6.

Variable aleatoria continua

Un diálogo entre C3PO y Han
Solo, en El Imperio
Contraataca, cuando el Halcón
Milenario se dispone a entrar en
un campo de asteroides:

- C3PO: Señor, la probabilidad

de sobrevivir al paso por el
campo de asteroides es,
aproximadamente, de una entre
3721.
- HAN SOLO: ¡No me hables de
probabilidades!

1
 Imaginemos una ruleta de la fortuna con un perímetro circular
de longitud 1. Como la flecha puede señalar infinitos valores
no numerables, todo resultado tiene probabilidad 0. ¿Cómo
podemos definir entonces probabilidades?

Podemos hacerlo asignando probabilidades a intervalos, p. ej.:

la probabilidad de que el resultado esté entre 0 y 0,5 es 1/2,
puesto que se trata de la mitad del círculo.
¿Cómo podemos representarlo mediante una gráfica?

p (x)
 0 x<0
 1
p( x) =  0 ≤ x ≤1
b − a
1
Área = 1  0 x >1
x
2
0 1
 p (x) p (x)

1 1

x x
0 a 1 0 a b 1

El área sobre un punto como a, La probabilidad de que

es cero. obtengamos un valor entre
a y b es b - a.
3
 Función de distribución de
una variable aleatoria continua
Para una variable aleatoria continua disponemos
de un conjunto no numerable de valores. No es posible
definir una probabilidad para cada uno. Por eso
definimos previamente la función de distribución de
probabilidad, que sí tiene un significado inmediato y
semejante al caso discreto:

F : ℜ → [0,1]
x → F ( x) = P( X ≤ x)
4
 Definimos la función de distribución para la variable
aleatoria continua como:

x
F ( x) = ∫ p(t )dt
−∞
∀x ∈ ℜ

Donde p(x) se llama función densidad de probabilidad

de la distribución F(x), es continua y definida no negativa.

Diferenciando tenemos: dF ( x)
= p( x)
dx
para cada x donde p(x) es continua. 5
 Función de densidad de probabilidad
Es una función no
negativa de integral 1. 0.25

Se puede pensar como la

0.20
generalización de un
histograma de frecuencias
relativas para variable 0.15
continua.

P ( a ≤ x ≤ b) = 0.10

F (b) − F (a ) = 0.05

b 0.00

= ∫ p ( x)dx
1

10

11

12

13

14

15
a b
a 6
Observa que: ∞

∫ p(v)dv = 1
−∞

A partir de la definición es fácil ver que:

b
P(a ≤ X ≤ b) = F (b) − F (a) = ∫ p(v)dv
a

De modo que la probabilidad es el área bajo la curva

densidad p(x) entre x = a y x = b.

Nota: para cualquier par de valores a y b, en el caso de una variable

aleatoria continua, las probabilidades correspondientes a los
intervalos a < X ≤ b, a < X < b, a ≤ X < b y a ≤ X ≤ b son la misma.
No así en variable discreta. 7
Supongamos que X tiene como función densidad a p(x) = 0.75(1-x2)
si -1≤ x ≤1 y cero en otro caso. Encuentra la función de distribución
y las probabilidades P(-1/2 ≤ X ≤ 1/2) y P(1/4 ≤ X ≤ 2). Y x tal que
P(X ≤ x) = 0.95

F(x) = 0 si x ≤ -1
x
F ( x) = 0.75 ∫ (1 − v 2 )dv = 0.50 + 0.75 x − 0.25 x 3 si - 1 < x ≤ 1
−1
F(x) = 1 si x >1.
1
2

P(− 12 ≤ X ≤ 12 ) = F ( 12 ) − F (− 12 ) = 0.75 ∫ (1 − v 2 )dv = 0.6875

− 12
1

P( ≤
1
4 X 2) F (2) F ( 4 ) 0.75∫ (1 v )dv = 0.3164
≤ = − 1 = − 2

1
4

P( X ≤ x) = F ( x) = 0.5 + 0.75 x − 0.25 x 3 = 0.95 ⇒ x ≈ 0.73

 Esperanza matemática o media
μ = ∑ x j p( x j ) (Distribución discreta)
j
∞
μ= ∫ xp( x)dx
−∞
(Distribución continua)

Decimos que una distribución es simétrica si existe un valor c

tal que para cada real x: p (c + x) = p(c - x).

Observa que si una distribución es simétrica con respecto a c,

entonces su media µ es µ = c.

12
 Varianza y desviación típica
σ 2 = ∑ ( x j − μ) 2 p ( x j ) (Distribución discreta)
j
∞
σ 2 = ∫ ( x − μ) 2 p ( x)dx (Distribución continua)
−∞

La desviación típica o estándar es el valor positivo de la raíz

cuadrada de σ2 . Ambas miden la dispersión de la distribución.

