Probabilidad y estadística

Unidad 3: Variables aleatorias

 Variables aleatorias continuas

Función de probabilidad o densidad.

Función de distribución acumulada.
Parámetros de una distribución.
 Función de probabilidad o
densidad

Una variable aleatoria X es una función de densidad continua si cumple

con:
𝒇(𝒙) ≥ 𝟎 para todo x real.
∞
න 𝒇 𝒙 𝒅𝒙 = 𝟏
−∞
Es decir, el área bajo la curva de la función está normalizada.
Algunas propiedades importantes son:
𝒃
𝑷 𝒂 ≤ 𝒙 ≤ 𝒃 = ‫𝒙𝒅 𝒙 𝒇 𝒂׬‬ con a y b reales.
𝒂
𝑷 𝑿 = 𝒂 = න 𝒇 𝒙 𝒅𝒙 = 𝟎
𝒂
 Función de distribución
acumulada

Esta función se define en el caso continuo como:

𝑭 𝒙 =𝑷𝑿≤𝒙
Y puede hallarse mediante una integración:
𝒙
𝑷 𝑿 ≤ 𝒙 = 𝑭 𝒙 = න 𝒇 𝒕 𝒅𝒕
−∞
Lo contrario también es posible:
𝒇 𝒙 = 𝑭′(𝒙)
 Parámetros de una distribución

En el caso continuo, el valor esperado de una función se obtiene

haciendo:
∞
𝑬𝑯 𝑿 = න 𝑯 𝒙 𝒇 𝒙 𝒅𝒙
−∞

Con la condición de que la integral sea finita.

Es análogo al caso discreto, sustituyendo la sumatoria por una
integral.
 Esperanza

Para el caso continuo se define como:

∞
𝑬 𝑿 = න 𝒙𝒇 𝒙 𝒅𝒙
−∞

La esperanza o valor esperado cumple las mismas propiedades

que el caso discreto.
 Varianza y desviación estándar

La varianza cumple con la misma definición del caso discreto

𝑽𝒂𝒓 𝑿 = 𝝈𝟐 = 𝑬 𝑿 − 𝝁 𝟐
O
𝑽𝒂𝒓 𝑿 = 𝝈𝟐 = 𝑬 𝑿𝟐 − (𝑬[𝑿])𝟐

Sin embargo, hay que recordar utilizar la integral para hallar los
valores.
Las propiedades de la varianza se siguen cumpliendo.
 Ejemplo

La concentración de plomo en la gasolina varía actualmente entre

0.1 y 0.5 gramos por litro. La función de densidad es:
12.5𝑥 − 1.25, 0.1 ≤ 𝑥 ≤ 0.5
𝑓 𝑥 =ቊ
0, 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
a) ¿Cuál es la probabilidad de que su concentración en un litro de
gasolina seleccionado anteriormente se ubique entre 0.2 y 0.3 g,
inclusive?
b) ¿Cuál es la función de distribución acumulativa?
c) Calcula el valor esperado y la desviación estándar.
 Ejemplo

Aunque no es necesario para este caso, podemos graficar la

función para ver su comportamiento:
 Ejemplo

Verificamos que la función sea una función de densidad

continua:
∞ 0.5
න 𝑓 𝑥 𝑑𝑥 = න 12.5𝑥 − 1.25 𝑑𝑥
−∞ 0.1
2
12.5𝑥 0.5
= − 1.25𝑥
2 0.1
12.5(0.5)2 12.5(0.1)2
= − 1.25(0.5) − − 1.25(0.1)
2 2
= 0.9375 − −0.0625 = 1

Lo cual demuestra que es una función de densidad

 Ejemplo

Para calcular la probabilidad se utiliza la propiedad mencionada

anteriormente:
0.3
𝑃 0.2 ≤ 𝑋 ≤ 0.3 = න 12.5𝑥 − 1.25 𝑑𝑥
0.2
12.5𝑥 2 0.3
= − 1.25𝑥
2 0.2
12.5(0.3)2 12.5(0.2)2
= − 1.25(0.3) − − 1.25(0.2)
2 2
= 𝟎. 𝟏𝟖𝟕𝟓
 Ejemplo

La función acumulada se calcula de la siguiente manera:

𝑥
𝐹 𝑥 =න 12.5𝑡 − 1.25 𝑑𝑡
−∞
12.5𝑡 2 𝑥
= − 1.25𝑡
2 0.1
= 6.25𝑥 2 − 1.25𝑥 + 0.0625
La función resultante es:
0 𝑥 < 0.1
𝐹 𝑥 = ቐ6.25𝑥 2 − 1.25𝑥 + 0.0625 0.1 ≤ 𝑥 ≤ 0.5
1 𝑥 > 0.5
 Ejemplo

La esperanza se calcula mediante la siguiente fórmula:

∞
𝝁 = 𝑬 𝑿 = න 𝒙𝒇 𝒙 𝒅𝒙
−∞
0.5
= න 𝑥 12.5𝑥 − 1.25 𝑑𝑥
0.1
12.5𝑥 3 1.25𝑥 2 0.5
= −
3 2 0.1
(12.5) (0.5)3 (1.25) (0.5)2 12.5 0.1 3
1.25 0.1 2
= − − −
3 2 3 2
= 𝟎. 𝟑𝟔𝟔𝟕 𝒈/𝑳
 Ejemplo

Para calcular la desviación estándar es necesario determinar E(X2):

∞
𝟐
𝑬 𝑿 = න 𝒙𝟐 𝒇 𝒙 𝒅𝒙
−∞
0.5
= න 𝑥 2 12.5𝑥 − 1.25 𝑑𝑥
0.1
12.5𝑥 4 1.25𝑥 3 0.5
= − = 𝟎. 𝟏𝟒𝟑𝟑
4 3 0.1

𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 2
= 0.1433 − 0.3667 2
= 0.00883

La desviación estándar de X es:

𝝈 = 𝑽𝒂𝒓𝑿 = 0.00883 = 𝟎. 𝟎𝟗𝟑𝟗𝟔 𝒈/𝑳
 Actividad

Un proceso que fabrica anillos de pistón produce anillos cuyos

diámetros (en centímetros varían de acuerdo con la función de
probabilidad:
3 1 − 16 𝑥 − 10 2 , 9.75 < 𝑥 < 10.25
𝑓 𝑥 =ቊ
0, 𝑜𝑡𝑟𝑜𝑠 𝑐𝑎𝑠𝑜𝑠
– Determina la media del diámetro de los anillos que se fabrican mediante este
proceso.
– Determina la desviación estándar de los diámetros de anillos fabricados por
este proceso.
– ¿Qué proporción de anillos de pistón tiene diámetros menores a 9.75
centímetros?
– ¿Qué proporción de anillos de pistón tiene diámetros entre 9.75 y 10.25
centímetros?
Probabilidad y estadística

Unidad 3: Variables aleatorias

 Distribuciones continuas comunes

Uniforme.
Exponencial.
Normal.
Aproximación normal de la binomial.
 Distribución uniforme

Es la distribución más simple. Su La media de una variable

función de densidad está dada por:
𝟏 aleatoria uniforme es:
𝒔𝒊 𝜶 ≤ 𝒙 ≤ 𝜷 𝜷
𝒙 𝜶+𝜷
𝒇 𝒙 = ቐ𝜷 − 𝜶
𝑬 𝑿 =න 𝒅𝒙 =
𝟎 𝒐𝒕𝒓𝒐𝒔 𝒄𝒂𝒔𝒐𝒔 𝜶 𝜷 − 𝜶 𝟐
La gráfica de esta función es una línea
recta horizontal delimitada por el La varianza es:
ancho 𝜷 − 𝜶.
La probabilidad de que X esté en un (𝜷 − 𝜶)𝟐
intervalo [𝒂, 𝒃] es: 𝑽𝒂𝒓 𝑿 =
𝒃
𝟏𝟐
𝟏 𝒃−𝒂
𝑷 𝒂<𝑿<𝒃 = න 𝒅𝒙 =
𝜷−𝜶 𝒂 𝜷−𝜶
 Ejemplo

Unos autobuses llegan a una parada determinada a intervalos de

15 minutos, a partir de las 7 de la mañana. Si un pasajero llega a
la parada en un momento que está distribuido uniformemente
entre las 7:00 y las 7:30, ¿cuál es la probabilidad de que espere
el autobús,
a) menos de 5 minutos?
b) por lo menos 12 minutos?
 Ejemplo

