Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Unidad IV
Unidad IV
Oscar R. Diaz
Universidad de El Salvador, Facultad de Ingeniera y Arquitectura
UNIDAD 4
4.1 VARIABLES ALEATORIAS CONTINUAS.
Por Oscar Daz.
Considere, por ejemplo, el peso de un recin nacido en libras. Suponga que al momento de nacer el
peso se reporta hasta la libra ms cercana, de manera que un peso de 7 libras representa a cualquier
peso comprendido entre 6.5 y 7.4. Si se observa el peso de un gran nmero de recin nacidos se
puede construir un histograma como el de la figura (a), donde el rea de cada rectngulo es la pro-
babilidad aproximada de observar el peso respectivo y la suma de todas las reas de los rectngulos
es 1.
Suponga ahora que los pesos se miden hasta la dcima ms cercana. Ahora existen una mayor can-
tidad de datos que pueden ser reportados, como 6.4, 7.5, 7.8 y 9.0 libras. Un histograma de una
gran cantidad de estas lecturas sera como en (b) donde los rectngulos son ahora ms estrechos y
el histograma ms suavizado. Como antes, el rea de cada rectngulo es una probabilidad apro-
ximada y la suma de las reas de todos los rectngulos es 1.
En la figura (c) se muestra lo que sucede si los pesos son medidos con una precisin infinita. El
histograma resultante se aproxima a una curva suave a la cual representaremos por f ( x) y llama-
remos funcin de densidad de probabilidad de la variable aleatoria continua X . Esta funcin debe
cumplir algunos requerimientos bsicos y ser el objeto de estudio de esta unidad. Si bien no traba-
jaremos con los histogramas, no pierda de vista que sta funcin de densidad proviene siempre de
uno de ellos.
(a) (b)
Pero Qu es una funcin de densidad de probabilidad? Para explicarlo, considere la figura (b). Si
0 y muy pequeo, entonces, la probabilidad que la variable est entre y + est dada por
el rea bajo la curva entre este par de valores:
P(a X a ) f (a)
P(a X a )
f (a)
Y es esta forma la que nos proporciona la interpretacin de una funcin de densidad de probabili-
dad:
Funcin de Densidad de Probabilidad: Una funcin de densidad de probabilidad puede ser in-
terpretada como una probabilidad por unidad de longitud. Por tanto, las funciones de densidad
de probabilidad no son una probabilidad, son densidades y sus unidades son probabilidad por
unidad de longitud.
Propiedades de f(x)
Toda funcin de densidad de probabilidad debe satisfacer dos propiedades bsicas:
Estas dos condiciones son todo lo que necesitamos para tener una funcin de densidad de probabi-
lidad legtima. Podemos dar ahora una definicin formal de lo que es una variable aleatoria continua
Definicin:
Una variable aleatoria continua es una variable aleatoria cuyas probabilidades pueden ser
descritas por una funcin de densidad de probabilidad.
El clculo de probabilidades para variables aleatorias continuas, involucran los siguientes tres tipos
de eventos:
b
P (a X b) f ( x )dx
a
3. P ( X b ) , el evento donde la variable aleatoria es mayor o igual que b (al menos b, por lo
menos b). Esta probabilidad equivale a P ( X b)
P ( X b)
P ( X b)
b
f ( x)dx
Ejemplo 1: Una distribucin Uniforme. Sea que X represente una variable aleatoria continua de-
finida como la cantidad de tiempo (en minutos) requerido para procesar una aplicacin de crdito.
Suponga que X tiene una distribucin de probabilidad con funcin de densidad
0.5 4 x 6
f ( x)
0 en otro caso
Solucin:
f ( x) f ( x) f ( x)
Entonces:
5.5
a) P(4.5 X 5.5) 0.5dx (0.5) x
5.5
(0.5)(5.5 4.5) (0.5)(1) 0.5
4.5
4.5
6.0
0.5dx (0.5) x
6.0
P( X 5.5) (0.5)(6.0 5.5) (0.5)(0.5) 0.25
5.5
5.5
b) De acuerdo a este modelo, a la larga, el 25% de las aplicaciones de crditos tendrn tiempos de
procesamiento que excedan los 5.5 minutos.
