Variable Aleatoria

Variable Aleatoria

Marcela Rojas

Universidad Finis Terrae

Variable Aleatoria
Variable Aleatoria Continua

Variables Aleatorias Continuas

En la unidad anterior se estudiaron distribuciones de probabilidad para va-

riables aleatorias discretas. En esta unidad se trabajarán conceptos similares
para variables aleatorias continuas.

En el caso discreto, se asignan probabilidades positivas a todos los valores

puntuales de la variable aleatoria, sin embargo, la suma de tosas ellas es uno
aún a pesar de que el conjunto de valores sea infinito contable. Para el caso
continuo, lo anterior no es posible. Por lo anterior, la probabilidad de que una
variable aleatoria continua X tome un valor específico x es cero.
Variable Aleatoria
Variable Aleatoria Continua

Variables Aleatorias Continuas

Definición
Decimos que X tiene distribución continua si su función de distribución
FX (x) puede expresarse como el área bajo la curva f (x):
Z x
FX (x) = fx (u)du
−∞

donde f es una función no negativa y tal que su área existe.

Variable Aleatoria
Variable Aleatoria Continua

Definción
Sea X una variable aleatoria continua. Entonces, una distribución de
probabilidad o función de densidad de probabilidad (fdp) de X es una
función f (x) tal que para dos números cualesquiera a 6 b
Z b
P(a 6 x 6 b) = f (x)dx
a

Es decir, la probabilidad de que X asuma un valor en el intervalo [a, b] es el

área sobre este intervalo y bajo la gráfica de la función de densidad.
Variable Aleatoria
Variable Aleatoria Continua
Variable Aleatoria
Variable Aleatoria Continua

Para que f (x) sea una función de densidad , debe satisfacer las siguientes
condiciones
Propiedad
R ∞+
−∞
f (x)dx = 1
f (x) > 0
Variable Aleatoria
Variable Aleatoria Continua

Definición
Se define la función de distribución de acumulada (F.D.A) de la siguiente
manera: Z x
FX (x) = fx (u)du
−∞

Propiedades:
dF(X)
1 f (x) = dx
Rb
2 P(a 6 x 6 b) = F(b) − F(a) = a
f (x)dx
3 P(X = 0) = 0 (Caso continuo)
4 P(X < a) = P(x 6 a)
Variable Aleatoria
Variable Aleatoria Continua

Valor Esperado

Para el caso Continuo la esperanza se calcula como:

Esperanza
Z ∞+
E(x) = x · f (x)dx
−∞

Recuerde:
1 Las propiedades que se tienen en el caso discreto se mantiene,
cambiando adecuadamente la sumatoria por integral.
2 La varianza mantiene su definición y sus propiedades.
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo

Sea X una variable aleatoria con función de densidad dada por:

f (x) = |x|
16 , si |x| < 4
Calcule:
1 La esperanza de X
2 La F.D.A de Y = |x|
3 La esperanza de Y
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo

El tiempo requerido por los estudiantes para terminar un examen de una hora
es una v. a. con f. d. p. dada por:
(
cy2 + y, si 0 < y < 1,
f (y) =
0, e.o.c

1 Determine el valor de c.
2 Dado que un estudiante necesita al menos 15 minutos para presentar el
examen, encuentre la probabilidad de que necesite al menos 30 minutos
para terminarlo.
3 Calcule el tiempo esperado y la desviación estándar del tiempo que
demora un estudiante en terminar el examen.
Variable Aleatoria
Variable Aleatoria Continua

Modelos para una V. A. Continua

Variable Aleatoria Uniforme

X es una variable aleatoria Uniforme en [a, b] si su función de densidad está
dada por :
 1
b−a si a 6 x 6 b
f (x) = (1)
0 en otro caso

Notación: X ~ U (a,b)
Variable Aleatoria
Variable Aleatoria Continua

Esperanza

a+b
E(x) =
2

Varianza

(b − a)2
Var(x) =
12
Variable Aleatoria
Variable Aleatoria Continua

Gráfico distribución Uniforme

Variable Aleatoria
Variable Aleatoria Continua

F.D.A de la distribución Uniforme

Función de distribución Acumulada


 0 si x < a
x−a
F(x) = si a 6 x < b (2)
 b−a
1 si x > b
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo

