Figura 1: Ejemplo de densidad continua y su respectiva distribución acumulada

V.A continuas

Una variable aleatoria X es continua, si su función de distribución

F (x) = P([X ≤ x]

es continua, lo cual equivale a decir que todos sus saltos son nulos, es decir: P([X = x] = 0 x ∈ R.
Densidades: Si X es una variable aleatoria y F es una función de distribución, decimos que F es absolutamente continua
(ó que tiene densidad) si existe una función f no negativa, tal que
Z x
F (x) = f (t) dt para todo x ∈ R
−∞

La función f se llama la densidad de la distribución F ó la densidad de la distribución de probabilidad de la variable

aleatoria X .

Propiedades
R∞
Para −∞
f (u) du = 1.
Si f es continua en x0 , F es derivable en x0 y F 0 (x0 ) = f (x0 ).
Rb
P([a < X ≤ b]) = P([X ≤ b]) − P([X ≤ a]) = F (b) − F (a) = a
f (u) du

P([a ≤ X ≤ b]) = P([a < X < b)) = P([a < X ≤ b]) = P([a ≤ X < b])

Ejemplo

Sea X una variable aleatoria continua con función de densidad

si 0 < x < 2


c 4x − 2x2

f (x) =
0 si x ∈
/ (0, 2)

1. Halle el valor de c: R
Este debe satisfacer c 0 4x − 2x2 dx = 1.
2

 x=2

Así: c 4 x2 − 2 x3  =⇒ c = 38 .
2 3
= c 2 × 4 − 23 × 8 = c × 8


3
x=0

2. Halle P (X >R1) :
∞ 3
R2
1
P (X > 1) = 1
f (u) du = 8 1
4u − 2u2 du = 2

Esperanza y Varianza
R
µ = E[X] = R xf (x)dx
  R
σ 2 = V ar(X) = E (X − µ)2 = R (x − µ)2 f (x)dx
V ar(X) = E[X 2 ] − E 2 [X]

1
 Figura 2: Densidad uniforme

Ejemplo

Calcular la esperanza, la varianza, la desviación, la función de distribución y P (|X| 6 2) para la va X con densidad
x2
si 0 6 x 6 6

f (x) = 72
0 si no
R6 2
µ = R xf (x)dx = 0 x x72 dx = 4, 5
R
R6 2
σ 2 =√ R x2 f (x)dx − µ2 = 0 x2 x72 dx − (4, 5)2 = 1, 35
R

σ = 1, 35 = 1, 16
Para x <R 0
x Rx :0

F (x) = −∞ f (x) dx = −∞  0 dx
 =0
Para x ∈ [0, 6)
Rx R0 :0 R x 2 x3
0 dx + 0 x72 dx = 216

F (x) = −∞ f (x) dx = −∞


Para x > 6
Rx R0 :0 R 6 2 R x  :0
0 dx + 0 x72 dx + 6

F (x) = −∞ f (x) dx = −∞ 0 dx = 1
 
En resumen:
si x < 0

 0
F (x) = x3
216 si 0 ≤ x < 6
1 si x > 6

R2 R2 x 2
1
P (|X| 6 2) = P (−2 6 X 6 2) = −2
f (x) dx = 0 72
dx = 27

Distribuciones continúas clásicas

Distribución Uniforme

Una variable aleatoria X tienen distribución uniforme en el intervalo [a, b] si para cualquier intervalo I ∈ [a, b] P (X ∈ I)
es proporcional a la longitud de I .

Densidad

1
si a ≤ x ≤ b

 b−a ,
f (x) = 0, si x < a
0, si x > b


Distribución acumulada

 P (X ≤ x) = x−a si a ≤ x ≤ b

b−a ,
F (x) = 0, si x < a
1, si x > b


2
Distribución Normal.

Sea la v.a X con distribución normal de media µ y varianza σ 2 (o desviación estándar σ ).

