Beruflich Dokumente
Kultur Dokumente
Algunas distribuciones
importantes de variables
aleatorias continuas
Vladimiro Contreras Tito
vcontrerastito@hotmail.com
6 de junio de 2019
Índice
Índice 1
1. Distribución normal 2
3. Distribución uniforme 4
4. Distribución exponencial 5
5. Distribución gamma 6
6. Distribución beta 8
7. Distribución de Weibull 9
8. Tablas 13
1
1 DISTRIBUCIÓN NORMAL
1. Distribución normal
La "distribución normal" o distribución de Gauss es sin duda la más impor-
tante y la de más aplicación de todas las distribuciones continuas. Esta distribu-
ción es bastante adecuada para describir la distribución de muchos conjuntos de
datos que ocurren en la naturaleza y la industria. Así pues para los siguientes
conjuntos de datos, se puede considerar adecuada la distribución normal:
Datos meteorológicos correspondientes a temperaturas, lluvias, etc.
1 x−µ 2
Figura 1: grafica de la función de densidad f (x) = √1 e− 2 ( σ )
σ 2π
NOTA 1.1.
Se verifica que Z ∞
1 1 x−µ 2
√ e− 2 ( σ ) dx = 1
−∞ σ 2π
Veamos ahora la representación gráfica de la función de densidad f (x) de la
N (µ, σ 2 ). Para ello veremos que se cumplen las siguientes propiedades:
V. Contreras T. Página 2
2 DISTRIBUCIÓN NORMAL ESTÁNDAR O TIPIFICADA
V. Contreras T. Página 3
3 DISTRIBUCIÓN UNIFORME
Z z
1 1 2
Φ(z) = √ e− 2 t dt
−∞ 2π
1 2
Figura 2: grafica de la función de densidad φ(z) = √1 e− 2 z
2π
3. Distribución uniforme
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.
Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en
un intervalo finito, de manera que puede tomar cualquier valor de ese intervalo,
entonces si la probabilidad de que la variable aleatoria tome un valor en cada
subintervalo de la misma longitud es la misma, diremos que la variable aleatoria
está distribuida uniformemente en ese intervalo.
V. Contreras T. Página 4
4 DISTRIBUCIÓN EXPONENCIAL
Definición 3.1. 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
b−a
a≤a≤b
f (x) =
0 en el resto
b+a (b − a)2
E(X) = y V (X) =
2 12
4. Distribución exponencial
Definición 4.1. Diremos que una variable aleatoria X, de tipo continuo, sigue
una distribución exponencial de parámetro β, siendo β > 0,y se denota por X ∼
Exp(β), si su función de densidad es
β e−β x x ≥ 0
f (x) =
0 x<0
V. Contreras T. Página 5
5 DISTRIBUCIÓN GAMMA
1 − e−β x si x ≥ 0
F (x) = P [X ≤ x] =
0 si x < 0
5. Distribución gamma
Previamente vamos a definir la función gamma como una función del análisis
matemático y que después utilizaremos en varios modelos o distribuciones prob-
abilísticas de tipo continuo.
Propiedades
2. Γ(1) = 1
V. Contreras T. Página 6
5 DISTRIBUCIÓN GAMMA
R∞ 1 √
3. Γ( 12 ) = 0
x− 2 e−x dx = π.
4. Si α ∈ N, entonces Γ(n) = (n − 1)!
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 ses-
gadas a la derecha, es decir, el área bajo la función de densidad disminuye a
medida que nos alejamos del origen.
Definición 5.1. Diremos que una variable aleatoria X, de tipo continuo, sigue
una distribución gamma de parámetros α y β representado por X ∼ Γ(α, β), si
su función de densidad es :
β α α−1 −β x
Γ(α)
x e si x ≥ 0
f (x) =
0 si x < 0
V. Contreras T. Página 7
6 DISTRIBUCIÓN BETA
6. Distribución beta
Previamente vamos a definir la función beta de p y q,denotado por β(p, q)
como : Z 1
β(p, q) = xp−1 (1 − x)q−1 dx p > 0 , q > 0
0
Γ(p) Γ(q)
Se verifica también : β(p, q) = Γ(p+q)
Definición 6.1. Diremos que una variable aleatoria X, de tipo continuo, sigue
una distribución beta de parámetros p y q, siendo p, q > 0, X ∼ β(p, q), si su
función de densidad es :
1
β(p,q)
xp−1 (1 − x)q−1 si 0 < x < 1
f (x) =
0 en otros casos
V. Contreras T. Página 8
7 DISTRIBUCIÓN DE WEIBULL
7. Distribución de Weibull
La distribución de Weibull se aplica en teoria de supervivencia como modelo
de tiempo de vida. En teoria de confiabilidad y tiempos de mantenimiento de
equipos. Se aplica tambien para modelar curvas de asimetría positiva, etc.
V. Contreras T. Página 9
7 DISTRIBUCIÓN DE WEIBULL
Definición 7.1.
2. Si X ∼ W (α , β) y si Y = X α , entonces Y ∼ Exp(β)
V. Contreras T. Página 10
7 DISTRIBUCIÓN DE WEIBULL
EJERCICIOS
3. Sea una v.a. X distribuida según una normal con media µ = 50 y desviación
típica 8. Obtener:
V. Contreras T. Página 11
7 DISTRIBUCIÓN DE WEIBULL
12. Un sistema electrónico está compuesto por dos circuitos cuyos tiempos de
vida son independientes y se distribuyen Γ(6, 2) y Γ(8, 4) respectivamente,
en miles de horas. El sistema funciona mientras funcione alguno de los dos
circuitos. Se pide:
V. Contreras T. Página 12
8 TABLAS
16. La vida útil en años de cierto tipo de máquinas para la producción es una
v.a. X que tiene distribución de weibull (α = 2 y β = 0, 01)
8. Tablas
V. Contreras T. Página 13
8 TABLAS
V. Contreras T. Página 14
8 TABLAS
V. Contreras T. Página 15
8 TABLAS
V. Contreras T. Página 16
8 TABLAS
V. Contreras T. Página 17
8 TABLAS
V. Contreras T. Página 18
8 TABLAS
V. Contreras T. Página 19
8 TABLAS
V. Contreras T. Página 20