PROBABILIDAD

UNIDAD 4
VARIABLE ALEATORIA CONTINUA Y SU
DISTRIBUCION
Autor: Rina B. Ojeda Castaeda
23-Abril-2014

PRIMERA PARTE:
VARIABLE ALEATORIA CONTINUA Y
SU DISTRIBUCION

DISTRIBUCION DE PROBABILIDAD DE
VARIABLES ALEATORIAS CONTINUAS.
Variables Aleatorias Continuas.
Definicin 1. Se dice que una variable
aleatoria es continua si toma cualquier valor
en un intervalo.

PROBABILIDAD

Ejemplo:
La precipitacin pluvial diaria en cierto
punto geogrfico, con un equipo de
medicin exacto, se puede asociar a cada
posible cantidad de lluvia un punto nico en
un intervalo.

PROBABILIDAD

Otros ejemplos:
El rendimiento de un antibitico en un
proceso de fermentacin.
Tiempo de
electrnico.

duracin

de

un

equipo

PROBABILIDAD

Definicin 2. Si Y es una variable aleatoria con

funcin de distribucin F(y), se dice que es
continua, si la funcin de distribucin F(y) es
continua para - < y <
En el caso de una variable aleatoria continua Y,
para cualquier nmero real y, P(Y = y) = 0.
Si P(Y = y) = k > 0, entonces F(y) tendra una
discontinuidad (salto) de tamao k en el punto y.

PROBABILIDAD

Definicin 3. Si F(y) es la funcin de

distribucin de Y variable aleatoria continua, y
tiene derivada F(y), entonces f(y), dada por

dF ( y )
f ( y) =
= F ( y )
dy
es conocida como la funcin de densidad de
probabilidad para la variable aleatoria continua
Y.

PROBABILIDAD

Por lo anterior, se deduce que F(y) se puede

expresar como:
y

F ( y) =

f ( t ) dt

donde f(t) es la funcin de densidad de

probabilidad, y t la variable de integracin

PROBABILIDAD

Las funciones de densidad f(y) y la de

distribucin F(y) de la variable aleatoria
continua Y, se presentan en la siguiente
grficas
f(y)

F(y0)

y0

PROBABILIDAD

La funcin de densidad de probabilidad es un

modelo terico de la distribucin de frecuencias
de una poblacin de mediciones.
Teorema 2. (Propiedades de una funcin de
densidad).
Si f(y) es una funcin de densidad, entonces
f ( y ) 0 para cualquier valor de y

f ( y)dy = 1

PROBABILIDAD

Caractersticas de las distribuciones de

probabilidad para el caso discreto y el caso
continuo:
Caso Discreto

Caso Continuo

a)

Distribucin de probabilidad

p(y)

Funcin de densidad.

f(y)

b)

P(Y = y) 0
(Para calcular una probabilidad se utiliza un
punto)

P(Y = y) = 0
P( y1 < Y < y2 ) > 0
(Para calcular una probabilidad se utiliza un
intervalo)

c)

Funcin de Distribucin
Discreta
y
p(t )
F(y) = P(Y y) =
t =0

Funcin de Distribucin Contina

y
F(y) = P(Y < y) = f (t )dt
a

d)

Grfica de la Distribucin Discreta:

Funcin Escalonada

Grfica de la Distribucin Continua:

rea bajo la curva f(y)

PROBABILIDAD

Propiedades de f(y), p(y)

Caso Discreto
1)

2)

Caso Continuo

p(y) 0

p( y) = 1
y

f(y) 0

f ( y ) dy = 1

PROBABILIDAD

Si
0

F ( y) = y
1

para

y<0

para 0 < y < 1

La funcin de densidad f ( y ) seria :

f ( y) =

dF ( y )
dy

d (0)
dy = 0 para y < 0

d ( y)
=
= 1 para 0 < y < 1
dy
d (1)
= 0 para y > 1

dy

SEGUNDA PARTE:
DISTRIBUCION NORMAL

Distribucin Normal.
Funcin de Densidad Normal: Su funcin de
densidad est dada por:
( y 2)
e 2
> 0,
- < y <
f ( y) =
2

con
e = 2 . 7183
= 3 . 141592
, media y desviacin estndar
2

Si Y es una variable aleatoria normal con media

y varianza 2, la denotaremos como:
Y ~ N ( , 2). La grfica de la funcin normal
tiene forma acampanada. El histograma para
datos discretos para esta distribucin es de la
forma:
f(y)

Eventos Frecuentes

En la grfica anterior, se ve que el mayor

porcentaje de datos se agrupan alrededor de la
media.
Propiedades de la Distribucin Normal:
a) La grfica es simtrica.
b) La media, la moda y la mediana son iguales.
c) El sesgo es igual a cero.
d) El rea izquierda a partir de es igual al
rea derecha.

f(y)
0.5

0.5

De la grfica anterior observamos que:

P (Y ) = P (Y ) = 0.5

La probabilidad de: P(aYb) =

f ( y ) dy
a

b
a

( y )2

2 2

dy
2

Por simetra, se puede simplificar la tabla de las

reas listndolas entre la media, y el nmero
esperado; es decir, encontramos P(aYb)
utilizando la distribucin normal estndar.
DEFINICIN
Si Z se distribuye normalmente con =0 y 2=1,
entonces se dice que Z tiene una distribucin
normal estndar.