Se denota mediante X ∼ N (µ, σ 2 )
La función de densidad está dada por:
1 (x−µ)
fX (x) = √ e− 2σ 2 x ∈ R, µ ∈ R, σ > 0
2πσ 2

Los parámetros de la densidad coinciden con la esperanza y la varianza de X :

E(X) = µ, V ar(X) = σ 2

La densidad es simétrica con respecto al eje vertical que pasa por µ

Figura 3: Simetría en µ

Medias diferentes con desviaciones iguales equivalen a normales desplazadas horizontalmente

Figura 4: Densidad Normal µ1 < µ2 , σ1 = σ2

Varianzas diferentes con medias iguales equivalen a normales centradas en el mismo valor pero con un nivel de
apuntamiento diferente.

3
 Figura 5: Densidad Normal µ1 = µ2 , σ1 < σ2

La distribución normal con µ = 0 y σ 2 = 1 es llamada Normal estándar.

X −µ
Estandarización: si X ∼ N (µ, σ 2 ) entonces Z = ∼ N (0, 1)
σ
La densidad normal no es integrable.
El cálculo de probabilidad acumulada en un intervalo se lleva a cabo mediante la tabla de probabilidades de la
normal estándar.
Usaremos la tabla P (X > x)

Propiedades:
• Complemento:P (X > x) = 1 − P (X ≤ x) = 1 − F (x) (válido para todas las va)
• Intervalos P (a ≤ X ≤ b) = P (X ≥ a) − P (X ≥ b) y P (a ≤ X ≤ b) = P (X ≤ b) − P (X ≤ a) (válido para todas
las continuas)
• Simetría P (X ≥ a) = P (X ≤ −a) (valido para simétricas alrededor del cero)
Para calcular en el intervalo dado debe estandarizarse cada lado de las desigualdades:

   
a−µ X −µ b−µ a−µ b−µ
P (a ≤ X ≤ b) = P ≤ ≤ =P ≤Z≤
σ σ σ σ σ

Figura 6: Densidad Normal estandarizada x1 → z1 , x2 → z2

4
Ejemplos

1. Dada una v.a. X con distribución normal de media µ = 50 y desviación σ = 10, hallar la probabilidad
de que X tome valores entre 45 y 62.

Queremos P (45 ≤ X ≤ 62),

X − 50
X −→ Z = ∼ N orm(0, 1)
10
x1 − 50 45 − 50
x1 = 45 −→ z1 = = = −0, 5
10 10
x2 − 50 62 − 50
x2 = 62 −→ z2 = = = 1, 2
10 10

luego,
P (45 ≤ X ≤ 62) = P (−0, 5 ≤ X ≤ 1, 2) = P (X ≥ −0, 5) − P (X ≥ 1, 2) = 0, 6915 − 0, 1151 = 0, 5764

2. Cierto tipo de batería de almacenamiento dura, en promedio, 3 años, con una desviación estándar
de 0.5 años. Suponiendo que las duraciones de la batería se distribuyen normalmente, encuentre la
probabilidad de que una batería dada dure menos de 2.3 años.
 
X −3 2, 3 − 3
P (X < 2, 3) = P < = P (Z < −1, 4) = 0, 0808
0, 5 0, 5

3. Una empresa de material eléctrico fabrica bombillas de luz que tienen una duración, antes de que-
marse, que se distribuye normalmente con media igual a 800 horas y una desviación estándar de 40
horas. Encuentre la probabilidad de que una bombilla se queme entre 778 y 834 horas.

778 − 800 834 − 800

P (778 < X < 834) = P ( <Z< ) = P (−0, 55 < Z < 0, 85)
40 40
= P (Z > −0, 55) − P (Z > 0, 85) = P (Z < 0, 55) − P (Z > 0, 85)
= 1 − P (Z > 0, 55) − P (Z > 0, 85) = 0, 5111

5
 4. En un proceso industrial el diámetro de un cojinete de bolas es una parte componente importante.
El comprador establece que las especicaciones en el diámetro sean 3, 0 ± 0, 01 cm. La implicación es
que no se aceptará ninguna parte que quede fuera de estas especicaciones. Se sabe que en el proceso
el diámetro de un cojinete tiene una distribución normal con media 3,0 y desviación estándar 0,005.
En promedio, ¾cuántos cojinetes fabricados se descartarán?

