Unidad IV

Distribuciones de Probabilidad Continuas

4.1. Definicin de variable aleatoria contina.
Una variable aleatoria X es continua si su funcin de distribucin es una funcin
continua.
En la prctica, se corresponden con variables asociadas con experimentos en los
cuales la variable medida puede tomar cualquier valor en un intervalo: mediciones
biomtricas, intervalos de tiempo, reas, etc.
Ejemplos

Resultado de un generador de nmeros aleatorios entre 0 y 1. Es el

ejemplo ms sencillo que podemos considerar, es un caso particular de una
familia de variables aleatorias que tienen una distribucin uniforme en un
intervalo [a, b]. Se corresponde con la eleccin al azar de cualquier valor
entre a y b.

Estatura de una persona elegida al azar en una poblacin. El valor que

se obtenga ser una medicin en cualquier unidad de longitud (m, cm, etc.)
dentro de unos lmites condicionados por la naturaleza de la variable. El
resultado es impredecible con antelacin, pero existen intervalos de valores
ms probables que otros debido a la distribucin de alturas en la poblacin.
Ms adelante veremos que, generalmente, variables biomtricas como la
altura se adaptan un modelo de distribucin denominado distribucin
Normal y representado por una campana de Gauss.

Dentro de las variables aleatorias continuas tenemos las variables aleatorias

absolutamente continuas.
Diremos que una variable aleatoria X continua tiene una distribucin
absolutamente continua si existe una funcin real f, positiva e integrable en el
conjunto de nmeros reales, tal que la funcin de distribucin F de X se puede
expresar como

Una variable aleatoria con distribucin absolutamente continua, por extensin, se

clasifica como variable aleatoria absolutamente continua.

En el presente manual, todas las variables aleatorias continuas con las que
trabajemos pertenecen al grupo de las variables absolutamente continuas,
en particular, los ejemplos y casos expuestos.

4.2. Funcin de densidad y acumulativa.

Una funcin que ofrece la probabilidad total de obtener un resultado de
unavariable aleatoria que vara desde el valor ms bajo posible para la variable
aleatoria hasta cualquier valor especfico de inters. Por ejemplo, podemos
preguntar cul es la probabilidad de que algn tipo de inters (tal como elLIBOR a
seis meses) sea del 5% o menos dentro de un ao a partir de hoy. Las funciones
de densidad acumulativa se derivan de las funciones de densidad deprobabilidad.
Tambin se conoce como funcin de probabilidad acumulativa.

4.3. Valor esperado, varianza y desviacin estndar.

Esperanza o media (v.a. continua)
Consideremos una v.a continua X.
Llamaremos media o esperanza de X a

donde x son los valores que toma la variable y f(x) es la funcin de densidad
Propiedades:
1. Dada una variable aleatoria continua que toma siempre el mismo valor C,
es decir, la variable es constante. Su esperanza es esa misma constante.
ya que
2. Si se multiplica una variable aleatoria por una constante, su esperanza se
ve multiplicada por esa constante.

3.

, vemoslo:

4. Sean X e Y dos variables aleatorias, E[X+Y]=E[X]+E[Y]

5. En general, E[aX+b]=aE[X]+b
Ejemplos:
1. El peso (en gramos) de un insecto se distribuye segn

Calcula el peso esperado

2. El tiempo de vida (en aos) de una determinada componente de un juguete

electrnico tiene por funcin de densidad

El tiempo de vida esperado ser

La duracin esperada de la componente es de medio ao, es decir, 6 meses.

