Tema 7.

Variables Aleatorias Continuas

Presentacin y Objetivos.

En este tema se propone el estudio de las variables aleatorias continuas ms importantes, desde
la ms simple incrementando el grado de sofisticacin. Tras conocer en detalle cada una de
ellas, se estudiar en qu condiciones se admiten aproximaciones a la distribucin Normal, cuya
importancia se ver reflejada y quedar justificada en los contenidos de los temas relacionados
con la Inferencia Estadstica.

Los Objetivos de esta Unidad Didctica son:

1. Conocer a nivel conceptual y operativo las distribuciones continuas ms importantes,

motivadas a travs de ejemplos.
2. Entender cundo pueden obtenerse aproximaciones a la distribucin Normal.

Esquema Inicial.

1. Distribucin Uniforme.
2. Distribucin Normal o Gaussiana.
3. Distribucin Gamma.
4. Distribucin Beta.

Desarrollo del Tema

1. Distribucin Uniforme

Una variable aleatoria se distribuye segn una distribucin Uniforme o rectangular en el

intervalo , con si su funcin de densidad est dada por

1
si
0 en el resto

Se escribe ~ , o , si tiene una distribucin Uniforme en , .

Es funcin de densidad ya que:

a) 0 al ser .

b) 1

Su funcin de distribucin es

 0 si

si

1 si

1.1 Medidas caractersticas

Media:

1 1
2 2 2

Varianza: para calcularla, se obtendr primero .

1 1
3 3 3
con lo que
2
3 4 12

Adems, una propiedad importante de la distribucin Uniforme es la siguiente:

, ,

2. Distribucin Normal o Gaussiana

Esta distribucin destaca por sus mltiples aplicaciones y por los teoremas centrales del lmite
que se estudiarn ms adelante. Las aplicaciones ms destacadas son las siguientes: para
representar variables fsicas (temperatura, altura, peso, ), errores de instrumentacin,
calificaciones en pruebas de aptitud, inferencia estadstica (ya que muchos estadsticos tienden a
la Normal conforme crece el tamao de la muestra), tiempo de vida de un componente elctrico.

Una variable aleatoria tiene una distribucin Normal con parmetros y 0

( ~ , ) si su funcin de densidad es la siguiente:

1
,
2

La figura 1 muestra la representacin grfica de la funcin de densidad de la distribucin

Normal para diferentes valores de la desviacin tpica y con igual media 0.

 0,6
0,5 = 0,7

f( x ) 0,4
0,3
=1
0,2
0,1 =2

0
-10 -6 -2 2 6 10
x
Figura 1: Distribucin Normal para diferentes valores de

Esta funcin tiene las siguientes caractersticas:

tiene como asntota a 0 ya que lim 0.

es simtrica respecto a : .
tiene un mximo en , .

tiene dos puntos de inflexin: .

Observacin: La distribucin Normal , es reproductiva respecto de y , es decir,

dadas , variables aleatorias independientes con ~ , , ~ , entonces

~ ,

La funcin de distribucin es

1
2

Esta funcin existe pero no se puede poner en funcin de las conocidas. Se transforma en una
distribucin 0,1 haciendo el cambio :

1
2

que es la funcin de distribucin de una 0,1 en , que est tabulada. Si ~ 0,1

(habitualmente se utiliza para denotar una distribucin 0,1 ), se tiene

es decir

, ,

2.1 Medidas caractersticas

Media:
Varianza:

2.2 Relacin entre 0,1 y ,

Si 0,1 entonces con 0, es , .

Inversamente, si , entonces 0,1 . A esta transformacin se le

llama tipificacin.

As,

, 0,1

Ejemplo 1: Dada una variable aleatoria ~ , se calcula la probabilidad de un intervalo

, de la siguiente forma:

donde ~ 0,1 .

Ejemplo 2: Sea ~ , . Se pueden conocer exactamente las siguientes probabilidades:

1 1 0,6826

2 2 2 2 0,9544

3 3 3 3 0,9974

Estas probabilidades indican que existe gran concentracin de valores alrededor de la media.

