VARIABLES ALEATORIAS

CONTINUAS

- CURSO 2022 -
 VARIABLES ALEATORIAS (1)
DEFINICIONES
1) Si un espacio muestral contiene una cantidad finita de
posibilidades o una secuencia interminable con tantos
elementos como el total de números enteros, se llama
espacio muestral discreto y a la variable aleatoria
definida en ese espacio, se le denomina variable
aleatoria discreta

2) Si un espacio muestral contiene un cantidad infinita de

posibilidades igual al número de puntos en un segmento
de recta, se llama espacio muestral continuo y a la
variable aleatoria definida en ese espacio, se le
denomina variable aleatoria continua
VARIABLES ALEATORIAS (2)
 VARIABLES ALEATORIAS CONTINUAS (1)
DISTRIBUCIÓN DE PROBABILIDAD
La función f(x) es una función de densidad de probabilidad
para la variable aleatoria continua X, definida sobre el
conjunto de los números reales, si:

a) f(x) ≥ 0 ∀x ∈ ℜ
∞
b ) ∫- ∞ f(x) dx = 1

b
c) P (a < X < b) = ∫a f (x) dx
 VARIABLES ALEATORIAS CONTINUAS (2)

y
f (x)
b
P (a < X < b) = ∫a f (x) dx
x
a b
a
P (X = a) = ∫a f (x) dx = 0

P(a ≤ X ≤ b) = P(a < X ≤ b) = P(a ≤ X < b) = P(a < X < b)

 VARIABLES ALEATORIAS CONTINUAS (3)
Ejercicio 1: la variable aleatoria X tiene la siguiente función de
probabilidad:
f (x)
 x 0 ≤ x ≤1
 1
f (x) =  2 - x 1≤x≤2
 0 en otra parte

x

0 1 2
a) Comprobar si es función de densidad

∞ f (x) dx = 0 0 dx + 1 x dx + 2 (2 - x) dx + ∞ 0 dx = 1
∫− ∞ ∫− ∞ ∫0 ∫1 ∫2
 VARIABLES ALEATORIAS CONTINUAS (4)

12 12 12
x2 1
b) P (- 1 < X < 1 2 ) = ∫ f(x) dx = ∫ x dx = =
0 0 2 8
0
1 32
1 32
x2  x2  7
c) P (X ≤ 3 2 ) = ∫ x dx + ∫ (2 - x) dx = 
+ 2x -  =
0 1 2  2  8
0  1
f (x)

d) P ( X ≥ 2.5 ) = 0 1

0 1 2
 VARIABLES ALEATORIAS CONTINUAS (5)
Definición: La distribución acumulada F(x) de una variable
aleatoria continua X con función de densidad f(x) está dada
por:
x
F (x) = P (X ≤ x) = ∫- ∞ f (t) dt

d F (x)
P (a < X < b) = F (b) - F (a) y f (x) = si existe la derivada
dx
Propiedades:
1. F (– ∞) = 0
2. F (∞) = 1
3. ∀a ≤ b : F (a) ≤ F (b) es una función creciente
 VARIABLES ALEATORIAS CONTINUAS (6)
Ejemplo 1: Encontrar F(x) y P(0 < X < 1) para la siguiente
función de densidad

 x2
 - 1< x < 2
3
f (x) = 

 0 en otro lugar

x x x
t2 t3 x3 + 1
F (x) = ∫- ∞ f (t) dt = ∫ dt = =
-1 3 9 9
-1
2 1 1
P (0 < X ≤ 1) = F (1) - F (0) = - =
9 9 9
 VARIABLES ALEATORIAS CONTINUAS (7)
MEDIA O VALOR ESPERADO
Definición: Sea X una variable aleatoria con distribución de
probabilidad f(x). La media poblacional, o el valor esperado,
o la esperanza matemática de X es:
∞
µ x = E [X ] = ∫ x . f(x) dx
-∞

