Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2022
Í NDICE
1 Introducción
Una variable aleatorias discreta es una cuyos valores posibles o constituyen un conjunto finito
o bien pueden ser puestos en lista en secuencia infinita. Una variable aleatoria cuyo dominio
de valores posibles es un intervalo completo de números no es discreta.
Ejemplo 1
Ejemplo 2
Si bien las variables como altura, peso o temperaturas son continuas, los intrumentos de me-
dición nos limitan a que tomen valores discretos; sin embargo, es más sencillo trabajar con
variables continuas, ya que podemos utilizar el cálculo para aproximar situaciones del mundo
real.
Supongamos la variable X de interés, la cual puede tomar valores en un intervalo [0, M ], con
M algún número mayor a cero. Si se ”discretiza” X midiendo en alguna unidad de medida, los
valores posibles serán por ejemplo, enteros positivos menores o iguales a M ; con esto anterior
podemos elaborar un histograma de las mediciones, de manera que el área total de los rectán-
gulos sea 1. Sin embargo, al medir con más precisión, cada rectángulo será mucho más angosto,
pero el área seguirá siendo 1. Si se continúa de esta manera, midiendo cada vez más exacto, la
secuencia resultante se aproxima a una curva más regular, la cual tendrá área bajo de ella igual
a 1.
3
Giovanni S. Pérez Herrera 1 INTRODUCCIÓN Tarea #4
de probabilidad
Distribución
Sea X una variable aleatoria continua. Entonces, una distribución de probabilidad o
función de densidad de probabilidad (fdp) de X es una función f (x) tal que para dos
números cualesquiera a y b con a ≤ b,
Z b
P (a ≤ X ≤ b) = f (x) d x
a
Para que f (x) sea una función de densidad de probabilidad legítima, debe satisfacer que:
☛ f (x) ≥ 0 con todas las x.
Z ∞
☛ f (x) d x = área bajo la curva f (x) = 1.
−∞
un iforme
Distribución
Se dice que una variable aleatoria continua X tiene una distribución uniforme en el in-
tervalor [A, B ] si la función de densidad de probabilidad de X es
1
A≤x ≤B
f (x; A, B ) =
B−
0
A
de lo contrario
Cuando X es una variable aleatoria discreta, a cada valor posible se le asigna una probabilidad
positiva. Esto no es cierto en el caso de una variable aleatoria continua porque el área bajo una
curva de densidad situada sobre cualquier valor único es cero:
Z c Z c+ε
P (X = c) = f (x) d x = lı́m f (x) d x = 0
c ε→0 c−ε
4
Giovanni S. Pérez Herrera 1 INTRODUCCIÓN Tarea #4
Para ejemplificar lo de la condición de probabilidad cero, consideremos una barra sólida con
sección transversal de 1 pulg2 . Suponga que la densidad de la barra en cualquier punto x está
dada por una función de densidad f (x). Entonces si la barra se rebana en los puntos a y b
Z b
y este segmento se retira, la cantidad de masa eliminada es f (x) d x; si la barra se rebana
a
exactamente en el punto c, no se elimina masa. Se asigna masa a segmentos de intervalo de la
barra pero no a puntos individuales.
Ejemplo 3
Al graficar la densidad de probabilidad f (x), vemos que no hay ninguna densidad aso-
ciada con intervalos de tiempo de menos de 0.5, y la densidad del intervalo decrece ex-
ponencialmente Z a medida que x se incrementa a partir de 0.5. Claramente f (x) ≥ 0; para
∞
demostrar que f (x) d x = 1, resolvemos y evaluamos la integral como
−∞
Z ∞ Z ∞ Z ∞
−0,15(x−0,5) 0,075
f (x) d x = 0,15e d x = 0,15e e −0,15x d x
−∞ 0,5 0,5
1 −(0,15)(0,5)
= 0,15e 0,075 · e =1
0,15
5
Giovanni S. Pérez Herrera 1 INTRODUCCIÓN Tarea #4
La función de distribución acumulativa F (x) de una variable aleatoria discreta X , con cual-
quier número especificado x, la probabilidad P (X ≤ x) se obtiene sumando la función masa
de probabilidad p(y) a lo largo de los valores posibles y los que satisfacen y ≤ x. La función
de distribución acumulativa de una variable aleatoria continua da las mismas probabilidades
P (X ≤ x) y se obtiene intregrando la función de densidad de probabilidad f (y) entre los límites
−∞ y x.