As, basta estudiar la 0,1 , cuya funcin de densidad es

1
2

La funcin de distribucin es

1
2

que verifica 1 por ser simtrica respecto del 0.

Como no tiene primitiva, la funcin de distribucin est tabulada para distintos valores de
, en las denominadas tablas de reas acumuladas. Se pueden encontrar distintos tipos de tablas:

1. Tablas de colas:
Dan las reas de las colas de la 0,1 .
2
| |
2
2. Tablas de reas acumuladas:
a) reas de la izquierda:
b) reas de la derecha:
3. Tablas de otro tipo: 0

Conocida una tabla, se pueden construir las otras. En las tablas suele aparecer en la columna
dcimas y en las filas centsimas, que forman la abscisa positiva de la 0,1 .

Ejemplo 3: Conocida se puede calcular:

1 1

1 2 1

Ejemplo 4: Un tubo electrnico tiene una distribucin de vida Normal 280 horas de media y
desviacin tpica . Cul debe ser el valor mximo que debe alcanzar si se quiere que el tubo
tenga una probabilidad 0,8 de vivir entre 240 y 320 horas?
Se define la variable aleatoria

cuya distribucin es 280, y hay que obtener el valor de tal que
240 320 0,8
Tipificando se obtiene
240 280 280 320 280
240 320

 40 40
0,8

Como esa probabilidad es igual a

40
2 1 0,8

se busca tal que 0,9. En la tabla de la 0,1 se debe buscar el valor

, que verifica , 0,9. Se obtiene , 1,2816 (se ha utilizado una tabla con la
funcin de distribucin y se ha interpolado linealmente entre los valores , 1,28 y

, 1,29 , y

40
1,2816 31,21098

2.3 Relacin entre Binomial, Poisson y Normal

La distribucin Normal puede utilizarse para aproximar probabilidades de variables Binomiales

y de Poisson.

, 0,1

Ejemplo 5: Una variable aleatoria 100; 0,06 se aproximara a

100 0,06 6, 100 0,06 0,94 2,37

Como la distribucin Normal es continua, cmo se pueden calcular probabilidades discretas?

Se utiliza la correccin de continuidad que tiene en cuenta que el nmero equivale al intervalo
continuo 0,5; 0,5 . As, , se aproxima a , significa en la
prctica:

0,5 0,5

Adems,

0,5

0,5

0,5 0,5

Cuando en la distribucin de Poisson , el parmetro es superior a 5, ~ , se puede

aproximar con la variable aleatoria , .

Resumiendo,

Ejemplo 6: Un vivero prepara pedidos de la planta Actinida (kiwi). Se necesita planta macho y
planta hembra para la fructificacin. El vivero estima que el 6% de las plantas son machos. Si se
realiza un pedido de 100 plantas,

a) Cul es la probabilidad de que no se consiga la fructificacin?

b) Cul es el nmero esperado de plantas macho?
c) Si para asegurar la fructificacin de todas las plantas hembra se necesita que al menos el
10% de las plantas sean machos, cul es la probabilidad de que fructifiquen todas las
plantas hembras?

Se define la variable aleatoria

100 ~ 100; 0,06

a) no conseguir fructificacin ningn macho o todos machos 0

100 0,94 0,06 0,0020548
b) 100 0,06 6 plantas
c) El 10% de 100 es 10, con lo que se pide 10 , probabilidad que se puede calcular
utilizando la aproximacin por la distribucin Normal, ya que se cumplen las
condiciones necesarias: 100 30, 0,06 0,1 y 100 0,06 6 5.
As, si ~ 6, 5,64 2,3748 se tiene
9,5 6
10 9,5 1,4737 0,0708
5,64

2.4 Distribucin Normal Truncada

Como ya se ha mencionado, una de las aplicaciones ms habituales de la distribucin Normal es

la representacin de medidas fsicas. Muchas de estas medidas slo estn definidas para los

valores positivos o en un determinado intervalo. Para estos casos se utiliza la Normal truncada.
A continuacin se muestra, en general, cmo se define la distribucin de una variable
aleatoria truncada.
Sea variable aleatoria y sea un subconjunto de , la funcin de distribucin de
truncada en es | que ser:

a) Si es discreta:
,
| si

donde es el soporte de , es decir, 0.
En el resto es 0.
b) Si es continua:

, ,
|

Es decir, la funcin de densidad de la distribucin truncada es

si

Particularizando para ~ , se tiene la distribucin Normal truncada.

