Instituto Superior del Profesorado “Dr. Joaquín V.

González”
Profesorado de Matemática
Probabilidades y Estadística 3”A” y 3”B” (2020)
Profesora: Christiane Ponteville

VARIABLES ALEATORIAS CONTINUAS

PROBABILIDADES Y ESTADÍSTICA. UNIDAD 4

Apuntes de clase: Queda totalmente prohibida la copia, reproducción, adaptación, modificación y distribución de este material con fin diferente de aquel para el cual fue elaborado.
 VARIABLE ALEATORIA UNIFORME

Diremos que X es una variable aleatoria uniforme en 𝑎; 𝑏 con 𝑎 < 𝑏 o que X se distribuye uniformemente
en 𝑎; 𝑏 si su función de densidad de probabilidad es:

1
𝑓𝑋 𝑥 = ቐ 𝑠𝑖 𝑥 ∈ 𝑎; 𝑏
𝑏−𝑎
0 𝑒𝑛 𝑒𝑙 𝑟𝑒𝑠𝑡𝑜

Se lee: la variable X tiene

𝑋~𝑈 𝑎; 𝑏 distribución uniforme de
parámetros a y b con a< b
 VARIABLE ALEATORIA UNIFORME

𝑓𝑋 es una función de densidad:

• 𝑓𝑋 𝑥 ≥ 0 para todo 𝑥 ∈ ℝ
+∞
• ‫׬‬−∞ 𝑓𝑋 𝑥 𝑑𝑥 = 1

Demostración en archivo adjunto

𝑎+𝑏
𝐸 𝑋 = demostración en archivo adjunto
2

𝑏−𝑎 2 Es importante observar que la

𝑉𝑎𝑟 𝑋 = demostración en archivo adjunto varianza depende exclusivamente
12
de la longitud del intervalo
 VARIABLE ALEATORIA UNIFORME

Función de distribución
0 𝑠𝑖 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 𝑥 = ൞ 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 𝑠𝑖 𝑥>𝑏

Verificar utilizando la
definición de función de
distribución
 VARIABLE ALEATORIA UNIFORME

Función de densidad Función de distribución

1
𝑏−𝑎 1

0
a b
 VARIABLE ALEATORIA UNIFORME

Podemos hacer una analogía a los resultados igualmente probables en el caso discreto con el caso continuo en
el siguiente sentido:
Para cualquier subintervalo 𝑐; 𝑑 de 𝑎; 𝑏 ( o sea: 𝑎 ≤ 𝑐 < 𝑑 ≤ 𝑏) su probabilidad depende de la longitud y
no de su ubicación en el intervalo 𝑎; 𝑏 pues:
𝑑
1 𝑑−𝑐
𝑃 𝑐≤𝑋≤𝑑 =න 𝑑𝑥 =
𝑐 𝑏 − 𝑎 𝑏−𝑎
Dos intervalos de la misma longitud tendrán igual probabilidad.
Podemos así definir la elección al azar de un valor x en un intervalo 𝒂; 𝒃 a través de la distribución
uniforme en dicho intervalo
 VARIABLE ALEATORIA UNIFORME

Ejemplo
El espesor del borde de un componente de cierta nave se encuentra distribuido de manera uniforme entre
0,95 y 1,05 milímetros.
a) Calcular la proporción de bordes cuyo espesor es mayor que 1,02 milímetros.
b) ¿Qué valor de espesor es superado por el 90% de los casos?

Definimos : X = espesor (mm) del borde de un componente

𝑋~𝑈 0,95; 1,05
 VARIABLE ALEATORIA UNIFORME

Ejemplo
a) Calcular la proporción de bordes cuyo espesor es mayor que 1,02 milímetros:
1,05
1 1,05 − 1,02
𝑃 𝑋 > 1,02 = න 𝑑𝑥 = = 0,3
1,02 1,05 − 0,95 1,05 − 0,95
b) ¿Qué valor de espesor es superado por el 90% de los casos?
Queremos hallar el valor e que cumpla que 𝑃 𝑋 > 𝑒 = 0,9, o sea, 𝑃 𝑋 < 𝑒 = 0,1
𝑒−0,95
𝑃 𝑋 < 𝑒 = 𝐹𝑋 𝑒 = = 0,1 De aquí: e = 0,96
1,05−0,95
 VARIABLE ALEATORIA EXPONENCIAL