Límites de la especicación: x1 = 2, 99 y x2 = 3, 01.

0,005 = −2 y z2 =
Limites estandarizados de la especicación: z1 = 2,99−3,0 3,01−3,0
0,005 =2

P (2, 99 < X < 3, 01) = P (−2 < Z < 2) = 1 − 2 × P (Z > 2) = 2(0, 0228) = 0, 0456

En promedio, se descartarán 4,56 % de los cojinetes fabricados.

5. Se utilizan medidores para rechazar todos los componentes donde cierta dimensión no esté dentro
de la especicación 1, 50 ± d. Se sabe que esta medición se distribuye normalmente con media 1,50
y desviación estándar 0,2. Determine el valor d tal que las especicaciones cubran 95 % de las
mediciones.
P (−1, 96 < Z < 1, 96) = 0, 95. Por lo tanto, (1,50+d)−1,50
0,2 = 1, 96 =⇒ d = 0, 2 × 1, 96 = 0, 392

Aproximación normal para la binomial

Si X es una v.a binomial con media µ = np y varianza σ = npq entonces Z = X−np

√
npq ∼ N (0, 1) cuando n → ∞
En la práctica para suponer n grande basta con que n ≥ 30.
Ejemplos
1. La probabilidad de que un paciente se recupere de una rara enfermedad de la sangre es 0,4. Si se
sabe que 100 personas contrajeron esta enfermedad, ¾cuál es la probabilidad de que menos de 30
sobrevivan?
X : #de pacientes que sobreviven, n = 100 y p = 0, 4, X ∼ Binom(100, 40)
Como n = 100 > 30 usamos aproximación√por la normal.
√
µ = np = 100 × 0, 4 = 40, y σ = npq = 100 × 0, 4 × 0, 6 = 4, 899
 
X − 40 30 − 40
P (X < 30) ≈ P < = P (Z < −2, 04) = 0, 0207
4, 899 4, ,899

2. Una prueba de opción múltiple tiene 200 preguntas, cada una de las cuales con 4 respuestas posibles
de las que sólo 1 es la correcta. ¾Cuál es la probabilidad de que solamente adivinando se obtengan
de 25 a 30 respuestas correctas para 80 de los 200 problemas, sobre los que el estudiante no tiene
conocimientos?
p = P (Respuesta
√ correcta a una pregunta) = 4 y n = 80 entonces X ∼ Binom 80, 4 , así µ = np = 80 × 0, 25 = 20,
1 1


√
y σ = npq = 80 × 0, 25 × 0, 75 = 3, 873
 
25 − 20 30 − 20
P (25 ≤ X ≤ 30) = P ≤Z≤ = P (1, 29 ≤ Z ≤ 2, 58) = P (Z > 1, 29) − P (Z > 2, 58) = 0, 0936
3, 873 3, 873

6
Distribuciones Gamma y Exponencial.

Sirven para modelar

descomposturas de equipos que siguen un proceso poisson,
tiempos de supervivencia en experimentos biomédicos
tiempo de respuesta de computadoras
Función Gamma Z ∞
Γ(α) = xα−1 e−x dx, α > 0, x≥0
0
Propiedades
Γ(α) = (α − 1)Γ(α − 1)
R∞
Si α = n entero positivo Γ(n) = (n − 1)(n − 2)...(1)Γ(1) con Γ(1) = 0
e−x dx = 1
Γ(n) = (n − 1)!
√
Γ( 12 ) = π
Función de Densidad
xα−1
 
x
f (x) = exp − , x ≥ 0, α, β > 0
β α Γ(α) β
Función de distribucion
Se resuelve en algunos casos con la tabla de la gamma incompleta F (x, α) =
Rx
1
Γ(α) 0
y α−1 e−y dy

Figura 7: Tabla gamma incompleta

Método númerico para gamma incompleta:
https://repositorio.unican.es/xmlui/bitstream/handle/10902/5536/Diego%20Ruiz%20Antolin.pdf?sequence=
1
Caso especial: α = 1 es la distribución exponencial.
 
