Variables aleatorias continuas

Características numéricas y algunas 1ºC 2019

distribuciones teóricas

Clase Nº 8
Mg. Stella Figueroa
 Variable aleatoria continua

X es una VAC si existe una función f(x), llamada función de densidad

de probabilidad de X, (fdp) que satisface las siguientes condiciones:

a) f(x)  0 x
 f(x) no representa
Si X toma sólo
valores en el
b) 

f(x)dx  1 ninguna probabilidad.

intervalo [a,b] c) Para cualquier intervalo (a,b)/ -  a  b   .

y f(x) = 0 para b
los otros valores P (a  x  b )   f(x)dx
de x ,
a
La integral
entre a y b de
f(x) es 1.
 Consideraciones
x0
1. P(X=Xo)= 
x0
f(x)dx  0 No significa que el
suceso sea imposible

P(a<x<b)= P(a  x<b)= P(a  x  b)= P(a<x  b)


2, Si f*(x) es mayor o igual que cero para todo x de su dominio, y
f*(x)


f*(x) dx = k  R
emtonces f(x)= x
k
es una legitima función de densidad de probabilidad
 Aplicar la definición de una v.a.c.

Hallar el valor de k de modo que f(x) sea una fdp legítima y graficar,
siendo:
kx(1-x) si x  0,1

f (x)  
0 si x  (0,1)

Hallar :
a) P(1/4 <x<1/2) =
b) P(x >1/3 / 1/4< x <1/2)=
 Función de Distribución Acumulativa (FDA)

Si X es una variable Si X es una variable

aleatoria discreta, se F :   [0,1] aleatoria continua, se

llama función de llama función de

distribución, a la función distribución, a la función F

F tal que tal que

𝑎
F(a)  P  x  a    p( x j ) 𝐹 𝑎 =P(x<a)= −∞
𝑓 𝑥 𝑑𝑥
x j a
 Propiedades de la función de distribución
acumulada FDA
P( x1  X  x2 )  F ( x2 )  F ( x1 )

si x1  x 2  F(x1 )  F(x 2 )
lim F ( x )  lim P ( X  x )  P (S )  1
x  x 

lim F ( x )  lim P ( X  x )  P ()  0

x  x 

Si F(x) es la FDA de X, entonces

f(x) = F´(x) para todo x donde F es diferenciable.
Cálculo de la FDA (función de distribución acumulativa)

Hallar y graficar la FDA de la variable aleatoria continua

cuya fdp está dada por:

6x(1-x) si 0  x  1
f(x)= 
0 si x  (0,1)
 Valor esperado o Esperanza Matemática
para variable continua
Sea X una variable aleatoria continua con fdp f(x) para todo x
real, se llama valor esperado de X o esperanza matemática
de X, a:

E(X)   x.f(x) dx



E(X) existe si 
x .f(x) dx < 

6x(1-x) si 0  x  1
Hallar la E(X) para f(x)  
0 en otro caso
 Propiedades de la E(x) )

1) Si X = C entonces E(X) = C
2) E(C.X)= C.E(X)
3) E (X+Y) = E (X) + E(Y)
4) E (X-Y) = E (X) - E(Y)
5) E (X.Y) = E (X) . E(Y) si X eY son
Variables aleatorias independientes
 Propiedades de la varianza

1) Si x = C entonces V(x) = 0
2) V (x+c) = V (x)
3) V(cx)=c 2V(x)

4) V (x+y) =V(x) + V(y) si x e y son

variables independientes
5) V (x-y) = V (x) + V (y) si x e y son
variables independientes.
 Otra forma de expresar la
varianza

V ( x )  E ( x )  E  x 
2 2
Demostrar
n

VAD V (x)   i
( x
i 1
 E ( x ))2
.p( xi )

2
x  E ( x ) .f ( x )dx   x 2.f ( x )dx    x.f ( x )dx 
  
V (x)   
2
VAC
    
 Ejemplo de una vinculación entre VAD y VAC

Un instrumento electrónico tiene una duración X, (en unidades

de 100 hs) que es una VAC con la fdp:
e-x si x >0
f(x)  
0 si x  0
Suponiendo que el costo de fabricación de tal artículo es $ 20 y
que el fabricante vende el artículo por $ 50, pero garantiza un
reembolso total si x < 0,2 y devuelve la mitad si 0,2 < x < 0,4
¿Cuál es la utilidad neta esperada por artículo?
 Interpretación

Si se produce un gran número de instrumentos Ui P(Ui)

electrónicos, perderá $20 alrededor del 18%
de las veces, ganará 5 $ alrededor del 15 % de -20 0,18
las veces y ganará $30 alrededor del 67% de
5 0,15
las veces.

El fabricante espera ganar, a la larga, $17,25

30 0,67
por artículo.
 Mediana (me)

m e
1 1
P ( X  me )   P ( X  me )   f(x)dx 
2 
2

Ejercicio: hallar la me de la variable X tal que

 x 2 si o < x  1

2
f (x)   si 1 < x  2
3

0 si x > 2
 Ejercicio

1
 8 x si 0  x  2

f(x)= k si 2< x  5
1. Dada la siguiente función 0 para todo otro valor


2. Hallar el valor de k para que f(x) sea una fdp.
3. Calcular el valor de a tal que P( x  a)  0,25
4. ¿Qué medida de posición representa a?
Justificar la respuesta.
5. Si la moda (Mo) es el valor de x para el cual f(x) toma su valor máximo, hallar, si existe, la
Mo de esta fdp.
 Variable Aleatoria Uniforme