VARIANZA
Definición: Sea X una variable aleatoria continua con
distribución de probabilidad f(x). La varianza esta dada por:
∞
Var [ x ] = V ( x ) = ∫ (x - E[X])2 f(x) dx = E[X2 ] - (E[X])2
-∞
 VARIABLES ALEATORIAS CONTINUAS (8)
Ejercicio 2: se perfora un orificio en un componente de una hoja de
metal y después se inserta un eje a través del orificio. La holgura del eje
es igual a la diferencia entre el radio del orificio y el radio del eje. Sea X
la variable aleatoria que denota a la holgura, en milímetros. La función
de densidad de probabilidad de X es:
1,25 (1 - x 4 ) 0 < x <1
f (x) = 
0 en otro lugar
a) Determinar la media y la varianza de la holgura.
1
1
x x  2 6
[ ]
µ x = E(X) = ∫ x 1,25 (1 - x ) dx = 1,25  − 
4
= 0,416
0  2 6 0
1
[ ]
σ 2x = V(X) = ∫ x 2 1,25 (1 - x 4 ) dx - (0,416 )
2

0
1
x x 3 7
= 1,25  −  - (0,416 ) = 0,064
2

 3 7  0
 VARIABLES ALEATORIAS CONTINUAS (9)

, ,
 VARIABLES ALEATORIAS CONTINUAS (10)
Ejercicio 3: una variable aleatoria X tiene una función de densidad
de la forma:
 x2
 - 1< x < 2
f (x) =  3
0 en otro lugar


a) Hallar la mediana.
0 si x ≤ -1
 3
x + 1
F (x) =  si - 1 < x < 2
 9
1 si 2 ≤ x

3
M +1
F (Me ) = e = 0,5 ⇒ Me = 3 3,5 ≈ 1,52
9
 DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS
DISTRIBUCIÓN
UNIFORME
 DISTRIBUCIÓN UNIFORME (1)
Definición: La variable aleatoria continua X tiene una
distribución uniforme o rectangular si su función de
densidad es:
f (x)
 1
 b - a a≤x≤b 1
b-a
f(x) = 
 x
 0 en otra parte
a b

X ~  b + a (b - a )2
U 
 2

,
12




 DISTRIBUCIÓN UNIFORME (2)
Definición: la función de distribución acumulada F(x) para
una distribución uniforme es:

 0 x<a
x − a

F (x) =  a≤x<b
b − a
 1 x≥b
F(x)
1

a b x
 DISTRIBUCIÓN UNIFORME (3)
b b
1 1 x2 1 b2 - a2
E [X ] =∫x dx = = =
a
b−a b-a 2 a b-a 2

=
1 (b - a ) (b + a ) b+a
=
b-a 2 2
b 3 b

E[ X 2 ] = ∫ x 2
1
dx= 1 x
=
1 b - a
=
(a + a b + b
3 3 2 2
)
a
b-a b-a 3 a b-a 3 3

V [X ] = E [X ] - [E [X ]] = a + a b + b −  b + a = (b - a )
2 2 2 2
2 2

3  2  12
 DISTRIBUCIÓN UNIFORME (4)
Ejemplo 2: La concentración de un contaminante se distribuye
uniformemente en el intervalo de 0 a 20 mg/l. Una concentración se
considera tóxica a partir de 8 mg/l. Se pide:
a) Probabilidad de que al tomar una muestra la concentración
resulte tóxica.
b) Concentración media y varianza.

a) Sea la variable aleatoria continua X = "concentración de contami-

nante", X ~ U(0, 20)
Función de densidad Función distribución acumulada
 1  0 x<0
 20 - 0 0 ≤ x ≤ 20  x −0

f(x) =  F (x) =  0 ≤ x < 20
  20 − 0
 0 en otra parte  1 x ≥ 20
 DISTRIBUCIÓN UNIFORME (5)
20
1 1 20 1 3
P(X > 8) = ∫ dx = [x] 8 = (20 − 8) = = 0,6
8
20 20 20 5
ó
8
P(X > 8) = 1 - P(X ≤ 8) = 1 - F(8) = 1 - = 0,6
20

b)

0 + 20 (20 - 0)2 100

E(X) = = 10 V(X) = = = 33,3
2 12 3
 DISTRIBUCIÓN UNIFORME (6)
Ejemplo 2:

P(X > 8) o P(X ≥ 8) P(8 ≤ X ≤ 14)

DISTRIBUCIÓN
EXPONENCIAL
 DISTRIBUCIÓN EXPONENCIAL (1)
La distribución exponencial es una distribución continua que algunas
veces se utiliza para modelar el tiempo que transcurre antes de que
ocurra un evento. A menudo, a aquél se le llama tiempo de espera. Hay
una relación cercana entre la distribución exponencial y la Poisson.