Nota: intuitivamente una variable aleatoria uniforme describe la siguiente situacin: Sabemos que
los valores numricos de la variable aleatoria estn comprendidos entre un par de nmeros a y b
pero no sabemos nada ms. No existe ninguna razn que nos lleve a pensar que algunas regiones
son ms probables que otras. En este sentido, la distribucin uniforme modela una situacin de
completa ignorancia. La funcin de densidad puede ser escrita en este caso como
1
a xb
f ( x) b a
0 en otro caso
Ejemplo 2: Una distribucin lineal. Doscientos paquetes de menos de 2 libras, enviados usando el
servicio de correo express, fueron pesados resultando en una muestra de tamao 200 de la variable
aleatoria X = peso del paquete [en libras] de la poblacin de todos los paquetes de menos de 2
libras enviados usando este servicio. En la figura (a) se muestra el histograma de frecuencias relati-
vas que se obtuvo para la muestra. La forma del histograma sugiere que un modelo razonable para
la distribucin de X podra ser la distribucin triangular de la figura (b)
f ( x) f ( x)
Peso Peso
1
x 0 x2
f ( x) 2
0 en otro caso
Puede verificarse fcilmente que esta funcin cumple los requerimientos para ser una funcin de
densidad de probabilidad legtima.
Podemos usar esta funcin para encontrar, por ejemplo, la proporcin de paquetes de ms de 1.5
libras:
2.0
1 1 1 2 7
2 xdx 4 x
2 2.0
P( X 1.5) (2 1.52 )
1.5
1.5 4 16
1 1 9
P( X 1.5) (base)(altura) (1.5)(0.75) entonces, por propiedad del complemento
2 2 16
9 7
P( X 1.5) 1 P( X 1.5) 1
16 16
Compruebe que puede usar este enfoque para calcular las dos probabilidades del ejemplo 1
X2 E X 2 2 x
2
f ( x)dx X2
El valor esperado representa el promedio de valores que esperamos ver en un gran nmero de re-
peticiones independientes del experimento.
1
0 x 2
v( x) 2
0 en otro caso
Solucin:
2
a) V E X 1 1 x 2 2 1
x v( x)dx
0
x
2
dx
2 2
|0
4
4 2 V
a la larga, si midiramos el voltaje del dispositivo una y otra vez, el valor esperado sera 3.14 V.
2
1 1 x 3 2 1 4 2
b) V2 x v( x)dx V2 x dx |o 2 8 3 2 2 2
2 2 2
0
2 2 3 6 3 3
V
V V2
3
1. Si X 0 entonces EX 0 4. E aX b aE X b
2. Si a X b entonces a EX b 5. Var aX b a 2Var X
3. E g x g x f x dx
Ejemplo 4: Una relacin lineal. La temperatura TC a la cual cierta reaccin qumica se lleva a cabo
es una variable aleatoria con un valor esperado de 120C y una desviacin estndar de 2C. Cul es
el valor esperado y la desviacin estndar de la temperatura medida en F?
Solucin: la relacin entre ambas escalas de temperatura est dada por F 1.8C 32 . Sabemos
y Var TC 4 C . Entonces, por las propiedades 4 y 5:
2
que E TC 120C
TF 1.8TC 32
TF 12.96 3.6F
1.2( x x 2 ) 0 x 1
C ( x)
0 en otro caso
x
x
t2 t3 x 2 x3
C x P X x 1.2(t t )dt 1.2 1.2
2
0 2 3 0 2 3
0 x 0
x x3
2
C x 1.2 0 x 1
2 3
1 x 1
Esta funcin la podemos graficar resultando la siguiente figura:
Entonces:
0.82 0.83
a) P(C 0.8) C (0.8) 1.2 0.5888
2 3
0.52 0.53
b) P(C 0.5) 1 P(C 0.5) 1 C (0.5) 1 1.2 1 0.2 0.8
2 3
1
c) Con E X 1.2 x( x x 2 )dx 0.7
0
En general podemos escribir las siguientes relaciones cuando usamos la funcin acumulada:
P X a F a
P X a 1 P X a 1 F (a )
P a X b F b F (a )
Como antes, no trabajaremos con los histogramas, sino con la distribucin normal que lo aproxima
que en general tendr la siguiente forma (note su simetra y su forma caracterstica de campana)
La media de una distribucin normal describe dnde se centra la distribucin, y la desviacin es-
tndar describe la variabilidad de la distribucin con respecto al centro y por tanto define su
forma. En la siguiente figura se muestran varias distribuciones normales para valores diferentes de
ambos parmetros.
Ejemplo 6: Asuma que es una variable aleatoria normal estndar. La tabla I del apndice propor-
ciona probabilidades de la forma z PZ z .