La función de densidad de probabilidad del tiempo necesario para terminar

una operación de ensamblado es:
(
0,1, si 30 < x < 40,
fX (x) =
0, e.o.c

1 Calcule la proporción de ensambles que requieren más de 35 segundos

para concluir la operación.
2 ¿Qué tiempo de armado es el que excede el 90 % de los ensambles?
3 ¿Cuál es el tiempo esperado de ensamblado y que tan variante es?
Variable Aleatoria
Variable Aleatoria Continua

Ejercicio Propuesto

El tiempo X (minutos) para que un asistente de laboratorio prepare el equipo

para un experimento tiene una distribución Uniforme(25,35).
1 Escriba la pdf de X y trace su gráfica.
2 ¿Cuál es la probabilidad de que el tiempo de preparación exceda de 33
min.? Sol. 0.2
3 ¿Cuál es la probabilidad de que el tiempo de preparación se encuentre a
una distancia a lo más de 2 min. del tiempo esperado?
Sol. E(x) = 30, P(28 < x < 32) = 0, 4
4 Para cualquier a tal que 25 < a < a + 2 < 35, ¿Cuál es la probabilidad
de que el tiempo de preparación esté entre a y a + 2 minutos?
Sol. P(a < X < a + 2) = 0,2
Variable Aleatoria
Variable Aleatoria Continua

Modelo Exponencial

Definición
X es una variable aleatoria Exponencial, si su función densidad está dada
por:
λe−λx si 0 6 x

f (x) = (3)
0 en otro caso

Notación: decimos que X ~ exp(λ)

Variable Aleatoria
Variable Aleatoria Continua

Esperanza

1
E(x) =
λ

Varianza

1
Var(x) =
λ2
Variable Aleatoria
Variable Aleatoria Continua

F.D.A. Exponencial

Definición

F(x) = 1 − e−λx

Considere:
1 Típicamente se considera exponencial a las variables que representan el
el tiempo hasta que un cierto evento ocurra. ( similar a la Geométrica )
2 La distribución exponencial tiene la propiedad de carencia de memoria,
esto es:
P(X < s + t|x > s) = P(X < t)
3 El valor λ en la v.a. exponencial al igual que en la Poisson, recibe el
nombre de tasa que para los efectos del cálculo de Probabilidades se
conoce, no así en el caso de Inferencia
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo 1

En una aerolínea, el tiempo para atender a los pasajeros sin billete en el mos-
trador del aeropuerto sigue una distribución exponencial con un tiempo espe-
rado de atención igual a 5 minutos. Calcule la probabilidad que un tiempo de
atención sea menor a 2 minutos y 30 segundos.
Variable Aleatoria
Variable Aleatoria Continua

Solución Ejemplo 1

Sea X el tiempo (en minutos) de atención de un pasajero sin billete, es decir,

X~Exponencial(λ)
1
E(x) = 5 = λ = 0,2
λ

P(X 6 2,5) = Fx (2,5)

= 1 − e−λ·2,5
= 0, 3934693
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo 2

Una amplia experiencia en ventiladores de cierto tipo, empleados en motores

diesel, ha sugerido que la distribución exponencial es una buen modelo para
el tiempo hasta que se presente una falla. Suponga que el tiempo medio hasta
una falla es de 25.000 horas.
¿Cuál es la probabilidad de que un ventilador seleccionado al azar dure
por lo menos 20.000horas? ,¿a lo sumo 30.000 horas? y¿entre 20.000 y
30.000 horas?.
Sol. P(T > 20000) = 0,44; P(T 6 0,699); P(20000 < T < 30000) =
0,148
¿Cuál es la probabilidad de que la duración de un ventilador exceda el
valor medio en más de 2 desviaciones estándar? y ¿en más de 3
desviaciones estándar?
Sol. P(T > µ + 2σ) = 0,05; P(T > µ + 3σ) = 0,018
Variable Aleatoria
Variable Aleatoria Continua

