Tema3 - Variables Aleatorias Continuas

Variables Aleatorias Continuas
Principales Distribuciones Continuas

Relaciones entre las distribucines
Tema 3. Variables Aleatorias Continuas

Metodos Estadsticos de la Ingeniera
Curso 2007-2008
Javier Roca Pardinas.

Dpto. Estadstica e I.O.
UVIGO.
Universidad de Vigo
2 de abril de 2008
Javier Roca Pardinas. Dpto. Estadstica e I.O. UVIGO. Tema 3. Variables Aleatorias Continuas
Esquema

Funcion de Distribucion
Funcion de Densidad
Caractersticas
Distribucion Uniforme
Distribucion Exponencial
Distribucion Normal
Aproximacion Binomial-Normal
Aproximacion Poisson-Normal
Teorema Central del Lmite
Variables Aleatorias Continuas Funcion de Distribucion
Principales Distribuciones Continuas Funcion de Densidad
Relaciones entre las distribucines Caractersticas
Introduccion
En el Tema 2 se ha definico una variable aleatoria como una

funcion que asigna a cada suceso elemental de un experimento
aleatorio un numero.
Una variable aleatoria es continua si toma valores en uno o en

varios intervalos de la recta real.
Ejemplos de variables aleatorias continuas son :
Duracion de una llamada telefonica.

Peso o altura de una persona.
Longitud de una pieza, ...
Funcion de distribucion
La funcion de distribucion F de una v.a. continua X se define de

igual modo que para las variables discretas.
F: R [0,1]
x F (x) = P (X x)
La funcion F asigna a cada valor x de la recta real la

probabilidad de que la variable aleatoria sea menor o igual que
dicho valor.
Ejemplo
Considerese la variable aleatoria X consistente en el sorteo de un

numero en el intervalo [1,6] con igual probabilidad de ocurrencia
en cualquier zona del intervalo.1
Esta variable se dira que sigue un distribucion Uniforme en el

intervalo [1, 6], y se denotara por
X U nif orme[1, 6]
1
En Excel es posible obtener valores de esta variable usando la funcion
= 1+ALEATORIO()*5
Para esta variable se verifican las siguientes probabilidades:

1. La probabilidad de numeros menores que 1 es nula.
P (X x) = 0 si x < 1
2. La probabilidad de que la v.a. X tome valores en un

subintervalo de [1, 6] es proporcional a la longitud de dicho
intervalo, y consecuentemente
x1
p(X x) = P (1 X x) = si 1 x 6
5
3. La v.a. X nunca toma valores mayores que 6.
5
p(X x) = p(X 6) = = 1 si x > 6
5
La funcion de distribucion de X viene dada por

1.0
0.8

0 si x < 1
0.6
p(X<=x)
x1
F (x) = si 1 x 6
0.4
5
1 si x > 6
0.2
0.0
-1 0 1 2 3 4 5 6 7 8
x
Propiedades de la Funcion de Distribucion
Las propiedades de la funcion de distribucion F de una variable

aleatoria continua son las mismas que en el caso discreto:
1. 0 F (x) 1
2. F es no decreciente
3. lmx F (x) = 1
4. lmx F (x) = 0
Sin embargo,
5 La funcion F es una funcion es continua,
mientras que la funcion de distribucion de una v.a. discreta es
una funcion discontinua con forma de escalera.
En el siguiente grafico se comparan las funciones de distribucion de

v.a. con distribucion
uniforme discreta en los valores 1,2,3,4,5,6, y
uniforme continua en el intervalo [1,6].
Uniforme[1,6] Uniforme Discreta {1,2,3,4,5,6}
1.0
0.8
0.6
p(X<=x)
0.4
0.2
0.0
-1 0 1 2 3 4 5 6 7 8
x
Ejemplo
Supongamos que estamos interesados en estudiar la variable

X U nif orme[1, 6] para valores cercanos al punto x = 4.
La probabilidad de encontrar valores de X en un intervalo de la

forma [4 h, 4 + h] es proporcional a la longitud 2h del intervalo.
Especficamente
P (4 h X 4 + h) = F (4 + h) F (4 h) =
4+h1 4h1 2h
=
5 5 5
Este resultado permite obtener varias conclusiones:

1. La probabilidad de que que la X tome exactamente el valor
x = 4 es cero.
En variables continuas la probabilidad de un punto es cero, por
lo que no tiene sentido definir la funcion de masa de
probabilidad.
2. La probabilidad de encontrar valores de X en el intervalo

[4 h, 4 + h] dividada entre la longitud del intervalo es
constantemente igual a 1/5 para valores pequenos de h.
P (4 h X 4 + h)
f (4) = = 1/5
2h
Utilizando este mismo razonamiento, la probabilidad de encontrar

valores de X por unidad de longitud alrededor de un punto
cualquiera x viene dada por
P (x h X x + h) F (x + h) F (x h)
f (x) = =
2h 2h
Por lo tanto:
x+h+1 xh+1
1
1. Si x [1, 6] f (x) = 5 5 /2h = 5
2. Si x > 6 f (x) = (1 1) /2h = 0
3. Si x < 1 f (x) = (0 0) /2h = 0
Se llamara funcion de densidad de X U nif orme[1, 6] a la

