UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

FACULTAD DE INGENIERIA
ESCUELA DE CIENCIAS
ESTADÍSTICA 1
Secciones C+ y D
Ing.Alba Maritza Guerrero Spínola Ph.D.

CUARTA UNIDAD

VARIABLE ALEATORIA CONTINUA

Es continua si el recorrido es infinito. En la mayor parte de problemas prácticos

las variables aleatorias continuas representan datos medidos como son: pesos,
alturas, temperaturas, distancia, periodo de vida, etc.

a) f(x)  0 para toda x que pertenece a R

b) -ooʃ+oo f(x) dx = 1
c) [a,b) entre –oo  a  b  00+
se tiene que P(a  x  b] = aʃb f(x) dx

FUNCION DE DENSIDAD DE PROBABILIDAD f(x)

Se define la probabilidad de una variable aleatoria continua a través de la
función de densidad de probabilidad f(x), que es una función no negativa que
describe una curva en términos de la variable X que representa su
comportamiento probabilístico y al dibujarse en los ejes del plano cartesiano
satisface las siguientes condiciones:

1. El área total delimitada por la curva f(x) y el eje x es igual a uno por lo
que se dice que describe un área de probabilidad.

,f(x)

a Recorrido variable X b
 2. La sub área bajo la curva limitada por ella, el eje X y las
perpendiculares trazadas en dos puntos c y d cualquiera, que
pertenezcan al intervalo [a,b] constituye la probabilidad de que la
variable tome los valores entre c y d, esto es P(c  X  d), por lo que
la probabilidad de un suceso, se determina encontrando el área bajo
la curva que describe la función de densidad entre límites
particularmente establecidos en el suceso.

P(c  X  d)= cʃd f(x) dx

DISTRIBUCION ACUMULADA F(x)

La probabilidad de que la variable aleatoria X tome un valor menor o igual a Xo,

representa la PROBABILIDAD ACUMULADA a Xo, F(X = xo), definida para
cualquier valor de xo entre el intervalo [a,b]

F (X=x)= aʃXo f(x) dx

En términos generales F(x) se denomina Función de Distribución

Acumulada o Función de Distribución de la Variable X.
F(x)= P(Xx) = 00ʃX f(t) dt para -∞ < X < ∞

P(c < X < d)

c d
Si F(x) es la función acumulada de una variable aleatoria continua entonces la
función de densidad de probabilidad f(x)

,f(x) = dF(X)/dx para todos los valores de x posible

ESPERANZA MATEMÁTICA E(X)

Se conoce también como valor esperado, es un promedio ponderado de los
posibles valores de X, teniendo como medida de ponderación sus
probabilidades de ocurrencia

 = E(x)

Para una variable aleatoria contínua X que tiene una función de densidad f(x)
la esperanza de X se define como:

E(x) = -ooʃoo x . f(x) dx

Sea X una variable aleatoria con distribución de probabilidad f(x) La media o
valor esperado de la variable aleatoria g(X) está dado por

g(x) = E[g(x)] = ∑ g(x). f(x) si X es discreta

g(x) = E[g(x)] = -ooʃoo g(x). f(x) dx si X es continua

VARIANZA
La varianza de una variable aleatoria X, es una medida de dispersión de la
distribución de probabilidades, mide el grado de concentración de los valores X
y es el promedio ponderado o esperanza de las desviaciones cuadradas de
cada uno de los valores posibles de X en relación a E(x)

Var (X) = 2x = E [ (X - )2] = ʃoo (X - )2 f(x) dx

-oo

La varianza es un número no negativo. A la raíz cuadrada positiva se le llama

desviación típica y está dada por:

Desviación típica
 x = Var (x)

Una fórmula alternativa que se utiliza para calcular la varianza es:

2 = E(X2) - 2

DISTRIBUCIONES DE PROBABILIDAD CONTINUA

1. DISTRIBUCION UNIFORME:
Esta distribución se caracteriza por una función de densidad que es plana, y
por ello la probabilidad es uniforme en un intervalo cerrado [A,B].

,f(x) = 1 / (B - A) A  X  B

= 0 en cualquier otro caso

La media y la varianza de la distribución uniforme son:

= (A + B)/2
2 = (B-A) 2/12
Dicha función de densidad tiene la forma de un rectángulo a menudo suele
llamarse distribución rectangular cuya base es B – A y altura constante 1 / (B
– A).
2. DISTRIBUCIÓN NORMAL

La distribución de probabilidad más importante en todo campo de la

estadística, es la distribución normal. Su importancia radica en que numerosos
fenómenos continuos que ocurren en la naturaleza, en el campo de la
ingeniería, la industria y la investigación, se aproximan mediante esta
distribución.

