1

Variables aleatorias continuas

Hemos cubierto situaciones donde variables discretas (variables que, dado un int ervalo, se pueden contar sus posibles valores) son necesarias. Nos enfocamos en las variables aleatorias discretas que son com unmente utilizadas en pr actica, principalmente la Binomial y la Poisson. Ahora introduciremos variables aleatorias continuas, aquellas que, dado un int ervalo, la cantidad de posibles valores dentro de ese int ervalo es innita. Variables aleatorias continuas tambi en occuren a menudo en la vida real. Por ejemplo cuando medimos algo, el peso de un producto que est a siendo manufacturado, o el tiempo de operaci on de una m aquina para completar una operaci on administrativa, se denen variables aleatorias continuas. Para este tipo de variable a un necesitamos obtener medidas o par ametros discutidos en clase, primordialmente: probabilidad, valor esperado y varianza (o desviaci on est andar). Pero estas tienen que ser calculadas de manera distinta en el caso de variables aleatorias continuas. A diferencia de variables aleatorias discretas, ya no se puede especicar una f ormula para obtener probabilidades directamente. En vez, se nos provee una funci on de densidad probabil stica, f (x), una funci on la cual dene una curva. El area debajo de la curva que corresponda a cierto int ervalo (c, d), es la probabilidad de obtener un resultado en dicho int ervalo. Estrictamente hablando, el uso de integrales es requerido. En resumen, P (c < X < d) =
c d

f (x)dx

Por denici on, el valor esperado de una variable aleatoria continua es el promedio de todos los posibles valores de la variable. El promedio se determina seg un el peso que se le d a a cada posible valor, lo cual es dictado por la distribuci on probabil stica de la variable. Aunque la denici on de valor esperado es la misma que en el caso de una variable aleatoria discreta, como se calcula es de forma distinta. Nuevamente, este c alculo se obtiene a trav es de una integral, = E (X ) =
a b

xf (x)dx

donde a y b son el valor m nimo y m aximo de X respectivamente. Sucede de forma parecida en el caso de calcular la varianza. Afortunadamente, existen varios casos de variables aleatorias continuas, los cuales no requieren el c alculo de integrales. En la pr oxima secci on discutimos una de estas variables aleatorias continuas.

La distribuci on probabil stica uniforme

En la discusi on de variables discretas, cubrimos brevemente la distribuci on probabil stica uniforme discreta. Una de las variables que caen en esta clasicaci on es cuando denimos la variable como el resultado de tirar un dado. Entonces tenemos 6 posibilidades para la variable aleatoria discreta, todas de ellas igualmente probables. Denominamos la distribuci on probabil stica uniforme el caso an alogo donde la variable ahora es continua. Si tenemos una variable aleatoria que sigue una distribuci on 1

probabil stica uniforme en cierto int ervalo (a, b), entonces cualquier posibilidad en ese int ervalo ser a igualmente probable. Note que ahora, las posibilidades son innitas en el int ervalo. Por ejemplo, bas andonos en el hecho que una variable es continua y que es uniforme con posibles valores entre 5 y 10, la curva que utilizamos para obtener probabilidades es la gura 1

Densidad Uniforme

densidad

0.15 5

0.20

0.25

7 X

10

Figure 1: Distribuci on uniforme para el int ervalo de 5 a 10.

Como pueden ver, la densidad probabil stica uniforme tiene una forma muy conocida, la de un rect angulo. El area de un rect angulo es la altura multiplicado por su largo. La altura de este rect angulo es tal que al multiplicarla por el largo del rect angulo obtenemos 1. As es como debe ser para cualquier distribuci on probabilistica, en el caso de una variable aleatoria discreta, la suma de las probabilidades de cada posible valor debe totalizar en 1, mientras que para una variable aleatoria continua, la integral de f (x) sobre cada posible valor debe totalizar en 1. La distribuci on uniforme se puede denir de forma general para cualquier int ervalo (a, b), 1 ba , a x b f (x) = 0 de lo contrario Esta ecuaci on dene la altura del rect angulo para cualquier distribuci on uniforme con par ametros (a, b). Establece que para cualquier valor fuera del int ervalo de (a, b) la probabilidad es zero. Ejemplo: Tiempo de espera de autob us Supongamos que pensabas ir a la asamblea estudiantil este pasado lunes y planicabas tomar un autob us con destino a la reuni on. Digamos que el tiempo de espera de esta guagua sigue una distribuci on uniforme entre 5 a 10 minutos en horas de la ma nana. Cual es la probabilidad de que tengas que 2

esperar entre 7 a 9 minutos? Seg un lo que hemos cubierto, para encontrar la probabilidad requerida debemos encontrar el area de un sub-rect angulo de la distribuci on (vea gura 2).