Para encontrar P Z 1.52 , como se observa en la siguiente figura, lea hacia abajo en la primera
columna de la tabla hasta encontrar el valor de 1.5. Luego, muvase horizontalmente hasta la co-
lumna 0.02 para formar el valor de z 1.52 Entonces, a partir de la tabla, habremos calculado
P Z 1.52 1.52 0.9357
Las probabilidades que no son de la forma P Z z se calculan usando las reglas bsicas de pro-
babilidad y en ocasiones haciendo uso de la simetra de la distribucin normal.
Probabilidades de la forma P Z z o P Z z
P Z c P Z c 1 c
Probabilidades de la forma P a Z b
P a Z b b a
a) P 1.76 Z 0.58
Solucin: en este caso
P 1.76 Z 0.58 0.58 1.76 0.7190 0.0392 0.6798
b) P Z 1.96
Solucin: planteando complemento tenemos
P Z 1.96 1 1.96 1 0.9750 0.0250
0.0250
95% central
.
.
.
Ejemplo 8: Suponga que durante el cambio de luces del sistema de alumbrado pblico de San Sal-
vador se instalaron 2000 lmparas nuevas que tienen una vida til de 1000 horas con una desviacin
estndar de 200 horas. Suponga, adems, que la vida til de estas lmparas sigue una distribucin
aproximadamente normal.
a) Cul es la probabilidad de que una lmpara seleccionada al azar se queme en las primeras 700
horas de funcionamiento?
b) Cul es la probabilidad de que la vida til de la lmpara est entre 900 y 1300 horas?
c) Cuntas lmparas se espera que fallen entre 900 y 1300 horas?
d) Cul es la probabilidad que una lmpara dure exactamente 900 horas?
e) Despus de cuntas horas se espera que est el 10% de las lmparas con mayor duracin?
Solucin:
a) Sea X vida til de la lmpara que se instala. Sabemos que X N 1000, 200 2
200
1000
Entonces:
P X 700 P Z
700 1000
P Z 1.5 1.50 0.0668
200
0.0668
z = -1.50
z = -0.50 z = 1.50
c) El nmero esperado de fallas est dado por el nmero total de lmparas multiplicado por la
probabilidad de falla en el intervalo. Entonces, el nmero esperado de lmparas que fallarn
entre 900 y 1300 horas = (2000)(0.6247)=1249.4 1250 lmparas.
d) Sabemos que en el caso de variables continuas P X 900 0
e) Esto corresponde al tiempo para el cual P X t 0.10 como se muestra en la siguiente
figura
0.10
1.28 0.8997
1.29 0.9015
Tomamos el valor de 0.8997 por estar ms cerca de 0.90 y z 1.28. Con este valor podemos en-
t
contrar el correspondiente valor de t en la expresin z
t z (1.28)200 1000 1256 horas. Cmo interpretamos el resultado? Podemos decir que des-
pus de 1256 horas de funcionamiento, esperaramos que slo el 10% de las lmparas (200 de ellas)
estn funcionando.
Ejemplo 9: Suponga que el tiempo necesario para inscribir asignaturas en la Facultad de Ingeniera
y Arquitectura es una variable aleatoria distribuida aproximadamente normal con media de 12 mi-
nutos y desviacin estndar de 2 minutos.
a) Cul es la probabilidad de que un estudiante tarde menos de 10 minutos para inscribir sus
asignaturas?
b) Cul es la probabilidad de que un estudiante tarde entre 9 y 12 minutos para inscribir?
c) Como algunos estudiantes no se desconectan adecuadamente, al administrador del sistema le
gustara desconectar del sistema automticamente a aquellos estudiantes que permanezcan
conectados demasiado tiempo (intencionalmente o por olvido). Entonces decide escoger este
tiempo de manera que slo el 1% de los estudiantes que se encuentren en el proceso de ins-
cripcin sean desconectados del sistema. Cul debera ser el valor de este tiempo?
12
P X 10 P z
10 12
a) P z 1.00 1.00 0.1587
2
10
12
P 9 X 12 P
9 12 z 12 12 P 1.5 z 0.00
b)
2 2
P 9 X 12 (0.00) ( 1.50) 0.5000. 0.0668 0.4332
9 12
c) En este caso deseamos encontrar el valor de z tal que el rea a su derecha sea de 0.01
como se indica en la figura de abajo. El rea a la izquierda de este valor, por comple-
mento, es de 0.99. Si buscamos en la tabla el valor de z que deja detrs de s esta rea
0.01
12
resulta que es z 2.33. Esto corresponde a un valor de tiempo que est dado por
X z (2.33)(2) 12 16.66 17 min.
Si el sistema se programa para terminar conexiones despus de 17 min, slo cerca del
1% de estudiantes que an estn en el proceso de inscripcin sern desconectados an-
tes de terminar de inscribir asignaturas.