Observa que la varianza siempre es σ2 > 0, excepto para una

distribución con p(x) = 1 en un punto y p(x) = 0 en el resto
(una delta de Dirac), en cuyo caso σ2 =0.

13
Distribución de probabilidad uniforme U(a,b)
Función de densidad de probabilidad:
1
 1 b−a
 si a ≤ x ≤ b
p ( x ) = U ( a, b) =  b − a p (x)
 0 en otro caso
Área = 1
Recordemos que la función de
distribución se define como:
x a x b
F ( x) = ∫ p(t )dt
−∞
∀x ∈ ℜ
Entonces:
0 x<a
x −a
F ( x) =  a≤ x≤b
b − a
1 x>b 14
Igualmente, partiendo de la función de distribución:

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

Podemos calcular la función de densidad de probabilidad:

 1
dF ( x)  si a ≤ x ≤ b
= p( x) p( x) =  b − a
dx  0 en otro caso
15
Ejemplo:  1
 47 − 41 para 41 ≤ x ≤ 47

=
p( x) 

 0 para el resto de valores

45 − 42 1
p (x) =
47 − 41 2
Calcula la 1 1
probabilidad =
47 − 41 6
Area
P(42 ≤ x ≤ 45) = 0.5

41 45 42 47 x

x1 − x2 45 − 42 1
P(x1 ≤ x ≤ x2 ) = P(42 ≤ x ≤ 45) = =
b−a 47 − 41 2

16
 Calcula la media, la varianza y la desviación típica de
la distribución de probabilidad uniforme.
b
x
b
 x  b2 − a2 a + b
2
μ=∫ dx =   = =
a
b−a  2(b − a )  a 2(b − a ) 2

a+b 1 (b − a) b−a
2

b 2
σ = ∫x −
2
 dx = ; σ=
a
2  b−a 12 12

1 1
(σ2=1/12) (σ2=3/4)
p(x) p(x)

0 x 1 -1 0 1 2 x

Nota: Observa que estas distribuciones tienen la misma media pero distinta
varianza. Mayor varianza implica mayor dispersión alrededor de la media. 17
 Momentos de orden k centrados
en el origen y en la media.
E (T ( X )) = ∑ T ( x j ) p ( x j ) (Distribución discreta)
j

E ( X k ) = ∑ x j p( x j )
k Momentos de orden k
j

E (( X − μ) k ) = ∑ ( x j - μ) k p ( x j )
j
∞
E (T ( X )) = ∫ T ( x) p ( x)dx (Distribución continua)
−∞
∞
E( X k ) = ∫ p( x)dx
k
x Observa que para k = 2:
−∞
∞
σ2 = E((X - µ)2)
E (( X − μ) k ) = ∫ ( x − μ) k p ( x)dx 19

−∞
Otras medidas de la anchura de la distribución:
− Desviación absoluta media, Δx:

N ∞
1
∆x ≡
N
∑ x −x
i =1
i o ∆x ≡ ∫ x − x p ( x)dx
−∞

− Intervalo R ≡ xmax − xmin,

b

− Nivel de confianza al 68.3% [a,b] tal que: ∫ p( x)dx = 0.683

a
y el intervalo [a,b] es mínimo.

a ∞

− Cuartiles [a,b] tal que ∫ p( x)dx = 0.25

−∞
y ∫ p( x)dx = 0.25
b
22
Otros valores típicos o medidas del valor central son:

mediana  x( N +1) / 2 si N es impar

xmed ≡ Discr.
1 / 2( x N / 2 + x( N +1) / 2 ) si N es par

F ( xmed ) = P( X ≥ x) = P( X ≤ x) = 0.5 Cont.

moda xmod: es el valor para el cuál la distribución toma su

máximo absoluto.
Siguen un orden alfabético dF ( x)
p( x) =
dx

x
F ( x) = ∫ p(t )dt
−∞

23
Los momentos de orden superior son menos robustos y, por lo tanto, menos
utilizados
3er momento: describe la asimetría de la distribución.

Asimetría (skewness)
∑i =1 i
N
1 ( x − x ) 3

m3 ≡
N σ3

∞
m3 ≡ ∫ ( x − x ) 3 p ( x)dx
−∞

4o momento: describe el aplanamiento de la distribución.

1 ∑i =1 i
N
Kurtosis ( x − x ) 4 ∞
m4 ≡ m4 ≡ ∫ ( x − x ) 4 p ( x)dx
N σ4 −∞

Se suele medir en una escala que (Figs. © Press et al., “Numerical Recipes”)

toma 3 como su cero, ya que éste

es el valor de la kurtosis de una
distribución normal estándar 24
25
26
27
28
30
31