Nombre del alumno: Ulises Manzano Hernández

Matricula: ES1921005869

Grupo: MT – MPRO1 – 2001 – B2 – 001

Materia: Probabilidad I

Carrera: Licenciatura en Matemáticas

Nombre de la Actividad: Actividad 2 “Lectura Teorica”

Nombre de la escuela: Universidad Abierta y a Distancia de México

Nombre del profesor: Paula Garcia Leija

Fecha de entrega: 22 al 23 de Mayo de 2020

Ejercicios
Introducción
Una variable aleatoria continua es aquella que puede tomar cualquier valor (al menos teóricamente) entre 2 fijados.
Los valores de la variable (al menos teóricamente) no se repiten.
Todas las precisiones realizadas en el capítulo de variables estadísticas son igual de adecuadas en este caso. Cuando
observamos valores de una variable aleatoria continua, existe una limitación en cuanto al número de valores que puede
tomar la misma. Esto es, en la práctica, la variable no toma infinitos valores. A la hora de medir el peso o la estatura,
por ejemplo, se trabaja con un número preciso de decimales (que puede ser grande pero nunca será infinito). Lo que
se está haciendo es lo que se llama una discretización a la hora de tomar datos. Sin embargo, desde un punto de vista
matemático, consideraremos siempre que una variable continua puede tomar infinitos valores. Esto nos permitirá
trabajar con propiedades matemáticas que nos aportarán mucha información de la variable considerada. Es necesario
entender que es una variable aleatoria, que es la función de densidad de probabilidad, que es la función de distribución,
la esperanza, la varianza, y las propiedades de esperanza y varianza.
Existe una definición alternativa más rigurosa en la que el término "distribución de probabilidad continua" se reserva a
distribuciones que tienen función de densidad de probabilidad. También estas funciones se llaman, con más precisión,
variables aleatorias absolutamente continuas. Para una variable aleatoria 𝑋 absolutamente continua es equivalente
decir que la probabilidad 𝑃[𝑋 = 𝑎] = 0 para todo número real a, en virtud de que hay un incontables conjuntos de
medida de Lebesgue cero (por ejemplo, el conjunto de Cantor). Una variable aleatoria con la distribución de Cantor es
continua de acuerdo con la primera definición, pero según la segunda, no es absolutamente continua. Tampoco es
discreta, ni una media ponderada de variables discretas y absolutamente continuas. En aplicaciones prácticas, las
variables aleatorias a menudo ofrece una distribución discreta o absolutamente continua, aunque también aparezcan
de forma natural mezclas de los dos tipos.
Desarrollo
Desarrollo Resumido
Tema Subtema Ejemplos
Definiciones/Simbologías/Fórmulas
Ejemplos:
• Al medir la temperatura de fusión de
un metal, la variable puede puede
Una Variable Aleatoria Continua es
resaltar en grados centigrados y
Definición de aquella cuyo rango 𝑅𝑋 tiene un infifnito
tomar valores en un intervalo
Variable Aleatoria no numerable de valores o la Variable
determinado.
Continua Aleatoria puede tomar todos sus en un
• Al medir el tiempo de procesamiento
intervalo (𝑎, 𝑏) ∈ ℝ.
Variable Aleatoria Continua