Varianza (v.a. continua)
Se define la varianza como la esperanza del cuadrado de la diferencia entre la
variable y su esperanza:
V(X) = E[ (X - E[X] )2 ], teniendo en cuenta la definicin de esperanza, la varianza
queda

Desarrollando el cuadrado llegamos a una expresin de la varianza ms cmoda

para operar que la definicin

Desviacin tpica
Se llama desviacin tpica o estndar a la raz cuadrada positiva de la varianza
Para determinar la varianza hemos elevado los datos al cuadrado, esto implica
que las unidades se elevan al cuadrado. La desviacin tpica consigue tener las
desviaciones en la misma unidad que los datos.
Ejemplos:
1. El peso (en gramos) de un insecto se distribuye segn

Determnese la varianza de X
Para determinar la varianza primero calculamos E[X] y E[X 2]

V(X)= E[X 2] - E[X] 2=

2. El tiempo de vida (en aos) de una determinada componente de un juguete
electrnico tiene por funcin de densidad

Halla su varianza
Razonamos de forma anloga al caso anterior

V(X)= E[X 2] - E[X] 2=

Variable continua (continuos variable)

Variable que no tiene un nmero fijo de valores. La variable "ingresos" expresada
en pesos, por ejemplo, puede tomar muchos valores diferentes.
Grficos para variables cuantitativas
Para las variables cuantitativas, consideraremos dos tipos de grficos, en funcin
de que para realizarlos se usen las frecuencias (absolutas o relativas) o las
frecuencias acumuladas:
Diagramas diferenciales:
Son aquellos en los que se representan frecuencias absolutas o relativas.
En ellos se representa el nmero o porcentaje de elementos que presenta
una modalidad dada.
Diagramas integrales:

Son aquellos en los que se representan el nmero de elementos que

presentan una modalidad inferior o igual a una dada. Se realizan a partir de
las frecuencias acumuladas, lo que da lugar a grficos crecientes, y es
obvio que este tipo de grficos no tiene sentido para variables cualitativas.
Segn hemos visto existen dos tipos de variables cuantitativas: discretas y
continuas. Vemos a continuacin las diferentes representaciones grficas que
pueden realizarse para cada una de ellas as como los nombres especficos que
reciben.
Grficos para variables discretas
Cuando representamos una variable discreta, usamos el diagrama de barras
cuando pretendemos hacer una grfica diferencial. Las barras deben ser
estrechas para representar el que los valores que toma la variable son discretos.
El diagrama integral o acumulado tiene, por la naturaleza de la variable, forma de
escalera. Un ejemplo de diagrama de barras as como su diagrama integral
correspondiente estn representados en la figura 1.6.

Ejemplo
Se lanzan tres monedas al aire en 8 ocasiones y se contabiliza el nmero de
caras, X, obteniendose los siguientes resultados:

Representar grficamente el resultado.

Solucin: En primer lugar observamos que la variable X es cuantitativa discreta,
presentando las modalidades:

4.4. Distribucin Uniforme (continua)

En teora de probabilidad y estadstica, la distribucin uniforme continua es una
familia de distribuciones de probabilidad para variables aleatorias continuas, tales
que cada miembro de la familia, todos los intervalos de igual longitud en la
distribucin en su rango son igualmente probables. El dominio est definido por
dos parmetros, a y b, que son sus valores mnimo y mximo. La distribucin es a
menudo escrita en forma abreviada como U(a,b).

4.5 Distribucin Exponencial.

En estadstica la distribucin exponencial es una distribucin de
probabilidad continua con un parmetro
cuya funcin de densidad es:

Su funcin de distribucin acumulada es:

Donde

representa el nmero e.

El valor esperado y la varianza de una variable aleatoria X con distribucin

exponencial son:

La distribucin exponencial es un caso particular de distribucin gamma con k = 1.