Ejemplo 7: Obtener la funcin de densidad de la Normal truncada en el 0, es decir, la

distribucin de | 0.

1
si 0
2
0 en el resto

donde

1
1
2

Si 3 entonces 1 y se omite la constante .

Ejemplo 8: En una poblacin el cociente intelectual sigue una distribucin Normal de media
100 y de varianza 256. Se considera que un estudiante de Informtica terminar la carrera si su
cociente intelectual es superior a 110. Por otra parte se clasifica a una persona como muy
inteligente si su cociente es superior a 132. Calcular la proporcin de muy inteligentes entre los
ingenieros en Informtica.

Se define la variable aleatoria

~ 100, 256 16

y sea el suceso que representa terminar la carrera de Informtica. Se pide 132| .

132, 110 132

132| 132| 110
110 110

100 132 100

16 16 2 1 0,9772
0,0852
100 110 100 0,625 1 0,7324
16 16

3. Distribucin Gamma

Se dice que una variable aleatoria sigue una distribucin Gamma de parmetros , 0
( , ) si su funcin de densidad es de la forma:

si 0

donde es la funcin Gamma definida por

Se puede demostrar que esta funcin es continua, que converge para 0 y que converge
uniformemente respecto a . Adems, tiene las siguientes propiedades:

a) 1 1
b) 1 1
c) 1 ! si

d)

e) siendo con 0

De esta ltima propiedad se deduce fcilmente que es funcin de densidad.

La representacin de depende de los valores de y , como se puede observar en la figura 2.

Si 1 tiene perfil de una J transpuesta y si 1 tiene un pico en 1 . es un

factor de forma y de escala.

1
= 1, p = 1
0,8

0,6
f(x)

0,4 = 1, p = 1,5

0,2 = 0,5, p = 1,5

0
0 4 8 12 16
Figura 2: Distribucin Gamma para diferentes valores de
x
y .

Observacin: La distribucin Gamma , es reproductiva respecto de , es decir, dadas dos

variables aleatorias , independientes con ~ , , ~ , entonces

~ ,

Su funcin de distribucin es

, 0

3.1 Medidas caractersticas

Media:

Varianza:

3.2 Distribucin de Erlang

10

Si es entero, la distribucin Gamma se conoce como distribucin de Erlang y la funcin de

distribucin se puede expresar como

1 1
2! 1 !

integrando por partes.

Esta distribucin se utiliz por primera vez en problemas de trfico en lneas telefnicas.

Existe una asociacin entre los modelos de Poisson y Erlang:

Si el nmero de sucesos aleatorios independientes que ocurren en un lapso especfico,
es una variable de Poisson con frecuencia constante de ocurrencia igual a , entonces,
dado , el tiempo de espera hasta que ocurre el -simo suceso de Poisson, tiene
una distribucin de Erlang de parmetros y .
Se tiene que la distribucin de Erlang , es el modelo para el tiempo de espera
hasta que ocurre el -simo evento de Poisson, y la distribucin de Poisson es el
modelo para el nmero de sucesos independientes que ocurren en un tiempo ,
encontrndose ste distribuido de acuerdo con el modelo de Erlang.

