Clase VA Continuas 8-2-2022

Estadística
Variables Aleatorias Continuas

18-7-2022
Natalia SALABERRY
 Facultad
Taller de Ciencias Económicas UBA
de Programación
Variable aleatoria
Definición Variable Aleatoria (VA)
Dado un espacio muestral -conformado por los valores que toma la variable bajo
análisis- una variable aleatoria X es una función que asigna a cada elemento del
espacio muestral un número real: X: Ω→R
Es un conjunto finito o infinito numerable de valores.
Discreta Ejemplos:
Cantidad de personas infectadas por COVID 19
Cantidad de fallos de un servidor o máquina
La variable Cantidad de casos exitosos de un evento determinado
aleatoria
puede ser
de dos tipos
Es un intervalo de números reales.
Ejemplos:
Continua Estatura de una persona
Tiempo de arribo a un lugar
Peso de un objeto
2
Estadística – R. Del
M. Conocchiari - M. SperanzaNatalia Salaberry
Rosso
 Facultad
de Programación
VA Continua - Función de densidad de Probabilidad

Recordemos la resolución de una integral definida:
La integral definida de una función f(x), se define de la siguiente forma:
𝒃
‫𝑥𝑑 𝑥 𝑓 𝒂׬‬
Donde a y b son valores de x llamados límites de integración:

a: límite inferior de integración
b: límite superior de integración
La integral definida corresponde al área limitada por la curva f(x), los límites de
integración a y b y el eje x:
Por tanto, la solución de la integral definida es un valor numérico, que siempre debe
ser positivo ya que estamos calculando áreas.
Las integrales definidas de calculan aplicando la regla de Barrow. 3
Rosso
 Facultad
de Programación

Regla de Barrow:
La regla de Barrow dice lo siguiente:
𝒃 𝒃
área=‫)𝒙(𝑭 = 𝑥𝑑 𝑥 𝑓 𝒂׬‬ 𝒂 = 𝑭 𝒃 − 𝑭(𝒂)
Ejemplos:
𝟑 𝟑
a) ‫ =𝑥𝑑 ׬‬x Ej: ‫𝒙 =𝑥𝑑 𝟏׬‬ 𝟏 =𝟑−𝟏=𝟐
𝟑 𝟑
b) ‫ =𝑥𝑑 𝑐 ׬‬c x Ej: ‫ 𝟏׬‬2𝑑𝑥= 𝟐𝒙 𝟏 =𝟐∗𝟑−𝟐∗𝟏= 𝟒
𝟑 𝟑
𝒓 𝒙𝒓+𝟏 𝟑 𝒙𝟏+𝟏 𝒙𝟐 𝟑𝟐 𝟏𝟐 𝟗 𝟏 𝟖
c) ‫= 𝑥𝑑 𝒙 ׬‬ Ej: ‫𝟏 =𝑥𝑑 𝑥 𝟏׬‬+𝟏 = = − = − = =𝟒
𝒓+𝟏 𝟏 𝟐 𝟏 𝟐 𝟐 𝟐 𝟐 𝟐
d) ‫ 𝒓𝒙(׬‬+𝒙 + 𝒄) 𝑑𝑥 = ‫ 𝑥𝑑 𝒙 ׬‬+ ‫ 𝑥𝑑 𝒙 ׬‬+ ‫𝑥𝑑 𝒄 ׬‬
𝒓
𝟑 𝟑 𝟑 𝟑
𝟑 𝟐 𝒙𝟐+𝟏 𝒙𝟏+𝟏 𝟑 𝒙𝟑 𝒙𝟐 𝟑
Ej: ‫ 𝒙( 𝟏׬‬+𝒙 + 𝟐) 𝑑𝑥=
𝟐+𝟏 𝟏
+
𝟏+𝟏 𝟏
+ 𝟐𝒙 𝟏 =
𝟑 𝟏
+
𝟐 𝟏
+ 𝟐𝒙 𝟏
𝟑𝟑 𝟏𝟑 𝟑𝟐 𝟏 𝟐
= − + − + 𝟐∗𝟑−𝟐∗𝟏 =
𝟑 𝟑 𝟐 𝟐
𝟐𝟕 𝟏 𝟗 𝟏 𝟐𝟔 𝟖 𝟓𝟎
− + − +𝟒= + +𝟒=
𝟑 𝟑 𝟐 𝟐 𝟑 𝟐 𝟑
4
Rosso
 Facultad
de Programación