1 x
f (x) = exp −
β β

Tomando λ = β1 , donde λ es la tasa, se escribe

f (x) = λ exp (−λx)

Distribución acumulada exponencial
F (x) = 1 − e−x/β o F (x) = 1 − e−λx

Media y varianza de:

Gamma:
µ = αβ y σ 2 = αβ 2

Exponencial:

7
 Figura 8: Densidad Gamma

Figura 9: Densidad y Distribución Exponencial

µ = β y σ2 = β 2

Si α = k
2 con k entero y β = 2 entonces la distribución gamma es llamada distribución chi-cuadrado con k grados de
libertad.
½OJO!
α: parámetro de forma: declive, campana, joroba sesgada β : parámetro de escala. Mide que tan estirada o contraída
está la gráca de la distribución. Representa el tiempo promedio de ocurrencia de un evento. λ = β1 : Representa el número
de ocurrencias en una unidad de tiempo.

Proceso Poisson

X : Número de eventos en un intervalo de tiempo [0, t] tiene distribución P oisson(λt), λ = 1

β
En un intervalo de 10 segundos ocurren en promedio 5 transacciones electrónicas a la terminal de un operador.

T1 : tiempo para que ocurra el primer evento poisson tiene distribución exponencial de media 1
λ Llega un cliente a la
cola, llega una pieza a una estación de trabajo desde la línea de montaje

T1 , T2 , . . . , Tk : tiempos entre ocurrencias de k eventos tiene distribución gamma de parámetros α, β

En nuestro enfoque llegadas o ocurrencia, son las llegadas o ocurrencias de fallas en algún proceso determinado −→ β
tiempo medio entre fallas.
Tiempos de llegada en sistemas de cola.
distribución de Poisson y exponencial no tienen memoria. Ocurrencias en periodos sucesivos y disjuntos son inde-
pendientes.

8
Ejemplos

1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de operación antes del fallo,
en años, está dado por T . La variable aleatoria T se modela bien mediante la distribución exponencial
con tiempo medio de operación antes del fallo β = 5.
¾Cuál es la probabilidad de que un componente aún funcione al nal de 8 años?
Z ∞
1
P (T > 8) = e−t/5 dt = e−8/5 ≈ 0,2
5 8

Si se instalan 5 de estos componentes en diferentes sistemas, ¾cuál es la probabilidad de que al menos

dos aún funcionen al nal de 8 años?
X : número de componentes que funcionan después de 8 años.
Dos resultados: Funciona después de 8 años, No funciona después de 8 años.
X ∼ binom(n, p) donde n = 5 componentes con una proporción p de componentes que superan los 8 años, es decir
p = P (T > 8) = 0,2
5
X 1
X
P (X ≥ 2) = PBinom(5,0,2) (x) = 1 − PBinom(5,0,2) (x) = 1 − 0,7373 = 0,2627
x=2 x=0

2. En un estudio biomédico con ratas se utiliza una investigación de respuesta a la dosis para determinar
el efecto de la dosis de un tóxico en su tiempo de supervivencia, El tóxico es uno que se descarga con
frecuencia en la atmósfera desde el combustible de los aviones. Para cierta dosis del tóxico el estudio
determina que el tiempo de supervivencia, en semanas, tiene una distribución gamma con α = 5 y
β = 10, ¾Cuál es la probabilidad de que una rata no sobreviva más de 60 semanas?

