, 2
1
0, 4
1 0,75
1 0,7734
0, 2266
b) Cul es la probabilidad que el sistema deba soportar un drenaje entre 1,0 y 1,6 mgd?
Solucin:
P 1 X 1,6 P X 1,6 P X 1
15
ESTE DOCUMENTO CONTIENE LA SEMANA 2
FX 1,6 FX 1
1,6 1, 2 1 1, 2
0, 4 0, 4
1 0,5
1 1 0,5
0,8413 1 0,6915
0,8413 0,3085
0,5328
c) Cul es la carga de agua durante una tormenta que soporta el sistema de drenaje
correspondiente al percentil 90?
Solucin:
P X x 0,9
X x 1, 2
P 0,9
0, 4
x
0,9
x 1, 2
1, 28
0, 4
x 1,71
16
ESTE DOCUMENTO CONTIENE LA SEMANA 2
TEOREMA
x
Z
x np
Z
np 1 p
Ejemplo: Supngase que el nmero de bits que se reciben de manera errnea en un canal de
comunicacin digital puede modelarse con una variable aleatoria binomial. La probabilidad de
recibir un bits de manera errnea es 1105 . Si se transmiten 16 millones de bits cul es la
probabilidad que se presenten 150 errores?
Solucin:
x B 16.000.000,1105
Se pide P x 150 :
P x 150 1 P x 150
10 1 10
150 16.000.000
5 16.000.000 x
1 5 x
x 0 x
0,772
Si se resuelve como si se tratara de una distribucin normal, sabiendo que en este caso:
x np
Z
np 1 p
17
ESTE DOCUMENTO CONTIENE LA SEMANA 2
x np x 16.000.000 105
P x 150 P
np 1 p 16.000.000 10 1 10
5 5
x 160
P z
160 1 10
5
P z 0,79
P z 0,79
0,785
Observacin 1:
Observacin 2:
entonces P X 1,5 .
18
ESTE DOCUMENTO CONTIENE LA SEMANA 2
COMENTARIO FINAL
Muchos indicadores econmicos y empresariales como las ventas, la inversin, el consumo, los
costos y los ingresos pueden presentarse como variables aleatorias continuas.
Las variables aleatorias continuas y sus distribuciones son buenas aproximaciones en muchos
problemas aplicados. Por lo tanto, estos modelos son muy importantes y constituyen
excelentes instrumentos para las aplicaciones empresariales y econmicas.
19
ESTE DOCUMENTO CONTIENE LA SEMANA 2
REFERENCIAS
Unidos: McGraw-Hill.
Newbold, P.; Carlson, W. & Thorne, B. (2009). Estadstica para la administracin y economa.
Olea, R. (2011). Estadstica para ingeniera. Apuntes Curso de verano TAV. Chile. Pontificia
Santiago, J. (2006). Apuntes Curso de estadstica II. Santiago, Chile: Universidad de Santiago de
Chile.
20
ESTE DOCUMENTO CONTIENE LA SEMANA 2