V A Continuas y Distribuciones de Probabilidades H. Alvarado y L.

Retamal

1

Unidad 4 VARIABLES ALEATORIAS CONTINUAS
Y DISTRIBUCIONES DE PROBABILIDADES


VARIABLES ALEATORIAS CONTINUAS

En esta unidad nos abocaremos al estudio de las variables aleatorias continuas y
surgirn de los problemas el anlisis de las distribuciones exponenciales, distribucin
uniforme, distribucin normal y la distribucin gamma, que define una familia de casos
particulares de distribuciones de probabilidades.
Una variable aleatoria es continua si su recorrido es un conjunto continuo de
nmeros reales (no numerable de elementos), es decir, es un intervalo de IR. Algunos
ejemplos de variables aleatorias continuas son: a) Los pesos de envo del agua mineral en
contenedores oscilaban aleatoriamente entre 10 y 25 libras, b) tiempo de atencin a un
cliente, c) Estatura de los clientes en una tienda de ropa, d) Los ingresos de los empleados
en un centro comercial, h) El tiempo transcurrido entre la llegada de cada cliente a la
biblioteca.
Intentaremos dar solucin a situaciones tales como:

Ejercicio 1. Los camiones llegan al puerto de carga a una tasa de 2 por hora. Cul es la
probabilidad de que ms de 30 minutos transcurran entre llegadas?

Ejercicio 2. En los das de verano el tiempo de retraso de un tren de enlace suburbano se
puede modelar como distribuida uniformemente entre 0 y 20 minutos.
a) Encuentre la probabilidad de que el tren llegue por lo menos con 8 minutos de retraso.
b) Encuentre la desviacin estndar del tiempo de retraso del tren.

Ejercicio 3. Un sistema lo componen 80 componentes cada una de las cuales tiene una
confiabilidad igual a 0,95. Si esas componentes funcionan independientemente una de otra,
y si el sistema completo funciona correctamente cuando al menos funcionan 50
componentes, Cul es la confiabilidad del sistema? Compare la calidad de la estimacin en
probabilidad.

Ejercicio 4. Ciertas barras de metal se generan mediante una aleacin en que se combinan
dos metales. Las barras contiene cierto porcentaje (%) de plomo que puede ser considerado
como una variable aleatoria X y funcin de densidad

=
. . . 0
100 0
5000
) (
c o e
x si
x
x f
X
El costo de producir una barra, depende fuertemente del porcentaje de plomo, adems de
los costos fijos y est dado por: 4 3 ) (
2
+ = X X W
a) Calcular la funcin de distribucin acumulada de X
b) Determine la probabilidad que el porcentaje de plomo contenido en una barra cualquiera
vare de 20% a 80%
c) Obtenga la funcin de densidad de probabilidad para los costos, W(X)
d) Calcule la esperanza del costo de producir una barra.
V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

2
Def. 1: Una variable aleatoria continua (v.a.c.) X se dice continua si existe una funcin f
llamada funcin densidad de probabilidad (f.d.p.) de X que satisface las siguientes
condiciones:
a) f(x) 0 ; x IR b)

1 ) ( = dx x f
En particular, para cualquier nmeros a y b: P (a X b)=
b
a
f(x)dx


Def. 2: La Funcin de distribucin acumulada ) (x F
X
de una v.a. continua X, con f.d.p.
f(x), es una funcin definida sobre los nmeros reales, tal que:
) ( x X P = ) (x F
X
=

x
dt t f ) (


Observaciones:
1) El dominio de definicin para ) (x F
X
es toda la recta real.
2) Como ) (x F
X
es una probabilidad, se cumple que 0 ) (t F
X
1, t
3) La variable X es continua si y solo si ) (x F
X
es continua x IR
4) Si la v.a. X es continua P ( a X = ) =

a
a
dt t f ) ( = 0 y entonces se tiene que:

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

5) Dada la funcin de distribucin de una v.a. continua podemos obtener la funcin
densidad de probabilidad : ) (
d
) ( x F
dx
x f
X X
=
6) El valor esperado de X se define por:

= dx x
X
f x X E ) ( ) (
De igual forma La varianza

= dx x f x X V
X
) ( ) ( ) (
2
y la funcin generadora de
momentos M
x
(t) = E[e
tx
] =

) (x f e
X
x t


7) Las propiedades de la esperanza y varianza de una funcin de v.a. discreta, y de la
funcin generadora de momentos son vlidas tambin para el caso de variables aleatorias
continuas.


