Modelos importantes de Variables Aleatorias Continuas

Distribución Uniforme

Definición. X es una variable aleatoria uniforme en el intervalo (a, b) si:

1. El rango de X, RX, es el intervalo (a , b)
2. f X ( x ) es constante para x �RX
La función de densidad de una variable aleatoria uniforme lo da el siguiente teorema.

Teorema. Si X tiene distribución Uniforme (a, b), entonces su función de densidad de

probabilidad está dada por
� 1
� a< x<b
f X ( x ) = �b - a
�
�0 x �a , x �b
Donde a, b son números reales, llamados parámetros.

Demostración.

�c a< x<b
f X (x) = �
�0 en otros casos
�

La condición �f ( x ) dx = 1
-�
X

Implica �
c dx = 1
a
b
1
dx = c [ b - a ] = 1 por
Lo que quiere decir c � tan to c =
a
b-a

Lo que demuestra el teorema

3
LIC. MARÍA A. ZACARÍAS DÍAZ
8
Por notación se escribe X : U (a, b) y se lee “ X tiene distribución uniforme en (a,b).Cuando
a = 0 y b = 1, se dice que X tiene Distribución uniforme estándar.
Esperanza y Varianza de X.

( b - a)
2
a+b
E( X ) = y V (X ) =
2 12

Ejemplo
Daniel es un niño de 2 años, y de acuerdo con su historia familiar, parece razonable suponer
que cuando sea adulto su estatura tenga la misma verosimilitud de estar comprendida entre
160 y 172 cm. En base a esta suposición, cuando sea adulto, cuál es la probabilidad de que su
talla: ¿sea superior a 165 cm? ¿Este entre 164 y 169 cm?

Solución.
X: Talla de Daniel cuando sea adulto.
RX: (160, 172)
f X ( x ) = 1/ 12 160 < x < 172
Sean los eventos:
A: Cuando sea adulto su talla sea superior a 165cm.
A = [ X > 165 ]
172
1 1 7
P(A) = P(X > 165) = � dx = [172 - 165] = = 0.5833
165
12 12 12

B: Cuando sea adulto su talla este entre 164 y 169 cm.

B: [164 < x < 169]
169
1 1 5
P(B) = P[ 164 < x < 169] = � dx = [169 - 164) = = 0.4166
164
12 12 12

Distribución Exponencial

Otra variable continua que también se presenta con frecuencia es la variable exponencial.
Definición. Una variable absolutamente continua X, tiene distribución exponencial con
parámetro l > 0, si su función de densidad está dada por:
�l e- l x x > 0
fX ( x) = �
�0 x �0
Donde l es una constante real. Por notación se escribe X : exp ( l )
Esperanza y Varianza de X.
E(X) = 1/ l V ( X ) = 1 l2

Ejemplo
Se ha observado que las fallas mecánicas ocurridas en una planta industrial, aparecen como
un proceso Poisson aproximado con parámetro l = 1 / 2 por hora ( 1 cada 2 horas). Sí se llega
a la planta a las 9 a.m. del lunes y se designa con T el tiempo, desde la llegada hasta la
primera falla, entonces el comportamiento probabilístico de T viene dada por la función de
densidad

3
LIC. MARÍA A. ZACARÍAS DÍAZ
9
 1
1 - t
fT ( t ) = e 2 t>0
2

Es decir:

¿Cuál es la probabilidad de que transcurra al menos 1 hora antes que aparezca la primera
falla?
Solución.
T: Tiempo que transcurre hasta que aparezca la primera falla.
RT: {t / t > 0 , t es un número real }
1
1 - t
fT ( t ) = e 2 t >0
2
Sea el evento A: Transcurra al menos una hora
A = [T > 1]
� 1 1
1 -2 t -
P(A) = P[T > 1] = � e dt = e 2
= 0.6065
1
2