ibución acumulativa
Función distr
La función de distribución acumulativa F (x) de una variable aleatoria continua X se
define para todo número x como
Z x
F (x) = P (X ≤ x) = f (y) d x y
−∞
Sea X una variable aleatoria continua con función de densidad de probabilidad f (x) y función
de distribución acumulativa F (x). Entonces con cualquier número a,
P (X > a) = 1 − F (a)
6
Giovanni S. Pérez Herrera 1 INTRODUCCIÓN Tarea #4
Ejemplo 4
7
Giovanni S. Pérez Herrera 1 INTRODUCCIÓN Tarea #4
Cuando se dice que la calificación de un individuo en una prueba fue el 85◦ percentil de la
población, significa que 85 % de todas las calificaciones de la población estuvieron por debajo
de dicha calificación y que 15 % estuvo arriba.
Percentil
Sea p un número entre 0 y 1. El (100p)◦ percentil de la distribución de una variable alea-
toria continua X , denotada por η(p), se define por
Z η(p)
p = F (η(p)) = f (y) d y
−∞
Donde η(p) es el valor sobre el eje de medición de tal suerte que el 100p % del área bajo la
gráfica de f (x) queda a la izquiera de η(p) y 100(1− p) % queda a la derecha.Por lo tanto, η(0,75)
es el 75◦ percentil, es talque el área bajo la gráfica de f (x) a la izquiera de η(0,75) es 0.75.
Mediana
La mediana de una distribución continua, denotada por µ̃, es el 50◦ percentil, así que µ̃
satisface 0,5 = F (µ̃). Es decir, la mitad del área bajo la curva de densidad se encuentra a
la izquiera de µ̃ y la mitad derecha de µ̃.
Una distribución continua cuya función de densidad de probabilidad es simétrica, lo cual sig-
nifica que la gráfica a la izquierda de un punto en particular es una imagen a espejo de la gráfica
a la derecha de dicho punto, tiene una mediana µ̃ igual al punto de simetría, puesto que la mi-
tad del área bajo la curva queda a uno u otro lado de este punto.
8
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
Similar a una variable aleatoria discreta, como se obtuvo sumando x · p(x), pero ahora se susti-
tuye la suma por la integral.
d o
Valor espera
El valor esperado o valor medio de una variable aleatoria continua X con función de
densidad de probabilidad f (x) es
Z ∞
µ X = E (X ) = x · f (x d x)
−∞
Con frecuencia se desea calcular el valor esperado de alguna función h(X ) de la variable alea-
toria X . Si se piensa en h(X ) como una nueva variable aleatoria Y , se utilizan técnicas de esta-
dística matemática para derivar la función de densidad de probabilidad de Y y E (Y ) se calcula
a partir de la definición.
n
do d e una funció
Valor espera
Si X es una variable aleatoria continua con función de densidad de probabilidad f (x) y
h(X ) es cualquier función de X , entonces
Z ∞
E [h(X )] = µh(X ) = h(x) · f (x) d x
−∞
stá ndar
Desviación e
La varianza de una variable aleatoria continua X con función de densidad de probabili-
dad f (x) y valor medio µ es
Z ∞
2
σ X = V (X ) = (x − µ)2 · f (x) d x = E [(X − µ)2 ]
−∞
p
La desviación estándar de X es σ X = V (X ).