La variable aleatoria Z se define como:

Z=

La grfica para Y = N(,2), en donde P(aYb), es:

La grfica de una distribucin normal estndar, con

Media 0 y varianza 1, es:
f(y)

-5

=0

Para esta distribucin estndar:

P(-5 Z 5) 1

El mecanismo para calcular P(aYb), es:

Problema
Original

Problema Transformado
( distribucin normal
estndar )

Clculos

Problema
Original

Por propiedad de la distribucin normal:

P(Z z ) = P(Z z )
Sea Z ~ N(0,1).
Para el clculo de probabilidades para Z, se
utilizan tablas que contienen las probabilidades
para un rango de valores.

Ejemplos:
Calcular:
a)

P(Z 2)
f(y)

Solucin:

-5

a)

P(Z 2) = 0.0228

=0

Ejemplos:
Calcular:
b) P(-2 Z 2)

Solucin:
-2

b) P(-2 Z 2) =1 2P(Z 2) =1 2(0.0228)

= 0.9544

PROBABILIDAD

Ejemplos:
Calcular:
c) P(0 Z 1.73)

Solucin:

1.73

c) P(0 Z 1.73) = P(Z 0) P(Z 1.73)

= 0.5 0.0418 = 0.4582

Ejemplos:
Calcular:
a) P(0 Z 1.2)
b) P(-0.9 Z 0)
c) P(0.3 Z 1.56)
d) P(-0.2 Z 0.2)
e) P(-1.56 Z -0.2)

Solucin:
a) P(0 Z 1.2) = 0.5 P(Z 1.2) = 0.5 0.1151 = 0.3849

1.2

b) P(-0.9 Z 0) = .05 P(Z 0.9) = 0.5 0.1841 = 0.3159

-0.9

0.9

c) P(0.3 Z 1.56) = P(Z 0.3) - P(Z 0.156) = 0.3227

0.3

.1.56

d) P(-0.2 Z 0.2) = 1 2P(Z 0.2) = 0.1586

-2

e) P(-1.56 Z -0.2) = P(Z 0.2) - P(Z 1.56) = 0.3613

-1.56

0.2

0.2 0.11.56

Ejemplos:
Determinar el valor de z0 tal que la probabilidad
de que:
a) P(Z z0) = 0.5
b) P(Z z0) = 0.263
c) P(Z z0) = 0.8643
SOLUCIN
a) z0 = 0
b) z0 = 0.635
c) z0 = 1.1

Ejemplo 1: Los resultados de un examen de

admisin en un colegio determinado, tienen una
distribucin
normal con = 75 y = 10.
|
Cul es la probabilidad de que el resultado de un
estudiante est entre 80 y 90?
Y ~ resultado del examen de admisin de un
estudiante.
Y ~ N(75,100)
Z ~ N(0,1)
con

Z=

Grficamente:
f(y)

=75

90

Transformando el problema:
f(y)

=0

0.5

1.5

 80 75

75
90

75

P (80 Y 90 ) = P

10
10
10

80 75

90

75

= P
Z

10
10

3
= P (0 .5 Z 1 .5)
= P
Z
2

= 0 .3085 0 .0668 = 0 .2417

Ejemplo.- Ciertos estudios muestran que el

rendimiento de la gasolina para automviles
compactos vendidos en USA, tiene una
distribucin normal, con un rendimiento medio
de 30.5 millas por galn (mpg) y una desviacin
estndar de 4.5 mpg.
Si un fabricante desea disear un coche
compacto que se ms econmico que el 95% de
los automviles compactos vendidos en USA.
Cul debe ser el rendimiento mnimo del coche
nuevo?
Y - Rendimiento por millas por galn de un
automvil compacto
Y ~ N(30.4, 4.52)
El rendimiento mnimo del coche nuevo se obtiene
calculando la probabilidad de:

PROBABILIDAD

P( Y < y0) = . 95 = 1- P (Y y0)

P (Y y0) = 1 - .95 = .05
f(y)

y0

PROBABILIDAD

Transformando a una normal estndar

Z ~ N(0,1) se tiene que
P (Z z0) = 1 - .95 = .05
f(z)

= 0

z0

PROBABILIDAD

Como:

z0 =

y0

y0 30.5
1.645 =
4.5
y0 = 1.645(4.5) + 30.5 = 7.4024 + 30.5 = 37.90
por tanto el nuevo coche debe desarrollar un
rendimiento de 37.9 mpg, para ser mejor que el
95% de los coches compactos que actualmente
se venden en Estados Unidos.