Definición: La variable aleatoria continua X tiene una distribución

exponencial, con parámetro λ, si su función de densidad está dada
por: f(x)
λ e- λx x≥0
 λ
f (x) = 
0 x<0

donde λ > 0. x
1 1  Función de distribución acumulativa:
X ~ Exp  , 2 
λ λ  F (x) = P(X ≤ x) = 1 - e - λx , x ≥ 0
 DISTRIBUCIÓN EXPONENCIAL (2)
−λ x ∞
∞ ∞ e 1
E [X] = ∫ x f(x) dx = ∫ x λ e - λ x dx = λ 2 (− λx −1) =
0 0 λ 0
λ
∞ ∞
E [X ] = ∫ x f(x) dx = ∫ x 2 λ e - λx dx
2 2

0 0
∞
2 −λ x
x e 2 ∞ −λ x 2
=λ + λ ∫ x e dx = 2
−λ 0
λ0 λ

2
V[X] = E[X ] - (E[X]) = 1 2

λ2
DISTRIBUCIÓN EXPONENCIAL (3)
Gráficas de la función de densidad de
probabilidad exponencial para varios valores de λ.
 DISTRIBUCIÓN EXPONENCIAL (4)

A y B

Ejemplo A

F (x) = P(X ≤ x) = 1 - e - λx , x ≥ 0
 DISTRIBUCIÓN EXPONENCIAL (5)
Ejemplo B
A

A
 DISTRIBUCIÓN EXPONENCIAL (6)
Ejemplo 3: El tiempo de vida de un circuito integrado particular
tiene una distribución exponencial con media de dos años.
Encuentre la probabilidad de que el circuito dure más de tres
años.

Sea X el tiempo de vida del circuito. Dado que:

F (x) = P(X ≤ x) = 1 - e - λx , x ≥ 0

X X
 DISTRIBUCIÓN EXPONENCIAL (7)
Propiedad de falta de memoria
ejercicio 3

ejercicio 3
 DISTRIBUCIÓN EXPONENCIAL (8)
Ejemplo 3:

P(X > 3) P(3 ≤ X ≤ 5)

DISTRIBUCIÓN
NORMAL
 DISTRIBUCIÓN NORMAL (1)
Definición: La función de densidad de la variable aleatoria
normal X, con media µ y varianza σ2 es:
1  x - µ2
-   - ∞≤ x ≤∞
2 1 2 σ 
f(x)=n(x,µ, σ) =N(µ, σ ) = e - ∞≤µ≤∞
2π σ
σ2 > 0
donde π = 3,14159 y e = 2,71828

X ~ n (x, µ, σ)
x
2
X ~ N(µ, σ ) µ−σ µ µ+σ
µ = Me = Mo
 DISTRIBUCIÓN NORMAL (2)

σ1 σ
2

x
µ µ
1 2
µ < µ2 σ = σ2
1 1

σ σ
1
1
σ
2
σ
2
x x
µ = µ µ µ
1 2 1 2
σ < σ2 µ < µ σ < σ
1 2
1 1 2
 DISTRIBUCIÓN NORMAL (3)
PROPIEDADES
1. El área total comprendida bajo la curva y sobre el eje
horizontal es igual a 1.