Diremos que X es una variable aleatoria exponencial con parámetro 𝛽 > 0 si su función de densidad de
probabilidad está definida por:
𝑥
−
𝑒 𝛽
𝑓𝑋 𝑥 = ൞ 𝑠𝑖 𝑥 ≥ 0
𝛽
0 𝑠𝑖 𝑥 < 0
Se lee: la variable X tiene
𝑋~ℰ 𝛽 distribución exponencial con
parámetro 𝛽
 VARIABLE ALEATORIA EXPONENCIAL

𝑓𝑋 es una función de densidad:

• 𝑓𝑋 𝑥 ≥ 0 para todo 𝑥 ∈ ℝ
+∞
• ‫׬‬−∞ 𝑓𝑋 𝑥 𝑑𝑥 = 1

Demostración en archivo adjunto

𝐸 𝑋 =β demostración en archivo adjunto
𝑉𝑎𝑟 𝑋 = 𝛽2 demostración en archivo adjunto
Observación: esta variable se utiliza en modelos de fatiga de materiales (confiabilidad) ; por ejemplo, en duración de
componentes electrónicos.
 VARIABLE ALEATORIA EXPONENCIAL

Función de distribución
0 𝑠𝑖 𝑥 <0
𝐹𝑋 𝑥 = ൝ −
𝑥
𝛽 Verificar utilizando la
1 −𝑒 𝑠𝑖 𝑥≥0 definición de función de
distribución

Nos interesa, dada la naturaleza de las situaciones en las cuales se utiliza, calcular:
𝑥 𝑥
− −
𝑃 𝑋 > 𝑥 = 1 − 𝐹𝑋 𝑥 = 1 − 1 − 𝑒 𝛽 =𝑒 𝛽 𝑠𝑖 𝑥 ≥ 0
 VARIABLE ALEATORIA EXPONENCIAL

Función de densidad Función de distribución

1
1
𝛽
 VARIABLE ALEATORIA EXPONENCIAL

Teorema (propiedad de la pérdida de la memoria)

Si s y t son dos reales positivos entonces:
𝑃 𝑋 > 𝑠 + 𝑡/𝑋 > 𝑠 = 𝑃 𝑋 > 𝑡
Demostración:
𝑠+𝑡 𝑠 𝑡
− − − 𝑡
𝑃 𝑋>𝑠+𝑡 𝑦 𝑋>𝑠 𝑃 𝑋>𝑠+𝑡 𝑒 𝛽 𝑒 𝛽 .𝑒 𝛽 −𝛽
𝑃 𝑋 > 𝑠 + 𝑡/𝑋 > 𝑠 = = = 𝑠 = 𝑠 =𝑒 =
𝑃 𝑋>𝑠 𝑃 𝑋>𝑠 − −
𝑒 𝛽 𝑒 𝛽
𝑃 𝑋>𝑡
 VARIABLE ALEATORIA EXPONENCIAL

Calculemos la probabilidad de una variable aleatoria exponencial

supere su esperanza, o sea: 37%
β
−𝛽
Como: 𝐸 𝑋 = β entonces: 𝑃 𝑋>β = 𝑒 = 𝑒 −1 ≈ 0,368
β

Aquí tenemos un ejemplo de una variable continua que la esperanza

no deja 50% y 50% del área de cada lado (esa es la definición de
mediana)
 VARIABLE ALEATORIA EXPONENCIAL

Ejemplo
El tiempo durante el cual cierta marca de baterías trabaja en forma efectiva hasta que falle se
distribuye según el modelo exponencial con un tiempo medio de fallas igual a 360 días. Hallar
la probabilidad de que una batería falle después de 400 horas.