Teorema.- Si Y es una variable aleatoria con distribucin

normal y parmetros y , entonces
E[Y] =

V[Y] = 2

Ejemplo.- El tiempo que una bacteria resiste a un

antibitico se mide en segundos y se distribuye
normalmente con media de 1200 segundos y varianza de
14400 segundos.
a).- Calcular la proporcin de bacterias que resisten ms de
1000 segundos.
b).- Calcular la proporcin de bacterias que resistan no ms
de 2000 segundos, pero al menos 1300 segundos.
c).- Cul es el promedio y desviacin estndar del tiempo
de resistencia de las bacterias ?.

= 1200

Y ~ N(|1200, 14400)

2= 14400

Z = (Y-1200)/120 ~N(0,1)

= 120
a).- Calcular la proporcin de bacterias que resisten ms
de 1000 segundos.
P( Y > 1000) = P(Z > (1000-1200)/120) = P( Z > -1.67)
P( Z > -1.67) = 1 P( Z > 1.67) = 1 - .0475 = 0.9525
f(z)

-1.67

=0

1.67

PROBABILIDAD
= 1200

Y ~ N(|1200, 14400)
Z = (Y-1200)/120 ~N(0,1)

2= 14400
= 120

b).- Calcular la proporcin de bacterias que resistan no

ms de 2000 segundos, pero al menos 1300 segundos.
1300 1200 Y 1200 1500 1200
P (1300 < Y < 2000 ) = P
<
<

120
120

= P(0.83 < Z < 2.5) = P ( Z > .83) P ( Z > 2.5)

= .2033 .0062 = .1971
f(y)

=1200 1300

f(z)

1500

=0

.83

2.5

PROBABILIDAD
= 1200

Y ~ N(|1200, 14400)

2= 14400

Z = (Y-1200)/120 ~N(0,1)

= 120
c).- Cul es el promedio y desviacin estndar del
tiempo de resistencia de las bacterias ?.
E[ Y ] = = 1200 ,

V [ Y ] = 2= 14400
DE[ Y ] = = 120

TERCERA PARTE:
TEOREMA CENTRAL DEL LIMITE

Aproximacin de una distribucin Binomial a

una Normal

De Moivre demostr que la distribucin

normal estndar se corresponde con la
binomial (normalizada) de p = 0.5.

0.40
0.35
0.30
0.25

Probability Mass

0.45

0.50

Binomial Distribution: Binomial trials=2, Probability of success=0.5

0.0

0.5

1.0
Number of Successes

1.5

2.0

n = 10,

p = 0.5

0.15
0.10
0.05
0.00

Probability Mass

0.20

0.25

Binomial Distribution: Binomial trials=10, Probability of success=0.5

Number of Successes

10

En general, para cualquier valor de p, la

distribucin binomial de n pruebas con
probabilidad p se aproxima a la curva
normal, con los parmetros:

= np
= np(1 p) = npq
2

Aunque parece un poco extrao, ya que la

distribucin
normal
es
simtrica
y
campaniforme, y la distribucin binomial
no es simtrica cuando p 0.5

0.3
0.2
0.1

Probability Mass

0.4

0.5

Binomial Distribution: Binomial trials=2, Probability of success=0.3

0.0

0.5

1.0
Number of Successes

1.5

2.0

n = 10,

p = 0.25

0.20
0.15
0.10
0.05
0.00

Probability Mass

0.25

Binomial Distribution: Binomial trials=10, Probability of success=0.25

Number of Successes

Sin embargo, a medida que crece n, la asimetra

de la binomial se compensa. n = 100, p = 0.25

0.06
0.04
0.02
0.00

Probability Mass

0.08

Binomial Distribution: Binomial trials=100, Probability of success=0.25

15

20

25

30

Number of Successes

35

40

PROBABILIDAD

Incrementando n = 20 y p = 0.3 se tiene

0.10
0.05
0.00

Probability Mass

0.15

B in o m ia l D is tr ib u tio n : B in o m ia l tr ia ls = 2 0 , P r o b a b ility o f s u c c e s s = 0 .3

N um b e r o f S uc c e s s e s

10

12

Incrementando n = 100 y p = 0.5 se tiene

0.04
0.02
0.00

Probability Mass

0.06

0.08

Binomial Distribution: Binomial trials=100, Probability of success=0.5

35

40

45

50

55

Number of Successes

60

65

0.2
0.1
0.0

Density

0.3

0.4

Normal Distribution: Mean=0, Standard deviation=1

-3

-2

-1

0
x

PROBABILIDAD

El resultado de De Moivre sobre la Binomial

es un caso especial de un resultado an ms
general, que ayuda a explicar por que la
distribucin Normal es tan importante y tan
usada.