V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

3
Ejercicio 5. A partir de la siguiente fdp. del tiempo de falla (en horas) de un componente
electrnico de una copiadora, determine la f.g.m. de X y a partir de ella obtenga el tiempo
medio de falla y su varianza.

>
=

. . . 0
0
1000
1
) (
1000
c o e
x e
x f
x



Teorema 1: Sea X una v.a.c. con densidad f(x) y sea H(x) una funcin continua derivable y
montona (slo slo ), entonces si Y = H(x) la funcin de distribucin de Y es:
F
Y
(y) = F
x
(H
1
(y) ) si H(x) es

F
Y
(y) = 1 - F
x
(H
1
(y) ) si H(x) es

La funcin densidad para Y es: f
Y
(y)= f
x
(H
1
(y) )
dy
d
H
1
(y) ; y Ry

Ejemplo 1. Resolver el ejercicio 4.



DISTRIBUCIONES CLSICAS DE PROBABILIDADES DE V.A. CONTINUAS

[1] Distribucin Exponencial. X ~ Exp ()
La distribucin de Poisson es una distribucin discreta que mide el nmero de
ocurrencias sobre algn intervalo de tiempo o espacio; los eventos ocurren al azar
independientemente y a una tasa uniforme por unidad de tiempo. La funcin de
probabilidad es:

( )
,... 3 , 2 , 1 , 0 ,
!

!
) ( =

= = x
x
t
e
x
t
x
e
x
x X P

en donde t : es el lapso de tiempo; : es la tasa de ocurrencia; e = 2.71828 es la base del
logaritmo natural. La representacin grfica es la siguiente:



V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

4
Por el contrario, la distribucin exponencial es una distribucin continua, que mide
el paso del tiempo entre tales ocurrencias. Es decir, mientras la distribucin Poisson
describe las tasas de llegada (de personas, camiones, llamadas telefnicas..) dentro de algn
perodo dado, la distribucin exponencial estima el lapso entre tales arribos.

Supongamos que en el tiempo t = 0 empezamos a observar el proceso de Poisson y
sea ahora T el tiempo en el cual ocurre el primer evento. T es entonces una v.a. continua y
su recorrido es
T
R = {t : t>0}. Sea t cualquier nmero positivo y consideremos el evento
{T> t}, que el tiempo del primer evento sea mayor que t. Este evento ocurre si y slo si ha
ocurrido 0 eventos en el intervalo fijo (0, t]. Pero vemos que la probabilidad de 0 eventos
en un intervalo de longitud t es P(X = 0) =
t
e

.
Como {T> t} {X = 0} sus probabilidades deben ser iguales y as:

P (T> t) =
t
e

= 1 - P(T t) = 1-F
T
(t).
Luego,

>
=

0 t 0
0 t e 1
) t ( F
t
T


y la funcin densidad de probabilidad de T es 0 t ; e ) t ( F
dt
d
) t ( f
t
T T
> = =



Si X es el tiempo que transcurre hasta que el primer evento ocurre, entonces X es llamada
variable aleatoria exponencial con parmetro y entonces se tiene:

>

=

0 x e
0 x 0
) x ( f
x X


Adems, E(X): =

1
, V(X) =
2
1

, M
x
(t) =
t

, t

As, en la distribucin exponencial,

la probabilidad de que el lapso sea menor o igual a cierta cantidad t es:
t
e t T P

1 ) (

=

La funcin densidad de probabilidad es una curva en continuo descenso que muestra
que con el paso del tiempo T aumenta, y la probabilidad (llamada tambin confiabilidad)
disminuye. Por ejemplo, la probabilidad de que pasen 30 minutos entre ocurrencias excede
la probabilidad de que pasen 40 minutos, debido a que siempre deben pasar 30 minutos
antes que pasen 40.
V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