X : tiempo de supervivencia (tiempo para morir)

60 60
xα−1 e−x/β x4 e−x/10
Z Z
1 1
P (X ≤ 60) = dx = 5 dx
β5 0 Γ(5) β 0 Γ(5)

Z 6
1 1
=   4 e−
(
10y) 10y/
10
1
0dy
105 Γ(5)

 0

Cambio: y = x
10 ⇒ x = 10y ⇒ dx = 10dy, x = 0 ⇒ y = 0, x = 60 ⇒ y = 6
Luego Z 6
1
P (X ≤ 60) = y 4 e−y dy = F (6, 5) = 0,715
Γ(5) 0

aquí α = 5 y x = 6. Buscando en la tabla de gamma incompleta en la la 6 y la columna 5 se tiene el resultado

0,715.
3. A partir de los datos disponibles se sabe que la longitud de tiempo en meses entre las quejas de los
clientes sobre cierto producto es una distribución gamma con α = 2 y β = 4 . Se realizaron cambios que
implican intensicar los requerimientos del control de calidad. De acuerdo con tales cambios, pasan 20
meses antes de la primera queja. ¾Parecería que resultó ecaz la intensicación del control de calidad?

X : tiempo para la primera queja ∼ Gamma(2, 4) (distribución anterior a la intensicación del control)

Ecaz intensicación de control → Distribución antes de intensicación diferente a distribución después de intensi-
cación → Es raro que se produzca X ≥ 20 con la distribución anterior

No ecaz intensicación de control → Distribución antes de intensicación igual a distribución después de intensi-
cación → Es común que se produzca X ≥ 20 con la distribución anterior

20
x2−1 e−x/4
Z
1
P (X ≥ 20) = 1 − P (X < 20) = 1 − 2 dx.
4 0 Γ(2)

9
 Con el cambio y = x
4

5
ye−y
Z
=1− dy = 1 − F (5, 2) = 1 − 0,96 = 0,04
0 Γ(5)
De 100 pruebas en que la distribución sea realmente Gamma(2, 4) sólo en aproximadamente 4 ocasiones el tiempo
de queja sobrepasará los 20 meses.
4. Con base en pruebas de gran alcance determinó que el tiempo X en años antes de que se requiera una reparación
1
may para cierta lavadora se caracteriza por la función de densidad f (x) = e−x/4 ; x > 0. La maquina se considera
4
una ganga si es improbable que requiera una reparación mayor antes del sexto año. Entonces
a) ¾Cuál es la probabilidad de P (X > 6)?
Es una exponencial con β = 4 años. P (X > 6) = 1 − F (6) = e−6/4 = e−3/2 = 0,223
b ) ¾Cuál es la probabilidad de ocurra una reparación mayor durante el primer año?
P (X < 1) = 1 − e−1/4 = 1 − 0,779 = 0,221

Distribución Weibull

También sirve para modelar tiempos de falla en problemas de conabilidad y de prueba de vida como los de tiempo
de operación antes del fallo o la duración de la vida de un componente, que se miden desde algún tiempo especíco hasta
que falla.
T : tiempo de operación antes del fallo
( α

f (x) =
α α−1 −( x
θα x e θ) si x ≥ 0
0 si x < 0

Figura 10: Densidad Weibull

Para α = 1, distribución Weibull −→ distribución exponencial.

Media y Varianza
µ = E (X) = θΓ 1 + α1

σ 2 = V ar[X] = θ2 Γ 1 + α2 − Γ2 1 + α1




Función de distribución acumulada

 x α
−
F (x) = 1 − e θ , parax ≥ 0, α, θ > 0

Ejemplo

1. El tiempo de vida X , en horas, de un artículo en el taller mecánico tiene una distribución de Weibull
con α = 2 y θ = 10 . ¾Cuál es la probabilidad de que falle antes de ocho horas de uso?

8
!
2
−
P (X < 8) = P (X ≤ 8) = F (8) = 1 − e 10 = 1 − 0,527 = 0,473

10
Otras distribuciones
√
Rayleigh: Para σ > 0 es equivalente a W eibull 2,


2σ
αβ α  α
αx20
Pareto: f (x) = , x ≥ β ; F (x) = 1− β
x x ≥ β ; E (X) = αβ
α−1 si α > 1; V ar (X) = (α−2)(α−1)2 si α>
xα+1
2
µ
Cauchy: f (x) = × 1
µ2 +(x−θ)2 − ∞ < x < ∞, µ > 0
π
2
Laplace: f (x) = λ2 e−λ|x−α| − ∞ < x < ∞, λ > 0; E (X) = α; V ar (X)] =
λ2

11