1

Abribución

No Comercial

Sin Obra derivada

2
Contenido
Introducción................................................................................................................................................................................4
Variables Aleatorias Continuas.....................................................................................................................................6
PDF y CDF de una Variable Aleatoria Continua................................................................................................7
Distribuciones Continuas de Probabilidad...........................................................................................................8

3
Introducción
Hasta este momento hemos estudiado variables aleatorias discretas. Estas tienen ciertas
características:
• Es factible contar los resultados posibles.
• Cada uno de los resultados tenía una probabilidad, usualmente diferente de 0.
• Es común que el número de estos resultados sea finito.

Ejemplo de Variable Aleatoria Discreta:

En el lanzamiento de dos dados. Considere la variable aleatoria:

X:E → R
(m,n) → X(m,n) = m+n

la suma de los resultados de las caras del dado.

¿Cuál es la cardinalidad de𝐸 E ?

36
¿Qué valores puede tomar X ?
2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12

1. Es factible contar los resultados posibles.

2. Cada uno de los resultados tenía una probabilidad, usualmente diferente de 0.
3. Es común, que el número de estos resultados sea finito.

4
Ilustración: Refinamiento de una partición

20 clases

100 clases

1,000 clases

5
Variables Aleatorias Continuas

A diferencia de las discretas, en las variables aleatorias continuas, los resultados posibles
no se obtienen contando, sino ¡midiendo!

De esta forma, se hace posible obtener observaciones tan precisas que se pierde la
diferencia entre observaciones consecutivas.

“Están tan cerca una de la otra, que ya no es posible diferenciar entre una y otra.”

La complejidad en este tipo refinamientos radica en el instrumento de medición. ¿Cómo

hacemos para tener ese nivel de precisión?

Así como una línea es un conjunto infinito de puntos, la probabilidad de seleccionar un

punto en particular es “uno dividido infinito”; es decir, ¡cero!.

Por lo tanto, la probabilidad de que la variable aleatoria continua obtenga un valor especifico
es cero.

En lugar de esto, estudiamos la probabilidad de que la variable aleatoria obtenga un valor

dentro de un intervalo de valores.

A diferencia de las distribuciones discretas, cuyas gráficas usualmente se presentan como

diagramas de barras, las gráficas de las distribuciones continuas son líneas suavizadas.

→
Discreta Continua

6
PDF y CDF de una Variable Aleatoria Continua

Función de Distribución Acumulada para Variables Aleatorias Continuas

• CDF = Cumulative Density Function

• Al igual que en el caso discreto, la CDF se define como la probabilidad que la variable
aleatoria X tiene acumulada hasta un valor particular, x.

Definición: CDF para una Variable Aleatoria Continua

Sea X una variable aleatoria. La Función de Distribución Acumulada de X, que se denota por
F, está dada por

Propiedades de la Función de Distribución Acumulada

Teorema. Si F es una función de distribución acumulada para la variable aleatoria continua

X, entonces:

7
Función de Densidad de Probabilidad para Variables Aleatorias Continuas

Definición. Sea la función de distribución acumulada para una variable aleatoria X, entonces
la función f = F’ dada por:

Siempre que la derivada exista, es llamada la Función Densidad de Probabilidad (PDF) de

la variable aleatoria X.

Se sigue de la definición de variable aleatoria continua y de función de densidad de

probabilidad, que:

Distribuciones Continuas de Probabilidad

Estudiaremos las siguientes distribuciones continuas de probabilidad:

• Distribución Uniforme
• Distribución Normal
• Distribución Exponencial

Para cada una de estas, presentaremos su PDF, valor esperado, varianza y un ejemplo
práctico.

8
Distribución de Probabilidad Uniforme

Definición. Una variable aleatoria continua X se dice que tiene una función de distribución
de probabilidad uniforme si la función de densidad de X está dada por:

Los valores θ1 y θθ2 son los parámetros de la distribución.

Función de Distribución Acumulada.

Una variable aleatoria continua X se dice que tiene una Función de Distribución de
Acumulada uniforme si está dada por:

La representación gráfica de la función de densidad de una variable con distribución

uniforme es la siguiente:

Media y Varianza de una Distribución de Probabilidad Uniforme:

Teorema 14.1. Sea X una variable aleatoria continua con distribución de probabilidad
uniforme con parámetros θ1 y θθ2. La media 𝜇 y varianza 𝜎^2 están dadas por:

9
Ejemplo:
El tiempo de un viaje de ida y vuelta de los camiones que transportan concreto hacia una
obra de construcción en una carretera, está distribuido uniformemente en un intervalo de
50 a 70 minutos.

¿Cuál es la probabilidad de que la duración del viaje sea mayor a 65 minutos, si se sabe que
la duración del viaje es mayor a 55 minutos?

Solución:

Entonces:

Distribución de Probabilidad Normal

Definición. Una variable aleatoria continua 𝑋 se dice que tiene una función de distribución
de probabilidad normal si la función de densidad de X está dada por:

Los valores 𝜇 y \ 𝜎 son los parámetros de la distribución.

La representación gráfica de la función de densidad de una variable aleatoria con distribu-
ción normal es la siguiente:

10
La notación para denotar una distribución normal es X~N(μ, σ²).
Otros nombres para la distribución normal son:
• Curva típica
• Curva Gaussiana o de Gauss
• Curva con forma de campana

Máquina de Galton

Esta máquina deja caer libremente bolas las cuales pasan

por barras colocadas de forma tal que una vez la bola golpea
una barra puede caer a la derecha o izquierda con misma
probabilidad.