X es el tiempo, en minutos, que transcurre desde las 7:00 y hasta

que llegue el pasajero a la parada. Como X es una variable aleatoria
uniforme en el intervalo (0, 30), tenemos que el pasajero tendrá que
esperar menos de 5 minutos si llega entre las 7:10 y las 7:15, o
entre las 7:25 y las 7:30. La probabilidad buscada es:
5 5 𝟏
𝑃 10 < 𝑋 < 15 + 𝑃 25 < 𝑋 < 30 = + =
30 30 𝟑

Tendrá que esperar, por lo menos, 12 minutos si llega entre la 7:00

y las 7:03, o entre las 7:15 y las 7:18. Entonces:
3 3 𝟏
𝑃 0 < 𝑋 < 3 + 𝑃 15 < 𝑋 < 18 = + =
30 30 𝟓
 Distribución exponencial

Esta distribución se define de la siguiente forma para λ > 0:

𝝀𝒆 −𝝀𝒙 , 𝒙≥𝟎
𝒇 𝒙 =ቊ
𝟎, 𝒙<𝟎

La función de distribución acumulada es:

𝑭 𝒙 = 𝟏 − 𝒆−𝝀𝒙 , 𝒙 ≥ 𝟎
Esta distribución es un símil de la geométrica discreta, es decir,
calcula la probabilidad de que transcurra una cantidad de
tiempo específico hasta que sucede un evento.
 Propiedades de la distribución
exponencial

La variable aleatoria exponencial no tiene memoria. Es decir:

𝑷 𝑿>𝒔+𝒕 𝑿>𝒕 =𝑷 𝑿>𝒔 Para toda s, t ≥ 0
Esto significa que no importa si el producto es usado, la distribución de
probabilidad, a partir de ese momento, es igual a la de uno nuevo.
Es la única distribución en la que el tiempo transcurrido anteriormente no
afecta la probabilidad de ocurrencia de un evento.
La media para este caso es:
𝟏
𝑬 𝑿 =
𝝀
La varianza es:
𝟏
𝑽𝒂𝒓 𝑿 = 𝟐
𝝀
 Ejemplo

Imagina que el número de millas que puede recorrer un

automóvil antes de que se le acabe la batería está distribuido
exponencialmente con un valor promedio de 10,000 millas. Si
una persona quiere realizar un viaje de 5,000 millas,
a) ¿cuál es la probabilidad de que llegue al final de su
viaje sin tener que cambiar la batería?
b) ¿qué se puede decir si la distribución no es
exponencial?
 Ejemplo

Primero, debemos hallar el valor del En el caso de que la distribución no

parámetro λ. Para hacer el cálculo fuera exponencial:
más simple, el resultado estará en
miles de millas:
1 𝑷 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒗𝒊𝒅𝒂 > 𝒕 + 𝟓 𝒕𝒊𝒆𝒎𝒑𝒐 𝒅𝒆 𝒗𝒊𝒅𝒂 > 𝒕
𝐸 𝑋 = 𝟏 − 𝑭(𝒕 + 𝟓)
𝜆 =
1 1 𝟏 − 𝑭(𝒕)
𝜆= =
𝐸(𝑋) 10
Donde t es el número de miles de
Ahora, hay que hallar la probabilidad millas que la batería ha estado en uso
de que el tiempo de vida restante sea
mayor a 5: antes de que se inicie el viaje.
𝑃 𝑋 > 5 = 1−𝐹 5
Es decir, faltaría información para
= 𝑒 −5𝜆 = 𝑒 −1/2 ≈. 𝟔𝟎𝟒
poder resolver este problema si no
estuviera distribuido
exponencialmente.
 Actividad

Una masa radiactiva emite partículas de acuerdo con un proceso de

Poisson a una razón media de dos por segundo. Sea T el tiempo de
espera en segundo, entre las emisiones.
– ¿Cuál es la media del tiempo de espera?
– ¿Cuál es la mediana del tiempo de espera?
– Determina 𝑃 𝑇 > 2
– Determina 𝑃 𝑇 < 0.1
– Determina 𝑃 0.3 < 𝑇 < 1.5
– Si han transcurrido tres segundos sin que haya ninguna
emisión, ¿cuál es la probabilidad de que haya una emisión
dentro del siguiente segundo?
 Distribución normal