funcion
0.2

0 si x < 1
f(x)
1
f (x) = 5 si 1 x 6 0.1

0 si x > 6
0.0
-1 0 1 2 3 4 5 6 7 8
x
Notese que la funcion de densidad es a las v.a. continuas lo que la

funcion de masa de probabilidad a las v.a. discretas.
0.2
0.167 0.167 0.167 0.167 0.167 0.167
0.2
probabilidad
0.1
f(x)
0.1
0.0 0.0
1 2 3 4 5 6 -1 0 1 2 3 4 5 6 7 8
x
Figura: Funcion de masa de probabilidad

de una distribucion Uniforme Discreta en Figura: Funcion de densidad de una v.a.
los valores 1, 2, 3, 4, 5 y 6. X U nif orme[1, 6]
Funcion de Densidad
Si X es una v.a. continua con funcion de distribucion F , se define

la funcion de densidad f como el siguiente lmite
P (x h X x + h)
f (x) = lm
h0 2h
o de forma equivalente
F (x + h) F (x h)
f (x) = lm
h0 2h
Relaciones entre las Funciones de Distribucion y Densidad
1. El lmite anterior coincide con la derivada f F f x

F a x
de la funcion de distribucion, lo que

permite establecer la relacion
f (x) = F (x)
siendo F la derivada de F .
2 Recprocamente, la funcion de f
distribucion F , se obtiene mediante la
integral
x
x
F x
f x
dx
d
F (x) = f (t)dt
0
-3.0 -2.0 -1.0 0.0 x
1.0 2.0 3.0
Propiedades de la Funcion Densidad

1. f (x) 0

2. f (t)dt = 1
d
F d
f t
dt 1
d
NOTA: Al contrario de la funcion de distribucion, la densidad f

nontiene por que ser continua ni sus valores estan restringidos al
intervalo [0, 1]
Las probabilidades relacionadas con la v.a. X se calculan a partir

de integrales definidas de la funcion de densidad f .
Tal y como se indica en el grafico, la probabilidad P (a X b)

es el area que queda limitada por la funcion de densidad en el
intervalo [a, b]
b
p a b X b b
f t
dt
a
3.0 -2.0 a
-1.0 0.0 b
1.0 2.0 3.0
Ejercicio 1
Dada la v.a. X con funcion de densidad

kx2 se 0 < x < 1
f (x) =
0 en otro caso
1. Para que valor de k es f una funcion de densidad?.

2. Cual es la correspondiente funcion de distribucion?
Representarla graficamente.
3. Calcular a) P (X = 0,5), b) P (0,3 X 0,7), c)
P (X 0,5)
1. Para que f sea funcion de densidad tiene que verificarse que

1
1
x3 k 2
1= kx dx = k = k=3
0 3 0 3
2. La funcion de distribucion de X viene dada por

x 0 si x 0
F (x) = f (x)dx = x3 si 0 x 1

1 si x 0
3 Densidad 1 Distribucin
0.8
2
0.6
0.4
1
0.2
0 0
-0.1 0.1 0.3 0.5 0.7 0.9 1.1 -0.1 0.1 0.3 0.5 0.7 0.9 1.1
3 a) P (X = 0,5) = 0
0,7
b) P (0,3 X 0,7) = 0,3
3x2 dx = 0,73 0,33 = 0,316
P (0,3 X 0,7) = F (0,7) F (0,3) = 0,73 0,33 = 0,316

1
c) P (X 0,5) = 0,5
3x2 dx = 13 0,53 = 0,875
de forma equivalente
P (X 0,5) = 1 F (5) = 1 0,53 = 0,875
Ejercicio 2
Una empresa fabrica rodamiento tales que su diametro (en mm.)

es una variable aleatoria con funcion de densidad
2
f (x) = 25 (x 5) se 5 < x < 10
0 en otro caso
Se consideran defectuosos los rodamientos con diametro fuera del

intervalo (6 mm, 9 mm).
1. Calcular el porcentaje de rodamientos defectuosos.
2. Manteniendo como diametro mmio admisible 6 mm, cual
debera ser el diametro maximo admisible para que el
porcentaje de rodamientos defecturosos fuese del 10 %?
9 2
1. P(defectuoso)=1 P (6 X 9) = 1 6 25 (x 5) =

9
2 x2
1 5x = 1 0,6 = 0,40
25 2 6
t 2
2. 0,9 = P (6 X t) = 6 25 (x 5) dt =

2 t2 2 62
5t 30 0,5t2 5t + 0,75 = 0
25 2 25 2

5 25 4 0,5 0,75 t = 9,85
t= =
2 0,5 t = 0,15
Por lo tanto el diametro maximo admisible sera de 9.85 mm.
Ejercicio 3
Para la curacion de una determinada enfermedad se aplican dos

tipos de medicamentos: farmaco 1 y farmaco 2.
El tiempo, en das, requerido para la curacion de dicha enfermedad

por los farmacos 1 y 2 son variables aleatorias X e Y , con
funciones de densidad f y g definidas por:
50x
50 si 40 x 50
f (x) =
0 en otro caso
60y
si 40 y 60
g(y) = 200
0 en otro caso
Si en un hospital el 40 % de los medicos aplican el farmaco 1,

mientras que el 60 % restante prefiere el farmaco 2.
1. Cual es la probabilidad de que el tiempo de curacion de un
paciente sea superior a 45 das?
2. Si el tiempo de curacion de un paciente ha sido superior a 45
das cual es la probababilidad de que se le hubiese recetado
el farmaco 1?
Solucion
Sean los sucesos
I=aplicar el farmaco 1
II=aplicar el farmaco 2, y
T=tiempo de curacion superior a 45 das.
Se sabe que P(I)=0.40 y P(II)=0.60. Ademas, se obtienen las

probabilidades condicionadas
50
50 x
P (T /I) = dx = 0,25
45 50
y
60
60 y
P (T /II) = dy = 0,56
45 200
1. Utilizando probabilidades totales se obtiene que la

probabilidad de que el tiempo de curacion de un paciente sea
superior a 45 das es
P (T ) = P (T /I)P (I) + P (T /II)P (II) =