Algunos ejemplos de modelos que siguen una distribucin Gamma, son los siguientes:

Tiempo aleatorio de fallo de un sistema que falla slo si de manera exacta los
componentes fallan y el fallo de cada componente ocurre a una frecuencia constante
por unidad de tiempo.
Problemas de lneas de espera para representar el intervalo total para completar una
reparacin si sta se realiza en subestaciones de manera independiente y con una
frecuencia constante .
Si se considera una pieza metlica que se encuentra sometida a cierta fuerza, de manera
que se romper despus de aplicar un nmero especfico de ciclos de fuerza, donde los
ciclos ocurren de manera independiente y a una frecuencia promedio; el tiempo que
debe transcurrir antes de que el material se rompa se distribuye segn una gamma.

3.3 Distribucin Exponencial

Es tambin un caso particular de la distribucin Gamma y es muy importante por sus mltiples
usos y aplicaciones.

Una variable aleatoria sigue una distribucin Exponencial de parmetros 0 (

) si su funcin de densidad es

11

 si 0
0 en el resto

Como se puede observar, la distribucin exponencial es una distribucin Gamma con 1, es

decir, , 1 .

La funcin de distribucin es 1 si 0 (0 en el resto).

Sus medidas caractersticas son:

Media:
1

Varianza:
1

La distribucin exponencial resulta al considerar en un proceso de Poisson la variable continua

:

0 sucesos en 0, 1

Una propiedad fundamental de la distribucin exponencial es que no tiene memoria: La

probabilidad de ocurrencia de sucesos presentes o futuros no depende de lo que haya
ocurrido en el pasado.
As, que una unidad falle en un lapso especfico no depende del tiempo que la unidad
haya estado en operacin, sino slo depende de la duracin del lapso. Esto es, dada
~ ,
|

Ejemplo 9: El nmero de personas necesarias para la visita turstica a una cueva es de 25. Si el
nmero de personas que solicita dicho servicio sigue una distribucin de Poisson de media 90
personas por hora y el ltimo grupo parti a las siete, a qu hora se espera que salga el
siguiente? Si alguien llega a las 7:25 y con l hay 24 personas, cul es la probabilidad de que la
visita tarde ms de dos minutos en empezar?

Se definen las variables aleatorias

90 3
~ 1,5
60 2

25 ~ 1,5; 25

12

Se observa que sigue una distribucin de Erlang de parmetros 1,5 y 25 ya que es el

tiempo de espera hasta que ocurre el suceso 25 de Poisson. Su esperanza es

25
16,6 minutos
1,5

Con lo que se espera que el siguiente grupo salga entre las 7:16 y 7:17 horas.

Se considera ahora la variable aleatoria

que sigue una distribucin Exponencial de parmetro 1,5, ya que representa el tiempo que
tarda en llegar una nueva persona, es decir, el tiempo hasta la ocurrencia del siguiente suceso de
Poisson. As, la probabilidad de que la visita tarde ms de dos minutos en empezar es

,
2 1 2 0,049787

4. Distribucin Beta

La distribucin Beta juega un gran papel en la estadstica bayesiana que se comentar en

unidades posteriores. Se utiliza para representar variables ficticias cuyos valores se encuentran
restringidos a un intervalo de longitud finita. Otros ejemplos de su uso son:

Distribucin de artculos defectuosos sobre un intervalo de tiempo especfico.

Evaluacin de programas y tcnicas de revisin.
Distribucin de la proporcin de valores que deben caer entre dos observaciones
extremas.

Una variable aleatoria sigue una distribucin Beta de parmetros , 0( , )

si su funcin de densidad es

1
1 si 0 1
,

y 0 en el resto, donde , es la funcin beta definida por

, 1 con , 0

y que tiene las siguientes propiedades:

a) 1,1 1

b) ,

13

 c) , ,

d) ,

La representacin grfica de la funcin de densidad de la distribucin Beta para diferentes

valores de los parmetros se muestra en la figura 5. y son parmetros de perfil. La
distribucin es simtrica slo si .

3
p = 2, q = 5 p = 2,5, q = 1
2,5
2
f(x)

p=q=2
1,5
1
0,5
0
0 0,2 0,4 0,6 0,8 1
x
Figura 3: Distribucin Beta para diferentes valores de y

4.1 Medidas caractersticas

Media:

Varianza:

14