Probabilidad I

Unidad 4. Modelos continuos de probabilidad

Actividad 2. Lectura teórica – Tabla temática resumida (desarrollo)

Tema Subtema Desarrollo resumido Definiciones/Simbología/Fórmulas Ejemplos

Por otra parte, decimos que una variable aleatoria es continua

Definición de variable cuando toma todos los valores dentro de un intervalo (a,b)Ɛ R. Esta
aleatoria continúa. clasificación de variables aleatorias no es completa pues existen
variables que no son de ninguno de los dos tipos mencionados.
Variable aleatoria continua

Ejemplo: Sea X una variable aleatoria cuya

Sea X una variable aleatoria continua. Decimos que la función función de densidad viene dada por f (X),
integrable y no negativa f(x) : R → R es la función de densidad de X si calcula su función de distribución:
para cualquier intervalo [a, b] de R se cumple la igualdad.

Función de densidad de
una variable aleatoria
continúa.

Es decir, la probabilidad de que la variable tome un valor dentro del

intervalo
 [a, b], se puede calcular o expresar como el ´área bajo la función f(x)
en dicho intervalo. De esta forma el cálculo de una probabilidad se
reduce al cálculo de una integral. Véase la Figura 2.5 en donde se
muestra esta forma de calcular probabilidades. No es difícil
comprobar que toda función de densidad f(x) de una variable
aleatoria continua cumple las siguientes propiedades análogas al
caso discreto:
a) F(x) ≥ 0 para toda x Ɛ R
∞
b) ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
Recíprocamente, toda función f(x) : R → R que satisfaga estas dos
propiedades, sin necesidad de tener una variable aleatoria de por
medio, se llamará función de densidad.

Función de distribución de Sea X una variable aleatoria continua con función de densidad f(x),
una variable aleatoria se define la función de distribución, F(x), como:
continua 𝑓(𝑐) = [𝑥 ≤ 𝑋] =

Sea X una variable aleatoria continua con función de densidad f(x),

se define la esperanza matemática de esa variable aleatoria como:
+∞ Considere la variable aleatoria continua X con
𝐸[𝑥] = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = 𝜇 función de densidad f(x) = 2x, para x ∈ (0, 1),
−∞ siendo cero fuera de este intervalo. La
Tanto para el caso discreto como para el caso continuo, la esperanza esperanza de X es
Esperanza de una variable matemática presenta las siguientes propiedades: +∞ 1 2
𝐸[𝑥] = ∫−∞ 𝑥𝑓(𝑥)𝑑𝑥 = ∫0 𝑥2𝑥𝑑𝑥 = 3 𝑥 3 =
aleatoria continua
 Si C es una constante, E(C) = C. 2/3
 ∀ a, b ∈ R, E(aX + b) = aE(X) + b
Observe que la integral sólo es relevante en el
 Si g(X) es una función de X, entonces:
+∞ intervalo (0, 1), pues fuera de dicho intervalo
 Si X es continua, 𝐸[𝑔(𝑥)] = ∫−∞ 𝑔(𝑥)𝑓(𝑥)𝑑𝑥 la función de densidad se anula.
 Si X1, ..., Xn son variables aleatorias, entonces: 𝐸[∑𝑛𝑖=1 𝑥𝑖 ] =
∑𝑛𝑖=1 𝐸[𝑥𝑖 ]
 Ejemplo. Calcularemos la varianza de la
variable aleatoria continua X con función de
densidad f(x) = 2x para x ∈ (0, 1). En un
cálculo previo habíamos encontrado que E(X)
= 2/3. Por lo tanto,
Dada una variable aleatoria X que toma valores x1,x2,x3....xn con +∞
distribución de probabilidad, se define la varianza de X: 𝑉[𝑥] = ∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥
−∞
Varianza de una variable +∞
1
aleatoria continua 𝑉[𝑥] = ∫ (𝑥 − 𝜇)2 𝑓(𝑥)𝑑𝑥
−∞
𝑉[𝑥] = ∫ (𝑥 − 2/3)2 2𝑥𝑑𝑥
0
1
8𝑥 2 8𝑥3
𝑉[𝑥] = ∫ 2𝑥 − + 𝑑𝑥
0 3 9
V(x) = x4/2 – 8x3/9 + 4x2/9 (0,1) = 1/18
Modelos continuos de probabilidad

Distribución Uniforme Continua.

Un reloj de manecillas se detuvo en un punto
Se dice que una variable X posee una distribución uniforme en el que no sabemos. Determine la probabilidad
intervalo [a,b], x →u(a,b) si su función de densidad es la siguiente: de que se haya detenido en los primeros 25
1 minutos luego de señalar la hora en punto.
𝑓(𝑥) = 𝑆𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
Distribución uniforme
continua Con esta ley de probabilidad, la probabilidad de que al hacer un Intervalo (0,60):
experimento aleatorio, el valor de X este comprendido en cierto
1 1
subintervalo de [a,b] depende únicamente de la longitud del mismo, 𝑓(𝑥) = =
no de su posición. Por lo tanto si xƐ[a, b]. 60 − 0 60
25
1 5
𝑝(𝑥) = 𝑝(0 ≤ 𝑥 ≤ 25) = ∫ 𝑑𝑥 =
𝑥 0 60 12
1 1 𝑥−𝑎
∫ 𝑑𝑡 = =
𝑎 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎
 Y su función de distribución es:

Observamos que mientras una tiene una pendiente = 0, la otra tiene

una pendiente diferente de cero.