Definimos: X= tiempo (días) que una batería funciona hasta que falla 𝑋~ℰ 360

400
−
Queremos calcular: 𝑃 𝑋 > 400 = 𝑒 360 ≈ 0,33
 VARIABLE ALEATORIA NORMAL

Diremos que X tiene una distribución normal o gaussiana con parámetros 𝜇 ∈ ℝ y 𝜎 ∈ ℝ>0 si su función de
densidad de probabilidad es la siguiente:
1 1 𝑥−𝜇 2
−2 𝜎
𝑓𝑋 𝑥 = 𝑒 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑥 ∈ ℝ
2𝜋 𝜎

𝑋~𝑁 𝜇 ; 𝜎
Se lee: la variable X tiene
distribución normal con
parámetros μ y σ
 VARIABLE ALEATORIA NORMAL

𝑓𝑋 es una función de densidad:

• 𝑓𝑋 𝑥 > 0 para todo 𝑥 ∈ ℝ
+∞
• ‫׬‬−∞ 𝑓𝑋 𝑥 𝑑𝑥 = 1

Demostración en archivo adjunto

𝐸 𝑋 =𝜇 demostración en archivo adjunto

𝑉𝑎𝑟 𝑋 = 𝜎 2 demostración en archivo adjunto
 VARIABLE ALEATORIA NORMAL

Vamos a construir la representación gráfica de la función de densidad:

1) 𝑓𝑋 es simétrica respecto de la recta 𝑥 = 𝜇 , o sea, 𝑓𝑋 𝜇 + 𝑥 = 𝑓𝑋 𝜇 − 𝑥 (𝑥 ∈ ℝ)

2) lim 𝑓𝑋 𝑥 = lim 𝑓𝑋 𝑥 = 0 , la función tiene una asíntota horizontal en y = 0

𝑥→+∞ 𝑥→−∞

3) Crecimiento de 𝑓𝑋 :
1 1 𝑥−𝜇 1 −1 𝑥−𝜇 2 𝑥−𝜇 1 𝑥−𝜇 2
−
𝑓𝑋′ 𝑥 = − 2 𝑒 2 𝜎 =− 𝑒 2 𝜎
2𝜋 𝜎 2 𝜎 𝜎 2𝜋 𝜎3
𝑓𝑋′ 𝑥 = 0 si, solo si, 𝑥=𝜇
 VARIABLE ALEATORIA NORMAL

Si 𝑥<𝜇 entonces 𝑓𝑋′ 𝑥 > 0 entonces 𝑓𝑋 crece

Si 𝑥>𝜇 entonces 𝑓𝑋′ 𝑥 < 0 entonces 𝑓𝑋 decrece
1
Entonces: 𝑓𝑋 tiene un máximo en : 𝜇; 2𝜋 𝜎

4) Concavidad de 𝑓𝑋 :
1 1 𝑥−𝜇 2 𝑥−𝜇 2
−2 𝜎
𝑓𝑋′′ 𝑥 =− 𝑒 1−
2𝜋 𝜎 3 𝜎
𝑥−𝜇 2
𝑓𝑋′′ 𝑥 =0 si, solo si, 1− =0 ⇔ 𝑥−𝜇 2 = 𝜎2 ⇔ 𝑥−𝜇 =𝜎
𝜎

⇔ 𝑥 =𝜇+𝜎 𝑜 𝑥 =𝜇−𝜎
 VARIABLE ALEATORIA NORMAL

Si 𝑥 <𝜇−𝜎 entonces 𝑓𝑋′′ 𝑥 > 0 entonces 𝑓𝑋 cóncava hacia arriba

Si μ−𝜎 <𝑥 <𝜇+𝜎 entonces 𝑓𝑋′′ 𝑥 < 0 entonces 𝑓𝑋 cóncava hacia abajo
Si 𝑥 >𝜇+𝜎 entonces 𝑓𝑋′′ 𝑥 > 0 entonces 𝑓𝑋 cóncava hacia arriba

Entonces: 𝑓𝑋 tiene dos puntos de inflexión en :

1
1 − 1
𝜇 − 𝜎; 𝑒 2 ≈ 𝜇 − 𝜎; 0,607
2𝜋 𝜎 2𝜋 𝜎

1 −
1 1
𝜇 + 𝜎; 𝑒 2 ≈ 𝜇 + 𝜎; 0,607
2𝜋 𝜎 2𝜋 𝜎
 VARIABLE ALEATORIA NORMAL

Para μ fijo:
Campana de Gauss • Si σ se achica el máximo
1/(√2𝜋 𝜎) aumenta, los puntos de
inflexión se acercan y la
campana tiene un gráfico
más en punta.
• Si σ se agranda el máximo es
menor, los puntos de
inflexión se alejan y la
campana se achata.

