CE86 Estadística Aplicada 1

UNIDAD 4: Variables aleatorias

Semana 7 – Sesión
1

Variable aleatoria continua

Función de densidad de probabilidad
Sea X una variable aleatoria continua definida en Rx. Se dice que f es una función de densidad de
probabilidad si cumple las siguientes condiciones:

i. f(x) ³ 0, para todo x de RX

∫ f ( x)dx=1
ii. RX

Esta función no asigna probabilidades en un punto como si lo hace la función de probabilidad de

una variable aleatoria discreta. Para determinar probabilidades en un intervalo [a, b] contenido en
el rango de X se usa:
b
P ( a≤ X≤b )=∫ f (x )dx
a

A = área debajo de la curva entre “a” y “b”

Valor esperado de una variable aleatoria continua

El valor esperado de una variable aleatoria continua definida en RX está dado por:

E ( X )=∫ x f ( x ) dx
RX

Varianza de una variable aleatoria continua

La varianza para una variable aleatoria continua definida en RX está dada por:

2
E ( X 2 )=∫ x 2 f (x ) dx
V ( X )=E ( X ) −( E ( X ) ) , donde
2
RX
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Ejercicio 1
La producción diaria en el mes de abril de una compañía fundidora de metales, es una variable
aleatoria, expresada miles de kilogramos, cuya función de densidad es la siguiente:

a. Calcule la probabilidad de que en un día la fundidora tenga una producción superior a 1000
kilogramos.

2
3 3 2
P ( X >1 )=∫ X− X dx=0.5
1 2 4

b. Si la producción en un día es superior a 900 kilogramos, ¿cuál es la probabilidad de que no

sobrepase los 1 500 kilogramos?

1.5

P(0.9< X <1.5) 0.9

∫ 32 X − 34 X 2 dx
P ( X <1 .5/ X >0.9 ) = =2 =0.72813
P(X > 0.9) 3 3
∫ 2 X − 4 X 2 dx
0.9
c. Hallar el valor esperado y la varianza

2
3 3 2
E ( X ) =∫ X∗( X − X )dx=1
0 2 4
2
3 3
E ( X ² ) =∫ X ²∗( X− X 2 ) dx=1.2
0 2 4

V ( X )=E ( X 2 )−( E ( X ) ) =1.2−12 =0.2

2

Ejercicio 2
Sea X la variable aleatoria que denota la vida útil en horas de cierto dispositivo electrónico. La
función densidad de probabilidad es:
 20000
 ; x  100
f ( x)   x3
0; en cualquier otro caso

a. ¿Cuál es la probabilidad de que la vida útil de un dispositivo sea más de 200 horas?
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

200
20000
P ( X >200 ) =1−P ( X <200 ) =1−∫ 3
dx=0.25
100 X
∞
20000
P ( X >200 ) =∫ 3
dx=0.25
200 X

b. ¿Cuál es la vida útil esperada del dispositivo?

∞
20000
E ( X ) =∫ X∗( )dx=200
100 X3

Distribuciones especiales continuas

Distribución Exponencial
En variables que representan los tiempos de vida útil, tiempos de sobrevivencia, en tiempos de
ocurrencia en procesos de Poisson se suele utilizar la distribución exponencial.

La variable aleatoria X tiene una distribución exponencial con parámetro β ( β >0) si su función de
densidad de probabilidad es:

{
−x
1 β
e x≥0
f ( x)= β
0 otro caso

Se denota:
X exp( β)

Se lee que la variable aleatoria X sigue una distribución exponencial con parámetro β .

Función de distribución acumulada

 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

F (x)= { 0
1−e
−x/ β
x< 0
x≥0

β >0

Características
La variable puede tomar valores de 0 a +, no toma valores negativos.
La gráfica es descendente con sesgo a la derecha.
Existe una curva para cada valor de β .

Media
μ x =E ( X )=β

Varianza
σ 2X =β 2

En Excel, se usa la función =DISTR.EXP.N(x; lambda = 1/beta; acumulado = 1)

Cálculo de un percentil
Para el cálculo del percentil Pk pueden usar el SOLVE de la calculadora:

−Pk
β
1−e =k

Por ejemplo, si se quiere calcular el percentil 90 se debe resolver la siguiente ecuación:

−p 15
800
1−e =0.15

En Excel, se usa la función Pk

=INV.GAMMA(k/100;1;beta)

Por ejemplo, si se quiere calcular el percentil 90, P90 =INV.GAMMA(0.9;1;beta).