0,25 0,40 + 0,56 0,6 = 0,44
2. Utilizando el teorema de bayes se obtiene la probabilidad de
que se haya recetado el farmaco 1 a un paciente que se sabe
que ha tardado mas de 45 das en curarse.
P (T /I)P (I) 0,25 0,40

p(I/T ) = = = 0,23
P (T ) 48
Media o Esperanza Matematica

La media o esperanza matematica de una v.a. continua X con
funcion de densidad f viene dada por la integral

= E(X) = xf (x)dx

Propiedades (analogas al caso discreto):
1. E(aX + b) = aE(X) + b (a e b constantes)

2. E(X + Y ) = E(X) + E(Y )
Ejemplo: La media de la v.a. X U nif orme[1, 6] es
6 6
1 x2 62 1
= x dx = = = 3,5
1 5 10 1 10
Varianza y Desviacion Tpica

La varianza de una v.a. continua X se define como

2 = V ar(X) = (x )2 f (x)dx

Propiedades (analogas al caso discreto):
1. V ar(aX + b) = a2 V ar(X) (a e b constantes)

2. Calculo alternativo:

V ar(X) = x2 f (x)dx 2

La desviacion tpica de X es la raz cuadrada de la varianza

DT (X) = 2
Ejemplo: La varianza de la v.a. X U nif orme[1, 6] es

6 6
2 21 x3 2
= x dx 3,5 = 3,52 =
1 5 15 1
631 215
3,52 = 12,25 = 2,08
15 15
La desviacion tpica es

DT (X) = 2,08 = 1,44
Ejercicio 1 (continuacion)
Sea la v.a. X con funcion de densidad

3x2 se 0 < x < 1
f (x) =
0 en otro caso
Calcular la media, varianza y desviacion tpica de X.
Solucion:
1 1
3 x4 3
E[X] = 3x dx = 3 = = 0,75
0 4 0 4
1 1
4 x5
2 3
V ar[X] = 3x dx 0,75 = 3 0,752 = 0,752 = 0,0375
0 5 0 5

DT [X] = 0,0375=0.194
Tipificacion de Variables Aleatorias

Una variable aleatoria se dice que esta tipificada o estandarizada si
la media es 0 y su varianza es 1
Propiedad: Si X es una variable aleatoria con media y
desviacion tpica entonces la variable aleatoria transformada
X
Z=

es una variable aleatoria tipificada.

E[X]
X X
E[Z] = E =E E = = =0

X X V ar[X] 2
V ar[Z] = V ar = V ar = = =1
2 2
Ejercicio
Las calificaciones medias obtenidas en dos pruebas distintas A y B

son respectivamente A = 6,2 y B = 5,2 con desviaciones tpicas
A = 2,0 y B = 1,0.
Si un alumno ha obtenido una puntuacion de 6.8 en la primera

prueba y de 6.25 en la segunda en que prueba ha obtenido mejor
resultado respecto de los demas alumnos?
Solucion:
Si su resultado en la primera prueba es 6.8, calculamos el valor

estandarizado
6,8 6,2
ZA = = 0,3
2,0
En el segundo caso su resultado es 6.25 y
6,25 5,2
ZB = = 1,05
1,0
Luego hace mucho mejor en la segunda prueba con respeto a sus
companeros.
Moda y Mediana
La moda, M o, de una v.a. continua es el valor que maximiza la

funcion de densidad. No tiene por que ser unica
La mediana de una v.a. continua es el valor que divide a la

distribucion en dos partes de igual probabilidad. Por lo tanto
sera el valor M e que verifica que
Me
F (M e) = f (x)dx = 0,5

Relacion entre Media, Mediana y Moda
Ejercicio 4
Calcular la media, la mediana, la varianza, y la desviacion tpica de

una v.a. X con funcion de distribucion

0 si x 0
F (x) = x si 0 < x 1

1 se x > 1
Para calcular la mediana de X se resuelve la ecuacion

0,5 = F (M e) = Me
obteniendose
M e = 0,52 = 0,25
Para el calculo de la media, varianza y desviacion tpica de X es

necesario calcular previamente la funcion de densidad de X.