Podemos calcular la varianza de una manera más sencilla, con la fórmula abreviada
V (X ) = E (X 2 ) − [E (X )]2
2 Metodología
Se resuelven los problemas 1, 3, 7, 13, 15 y 23 del Devore.
9
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
2.1 Problema 1
Problema 1
Sea X la cantidad de tiempo durante la cual un libro puesto en reserva durante dos horas
en la biblioteca de una universidad es solicitado en préstamo por un estudiante seleccio-
nado y suponga que X tiene la función de densidad
½
0,5x 0 ≤ x ≤ 2
f (x) =
0 de lo contrario
a. P (X ≤ 1)
b. P (0,5 ≤ X ≤ 1,5)
c. P (1,5 < X )
Z b
Solución. Calculamos la probabilidad por la fórmula P (a ≤ X ≤ b) = f (x) d x, por lo que
a
tenemos que
a.
¯1
1 1 x 2 ¯¯
Z Z
P (X ≤ 1) = f (x) d x = 0,5x d x = 0,5 ¯ = 0,25(12 − 02 ) = 0,25
−∞ 0 2 0
b.
Z 1,5 Z 1,5 ¯1,5
P (0,5 ≤ X ≤ 1,5) = f (x) d x = 0,5x d x = 0,25x 2 ¯0,5 = 0,25(1,52 − 0,52 ) = 0,5
0,5 0,5
c.
Z ∞ Z 2 ¯2
P (1,5 < X ) = f (x) d x = 0,5x d x = 0,25x 2 ¯1,5 = 0,25(22 − 1,52 ) = 0,4375
1,5 1,5
10
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
2.2 Problema 3
Problema 3
El error implicado al hacer una medición es una variable aleatoria continua X con fun-
ción de densidad de probabilidad
0,09375(4 − x 2 ) −2 ≤ x ≤ 2
½
f (x) =
0 de lo contrario
Solución.
9 # Plotear
10 plt.plot(x, y)
11 plt.title("Grafica de densidad de probabilidad")
12 plt.xlabel(r"$x$")
13 plt.ylabel(r"$f(x)$")
14 plt.grid()
15 plt.show()
11
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
d. Como se nos pide la probabilidad de algo o de otro evento, entonces podemos sumar
las probabilidades individuales de cada evento, por lo que en realidad tenemos P (X <
−0,5 o X > 0,5) = P (X < −0,5) + P (X > 0,5), así
Z −0,5 Z ∞
P (X < −0,5 o X > 0,5) = P (X < −0,5) + P (X > 0,5) = f (x) d x + f (x) d x
−∞ 0,5
Z −0,5 Z 2
= 0,09375(4 − x 2 ) d x + 0,09375(4 − x 2 ) d x
−2 0,5
3 ¶¯¯−0,5¶¯2
x ¯ x 3 ¯¯
µ µ
= 0,09375 4x − + 0,09375 4x −
3 ¯−2 3 ¯0,5
= 0,6328
12
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
2.3 Problema 7
Problema 7
Se cree que el tiempo X (min) para que un ayudante de laboratorio prepare el equipo
para cierto experimento tiene una distribución uniforme con A = 25 y B = 35.
d. Con cualquier a de modo que 25 < a < a + 2 < 35, ¿cuál es la probabilidad de que el
tiempo de preparación esté entre a y a + 2 min?
Solución.
