VARIABLE ALEATORIA

UNIFORME
 DEFINICIÓN

Se dice que una variable X tiene una distribución

uniforme en el intervalo [a;b] si la fdp de X es:
 1
 si a  x  b
f(x)=  b-a
0 en otro caso
Demostrar que la FDA está dada por
0 si x < a
x a

F(x)=  si a  x  b
b  a
1 si x > b
FDP Y FDA DE LA VARIABLE
ALEATORIA UNIFORME
F(x)

f(x)
1 1
ba

a b x a b x
fdp FDA
 EJEMPLO

Los trenes de cierta línea de subterráneos corren cada

media hora entre la medianoche y las seis de la
mañana. ¿ Cuál es la probabilidad de que un hombre
que entra a la estación a una hora al azar, durante ese
período tenga que esperar por lo menos 20 minutos?

La variable aleatoria T: tiempo, en minutos, hasta el

siguiente tren, está distribuida uniformemente en el
intervalo [0;30]
1 1 1
 
30 30
P (T  20)   f (t )dt   dt  30  20 
20 20 30 30 3

La probabilidad sólo depende de la longitud del intervalo y no

de la ubicación del mismo.
ESPERANZA Y VARIANZA

Demostrar que si X tiene distribución

uniforme en [a;b], entonces:

 b-a 
2
a+b
E(x)= V(x)=
2 12
 DISTRIBUCIÓN
EXPONENCIAL
• Esta distribución: suele ser el modelo de fenómenos
aleatorios que miden el tiempo que transcurre entre la
ocurrencia de dos sucesos. Ejemplos:
• La variable aleatoria X representa el tiempo que
transcurre hasta la primera ocurrencia en el proceso de
Poisson (λ)
• El tiempo que tarda una partícula radiactiva en o el tiempo
que puede transcurrir en un servicio de urgencias, para la
llegada de un paciente.
 DISTRIBUCIÓN EXPONENCIAL

Se dice que X, que toma todos los valores no negativos, tiene

una distribución exponencial, con parámetro   0
Si su fdp está dada por:
 e
- x
si x  0
2.0 f(x)  
1.8   0 si x < 0
1.6  
1.4
1.2
 
1.0  
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4 5 6 7 8
 VERIFICAR QUE ES UNA
LEGÍTIMA FDP :
  b  eu
0
f ( x ) dx  
0
 e  x dx  lím 
b 
0 
du 

 lím  e  b  1  1
b 

La FDA está dada por: F(x)

1

1  e  x si x  0
F(x)  
0 si x<0 x
Demostrar las características numéricas de la función
exponencial: E ( x )  1 V(x)=
1
 2
 APLICACIONES

La distribución de vida durante la cual cierta marca de

computadora funciona eficazmente, es decir, el
tiempo en horas, de duración hasta la primera falla,
es exponencial con una vida media de 360 hs.
¿ Cuál es la probabilidad de que una computadora
funcione eficazmente:
a) Menos de 180 hs? b) Más de 720 hs?

1  e  t si t  0 1 1
F (t )   E(T )  360   360   
 360
0 si t < 0
 SOLUCIÓN

1
 .180
a) P(T<180)= F(180)=1-e 360
 0.3935

 
1
.720  
720
b) P(T>720)=1-P(T  720)=1-F(720)=1- 1  e 360   e 360  0,1353
 
 RELACIÓN ENTRE LA DISTRIBUCIONES
DE POISSON Y EXPONENCIAL


 RELACIÓN ENTRE LA DISTRIBUCIONES DE POISSON Y
EXPONENCIAL

Sea X el número de partículas emitidas por una fuente

radioactiva. Si se sabe que el número esperado de
demisiones en una hora es de 30 partículas.
a) ¿Cuál es la probabilidad de que sean emitidas al
menos 2 partículas en un lapso de 1 minuto?
b) ¿Cuál es la probabilidad de que el tiempo entre
emisiones sucesivas sea al menos de 3 minutos?
 RELACIÓN ENTRE LA DISTRIBUCIONES DE POISSON Y
EXPONENCIAL

 k .e  30.1
a) X : nº de partìculas en 1min P( X  k )  ,   0.5
k! 60
P( X  2)  1  P( X  2)  1   P( X  0)  P( X  1 
 1  0,91  0,09

b) T : tiempo (min)hasta que ocurre la prox emision,

30.3
Y : n o partìculas emitidas en 3min,   1.5
60
(1.5) 0 .e 1.5
P (T  3)  P (Y  0)   0.22
0!
 PROPIEDAD FUNDAMENTAL DE LA
FUNCIÓN EXPONENCIAL

El número de llegadas de micros a una terminal es una variable

de Poisson con parámetro 5 por hora.

