Estadística Inferencial

Variable Aleatoria
Continua
Función de Densidad
 Introducción
Si analizamos los problemas estadísticos que
se presentan en la práctica, nos daremos
cuenta fácilmente que las variables
aleatorias de interés no son todas discretas.
Considere, por ejemplo, el tiempo requerido
para procesar un artículo (en minutos),
cantidad de precipitación pluvial en cierta
zona de la ciudad (en cc/m2), el tiempo de
vida útil de un componente electrónico (en
horas)
Notaremos que el recorrido de estas
variables no se pueden representar mediante
un conjunto finito de valores, pues en un
intervalo de números reales se tienen
infinitos posibles valores y por lo tanto no se
podrá asignar a cada punto del recorrido su
respectiva probabilidad.
Se debe formular por lo tanto un método
diferente para describir la distribución de
probabilidades de una variable aleatoria
continua
 Variable aleatoria continua

La variable aleatoria que adopte cualquier

valor dentro de un intervalo de números
reales se conoce como variable aleatoria
continua o simplemente variable continua.

El objetivo, en esta parte del curso, es

estudiar la distribución de probabilidad de
este tipo de variables.
• A partir de lo anterior tenemos que si X es una variable
aleatoria continua, su rango (RX) se expresará mediante un
intervalo de números reales, de la siguiente forma:
RX = [ a, b ] ó RX = [ a,  > , etc.
(donde “a” y “b” son números reales cualesquiera)

• Ejemplos:
X: Tiempo requerido para fabricar un artículo (en minutos)
RX = [ 2 , 8 ]

W: tiempo de vida útil de un artefacto eléctrico, en años

RW = [ 1 ,  [

Y: Rentabilidad mensual, en porcentaje, al invertir en las

acciones tipo A.
RY = [ 25% , 85% [
 Función de Densidad

• El comportamiento aleatorio de una variable

aleatoria continua X, es representado o
modelado mediante una función matemática a
la que denotaremos como f(x)
• Esta función f(x) tiene por objetivo
caracterizar las probabilidades asociadas a
cualquier subintervalo de números reales.
• La función que representa o modela dicho
comportamiento se le denomina Función de
Densidad y se define de la siguiente manera:
 Función de Densidad

Se denomina función de
Densidad de una variable
aleatoria continua X, con
recorrido RX , a la función
f(x) que cumple las
siguientes condiciones:

i) f ( x )  0 x Gráfica de distribución
Exponencial, Escala=0.5, Valor umbral=0

2.0

ii) 
RX
f ( x )dx  1
Densidad
1.5

1.0

0.5

0.0
0 1 2 3 4 5 6 7 8
X
 Interpretación geométrica
Consideremos una variable aleatoria continua con recorrido en el
intervalo [a, b] y función de densidad f(x)

i) A partir de la primera condición

f(x)  0, tenemos que los valores
de la función son mayores o f(x)
iguales que 0, lo cual implica que
la gráfica está sobre el eje X
a b

ii) A partir de la segunda condición

concluimos que el área bajo la b

grafica de la función y por  f  x  dx = 1

encima del eje X es igual a 1. a Are
Area=1
a=1
a b
 Cálculo de Probabilidades
• Para calcular probabilidades que
involucren a una variable aleatoria
continua con recorrido RX y con una
función de Densidad f(x),
utilizaremos la siguiente definición:
d
P c  x  d   f ( x)dx
c

• En este caso es un intervalo que está a c d b

contenido en el recorrido RX

Observación: Si X es variable aleatoria continua, entonces

P(X = x) = 0, para cualquier valor real x.
 Interpretación geométrica
Consideremos una variable aleatoria continua con
recorrido en el intervalo [a, b] y función de
densidad f(x)

“El área “p” debajo de la función f(x), limitada por x=c y

x=d es numéricamente igual a la probabilidad”

Área = p
Pc  X  d   f(x)dx  p
d

c
p

a c d b
Ejemplo:
El tiempo X, en horas, que se requiere para ensamblar cierto
artículo se puede modelar mediante la función de densidad de la
forma siguiente:

kx 2 x4
f(x)  
0 otro caso

a) Hallar el valor de la constante K

b) Calcular la probabilidad de que el tiempo de ensamblaje esté
entre 2.5 y 3.5 horas
c) El tiempo de ensamblaje de cierto artículo es por lo menos
tres horas, ¿Cuál es la probabilidad de que la duración de
este ensamblaje tenga una duración de a lo mas 3.5 horas?
d) Calcule el máximo tiempo de ensamblaje requerido en el 90%
de artículos ensamblados con menos tiempos
 Valor Esperado
• Definición: El Valor esperado de una
variable aleatoria X, denotada por E(X) ó
, se define de la siguiente manera.