Definición de Función de densidad de probabilidad
Se X una variable aleatoria continua, f(X) será su función de probabilidad si satisface

las siguientes propiedades:
- 𝑓 𝑥 ≥0 para todo 𝑥
+∞
- ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥 =1
Por lo tanto, la probabilidad de que una variable aleatoria continua X con función de
densidad 𝑓 𝑥 pertenezca al intervalo [a , b] está dada por
𝑓 𝑥
𝒃
P(a ≤ X ≤ b) =‫𝑓 𝒂׬‬ 𝑥 𝑑𝑥
𝒃
á𝑟𝑒𝑎 = න 𝑓 𝑥 𝑑𝑥
𝒂
𝑎 𝑏 5
Rosso
 Facultad
de Programación
VA Continua - Función de Densidad de Probabilidad

Ejemplo
2
Sea 𝑓 𝑥 ቊ𝑎𝑥 1≤𝑥 ≤3
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
1. Calcular el valor de 𝑎 para que 𝑓 𝑥 resulte una función densidad de

probabilidad
+∞
Entonces tendrá que ser 𝑎≥0 y ‫׬‬−∞ 𝑓 𝑥 𝑑𝑥=1 => resolvemos la integral:
𝟑 𝑥3 3 27 1 26 26
‫ 𝑥𝑎 𝟏׬‬2 𝑑𝑥= 𝑎 |1 =
3
𝑎
3
- 𝑎 =𝑎
3 3
y sabemos que tiene que ser = 1 => = 𝑎
3
=1=>
3
𝑎=
26
2. Tomando el valor hallado de 𝑎, calcular P(1,7 < x < 2,3) y P(x ≥ 2)
𝟐,𝟑 3 2 3 𝑥 3 2,3 3 12,167 3 4,913

P(1,7 < x < 2,3)= ‫𝟏׬‬,𝟕 26 𝑥 𝑑𝑥=26 3 |1,7 =26 3 -
26 3
= 0,279
𝟑 3 2 3 𝑥 3 3 3 27 3 8 19
P(x ≥ 2)= ‫ 𝟐׬‬26 𝑥 𝑑𝑥=26 3 |2 =26 3 -
26 3
=
26
= 0,7308 6
Rosso
 Facultad
de Programación
VA Continua - Función de Distribución Acumulada
Definición de Función de Distribución Acumulada
Se X una variable aleatoria continua con función de densidad de probabilidad 𝑓 𝑥 ,

su función de distribución acumulada viene dada por:
𝑥
F(x)= P(X ≤ x)=‫׬‬−∞ 𝑓 𝑥 𝑑𝑥
Por lo tanto, si a ≤ b entonces:
P(a ≤ X ≤ b)=𝐹 𝑏 − 𝐹(𝑎)
Es decir, F(x) nos muestra la probabilidad acumulada en el intervalo [a , b]
Propiedades:
- F(X) es monótona creciente.
- F(X) es continua para todo X.
- lim 𝐹 𝑥 = 0 𝑦 lim 𝐹 𝑥 = 1
𝑥→−∞ 𝑥→+∞ 7
Rosso
 Facultad
de Programación
VA Continua - Función de Distribución Acumulada

Ejemplo
𝟑 2
𝑥 1≤𝑥 ≤3
Sea 𝑓 𝑥 ൝𝟐𝟔 Calcular la función de distribución acumulada de 𝑓 𝑥
1
Si x < 1: F(x)= ‫׬‬−∞ 0 𝑑𝑥=𝟎
𝑋 3 2 3 𝑥3 𝑋 3 𝑋3 3 1 𝑋 3 −1
Si 1≤ x ≤ 3: F(x)=‫׬‬1 𝑥 𝑑𝑥= | = - =
26 26 3 1 26 3 26 3 26
3 3 2 3 𝑥 3 3 3 27 3 1
Si x > 3: F(x)= ‫׬‬1 26 𝑥 𝑑𝑥= 26 3 |1 = 26 3 - 26 3 =1
F(x) 1
Entonces 0,9
0,8
0,7
0 𝑠𝑖 𝑥 < 1 0,6
3
𝑋 −1 0,5
F(X) ൞ 𝑠𝑖 1 ≤ 𝑥 ≤ 3 0,4
26 0,3
0,2
1 𝑠𝑖 𝑥 > 3 0,1
0
-2 -1 0 1 2 3 4 5 x 8
Rosso
 Facultad
de Programación
VA Continua – Valor Esperado
Definición de Valor Esperado o Media