1 1 1
= =
B − A 35 − 25 10
Así la función de densidad de probabilidad es
1
25 ≤ x ≤ 35
f (x) =
10
0 de lo contrario
5 # Definir arreglo en x
6 x1 = np.linspace(15, 25, num=3)
7 x2 = np.linspace(35, 45, num=2)
8 x3 = np.linspace(25, 35, num=3)
9
10 # Plotear
11 plt.plot(x1, [0 for x in x1], ’b’)
12 plt.plot(x2, [0 for x in x2], ’b’)
13
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
A + B 25 + 35
µ= = = 30
2 2
Como se pide la probabilidad de que esté dentro de dos minutos del tiempo medio, puede
estar desde 28 hasta 32 minutos:
Z 32 Z 32
1 x ¯¯32 32 28
P (28 ≤ X ≤ 32) = f (x) d x = dx = ¯ = − = 0,4
28 28 10 10 28 10 10
14
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
2.4 Problema 13
Problema 13
El ejemplo 4.5 introdujo el concepto de intervalo de tiempo en el flujo de tránsito y pro-
puso una distribución particular para X = el intervalo de tiempo entre dos carros con-
secutivos seleccionados al azar (s). Suponga que en un entorno de tránsito diferente, la
distribución del intervalo de tiempo tiene la forma
k
x >1
f (x) = 4
x0 x ≤ 1
Solución.
a. Para que la función f (x) sea una función de densidad de probabilidad legítima, el área
bajo la curva debe de ser uno, por lo que tenemos, en el intervalo en el que la función es
distinto de cero
Z ∞
!
f (x) d x = 1
−∞
Z ∞ Z t
k
µ ¶
1 1 −1 1
=k 4
d x = k lı́m d x = k lı́m + = = 1 =⇒ k = 3
1 x t →∞ 1 x 4 t →∞ t 3 3 3
1 ¯¯x
Z x Z x µ ¶¯
3 1
F (x) = f (x) d x = 4
dt = 3 − 3 ¯ = − 3 +1
−∞ 1 t 3t 1 x
15
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
Ahora se sabe que P (a < X < b) = F (b)−F (a), con F (x) la función de distribución acumu-
lativa, por lo que
µ ¶ µ ¶
1 1
P (2 < X < 3) = F (3) − F (2) = 1 − 3 − 1 − 3 = 0,088
3 2
e. Para que el intervalo de tiempo quede dentro de una desviación estándar del valor medio,
a la izquierda del valor medio restamos σ X y a la derecha sumamos σ X , y al evaluar en
F (X )
16
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
2.5 Problema 15
Problema 15
Sea X la cantidad de espacio ocupado por un artículo colocado en un contenedor de un
pie3 . La función de densidad de probabilidad de X es
c. Con la función de distribución acumulativa de (a), ¿cuál es P (0,25 < X ≤ 0,5)? ¿Cuál
es P (0,25 ≤ X ≤ 0,5)?
e. Calcule E (X ) y σ X .
Solución.
a. Primero calulamos la función de distribución acumulativa de X , por lo que primero en
un intervalo x ≤ 0 Z 0
Z 0
F (x) = f (t ) d t = 0dt = 0
−∞ −∞
Ahora para el intervalo 0 < x < 1
Z x Z x Z x Z x
F (x) = f (t ) d t = 90t 8 (1 − t ) d t = 90t 8 (1 − t ) d t = (90t 8 − 90t 9 ) d t
0 0 0 0
µ 9 10 ¶¯¯x
90t 90t ¯ = 10x 9 − 9x 10
= −
9 10 ¯0
Por último, en el intervalo x ≥ 1
Z 1 Z 1 Z 1 Z 1
8 8
F (x) = f (t ) d t = 90t (1 − t ) d t = 90t (1 − t ) d t = (90t 8 − 90t 9 ) d t
−∞ 0 0 0
µ 9 10 ¶¯¯1
90t 90t ¯ = 10(1)9 − 9(1)10 = 1
= −
9 10 ¯
0
Por lo que la función de distribución acumulativa será
0 x ≤0
9 10
F (x) = 10x − 9x 0<x <1
1 x ≥1
17
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
5 # Definir arreglo en x
6 x1 = np.linspace(0, 1, num=100)
7 x2 = np.linspace(1, 5, num=2)
8
9 # Plotear
10 plt.plot(x1, [(90*x**8)*(1-x) for x in x1], ’b’)
11 plt.plot(x2, [0 for x in x2], ’b’)
12 plt.grid()
13 plt.title("Grafica de distribucion de probabilidad")
14 plt.xlabel(r"$x$")
15 plt.ylabel(r"$f(x)$")
16 plt.show()
5 # Definir arreglo en x
6 x1 = np.linspace(-2, 0, num=100)
7 x2 = np.linspace(0, 1, num=100)
8 x3 = np.linspace(1, 2, num=100)
9
10 # Plotear
11 plt.plot(x1, [0 for x in x1], ’b’)
12 plt.plot(x2, [10*x**9 - 9*x**10 for x in x2], ’b’)
13 plt.plot(x3, [1 for x in x3], ’b’)
14 plt.grid()
15 plt.title("Grafica de distribucion acumulativa")
16 plt.xlabel(r"$x$")
17 plt.ylabel(r"$F(x)$")
18 plt.show()
18
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
donde en este caso se nos pide p = 75, y la integral ya la habíamos calculado en incisos
anteriores, por lo que tenemos la ecuación
Figura 8: Solución numérica de la ecuación para calcular el 75◦ percentil por el método de la secante.