Para σ fijo y μ diferentes las

gráficas son equivalentes y se 𝜇−𝜎 𝜇+𝜎
desplazan a lo largo del eje x 𝜇
VARIABLE ALEATORIA NORMAL STANDARD (Z)
𝜇=0 𝜎=1
Campana de Gauss
1/√2𝜋
1 1
−2 𝑥 2
𝑓𝑍 𝑥 = 𝑒
2𝜋

−1 1
0
 VARIABLE ALEATORIA NORMAL

Teorema La transformación lineal

de una variable normal
Si 𝑋~𝑁 𝜇 ; 𝜎 , 𝑌 = 𝑎𝑋 + 𝑏 𝑐𝑜𝑛 𝑎 ≠ 0 entonces 𝑌~𝑁 𝑎𝜇 + 𝑏 ; 𝑎 𝜎
es una variable normal

Demostración:
𝑦−𝑏
𝑦−𝑏
Supongamos 𝑎 > 0 , 𝐹𝑌 𝑦 = 𝑃 𝑌 ≤ 𝑦 = 𝑃 𝑎𝑋 + 𝑏 ≤ 𝑦 = 𝑃 𝑋 ≤ = ‫׬‬−∞ 𝑓𝑋 𝑥 𝑑𝑥 =
𝑎
𝑎
2
𝑧−𝑏
𝑦−𝑏 1 𝑥−𝜇 2 1 𝑎 −𝜇
1 −2 𝜎 𝑦 1 −2 1
‫׬‬−∞
𝑎 𝑒 𝑑𝑥 = ‫׬‬−∞ 𝑒 𝜎 𝑑𝑧
2𝜋 𝜎 2𝜋 𝜎 𝑎

Cambio de variable:
𝑧 = 𝑎𝑥 + 𝑏
 VARIABLE ALEATORIA NORMAL

2
𝑧−𝑏 2
1 𝑎 −𝜇 1 𝑧− 𝑏+𝜇𝑎
𝑦 1 −2 1 𝑦 1 −2
= ‫׬‬−∞ 2𝜋 𝜎 𝑒 𝜎 𝑑𝑧 = ‫׬‬−∞ 2𝜋 𝑎 𝜎 𝑒 𝜎 𝑎 𝑑𝑧
𝑎

Como 2
𝑦 1 𝑧− 𝑏+𝜇𝑎
1 −2 𝜎 𝑎
𝐹𝑌 𝑦 = න 𝑒 𝑑𝑧
−∞ 2𝜋 𝑎 𝜎

2 Queda para ustedes

1 𝑦− 𝑏+𝜇𝑎
Aplicando el TFCD: 𝑓𝑌 𝑦 =
1
𝑒
−
2 𝜎 𝑎 demostrar el caso
2𝜋 𝑎 𝜎 en que a sea menor
Entonces: 𝑌~𝑁 𝑎𝜇 + 𝑏 ; 𝑎 𝜎 que 0
 VARIABLE ALEATORIA NORMAL

Corolario muy importante Restar la media y dividir por el desvío se

llama estandarización de la variable
𝑋−𝜇
Si 𝑋~𝑁 𝜇 ; 𝜎 , entonces Z= ~𝑁 0; 1
𝜎
Demostración:
𝑋−𝜇 1 𝜇
Si consideramos: Z= = 𝑋+ −
𝜎 𝜎 𝜎

a b
En el teorema anterior consideramos la función lineal con los coeficientes señalados:
1 𝜇
Como 𝑌~𝑁 𝑎𝜇 + 𝑏 ; 𝑎 𝜎 : 𝑎𝜇 + 𝑏 = 𝜇+ − =0
𝜎 𝜎
1
𝑎 𝜎= 𝜎=1 que era lo que queríamos demostrar.
𝜎
 VARIABLE ALEATORIA NORMAL