Se X una variable aleatoria continua, su Valor Esperado o Media se define como:
+∞
E(x)=‫׬‬−∞ 𝑥𝑓 𝑥 𝑑𝑥
Por lo tanto nos indica el valor medio de los posibles valores que pueda tomar la
variable aleatoria
Propiedades: valen las mismas propiedades que vimos en la unidad de variables

aleatorias discretas
- E(b)= b
- E(a*X)= a*E(X)
- E(a*X + b)= a*E(X) + b
- Si X e Y son independientes entonces E(X+Y)=E(X) + E(Y)
Rosso
 Facultad
de Programación
VA Continua – Valor esperado o Media
Ejemplo
1 1 2
𝑥 − 𝑥 0≤𝑥 ≤6
Sea 𝑓 𝑥 ൝6 36 una función de densidad de probabilidad. Calcular
el valor esperado
+∞ 6 6
1 1 2 1 2 1 3
E X =න 𝑥𝑓 𝑥 𝑑𝑥 = න 𝑥 𝑥 − 𝑥 𝑑𝑥 = න 𝑥 − 𝑥 𝑑𝑥
−∞ 0 6 36 0 6 36
1 𝑥31 𝑥4 6
= − | =
6 3 36 4 0
1 63 1 6 4 1 03 1 04 1 216 1 1296
− − − = − − 0 = 12 − 9 = 3
6 3 36 4 6 3 36 4 6 3 36 4
10
Rosso
 Facultad
de Programación
VA Continua –Varianza
Definición de Varianza
Se X una variable aleatoria continua, su Varianza se define como:
+∞
V(x)=σ[𝑋 − 𝐸 𝑋 ] 2 = ‫׬‬−∞ [𝑥 − 𝐸 𝑥 ]2 𝑓 𝑥 𝑑𝑥
Por lo tanto, su valor nos indica cuanto se alejan los valores de X respecto su media
en términos cuadráticos
Propiedades: valen las mismas propiedades que vimos en al unidad de variables

aleatorias discretas
+∞ +∞
- V(X)= 𝐸(𝑋 2 ) − [𝐸 𝑋 ]2 = ‫׬‬−∞ 𝑥 2 𝑓 𝑥 𝑑𝑥 − [‫׬‬−∞ 𝑥𝑓 𝑥 𝑑𝑥]2 siendo la forma
más utilizada
- V(b)= 0
- V(a*X)= 𝑎2 *V(X)
- V(a*X + b)= 𝑎2 *V(X)
- Si X e Y son independientes entonces V(X+Y)=V(X) + V(Y)
Desvío estándar: 𝑉(𝑥) 11
Rosso
 Facultad
de Programación
VA Continua – Valor esperado o Media
Ejemplo
1 1 2
𝑥 − 𝑥 0≤𝑥 ≤6
Sea 𝑓 𝑥 ൝6 36 una función de densidad de probabilidad. Calcular
la varianza
+∞ 2 +∞
V(X)= 𝐸(𝑋 2 ) − [𝐸 𝑋 ]2 = ‫׬‬−∞ 𝑥 𝑓 𝑥 𝑑𝑥 − [‫׬‬−∞ 𝑥𝑓 𝑥 𝑑𝑥]2
+∞ 6 6
1 1 1 3 1 4
E 𝑋2 = න 2 2 2
𝑥 𝑓 𝑥 𝑑𝑥 = න 𝑥 ( 𝑥 − 𝑥 ) 𝑑𝑥 = න 𝑥 − 𝑥 𝑑𝑥
−∞ 0 6 36 0 6 36
1 𝑥4 1 𝑥5 6 1 64 1 65 1 04 1 05 216 54
= − | = − − − = 54 − −0=
6 4 36 5 0 6 4 36 5 6 4 36 5 5 5
54 2
9
V X = − 3 =
5 5
12
Rosso
 Facultad
de Programación
Distribuciones continuas de probabilidad
Según el comportamiento de la variable aleatoria continua, su distribución de