E( X)   xf (x)dx
RX

• Este valor representa la media o el

promedio de una variable aleatoria X, por
lo tanto es una mediad de tendencia
central de los datos
 Varianza de una Variable Aleatoria

• Definición: La varianza de una variable aleatoria X

denota por 2 ó V(X) se defina de la siguiente
manera: “Sea X una variable aleatoria continua con
función de Densidad f(x), con media igual a E(X),
entonces la varianza de X es dada por:

V ( X )  E ( X 2 )  E ( X ) 
2

• En este caso el valor de E(X2) se calcula de la

siguiente manera:

E( X2 )  
RX
x 2 f ( x)dx
 Desviación Estándar
Coeficiente de Variabilidad
• Desviación Estándar:
Se calcula a partir de la varianza,
se denota por σ y para obtener
la Desviación Estándar se saca la σ  V(x)
raíz cuadras a la varianza

• Coeficiente de Variación:
Es una medida de dispersión o
variabilidad que se calcula en base 
CV ( X )  (100)
a la Desviación Estándar y el Valor 
Esperado o promedio. Se suele
expresar en términos porcentuales.
 Propiedades del Valor Esperado
y de la Varianza

Consideremos a k y b como dos

• Valor Esperado: constantes reales cualesquiera
Cuando una variable se
transforma de alguna manera,
se pueden utilizar las i) E (k )  k
propiedades de la media para ii ) E (kX )  kE( X )
calcular la nueva media.
iii ) E ( X  b)  E ( X )  b
• Varianza:
Del mismo modo se puede
calcular la nueva varianza de i) V (k )  0
los valores ya transformados, ii ) V (kX )  k 2V ( X )
utilizando las propiedades de
la Varianza. iii ) V ( X  b)  V ( X )
 Ejemplo:
El monto de utilidad (en miles de soles) obtenida en una transacción
económica es una variable aleatoria cuyo comportamiento está
expresado mediante la siguiente función de densidad:

kx2 0 x2
f(x)  
0 otro caso
a) Hallar la constante k
b) Calcule la utilidad promedio obtenida por transacción económica
realizada.
c) Se considera que estas transacciones son de riesgo bajo o moderado si
el coeficiente de variación en la utilidad es a lo más 35%. ¿Son estas
transacciones de riesgo moderado?
d) Mediante ciertas condiciones de negociación se logró un incremento del
15% en la utilidad obtenida y además un adicional de 200 soles. Luego
de dichas modificaciones las utilidades obtenidas son más homogéneas?
 Función de Distribución
Acumulativa: F(x)

Sea X una variable aleatoria continua con rango

RX, y sea f(x) su función de densidad de
probabilidad. La Función de Distribución
Acumulativa de X, denotada por F(x), está
definida como:
x
F x   P X  x   f  t  dt

 Características de la Función de
distribución acumulativa F(x)
Toda función de distribución acumulativa tiene las
siguientes características

 F(x) es no decreciente; es decir si tenemos dos

valores x1 y x2 , de modo que x1 ≤ x2
entonces tendremos que F(x1) ≤ F(x2)
 F(x) es acotada, es decir, se cumple que:

limF(x)  0 lim F(x)  1

x   x  
 Propiedades de la función de distribución
acumulativa F(x)

Dos propiedades importantes y útiles que se deducen

para las distribuciones acumulativas son las siguientes:
i) P(a ≤ X ≤ b) = F(b) – F(a)
ii) P(X > a) = 1 – P(X ≤ a) = 1 – F(a)

Observación:
Si X es variable aleatoria continua, entonces P(X = x) = 0,
para cualquier valor real x.
Ejemplo:
El tiempo X, en horas, que se requiere para
reprocesar un artículo producido es una
variable aleatoria cuya función de densidad
está dada por

2 x 0  x 1
f x   
0 otro caso

Hallar la función de distribución acumulativa

F(x) para esta variable.
 Cálculo la función de distribución acumulativa,
para la variable tiempo de reprocesamiento:
x
Fx   PX  x    f t  dt

x x
 Si x  0, entonces Fx    f t  dt   0 dt  0
 

 Si 0  x  1, entonces


x 0 x
Fx    f t  dt   
x
0 dt  2t dt  t 2
0  x2
  0
x 0 1 
 Si x  1, entonces Fx    f t  dt   0 dt   2t dt   0 dt  1
  0 1
Finalmente la función de distribución
acumulativa, es la siguiente:

0 x0
 2
Fx    x 0  x 1
1 x 1

Calcule las siguientes probabilidades: utilizando la
función de densidad y luego la función de
distribución acumulativa.

a) La probabilidad de que el tiempo de

reprocesamiento requiera a lo sumo media
hora.
b) La probabilidad de que el tiempo de
reprocesamiento sea más un cuarto de hora
pero menos de tres cuartos de hora.
c) La probabilidad de que se invierta más de
45 minutos en reprocesar un artículo.
El calculo de probabilidades utilizando la función de
densidad f(x):

a) La probabilidad es:
0.5


0.5
P( X  0.5)  2 xdx  x 2
 (0.5) 2  0  0.25
0
0

b) La probabilidad es:
0.75

 2 xdx  x
2 0.75
P(0.25  X  0.75)   (0.75) 2  (0.25) 2  0.5
0.25
0.25

c) La probabilidad es:
1


1
P( X  0.75)  2 xdx  x 2
 12  0.75 2  0.4375
0.75
0.75
El calculo de probabilidades utilizando la función de
distribución acumulativa F(x):

a) La probabilidad que el tiempo de reprocesamiento requiera a

lo sumo media hora, es:

P( X  0.5)  F (0.5)  (0.5) 2  0.25

b) La probabilidad que el tiempo de reprocesamiento sea más
de un cuarto de hora, pero menos de tres cuartos de hora,
es:
P(0.25  X  0.75)  F (0.75)  F (0.25)  (0.75) 2  (0.25) 2  0.5

c) La probabilidad que se requiera más de un cuarto de hora en

el reprocesamiento de un artículo es:

P( X  0.75)  1  P( X  0.75)  1  F (0.75)  1  0.752  0.4375