La acumulación de las bolas en el fondo de la máquina tiene una

distribución con forma de campana. Es utilizada para demostrar
el teorema del límite central.

Media y Varianza de una Distribución de Probabilidad Normal:

Teorema. Sea X una variable aleatoria continua con distribución de probabilidad normal con
parámetros μ y σ². La media μ y varianza σ² están dadas por:

11
Calculando Probabilidades:

Utilizando las definiciones de probabilidad para variables aleatorias continuas, la proba-

bilidad que una variable aleatoria con distribución normal tome un valor entre a y b está
dada por:

Sin embargo, computar el valor exacto de esta integral es un trabajo complejo.

¿Cómo calculamos probabilidades?

Distribución de Probabilidad Normal Estándar

Definición. Sea Z una variable aleatoria continua, se dice que es una variable aleatoria
normal estándar si sigue una distribución normal con media μ=0 y varianza σ²=1, es
decir, Z~N(0,1).

Teorema. Sea X~N(μ,σ²); sea variable aleatoria Z definida como Z=(X-μ)/σ, entonces Z es
una variable aleatoria con distribución normal estándar.

Para el cálculo de probabilidades utilizamos una tabla que corresponde a una distribución
normal estándar y la transformación.

X=μ+Zσ

0 2

12
En Excel…

Podemos usar las funciones:

1. NORM.DIST(x,mean,standard_dev,cumulative)
Cumulative Required. A logical value that determines the form of the function. If
cumulative is TRUE, NORM.DIST returns the cumulative distribution function; if
FALSE, it returns the probability mass function.

2. NORM.S.DIST(z,cumulative)
Cumulative Required. Cumulative is a logical value that determines the form of the
function. If cumulative is TRUE, NORMS.DIST returns the cumulative distribution
function; if FALSE, it returns the probability mass function.

3. NORM.INV(probability,mean,standard_dev)

4. NORM.S.INV(probability)

13
Ejemplo:

Ciertos estudios muestran que el rendimiento de la gasolina para autos compactos vendidos
en USA es de 49.10 Km./gal y una desviación estándar de 7.245 Km./gal. Si un fabricante
desea diseñar un carro compacto más económico que el 95% de los vehículos compactos
vendidos en USA, ¿Cuál debe ser el rendimiento mínimo del nuevo vehículo?

Solución:

Sea X la variable aleatoria normalmente distribuida con media

Y desviación estándar

Es decir,

Normalmente distribuida, con media 49.1 y varianza 7.2452; buscamos X0 tal que
(el 95% de los otros rendimientos deben estar por debajo de X0

Localización de x0 tal que

Como primer paso localicemos que corresponde a X0

14
Puesto que el área a la derecha de Z0 será el valor en la tabla que corresponde a 0.05
(nótese que el área entre 0 y Z0 es 0.45, este valor resulta ser z0=1.645 (ver tabla).

Entonces,

Por lo tanto, el nuevo vehículo compacto que debe desarrollarse deberá tener un rendimiento
de 61.2 Km/gal para ser mejor que el 95% de los compactos que se venden actualmente
en USA.

Distribución de Probabilidad Exponencial

Definición:
Se dice que una variable aleatoria Y tiene una distribución exponencial con
parámetro > 0 si y sólo si la función de densidad de Y es

en cualquier otro punto.

Notar que la definición puede variar.

15
Valor Esperado y Varianza
Si X es una variable aleatoria exponencial con parámetro 𝜆, entonces

Memoryless Property

Ejemplo:
Suponga que la cantidad de tiempo que uno gasta en un banco es exponencial distribuida
con la media de 10 minutos, λ=1/10.

• ¿Cuál es la probabilidad que el cliente pase más de 15 minutos en el banco?

• ¿Cuál es la probabilidad que el cliente pase ms de 15 minutos dado que ya lleva

10 minutos en el banco?

Obtenido de: http://sites.stat.psu.edu/~jiali/course/stat416/notes/chap5.pdf

Solución:

PDF:
Definición. Una variable aleatoria continua X se dice que tiene una función de distribución
de probabilidad exponencial si la función de densidad de X está dada por:

Donde λ el parámetro. A veces conocido como “parámetro de ritmo”.

16
CDF:
Sea X es una variable aleatoria distribuida exponencialmente. Entonces, la probabilidad de
que X tome valores menores que x está dada por:

F(X ) es la Función de Distribución Acumulada

17
Ejemplo:
Una tienda virtual recibe en promedio una orden cada 20 minutos. Las llegadas de estas
órdenes siguen una distribución de probabilidad exponencial. Encuentre la probabilidad
de que la siguiente orden llegue en menos de 5 minutos, en más de 40 minutos, o entre 5
y 40 minutos.

Inspirado en un problema encontrado en “Estadística Aplicada a los Negocio y la

Economía de Lind et al, McGraw Hill 2012.

Solución:
Como las ordenes llegan en promedio cada 20 minutos, λ=1/20.

• Encuentre la probabilidad de que la siguiente orden llegue en menos de 5 minutos.

• Más de 40 minutos.

18
 • Entre 5 y 40 minutos

19
Referencias:
• Libro “Estadistica Aplicada a los Negocio y la Economía de Lind et al, McGraw Hill 2012.
• http://sites.stat.psu.edu/~jiali/course/stat416/notes/chap5.pdf

20
Descargo de responsabilidad

21