PROBABILIDAD

Teorema Central del Limite.Sea Y una variable aleatoria con media y

varianza 2. Sea U una variable aleatoria
tal que
Y
U=

Entonces U tiene una distribucin normal

estndar,cuando n

PROBABILIDAD

Teorema Central del Limite.Sea Y una variable aleatoria con media y

varianza 2. Sea U una variable aleatoria
tal que
Y
U=

Entonces U tiene una distribucin normal

estndar,cuando n

PROBABILIDAD

Usando el teorema anterior para el caso de

la Binomial, si Y~B(n,p) se obtiene la
aproximacin haciendo:

Z=

Y np
npq

= np, = npq
2

Ejemplo. Sea Y~B(n=25,p=0.5)

Y
14 (25)(0.5)
14 12.5

P (Y 14 ) = P

= PZ

2.5
(25)(0.5)(0.5)

= P ( Z 0.6 ) = 1 P ( Z 0.6) = 1 0.2743 = 0.7257

0 0.6

0 2.980232e-08
1 7.450581e-07
2 8.940697e-06
3 6.854534e-05
4 3.769994e-04
5 1.583397e-03
6 5.277991e-03
7 1.432598e-02
8 3.223345e-02
9 6.088540e-02
10 9.741664e-02
11 1.328409e-01
12 1.549810e-01
13 1.549810e-01
14 1.328409e-01
15 9.741664e-02
16 6.088540e-02
17 3.223345e-02
18 1.432598e-02
19 5.277991e-03
20 1.583397e-03
21 3.769994e-04
22 6.854534e-05
23 8.940697e-06
24 7.450581e-07
25 2.980232e-08

2.98E-08
7.45E-07
8.94E-06
6.85E-05
3.77E-04
1.58E-03
5.28E-03
1.43E-02
3.22E-02
6.09E-02
9.74E-02
1.33E-01
1.55E-01
1.55E-01
1.33E-01
7.88E-01

PROBABILIDAD

Esta aproximacin se puede mejorar. Si se

observa el histograma con atencin, se vera
que las barras tienen un nmero en el
centro.
Esto significa que la

P (Y 14 ) debe ser P (Y 14.5 )

PROBABILIDAD

Y np 14.5 12.5
P (Y 14.5 ) =P

npq

2.5

= P ( Z 0.8 ) = 1 P ( Z > 0.8 )

= 1 0.2119 = 0.7881 0.7878

PROBABILIDAD

A este 0.5 que se le aadi se le llama

correccin de continuidad (correccin de
Yates), y se debe incluir para obtener una
buena aproximacin continua a la variable
aleatoria binomial discreta Y.
a 1 np
b + 1 np
2
2

P ( a Y b) = P
Z

npq
npq

PROBABILIDAD

Supngase que Y tiene una distribucin

binomial con n = 25 y p =0.4. Calcular las
probabilidades exactas de que Y8 y Y = 8,
esto es, usando la distribucin binomial.
P (Y = 8 ) = .120, y P (Y 8 ) = .274

Aplicando el teorema del limite central

obtenga las probabilidades aproximando
con una Normal.

PROBABILIDAD

= np = 25(.4) = 10;

2 = npq = 6; = 2.45

Y np 8.5 10
P (Y 8 ) P (Y 8.5 ) =P

npq
2.45

= P ( Z 0.612 ) = P ( Z > 0.8 ) = 0.2709

= np = 25(.4) = 10;

2 = npq = 6; = 2.45

7.5 10 Y np 8.5 10
P (Y = 8 ) P ( 7.5 Y 8.5 ) =P

2.45
2.45
npq

= P ( 1.02 Z 0.61) = P ( Z 0.61) P( Z 1.02)

= 0.2709 0.1539 = 0.1170

Ejercicio.- En un estudio realizado por una

dependencia de transporte y vialidad, se
encontr que el 75% de los vehculos de
transporte colectivo, tienen alguna irregularidad
de acuerdo al reglamento de transito. Si se
someten 80 de estos vehculos a revisin:
a).Encontrar
la
probabilidad
de
que
exactamente 50 tengan alguna irregularidad
b).- Encontrar la probabilidad de 53 a 56
inclusive tengan alguna irregularidad.

Y nmero de vehculos con alguna

irregularidad de acuerdo al reglamento de
trnsito.
Y ~ B(n = 80, p = .75),
q = 1-p = 1-.75=.25
Y = 0, 1,2, , 80
a).- P(Y=20)
b).- P(23, 26)
n grande y p 0.5