0 si x 0
1
f (x) = F (x) = si 0<x1
2 x
0 se x > 1
8165
1.00
7906
Distribucin Densidad
7670
7454
7255
2.0
0.75
7071
6901
6742
0.50
6594
6455 1.0
6325
6202
0.25
6086
5976
5872
5774
0.00 0.0
5680
5590
-0.25 0 0.25 0.5 0.75 1 1.25 -0.25 0 0.25 0.5 0.75 1 1.25
5505 x x
La media, varianza y desviacion tpica de X son

1
1
x x3/2 1
E[X] = dx = 0,5 = = 0,333
0 2 x 3/2 3
0
2 1
1
x2 1 x5/2 1 4
V ar[X] = dx = 0,5 = = 0,089
0 2 x 3 5/2 9 45
0

4
DT [X] = = 0,298
45
Cuantiles
Los cuantiles son generalizaciones de la mediana. El cuantil de

orden p es el valor xp que verifica
P (X xp ) = p
o equivalentemente
xp
F (xp ) = f (x)dx = p

Cuartiles
Los cuantiles de orden 0.25, 0.50 e 0.75 se llaman cuartiles

primer cuartil: Q1 = x0,25
segundo cuartil:Q2 = x0,50 2
tercer cuartil:Q3 = x0,75
Los cuartiles Q1 , Q3 y Q3 dividen a la poblacion en regiones de

igual probabilidad.
Se define el rango intercuartlico como la diferencia Q3 Q1
2
El segundo cuartil Q2 coincide con la mediana M e
Calcular los cuartiles y rango intercuartlico de la v.a. X con
funcion de distribucion dada en el Ejercicio 4.
Solucion: El cuantil de orden p se obtiene resolviendo la ecuacion

p = F (xp ) = xp xp = p2
Por lo tanto, los cuartiles de X vienen dados por
Q1 = 0,252 = 0,06
Q2 = 0,502 = 0,25
Q3 = 0,752 = 0,56
El rango intercuartlico es
R.I. = Q3 Q1 = 0,56 0,06 = 0,5

Ejercicio 5
La variable X representa la duracion, en minutos, de las llamadas
desde un telefono y tiene por densidad
1 x/2
2e si x > 0
f (x) =
0 si x 0
1. Calcular la probabilidad de que el tiempo de duracion de una

llamada este entre 5 y 10 minutos.
2. Calcular la media y la mediana de la variable X. Comentar los
valores obtenidos.
3. Si el coste en de una llamada viene dado por
Y = 0,25 + 0,05X
calcular la media y la mediana de Y .
4 Determinar el coste por debajo del cual se encuentran el 10 %

de las llamadas.
5 Obtener un intervalo donde se encuentren el 95 % de los
costes centrales de las llamadas.
6 Si se ha registrado la duracion de 10 llamadas cual es la
probabilidad de que al menos 5 hayan tenido una duracion
inferior a 1 minuto?
Independencia entre variables aleatorias
Dos variables aleatorias X e Y son independientes si verifican que 3
P (X x, Y y) = P (X x)P (Y y)
para cualquier x e y.
Notese que dos sucesos A y B son independientes si se verifica que

3
P (A B) = P (A)P (B)
Principales Distribuciones Continuas Distribucion Exponencial
Relaciones entre las distribucines Distribucion Normal

Funcion de Densidad
Caractersticas

Distribucion Normal

Una variable aleatoria X sigue una distribucion Uniforme en el

intervalo [a, b], y se denota por X U nif orme[a, b], si tiene la
siguiente funcion de densidad
1
ba se a x b
f (x) =
0 en otro caso
Caractersticas:
a+b (b a)2
E(X) = V ar(X) =
2 12
Proceso de Poisson
En el Tema 2 (Variables Aleatorias Discretas) se ha definido el

proceso de Poisson como un experimento en el que se observa la
ocurrencia de sucesos en un intervalo verificando:
1. La probabilidad de que ocurra un suceso en un intervalo es
proporcional a la longitud de dicho intervalo.
2. Los sucesos ocurren de forma independiente. El numero de
sucesos que ocurren en un intervalo es independiente del
numero de sucesos que ocurren en otro intervalo. Es decir, el
proceso de Poisson no tiene memoria.
En el proceso de Poisson
El numero de sucesos ocurridos en un intervalos sigue una
distribucion de Poisson,
y el tiempo entre sucesos consecutivos sigue una distribucion
Exponencial.
La distribucion exponencial se puede utilizar para modelizar:
tiempo entre llamadas a una central telefonica.
tiempo de vida util de una componente.
tiempo entre llegadas de coches a un semaforo, ...
Sea el numero medio de sucesos por unidad de tiempo. La v.a.
X=numero de sucesos por unidad de tiempo
sigue una ditribucion X P ois(). Ademas, la v.a.
Xt0 =numero de sucesos en el intervalo [0, t0 ]
sigue una ditribucion Xt0 P ois(t0 ) con funcion de masa de

probabilidad
et0 (t0 )x
P (Xt0 = x) = , x = 0, 1, 2, . . .
x!
Considerese ahora la v.a.
T=tiempo hasta el primer suceso
La funcion de distribucion de T viene dada por
F (t) = P (T t) = 1 P (T > t) =
1 P (cero sucesos en[0, t]) =
1 P (Xt = 0) = 1 et para t 0
y la funcion de densidad es
f (t) = F (t) = et para t 0
El tiempo medio entre dos sucesos es

1
E[T ] = tf (t)dt = tet dt =
0 0
Es decir,
si el numero medio de sucesos por unidad de tiempo es ,
entonces
1
el tiempo medio entre sucesos consecutivos es
Se dice que la variable
X = tiempo transcurrido hasta la ocurrencia de un evento
tiene distribucion Exponencial de parametro , y se denota por