5


Observacin:
La distribucin Exponencial se utiliza con frecuencia como modelo para la distribucin de
tiempo entre la presentacin de eventos sucesivos, y tiene la propiedad de ser
desmemoriada (carencia de memoria). Esto es, si X ~ () y consideramos las constantes
positivas a y b se cumple
( ) ( ) b X P e
e
e
) a X ( P
) b a X ( P
a X / b a X P
b
a
) b a (
> = = =
>
+ >
= > + >


+



Ejemplo 2. Se asume que la tasa de llegadas de clientes es 1,5 por hora y se desea saber la
probabilidad de que no ms de dos horas transcurran entre llegadas.
Sol: Existe un 95,02% de probabilidad de que el segundo cliente ingrese a las dos horas o
menos del primero si la tasa promedio de llegadas es de 1.5 por hora.

Ejercicio 6. Una compaa programa sus taxis para que lleguen al aeropuerto local en una
distribucin de Poisson con una tasa promedio de llegada de 12 por hora. Usted acaba de
aterrizar en el aeropuerto y debe llegar al centro a cerrar un gran negocio.
a) Cul es la probabilidad de que usted tenga que esperar mximo 10 minutos para
conseguir un taxi? Si la probabilidad de que pase otro taxi dentro de 10 minutos es menor al
50%, usted alquilar un auto para el viaje a la oficina. Concluya.
b) Cul es la probabilidad de que usted tenga que esperar entre 5 y 15 minutos?
c) Calcule e interprete la esperanza matemtica.

Ejercicio 7. Durante un da de trabajo tpico de 8 horas, los computadores utilizados para
vigilar la etapa de enfriamiento en la produccin de neumticos para autos sealan que la
temperatura no se mantiene de forma apropiada en 30 oportunidades. El director ejecutivo
de la compaa, est por hacer una inspeccin de la planta durante 30 minutos. Cul es la
probabilidad de que est all cuando se active la seal del computador?


[2] Distribucin Uniforme. X ~ U ( a , b )
La distribucin de probabilidad uniforme es una distribucin en la cual las
probabilidades de todos los resultados son las mismas.

V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

6
El rea total bajo la curva, como en el caso de todas las distribuciones de
probabilidad, debe ser igual a 1 o 100%. Debido a que el rea es la altura por el ancho, si b
a es el ancho o rango de la distribucin, entonces la altura es:

Altura =
a b Ancho
rea

=
1


Los parmetros que caracterizan a una distribucin Uniforme son los lmites del intervalo, a
y b. formalmente esta distribucin es definida como sigue:

Def. 3: Sea X una variable aleatoria continua que toma todos los valores en el intervalo
(a, b) con -<a < b< , diremos que X est uniformemente distribuida si la funcin de
densidad de X es constante x (a , b) . Esto es:

< <

=
. . .
) (
c o e
b x a si
a b
x f
0
1




Si X ~ U (a , b) la media o valor esperado est a la mitad de camino entre sus dos puntos
extremos: E(X) =
2
b a +
y su varianza es: V(X) =
12
) (
2
a b

La desviacin estndar es
X
=
12
) ( a b
y M
x
(t) =
) ( a b t
e e
at tb

.
La funcin acumulada de X est dado por:

>

<
=
b t si
b t a si
a b
a t
a t si
x F



1
0
) (


Ejemplo 3. Los tiempo de terminacin de un trabajo oscilan entre 10.2 minutos a 18.3
minutos y se piensa que estn distribuidos uniformemente.
a) La media es:
2
3 . 18 2 . 10 +
= = 14.25 b) La altura es
2 . 10 3 . 18
1

= Altura = 1/8.1 = 0.123

=
1 2
2 1


Ejercicio 8. Las edades de un grupo de ejecutivos que acuden a una convencin se
distribuye de forma Uniforme entre treinta y cinco y sesenta y cinco aos: Si X representa
la edad, en ao, se puede representar mediante una distribucin de probabilidad Acumulada
dada por:
V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

7

>

<
=
65 1
65 35
30
35
35 0
) (
x si
x si
x
x si
x F
X


a) Hallar la probabilidad de que la edad de un ejecutivo de este grupo elegido al azar
est entre cuarenta y cincuenta aos.
b) Determine la media de la edad de los ejecutivos de este grupo.