 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Ejercicio 3
La bombilla o lampara eléctrica es un dispositivo que utiliza la energía eléctrica para
producir luz mediante distintos métodos. Los mas conocidos son el calentamiento de un filamento
metálico por efecto Joule o ciertos metales que ante una descarga eléctrica producen
fluorescencia, entre otras.
El tiempo de vida de una bombilla electrica sigue una distribución exponencial con media de 800
días.
Si se seleciona una bombilla electrica al azar:
a. Calcule la probabilidad de que dure hasta 600 días

XExp(=800)

P ( X ≤600 )=0.5276

b. Calcule la probabilidad de que dure más de 700 días

P ( X >7 00 ) =1−P ( X ≤7 00 )=0. 4169

c. Calcule la probabilidad de que dure entre 650 y 950 días

P ( a ≤ X ≤ b )=P ( X ≤b )−P( X ≤ a)

P ( 650≤ X ≤ 950 ) =P ( X ≤ 950 ) −P ( X < 650 )=0.1388

d. Cálcule el valor máximo para estar en el 15% de las bombillas electricas que menos tiempo
de vida tienen.
P(15)

P(X≤P15)=0.15

P15=130.01514

P(X≤130.01514)=0.15
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

e. Cálcule el valor mínimo para estar en el 15% de las bombillas electricas que más tiempo de
vida tienen.

P85

P(X≤P85)=0.85

P85=1517.696

P(X≤1517.696)=0.85
f. Hallar la media y la varianza del tiempo de vida de los bombillos

E(X)==800
V(X)=²=800²

Ejercicio 4
Un motor turboeje es un motor de turbina de gas que entrega su potencia a través de un eje. Estos
motores son utilizados principalmente en helicópteros y en unidades de energía auxiliar. El tiempo
de revisión de un motor turboeje sigue una distribución exponencial con media 60 minutos.

a) ¿Qué porcentaje de motores de este tipo pueden ser revisados a lo más en 50 minutos?

XExp(=60)

P ( X ≤50 )=0.5654

b) ¿Cuál es el valor mínimo para estar en el 10% de los motores turboeje que más tiempo
demoran?

P90

P(X<P90)=0.9

P90=138.15511

c) El costo de revisión para este tipo de motor es de $50 al que se le suma $10 por cada minuto
que dure la revisión. Encontrar el costo esperado de revisión de un motor turboeje.

E(X)==60

C=10*X+50

E(C)=E(10*X+50)=10*E(X)+50=10*60+50=650
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Distribución Normal
Ejemplo 1
El Instituto de Idiomas IPE realizó una evaluación general a los postulantes para su respectiva
categorización en los cursos básicos. Los resultados de una muestra de 108 postulantes se
presentan en la siguiente tabla.

Notas del examen de ingles de los estudiantes postulantes al Instituto de Idiomas IPE
94 31 41 92 52 46 86 95 26 15 10 64 36 66 64 14 43 12
92 98 86 26 28 64 21 98 25 1 97 15 83 92 31 15 100 59
28 21 21 99 73 21 96 15 44 5 64 19 68 32 57 95 35 67
85 69 59 77 2 12 94 44 90 50 19 87 69 9 51 30 55 64
11 69 41 18 54 50 7 16 78 51 57 75 58 15 90 14 27 39
80 52 69 19 48 19 73 2 64 89 91 47 20 90 86 78 25 47

Cálculos usando solo el histograma

 El porcentaje de estudiantes que obtuvo hasta 30 puntos es 1%+3%+8%=12%
 El porcentaje de estudiantes que obtuvo entre 30 y 70 puntos es 16%+24%+22%+14%=76%
 El porcentaje de estudiantes que obtuvo más de 70 puntos es 7%+4%+1%=12%
 El puntaje máximo para estar en el 12% de los estudiantes con las notas más bajas es 30
puntos
 El puntaje mínimo para estar en el 12% de los estudiantes con las notas más altas es 70 puntos

Cálculos usando la campana de gauss o distribución normal

 Indique el porcentaje de estudiantes que obtuvo hasta 28 puntos
 Indique el porcentaje de estudiantes que obtuvo entre 42 y 62 puntos
 Indique el porcentaje de estudiantes que obtuvo desde de 72 puntos
 Indique el puntaje máximo para estar en el 25% de los estudiantes con las notas más bajas
 Indique el puntaje mínimo para estar en el 25% de los estudiantes con las notas más altas
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Es la distribución más importante de probabilidad para describir una variable aleatoria continua.
Esta tiene una gran variedad de aplicaciones prácticas en las que las variables aleatorias son altura
y peso de personas, puntuaciones de exámenes, mediciones científicas, etc.

La distribución normal fue desarrollada por primera vez por el matemático francés Abraham de
Moivre en un artículo del año 1733 y sus resultados fueron ampliados por Laplace (1812). Algunos
autores atribuyen un descubrimiento independiente al matemático alemán Gauss.