probabilidad adopta una forma determina que podemos conocer.
A partir de ello, tenemos las siguientes distribuciones de probabilidad:
- Uniforme: se caracteriza por determinar la probabilidad de ocurrencia de la

variable aleatoria entre dos extremos a y b, es decir, dentro de un intervalo
acotado.
- Normal: se caracteriza por determinar la probabilidad de ocurrencia de la

variable aleatoria dentro de un rango de valores posible que puede ir desde - ꚙ
hasta +ꚙ.
- Exponencial: se caracteriza por determinar la probabilidad de ocurrencia de la

variable aleatoria a una determinada tasa constante de tiempo.
13
Rosso
 Facultad
de Programación
Distribución Uniforme
Una variable aleatoria continua X tiene una distribución uniforme en el intervalo
[a, b] que notamos por X ~ U[a , b], si su función de densidad de probabilidad está
dada por
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑑𝑒𝑛𝑠𝑖𝑑𝑎𝑑:
1
𝑓 𝑥 = ቐ𝑏 − 𝑎 𝑠𝑖 𝑎 ≤ 𝑋 ≤ 𝑏
Por lo tanto, corresponde al caso de una variable aleatoria que es continua y sólo
puede tomar valores comprendidos entre dos extremos a y b, de manera que
todos los intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad.
0, 𝑥<𝑎
𝑥−𝑎
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝐹 𝑥 = , 𝑎≤𝑥≤𝑏
𝑏−𝑎
1, 𝑥>𝑏 14
Rosso
 Facultad
de Programación
Distribución Uniforme
𝑏 𝑏 1 1 𝑥2 𝑏 1 𝑏2 1 𝑎2 𝑏2 −𝑎2
𝐄 𝐗 = ‫𝑥𝑑 𝑥 𝑓 𝑥 𝑎׬‬ = ‫𝑏 𝑥 𝑎׬‬−𝑎 𝑑𝑥 = | = − = =
𝑏−𝑎 2 𝑎 𝑏−𝑎 2 𝑏−𝑎 2 2 𝑏−𝑎
(𝑏−𝑎)(𝑏+𝑎) 𝒂+𝒃
= =
2 𝑏−𝑎 𝟐
𝑏 𝑏 1 1 𝑥3 𝑏 1 𝑏3 1 𝑎3 𝑏3 −𝑎3
E 𝑋2 = ‫ 𝑥 𝑎׬‬2 𝑓 𝑥 𝑑𝑥 = ‫ 𝑥 𝑎׬‬2 𝑑𝑥 = | = − = =
𝑏−𝑎 𝑏−𝑎 3 𝑎 𝑏−𝑎 3 𝑏−𝑎 3 3 𝑏−𝑎
(𝑏−𝑎)(𝑏2 +𝑎𝑏+𝑎2 ) (𝑏2 +𝑎𝑏+𝑎2 )
= =
3 𝑏−𝑎 3
(𝑏 2 + 𝑎𝑏 + 𝑎 2 ) 𝑏 + 𝑎 2
𝐕 𝐗 = 𝐸 𝑋 2 − [𝐸 𝑋 ]2 = − =
3 4
2 2 2 2
(𝑏 + 𝑎𝑏 + 𝑎 ) 𝑏 + 2𝑎𝑏 + 𝑎 4𝑏 + 4𝑎𝑏 + 4𝑎 − 3𝑏 − 6𝑎𝑏 − 3𝑎2
2 2 2
− = =
3 4 12
𝑏 2 − 2𝑎𝑏 + 𝑎2 𝒃−𝒂 𝟐
=
12 𝟏𝟐
D(X)= 𝑽(𝒙) 15
Rosso
 Facultad
de Programación
Distribución Uniforme - Ejemplo
Sea X ~ U[3 , 5], cuya función de densidad de probabilidad es
1
𝑓 𝑥 = ቐ 2 𝑠𝑖 3 ≤ 𝑋 ≤ 5
1. Calcular F(X) 0 𝑥<3