Proceso Poisson
Variable Aleatoria
Variable Aleatoria Continua

Solución Continuación Ejemplo 1

Considere los datos del ejemplo anterior. ?’ Cuál es la probabilidad que al

menos un pasajero sea atendido en menos de 2 minutos y 30 segundos?.
Sea Yt el número de clientes sin billetes atendidos en t minutos
Yt ~ Poisson (µ · t)
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo

Supongamos que en promedio un cajero atiende a 6 personas por hora en un

día. Si el cajero acaba de atender a un cliente ¿Cuál es la probabilidad de que
pasen tres minutos hasta la llegada del próximo cliente?
Variable Aleatoria
Variable Aleatoria Continua

Solución
Variable Aleatoria
Variable Aleatoria Continua

Modelo Normal

Definición
X es una variable aleatoria Normal, si su función de densidad está dado por :
1 −(x−µ)2
f (x) = √ e 2σ

2πσ 2
Con µ ∈ R y σ > 0

Propiedades:
1 E(x) = µ
2 Var(x) = σ 2
Variable Aleatoria
Variable Aleatoria Continua

Gráfico
Variable Aleatoria
Variable Aleatoria Continua

Estandarización

Para µ = 0 y σ = 1 se obtiene la distribución Normal(0,1) cuya densidad se

denota por φ y cuya f.d.a. se denota por Φ

Escribimos Z ~ N(0,1) y fz = φ y Fz = Φ. Se puede verificar que X ~ N(µ, σ 2 )

si y solo si
X−µ
σ
tiene la misma distribución que Z ~ N(0,1), la cual se denomina normal es-
tándar.

La operación de restar a una v.a. su media y dividir por su desviación estándar

se denomina estandarización. Utilizando las propiedades de la media y de la
varianza, la variable estandarizada tiene automáticamente media 0 y varianza
1.
Variable Aleatoria
Variable Aleatoria Continua

Ejemplo

Sea X~N(40,16). Expresar P(42 6 x 6 44) en función de Φ y calcular la

probabilidad.

Solución:
X−µ
P(42 6 x 6 44) = P( 42−40
4 6 4 6 44−40
4 ) = P(0,5 6 Z 6 1)
Variable Aleatoria
Variable Aleatoria Continua

Propiedades

1 La normal estándar, se denota por F.D.A., como Φ(Z) = P(Z 6 z)

2 Si Y = aX + b y X ~ N(µ, σ 2 ) entonces Y ~ N(aµ + b, a2 σ 2 )
X−µ
3 Si X ~ N(µ, σ 2 ), entonces Z = σ ~ N(0, 1)
4 En la normal estándar se tiene: P(Z > a) = P(Z 6 −a)
Variable Aleatoria
Variable Aleatoria Continua

Función Gamma

Definición
Con α > 0, la función Gamma Γ(α) se define como
Z ∞+
Γ(α) = xα−1 e−x dx
0
Variable Aleatoria
Variable Aleatoria Continua

Función Gamma

Las propiedades más importantes de la función Gamma son:

1 Con cualquier α > 1, Γ(α) = (α − 1)Γ(α − 1)
2 Con cualquier entero positivo n, Γ(n) = (n − 1)!
√
3 Γ( 12 ) = π
Variable Aleatoria
Variable Aleatoria Continua

Distribución Gamma

1
La distribución exponencial se deriva de considerar α = 1 y β = λ
Variable Aleatoria
Variable Aleatoria Continua

Figura (a) Curva densidad Gamma y Figura (b) Curva densidad Gamma es-
tándar
Variable Aleatoria
Variable Aleatoria Continua

Esperanza
E(X) = µ = αβ V(X) = σ 2 = αβ 2
Variable Aleatoria
Variable Aleatoria Continua

Distribución Ji Cuadrada
Variable Aleatoria
Variable Aleatoria Continua

La distribución ji cuadrada es importante porque es la base de varios proce-

dimientos de inferencia estadística. El papel central desempeñado por la dis-
tribución ji cuadrada en inferencia se deriva de su relación con distribuciones
normales.