Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DISTRIBUCIONES CONTINUAS
Esta es la más sencilla de las distribuciones continuas. Surge al considerar una variable
aleatoria que toma valores equiprobables en un intervalo finito y su nombre se debe al
hecho de que la densidad de la probabilidad de esta variable aleatoria es uniforme en
todo su intervalo de definición.
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución uniforme en el intervalo real [a,b], con -∞<a<b<+∞ ,si su función de
densidad es:
1
, a xb
f ( x) b a
0, en el resto
Abreviadamente lo indicamos por XU(a,b) en donde a y b son los parámetros.
Características:
1. Función de distribución de una U(a,b) es:
0, xa
xa
x
P( X x) f ( x)dx , a xb
a b a
1, xb
ba
2. Media μ= (es el centro del intervalo de definición y en consecuencia coincide
2
con la mediana).
b a
2
3. Varianza VAR(X)=
12
Ejemplo: Sea X una variable aleatoria que se distribuye de forma uniforme en el
intervalo [3,9] . Hallar: función de densidad, función de distribución, Esperanza y
varianza.
Solución:
E[X]=6 y VAR[X]=3
1
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
2. DISTRIBUCIÓN NORMAL
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución normal de parámetros μ y σ si su función de densidad es:
( x )2
1
f ( x) e 2 , -∞< x<+∞
2
2
donde μ , σ y tales que -∞<μ<+∞ y σ>0. (π=3,14159... , e=2,71828 )
2
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
( x )2
1
Veamos pues que la expresión f ( x) e 2
2
nos da la función de densidad
2
de una familia de distribuciones normales para los diferentes valores de los parámetros
μ y σ. Dentro de esta familia de distribuciones normales hay una muy importante, que
corresponde a los valores de los parámetros μ=0 y σ=1, es decir la distribución N(0, 1)
y recibe el nombre de distribución tipificada o estándar, cuya correspondiente función
( x )2
1
de densidad se obtiene haciendo μ=0 y σ=1 en la expresión f ( x) e 2 2 :
2
1 2x
2
f ( x) e , x
2
Características:
2. Media: E [X]=μ
El parámetro μ es la media de la distribución. Sabemos que la función de densidad f(x)
de una N(μ,σ) es simétrica respecto de su media μ, es decir P[X≤μ ]= P [X≥μ] = 0,5 lo
cual nos permite decir que el parámetro μ es la mediana de la distribución.
La función de densidad f(x) presentaba un máximo para x= μ ,lo cual nos indica que el
parámetro μ es la moda de la distribución.
En consecuencia diremos que en una distribución N( μ,σ), la media, la mediana y la
moda coinciden con el parámetro μ.
3. Varianza. VAR[X] = σ²
Luego el parámetro σ que utilizamos en la N( μ,σ) es la desviación típica de la
distribución, y en el caso de la N(0,1) la desviación típica es la unidad.
3
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
1. P(X≤-a)=1-P(X≤a)
2. P(X>a)=1-P(X≤a)
3. P(a≤X≤b)=P(X≤b)-P(X≤a)
4. P(-a≤X≤a)=2P(X≤a)-1
5. P(-a≤X≤b)=P(X≤b)+P(X≤a)-1
6. P(-a≤X≤-b)=P(X≤a)-P(X≤b)
Propiedades
1. Propiedad reproductiva.
La suma de n variables aleatorias independientes, X1 , X 2 ,..., X n y distribuidas según
una N i , i , i = 1, 2, ..., n, sigue una distribución N ( μ1 +....+ n , 12 ... n2 )
Una variable aleatoria X con distribución B(n,p) se puede aproximar a una distribución
N(μ,σ), siendo μ=np y σ= npq cuando n sea suficientemente grande, es decir cuando
np > 5 y p ≤1/2.
4
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
3. DISTRIBUCIÓN GAMMA
Previamente vamos a definir la función gamma como una función del análisis
matemático y que después utilizaremos en varios modelos o distribuciones
probabilísticas de tipo continuo.
Dos casos particulares son: Γ(1)=1 , Γ(1/2)= (para p no entero pero si positivo)
Una vez que hemos definido esta función gamma, la vamos a aplicar para definir la
distribución de probabilidad gamma, pues son muchas las aplicaciones de esta
distribución a experimentos o fenómenos aleatorios que tienen asociadas variables
aleatorias que siempre son no negativas y cuyas distribuciones son sesgadas a la
derecha, es decir, el área bajo la función de densidad disminuye a medida que nos
alejamos del origen.
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución gamma de parámetros p y a, siendo p,a y p>0 y a>0, XΓ(p,a), si su
función de densidad es :
a p p 1 ax
x e ,x0
f ( x ) ( p )
0 ,x0
Características:
1. Función de distribución
5
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
a p x p 1 ax
F ( x) P( X x) ( p) 0
x e dx, x 0
0, x0
2. Media: E[X]=p/a
3. Varianza: Var(X)=p/a²
4. Propiedad reproductiva
Si X1 , X 2 ,..., X n son n variables aleatorias independientes, distribuidas según una Γ(
pi , a ), para i=1,...,n. Entonces la variable aleatoria Y= X1 X 2 ... X n sigue una
distribución Γ( p1 ... pn , a).