X Exp() , si su funcion de densidad es

ex si x 0
f (x) =
0 si x < 0
Caractersticas:
1 1
E(X) = y V ar(X) = 2

La funcion de distribucion de X Exp() es

1 ex si x 0
F (x) =
0 si x < 0
x x

0 ex dx = ex 0
= ex (e0 ) = 1 ex
72593 0.97975809
54357 0.98500442 1.0
2.0
60078 0.988891 Exp(0.5)
28205 0.99177025
91833 0.99390325 Exp(1)
79449 0.99548342 0.8
15568 0.99665403 Exp(2) Exp(0.5)
1.5
21293 0.99752125
14787 0.9981637
Exp(1)
11683 0.99863963 0.6
25436 0.99899221
67628 0.99925341 Exp(2)
48225
1.0 0.99944692
75809 0.99959027
0.4
57763 0.99969646 densidad
00442 0.99977513
09319 0.99983341 distribucin
88891
0.5 0.99987659
04384 0.99990858 0.2
77025 0.99993227
91659 0.99994983
90325 0.99996283
75248
0.0 0.99997246 0.0
48342 0.9999796
112540 1
0.99998489 2 3 4 5 6 0 1 2 3 4 5 6
65403 0.9999888 x x
71201 0 99999171
Ejercicio 6
Las roturas de una pieza se producen de forma estable e

independiente. Por termino medio se produce una rotura cada
minuto.
Cual es la probabilidad de que pasen mas de 3 minutos entre dos
roturas consecutivas?
Solucion: La v.a. X=tiempo entre dos roturas consecutivas sigue

una distribucion X P ois(1). La probabilidad de que no haya
roturas en 3 minutos es

P (X > 3) = 1 P (T 3) = 1 ex = e3 = 0,05
Comentarios
La distribucion exponencial no tiene memoria
P (X > x + t / X > x) = P (X > t)
Demostracion:
P (X > x + t X > x)
P (X > x + t / X > x) = =
P (X > x)

P (X > x + t) 1 F (x + t) 1 e(x+t)
= = =
P (X > x) 1 F (x) 1 (ex )
e(x+t)
= e(x+tx) = et = P (X > t)
ex
Comentarios
Es decir, la probabilidad de que no ocurra ningun suceso al

tiempo x + t , sabiendo que no se ha producido ningun suceso
al instante x , es la misma que la probabilidad de que no
ocurra ningun suceso al tiempo t .
O lo que es lo mismo, la probabilidad de que ocurra un suceso
en un intervalo, solo depende de la longitud de dicho intervalo.
La distribucion exponencial se caracteriza por tener la tasa
de fallo constante: la probabilidad de fallar en cualquier
intervalo no depende de la vida anterior.
Es, por tanto, adecuada para describir la aparicion de fallos,
no debidas a desgaste o deterioro.
Si no ha habido roturas en 4 minutos, cual es la probabilidad de

que no haya roturas en los proximos 3 minutos?
Solucion:
P (X > 4 + 3/X > 4) = p(X > 3) = e3 = 0,05
Distribucion Normal
Entre las variables aleatorias de tipo continuo destaca por su

importancia la llamada Distribucion Normal o distribucion de
Gauss.
La distribucion Normal describe la mayora de los fenomenos
observados en la naturaleza.
En muchas situaciones otras distribuciones se pueden
aproximar a una Normal
Es la base para la inferencia estadstica (como se vera en
Temas posteriores)
Distribucion Normal
Una v.a. X sigue una distribucion Normal de media y desviacion

tpica , y se denota por X N (, ), si su funcion de densidad es
1 x 2
f (x) = e0,5( ) , xR
2 2
Normal (0,1) Normal (3,1) Normal (0,1) Normal (0,0.3)

0.4
1.2
0.3
0.9
0.2
0.6
0.1 0.3
0 0
-3 -2 -1 0 1 2 3 4 5 6 -3 -2 -1 0 1 2 3
A pesar de la gran utilidad de la ley de probabilidad gaussiana, la

2
funcion e0,5x no posee primitiva conocida lo que tiene
importantes implicaciones.
Por ejemplo, la funcion de distribucion

x
1 x 2
F (x) = e0,5( ) dx
2 2
o la probabilidad
b
1 x 2
P (a X b) = e0,5( ) dx
a 2 2
no podran ser calculadas de manera exacta.
Tablas de la Distribucion Normal

Afortunadamente, existen tecnicas de calculo numerico que
permiten aproximar las integrales anteriores con tanta precision
como se quiera.
Por ejemplo Excel dispone de funciones que permiten obtener
aproximaciones de la funcion de distribucion de cualquier
normal.
Ademas, existen ciertas tablas con los valores de F (x) (con varios
decimales de precision) para una serie limitada de valores dados.
Habitualmente F se encuentra tabulada para la variable
N (0, 1), que se denomina Normal Tipificada, y se representa
por Z. Su funcion de densidad es
1 2
(z) = e0,5z , zR
2
La tabla que se utiliza en esta materia muestra para valores de z

entre 0 y 4.9 la funcion de distribucion (z). Esta tabla permite
calcular para Z N (0, 1) probabilidades como las que siguen:
1. P (Z < 1,5) = 0, 9332
2. P (Z > 1,5) = P (Z > 1,5) (por simetra) = 0,9332
3. P (1,5 < Z < 1,5) = P (Z < 1,5) P (Z < 1,5) =