Vamos a utilizar este teorema muchas veces

Teorema
Si consideramos 𝑋1 ; … ; 𝑋𝑛 𝑋𝑖 ~𝑁 𝜇𝑖 ; 𝜎𝑖 independientes y La combinación
𝑋 = σ𝑛𝑖=1 𝑎𝑖 𝑋𝑖 con 𝑎𝑖 ∈ ℝ≠0 . lineal de variables
normales
independientes es
normal
Entonces: 𝑋~𝑁 𝜇 ; 𝜎 con 𝜇 = σ𝑛𝑖=1 𝑎𝑖 𝜇𝑖 , 𝜎 2 = σ𝑛𝑖=1 𝑎𝑖 𝜎𝑖 2

Observación: se demuestra utilizando la función generadora de momentos.

 VARIABLE ALEATORIA NORMAL

Si Z~𝑁 0; 1 entonces:

1) Si x < 0 entonces 𝐹𝑍 𝑥 = 1 − 𝐹𝑍 −𝑥
2) 𝑃 −𝑥 < 𝑍 < 𝑥 = 2 𝐹𝑍 𝑥 − 1
3) 𝑃 −1 < 𝑍 < 1 = 2 𝐹𝑍 1 − 1 = 0,6826
4) 𝑃 −2 < 𝑍 < 2 = 0,9544
5) 𝑃 −3 < 𝑍 < 3 = 0,9974
 VARIABLE ALEATORIA NORMAL

Lo anterior se generaliza para X~𝑁 𝜇; 𝜎 utilizando la standarización:

𝑋−𝜇 𝑎−𝜇 𝑎−𝜇 𝑎−𝜇
1) 𝐹𝑋 𝑎 = 𝑃 𝑋 ≤ 𝑎 = 𝑃 𝜎
≤
𝜎
=𝑃 𝑍≤
𝜎
= 𝐹𝑍
𝜎

2) 𝑃 𝜇 − 𝜎 < 𝑋 < 𝜇 + 𝜎 = 𝑃 −1 < 𝑍 < 1 = 0,6826

3) 𝑃 𝜇 − 2𝜎 < 𝑋 < 𝜇 + 2𝜎 = 0,9544
4) 𝑃 𝜇 − 3𝜎 < 𝑋 < 𝜇 + 3𝜎 = 0,9974
 VARIABLE ALEATORIA NORMAL

• En general:
La probabilidad de que una variable aleatoria X~𝑁 𝜇; 𝜎 tome valores dentro de k
variaciones standard del valor esperado depende solamente de k y se calcula como:

𝑋−𝜇
𝑃 𝜇 − 𝑘 𝜎 < 𝑋 < 𝜇 + 𝑘 𝜎 = 𝑃 −𝑘 < < 𝑘 = 𝑃 −𝑘 < 𝑍 < 𝑘 = 2 𝐹𝑍 𝑘 − 1
𝜎
 VARIABLE ALEATORIA NORMAL

Ejemplo
El diámetro de cierta variedad de tomates cultivados en una plantación se distribuye
normalmente con una media de 105 𝑚𝑚. Sabiendo que 0,99 es la probabilidad de que el
diámetro de un tomate sea mayor a 10 cm ; hallar el desvío standard de dicha variable.

Definimos: X = Diámetro (mm) de un tomate de la plantación .

Entonces 𝑋 ∼ 𝑁 105; 𝜎

Se sabe que 𝑃 𝑋 > 100 = 0,99, entonces:

 VARIABLE ALEATORIA NORMAL

Ejemplo

𝑋−105 100−105 −5
0,99 = 𝑃 𝑋 > 100 = 𝑃 > =𝑃 𝑍>
𝜎 𝜎 𝜎
donde 𝑍 ∼ 𝑁 0,1 ,
−5 5 5
𝑃 𝑍> = 0,99 ⇒ − = −2,326 ⇒ 𝜎 = ≃ 2,14
𝜎 𝜎 2,326