31

Variables Aleatorias Continuas

Una variable aleatoria se dice Continua si el rango de dicha variable es un
intervalo o es la unión de varios intervalos reales, acotados o no acotados.
Por ejemplo, medición de la corriente de un alambre, longitud de partes
desgastadas en una pieza, tiempo de duración de una bombilla, tiempos de
espera, estatura, masa, etc.
Definición
Sea X una variable aleatoria continua. La distribución acumulada para la
variable aleatoria X, se define igual que en el caso discreto.
F (x) = P (X ≤ x) , ∀x ∈ R .

Esta función resulta ser continua en R. Si existe una función f (x), tal que
d F (x)
= f (x), para todo x donde dicha derivada exista, entonces f (x) es
dx
llamada Función de Densidad de Probabilidad o p.d.f.

Por el teorema fundamental del cálculo se tiene que:

x
F (x) = f (t) dt .
−∞

Propiedades de f

1. f (x) ≥ 0 ; ∀x ∈ R

+∞
2. f (x) dx = 1
−∞

3. P (X ∈ A) = f (x) dx.
A
b
Si A = [a, b] con a < b, entonces P (a ≤ X ≤ b) = f (x) dx .
a

Por la propiedad 3, se tiene que:

x
P (X = x) = P (x ≤ X ≤ x) = f (x) dx = 0 .
x
32

Es decir, la probabilidad en un punto es cero. De este resultado se tiene que:

P (a ≤ X ≤ b) = P (a < X ≤ b) = P (a ≤ X < b) = P (a < X < b) .

Como f (x) ≥ 0, entonces, el cálculo de probabilidades se reduce a calcular

el área bajo f (x) en el rango de interés.

Fig. 7: Cálculo de probabilidades para v.a. continuas

Propiedades de F(x)

1. 0 ≤ F (x) ≤ 1 , ∀x ∈ R
2. lı́m F (x) = 0 y lı́m F (x) = 1
x→−∞ x→+∞

3. P (X > x) = 1 − F (x)
4. Si x < y ⇒ F (x) ≤ F (y)
5. Si a, b ∈ R, con a < b, entonces
P (a ≤ X ≤ b) = P (X ≤ b) − P (X ≤ a) = F (b) − F (a) .

Ejemplo La c.d.f para la v.a X: tiempo de préstamo de un libro, está dada

por: (tiempo en horas)
⎧
⎨ 0 ; x<0
x2
F (x) = ; 0≤x<2 .
⎩ 4
1 ; x≥2
Halle:
 33

a) P (X < 1)
 
b) P 12 < X < 1 .

c) Una expresión para el 100p-avo percentil.

d) Halle f (x)

Solución

a) P (X < 1) = F (1) = 14
   
b) P 12 < X < 1 = F (1) − F 12 = 1
4
− 1
6
= 3
16

c) El cálculo del 100p-avo percentil consiste en hallar un valor del rango

de la variable aleatoria X, digamos xp , tal que P (X ≤ xp ) = p; es decir,
se debe resolver la ecuación F (xp ) = p , para 0 < p < 1. Esta equación
2 √
equivale a resolver la igualdad: x4 = p ⇔ xp = 2 p .

2x x  
d) f (x) = F  (x) = = ; 0 < x < 2. Observe que F (0) = 0 y F (2)
4 2
no existe. De esta manera se tiene que:
x
2
, 0<x<2
f (x) = .
0 , otro caso

Ejemplo
Sea X la duración en horas de cierto tipo de bombilla eléctrica. La p.d.f para
X esta dada por:

a
, 1500 ≤ x ≤ 2500
f (x) = x3 .
0 , otro caso

Calcule:

a) P (X ≤ 2000)

b) P (X ≤ 2000 | X ≥ 1800)
34

Solución
Primero es necesario hallar el valor de a. Como
∞
+

f (x) dx = 1
−∞

entonces

1500 
2500 ∞
+

f (x) dx + f (x) dx + f (x) dx = 1

−∞ 1500 2500
↓ ↓
0 0


a 2500
2500
a
⇔ dx = 1 ⇔ −  =1 ⇒ a = 7031250 .
x3 2 x 2 1500
1500

a)


2500 
a a 1 1 ∼
P (X ≤ 2000) = dx = − = 0.68359 .
x3 2 1500 2 2000 2
1500

b)
P (1800 ≤ X ≤ 2000)
P (X ≤ 2000 | X ≥ 1800) =
P (X ≥ 1800)

2000
a
x3
dx
P (X ≤ 2000 | X ≥ 1800) = 1800 ≈ 0.39452 .

2500
a
x3
dx
1800

Ejemplo
El tiempo de espera de un cliente hasta ser atendido es una variable aleatoria
continua con p.d.f dada por
−x
e , x>0
f (x) = .
0 , otro caso

a) Halle F (x)
 35

b) Calcule P (X < 1)
c) Calcule P (1 < X < 2)
d) Halle el valor de k tal que P (X < k) = 0.95

Solución
x
a) Si x ≤ 0 entonces FX (x) = 0. Si x > 0 entonces FX (x) = fx (t)dt .
−∞

x
FX (x) = e− t dt = −e− t |x0 = 1 − e− x .
0

0 ; x≤0
FX (x) = −x .
1−e ; x>0
b)
1 e−1 ∼
P (X < 1) = P (X ≤ 1) = FX (1) = 1−e− 1 = 1− = = 0.63212 .
e e
c)    
P (1 < X < 2) = FX (2) − FX (1) = 1 − e− 2 − 1 − e− 1
1 1 e−1 ∼
P (1 < X < 2) = − 2 = = 0.23254 .
e e e2
d)
P (X < k) = FX (k) = 1−e− k = 0.95 ⇔ e− k = 0.05 ⇒ k = 2.99573 .

Valor Esperado de una Variable Aleatoria

Sea X una variable aleatoria (Discreta o Continua), con distribución de pro-
babilidad f (x). El valor esperado de X, el cuál se denota E [X], se define
como:
⎧ 
⎪
⎨ x p(x) ; Si X es discreta
x
E [X] = ∞ .
⎪
⎩ x f (x) dx ; Si X es continua
−∞
36

Este valor esperado es usualmente denotado μX , o μ.

Propiedades del Valor Esperado

Sean a, b números reales y sea X una variable aleatoria (Discreta o Continua).

1. E [a] = a
2. E [a X + b] = a E [X] + b
3. Si g(X) es una función de X, entonces
⎧ 
⎪
⎨ g(x) p(x) ; Si X es discreta
x
E [g(X)] = ∞ .
⎪
⎩ g(x) f (x) dx ; Si X es continua
−∞

Nota: Sea g(X) = (X − μX )2 . La Varianza de X, la cual se denotará V ar[X]

2
o σX o simplemente σ 2 , se define como:
   
V ar[X] = E (X − μX )2 = E X 2 − E [X]2 .

Propiedades de la Varianza
Sean a, b números reales y sea X una variable aleatoria (Discreta o Continua).

1. V ar[X] = E [X 2 ] − (E [X])2
2. V ar[a] = 0
3. V ar[a X + b] = a2 V ar[X]

A la raı́z cuadrada de V ar[X] se le llamará Desviación Estándar de X y se

denotará σ.

Ejemplo
La demanda semanal de gas propano (en miles de galones) de una distribui-
dora en particular es una variable aleatoria X con p.d.f dada por:
⎧ 
⎨ 1
2 1 − 2 ; 1≤x≤2
f (x) = x .
⎩
0 ; otro caso
 37

a) Halle la c.d.f para X

b) Calcule E [X] y V ar [X]

c) Si H (X) = 1.5 − X. Halle E [H (X)]. H (X) puede verse como el

remanente si no se recibe nuevo suministro.

Solución

a)
Si X < 1 ⇒ F (x) = 0

1
Si 1 ≤ X ≤ 2 ⇒ F (x) = 2 x + + 2
x
Si X > 2 ⇒ F (x) = 1

b)
2   2  
E [X] = 2 x 1 − x12 dx = 2 x − x2 dx
1  2 1
x2
= 2 2 − ln x = 3 − 2 ln 2 ≈ 1.61
1

2   2
E [X 2 ] = 2 x2 1 − 1
x2
dx = (2 x 2 − 2) dx
1 1
2
= 2
3
[x 3 − 2 x]1 = 83
  8
V ar [X] = E X 2 − μ2X = − (3 − 2 ln 2)2 ∼
= 0.0626
3
c) E [H (X)] = 1.5 − E [X] = 1.5 − 1.61 = − 0.11 ”no se puede cubrir
la demanda”.

Ejemplo
Se lanzan cuatro monedas no cargadas. Sea X la variable aleatoria definida
por el número de caras, entonces AX = {0, 1, 2, 3, 4}. Halle la p.m.f de X y
E [X].
   4
4 1
p(x) = , x = 0, 1, 2, 3, 4
x 2

4    4  4           
4 1 1 4 4 4 4 4
E [X] = x = 0 +1 +2 +3 +4
x 2 2 0 1 2 3 4
x=0
38

1 32
E [X] = [0(1) + 1(4) + 2(6) + 3(4) + 4(1)] = =2.
16 16
En general, si se lanzan n monedas y X: # caras en los n lanzamientos,
entonces    4
n
4 1 n
E [X] = x = .
x=0
x 2 2

Ejemplo
Una máquina de llenado de latas es revisada cada hora. Cada lata es someti-
da a un proceso para determinar el volumen de llenado y verificar si cumple
o no los requisitos exigidos. Este proceso se continúa hasta encontrar la pri-
mera lata que no cumple con los requisitos. Sea X: # latas revisadas hasta
encontrar la primera que no cumple. Suponga que la proporción de latas que
no cumplen las especificaciones es p. Halle E [X].

Solución
Defina los eventos:
N : La lata no cumple los requisitos S : La lata si cumple los requisitos
El espacio muestral para este experimento esté dado por

S = {N , SN , SSN , SSSN , SSSSN , . . .} con AX = {1 , 2 , 3 , 4 . . .}

P (X = 1) = P (N ) = p
P (X = 2) = P (S N ) = P (S) P (N ) = (1 − p) p
2
P (X = 3) = P (S  P (S) P (N ) = (1 − p) p
 S N ) = P (S)
P (X = x) = P S · · · S N
 S  = P (S)x−1 p = (1 − p)x−1 p
x−1 veces

P (x) = p (1 − p)x−1 ; x = 1, 2, 3, · · ·


∞ 
∞
E [X] = x p (x) = x p (1 − p)x−1 = 1
p
x=1 x=1

Se probará este resultado

Sea

∞
f (t) = p tx
x=0
 39

Entonces


∞
f (t) = x p tx−1 , para |t| < 1
x=1
p p
f (t) = y f  (t) =
1−t (1 − t)2
Ası́,
p  ∞

2 = x p tx−1 .
(1 − t) x=1

Haciendo t = 1 − p, se tiene que

1 
∞
p
= = x p (1 − p)x−1 .
p2 p x=1

Ejemplo
Sea X una variable aleatoria con p.d.f. dada por:

k x (1 − x) ; 0 < x < 1
f (x) = .
0 ; otro caso

Calcule E[X] y V ar[X].

Solución Primero se debe hallar el valor de k. Recuerde que:

 1  1  2
x x3 1
k x (1 − x) dx = 1 ⇔ k (x − x ) dx = 1 ⇔ k
2
− =1;
0 0 2 3 0

Ası́, 
1 1 k
k − =1 ⇔ =1 ⇒ k=6.
2 3 6
Con esto
f (x) = 6 x (1 − x) ; 0 < x < 1 .
Luego,
   
1 1
x3 x4 1 1
E[X] = x 6 x (1 − x) dx = 6 (x − x ) dx = 6
2 3
−  0 = .
0 0 3 4 2
40
   
1 1
x4 x5 1 3
E[X ] = 2
x 6 x (1 − x) dx =
2
6 (x − x ) dx = 6
3 4
−  0 = .
0 0 4 5 10
Finalmente,
 2
3 2 1 1
V ar[X] = E[X ] − (E[X]) =
2
− = .
10 2 20

Algunas Distribuciones de Probabilidad

Discretas
Algunas de las distribuciones de probabilidad discretas más usadas, se basan
en un tipo especial de experimento aleatorio. Este experimento es conocido
como Ensayo Bernoulli. Un experimento Bernoulli se caracteriza por tener
solo dos posibles resultados (usualmente llamados ’ÉXITO’ o ’FRACASO’).
El éxito representa un evento en el cual estamos interesados. Por ejemplo al
lanzar una moneda se tienen dos posibles resultados ’Cara’ o ’Sello’; en una
encuesta de opinión, el encuestado puede responder ’SI’ o ’NO’ a la pregunta
formulada por el encuestador; el resultado de un tratamiento aplicado a un
paciente puede ser favorable o no, etc.
La probabilidad de que ocurra el evento de interés es usualmente denotada p y
la de fracaso 1 − p. La variable aleatoria de interés en este caso es X : Número
de éxitos obtenidos. Claramente el rango de X será AX = 0, 1.
Para calcular la distribución de probabilidad de X, se debe calcular la pro-
babilidad asociada a cada valor de X.

p(0) = P (X = 0) = 1 − p y p(1) = P (X = 1) = p .

Ası́,
p(x) = px (1 − p)1−x ; x = 0, 1 .
Esta distribución se conoce como Bernoulli y es usualmente denotada
X ∼ Ber(p). Es fácil mostrar que:

E[X] = p y V ar[X] = p (1 − p) .