de la información por una

computadora se puede obtener una
v.a. entre [0.1, 2] milisegudos.
Sea 𝑋 una Variable Aleatoria Si se considera la siguiente función
Continua. La función de Densidad de comprueba que es una función de
𝑋 es una función integrable y no densidad:
1
negativa 𝑓: ℝ → ℝ+ , tal que para
𝑓(𝑥) = {6 𝑥 𝑠𝑖 2 < 𝑥 ≤ 4
cualquier intervalo [𝑎, 𝑏] ⊂ ℝ se
cumple la igualdad: 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
Función de 1
𝑏 En primer lugar 𝑓(𝑥) = 𝑥 > 0 para
Densidad de una 6
𝑃(𝑋 ∈ [𝑎, 𝑏]) = ∫ 𝑓(𝑥) 𝑑𝑥 cualquier 2 < 𝑥 ≤ 4 y 𝑓(𝑥) = 0 en otro
Variable Aleatoria 𝑎
Continua Donde 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ ℝ, y caso. Entonces se tiene que 𝑓(𝑥) ≥ 0 para
∞ toda 𝑥 ∈ ℝ.
∫−∞ 𝑓(𝑥) 𝑑𝑥. En segundo lugar calculemos la inetgral
Tambien, la probabilidad de que la v.a. del intervalo [2, 4], esta cumple con las
Continua 𝑋, tome valores en cierto condiciones para que una función de
intervalo es el área bajo la función de densidad de probabilidad de esta variable
densidad 𝑓(𝑥) en dicho intervalo. aleatoria continua.
 ∞ 4
Entonces esta definición puede 1 1 1 6
seguirse que la probabilidad puntual 𝐹𝐷 = ∫ 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥
−∞ 6 2 6 6 2
de una v.a. continua es siempre nula, 4 4
1 𝑥 1+1 1 𝑥2
ya que por propiedades de calculo = [ ] = [ ]
integral el área de una linea vertical es 6 1+1 2 6 2 2
nula: 1 1 2 4 1 1 2 4
𝑎 = [ 𝑥 ] = [ 𝑥 ]
𝑃(𝑋 ∈ [𝑎, 𝑎]) = ∫ 𝑓(𝑥) 𝑑𝑥 = 0 6 2 2 6 2 2
𝑎 1 1 1
En donde 𝑓(𝑥) ≥ 0 para toda 𝑥 ∈ ℝ y = [( (4)2 ) − ( (2)2 )]
∞
6 2 2
∫−∞ 𝑓(𝑥) 𝑑𝑥 1 1 1
= [( (16)) − ( (4))]
Asi se llamara función de densidad. 6 2 2
1 16 4
= [( ) − ( )]
6 2 2
1 1
= [(8) − (2)] = [8 − 2]
6 6
1 6
= [6] = = 1
6 6
Por lo tanto, la función anterior 𝑓(𝑥) es de
densidad.
Para la función de densidad del ejemplo
Otra función importante que se asocia anterior determina su función de
a una v.a. Continua es su función de distribución correspondiente:
𝑥
Función de distribución denotada como • Si 𝑥 < 2, entonces 𝐹 (𝑥 ) = ∫−∞ 0 𝑑𝑥 = 0.
Distribución de una 𝐹(𝑥) 𝑜 𝐹𝑋 (𝑥). • Si 2 ≤ 𝑥 ≤ 4, entonces:
Variable Aleatoria Sea 𝑋 una Variable Aleatoria Continua 2 𝑥 𝑥
1 1
Continua con función de densidad 𝑓(𝑥). La 𝐹(𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑡 𝑑𝑡 = ∫ 𝑡 𝑑𝑡
función de Distribución de 𝑋 se define −∞ 2 6 2 6
𝑥
para cualquier 𝑥 ∈ ℝ fijo como: 1
= ∫ 𝑡 𝑑𝑡
6 2
 𝑥 𝑥 𝑥
1 𝑡 1+1 1 𝑡2 1 1 𝑥
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑓(𝑢) 𝑑𝑢 = [ ] = [ ] = [ 𝑡]
−∞ 6 1+1 2 6 2 2 6 2 2
Esta función es conocida tambien 1 1 𝑥
cómo una función de distribución = [ 𝑡]
acumulada, o simplemente como 6 2 2
1 1 1
distribución acumulada. No debe de = [( (𝑥)2 ) − ( (2)2 )]
confundirse la función de densidad 6 2 2
𝑓(𝑥) denotada con minuscula con la 1 1 1
= [( (𝑥 2 )) − ( (4))]
función de distribución 𝐹(𝑥) denotada 6 2 2
con mayuscula. 1 1 4 1 1
= [ 𝑥 2 − ] = [ 𝑥 2 − 2]
Teorema: Toda función de distribución 6 2 2 6 2
𝐹(𝑥) satisface las siguientes 1 2 1
= 𝑥 −
propiedades: 12 3
• Para todo 𝑥 número real se • Si 𝑥 ≥ 4, entonces:
2 4 ∞
cumple que 0 ≤ 𝐹(𝑥) ≤ 1. 1
𝐹(𝑥) = ∫ 0 𝑑𝑡 + ∫ 𝑥 𝑑𝑥 + ∫ 0 𝑑𝑡
• Si 𝑎 < 𝑏 con 𝑎 y 𝑏 números −∞ 2 6 4
reales, entonces 𝑃(𝑎 < 𝑥 < 𝑏) = 4
1 1 1 2 4
𝐹(𝑏) − 𝐹(𝑎). = ∫ 𝑥 𝑑𝑥 = [ 𝑥 ] = 1
2 6 6 2 2
• Si 𝑎 < 𝑏 con 𝑎 y 𝑏 números Por lo tanto, la función de distribución esta
reales, entonces 𝐹(𝑎) ≤ 𝐹(𝑏) dada por:
(La función de distribución es no 0 𝑠𝑖 𝑥 ≤ 2
creciente). 1 1
• lim 𝐹(𝑥) = 1 y lim 𝐹(𝑥) = 0 𝐹(𝑥) = { 𝑥 2 − 𝑠𝑖 2 < 𝑥 ≤ 4
𝑥→+∞ 𝑥→−∞ 12 3
• La función de distribución 𝐹(𝑥) 1 𝑠𝑖 𝑥 ≥ 4
es continua por la derecha. Puede verificarse que 𝐹(𝑥) cumple con
todas las propiedades de una función de
distribución, de hecho es continua, por lo
tanto, por lo cual esta puede ser función de
distribución de una variable aleatoria
 continua con que se compara con la
fucnión de distribución de una variable
aleatoria discreta.