Distribución Normal

La fórmula para esta distribución fue publicada por primera vez por Abraham De Moivre el
12 de noviembre de 1733.
Muchos otros matemáticos contribuyeron en la obtención de esta fórmula, como Carl Gauss,
por sus aportes a la distribución normal también se llama distribución Gaussiana.
La variable aleatoria normal tiene como función de densidad la siguiente expresión
matemática:
2
1 �x - m �
- � �
2�s �
e -�< x < �
f ( x) = ,
s 2p
En esta ecuación p y e son las constantes 3.14159 y 2.71828. Los parámetros m , la media
y s la desviación estándar pueden considerarse como la medida de Tendencia Central y
Dispersión respectivamente.
La gráfica de la distribución normal es la siguiente:
4
LIC. MARÍA A. ZACARÍAS DÍAZ
0
Las características más importantes de la distribución normal son:
1. Es simétrica en torno a su media m
2. La media, mediana y moda son iguales
3. El área total bajo la curva y arriba del eje X es igual a la unidad.
4. Si se trazan perpendiculares a una distancia de una desviación estándar a partir de la
media, en ambas direcciones, el área encerrada por estas perpendiculares, el eje de las
X y la curva será aproximadamente 68% del área total.

Si se hace lo mismo que en el caso anterior a una distancia de dos desviaciones

estándar, el área encerrada será aproximadamente el 95%.

A una distancia de tres desviaciones estándar, el área encerrada será

aproximadamente 99.7%.

4
LIC. MARÍA A. ZACARÍAS DÍAZ
1
5. La distribución normal esta determinada completamente por los parámetros m y s .
En otras palabras se especifica una distribución normal distinta, para valores
distinto de m y s .
Los valores distintos de m trasladan la gráfica de la distribución a lo largo del eje de
las X, es decir:

Los diferentes valores de s determinan el grado de aplanamiento o levantamiento de

la gráfica de la distribución

4
LIC. MARÍA A. ZACARÍAS DÍAZ
2
Distribución Normal Unitaria o normal estándar.

La última característica mencionada de la distribución normal implica que esta distribución es

en realidad una familia de distribuciones en la cual un miembro se distingue de otro con base
en los valores de m y s . El miembro más importante de esta familia es la distribución normal
unitaria o normal estándar, llamada así porque tiene una media de cero y una desviación de
uno. Una forma de pasar de una distribución normal con una media m cualquiera ( �0 ) y
X -m
una desviación estándar s cualquiera ( �1) es definiendo la siguiente variable: Z = ,
s
De modo que la función de densidad asociada a la variable Z es:
z2
-
e 2
-�< z < �
f ( z) = ,
2p

La gráfica es:

Para hallar la probabilidad de que Z tome un valor entre dos puntos cualesquiera por ejemplo
z0 y z1:

4
LIC. MARÍA A. ZACARÍAS DÍAZ
3
Debe hallarse el área limitada por las perpendiculares trazadas en estos puntos, la curva y el
z2
z1 -

eje horizontal, es decir: e 2

�2p dz , sin embargo no tiene que llevarse a cabo tal integración

z0

dado que se cuenta con tablas que proporcionan dicho resultado.

Para indicar que una variable aleatoria tiene distribución normal con media 0 y varianza 1 se
utiliza la siguiente notación: Z : N ( 0,1)
Ejemplo
Sea la variable Z : N ( 0,1) , calcule las siguientes probabilidades:
a. P(Z< -1.2) b. P(Z<1.58) c. P(-1<Z<2) d. P(Z<a) = 0.025 e. P(-a<Z<a)= 0.96

Solución.a.

P(Z< -1.2) =

b.

