Estadística Descriptiva y

Probabilidad
Tema 4: Variables Aleatorias
Continuas
 2

Contenido

01 – Definición
02 – Función de densidad
03 – Función de distribución acumulada
04 – Valor esperado y varianza
 3

01
Definición
 4

01. Definición

Variable aleatoria: asigna un valor numérico a todos los resultados

posibles de un experimento aleatorio.

TEMA 1-2 TEMA 3-4

Una variable
Una variable
aleatoria es una
aleatoria es una
variable aleatoria
variable aleatoria
discreta si no
continua si puede
puede tomar más
tomar cualquier
de un número
valor en un
contable de
intervalo real.
valores.
Fuente: Newbold et al. (2013)
Copyright © 2013 Pearson Educación
 5

01. Definición

Variable aleatoria: asigna un valor numérico a todos los resultados

posibles de un experimento aleatorio.

TEMA 1-2 TEMA 3-4

Una variable
Una variable
aleatoria es una
aleatoria es una
variable aleatoria
variable aleatoria
discreta si no
continua si puede
puede tomar más
tomar cualquier
de un número
valor en un
contable de
intervalo real.
valores.
Fuente: Newbold et al. (2013)
Copyright © 2013 Pearson Educación
 6

01. Definición

Variable aleatoria continua : puede asumir cualquier valor en un

intervalo real( los posible valores se miden en un continuo).

Ejemplos:

• Peso de los envases en un proceso de llenado mecánico

• Temperatura de una solución de limpieza.
• Tiempo de espera hasta que llega el primer cliente a una oficina bancaria

Fuente: Newbold et al. (2013)

Copyright © 2013 Pearson Educación
 7

02
Función de densidad
 8

02. Función de densidad

Función de Probabilidad ( P x (x))

Función de densidad f x (x)

Función de distribución acumulada F x (x)

 9

02. Función de densidad

De una función de probabilidad discreta a una función de densidad
continua

2 resultados posibles: 3 resultados posibles: n resultados posibles:

𝑃 𝐴! = 1/2 𝑃 𝐴! = 1/3 𝑃 𝐴! = 1/n

Infinitos resultados posibles:

 10

02. Función de densidad

Sea X una variable aleatoria continua, y sea x cualquier número del rango de valores para la
variable aleatoria, la Función de densidad , f x (x), de la variable aleatoria es una función
con las siguientes propiedades:

1) f! 𝑥 . ≥ 0 ∀𝑥 ∈ 𝑅"

2) El área bajo la función de densidad 𝑓𝑋(𝑥) sobre todos los valores de la variable aleatoria
𝑋 dentro de su rango, es igual a 1.
- 𝑓" 𝑥 𝑑𝑥 = 1
#!

Fuente: Newbold et al. (2013)

Copyright © 2013 Pearson Educación
 11

02. Función de densidad

3) Supongamos que esta función de densidad está dibujada. Sean a y b dos posibles valores
de la variable aleatoria 𝑋, con 𝑎 < 𝑏. Entonces, la probabilidad de que X se encuentre entre
a y b es el área bajo la función de densidad entre estos puntos.
"
𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = ) 𝑓# 𝑥 𝑑𝑥
!

Fuente: Newbold et al. (2013)

Copyright © 2013 Pearson Educación
 12

02. Función de densidad

Ejemplo: 𝑅! = [150, 200]

!!!
Fuente: Newbold et al. (2013)
Copyright © 2013 Pearson Educación
 13

03
Función de distribución
acumulada
 14

03. Función de distribución acumulada

La función de distribución acumulada ( 𝐹# 𝑥 ) para una variable aleatoria continua X

expresa la probabilidad de que X no supere el valor de x en función de X (o lo que
es lo mismo, la probabilidad de que la variable aleatoria X esté por debajo de x, por
eso se dice “acumulada”).

𝐹! 𝑥 = 𝑃 (𝑋 ≤ 𝑥)

• Cuando una variable aleatoria es continua entonces 𝐹𝑋(𝑥) es continua en su rango𝑅𝑥

Recordatorio ( Tema 1):

Para variables discretas , tenía una discontinuidad de salto en cualquier 𝑎𝜖𝑅𝑥 con 𝑃(𝑋 = 𝑎) ≠
0.
Fuente: Newbold et al. (2013)
Copyright © 2013 Pearson Educación
 15

03. Función de distribución acumulada

en el caso de variables continuas …

𝑃(𝑎 ≤ 𝑋 ≤ 𝑏) = 𝑃(𝑎 < 𝑋 ≤ 𝑏) = 𝑃(𝑎 ≤ 𝑋 < 𝑏) = 𝑃(𝑎 < 𝑋 < 𝑏) = 𝐹# (𝑏) – 𝐹# (𝑎)

Ejemplo : función de distribución acumulada

X: ventas de gasolina en galones para un día en particular

0 if x < 0
𝐹! 𝑥 = 10.001x if 0 ≤ x ≤ 1000
¿Cuál es la probabilidad
1 if x > 1000 de que las ventas estén
entre 250 y 750?
 16

03. Función de distribución acumulada

Relación entre la función de densidad y la función de distribución
acumulada:

La función de distribución acumulada, F X (a) es el área bajo la función de densidad f X (a),

hasta a.
! )
𝐹𝑋(𝑎) = ∫$% 𝑓# 𝑥 𝑑𝑥=∫%&' #( 𝑓" 𝑥 𝑑𝑥

*
𝑓𝑋(𝑥) =𝐹 " (𝑥)

Fuente: Newbold et al. (2013)

Copyright © 2013 Pearson Educación
 17

03. Función de distribución acumulada

Ejemplo:
&
𝑠𝑖 1 < 𝑥 < 𝑒
Sea 𝑋 una variable aleatoria continua con Función de densidad :𝑓 𝑥 = 1'
0 𝑒𝑙𝑠𝑒𝑤ℎ𝑒𝑟𝑒
a) Comprobar que 𝑓 𝑥 es una Función de densidad
(& 𝑒
∫& ' 𝑑𝑥 = ln 𝑥 |1 = ln 𝑒 − ln 1 = 1 − 0 = 1, por lo que es una Función de densidad
b) Encontrar 𝑃 𝑋 ≤ 2
)
1
𝑃 𝑋 ≤ 2 = ) 𝑑𝑥 = ln(2)
& 𝑥

c) Encuentra y grafica la función de distribución acumulada

*
1 0 𝑥 < 1
𝐹 𝑡 = ) 𝑑𝑥 = 𝑙𝑛(𝑡)
& 𝑥 𝐹 𝑥 = C𝑙𝑛(𝑥) 1 ≤ 𝑥 < 𝑒
1 𝑥≥𝑒
 18

04
Valor esperado
(Esperanza) y varianza
 19

04. Valor esperado y varianza

El El valor esperado o Esperanza de una variable aleatoria continua X se

define como

𝐸 𝑋 = 3 𝑥 · 𝑓! 𝑥 𝑑𝑥
"+

y la varianza y desviación estándar o desviación típica:

# #
𝑉𝐴𝑅 𝑋 = 𝐸 𝑋 −𝐸 𝑋 2 = ∫" 𝑥 · 𝑓! 𝑥 𝑑𝑥 − 𝐸 𝑋 2
+

𝜎𝑋 = 𝑉𝐴𝑅(𝑋)
 20

04. Valor esperado y varianza

Propiedades Esperanza de X
1. 𝑀𝑖𝑛 𝑅! ≤ 𝐸(𝑥) ≤ 𝑀𝑎𝑥 𝑅!
2. Si 𝑋 = 𝑘 (𝑋 es una constante), probabilidad de 𝑘 es 1, entonces 𝐸(𝑋) = 𝑘

3. 𝑌 = 𝑋 + 𝑏 ⇒ 𝐸(𝑌) = 𝐸(𝑋) + 𝑏 Igual que

VARIABLES
4. 𝑌 = 𝑎 · 𝑋 ⇒ 𝐸 𝑌 = 𝑎 · 𝐸 𝑥 DISCRETAS
5. 𝐸 𝑋 ± 𝑌 = 𝐸 𝑋 ± 𝐸 𝑌

6. 𝑌 = 𝑔(𝑋) ⇒ 𝐸(𝑌) = ∫" 𝑔 𝑥 · 𝑓! 𝑥 𝑑𝑥

+
 21

04. Valor esperado y varianza

Propiedades Varianza y Desviación Estándar
#
1. 𝑉𝐴𝑅(𝑋) = 𝐸(𝑋2) – 𝐸(𝑋)
2. si 𝑋 = 𝑘 (𝑋 es una constante), 𝑉𝐴𝑅(𝑋) =0
Si 𝑋 no es una constante,𝑉𝐴𝑅(𝑋) > 0
3. 𝑌 = 𝑋 + 𝑏 ⇒ 𝑉𝐴𝑅(𝑌) = 𝑉𝐴𝑅(𝑋)
Igual que
4. 𝑌 = 𝑎 · 𝑋 ⇒ 𝑉𝐴𝑅 𝑌 = 𝑎 2 · 𝑉𝐴𝑅 𝑋 VARIABLES
DISCRETAS
5. 𝜎$ = |𝑎|𝜎𝑋
6. 𝑋 y 𝑌 independien𝑡𝑒𝑠:
𝑉(𝑋 + 𝑌) = 𝑉(𝑋 − 𝑌) = 𝑉(𝑋) + 𝑉(𝑌)
 22

04. Valor esperado y varianza

La esperanza y varianza de funciones lineales de una variable aleatoria :

Caso particular: Transformación lineal de X

𝑌 = 𝑔 𝑋 = 𝑎𝑋 + 𝑏

𝜇" = 𝐸 𝑌 = 𝑎𝐸 𝑋 + 𝑏 Igual que

VARIABLES
# DISCRETAS
𝜎" = 𝑉𝐴𝑅 𝑌 = 𝑎 𝑉𝐴𝑅(𝑋)
2

𝜎" = 𝑎 𝜎$
 23

04. Valor esperado y varianza

La esperanza y varianza de funciones lineales de una variable aleatoria :

Caso particular: Estandarización de X

𝑋 − 𝜇$ 1 𝜇$
𝑍= = 𝑋−
𝜎$ 𝜎$ 𝜎$
Igual que
VARIABLES
𝐸 𝑍 =0 DISCRETAS

𝜎% = 1