∞
f(x) ≥ 0 ∫-∞ f(x) dx = 1 ∀x ∈ ℜ

1  t - µ 2
x 1 - 
2  σ 
2. F(x) = ∫ e dt
-∞ σ 2 π

3. lím F(x) = 1 y lím F(x) = 0

x→∞ x → -∞
 DISTRIBUCIÓN NORMAL (4)
4. La curva es simétrica respecto a un eje vertical que
pasa por la media
f (x + µ) = f (x - µ) f (x + µ) = f [- (- x + µ)]
5. El modo, que es el punto sobre el eje horizontal
donde la curva es un máximo, ocurre en x = µ = Me.
6. La curva tiene sus puntos de inflexión en, x = µ ± σ es
cóncava hacia abajo si µ - σ < X < µ + σ, y cóncava
hacia arriba, mas allá de dichos valores hacia cada
extremo.
7. La curva normal se aproxima asintóticamente al eje
horizontal a medida que nos alejamos de la media en
cualquier dirección.
 DISTRIBUCIÓN NORMAL (5)
Una gráfica de la función de densidad de probabilidad normal con media µ y
desviación estándar σ, es simétrica alrededor de µ. De tal forma que µ es
coincidente con la mediana, y toda población normal se caracteriza por:

Aproximadamente 68% de la población se encuentra en el intervalo µ ± σ.

Aproximadamente 95% de la población se encuentra en el intervalo µ ± 2σ.

Aproximadamente 99.7% de la población se encuentra en el intervalo µ ± 3σ.

(Me)
 DISTRIBUCIÓN NORMAL (6)
La proporción de una
población normal que se
encuentra a cierto número de
desviaciones estándar de la
media, es la misma en
cualquier población con
distribución normal.
 DISTRIBUCIÓN NORMAL (7)
Distribución normal estándar - Puntuación z (1)
Una distribución normal está estandarizada al expresar su valor como el
número de desviaciones estándar (σ) que se encuentran a la izquierda o
derecha de su media µ.
La variable aleatoria normal estándar, z, se define como:
x -µ
z=
σ
El área bajo la curva normal
estándar a la izquierda de un
valor especificado de z, por La distribución normal estándar tiene su media
ejemplo z0 , es la probabilidad igual a 0 y su desviación estándar igual a 1.
P(z ≤ z0 ). Las áreas debajo de
una curva normal con
diferentes media y varianza, se
convierten a unidades
estándar y se utiliza la tabla z.

La tabla z, disponible en nuestro

curso, proporciona las áreas en la cola
izquierda de la curva para valores de z.
 DISTRIBUCIÓN NORMAL (8)
Distribución normal estándar - Puntuación z (2)
De la fórmula para z, podemos sacar estas
conclusiones:

Cuando x es menor que la media µ, el
valor de z es negativo.

Cuando x es mayor que la media µ, el
valor de z es positivo.

Cuando x = µ , el valor de z = 0.

x1 − µ 5 −5
z1 = = =0
σ 3 x2 − µ 8 −5
z2 = = =1
σ 3

Se convierten aquellas unidades en las

que se midió originalmente la población,
en unidades estándar.
 DISTRIBUCIÓN NORMAL (9)
x2
1 - (1/2) [(x - µ ) / σ)]
2
P ( x1 < X < x 2 ) = ∫e dx
σ 2 π x1 dx
dz =
z2
σ
z2
1 2
- z /2 dz = n (x; 0, 1) dz
= ∫ e ∫
2 π z1 z 1

= P(z1 < Z < z 2 )

X ~ N ( µ ,σ 2 ) Z ~ N (0,1)

σ σ=1

z
x
x x µ z1z2 0
1 2
 DISTRIBUCIÓN NORMAL (10)
Ejemplo 4: Las láminas de aluminio utilizadas para fabricar latas de
bebida tienen un espesor (en milésimas de pulgada) que se
distribuye normalmente con una media de 10 y desviación estándar
de 1,3. Una lámina particular tiene un espesor de 10,8 milésimas de
pulgadas.
a) Determine el puntaje z
b) Si el espesor de cierta lámina tiene un puntaje z de -1,7;
determinar el espesor de la lámina en las unidades originales en
milésimas de pulgada.

a)
10,8 - 10
z= = 0,62
1,3
x - 10
b) − 1,7 = => x = 7,8 milésimas de pulgada
1,3
 DISTRIBUCIÓN NORMAL (11)
EJEMPLO 5:

1. X ~ N (800, 144). Encontrar P (X < 772).

Áreas iguales
bajo cada curva

σ = 12 σ=1

x z

772 µ = 800 -2.33 µ=0

X ~ N ( 800 , 144 ) Z ~ N (0,1)