19
Giovanni S. Pérez Herrera 2 METODOLOGÍA Tarea #4
f. Para que X esté a más de una desviación estándar de su valor medio, así como en el pro-
blema anterior, tenemos que la probabilidad será
y a su vez
Por lo tanto, la probabilidad será la suma de estas dos obtenidas, lo que es 0,3146.
2.6 Problema 23
Problema 23
Si la temperatura a la cual cierto compuesto se funde es una variable aleatoria con va-
lor medio de 120◦ C y desviación estándar de 2◦ C, ¿cuáles son la temperatura media y la
desviación estándar medidas en ◦ F?[Sugerencia: ◦ F = 1,8◦C + 32.]
Solución. Sabiendo que si h(X ) = a X + b, entonces el valor esperado de h(X ) será E [h(X )] =
aµ + b, donde se nos dice que µ = 120, por lo tanto
20
Giovanni S. Pérez Herrera REFERENCIAS Tarea #4
3 Conclusiones
Este tema es naturalmente la continuación al tema estudiado en la tarea anterior sobre varia-
bles aleatorias discretas; ahora variables continuas, que como vimos al inicio, en varios expe-
rimentos, se puede hacer una aproximación de una variable discreta a una variable aleatoria
continua, lo cual facilita los cálculos, ya que podemos utilizar las herramientas vistas en cálcu-
lo.
Se presentaron las definiciones y las propiedades básicas de las variables aleatorias continuas y
algunas de sus distribuciones de probabilidad, así de como calcular la función de distribución
acumulativa, la cual puede ayudarnos a calcular la probabilidad de distintos eventos, lo cual se
vió en los ejercicios.
Este tema resultó interesante y sencillo de entender, pues ya se tenía la noción de una variable
continua, por lo que lo único nuevo fue introducir las definiciones y las fórmulas para calcular
medidas de tendencia, como la media o valor esperado, o medidas de dispersión; sin embargo
el concepto de estos ya se habían estudiado en la tarea anterior, solamente ahora se tomaron
estas definiciones y se llevaron a un caso continuo, sustituyendo las sumas por integrales por
ejemplo.
Por último, en cuanto a los ejercicios no presentaron mayor dificultad, pues como se mencio-
nó anteriormente, es más sencillo trabajar y pensar en variables aleatorias continuas que con
discretas, ya que en lugar de sumas y cuentas tediosas, se sustituye por integrales, que es el
análogo continuo de la suma, y es más sencillo resolver estas integrales, algunas impropias, pa-
ra calcular probabilidades o valores esperados; e incluso algunas de ellas pueden aproximarse
numéricamente, con los métodos estudiados en la materia de Análisis numérico.
Referencias
[1] Devore, J. (2008). Probabilidad y estadística para ingeniería y ciencias. 7ma edición. Edito-
rial CENGANGE Learning.
21