La distribución Uniforme

La distribución Uniforme es el modelo (absolutamente) continuo más simple. Corresponde

al caso de una variable aleatoria que sólo puede tomar valores comprendidos entre dos
extremos a y b, de manera que todos los intervalos de una misma longitud (dentro
de (a, b)) tienen la misma probabilidad. También puede expresarse como el modelo
probabilístico correspondiente a tomar un número al azar dentro de un intervalo (a, b).

De la anterior definición se desprende que la función de densidad debe tomar el mismo

valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del intervalo). Es decir,

Gráficamente:
La función de distribución se obtiene integrando la función de densidad y viene dada por:

Gráficamente:

Propiedades del modelo Uniforme

1. Su esperanza vale (b + a)/2

2. Su varianza es (b − a)2/12
Ejemplo
El precio medio del litro de gasolina durante el próximo año se estima que puede oscilar
entre 140 y 160 ptas. Podría ser, por tanto, de 143 ptas., o de 143,4 ptas., o de 143,45
ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas con la misma
probabilidad.

Su función de densidad, aquella que nos permite conocer la probabilidad que tiene cada
punto del intervalo, viene definida por:

Donde:

b: es el extremo superior (en el ejemplo, 160 ptas.)

a: es el extremo inferior (en el ejemplo, 140 ptas.)

Por lo tanto, la función de distribución del ejemplo sería:

Es decir, que el valor final esté entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad,
que esté entre 141 y 142, otro 5%, etc.

El valor medio de esta distribución se calcula:

En el ejemplo:
Por lo tanto, el precio medio esperado de la gasolina para el próximo año es de 150 ptas.

Veamos otro ejemplo:

El volumen de precipitaciones estimado para el próximo año en la ciudad de Sevilla va a

oscilar entre 400 y 500 litros por metro cuadrado. Calcular la función de distribución y la
precipitación media esperada:

Es decir, que el volumen de precipitaciones esté entre 400 y 401 litros tiene un 1% de
probabilidades; que esté entre 401 y 402 litros, otro 1%, etc.

El valor medio esperado es:

Es decir, la precipitación media estimada en Sevilla para el próximo año es de 450 litros.
La distribución Exponencial
Este modelo suele utilizarse para variables que describen el tiempo hasta que se produce
un determinado suceso.

Su función de densidad es de la forma:

Como vemos este modelo depende de un único parámetro α que debe ser
positivo: α > 0. A continuación se muestra un programa que nos permite ver cómo cambia
la forma de la función de densidad según el parámetro α.

La función de distribución se obtiene integrando la de densidad y es de la forma:

Podemos utilizar el programa siguiente para calcular dicha función de distribución:

Propiedades del modelo Exponencial

1. Su esperanza es α.

2. Su varianza es α2.

3. Una propiedad importante es la denominada carencia de memoria, que podemos

definir así: si la variable X mide el tiempo de vida y sigue una distribución
Exponencial, significará que la probabilidad de que siga con vida dentro de 20
años es la misma para un individuo que a fecha de hoy tiene 25 años que para
otro que tenga 60 años.

4. Cuando el número de sucesos por unidad de tiempo sigue una distribución

de Poisson de parámetro λ (proceso de Poisson), el tiempo entre dos sucesos
consecutivos sigue una distribución Exponencial de parámetro α = 1/λ.
Ejemplos:
1. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
falla en años está dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla . S í 5 de estos
componentes se instalan en diferentes sistemas, ¿cuál es la probabilidad de
que al menos 2 continúen funcionando después de 8 años?

Solución:
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:

la | nos indica que la integral se va a

evaluar desde 8 hasta ¥

Sea x el número de componentes funcionando después de 8 años. Entonces

mediante la distribución Binomial,
n=5
p = 0.20 = probabilidad de que un componente esté funcionando después de 8
años
q = 1-p = 0.80 = probabilidad de que un componente no funcione después de 8
años

P(x ³ 2 ) = p(x=2) + p(x=3) + p(x=4)+p(x=5) = 1 – p(x = 0, 1)

2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial con
una media de 4 minutos. ¿Cuál es la probabilidad de que una persona sea
atendida antes de que transcurran 3 minutos en al menos 4 de los 6 días
siguientes?

Solución:

la nos indica que la

integral va a ser evaluada de 0 a 3
 x = número de días en que un cliente es atendido antes de que transcurran 3
minutos
x = 0, 1, 2,...,6 días

p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos

en un día cualquiera = 0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3
minutos en un día cualquiera = 1- p = 0.4724

= 0.11587 + 0.02157 = 0.13744

La distribución Gamma
Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se
produce p veces un determinado suceso.

Su función de densidad es de la forma:

Como vemos, este modelo depende de dos parámetros positivos: α y p. La función Γ(p) es
la denominada función Gamma de Euler que representa la siguiente integral:

que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero positivo, Γ(p + 1) = p!
El siguiente programa permite visualizar la forma de la función de densidad de este
modelo (para simplificar, se ha restringido al caso en que p es un número entero).

Propiedades de la distribución Gamma

1. Su esperanza es pα.

2. Su varianza es pα2

3. La distribución Gamma (α, p = 1) es una distribución Exponencial de parámetro α.

Es decir, el modelo Exponencial es un caso particular de la Gamma con p = 1.