Decimos que una variable aleatoria continua X tiene distribución Ejemplo. Suponga que el tiempo en minutos
que un usuario cualquiera permanece
revisando su correo electrónico sigue una
Distribución exponencial
distribución exponencial de parámetro λ =
1/5. Calcule la probabilidad de que un usuario
cualquiera permanezca conectado al servidor
de correo a) menos de un minuto. b) más de
un ahora.
 exponencial con parámetro λ ą 0, y escribimos X „ expλq, cuando su Solución: Para el primer inciso tenemos que
función de densidad es: 1
P(X < 1) = ∫0 1/5 e − x/5 dx = 0.181 .
∞
Para el segundo inciso, P(X > 60)= ∫60 1/5 e −
La grafica de esta función cuando el parámetro λ toma el valor x/5 dx = .0000061
particular 3 se muestra en la Figura 3.12(a). La correspondiente
función de distribución aparece a su derecha. Es muy sencillo
verificar que la función f(x) arriba definida es efectivamente una
función de densidad para cualquier valor del parámetro λ>0.
Aplicando el método de integración por partes puede también E(x) =
1/ƛ, y Var(x) = 1/ƛ2. Esta distribución se usa para modelar tiempos de
espera para la ocurrencia de un cierto evento (Rincón, 2013)

Es el modelo de distribución más utilizado en la práctica, ya que A partir de (1.4) compruebe que E(Z) = 0 y
multitud de fenómenos se comportan según una distribución Var(Z) = 1. La proposición anterior parece muy
normal. Esta distribución de caracteriza porque los valores se modesta pero tiene una gran importancia
distribuyen formando una campana de Gauss, en torno a un valor operacional pues establece que el cálculo de
central que coincide las probabilidades de una variable aleatoria
Distribución normal con el valor medio de normal cualquiera se reduce al cálculo de las
la distribución: probabilidades para la normal estándar.
Explicaremos esta situación con más detalle.
Suponga que X es una variable
aleatoria con distribución N(μ, σ2), y que
 deseamos calcular, por ejemplo,
P(a < X < b), para a < b números dados.
Tenemos entonces que:
P( a < X < b ) = P( a − μ < X − μ < b − μ )

= P(a – μ/σ<X – μ/σ<b – μ/σ)

= P(a – μ/σ< Z <b – μ/σ).

La distribución gaussiana, recibe también el nombre de distribución
normal, ya que una gran mayoría de las variables aleatorias
continuas de la naturaleza siguen esta distribución. Se dice que una
variable aleatoria X sigue una distribución normal si su función de
densidad es:
La igualdad de estas probabilidades es
consecuencia de la igualdad de los eventos.
De esta forma una probabilidad que involucra
a la variable X se ha reducido a una
probabilidad que involucra a Z.

En donde μ ∈ R y σ > 0 son dos parámetros. Escribimos entonces X ∼

N(μ, σ2).
Una población normal tiene una media de 80 y
La distribución normal estándar, o tipificada o reducida, es aquella
una desviación estándar de 14.0
que tiene por media el valor cero, μ = 0, y por desviación típica la
unidad, σ =1. a) Calcula la probabilidad de un valor
localizado entre 75 y 90 p(75<x<90).
Su función de densidad es:
𝛍 = 80
Distribución normal
estándar Ϭ = 14.0
90 − 80
𝑧= = .71
La probabilidad de la variable X dependerá del área del recinto 14
sombreado en la figura. 75 − 80
𝑧= = −.36
14
Utilizando las tablas de probabilidad
 Tipificación de la variable acumulada tenemos que:
Para poder utilizar la tabla tenemos que transformar la .71 = .7611
variable X que sigue una distribución N(μ, σ) en otra variable Z que -.36 = 3594
siga una distribución N(0, 1).
p(75<x<90) = .7611 + .3594 = .4017

BIBLIOGRAFIA.

Canavos, G. C. (1988). Probabilidad y Estadística Aplicaciones y Métodos . México: McGraw Hill.

Montgomery, D. C. (1996). Probabilidad y Estadística para Ingeniería y Administración. México: Continental.
Rincón, L. (2013). Introducción a la Probabilidad. México: Departamento de Matemáticas Facultad de Ciencias UNAM.
Robayo, A. M. (2007). Probabilidad. Bogotá: Universidad Abierta y a Distancia de Bogotá.
Walpole, R. E. (2012). Probabilidad y estadística para Ingeniería y Ciencias . México: PEARSON EDUCACIÓN.