Es utilizada para aproximar diversas distribuciones de probabilidad

discreta y evitar pesados cálculos, además de proporcionar la base de la
inferencia estadística clásica, debido a su relación con el teorema del límite
central. Frecuentemente se le llama distribución gaussiana, en honor de Karl
Friedrich Gauss 1809, quien derivo una ecuación de un estudio de errores de
mediciones repetidas de la misma cantidad. Su gráfica recibe el nombre de
curva normal, su forma es de una campana. (ver figura No. 1)

• Se puede observar que la curva es simétrica, la mitad del área bajo la curva
está a la derecha de la media y la mitad a la izquierda, lejos de la media,
hacia las colas, la altura de la curva disminuye. Esto corresponde a una
probabilidad decreciente mientras más lejos esté de la media. La
distribución normal teórica tiende al infinito en cada extremo.

PROPIEDADES DE LA DISTRIBUCIÓN NORMAL:

 Tiene forma de campana, la curva es simétrica
 Las medidas de tendencia central (media, mediana y moda) son todas
idénticas.
 La variable aleatoria asociada tiende a infinito
(-  X  + )
 El área total bajo la curva es igual a 1.
 La probabilidad de que una variable aleatoria tenga un valor entre
cualesquiera dos puntos es igual al área bajo la curva entre esos
puntos.
 Su punto más alto lo obtendrá cuando z = 0, el mismo corresponde a
la media aritmética.
  El valor de la curtosis es igual a 3.
 Depende de dos cantidades, (, ) la media y la desviación
estándar.

MODELO MATEMÁTICO:
En 1733 Abraham DeMoivre desarrolló la ecuación matemática de la curva
normal. Proporcionó una base sobre la cual se fundamenta gran parte de la
teoría inductiva.

f(x) = 1 e–(1/2)(x - )/  2

-∞ < X < ∞
√2π
x

donde:

e = constante matemática aproximada por 2.71828

‫ = ח‬constante matemática 3.14159
 = media de la población
 = desviación estándar de la población
x = cualquier valor de la variable aleatoria continua

CARACTERÍSTICAS:
1. La función f(x) describe una forma conocida como campana de
Gauss, concentrando el área alrededor de la media .
2. Es simétrica en torno a la media , debido a ello el 50% del área está
a la derecha de una perpendicular trazada en la media y el 50%
restante hacia la izquierda. P( x< ) = 0.50 y P( x> ) = 0.50
3. Si se trazan perpendiculares a una distancia de 1 desviación
estándar (1 ), a partir de la media en ambas direcciones el área que
encierra es aproximadamente del 68%. Si la distancia es de 2
desviaciones estándar (2), el área que encierra es
aproximadamente 95%. Si la distancia es de 3 desviaciones
estándar se logrará encerrar aproximadamente el 99.73% del área.

DISTRIBUCIÓN NORMAL ESTANDAR

Una distribución normal estándar es una distribución cuya variable aleatoria Z

siempre tiene una  = 0 y una desviación estándar  = 1, para lo cual se
utiliza la siguiente formula de transformación:

Z = X - x
x
APROXIMACIÓN NORMAL A LA BINOMIAL
Relación entre la función binomial y normal

Si n es grande y si ni p ni q son muy próximos a cero, la distribución binomial

puede aproximarse estrechamente por una distribución normal, Si X es una
variable aleatoria binomial con media x = np y varianza = npq, entoncen las
forma limitante de la distribución de

Zc = X - np
√npq

La aproximación mejora al crecer n, y en el límite es exacta, donde es claro que

al crecer n, el sesgo y la curtosis de la distribución binomial se aproximan a los
de la distribución normal. En la práctica la aproximación es muy buena si tanto
np como nq son mayores que 5.

TEOREMA DEL LIMITE CENTRAL

Sean X1, X2, .... variables aleatorias independientes que están distribuidas
idénticamente (es decir todas tienen la misma función de probabilidad en el
caso discreto o función de densidad en el caso continuo) y tienen media  y
varianza 2 finitas. Entonces si Sn = x1 + x2 +...xn (n= 1,2....)