4. Dadas dos variables aleatorias con distribución Gamma y parámetro α común

X ~ G(α, p1) y Y ~ G(α, p2)

Se cumplirá que la suma también sigue una distribución Gamma

X + Y ~ G (α, p1 + p2).

Una consecuencia inmediata de esta propiedad es que, si tenemos k variables aleatorias

con distribución Exponencial de parámetro α (común) e independientes, la suma de todas
ellas seguirá una distribución G (α, k).

Ejemplo 1

En un día se producen 12 accidentes que se distribuyen como una distribución de Poisson.

Calcular la probabilidad de que en menos de medio día se produzcan 8 accidentes.

Tiempo en días para producirse 8 accidentes

Será una gamma ( 8, 1/12) se toma como escala 1/12 y ratio de escala 12

> pgamma(0.5,8,scale=1/12,lower.tail=T)
[1] 0.2560202
> pgamma(0.5,8,rate=12,lower.tail=T)
[1] 0.2560202

Ejemplo 2
Si se produce un parte de accidente cada 5 horas. Calcular el tiempo medio que transcurre
hasta que se producen dos partes.

Parte por hora 1/5 tiempo para un fallo 5 horas

Luego el tiempo para dos fallos sería una gamma (2,5)

Cuyo valor esperado sería.

E ( tiempo para dos fallos) = 2.· 5= 10

Donde vemos la relación "complicada" ratio de escala, escala.

Relación con la Normal

> pchisq(0.2,df=1)
[1] 0.3452792
> pgamma(0.2,1/2,rate=2,lower.tail=T)
[1] 0.6289066
> pgamma(0.2,1/2,rate=1/2,lower.tail=T)
[1] 0.3452792
> pgamma(0.2,1/2,scale=2,lower.tail=T)
[1] 0.3452792
Chi 2

Alfa = N/2 beta = N gama es chi con N grados de libertad ????

 Distribución normal
Una variable aleatoria continua, X, sigue una distribución normal de media
μ y desviación típica σ, y se designa por N(μ, σ), si se cumplen las siguientes
condiciones:

1. La variable puede tomar cualquier valor: (-∞, +∞)

2. La función de densidad, es la expresión en términos de ecuación matemática

de la curva de Gauss:

Curva de la distribución normal

El campo de existencia es cualquier valor real, es decir, (-∞, +∞).

Es simétrica respecto a la media µ.
Tiene un máximo en la media µ.
Crece hasta la media µ y decrece a partir de ella.
En los puntos µ − σ y µ + σ presenta puntos de inflexión.
El eje de abscisas es una asíntota de la curva.

El área del recinto determinado por la función y el eje de abscisas es igual a la

unidad.
Al ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.

La probabilidad equivale al área encerrada bajo la curva.

p(μ - σ < X ≤ μ + σ) = 0.6826 = 68.26 %

p(μ - 2σ < X ≤ μ + 2σ) = 0.954 = 95.4 %

p(μ - 3σ < X ≤ μ + 3σ) = 0.997 = 99.7 %

Ejemplos

1 Si X es u n a v ar ia b l e a le at or i a d e un a d is tr i buc i ó n N(µ , σ), ha l l ar:

p(µ − 3 σ ≤ X ≤ µ + 3σ)

S i X es un a v ar i ab l e a l ea t ori a d e u n a d is tr i bu c i ón N( µ, σ ), h a l lar : p( µ− 3 σ ≤
X ≤ µ + 3 σ)

Es d ec ir , q u e a pr ox im ad am en te el 99 .7 4 % d e l os v a lo res d e X es t án
a m en os d e tr es des v i ac io n es tí p ic as d e l a m edi a.

2 En u n a d is tr i b uc i ó n n or m al d e m e di a 4 y d e s v i ac i ó n tí p ic a 2, c a lc u lar e l
v a lor d e a par a q u e: P ( 4 −a ≤ x ≤ 4 + a) = 0. 5 9 34
E n un a d is tr ib uc ió n n o r m al de m ed ia 4 y d es v i ac i ó n tí p ic a 2, c a lc u l ar e l
v a lor d e a par a q u e: P ( 4 −a ≤ x ≤ 4 + a) = 0. 5 9 34
Aproximación de la binomial a la
normal
Teorema de Movire Laplace, corrección de continuidad o de Yates , ejercicios y
problemas resueltos con solución en vídeo, estadística 1 , 2 bachillerato
y universidad

Antes de empezar este tema tenéis que repasar la distribución binomial , y Normal
Aquí tenéis el enlaceDistribución Binomial Distribución normal

Teorema de Movire-Laplace: si X es una variable discreta que sigue una

distribución binomial de parámetros n y p, B(n,p) y se cumple que n>10, n·p>5 y n·q>5

resulta una aproximación bastante buena suponer que la variable X’ que se aproxima a la
variable normal ver explicación

Ejemplos
Trabajo: Unidad 6

Asignatura: probabilidad y estadística

Profesor: Robles Gámez Julio Cesar

Alumno: Hinojosa Gasca Miguel Angel

Fecha de entrega: 8 de Diciembre del 2016