Ejercicio 9. Sea X una variable aleatoria con distribucin Uniforme sobre el intervalo
(a , b). Si E(X) = 10 y V(X) =12, encontrar los valores a y b.



[3] Distribucin Normal. X ~ N ( , )
La distribucin Normal es la ms importante en Probabilidades y Estadstica.

Def. 4: La variable aleatoria X que toma los valores reales tiene distribucin Normal si su
funcin densidad de probabilidad es:

2
2
2
1
2
2
1

) (
) (

=
x
X
e x f
, x IR ; IR ;
2
> 0 , y son constantes.

Los parmetros de una distribucin Normal son y
2
y como veremos = E ( X ) y la
varianza
2
= V ( X) .


Propiedades de una v. a. X ~ ) , ( N
2

a) El grfico de la f. d. p. tiene la forma de una campana.
b) Es simtrica con respecto de la recta x = y este punto es cncavo hacia abajo y tiene
puntos de inflexin x = (En x = la funcin alcanza su mximo).
c) Si es relativamente grande el grfico tiende a ser achatado en cambio si es pequeo
es f tiende a ser agudo. Se observa en el grfico que
2
2
>
2
1





N ( ,
2
1
)
)
N ( ,
2
2
)
x =
V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

8
Para verificar que la funcin ) ( x f
x
es una f. d. p. pruebe que I = 1 para I =

f(x) dx
Adems, ) ( x f
x
> 0 ; ya que
2
) x (
2
1
e

> 0 En efecto:
I =

f(x) dx

f(y) d y = (1/2)

2
2
2
2
) y (
2
1 ) x (
2
1
2
e
1

d x ] d y
Haciendo t =

x
; d t =

1
dx s =

y
; d s =

1
d y
I = (1/2)

) (
2
1
2 2
s t
e
+
d t d s Aplicando coordenadas polares se tiene:

I = (1/2)

2
0

0
2
2
r
re

dr d = 1 , I = 1 I = 1 ya que I > 0


Teorema 2: Si X~ N ( ,
2
) y si Y = aX + b , a0 entonces: Y~ N (a+b ,a
2
)
En efecto: Usando una funcin de una v.a., se tiene
y x
R y
a a
b y
f y f

= ;
1
) ( ) (
f(y) =
2
2
) (
2
1
2
2
1

a
b y
e
a
1
=
2 2
2
) (
2
1
2 2
2
1

a
a b y
e
a

y
R y

Teorema 3: Si X~ N ( ,
2
) entonces P(Xx) = (

x
) = = ) (x F
Z


x

2
Z
2
e
2
1

dz
donde es la funcin de distribucin acumulada de Z ~ N (0,1), y se encuentra tabulada.


La importancia de este teorema es que nos permite calcular probabilidades de una
variable aleatoria X ~ N ( ,
2
) cualquiera, a partir de una variable aleatoria Normal
Estndar
Z =

x
~ N (0,1).
y su f. d.p. es: f(z)=
2
Z
2
e
2
1

, z IR

La funcin de distribucin de Z se encuentra tabulada. La tabla acumulada, en la
que, para un valor de X se obtiene la probabilidad F(x) = P(X x), o rea situada a la
izquierda de x.