Ejemplo: Sea X una variable aleatoria con distribución gamma con p=2 y a=50. ¿Cuál
es la probabilidad de que X tome un valor menor al valor de la media?.
Solución: 0,594
4. DISTRIBUCIÓN EXPONENCIAL
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución exponencial de parámetro a , siendo a y a >0, XExp( a ), si su
función de densidad es
a e ax , x>0
f(x)=
0 , x0
Esta distribución es un caso particular de la distribución Γ(p, a ) para p=1, hecho que
tendremos en cuenta para el estudio de sus características.
Esta distribución está relacionada con la de Poisson, así pues si el número de sucesos
que ocurren en un determinado intervalo sigue una distribución de Poisson, entonces la
variable aleatoria que representa el tiempo entre ocurrencia de sucesos sigue una
distribución exponencial. Así, por ejemplo, si el número de ventas semanales de un
cierto modelo de coche sigue una distribución de Poisson, entonces el tiempo
transcurrido entre las ventas seguirá una distribución exponencial.
6
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
Características:
1 e ax , x>0
1. Función de distribución f ( x) P( X x)
0 , x0
2. Media : E[X]=1/a
3.Varianza : Var(X)=1/a²
5. DISTRIBUCIÓN BETA
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución beta de parámetros p y q, siendo p,q y p>0 y q>0, Xβ(p,q), si su
función de densidad es:
1
x p 1 (1 x) q 1 , 0<x<1
f ( x ) ( p, q )
0
, en el resto
O bien
( p q) p 1
x 1 x ,
q 1
0<x<1
f ( x ) ( p ) ( q )
0
, en el resto
7
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
Observemos que esta función de densidad está definida en el intervalo (0,1), lo cual nos
indica que esta familia de distribuciones beta es muy útil para representar modelos
probabilísticos que representan proporciones, tales como:
- La fracción de tiempo que un equipo está en reparación.
- La proporción de piezas defectuosas de un lote.
- La proporción del gasto de una familia en alimentación con respecto a los ingresos
totales.
- La participación de la producción de una empresa con respecto al total de lo
producido en ese sector, etc.
Características
1. Función de distribución
La expresión de la función de distribución es:
0 ,x0
x
1
x p 1 1 x dx
q 1
F ( x) , 0<x<1
0 ( p, q )
1, , x 1
2. Media: E[X]=p/(p+q)
3. Varianza: Var(X)=(pq)/(p+q+1)(p+q)²)
Ejemplo: Una comunidad de vecinos dispone de un depósito que contiene una cantidad
fija de combustible para la calefacción central y que es rellenado cada mes. La
experiencia acumulada durante muchos meses permite representar la proporción de
reserva utilizada cada mes mediante un modelo de distribución Beta con parámetros
p=4 y q=2. Calcule la probabilidad de que un mes determinado se utilice más del 75%
de la reserva de combustible.
Solución:
Su función de densidad será: f(x) = 20x3(1-x) si 0<x<1 y f(x)=0 en otro caso.
Luego P(x>0,75)= f ( x)dx =0,3672
0 , 75
8
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
EJERCICIOS TEMA
1. De la parada del autobús que recorre la línea Algeciras-San Roque sale un autobús
cada 15 minutos. Un viajero llega de improviso en cualquier momento. Obtener:
a) La función de distribución de la v.a. tiempo de espera hasta que salga el próximo
autobús.
b) Probabilidad de que el viajero espere menos de 5 minutos.
c) La media y la varianza de la v.a. tiempo de espera.
d) Probabilidad de que el viajero espere exactamente 10 minutos.
3. Sea una v.a. X distribuida según una normal con media μ=50 y desviación típica
=8. Obtener:
a) Probabilidad de que X tome valores entre 38 y 58.
b) Probabilidad de que X tome un valor mayor que 66.
9
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
b) Sabiendo que son rechazados para la exportación aquellos melones cuyo peso
difiere en más de 300 grs. del peso medio, determinar la proporción de melones
que se rechazan.
11. El sistema de control de calidad de una planta industrial consta de 3 subsistemas que
deben funcionar simultáneamente para efectuar el control completo. Si los tiempos
de funcionamiento, de los 3 subsistemas, son independientes y se distribuyen (en
horas) respectivamente N(45,5), N(47,3) y N(50,6), se pide calcular la probabilidad
de que el sistema funcione las 40 horas laborables de una semana, si al comienzo de
la semana se renuevan los subsistemas.
10
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
12. Un sistema electrónico está compuesto por dos circuitos cuyos tiempos de vida son
independientes y se distribuyen (6,2) y (8,4) respectivamente, en miles de horas.
El sistema funciona mientras funcione alguno de los dos circuitos. Se pide:
a) Probabilidad de que el sistema funcione más de 4.000 horas.
b) Vida esperada de cada circuito
PARTE II
Ejemplos de variables aleatorias continuas (II)
k
si 1 x 2
f ( x) x
0 resto
11
UNIVERSIDAD TECNOLOGICA DE EL SALVADOR
ING. ROY DONALDO SILVA
ESTADISTICA Y PROBABILIDAD
ax b si 0 x 1
f ( x)
0 en el resto
0 si x 2
F ( x) x 2 si 2 x 3
2
1 si x 3
12