Función de densidad
1 −2( )
1 x−μ 2

σ
f (x) = e
σ √2 π

Características
La variable aleatoria X sigue una distribución normal con parámetros: media  y varianza 2.
Se denota X  N (, 2)

La función de densidad tiene forma de campana y es simétrica, por lo que las medidas de
tendencia central coinciden.

El rango de la variable normal es toda la recta real, esto es, de – a + .

En Excel, use las siguientes funciones:

 P(X ≤ x) =DISTR.NORM.N(x; media; desviación estándar; acumulado)
 k = INV.NORM(α, media, desviación estándar), tal que P(X ≤ k) = α
Por ejemplo, si X  N ( = 50, 2 = 400)
 P(X ≤ 60) =DISTR.NORM.N(60; 50; 20; 1) = 0,69146
 Calcular k tal que P(X ≤ k) = 0,95. k = INV.NORM(0.95; 50; 20) = 82,897

Estandarización
Se toma como referencia una distribución normal estándar (  = 0 y 2 = 1).
Se trabaja con la distancia entre x y  en función de la desviación estándar, tal como se muestra.
X−μ
Z=
σ
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Calculo de probabilidades

CASO 1) Unilateral Izquierda (menor)

P( X < X 0 )

µ X0

CASO 2) Unilateral derecha (mayor)

P( X > X 0 )

µ X0

CASO 3) Bilateral (entre)

 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

P( X 0< X < X 1 )

X0 µ X1

Calculo de percentiles

CASO 1) Unilateral Izquierda (menor)

P(X < Max)

Max µ

CASO 2) Unilateral derecha (mayor)

P( X > Min)

µ Min
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

Ejercicio 5
El consumo mensual de energía eléctrica, en kilowatts, de una ciudad tiene distribución normal
con media de 140 kW, con una varianza de 400 kW 2.
a. ¿Cuál es la probabilidad que un hogar tenga un consumo menor de 150 kW?

XN(µ=140, ²=400)

P ( X <150 )=0.6915

P ( X <150 )=P ( X−µ

❑
<
150−140
20 )=P ( Z< 0.5)=0.6915
b. ¿Cuál es la probabilidad que un hogar tenga un consumo mayor a 130 kW?

P ( X >1 3 0 )=1−P ( X ≤ 130 )=0.6914625

c. ¿Qué porcentaje de hogares registran un consumo entre 115 y 160 kW?

P ( a ≤ X ≤ b )=P ( X ≤b )−P( X ≤ a)

P ( 115≤ X ≤ 160 )=P ( X ≤160 )−P ( X <115 )=0.735695

d. Calcule el consumo mínimo de energía eléctrica para pertenecer al 15% de los mayores
consumidores.

P85
P(X<k)=0.85
K=160.7286
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

e. Calcule el consumo máximo de energía eléctrica para pertenecer al 25% de los menores
consumidores.

P25

P(X<k)=0.25
K=126.5102

Ejercicio 6
Una compañía ha comprado una prueba para seleccionar personal. Los que han diseñado la
prueba saben que las notas siguen una distribución normal con una media de 75 puntos y una
desviación estándar de diez puntos.
a. Calcule la probabilidad de que una persona que rinda esta prueba obtenga una nota superior a
90 puntos.
XN(µ=75; ²=10²)
P(X>90)=1-P(X<90)=0.0668

b. Calcule la probabilidad de que una persona que rinda esta prueba obtenga una nota inferior a
70 puntos.
P(X<70)=0.3085

c. Calcule la probabilidad de que una persona que rinda esta prueba obtenga una nota entre 65 y
85 puntos.

P ( a ≤ X ≤ b )=P ( X ≤b )−P( X ≤ a)

P ( 65 ≤ X ≤ 85 )=P ( X ≤ 85 )−P ( X < 6 5 )=0. 6827

d. Calcule el valor máximo para estar en 15.5% de las personas con menores notas

P15.5
P(X<K)=0.155
K= 64.8477797
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

e. Calcule el valor mínimo para estar en 22.5% de las personas con mayores notas.

P77.5

P(X<K)=0.775
K= 82.5541503

f. Calcule el valor mínimo para pertenecer al quinto superior de las personas con mejores notas.
100/5=20
P80
P(X<K)=0.8
K= 83.4162123

Ejercicio 7
Una máquina que expende bebidas ligeras está regulada de modo que descarga un promedio de
200 ml por vaso. Si la cantidad descargada por esta máquina tiene distribución normal con
desviación estándar 15 ml.