Una persona está esperando el micro hace más de 60 minutos.

¿Cuál es la probabilidad de que el micro llegue antes de los
70 minutos de espera? P( t < 70 / t > 60) =

5 5 5 5
  6010   60  10  10
5 5 5
e e e e e ( e  1)
5
60 60
.e 60 60  10
 5
   1 e 60

e e5 e5
 F (10)  P(t  10)
 PROPIEDAD FUNDAMENTAL DE LA
FUNCIÓN EXPONENCIAL

La probabilidad de que el elemento falle en una hora (o en

un día, o en segundo) no depende del tiempo que lleve
funcionando .
La distribución exponencial no tiene memoria :
P( x< s + t / x> s ) = P( x< t )

P( s  x  s  t ) F ( s  t )  F ( s )
P( x  s  t / x  s )   
P( x  s ) 1  F ( s)
1  e  ( s t )  1  e s  e  ase t  e s e s (e t  1)
 s
 s
 s

1  (1  e ) e e
t
 1 e  F (t )  P( x  t )
 Distribución normal
Sin duda la distribución continua de
probabilidad más importante, por la
frecuencia con que se encuentra y por
sus aplicaciones teóricas, es la
distribución normal, gaussiana o de
Pierre Simon de Laplace
Laplace- Gauss. Fue descubierta y
(1749-1827)
publicada por primera vez en 1733 por
De Moivre. Llegaron, de forma
independiente, Laplace (1812) y Gauss
(1809), en relación con la teoría de los
errores de observación astronómica y
física .
Karl F. Gauss
(1777-1855)
 Razones principales para su estudio
1) Numerosos fenómenos pueden aproximarse mediante
esta distribución:
Caracteres morfológicos de individuos (personas, animales, plantas,...) de
una especie (tallas, pesos, diámetros, perímetros,...).
Caracteres sociológicos, por ejemplo: consumo de cierto producto por un
mismo grupo de individuos, puntuaciones de examen, ...
Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un
fármaco.
Errores cometidos al medir ciertas magnitudes.
Y en general cualquier característica que se obtenga como suma de
muchos factores

2) Se usa para aproximar distribuciones de variables discretas:

Como la binomial o la de Poisson se aproximan a la normal. Distribuciones
binomiales con n >10 y (np > 5) y (n(1-p) > 5).

3) Proporciona la base de la inferencia estadística por su

relación con el tlc
 DISTRIBUCIÓN NORMAL
Se dice que x que toma todos los valores reales, tiene
una distribución normal, si su fdp está dada por:
1  x  
2

1  
2  
f(x)  e 
con - < x < 
 2
     y  0
 NOTACIÓN

x N  , 2   su fdp está dada por

1  x  
2

1  
2  
f(x)  e 
con - < x < 
 2
     y  0
Ejercicio: verificar que es una fdp legítima.
2
1  x   1
 1    1  t2
2   

 2
e dx  

 2
e 2
 dt 

1 2
1   t 1
 e 2
dt  2  1
2 
2
no se puede obtener
de forma finita
Integral de Poisson
 Principales características de la
distribución Normal
• Es una curva uniforme con ordenadas siempre positivas,
definida para todo real x. Tiene forma de campana, es decir,
es monótona creciente hacia ambos lados del máximo, y es
asintótica al eje de las abscisas
•Es simétrica con respecto de la recta x= donde coinciden
la mediana (Me) y la moda (Mo ).
Para x tendiendo a  , el límite f(x) =0.
•La función tiene un máximo en x = . Los puntos de inflexión
tienen como abscisas los valores   . Verificar esta
propiedad.
 Características de la distribución
Normal

Puntos
de
inflexión

   +
- +
, Mo, Me
 con distintos valores de σ
Distribución normal para

p(x) 
1.2 

La desviación
típica es un
factor de escala. 0.8

0.4

0
-2.50 -1.50 -0.50 0.50 1.50 x 2.50
 INTERPRETACIÓN
GEOMÉTRICA

 La media se puede
interpretar como un
factor de traslación.
CARACTERÍSTICAS NUMÉRICAS

Demostrar que:

E( x )   y V (x)   2
 OTRAS PROPIEDADES

En toda distribución Normal se

comprueba que:
P( μ-2 σ ≤X ≤μ+ 2 σ ) = 0,955
P( μ-3 σ ≤X ≤μ+ 3 σ ) = 0,9973
que son intervalos más precisos
que la acotación deTchebychev
(0,75 y 0, 88, respectivamente).
Si Y = a X + b, siendo
X ~ N (μ, σ²), entonces
Y ~ N (a μ+ b, a²σ²)
UN POCO DE HUMOR