S = Σxi con  = Σi , 2 = Σ2i

Lim [(Z = (S – n i)/ i √n] = Lim [(Z = (S – )/ √2i ]

n→∞

Tiene una distribución aproximadamente Normal Estándar, cuando n→∞

Radica la importancia de este teorema en la tendencia a la Distribución Normal

Estándar de Zn cuando n crece, independiente de la distribución original de X,
y es fundamental en las aplicaciones de inferencia estadística, ya que muchos
estimadores están representados por sumas de observaciones muestrales.

3. DISTRIBUCION EXPONENCIAL
La variable aleatoria continua X tiene una distribución exponencial, con
parámetro β, si su función de densidad está dada por

, f(x) = (1/ β ) e-x / β , x>0

0 en cualquier otro caso
donde β > 0. λ = 1/ β

β = tiempo medio entre eventos, tiempo medio entre fallas

Con media  = β Y varianza 2 = β2
Con función acumulada : F(X) = 1 - e- λ X P(0  X  x )
Relación con la Poisson
Poisson se utiliza para calcular la probabilidad de números específicos de eventos
durante un período o espacio particular. Una llegada representa el evento de poisson. La
relación entre la distribución exponencial y la poisson es bastante simple
, λ = # eventos/ unidades de tiempo λ = 1/ β

, f(x) = λ e- λ X X≥0
0 X< 0

Las aplicaciones más importantes de la distribución exponencial son

situaciones donde se aplica el proceso de Poisson . (la poisson permite calcular
la probabilidad de números específicos de eventos durante un periodo o
espacio particular)

El parámetro β importante es el tiempo medio entre eventos. En teoría de

confiabilidad donde la falla de equipo a menudo se ajusta a este proceso de
Poisson , β se llama tiempo medio entre fallas. Muchas descomposturas de
equipo siguen el proceso de Poisson, y por ello se aplica la distribución
exponencial. Otras aplicaciones incluyen tiempos de sobrevivencia en
experimentos biomédicos y tiempo de respuestas de computadoras,

4. DISTRIBUCION GAMMA
La distribución gamma es el equivalente continuo de la binomial negativa.
Una variable aleatoria X tiene la distribución gamma si la función de densidad
es:

,f(x) = X (α-1) e –x/β

0  X < 00
β α
┍(α)
0 en cualquier otro punto

Para x> 0, α > 0, β > 0 Donde α, β se conocen como parámetros de la

distribución y ┍(α) es la función gamma definida como:

┍(α) = 0ʃ00 X (α-1) e –x

dx

La integración directa permite verificar que

┍(1) = 1

y que cuando n es un entero entonces ┍(n) = (n-1)!,

α recibe el nombre de parámetro de forma relacionado con la
distribución gamma
β recibe el nombre de parámetro de escala.
E(x) = α * β ; V(X) = α * β2

La distribución gamma frecuentemente se utiliza para modelar variables

aleatorias que por varias razones tienen distribuciones asimétricas, sesgadas a
la derecha. Seleccionando adecuadamente los parámetros α y β.

5. DISTRIBUCIÓN BETA

Esta distribución tiene aplicaciones en ingeniería y en otros campos de la

ciencia.

Cuando una variable aleatoria toma valores entre 0 y 1 es utilizada la función

densidad de probabilidad Beta, por lo que el modelo se utiliza frecuentemente
para las variables aleatorias que representan proporciones, como el porcentaje
de impurezas presentes en un producto químico o la cantidad de tiempo que
una máquina está en reparación.

,f(x)= ┍(α+ β) * x α-1

(1-x) β-1 para 0<x<1 , α > 0, β > 0

┍(α) * ┍(β)
0 en cualquier otro caso

La media y la varianza de esta distribución están dadas por:

 = α/ (α+ β) y varianza 2 = α β / (α+ β) 2 (α+ β + 1)

6. DISTRIBUCIÓN DE WEIBULL

Es una generalización de la exponencial. Tiene importantes aplicaciones en la

teoria de confiabilidad, durabilidad y control de calidad. La variable aleatoria X
tiene distribución de Weibull, si su función de densidad de probabilidad está
dada por:

,f(x) = r λr Xr-1 e-(λx)r x>0

0 en otra parte

si r = 1 la distribución de weibull se reduce a la distribución exponencial con

escala λ

 = 1/ λ ┍ (1+ 1/r) y varianza 2 = 1/ λ2 [ ┍ (1+ 2/r) - ┍2 (1+

1/r) ]
f(x) = α β X β-1 e-(αX β)
α > 0, β > 0

F(x) = 1 – e-(αX β)

E(x) = α-1/β ┍ (1+ 1/ β)

Var(x) = α-2/β [┍ (1+ 2/ β) - ┍ (1+ 1/ β) 2 ]