Universidad Católica Silva Henríquez

CUADERNO DE APOYO DOCENTE

Variables Aleatorias Continuas

2019
El cero es el silencio antes del número
El número es el verbo matemático
Lo matemático es el cálculo de la realidad
La realidad es lo único increíble
Lo increíble es lo que no podemos
Y lo que no podemos es lo que queremos.

Patricio Manns.
VARIABLE ALEATORIA CONTINUA
APLICACIONES DE LA DISTRIBUCIONES UNIFORMES

Una variable aleatoria continua sigue una distribución uniforme de parámetros a y b (X  U ( a , b )

), si la función de probabilidad es:

 1
 si a  x  b
f ( x )  b  a
 0
 T .O.P.

El gráfico de esta función es:

1
b  a

a b
La función de distribución es:

x x x
1 1 1 1
F ( x)  P( X  x)   dt  d t  t  ( x  a)
a
b  a b  a a
b  a a b  a

Luego
0 si x  a

 x  a
F ( x)   si a  x  b
 b  a
 1 si x  b

Ejemplo.

La vida útil medida en horas de una ampolleta sigue una distribución uniforme U ( 50 , 500 ).
Se selecciona al azar una ampolleta, calcule la probabilidad de que la vida útil sea:
i) menor que 300 horas
ii) mayor que 280 horas
iii) mayor que 100 pero menor que 400 horas.

Sea X: vida útil de las ampolletas.

1 x  50
X  U (50, 500)  f (x )  y F ( x)  si 50 < x < 500
450 450

300  50
i) P ( X  300 )  F ( 300 )   0.625
450

280  50
ii) P ( X  280 )  1  P ( X  280 )  1  F ( 280 )  1   0.425
450

400  50 100  50
P (100  x  400 )  F ( 400 )  F (100 )  
iii) 450 450
 0.75
Teorema.
a  b (b  a ) 2
Si X  U (a, b), entonces E ( x )  y Var ( x ) 
2 12

Demostración.

b2  a2
b b
1 1 1 x2 b
1
E( x)  
a
x
b  a
dx 
b  a a
x dx 
b  a 2 a

b  a 2
1 (b  a )(b  a ) a  b
 
b  a 2 2

b b
1 1 1 x3 b
E(x 2 )  
a
x2
b  a
dx 
b  a 
a
x2 dx 
b  a 3 a

1 b 3
 a 3
1 (b  a )(a  ab  b 2 )
2
 
b  a 3 b  a 3
a 2  ab  b 2

3
a 2  ab  b 2  a  b
2

Var ( x )  E ( x )  ( E ( x ) ) 
2 2
  
3  2 
a 2  ab  b 2 a 2  2ab  b 2 a 2  2ab  b 2
  
3 4 12
(b  a ) 2

12

Ejemplo.

Con los datos del ejemplo anterior, calcule la probabilidad de que la vida útil, de las ampolletas,
difiera del valor esperado en más de una vez la desviación estándar.

Solución.
50  500 ( 500  50 ) 2
E( x)   275 horas , Var ( x )   16875
2 12
 ( x )  16875  129,904

P ( x  275  129,904 )  1  P ( x  275  129,904 )

 1  P ( 129,904  x  275  129,904 )
 1  P (145,096  x  404,904 )
 1  ( F ( 404,904 )  F (145,096 ) )
 1  ( 0.8998  0.3224 )
 0.4226
DISTRIBUCION NORMAL.

Definición.

Una variable aleatoria continua sigue una distribución normal si su función de probabilidad es:

x   
2
1 
1   

f ( x)  e 2  

2 

para todo x real. El parámetro  puede ser cualquier número real en tanto que el parámetro  debe
ser positivo.

Observación.

X  N (  ,  2 ) denota el hecho de que la variable aleatoria continua X sigue una distribución normal
de parámetros  y  2.

El gráfico de esta función es:

Y tiene las siguientes características:

 es simétrica respecto de. Es decir, P ( X <  ) = P ( X >  ) = 0.5
 es asintótica al eje de las abscisas
 los puntos de inflexión son X -  y X + . Es decir la curva es cóncava hacia abajo en el intervalo
( X -  , X +  ) y es cóncava hacia arriba en los intervalos (- , x -  ) y ( X +  , )

Teorema.

Si X  N (  ,  2 ), entonces:

t2  2
t 
i) M x (t )  e 2

ii) E ( x ) =  y Var ( x ) =  2

Demostración. Ver Canavos páginas 132 y 133

Definición.
X  
Se llama variable estandarizada a Z 

Teorema.
X  
Si X  N (  ,  2 ) y Z  , entonces E ( Z ) = 0 y Var ( Z ) = 1

Demostración.

 X     X   E(X )   
E(Z )  E   E        0
          

 X     X   1 1
Var ( Z )  Var    Var     2 Var ( X )  2   1
2

        

Teorema.

X  
Si X  N (  ,  2 ), entonces Z   N(0,1)

Demostración. Ver Canavos páginas 134 y 135

Observación.

i) N (0, 1) se llama distribución normal estándar y se han construido tablas de probabilidades

acumuladas de esta distribución.
ii) Si Z  N ( 0 , 1 ), entonces la función de probabilidad es:
2
t
1 
f (z)  e 2
y la función de distribución es:
2

2
z t
1 
 ( z)  P(Z  z)  
 2
e 2
dt

iii) el gráfico de la función de probabilidad normal estándar es:

Ejemplo.

La cantidad de dinero semanal que una compañía gasta en mantenimiento y reparaciones

sigue una distribución normal de valor esperado $40.000 y varianza 4.000.000.
i) calcule la probabilidad de que los gastos de mantención y reparaciones esté comprendido
entre $36.000 y $43.000.
ii) Si el presupuesto para cubrir los gastos de mantenimiento y reparaciones es de $45.000,
¿cuál es la probabilidad de que los costos reales sean mayores que los presupuestados?
iii) ¿de cuánto debe ser el presupuesto semanal para mantenimiento y reparaciones para que
tan sólo se rebase con una probabilidad de 0,1?

X: gastos en mantenimiento y reparaciones

X  40.000
X  N (40.000, 4.000.000)  Z   N (0, 1)
2.000

 36.000  40.000 43.000  40.000 

i ) P ( 36.000  x  43.000 )  P   Z  
 2.000 2.000 
 P (  2  Z  1.5 )   (1.5 )   (  2 )
 0.9332  0.0228  0.9104

ii ) P ( X  45.000 )  1  P ( X  45.000 )  1  P ( Z  2.5 )  1   ( 2.5 )

 1  0.9938  0.0062

iii ) P ( X  x )  0.1
1  P ( X  x )  0.1
P ( X  x )  0.9
 x  40.000  x  40.000
P Z    0.9   1.28
 2.000  2.000
x  $42.560

DISTRIBUCION GAMMA

Definición.

Se dice que la variable aleatoria continua sigue una distribución gamma de parámetros
 y  ( X  G (  ,  ) ), si su función de probabilidades está dada por:

 1  1

x

 x e 
si x  0 ,   0 y   0
f ( x )   ( )  

 0
Donde  (  ) es la función gamma de argumento.

Definición.
La función gamma de argumento  es:

(  )  
0
y   1 e  y dx Con   1

Algunas propiedades de esta función son:

i)  (  + 1 ) =  ! si  es un entero positivo
ii) ( + 1) = () si  es un entero positivo

Ejemplo.

 (1) =  (0 + 1) = 0! = 1 y  ( 4 ) =  ( 3 + 1 ) = 3 ! = 6

Teorema.

Si X  G (  ,  ), entonces:
M x ( t )  1   t 

i)
ii ) E ( x)   y Var ( x )    2

Demostración. Ver Canavos página 153

Casos especiales de la distribución gamma desempeñan papeles importantes en la estadística, por


ejemplo para   y   2 se obtiene.
2

Definición.

Una variable aleatoria X sigue una distribución chi – cuadrado de parámetro  (X   2 (  )) si y

solo si la función de probabilidad es:
 1
x2

x

  x 2
e 2
si x  0
 2   
f ( x)   2  
  2 
 0
El parámetro  se denomina número de grados de libertad o simplemente grados de libertad.

Teorema.

Si X  2 (  ), entonces:


i) M x ( t )  (1  2 t ) 2

ii ) E( x)   y Var ( x)  2

Demostración. Ver Canavos página 217 y 218

La distribución chi – cuadrado juega un papel importante en la inferencia estadística, y son
importantes los siguientes teoremas:

Teorema.
 X   
2

Si X  N (  ,  2 ), entonces Z
  
2
  2 (1)
  
Demostración. Ver Canavos página 231

Teorema.

Si X   2 (  1) e Y   2 (  2 ) son variables aleatorias independientes, entonces ( X + Y )  2

( 1 + 2 )

Demostración. Ver Canavos página 233

Otro caso especial de la distribución gamma aparece cuando  = 1

Definición.

Una variable aleatoria X sigue una distribución exponencial de parámetro  ( X  Exp (  ) ), si su

función de probabilidad es:

1 
x

 e 
si x  0 y   0
f ( x)   

 0 T .O.P.

La función de distribución para esta variable aleatoria es:

x t x t t
1  1  1 1  x
F ( x)  P( X  x)  
0
e 
dt 
 
0
e 
dt 
 1
e 
0


x 0 x
  
 e 
 (e 
) 1  e 

Luego

0 si x  0

F ( x)   
x
 1  e 
si x  0

Teorema.

Si X  Exp (  ), entonces Mx ( t ) = ( 1 -  t )–1 , E ( x ) = 

y Var ( x ) =  2

Demostración. Tarea
Ejemplo.

En una planta industrial se ha observado que el tiempo transcurrido desde que se inicia un
proceso de producción hasta la primera falla, sigue una distribución exponencial de parámetro 2.
Calcule la probabilidad de que:
i) transcurra más de una hora antes de que aparezca la primera falla.
ii) no pasen más de 4 horas antes de la primera falla.
iii) el tiempo transcurrido hasta la primera falla se desvíe de su valor esperado en más de dos
veces la distribución estándar.

X : tiempo transcurrido hasta la primera falla.

x x
1  
X  Exp ( 2 )  f ( x )  e 2 y F ( x )  1  e 2 si x  0
2

1
*
i) P ( X  1)  1  P ( X  1)  1  F (1)  1  (1  e 2
)  0.6065
4

ii ) P ( X  4 )  F ( 4 )  1  e 2  0.8647
iii ) E ( x)  2 , Var ( x )  4 y  ( x )  2
6

P ( X  2  4 )  P ( X  6 )  1  P ( X  6 )  1  F ( 6)  1  (1  e 2
)
 0.0498