Adems la suma de variables aleatorias que siguen una misma distribucin
exponencial es una variable aleatoria expresable en trminos de la distribucin
gamma.
ndice

1 Ejemplo

2 Calcular variables aleatorias

3 Relaciones

4 Vase tambin

5 Software

6 Enlaces externos

Ejemplo
Ejemplos para la distribucin exponencial es la distribucin de la longitud de los
intervalos de variable continua que transcuren entre la ocurrencia de dos sucesos,
que se distribuyen segn la distribucin de Poisson.
Calcular variables aleatorias
Se pueden calcular una variable aleatoria de distribucin exponencial
de una variable aleatoria de distribucin uniforme

o, dado que
distribucin

por medio

es tambin una variable aleatoria con

, puede utilizarse la versin ms eficiente:

4.6 Distribucin Gamma (Erlang)

En estadstica, la distribucin Erlang, es una distribucin de
probabilidad continua con dos parmetros y cuya funcin de densidad para
valores
es

La distribucin Erlang es el equivalente de la distribucin gamma con el

parmetro
y
. Para
eso es la distribucin
exponencial. Se utiliza la distribucin Erlang para describir el tiempo de espera
hasta el suceso nmero en un proceso de Poisson.
Su esperanza viene dada por:
Su varianza viene dada por:
La funcin generadora de momentos responde a la expresin:

4.7. Distribucin Normal.

Es la distribucin de probabilidad ms importante, que corresponde a una variable
continua. Tambin se la llama distribucin gaussiana.
En esta distribucin no es posible calcular la probabilidad de un valor exacto,
siempre se trabaja con rangos.
En la prctica, muchas variables que se observan tienen distribuciones que slo
se aproximan a la normal. Esto es, las variables tienen propiedades que slo se
acercan a las propiedades tericas de la distribucin normal.

4.7.1 Aproximacin de la Binomial a la Normal.

En este caso se estarn calculando probabilidades de experimentos
Binomiales de una forma muy aproximada con la distribucin Normal, esto
puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0 y 1, o
cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde:
x = variable de tipo discreto; solo toma valores enteros
m = np = media de la distribucin Binomial
s=

= desviacin estndar de la distribucin Binomial

Cuando ocurren las condiciones anteriores, la grfica de la distribucin

Binomial, es muy parecida a la distribucin Normal, por lo que es adecuado
calcular probabilidades con la Normal en lugar de con la Binomial y de una
forma ms rpida.
En resumen, se utiliza la aproximacin Normal para evaluar probabilidades
Binomiales siempre que p no est cercano a 0 o 1. La aproximacin es
excelente cuando n es grande y bastante buena para valores pequeos
de n si p est razonablemente cercana a . Una posible gua para determinar
cuando puede utilizarse la aproximacin Normal es tener en cuenta el clculo
de np y nq. S ambos, np y nq son mayores o iguales a 5, la aproximacin ser
buena.
Antes de empezar a resolver problemas con la aproximacin Normal, es bueno
aclarar que se estn evaluando probabilidades asociadas a una variable

discreta x, con una distribucin que evala variables de tipo continuo como es
la Normal,
Por lo que z sufre un pequeo cambio como se muestra a continuacin:

4.8. Teorema de Chebyshev.

Si una variable aleatoria tiene una varianza o desviacin estndar pequea,esperaramos que
la mayora de los valores se agrupan alrededor de la media. Por lo tanto, la probabilidad de que
una variable aleatoria tome un valor dentro decierto intervalo alrededor de la media es mayor
que para una variable aleatoriasimilar con una desviacin estndar mayor si pensamos en la
probabilidad entrminos de una rea, esperaramos una distribucin continua con un valor
grandede que indique una variabilidad mayor y, por lo tanto, esperaramos que el reaeste
extendida. Sin embargo, una desviacin estndar pequea debera tener lamayor parte de su
rea cercana a .Podemos argumentar lo mismo para una distribucin discreta. En el
histograma deprobabilidad. El rea se extiende mucho ms que. Lo cual indica una
distribucinmas variable de mediciones o resultados el matemtico ruso P. L.
Chebyschev(18211894) descubri que la fraccin de rea entre cualesquiera dos
valoressimtricos alrededor de la media esta relacionada con la desviacin estndar.Como el
rea bajo una curva de distribucin de probabilidad, o de un histogramade probabilidad, suma 1,
el rea entre cualesquiera dos nmeros es laprobabilidad de que la variable aleatoria tome un
valor entre estos nmeros