P (Z < 1,5) - P (Z > 1,5) = P (Z < 1,5) -(1 P (Z < 1,5)) =
2P (Z < 1,5) 1 = 2 0,9332 1 = 0,8664
4. P (1 < Z < 2) = P (Z < 2) - P (Z < 1) = 0,9772 - 0,8413 =

0,1359
Tipificacion
Si X N (, ) entonces la transformacion Y = a + bX siendo a y

b constantes sigue la distribucion
Y N (a + b, b)
En particular, para cualquier X N (, )la transformacion
Z = X
sigue una distribucion normal estandar.
X
X N (, ) Z = N (0, 1)

Por lo tanto,las probabilidades relacionadas con cualquier
distribucion normal podran ser obtenidas directamente a partir de
la tabla de la normal estandarizada.
Ejemplo
Sea X N (2, 3)
La probabilidad de que X sea menor que 4 es

X 2 42
P (X < 4) = P < = P (Z < 0,666) = 0,7475
3 3
La probabilidad de que X tome valores en [1, 3,5] es

1 2 3,5 2
P (1 < X < 3,5) = P <Z< =
3 3
P (1 < Z < 0,5) = P (Z < 0,5) P (Z < 1) =

0,6915 0,1587 = 0,5328
Ejercicio 7
El sistema de empaquetado de una determinada marca de arroz

esta ajustado para colocar una media de un Kg en cada caja. La
desviacion tpica del peso es de 0.1 Kg. y se sabe que los pesos
siguen una distribucion normal. Calcular la probabilidad de que una
caja elegida al azar contenga entre 980 gr. y 1020 gr.
Solucion: La v.a. X=peso en gramos de una caja sigue una

distribucion X N (1000, 100). Por lo tanto
980 1000 1020 1000

P (980 X 1020) = P ( Z )=
100 100
P (0,2 Z 0,2) = 2P (Z 0,2) 1 = 2 0,579 = 0,159
Ejercicio 8
Una v.a. X sigue la distribucion X N (, 25) con media
desconocida. Se sabe que la probabilidad de que X exceda de 150
es de 0.9. Calcular la media de X.
Solucion: Se sabe que
150
0,9 = P (X > 150) = P (Z < )
25
Ademas si Z N (0, 1) el valor 1,29 verifica que
0,9 = P (Z < 1,29)
Por lo tanto, resolviendo la ecuacion
150
= 1,29
25
se obtiene el valor de
= 150 + 25 1,29 = 182,25
Sumas y Diferencias de Normales

Si X N (X , X ) e Y N (Y , Y ) son independientes,
entonces la distribucion de la suma o diferencia de ambas variables
es tambien normal.

X + Y N 1 + 2 , 1 + 22 2

X Y N 1 2 , 12 + 22
De forma general, Si Xi N (i , i ) (independientes) y ai una

constante i = 1, . . . , n, entonces

n n n

ai Xi N ai i , a2i i2
i=1 i=1 i=1
Ejercicio 9
La demanda mensual de un producto A sigue una distribucion

XA N (200, 40). La demanda de otro producto B tambien sigue
una distribucion normal XB N (230, 80)
1. Cual es la probabilidad de que la demanda total supere las
550 unidades?
2. Cual es la probabilidad de que la demanda de A supere a la
de B?
Solucion
1. La demada total sigue una distribucion

T = XA +XB N 200 + 230, 402 + 802 = N (430, 89,44)
por lo tanto

550 430
P (T > 550) = P Z> =
89,44
1 P (Z 1,342) = 1 0,91 = 0,09
2 La distribucion de la diferencia de demandas D = XA XB es

D = XA XB N 200 230, 402 + 802 = N (30, 89,44)
obteniendose

30
P (XA > XB ) = P (D > 0) = P Z> =
89,44
1 P (Z 0,3354) = 1 0,631 = 0,3707
Intervalos de Normalidad
Los intervalos de normalidad (IN) son intervalos de extremos

simetricos respecto a la media entre los que se encuentra un
determinado porcentaje de datos. Por ejemplo, 95 %, 99 %, ...
Para Z N (0, 1) el IN al (1 )
100 % es

IN = z1/2 , z1/2
donde zp denota el cuantil de orden 1D
p de Z.a
D 2 D 2
a
El cuantil zp se calcula directamente a 3.0
z1D 2 0 z1D 2
partir de las tablas.
Intervalos de Normalidad
Si X N (, ) el IN al (1 ) 100 % viene dado por

IN = z1/2 , + z1/2
Ejemplo: Construir IN para X=peso en Kgs. de ninos varones de

5 anos sabiendo que X N (25, 5).
a) al 95 %
IN 95 % = (25 5 z0,975 , 25 + 5 z0,975 ) =
(25 5 1,96, 25 + 5 1,96) = (15,2, 34,8)
b) al 99 %
IN 99 % = (25 5 z0,995 , 25 + 5 z0,995 ) =
(25 5 2,58, 25 + 5 2,58) = (12,1, 37,9)
Variables Aleatorias Continuas Aproximacion Binomial-Normal
Principales Distribuciones Continuas Aproximacion Poisson-Normal
Relaciones entre las distribucines Teorema Central del Lmite