Si 𝑋 es una variable aleatoria continua Del ejercicio anterior anterior, calcular la

con función de densidad 𝑓(𝑥), esperanza de la v.a continua con función
entonces su esperanza denotada de densidad:
𝐸(𝑥), es: 1
∞ 𝑓(𝑥) = {6 𝑥 𝑠𝑖 2 < 𝑥 ≤ 4
𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥) 𝑑𝑥 0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
−∞ Por la definición se tiene que:
Teorema: Propiedades de la ∞
esperanza. Sean 𝑋 y 𝑌 2 variables 𝐸(𝑋) = ∫ 𝑥𝑓𝑋 (𝑥) 𝑑𝑥
aleatorias continuas con sus −∞
2 4
respectivas esperanzas 𝐸(𝑋) y 𝐸(𝑌) y 1
= ∫ 𝑥(0) 𝑑𝑥 + ∫ 𝑥 ( 𝑥) 𝑑𝑥
finitas, y sea 𝑐 una cosntante, −∞ 2 6
Esperanza de una entonces se tienen las siguientes
∞ 4
1
Variable Aleatoria + ∫ 𝑥(0) 𝑑𝑥 = ∫ 𝑥 ( 𝑥) 𝑑𝑥
propiedades: 4 2 6
Continua 𝐸(𝑐) = 𝑐. 4 4
1 1
𝐸(𝑐𝑋) = 𝑐𝐸(𝑋). = ∫ 𝑥 2 𝑑𝑥 = ∫ 𝑥 2 𝑑𝑥
2 6 6 2
Si 𝑋 ≥ 0, entonces, 𝐸(𝑋) ≥ 0. 4 4
𝐸(𝑋 + 𝑌) = 𝐸(𝑋) + 𝐸(𝑌). 1 𝑥 2+1 1 𝑥3
= [ ] = [ ]
Si 𝑋 y 𝑌 son v.a. independientes 6 2+1 2 6 3 2
entonces 𝐸(𝑋𝑌) = 𝐸(𝑋)𝐸(𝑌). 1 1 3 4 1 1 3 4
Si 𝑋 es v.a. continua y 𝑔: ℝ → ℝ = [ 𝑥 ] = [ 𝑥 ]
6 3 2 6 3 2
es una función real tal que 𝑔(𝑥) 1 1 1
es una continua con esperanza = [( (4)3 ) − ( (2)3 )]
6 3 3
finita, entonces 𝐸(𝑔(𝑋)) = 1 1 1
∞
∫−∞ 𝑔(𝑥)𝑓𝑋 (𝑥) 𝑑𝑥. = [( (64) ) − ( (8))]
6 3 3
 1 64 8 1 64 8 1 56
= [( ) − ( )] = [ − ] = [ ]
6 3 3 6 3 3 6 3
56 28
= = ≈ 3.1111
18 9
En este caso el valor de la esperanza
28
𝐸(𝑋) = ≈ 3.1111 se encuentra en el
9
intervalo de definición de la función 𝑓(𝑥).
Sea 𝑋 una variable aleatoria continua Retomando el ejemplo anterior, determinar
con su función de densidad 𝑓𝑋 (𝑥) y la varianza de la v.a. continua 𝑋.
con 𝐸(𝑋) = 𝜇 finita, entonces: Por definición se tiene que:
1. La varianza de 𝑋, denotada ∞
𝑉𝑎𝑟(𝑋), es: 𝑉𝑎𝑟(𝑋) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥) 𝑑𝑥
∞ −∞
2 2
𝑉𝑎𝑟(𝑋) = 𝜎 = ∫ (𝑥 − 𝜇) 𝑓(𝑥) 𝑑𝑥 2
28 2
−∞ = ∫ (𝑥 − ) (0) 𝑑𝑥
−∞ 9
2. La desviación estandar de 𝑋 es 4
28 2 1
𝜎 = √𝑉𝑎𝑟 (𝑋) + ∫ (𝑥 − ) ( 𝑥) 𝑑𝑥
Varianza de una Observese que por la propiedad 6 del 2 9 6
∞ 2
Variable Aleatoria teorema anterior 𝑉𝑎𝑟(𝑋) = 𝐸((𝑋 − 28
+ ∫ (𝑥 − ) (0) 𝑑𝑥