P ( X <772) = P  = P(z < - 2,33) = 0,0099

X - 800 772 - 800
< 
 12 12 
 DISTRIBUCIÓN NORMAL (12)
Tabla: Distribución Normal Acumulada
 DISTRIBUCIÓN NORMAL (13)

P(z < - 2,33) =P(z> 2,33) =1 - P(z < 2,33) =1 - 0,9901= 0,0099
σ=1

- 2.33 0 2.33
z
Z ~ N (0,1)

2. X ∼ N (14, 4). Hallar:

a) P(8 < X < 12) = P

8 - 14 12 - 14 
<Z <  = P(-3 < Z < - 1)
 2 2 
= F (-1 ) - F (-3 ) =
DISTRIBUCIÓN NORMAL (14)
 DISTRIBUCIÓN NORMAL (15)

σ=2
σ=1

x z

8 12 14 -3 -1 0
X ~ N ( 14 , 4 ) Z ~ N(0,1)

P(z < - 1)−P(z < - 3) = 0,1587− 0,0013 = 0,1574

ó
P(z > 1)−P(z > 3) = 1 − P(z <1) −[1 − P(z < 3)] = P(z < 3) −P(z <1)

= 0,9987−0,8413 = 0,1574
DISTRIBUCIÓN NORMAL (16)
 DISTRIBUCIÓN NORMAL (17)


b) P(X < 20)= P Z <
20 - 14  = F(3) = 0.9987

 2 
σ=1
σ=2

14
0 3
x Z ~ N(0,1)
X ~ N ( 14, 4 )


c) P(X > 5) = P Z >
5 - 14  = P(Z > - 4,5) = P(Z < 4,5) ≈ 1

 2 

x x x
5 14 - 4.5 0 0 4.5
 DISTRIBUCIÓN NORMAL (18)
3. X ~ N (0, 1). Hallar: P (- 1,65 < X < 0,85)

P(-1,65 < X < 0,85) = F(0,85) - [F (-1,65)]

= 0,8023 − 0,0495 = 0,7528

x
- 1.65 0 0.85
 DISTRIBUCIÓN NORMAL (19)
PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN
NORMAL
Sean dos distribuciones normales X ~ N ( µ x , σ2x ) e Y ~ N ( µ y , σ2y )
donde X e Y son variables aleatorias independientes.
Si M = X + Y entonces

(
M ~ N µ x + µ y , σ2x + σ2y )

x + y
= m

µx µy µm= µx+ µy
APROXIMACIÓN ENTRE
DISTRIBUCIONES
 APROXIMACIONES MEDIANTE LA NORMAL (1)
Aproximación NORMAL a la BINOMIAL (1)
X ~ b (x, n, p)

n=8 p = 0.5 n=8 n = 25 p = 0.2

p = 0.2

aa b c

n es grande p = 0.5
⇒ b → N ⇒ b → N
0.1 ≤ p ≤ 0.9 n cualquiera
 APROXIMACIONES MEDIANTE LA NORMAL (2)
Aproximación NORMAL a la BINOMIAL (2)
Teorema: Si X es una variable aleatoria binomial, con media
E[X] = np y varianza V[X] = npq, la forma límite de la
distribución de:
X - np
Z=
np q
cuando n → ∞, es la distribución normal estándar n(z, 0, 1).

EJEMPLO: siendo X ∼ N (n p, n p q)

 X-np 5 - n p + 0,5  x
P ( X ≤ 5 )=P  ≤ 
 npq npq  0,5
  5
 APROXIMACIONES MEDIANTE LA NORMAL (3)
Aproximación NORMAL a la BINOMIAL (3)
Corrección por continuidad
La distribución binomial es discreta, mientras que la distribución normal
es continua. La corrección por continuidad es un ajuste, hecho
cuando se aproxima una distribución discreta con una continua, que
puede mejorar la exactitud de la aproximación. Para ver cómo funciona,
imagine que se lanza al aire una moneda 100 veces. Sea X el número
de caras. Entonces X ~ B(100; 0,5). Imagine que se desea calcular la
probabilidad de que X esté entre 45 y 55. Esta probabilidad diferirá
dependiendo si se incluye o excluye los puntos finales, 45 y 55. La
FIGURA 1 ilustra el caso en el que se incluye los puntos finales; es
decir, en el que se quiere estimar P(45 ≤ X ≤ 55).
La probabilidad exacta está dada por el área total de los rectángulos del
histograma de probabilidad binomial correspondientes, incluyendo a los
enteros 45 y 55. Se sobrepone la curva normal aproximada.
APROXIMACIONES MEDIANTE LA NORMAL (4)
Aproximación NORMAL a la BINOMIAL (4)