Funcion de Densidad
Caractersticas

Distribucion Normal

Aproximacion mediante la Distribucion Normal

A continuacion se representan las funciones de masa de
probabilidad de las v.a. X=numero de cruces en n lanzamientos
de una moneda ( X Bin(n, 0,5)) para distintos valores de n.
Bin (5,0.5) Bin (20,0.5)
0.4 0.2
0.3
0.2 0.1
0.1
0.0 0.0
0 1 2 3 4 5 0 5 10 15 20
Bin (50,0.5) Bin (100,0.5)

0.15 0.10
0.10
0.05
0.05
0.00 0.00
0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50 60 70 80 90 100
Aproximacion mediante la Distribucion Normal

Como se puede ver en los graficos anteriores, para valores de n
elevados, la funcion de probabilidad binomial tiene una forma
parecida a la densidad de la normal.
0.10 Bin (100,0.5)

aproximacin normal
0.05
0.00
30 40 50 60 70
Si X Binomial(n, p) con
1. n > 30, y
2. np 5 y n(1 p) 5
se obtiene la aproximacion
X np
N (0, 1)
np(1 p)
Si np o n(1 p) es pequeno (< 5) la aproximacion Poisson

funciona mejor.
Ejercicio 10
Determinar la probabilidad de que en 100 lanzamientos de una
moneda se obtengan menos de 45 caras.
Solucion: La v.a X=numero de caras en 100 lanzamientos

sigue una distribucion X Bin(100, 0,5)

45 100 0,5
p(X < 45) P Z < = 0,1587
100 0,5 (1 0,5)
La probabilidad exacta es
P (X < 45) = P (Bin(100, 0,5) < 45) = 0,1841
por lo que la aproximacion no es del todo buena, pero se puede

mejorar.
Correccion por continuidad

En la aproximacion de la Binomial por la normal es preferible
considerar las siguientes correciones de continuidad
p(X x) = P (X < x + 0,5)
p(X x) = P (X > x 0,5)

P (x1 X x2 ) = P (x1 0,5 < X < x2 + 0,5)
Ejercicio 10 (continuacion): Usando la coreccion de continuidad
se obtiene
p(X < 45) = P (X < 45,5)

45,5 100 0,5
P Z< = 0,1841
100 0,5 (1 0,5)
La aproximacion es mejor usando la correccion de continuidad.
En los siguientes graficos se presenta la funcion de masa de
probabilidad de una distribucion de Poisson para distintos valores
de .
0.20 Poisson (5) aproximacin normal 0.15 Poisson (10) aproximacin normal 0.10 Poisson (20) aproximacin normal
0.15
0.10
0.10 0.05
0.05
0.05
0.00 0.00 0.00

0 10 0 10 20 0 10 20 30 40
Si X P oiss() con grande ( > 5) entonces

X N ,
Ejercicio 11
En unos grandes almacenes se estima que en media se venden

diariamente 3 artculos defectuosos. Calcular la probabilidad de que
en 20 das sean vendidos como mucho 70 artculos defectuosos.
Solucion: La v.a. X=numero de artculos defectuosos en 20 das

sigue una distribucion X P ois(20 3) = P ois(60). Por lo tanto

70,5 60
P (X 70) = P (X < 70,5) P Z< = 0,9124
60
La solucion exacta utilizando la distribucion de poisson es
P (X 70) = P (P ois(60) 70) = 0,9098
La distribucion binomial y la Poisson no son las unicas

distribuciones que se puede aproximar a la distribucion normal.
Cualquier variable que se obtenga como una suma de variables
independientes e igualmente distribuidas se puede aproximar por
una distribucion normal.
Sean X1 , . . . , Xn variables aleatorias independientes y con la

misma distribucion, con media y varianza. 2 . Si n es grande se
obtiene la aproximacion
(X1 + . . . + Xn ) n
N (0, 1)
n
Ejercicio
En un proceso de produccion en cadena se necesitan 50

subprocesos para elaborar el producto final. Si el tiempo en
minutos en cada puesto sigue una distribucion uniforme en el
intervalo [2,4] determinar:
1. El tiempo medio de elaboraracion del producto final.
2. La probabilidad de que se tarde mas de 155 minutos en
elaborar el producto.
3. Determinar el tiempo debajo del cual estan el 75 % de los
tiempos totales de produccion.
4. Encontrar un intervalo temporal (centrado en el tiempo
medio) donde se encuentren el 95 % de los tiempos totales de
produccion.
Solucion
El tiempo total de produccion viene dado por
T = T1 + . . . + T50
siendo Ti U nif orme[2, 4] el tiempo empleado en el subproceso
i -esimo.La media y la varianza de cada Ti son
(4 2)2
E(Ti ) = 0,5(2 + 4) = 3 y V ar(Ti ) = = 0,333
12
obteniendose por el T.C.L. la aproximacion
T 50 3 T 150
= N (0, 1)
50 0,333 4,082
T N (150, 4,082)
Solucion
1. El tiempo medio es de E[T ] = 150 minutos.