Continua 𝜇)2 ). La varianza de 𝑋 suele también 4 9
expresarse con la letra griega sigma 4
28 2 1
como 𝑉𝑎𝑟(𝑋) = 𝜎 2 , por la cual la = ∫ (𝑥 − ) ( 𝑥) 𝑑𝑥
2 9 6
desviación estandar se expresa como 4
56
𝜎 = √𝑉𝑎𝑟(𝑋). = ∫ (𝑥 2 − 𝑥
2 9
Teorema: Propiedades de la varianza. 784 1
Si 2 variables 𝑋 y 𝑌 que son aleatorias + ) ( 𝑥) 𝑑𝑥
con sus respectivas esperanzas 𝐸(𝑋) 81 6
4
1 28 392
y 𝐸(𝑌) finitas y varianzas 𝑉𝑎𝑟(𝑋) y = ∫ ( 𝑥3 − 𝑥2 + 𝑥) 𝑑𝑥
𝑉𝑎𝑟(𝑌), y sean 𝑐 un constante, 2 6 27 243
 4 4 4
entonces se tiene siguientes 1 3 28 2 392
propiedades: = ∫ 𝑥 𝑑𝑥 − ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 𝑑𝑥
2 6 2 27 2 243
✓ 𝑉𝑎𝑟(𝑋) = 0 (La varianza 1 4 3 28 4 2
siempre es no negativa). = ∫ 𝑥 𝑑𝑥 − ∫ 𝑥 𝑑𝑥
✓ 𝑉𝑎𝑟(𝑐) = 0 6 2 27 2
4
✓ 𝑉𝑎𝑟(𝑐𝑋) = 𝑐 2 𝑉𝑎𝑟(𝑋) 392
+ ∫ 𝑥 𝑑𝑥
✓ 𝑉𝑎𝑟(𝑋 + 𝑐) = 𝑉𝑎𝑟(𝑋) 243 2
✓ 𝑉𝑎𝑟(𝑋) = 𝐸(𝑋 2 ) − (𝐸 (𝑋))
2 1 𝑥 3+1 28 𝑥 2+1
=[ ( )− ( )
✓ Si 𝑋 y 𝑌 son v.a. independientes, 6 3+1 27 2 + 1
4
entonces: 𝑉𝑎𝑟(𝑋 + 𝑌) = 392 𝑥 1+1
𝑉𝑎𝑟(𝑋) + 𝑉𝑎𝑟(𝑌) + ( )]
243 1 + 1 2
1 𝑥4 28 𝑥 3
= [ ( )− ( )
6 4 27 3
4
392 𝑥 2
+ ( )]
243 2 2
1 1 28 1
= [ ( 𝑥 4) − ( 𝑥 3)
6 4 27 3
4
392 1 2
+ ( 𝑥 )]
243 2 2
1 4 28 3 196 2 4
=[ 𝑥 − 𝑥 + 𝑥 ]
24 81 243 2
1 4 28 3 196 2 4
=[ 𝑥 − 𝑥 + 𝑥 ]
24 81 243 2
 1 28 196
= [( (4)4 − (4)3 + (4)2 )
24 81 243
1 28
− ( (2)4 − (2)3
24 81
196
+ (2)2 )]
243
1 28
= [( (256) − (64)
24 81
196
+ (16))
243
1 28
− ( (16) − (8)
24 81
196
+ (4))]
243
32 1792 3136
= [( − + )
3 81 243
2 224 784
−( − + )]
3 81 243
2592 − 5376 + 3136
= [( )
243
162 − 672 + 784
−( )]
243
352 238
= [( )−( )]
243 243
352 274
=[ − ]
243 243
 352 274 352 − 274 78 26
= − = = =
243 243 243 243 81
≈ 0.320987
26 √26 √26
𝜎 = √𝑉𝑎𝑟(𝑋) = √ = =
81 √81 9
1
= √26 ≈ 0.566557
9
Por lo tanto, la varianza y la desviación
estandar de la siguiente función de
26
densidad es de 𝑉𝑎𝑟(𝑋) = 𝜎 2 = ≈
81
1
0.320987 y 𝜎 = √26 ≈ 0.566557.
9
El modelo uniforme uniforme continua 1) Un reloj de manencillas se detuvo en
es uno de los mas sencillos, ya que un punto que no sabemos.
caracteriza porque su distribución es Determina la probabilidad de que se
Modelos Continuos de