Densidad Uniforme
P( 7 < tiempo < 9 ) = 0.4

densidad

0.15 5

0.20

0.25

7 X

10

Figure 2: Esta gura muestra en rojo el area que tenemos que calcular para encontrar P (7 < X < 9). Seg un la gura 2, sabemos que la altura del rect angulo es 101 = 0.2 ya que la variable sigue una 5 distribuci on uniforme. Mientras que su largo es de 9 7 = 2. Por lo tanto el area de inter es es 2 0.2 = 0.4. En adici on la denici on de X en este problema, nos dice de forma impl cita que P (20 < X < 30) = 0, ya que es una regi on que cae completamente fuera del rect angulo el cual dene la variable, (5, 10). Crees que podr as encontrar P (6 < X < 20)? Terminamos esta secci on resaltando unas diferencias entre variables aleatorias discretas y continuas. Debido a que probabilididades en el caso de variables continuas se basan de area bajo una curva, no es posible obtener P (X = k ), ya que para calcular area, necesitamos que la curva tenga un largo mayor a zero. Como consecuencia de esto, si X es una variable aleatoria continua, P (X k ) = P (X < k ). Otra forma de explicar esto es que irrelevantemente de si queremos P (X k ) o P (X < k ) el l mite de integraci on no cambia. De forma an aloga, podemos concluir lo mismo para otras inigualdades, P (X k ) = P (X > k ) y P (c < X < d) = P (c X d). Recuerden que estas igualdades NO APLICAN en caso de variables aleatorias discretas. En general para variables aleatorias discretas P (X k ) = P (X < k ), etc. Finalmente, noten de la gura 2 que podemos obtener la regi on que cubre de 5 a 9 minutos primero, seguido por la regi on que cubre de 5 a 7 minutos y luego restar estas dos areas para obtener el area del rect angulo que cubre entre 7 y 9 minutos. Obviamente, es mas facil obtener el area entre 7 y 9 minutos directamente, pero esto no siempre ser a el caso. Para algunas distribuciones, ser a conveniente encontrar una area de inter es como la resta de dos otras areas. Volvemos a este punto mas adelante.

2.1

El valor esperado y varianza de una variable aleatoria uniforme

El valor esperado de una variable aleatoria continua, X , con posibles valores entre (a, b) y densidad probab listica f (x) es, = E (X ) =
a b

xf (x)dx

esta ecuaci on hace tal como establecido en la denici on, para cada posible valor de la variable aleatoria se le establece un peso para obtener el valor esperado. Este peso es a base de la probabilidad de que dicho valor ocurra. Asumamos una variable aleatoria uniforme X con posibles valores entre (a, b). Entonces, el valor esperado es, b = E (X ) = xf (x)dx a b 1 x = dx ba a b 1 = xdx ba a [ 2 ]b x 1 = ba 2 a [ 2 ] 1 = b a2 2(b a) 1 = (b a)(b + a) 2(b a) b+a = 2 O sea, el valor esperado de una variable aleatoria X con distribuci on uniforme con valores entre (a, b) a+b es E (X ) = 2 . Volviendo al ejemplo del autob us, como X es una variable aleatoria uniforme, con valores entre 5 a 10 minutos, el valor esperado es E (X ) = (10 + 5)/2 = 7.5 minutos. Si miramos objetivamente este resultado, vemos que no es ninguna sorpresa, 7.5 cae justo en el medio del rect angulo entre 5 y 10. En este caso el promedio es equivalente a la mediana, ya que la distribuci on es sim etrica. Para la varianza de una variable aleatoria X uniforme, a trav es de integraci on se obtiene, (b a)2 = V ar(X ) = 12 mientras que la desviaci on est andar es = V ar(X ). Retornando al ejemplo del autob us, la desviaci on est andar es = (10 5)2 /12 = 2.5. Aunque una variable aleatoria uniforme es f acil de usar, no siempre es u til en la vida real. Existe una distribuci on continua que no solo a menudo aplica directamente en pr actica, pero tambien aplica en caso de grandes muestras de estudio. Adem as, tiene propiedades que permiten estimaci on e inferencia de forma muy eciente. Se conoce como la distribuci on Normal. Es el t opico de la pr oxima secci on.
2