2. P (T > 155) P Z > 155150
4,082 = 0,1103
3. El tiempo debajo del cual estan el 75 % de los tiempos totales
de produccion corresponde con el tercer cuartil de T , que es

T0,75 = 150 + 4,082z0,75 = 150 + 2,0204 0,6745 = 151,3627
4. Los lmites del intervalo pedido son respectivamente los

cuantiles 0.025 y 0.975 de T :
I = (T0,025 , T0,975 ) = (146,04, 153,96)
T0,025 = 150 + 2,0204 (1,96) = 146,04

T0,975 = 150 + 2,0204 1,96 = 153,96
Ejercicio 12
Un agricultor utiliza un sistema automatico para el llenado de los

sacos de maz, garantizando un contenido de 50 kg porsaco.
Debido a las fluctuaciones aleatorias del mecanismo de llenado, el

peso de los sacos es una variable aleatoria con distribucion normal
de media 50.25 kg y desviacion tpica 0.25 kg.
1. Obtener la probabilidad de que un saco elegido al azar no

llegue al peso mnimo garantizado.
2. Se seleccionan aleatoriamente 10 sacos. Cual es la
probabilidad de que exactamente 2 sacos pesen mas de 50.5
Kg.?
Ejercicio 12
3 De una remesa de 2000 sacos cual es la probabilidad de que

como mucho 300 no lleguen al peso garantido?
4 Si se desea que la probabilidad de que un saco no alcance el
peso garantido sea 0.01, cual debera ser la media del peso
de los sacos? (manteniendo = 0,25).
Sol.: 1) 0.1587; 2) 0.2844; 3) 0.1446; 4) 50.5825

Tema3 - Variables Aleatorias Continuas

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tema3 - Variables Aleatorias Continuas

Caricato da

Copyright:

Formati disponibili

Variables Aleatorias Continuas

Principales Distribuciones Continuas

Tema 3. Variables Aleatorias Continuas

Javier Roca Pardinas.

Variables Aleatorias Continuas

En el Tema 2 se ha definico una variable aleatoria como una

Una variable aleatoria es continua si toma valores en uno o en

Ejemplos de variables aleatorias continuas son :

Duracion de una llamada telefonica.

La funcion de distribucion F de una v.a. continua X se define de

La funcion F asigna a cada valor x de la recta real la

Considerese la variable aleatoria X consistente en el sorteo de un

Esta variable se dira que sigue un distribucion Uniforme en el

Para esta variable se verifican las siguientes probabilidades:

2. La probabilidad de que la v.a. X tome valores en un

La funcion de distribucion de X viene dada por

Propiedades de la Funcion de Distribucion

Las propiedades de la funcion de distribucion F de una variable

En el siguiente grafico se comparan las funciones de distribucion de

Uniforme[1,6] Uniforme Discreta {1,2,3,4,5,6}

Supongamos que estamos interesados en estudiar la variable

La probabilidad de encontrar valores de X en un intervalo de la

Este resultado permite obtener varias conclusiones:

2. La probabilidad de encontrar valores de X en el intervalo

Utilizando este mismo razonamiento, la probabilidad de encontrar

2. Si x > 6 f (x) = (1 1) /2h = 0

3. Si x < 1 f (x) = (0 0) /2h = 0

Se llamara funcion de densidad de X U nif orme[1, 6] a la

Notese que la funcion de densidad es a las v.a. continuas lo que la

Figura: Funcion de masa de probabilidad

Si X es una v.a. continua con funcion de distribucion F , se define

Relaciones entre las Funciones de Distribucion y Densidad

1. El lmite anterior coincide con la derivada f F f x

de la funcion de distribucion, lo que

Propiedades de la Funcion Densidad

NOTA: Al contrario de la funcion de distribucion, la densidad f

Las probabilidades relacionadas con la v.a. X se calculan a partir

Tal y como se indica en el grafico, la probabilidad P (a X b)

Dada la v.a. X con funcion de densidad

1. Para que valor de k es f una funcion de densidad?.

1. Para que f sea funcion de densidad tiene que verificarse que

P (0,3 X 0,7) = F (0,7) F (0,3) = 0,73 0,33 = 0,316

P (X 0,5) = 1 F (5) = 1 0,53 = 0,875

Una empresa fabrica rodamiento tales que su diametro (en mm.)

Se consideran defectuosos los rodamientos con diametro fuera del

Por lo tanto el diametro maximo admisible sera de 9.85 mm.

Para la curacion de una determinada enfermedad se aplican dos

El tiempo, en das, requerido para la curacion de dicha enfermedad

Si en un hospital el 40 % de los medicos aplican el farmaco 1,

Se sabe que P(I)=0.40 y P(II)=0.60. Ademas, se obtienen las

1. Utilizando probabilidades totales se obtiene que la

P (T ) = P (T /I)P (I) + P (T /II)P (II) =

P (T /I)P (I) 0,25 0,40

Media o Esperanza Matematica

Propiedades (analogas al caso discreto):

1. E(aX + b) = aE(X) + b (a e b constantes)

Varianza y Desviacion Tpica

Propiedades (analogas al caso discreto):

1. V ar(aX + b) = a2 V ar(X) (a e b constantes)

La desviacion tpica de X es la raz cuadrada de la varianza

Ejemplo: La varianza de la v.a. X U nif orme[1, 6] es

Tipificacion de Variables Aleatorias

Las calificaciones medias obtenidas en dos pruebas distintas A y B