𝑡 𝑡1 1 𝑡 1 3 1 3
F x = ‫׬‬3 𝑓 𝑥 𝑑𝑥=‫׬‬3 2 𝑑𝑥 = 𝑥| = ∗ 𝑡− 𝐹 𝑥 = ∗𝑡− 3≤𝑥≤5
2 3 2 2 2 2
1 𝑥>5
2. Calcular P(X ≤4)
4 41 1 4 4 3 1
F x ≤ 4 = ‫׬‬3 𝑓 𝑥 𝑑𝑥=‫׬‬3 2 𝑑𝑥 = 𝑥| =2−2=2
2 3
3. Calcular E(X), V(X) y D(X)

5 (5−3)2 4 1
E(X) =
5
‫׬‬3 𝑥 𝑓 𝑥 dx =
3+5
=4 V(X) = ‫׬‬3 [𝑥 −𝐸 𝑋 ]2 𝑓 𝑥 d𝑥 = 12
= 12 =3
2
1
D(X)= 𝑉(𝑥) = = 0,5774
3 16
Rosso
 Facultad
de Programación
Distribución Normal
Una variable aleatoria continua X tiene una distribución normal X ~ N(𝞵,𝞂) de
parámetro 𝞵=E(X) y 𝞂=D(X) si su función de densidad de probabilidad es
(𝑥−µ)2
1 −
𝑓𝑥 𝑥 = ቊ 𝑒 2𝜎 𝑐𝑜𝑛 − ∞ < 𝑥 < +∞ ; −∞ < µ < +∞ ; σ >0
σ 2𝜋
donde µ = media y σ=desvío estándar
Por lo tanto, representa cómo se distribuyen los valores de una variable

aleatoria continua dentro de un rango de valores posible que puede ir desde
- ꚙ hasta +ꚙ.
El gráfico de la función de densidad

de probabilidad normal tiene
forma de campana con simetría
respecto de su media y puntos de
inflexión en x= 𝞵+ 𝞂 y x= 𝞵- 𝞂
17
Rosso
 Facultad
de Programación
Distribución Normal
𝑥−µ 2
𝑥 1 −
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: F(X) = ‫׬‬−∞ σ 2𝜋 𝑒 2𝜎 𝑑𝑥
+∞
E(X) = µ = ‫׬‬−∞ 𝑥 ∗ 𝑓𝑥 𝑥 dx
+∞
V(X) = 𝜎 2 = ‫׬‬−∞ [𝑥𝑖 − 𝐸 𝑋 ]2 ∗ 𝑓𝑥 𝑥𝑖 𝑑𝑥
D(X)= 𝑉(𝑥)
𝑿−µ
Si µ=0 y σ=1 entonces Z ~ N(0,1) siendo Z=
σ cuya distribución se denomina
normal estándar
18
Rosso
 Facultad
de Programación
Distribución Normal- Uso de tabla Normal Estandarizada
Sea X ~ N(1,48;2) calcular P(X<5) => estandarizamos la variable:
𝑋−𝞵 5−1,48 𝑋−𝞵
P( < )= P( < 1,76)=0.9608
𝞂 2 𝞂
19
Rosso
 Facultad
de Programación
Distribución Normal- Uso de tabla Normal Fractiles
Sea X ~ N(1,48;2) calcular A tal que P(X<A)=0.8
𝑋−𝞵 𝐴−1,48
 estandarizamos la variable: P( < )=0,8
𝞂 2
 buscamos el valor de Z que corresponde a F(Z)=0,8
Luego
𝐴 − 1,48
0,842 = ⇒
2
𝐴 = 0,842 ∗ 2 + 1,48
= 𝟑, 𝟏𝟔𝟒
20
Rosso
 Facultad
de Programación
Distribución Normal- Ejemplo
Se ha comprobado que la distribución del índice de colesterol para un gran número
de personas es aproximadamente normal con media 163 centigramos. Si el 15.87%
de las personas tiene un índice comprendido entre 161 y 165 centigramos, calcular el
desvío estándar del índice de colesterol.
Llamamos X : “Índice de colesterol de una persona” =>X ~ N(163; 𝞂)
𝑋−𝞵 𝑋−163
Z= = ~ N(0; 1)
𝞂 𝞂
161−163 𝑋−𝞵 165−163
Tenemos que P(161≤ X ≤ 165)=0,1587 => P( ≤ ≤ )=0,1587 =>
𝞂 𝞂 𝞂
−2 2 2
P( ≤ 𝑍≤ )=0,1587 =>1-2P(𝑍 ≥ | |)=1-0,1587=0,8413
𝞂 𝞂 𝞂
=> buscamos en la tabla esta probabilidad y extraemos el valor de Z
2
Z=1 => =1 => 𝞂=2
𝞂
21
Rosso
 Facultad
de Programación
Distribución Exponencial
Un caso particular de la distribución Gamma es cuando 𝜶 = 𝟏, que recibe el
nombre de distribución exponencial.
Una variable aleatoria continua X tiene una distribución exponencial X ~ Exp(𝞪) de

parámetro 𝞪 (𝞪 >0) si su función de densidad de probabilidad está dada por
𝛼𝑒 −𝛼𝑋 𝑠𝑖 𝑋 > 0 1
𝑓 𝑥 =ቊ con α =
0 𝑠𝑖 𝑋 ≤ 0 𝛽
Por lo tanto, representa el tiempo hasta que se produce un determinado suceso, a

una determinada tasa de tiempo transcurrido.
−𝞪𝑋
𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎: 𝐹 𝑥 = ቊ 1−𝑒 𝑠𝑖 𝑋 > 0
0 𝑠𝑖 𝑋 ≤ 0
Considerando que 𝛼=1 en la distribución Gamma, entonces

1 2
1
E X =𝛽= 𝑉 𝑋 =𝛽 = 2 D(X)= 𝑉(𝑥)
𝞪 𝛼 22
Rosso
 Facultad
de Programación
Relación de la Distribución Exponencial con los procesos de Poisson
Sea una variable aleatoria 𝑋𝑡 =“número de ocurrencia de un evento en un

intervalo de longitud t” con distribución de Poisson
X~P(λ)
donde λ es la tasa media de ocurrencia de los eventos en la unidad de tiempo
Entonces la variable aleatoria T=“tiempo hasta la ocurrencia del primer

evento” (o equivalentemente, tiempo entre la ocurrencia de dos eventos
1
sucesivos), tiene una distribución exponencial de parámetro 𝞪=
λ
T~Exp(𝞪)
23
Rosso
 Facultad
de Programación
Distribución Exponencial - Ejemplo
El tiempo de respuesta de un servidor es una variable aleatoria X con distribución
exponencial con valor esperado igual a 5 segundos.
1. ¿Cuál es la probabilidad de que el tiempo de respuesta sea mayor a 10

segundos?
1
Dado que E(X)= λ= 5 => 𝞪= =0,2
5
P(X>10)=1-P(X≤10)=1-F(10)=1-[ 1−𝑒 −0,2∗10 ] = 𝑒 −0,2∗10 =0,1353
2. ¿Cuál es la probabilidad de que el tiempo de respuesta esté entre 5 y 10

segundos?
P(5 ≤ X ≤ 10)=F(10) –F(5) = (1-𝑒 −0,2∗10 )- (1-𝑒 −0,2∗5 ) = 𝑒 −1 − 𝑒 −2 = 0,233
24
Rosso
 Facultad
de Programación
3. Sabiendo que ya se esperaron 3 segundos, ¿cuál es la probabilidad de que haya
que esperar más de 13 segundos? (es decir que haya que esperar más de 10
segundos a partir de los 3 segundos ya transcurridos)
𝑃(𝑥>13 ∩ 𝑋>3)
P(X>13/x>3)= => representemos en un eje cada parte:
𝑃(𝑋>3)
25
Rosso
 Facultad
de Programación
𝑃(𝑥>13 ∩ 𝑋>3) 𝑃(𝑥>13 ) 1−𝑃(𝑥≤13 ) 1−𝐹(13)