Esta función de densidad tiene como gráfica la curva en forma de

campana, también denominada Gaussiana.
Se dice que la variable aleatoria está normalmente distribuida si su
función de densidad es de la siguiente forma:
𝟏 𝟏 𝒙−𝝁 𝟐
𝐞𝐱𝐩 −
𝟐𝝅𝝈 𝟐 𝝈
Es una gráfica simétrica que tiene como centro su media μ, que
puede tomar cualquier valor real.
Su desviación estándar es σ, que puede tomar un valor positivo.
 Distribución normal estandarizada

Por lo general se requeriría integrar la función, pero es posible

transformar cualquier distribución normal a una estandarizada
con media μ = 0 y σ = 1.
Para ello, sólo hay que aplicar la siguiente transformación:
𝑿−𝝁
𝒁=
𝝈
 Utilización de tablas

Una vez hallado el, o los

valores para Z, se
ubican en la gráfica.
Ubicar la fila de las
décimas con la columna
de las centésimas.
Tomar en cuenta la
simetría de la gráfica.
 Ejemplo

Supón que los puntajes CI de estudiantes forman una

distribución normal con media μ = 100 y desviación estándar σ =
20. Encuentra el porcentaje P de estudiantes cuyos puntajes
caen entre:
a) 80 y 120
b) 60 y 140
c) Por encima de 160
d) Por debajo de 80
 Ejemplo

Para todos los casos, se aplica la fórmula para c) Por encima de 160, se puede usar
estandarizar: simetría, diciendo que el lado derecho
𝑿−𝝁
𝒁= mide 0.5 y quitando lo suficiente hasta
𝝈
a) Para calcular 80 y 120, se hacen las siguientes
llegar al valor de Z.
operaciones:
160 − 100
𝑍= =3
80 − 100 20
𝑍= = −1
20 Esto da 0.5 – 0.4987 = 0.0013
120 − 100
𝑍=
20
=1 d) Por debajo de 80, se utiliza el mismo
Al encontrarlo en la tabla, se obtiene 0.3413 + 0.3413 = procedimiento.
0.6826 0.5 – 0.3413 = 0.1587
b) Hacemos lo mismo para 60 y 140
60 − 100
𝑍= = −2
20
140 − 100
𝑍= =2
20
En la tabla se encuentra 0.4772 + 0.4772 = 0.9544
 Aproximación normal de la binomial

Cuando n es grande, la distribución binomial se torna complicada de

calcular.
Sin embargo, el resultado puede aproximarse mediante la curva normal.
Si se quiere hallar un valor específico, se calculan los valores para los
intervalos [X-0.5, X+0.5]
 Ejemplo

Entre 10,000 dígitos aleatorios, cuál es la probabilidad P de que

aparezca el número 3:
a) Entre 975 y 1025 veces
b) Máximo 950 veces.
 Ejemplo

Primero se halla la media y la desviación

estándar, con n = 10,000 y p = 0.1
𝝁 = 𝒏𝒑 = 10000 0.1 = 1000
𝝈 = 𝒏𝒑(𝟏 − 𝒑) = (10000)(0.1)(0.9) = 30
a) Ahora se hallan los valores b) Se busca la probabilidad para X ≤
correspondientes a 975 y 1025. Se
considera que incluyen los valores, por lo 950. Es decir:
tanto: 𝑿 − 𝝁 950.5 − 1000
𝑿 − 𝝁 974.5 − 1000 𝒁= = = −1.65
𝒁= = = −0.85 𝝈 30
𝝈 30 Buscando en la tabla y restando:
𝑿 − 𝝁 1025.5 − 1000
𝒁= = = 0.85 0.5000 – 0.4505 = 0.0495
𝝈 30
Esto da como resultado 2(0.3026) = 0.6052
 Actividad

El gerente de una compañía financiera sabe por experiencia que

el número de solicitudes de préstamos que se reciben en su
oficina durante una semana es una variable aleatoria con
distribución normal con una media de 66.4 y una desviación
estándar de 10.9 solicitudes. ¿Cuál es la probabilidad de que en
una semana la oficina reciba:
– Más de 75 solicitudes
– Cuando mucho 75 solicitudes
– Entre 65 y 75 solicitudes