1:

, , Fuente: Navidi (2006)

 APROXIMACIONES MEDIANTE LA NORMAL (5)
Aproximación NORMAL a la BINOMIAL (5)
Ejemplo 6: Hallar P(X < 5) y P(X > 5)

P(X < 5) = P(X ≤ 4)

 X - n p 4 - n p + 0,5 
= P ≤ 
x  np q np q 
4 5 4,5

P(X > 5) = P(X ≥ 6)

 X - n p 6 - n p - 0,5 
= P ≥ 
x  np q np q 
5 6
5,5
 APROXIMACIONES MEDIANTE LA NORMAL (6)
Aproximación NORMAL a la BINOMIAL (6)

Ejemplo 6: con p = 0,5 y n = 10, encontrar: P(X ≤ 5)

 APROXIMACIONES MEDIANTE LA NORMAL (7)
Aproximación NORMAL a la BINOMIAL (7)
Exactitud de la corrección por continuidad
La corrección por continuidad mejora, en la mayoría de los casos, la
exactitud de la aproximación normal a la distribución binomial. Sin
embargo, para distribuciones binomiales con n grande y p pequeña,
cuando se calcula una probabilidad que corresponda a un área en la
cola de la distribución, la corrección por continuidad puede, en
algunos casos, reducir en algo la exactitud de la aproximación normal.
Esto resulta del hecho de que la aproximación normal no es perfecta;
no puede explicar un pequeño grado de asimetría en estas
distribuciones.
En suma, el uso de la corrección por continuidad hace que la
aproximación normal a la distribución binomial sea mejor en la
mayoría de los casos, pero no en todos.
 APROXIMACIONES MEDIANTE LA NORMAL (8)
Aproximación NORMAL a la POISSON (1)
Si X se distribuye binomial B(n,p), de modo que B(n,p) ≌ Po (λ)
→ con λ= np ≌ constante, entonces puede aproximarse a una
distribución normal estándar N( 0, 1): X -λ
Z=
λ
Si λ es suficientemente grande, es decir, λ > 10, entonces X es
aproximadamente binomial, con np > 10.
 APROXIMACIONES MEDIANTE LA NORMAL (9)
Aproximación NORMAL a la POISSON (2)

Corrección por continuidad para la distribución de Poisson

Dado que una distribución de Poisson es discreta, la corrección
por continuidad puede, en principio, aplicarse cuando se utiliza
la aproximación normal.
Para las áreas que incluyen la parte central de la curva, la
corrección por continuidad generalmente mejora la aproximación
normal, pero para las áreas de las colas la corrección por
continuidad algunas veces empeora la aproximación.
En nuestro curso NO se utilizará la corrección por continuidad
para la distribución de Poisson.
 APROXIMACIONES MEDIANTE LA NORMAL (10)
Aproximación NORMAL a la POISSON (3)
Ejemplo 7: El número de visitas a un sitio web sigue una distribución
de Poisson, con una media de 27 visitas por hora.
a) Encuentre la probabilidad de que haya 90 o más visitas durante tres
horas.
Solución:
Sea X el número de visitas a un sitio web en tres horas. La media del
número de visitas en tres horas es 81, por lo que X ~ Poisson (81).
Utilizando la aproximación normal X ~ N (81,81).
Se desea encontrar P(X ≥ 90). Se calcula el puntaje z de 90, que es
90 − 81
z= =1
81
De acuerdo a la tabla z se
determina que P(X ≥ 90) = 0,1587
 APROXIMACIONES MEDIANTE LA NORMAL (11)
Aproximación NORMAL a la POISSON (4)
Ejemplo 7: