Probabilidad y

Estadísticas (ININ 4010)

09 – Variables Aleatorias Continuas

Héctor J. Carlo
 Temas para hoy…
Hoy hablaremos de las distribuciones continuas
I. Repaso: Variables Aleatorias Continuas
II. Distribución de Probabilidades para variables
aleatorias continuas
 “Probability density function” (pdf)
 “Cumulative distribution function” (cdf)
III. Valor Esperado de variables aleatorias continuas
 Valor Esperado
 Varianza
IV. Percentilas
I. Repaso: Variables Aleatorias
Continuas

 Definición: Una variable aleatoria X es

continua si puede tomar cualquier valor en
un intervalo:
 Ejemplo: Suponga que X es una r.v.
representando todos los posibles valores de
diámetros entre 15 y 20 mm (15 <= X <= 20)
 Continuas vs. Discretas
 La realidad es que a las variables continuas
son más fáciles de manipular, por eso:
 Aunque las variables continuas tengan
limitaciones en cuanto a la exactitud y precisión
de las medidas (instrumentos), las modelamos
como continuas
 A veces, modelamos variables discretas como
continuas
Modelaje de Datos Contínuos
como Proporción del Máximo
 Si X  [0,M]
 Igualamos M al valor máximo que puede asumir la r.v. X
 El valor mínimo que puede asumir la r.v. X = 0
 Si reescribimos X como proporción del máximo (M), el
área bajo la curva seria 1

Mayor
precisión

0
X
M
0 M

“nearest mm”
 II. “Probability Density
Function” (pdf)
 Si representamos la variable aleatoria X como
proporción del máximo, podemos definir un
“probability density function” f(x) que satisfaga las
siguientes dos condiciones:
f(x) >= 0 para todo x
∞

∫ f ( x)dx =1
−∞
 Por tanto, podemos definir el pdf de X como una
función f(x) tal que para dos valores a y b (a ≤ b):
b
P (a ≤ X ≤ b ) = ∫ f (x )dx
a
 Inclusión y Exclusión de los
Limites de un Intervalo
 Una propiedad conveniente de las
distribuciones continuas es que la probabilidad
no cambia si incluye (o no) el limite del
intervalo
 Note que: Pr(X = un valor especifico) = 0
 Eso quiere decir que:
P (a ≤ X ≤ b ) = P (a < X ≤ b ) = P (a ≤ X < b ) =
P (a < X < b )
 Ejemplo Aplicado
0.09375( 4 − x 2 ) - 2 < x < 2
 f ( x) = 
0 otherwise

Haga lo siguiente:

1. grafique f(x)

2. verifique las condiciones del pdf

3. calcule las siguientes probabilidades:

• P(X > 0)
• P(-1 < X < 1)
 Ejemplo Aplicado (cont.)
 Cree tabla utilizando Excel – defina valores para x
x f(x)
-2.0 0.00
-1.8 0.07
-1.6 0.14
-1.4 0.19
-1.2 0.24
0.40
-1.0 0.28
-0.8 0.32
0.30
-0.6 0.34
f(x)

-0.4 0.36 0.20

-0.2 0.37
0.0 0.38 0.10
0.2 0.37
0.4 0.36 0.00
0.6 0.34 -3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
0.8 0.32
x
1.0 0.28
1.2 0.24
1.4 0.19
1.6 0.14
1.8 0.07
2.0 0.00
 Ejemplo Aplicado (cont.)
Verificación de condiciones:
 f(x) > 0 

 Área debajo de la curva = 1

0.09375 x 3 2
= [2 * 0.375 − (−2) * 0.375] − −2 =
33
 0.09375 * 2 0.09375 * −2 
3
= 1.5 −  −  = 1.5 − (0.25 − (−0.25)) = 1
 3 3 
 Ejemplo Aplicado (cont.)

 Integrar f(x) y resolver para los siguientes

valores:
 P(X > 0) ?

 P(-1 < X < 1) = ?

 “Cumulative Distribution
Function” cdf
 F(x) para una variable aleatoria continua X
está definido para cada número x por:
x
F (x ) = P ( X ≤ x ) = ∫ f (y )dy
−∞

 Nota: F(x) aumenta con x

 F(x) y las Probabilidades
 Mayormente utilizamos F(x) para calcular
probabilidades
 Si X es una variable aleatoria continua con pdf = f(x)
y cdf = F(x), entonces:

 P(X<=x) =

 P(X>a) =

 Para dos números a y b, donde a < b:

 P(a≤X≤ b) =
Regresando al Ejemplo Aplicado

 P(-1<X<1) = ?
−1

F(-1) = ∫ f ( y )dy =0.15625

−2

F(1) = ∫ f ( y )dy =0.84375

−2

 Por tanto, P(-1<X<1) = F(1)-F(-1) = 0.688

 III. Valor Esperado y Varianza para
Variables Aleatorias Continuas

 Similar a las variables discretas pero

integramos en vez de sumar:
∞ ∞
µ = E ( X ) = ∫ x f ( x)dx E (h( X )) = ∫ h( x) f ( x)dx
−∞ −∞
 Varianza de una variable aleatoria continua X
con pdf f(x) y promedio µ
∞
σ X2 = V ( X ) = ∫ ( x − µ ) 2
• f ( x )dx = E ( X 2
) − [E ( X )]2
−∞
 Ejercicio
 Determine el valor esperado de f(x) = 0.09375(4-x2)
 E(X) = ? 0

1.0
F(x)

0.5

0.0
-3.0 -2.0 -1.0 0.0 1.0 2.0 3.0
x
 IV. Percentilas
 La percentila 95 (i.e. η(0.95)) es _______
que 95% de los datos.
 La mediana es la percentila _______
 Probablemente recuerda este concepto de su
resultado del College Board
Percentilas de Distribuciones
Continuas
 Deje que p sea un número entre 0 y 1. La percentila
(100p)ma de una variable X, se pueda definir como:
η(p )
F (η ( p )) = ∫ f (y )dy
−∞
 η(p) define el area debajo de f(x) que queda a la
___________ del valor
 La η(0.75) percentila sugiere que 75 porciento de
los puntos están a la izquierda de η(0.75th).
 F(η(1)) = 1
 V. Resumen de Conceptos
 Las variables aleatorias continuas pueden ser
utilizadas para modelar situaciones donde la
característica puede tomar cualquier valor en
un intervalo
 El valor esperado y la varianza de variables
aleatorias continuas se calcula igual que las
discretas pero utilizando integrales en vez de
sumatorias
 La percentila 95 (i.e. η(95)) es que
95% de los datos.