V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

9
Teorema 4: Si Z~ N (0,1) entonces ) t ( M
Z
=
2
2
t
e
Teorema 5: Si X~ N ( ,
2
) entonces ) t ( M
X
=
2 2
t
2
1
t
e
+



Observacin:
Como conocemos la f. g. m. de X ~ N ( ,
2
) se puede determinar E(X) y V (X).
M(x)= ( +
2
t )
2
2
2
1
t
ut
e
+
M(0) = ( +0 ) e
o
E(x)=
M(x)= ( +
2
) V(x) =
2



Ejemplo 4. Las cantidades de dinero en solicitudes de prstamo para casas que recibe una
institucin, est distribuida en forma normal con una media de $70.000 y una desviacin
estndar de $20.000. Una solicitud de prstamo se recibi esta maana. Cul es la
probabilidad de que
a) la cantidad solicitada sea de $60.000 o ms?
b) la cantidad solicitada est entre $65.000 y $80.000?
c) la cantidad solicitada sea de $65.000 o ms?
d) 20% de los prstamos sean mayores que cul cantidad?

Ejercicio 10. La demanda anticipada de un producto en el prximo mes puede
representarse mediante una variable aleatoria normal con media 1.200 unidades y
desviacin estndar 100 unidades.
a) Cul es la probabilidad de que las ventas superen las 1.000 unidades?
b) Cul es la probabilidad de que las ventas estn entre 1.000 y 1.300 unidades?
c) Cuntas unidades deben venderse como mnimo para estar en el 10% ms alto?


Aproximacin Normal de la distribucin binomial.

Si n es grande no es fcil calcular las probabilidades mediante tablas con
distribucin binomial o en algunas calculadoras, adems que la frmula del modelo es
excesivamente engorrosa. En este caso se utiliza la distribucin normal para aproximar la
distribucin binomial. Se considera lo suficientemente precisa si np 5 y n(1-p) 5 y si
p est prximo a 0.50.


Observacin:
Debido a que existe un nmero infinito de valores posibles en una distribucin
normal (o en cualquier distribucin continua), la probabilidad de que la variable aleatoria
sea exactamente igual a algn valor especfico como 10, es cero.
Cuando se utiliza una distribucin continua para estimar una variable aleatoria discreta, es
necesario un leve ajuste, llamado factor de correccin de continuidad, y requiere que se
V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

10
trate la probabilidad de exactamente 10 como el intervalo entre 9.5 y 10.5. Esto se ilustra en
la siguiente figura:
Figura 1. Aproximacin normal a una distribucin discreta






Intuitivamente, se hara ver que el rea del histograma es aproximadamente igual al
rea en la funcin densidad normal, pero la base del rectngulo est centrada en el valor
entero, por lo que se debe admitir que los valores de los extremos del intervalo se extienden
en media unidad para obtener as la aproximacin binomial


Ejemplo 5. Resuelva el ejercicio 3.

Ejercicio 11. Un servicio de asuntos fiscales se especializa en las devoluciones de importes
de impuestos federales. Una reciente auditora de sus declaraciones ha indicado que se han
realizado un error en 10% de las que se manifest el ao pasado. Suponiendo que tal tasa
contine este ao y elabore 60 declaraciones, Cul es la probabilidad de que se realice
a) ms de nueve errores? b) Por lo menos 9 errores? c) Exactamente nueve errores?


[4] Distribucin Gamma X ~ gamma( ) ,

Se define la funcin gamma de como

=
0
y 1
dy e y ) (
Se puede probar que ( )! 1 ) ( = , siempre que sea un entero positivo.

Def. 5. Una variable aleatoria continua X que tiene f. d. p. de la forma

=
x
1
X
e X
) (
1
) x ( f ; x > 0

se dice que tiene una distribucin gamma con parmetros y ( >0 y >0) .

La funcin generadora de momentos de una v. a. X ~ gamma ( ) , esta dada por:
( ) < =

/ 1 t ; t 1 ) t ( M
X
. Adems, = ) ( X E ,
2
) X ( V =

V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

11
Propiedades

a) Si 1 = , = / 1 , 0 > se obtiene la distribucin exponencial de parmetro .

b) Si = I r , = / 1 se obtiene la distribucin Erlang ( ) , r que nos da la
distribucin del tiempo necesario para observar r xitos.
( )! 1 r
e x
) x ( f
x 1 r r