igual en todos los puntos de un haya detenido en los primeros 25

segmento, y de debido a que se min luego de señalar la hora en
Probabilidad

emplea en la simulación para el punto.

cálculo de números aleatorios que Solución:
Distribución
Uniforme Continua tienen un comportamiento uniforme. Intervalo: [0, 60]
Una variable aleatoria 𝑋 tiene una 1 1 1
distribución uniforme en un intervalo 𝑓(𝑥) = = =
𝑏 − 𝑎 60 − 0 60
(𝑎, 𝑏), denotada con 𝑋~𝑈(𝑎, 𝑏), si su 25
1
función de densidad es: 𝑃(𝑋) = 𝑃(0 ≤ 𝑋 ≤ 25) ∫ 𝑑𝑥
0 60
1
1 25 1
𝑓(𝑥) = {𝑏 − 𝑎 𝑠𝑖 𝑥 ∈ (𝑎, 𝑏) = ∫ 𝑑𝑥 = [𝑥]25
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 60 0 60 0
Teorema: Si 𝑋 es una variable 1 1
𝑃(𝑋) = [𝑥]25
0 = [(25) − (0)]
aleatoria con disposición uniforme en 60 60
(𝑎, 𝑏), 𝑋~𝑈(𝑎, 𝑏), entonces: 1 1 25
𝑎+𝑏 = [25 − 0] = [25] =
▪ 𝐸(𝑋) = 60 60 60
2 5
(𝑏−𝑎)2 = = 0.416666 = 41.6666%
▪ 𝑉𝑎𝑟(𝑋) = 12
12
0 𝑠𝑖 𝑥 ≤ 𝑎 La probabilidad de aquella reloj con su
𝑥−𝑎 5
▪ 𝐹(𝑥) = {𝑏−𝑎 𝑠𝑖 𝑎 < 𝑥 < 𝑏 tiempo indicado es de = 0.416666 =
12
1 𝑠𝑖 𝑥 ≥ 𝑏 41.6666%.
Todo lo anterior es facilmente 2) Una llamada telefónica llego a un
demostrable. conmutador en un tiempo, al azar,
dentro de un periodo de un minuto.
El conmutador estuvo ocupado
durante 15 s en ese minuto. Calcule
la probabilidad de que la llamada
haya llegado mientras el conmutador
no estuvo ocupado.
Solución:
𝑡=𝑋
Intervalos: [0, 1] min 𝑦 [0, 0.25] 𝑚𝑖𝑛
𝐴 = 𝐸𝑙 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑑𝑜𝑟 𝑛𝑜 𝑒𝑠𝑡𝑎 𝑜𝑐𝑢𝑝𝑎𝑑𝑜
𝐵 = 𝐸𝑙 𝑐𝑜𝑛𝑚𝑢𝑡𝑎𝑑𝑜𝑟 𝑒𝑠𝑡𝑎 𝑜𝑐𝑢𝑝𝑎𝑑𝑜
𝑃(𝐴) = 1 − 𝑃(𝐵)
0.25
1
𝑃(𝐵) = 𝑃(0 ≤ 𝑋 ≤ 0.25) = ∫ 𝑑𝑥
0 1−0
0.25 0.25
1
=∫ 𝑑𝑥 = ∫ 𝑑𝑥
0 1 0
0.25
= [𝑥]0
 𝑃(𝐵) = [𝑥]0.25
0 = [(0.25) − (0)]
= [0.25 − 0] = [0.25] = 0.25
𝑃(𝐴) = 1 − 𝑃(𝐵) = 1 − 0.25 = 0.75 = 75%
La probabilidad de que la llamada haya
llegado mientras el conmutador no estuvo
ocupado es de 0.75 = 75%.
Esta distribcuión es comunmente
utilizada en los modelos de lineas de Hemos observado que en cierta provincia
espera, al igual que la distribución se producen, en promedio, 50 incendios
discreta de Poisson. En la mayoria de serios cada año. Suponemos que estos
los modelos que relacionan con el incendios se producen de forma
tiempo se puede notar que su independiente y decidimos modelar el
distribución es tal que en tiempos número de incendios por año mediante
pequeños (cercano a 0) tienen una una distribución Poisson.
acumulación (o área), y conforme • ¿Cuál es el tiempo medio que
pase el tiempo está decrece transcurre entre dos incendios
rapidamente. consecutivos?
Distribución Una variable aleatoria 𝑋 tiene • Si acaba de ocurrir un incendio ¿cuál es
Exponencial distribución exponencial con la probabilidad de que el próximo se
parámetro 𝜆 > 0, denotada a produzca al cabo de dos semanas?
𝑋~𝐸𝑥𝑝(𝜆), si su función de densidad Sabemos que:
es: • El número de incendios por año
−𝜆𝑥 𝑁 ∼ 𝑃𝑜𝑖(𝜆) con 𝜆 = 50.
𝑓(𝑥) = {𝜆𝑒 𝑠𝑖 𝑥 ≥ 0
0 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜 • El tiempo entre dos incendios 𝑋 ∼
Teorema: Si 𝑋 es una variable exp(𝜆) con 𝜆 = 50.
aleatoria con distribución exponencial • El tiempo medio entre dos
y con parámetro 𝜆 > 0, 𝑋~𝐸𝑥𝑝(𝜆), 1
incendios 𝐸(𝑋) = 1/𝜆 = años =
entonces: 50
1 7.3 días.
❖ 𝐸(𝑋) =
𝜆
 1 2(7)
❖ 𝑉𝑎𝑟(𝑋) = • Dos semanas, en años son: =
𝜆2 365
𝑥
❖ 𝐹(𝑥) = ∫−∞ 𝜆𝑒 −𝜆𝑥 𝑑𝑥 = 0.03836.
0 𝑠𝑖 𝑥 < 0 • 𝑃[𝑋 > 0.03836] = 1 − 𝑃[𝑋 ≤
{
1 − 𝑒 −𝜆𝑥 𝑠𝑖 𝑥 ≥ 0 0.03836] = 1 − (1 −
𝑒 (−50)(0.03836) ) = 0.147
La distribución normal fue estudiada Calcular la proporción de estudiantes que
por primera vez por el frances tienen puntuaciones que exceden por lo
Abraham de Moivre (1667-1754). menos en cinco puntos de la puntuación
Posteriormente, Carl Friedrich Gauss que marca la frontera entre el Apto y el No
(1777 – 1855) profundizo en el – Apto (son declarados No – Aptos el 25 %
desarrollo de lo que actualmente de los estudiantes que obtuvieron las
conocemos como “Campaña de puntuaciones más bajas).
Gauss”, la cual es usada como función Sustitución de valores en la formula:
de densidad de densidad de la
distribución normal.
Una variable aleatoria 𝑋 tiene Localizamos la probabilidad 0.25 en la
Distribución distribución normal con parametros 𝜇 y tabla de distribución de normal, es -0.67,
Normal 𝜎 2 , denotada 𝑋~𝑁(𝜇, 𝜎 2 ), si su función esto significa que
de densidad es de:
1 (𝑥−𝜇)2
𝑓(𝑥) = 𝑒 2𝜎2
√2𝜋𝜎 2 Despejamos 𝑁:
Para cualquier 𝑥 ∈ ℝ
Teorema: Si 𝑋 es una vraible aleatoria
con distribución normal y con Calculamos para 54 + 5 = 59 :
parametros 𝜇 y 𝜎 2 , 𝑋~𝑁(𝜇, 𝜎 2 ),
entonces:
❖ 𝐸(𝑋) = 𝜇
❖ 𝑉𝑎𝑟(𝑋) = 𝜎 2
 ❖ La función de distribución es:
𝑥 (𝑡−𝜇)2
1
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) ∫ 𝑒 2𝜎2 𝑑𝑡
2
−∞ √2𝜋𝜎
El porcentaje de alumnos que son Aptos y
ademas su puntaje esta 5 unidades por
encima de la frontera de No – Aptos es de
70.19 %.
El proceso de Estandarización de una
variable aleatoria consiste en un
“cambio de variable”, de tal manera
que la distribución obtenida con dicho
cambio se comporte como normal con
media 0 y desviación estandar a 1.
En una ciudad se estima que la
Una variable aleatoria 𝑍 tiene
temperatura máxima en el mes de junio
distribuxión normal estandar con
sigue una distribución normal, con media
parametros 𝜇 = 0 y 𝜎 2 = 1, denotada
23° y desviación típica 5°. Calcular el
𝑍~𝑁(0, 1), si su función de densidad
número de días del mes en los que se
Distribución es:
espera alcanzar máximas entre 21° y 27°.
Normal Estandar 1 𝑧2
𝑓(𝑧) = 𝑒2
√2𝜋
Para cualquier 𝑧 ∈ ℝ.
Teorema: Si 𝑍 es una variable
aleatoria con distribución normal
estandar 𝑍~𝑁(0, 1), entonces:
❖ 𝐸(𝑋) = 0
❖ 𝑉𝑎𝑟(𝑋) = 1
❖ La función de distribución es de:
𝑧
1 𝑡2
𝐹(𝑧) = 𝑃(𝑍 ≤ 𝑧) = ∫ 𝑒 2 𝑑𝑡
−∞ √2𝜋
Conclusiones
En esta actividad, tenemos que resumir cada uno de los temas que pertenecen en la unidad 4 que se trata de las
variables aleatorias continuas, en cada subtema se resumio lo que son las variables continuas desde su definicón
hasta las esperanzas y varianzas de ellas, las funciones de densidad, etc. y contando con las modelos continuos de
probabilidad que serian la uniforma continuidad, exponencial, normal y normal estandar, y en cada subtema con el
resumen con sus formulas correspondientes, se agrego los ejemplos que podemos entender como se pueden resolver
estos problemas, ya que lo podemos resolver para las siguientes actividades de esta unidad, la 3, la evidencia y la
actividad complementaria. Son sencillos para resolver estos termas.

Bibliografía
Anonimo. (2015). PDF. Obtenido de Tema 4. Probabilidad y variables aleatorias:
http://halweb.uc3m.es/esp/Personal/personas/aarribas/esp/docs/estIG/tema4Print.pdf
Anónimo. (26 de Agosto de 2015). PDF. Obtenido de Distribución Normal: Ejemplos y ejercicios resueltos.:
http://www.x.edu.uy/inet/Distribucion_Normal_ejemplos.pdf
Mantilla Hidalgo, M. (3 de Mayo de 2014). In Slide Share. Obtenido de Distribucion uniforme continua:
https://es.slideshare.net/monicamantillahidalgo/distribucion-uniforme-continua
Martha. (2018). SuperProf. Obtenido de Ejercicios para el calculo de la distribución normal y la probabilidad:
https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/distribucion-normal/ejercicios-de-la-
distribucion-normal.html
MateMovil. (2020). MateMovil. Obtenido de Variables aleatorias discretas y continuas: https://matemovil.com/variable-
aleatoria-discreta-y-continua/
UnADM. (6 de Mayo de 2020). PDF. Obtenido de Unidad 4 "Modelos Continuos de Probabilidad":
https://ceit.unadmexico.mx/contenidos/DCEIT/BLOQUE2/MT/02/MPRO1/U4/descargables/MPRO1_U4_conteni
do.pdf