Definición
Una variable aleatoria X tiene una
 1
 si a  x  b
distribución uniforme en el f(x)=  b-a
intervalo [a;b] si la fdp de X es:
0 en otro caso

0 si x < a
x a
Demostrar que la FDA está dada por F(x)= 
 si a  x  b
b  a
1 si x > b
Gráficos de la fdp y de la FDA de una variable
aleatoria uniforme
F(x)
f(x)

1
1
ba

a b x a b x
fdp FDA
0 si x < a
 1 x a
 si a  x  b 
f(x)=  b-a F(x)=  si a  x  b
 b  a
0 en otro caso 
1 si x > b
 Ejemplo

Los trenes de una línea de subterráneos corren cada media hora entre la
medianoche y las seis de la mañana. ¿ Cuál es la probabilidad de que un
hombre que entra a la estación a una hora al azar, durante ese período tenga
que esperar por lo menos 20 minutos?
La variable aleatoria T: tiempo, en minutos, hasta el siguiente tren, está distribuida
uniformemente en el intervalo [0;30]
1 1 1
 30  20  
30 30
P (T  20)   f (t )dt   dt 
20 20 30 30 3
La probabilidad sólo depende de la longitud del intervalo y
no de la ubicación del mismo.
 Esperanza y varianza

Demostrar que si X tiene distribución uniforme en [a;b],

entonces:

 b-a 
2
a+b
E(x)= V(x)=
2 12
 Distribución exponencial

• Modelo de fenómenos aleatorios que miden el tiempo que

transcurre entre la ocurrencia de dos sucesos.
• La variable aleatoria X representa el tiempo que
transcurre hasta la primera ocurrencia en el proceso de
Poisson (λ), Ejemplos:
• El tiempo que tarda una partícula radiactiva en
desintegrarse
• El tiempo que transcurre en un servicio de urgencias,
hasta la llegada de un paciente.
 Distribución exponencial

Si X es una variable aleatoria continua que toma todos los valores no negativos
tiene una distribución exponencial, con parámetro α > 0 Si su fdp está dada por:
2.0
1.8
1.6
1.4
α  e- x si x  0
1.2 f(x)  
α 1.0 0 si x < 0
0.8
α 0.6
0.4
α 0.2
0.0
0 1 2 3 4 5 6 7 8
 Verificar que es una legítima fdp:

  b  eu     b
  1
  e dx  lím  lím e 1
 x
f ( x ) dx  du   
0 0
b 
0  b 

La FDA está dada por: F(x)

1
1  e  x
si x  0
F(x)  
0 si x<0
x
Demostrar las características numéricas de la función
exponencial: 1 1
E( x )  V(x)=
 2

 Solución

1
 .180
a) P(T<180)= F(180)=1-e 360
 0.3935

 
1
.720  
720
b) P(T>720)=1-P(T  720)=1-F(720)=1- 1 e 360   e 360  0,1353
 
 Relación entre la distribuciones de Poisson
y exponencial

Sea X el número de partículas emitidas por una fuente radioactiva. Si se sabe que
el número esperado de emisiones en una hora es de 30 partículas.
a) ¿Cuál es la probabilidad de que sean emitidas al menos 2 partículas en un
lapso de 1 minuto?
b) ¿Cuál es la probabilidad de que el tiempo entre emisiones sucesivas sea al
menos de 3 minutos?
 Relación entre la distribuciones de
Poisson y exponencial

 k .e   30.1
a ) X : n º de partìculas en 1min P ( X  k )  ,   0.5
k! 60
P ( X  2)  1  P ( X  2)  1   P( X  0)  P( X  1 
 1  0,91  0, 09

b) T : tiempo (min) hasta que ocurre la prox emision,

30.3
Y : n o partìculas emitidas en 3 min,    1.5
60
(1.5) 0 .e 1.5
P (T  3)  P (Y  0)   0.22
0!
 Propiedad fundamental de la función
exponencial
El número de llegadas de micros a una terminal es una variable de Poisson con
parámetro 5 por hora. Una persona está esperando el micro hace más de 60
minutos. ¿Cuál es la probabilidad de que el micro llegue antes de los 70 minutos
de espera? 𝟓 𝟓
−𝟔𝟎𝟕𝟎 −𝟔𝟎.𝟔𝟎
𝑷(𝟔𝟎<𝒕<𝟕𝟎) 𝑭 𝟕𝟎 −𝑭(𝟔𝟎) 𝟏− 𝒆 −𝟏 +𝒆
P( t < 70 / t > 60) = = = 𝟓
𝑷(𝒕>𝟔𝟎) 𝟏−𝑭(𝟔𝟎) −𝟔𝟎.𝟔𝟎
𝟏−𝟏 +𝒆
5 5 5 5
  6010   60  10  10
e 60
 e5 e 60
.e 60
 e5 e5 (e 60
 1)
 5
 
e e5 e5
 F (10)  P(t  10)
5
 10
 1 e 60
 Propiedad fundamental de la función exponencial

La probabilidad de que el elemento falle en una hora (o en un día, o en segundo)

no depende del tiempo que lleve funcionando.

La distribución exponencial no tiene memoria :

P( x< s + t / x> s ) = P( x< t )

P( s  x  s  t ) F ( s  t )  F ( s )
P( x  s  t / x  s )   
P( x  s ) 1  F ( s)
1  e  ( s t )  1  e s  e  ase t  e s e s (e t  1)
 s
 s
 s

1  (1  e ) e e
t
 1 e  F (t )  P( x  t )