=

,
r
X
t
) t ( M
|

\
|

= , / ) ( r X E = ,
2
/ r ) X ( V =
c) Si = I n
2
n
, y 2 = se obtiene la distribucin Chi cuadrado con n grados de
libertad (que es su parmetro). Esta distribucin est tabulada y se utiliza bastante en
estadstica. Su f.d.p. es la siguiente:
2
2
1
2
2
2
/
) ( ) (
n
x n
n
e x
x f X
|

\
|

=

2
n

~ ; x > 0
Adems, ( ) 1/2 t , 2 1 ) (
2 /
< =
n
X
t t M ; E(X) = n , V(X) = 2n

La importancia de la distribucin Gamma radica en el hecho de que define una
familia de la cual otras distribuciones son casos especiales. Est distribucin tiene
aplicaciones importantes al valuar el tiempo y en problemas de confiabilidad. En tanto la
distribucin Exponencial describe el tiempo entre eventos de Poisson, la distribucin
Gamma describe la funcin de densidad de la variable aleatoria que representa el tiempo
que transcurre hasta que ocurre un nmero especfico de eventos de Poisson. Este nmero
especfico de eventos es el parmetro y el parmetro representa tiempo promedio
entre eventos.

Ejercicio 12. Suponga que el tiempo empleado por un estudiante seleccionado al azar, que
utiliza una terminal conectada a un centro local de cmputo de tiempo compartido, tiene
una distribucin gamma con media de 20 minutos y varianza de 80 min
2
. Cul es la
probabilidad de que un estudiante utilice entre 20 y 40 minutos la terminal?.

Ejercicio 13. Determine la varianza de la variable aleatoria X mediante la funcin
generadora de momentos de X con funcin densidad dada por:
) 5 , 0 exp( 25 , 0 ) ( x x x f = , x > 0


[5] Distribucin Weibull X ~ Weibull ( ) ,

La distribucin de Weibull se emplea a menudo para modelar tiempo hasta
presentarse una falla en muchos sistemas fsicos diferentes. Los parmetros de la
distribucin proporcionan mucha flexibilidad para modelar sistemas en la que el nmero
de fallas aumenta con el tiempo, disminuye con el tiempo o permanece constante.


V A Continuas y Distribuciones de Probabilidades H. Alvarado y L. Retamal

12

La funcin densidad de una v.a. X con distribucin de Weibull con parmetro de
escala > 0 y parmetro de forma >0 tiene la forma:

\
|

\
|
=
x
e
x
x f
1
) ( para x > 0

Observe que cuando =1, la distribucin de Weibull es idntica a la distribucin
exponencial.
La funcin de distribucin acumulada de X es

\
|

=
x
X
e x F 1 ) ( .

Ejercicio 14. La distribucin de Weibull se utiliza ampliamente en problemas de
Estadstica relacionados con el envejecimiento de materiales aislantes slidos sujetos a
esfuerzo y envejecimiento. Considere la variable aleatoria tiempo (en horas) para la falta de
especimenes de aislante slidos sometidos a un voltaje de CA. Los valores de los
parmetros dependen del voltaje y temperatura; suponga = 2,5 y = 200.
a) Cul es la probabilidad de que la duracin de un espcimen est entre 100 y 200?
b) Qu valor es tal que exactamente 50% de todos los especimenes tengan duracin que
exceda ese valor?


[6] Distribucin Beta X ~ beta( ) ,

La distribucin beta proporciona densidad positiva para X en un intervalo de
longitud finita. Se dice que una variable aleatoria X tiene una distribucin beta con
parmetros con parmetros , (ambos positivos) su funcin de densidad de probabilidad
est dada por:
( )
( ) ( )
( )

+
=

.
) (
eoc
six x x
X f
0
0 1
1 1



La media y la varianza son: E(X) =

+
, V(X) =
( ) ( ) 1
2
+ + +

Ejercicio 15. Suponga que la proporcin X de rea superficial de un cuadrante seleccionado
al azar, cubierto por cierta planta, tiene una distribucin beta con = 5 y =2.
a) Determine esperanza y varianza. B) Calcule P(0,2 4 0, X ).