P(X>13/x>3)= 𝑃(𝑋>3)
=
𝑃(𝑋>3)
=
1−𝑃(𝑋≤3)
=
1−𝐹(3)
=
1 − [ 1−𝑒 −0,2∗13 ] 𝑒 −0,2∗13

= = 𝑒 (−0,2∗13)−(−0,2∗3) =
1 − [ 1−𝑒 −0,2∗3 ] 𝑒 −0,2∗3
𝒆−𝟎,𝟐∗𝟏𝟎 = 0,135
P(X>13/x>3)=P(X>10)
Propiedad de Falta de memoria: P(X > s + t/X > s) = P(X > t)
26
Rosso
 Facultad
Taller de Ciencias Económicas
de Programación
Pueden realizar la práctica 4
27
Rosso

Clase VA Continuas 8-2-2022

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase VA Continuas 8-2-2022

Cargado por

Copyright:

Formatos disponibles

Estadística

Variables Aleatorias Continuas

VA Continua - Función de densidad de Probabilidad

Donde a y b son valores de x llamados límites de integración:

VA Continua - Función de densidad de Probabilidad

VA Continua - Función de densidad de Probabilidad

Se X una variable aleatoria continua, f(X) será su función de probabilidad si satisface

VA Continua - Función de Densidad de Probabilidad

1. Calcular el valor de 𝑎 para que 𝑓 𝑥 resulte una función densidad de

2. Tomando el valor hallado de 𝑎, calcular P(1,7 < x < 2,3) y P(x ≥ 2)

𝟐,𝟑 3 2 3 𝑥 3 2,3 3 12,167 3 4,913

Se X una variable aleatoria continua con función de densidad de probabilidad 𝑓 𝑥 ,

Por lo tanto, si a ≤ b entonces:

P(a ≤ X ≤ b)=𝐹 𝑏 − 𝐹(𝑎)

Es decir, F(x) nos muestra la probabilidad acumulada en el intervalo [a , b]

VA Continua - Función de Distribución Acumulada

Definición de Valor Esperado o Media

Propiedades: valen las mismas propiedades que vimos en la unidad de variables

Propiedades: valen las mismas propiedades que vimos en al unidad de variables

Según el comportamiento de la variable aleatoria continua, su distribución de

- Uniforme: se caracteriza por determinar la probabilidad de ocurrencia de la

- Normal: se caracteriza por determinar la probabilidad de ocurrencia de la

- Exponencial: se caracteriza por determinar la probabilidad de ocurrencia de la

1. Calcular F(X) 0 𝑥<3

3. Calcular E(X), V(X) y D(X)

Por lo tanto, representa cómo se distribuyen los valores de una variable

El gráfico de la función de densidad

Una variable aleatoria continua X tiene una distribución exponencial X ~ Exp(𝞪) de

Por lo tanto, representa el tiempo hasta que se produce un determinado suceso, a

Considerando que 𝛼=1 en la distribución Gamma, entonces

Sea una variable aleatoria 𝑋𝑡 =“número de ocurrencia de un evento en un

donde λ es la tasa media de ocurrencia de los eventos en la unidad de tiempo

Entonces la variable aleatoria T=“tiempo hasta la ocurrencia del primer

1. ¿Cuál es la probabilidad de que el tiempo de respuesta sea mayor a 10

2. ¿Cuál es la probabilidad de que el tiempo de respuesta esté entre 5 y 10

P(5 ≤ X ≤ 10)=F(10) –F(5) = (1-𝑒 −0,2∗10 )- (1-𝑒 −0,2∗5 ) = 𝑒 −1 − 𝑒 −2 = 0,233

Distribución Exponencial - Ejemplo

𝑃(𝑥>13 ∩ 𝑋>3) 𝑃(𝑥>13 ) 1−𝑃(𝑥≤13 ) 1−𝐹(13)

1 − [ 1−𝑒 −0,2∗13 ] 𝑒 −0,2∗13

Pueden realizar la práctica 4

También podría gustarte