Sea X:= cantidad descargada por la máquina de bebidas (en ml), entonces:
X ~ N ( μ=200 ; σ 2 =152 )
a. ¿Qué porcentaje de los vasos servidos contendrá más de 224 ml?
P ( X >224 )=1−P ( X <224 ) =1 - 0,9452 = 0,0548. El 5,48% de los vasos contendrá más de 224
ml.

b. ¿Cuál es la probabilidad que un vaso contenga entre 191 y 209 ml?

P (191< X <209 )=P ( X <209 )−P ( X <191 ) = 0,7257 – 0,2743 = 0,4515

c. ¿Cuál es la cantidad máxima descargada por esta máquina en un vaso para poder considerarlo
dentro del grupo del 30% con menores contenidos?
P(X ≤ k) = 0,30, entonces k = 192,13 m

Propiedad reproductiva de la distribución normal

Al Igual que otras distribuciones, como la de Bernoulli, la binomial o la de Poisson, la variable
aleatoria de la distribución normal es reproductiva; esto quiere decir que, si sumamos variables
aleatorias de distribución normal, la variable suma de estas también es otra variable de
distribución normal.
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

La reproductividad de la variable normal nos asegura que un histograma de estos valores tendrá el
aspecto de la curva de Gauss. La forma de saber los parámetros concretos (media y desviación
estándar) de la variable suma nos la da el siguiente resultado teórico.

Si X 1 , X 2 , X 3 ,… , X n son n variables aleatorias independientes, tales que:

2
X i N (μi ,❑i ) Para cada i=1 , 2 ,3 , ⋯ , n ;

Entonces, la variable aleatoria Y definida como una combinación lineal de X 1 , X 2 , X 3 ,… , X n está

distribuida normalmente.

n
Y =c 1 X 1 +c 2 X 2 +…+ cn X n =∑ c i X i; donde c 1 , c2 , … , c nson constantes.
i=1

Y N ( μY ; σ 2Y )
Media
n
E ( Y )=μY =c 1 μ1 +c 2 μ2 + …+ c n μ n=∑ c i μ i
i=1

Varianza
n
V ( Y )=σ 2Y =c 21 σ 21+ c 22 σ 22+ …+c 2n σ 2n=∑ c 2i σ 2i
i=1

Como caso particular, si tenemos que c i=1, para cada i=1 , 2 ,3 , ⋯ , n ;

( )
n n n
Y = X 1 + X 2 +…+ X n=∑ X i N μ Y =∑ μi ; σ =∑ σ 2i 2
Y
i=1 i=1 i=1

Como casos particulares, si X 1 y X 2 tienen distribuciones normales X 1 N ( μ1 ; σ 1 ) y

2

X 2 N ( μ2 ; σ 2 ) respectivamente, entonces:
2

Y = X 1 + X 2 N ( μ Y =μ1+ μ 2 ; σ 2Y =σ 21 + σ 22 )

Y = X 1−X 2 N ( μY =μ1−μ 2 ; σ 2Y =σ 21 +σ 22)

Si X1, X2,..., Xk son n variables normales independientes, tales que Xi  N(, 2), para i = 1, 2,..., n,
entonces,
n
Y = X 1 + X 2 +…+ X n=∑ X i N ( μY =nμ ; σ Y =σ )
2 2

i=1

Ejercicio 8
El peso de cada persona de cierta ciudad sigue una distribución normal con promedio 75 kg y
desviación estándar 10 kg. Si un ascensor tiene capacidad de 8 personas y un peso máximo de 650
kg, ¿cuál es la probabilidad de que 8 personas superen el peso máximo permitido?
 CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias

X 1 N ( μY =75 ;σ Y =10² )
2

Y=Peso de todas personas

Y N ( μY =8∗75 ; σ Y =10² )
2

P(Y>650)=1-P(Y<650)= 0.000000287

Ejercicio 9
Una empresa fabricante de detergentes tiene asignada una máquina especial para el llenado y
sellado de las bolsas del detergente Enigma Limón. Se sabe que el peso de detergente que la
máquina deposita en las bolsas sigue una distribución normal con media de 87,5 gramos y
desviación estándar de 0,5 gramos; se sabe también que las bolsas vacías utilizadas en el
embolsado tienen un peso que sigue una distribución normal con media 21,5 gramos y una
desviación estándar de 1,2 gramos.
¿Cuál es la probabilidad de que una bolsa llena de detergente, escogida al azar, tenga un peso
mayor a 110 gramos?

X1N(µ=87.5; ²=0.5²)
X2N(µ=21.5; ²=1.2²)
Y: El peso de la bolsa llena (X1+X2)
YN(µ=87.5+21.5; ²=0.5²+1.2²)

P(Y>110)=1-P(Y<110)=0.8722
CE86 Estadística Aplicada 1
UNIDAD 4: Variables aleatorias