P(Z<1.58)

4
LIC. MARÍA A. ZACARÍAS DÍAZ
4
d.

P(Z<a) = 0.025

Cálculo de Probabilidades para una Variable con Distribución Normal

1. Sea X una v.a con distribución N ( m , s ) .
2

2. Se transforma la variable X a otra Z de modo que tenga una distribución N(0,1), es decir,
X -m
definimos Z = , donde Z : N ( 0,1)
s
Por lo tanto:
�a - m X - m b - m �
P ( a < X < b) = P � � �
�s s s �
�
�a - m b-m �
= P� �Z �
�s s � �
�b - m � � a - m �
= F� �- F � �
�s � �s �
Ejemplo
La talla de 1000 alumnos de un colegio tiene una distribución aproximadamente normal con
media 1.7m y desviación estándar 0.05 m.
a. ¿Cuál es el número de alumnos con talla superior a 1.60 m?
b. ¿Cuál es la talla máxima del 30.5 % de los alumnos?

Solución.
Exp.
Acción: De esta población de alumnos se selecciona un alumno
Interesa: observar su talla
Luego la variable aleatoria es, X: Talla del alumno (la unidad en la que se expresará la
variable será los c.m.)
El recorrido de X, aproximadamente es; RX : (155, 185)
El comportamiento probabilistico de la variable es:

4
LIC. MARÍA A. ZACARÍAS DÍAZ
5
Cuya media, m = 170 c.m. y varianza s 2 = 25 c.m.

Respuesta a las preguntas.

a. Primero hallaremos la probabilidad del evento:

M: La talla del alumno sea superior a 160 c.m.
Luego: P(M) = P(X > 160)
Ubicación del evento y su probabilidad debajo de la curva descrita por X.

P(X>160

�X - m 160 - 170 �
P(X > 160) = 1 - P ( X �160 ) = 1 - P � � �
�s 5 �
= 1 - P ( Z - �2 ) = 1 - 0.0227 = 0.9773
Finalmente para hallar la cantidad de alumnos de dicha población, que tiene una talla
superior a 160 c.m. multiplicamos 0.9773 por 1000, lo que da 977. En conclusión son 997
alumnos que tienen una talla superior a 160 c.m.

b. Ubiquemos el evento y su probabilidad debajo de curva descrita por X, donde el evento es:
N: La talla del alumno sea menor o igual que “a”.
P(N) = P(X<a) = 0.3050

4
LIC. MARÍA A. ZACARÍAS DÍAZ
6
 P(X<a)

�X - m a - 170 � � a - 170 � �a - 170 �

P(X<a) = P � � �= P �Z � �= F � �= 0.3050
�s 5 � � 5 � � 5 �

� a -170
5
= -0.51 � a = 167.45c.m.

DISTRIBUCIÓN CHI-CUADRADO

Esta distribución es de enorme importancia, porque se utiliza en la estimación de parámetros y

en la contrastación de hipótesis, temas que son tratados en el curso de Inferencia Estadística.

Definición. Se dice que una variable aleatoria X tiene distribución Chi-Cuadrado con m
grados de libertad, y se denota X ~ χ2( m), si su función de probabilidad es dado por:

La siguiente grafica muestra el comportamiento de la variable para un valor particular del

grado de libertad, digamos m.

Grados de Libertad.
“m” es el parámetro del modelo probabilístico Chi Cuadrado.

Significado.

4
LIC. MARÍA A. ZACARÍAS DÍAZ
7
Es el número de datos que pueden variar arbitrariamente respecto a la suma total que se
obtendría a partir de ellos.
Ejemplo.
Sean los siguientes 4 datos (N = 4)
2, 3, 1, 4
Total 2+3+1+4 = 10
Si se fija uno de los datos, supongamos 1, entonces, tendríamos:

a + b + 1 + d = 10

a, b y c pueden tomar valores diferentes, sólo que deben cumplir la condición que la suma sea
10, así:
2 + 2 + + 1 + 5 = 10 ó 1 + 3 + 1 + 5 = 10

Observamos que el número de datos que pueden variar libremente son 3, es decir N - 1

Observación.
La distribución de probabilidad Chi- Cuadrado, es una familia de distribuciones, puesto que
hay una distribución diferente para cada uno de los valores posibles del grado de libertad m.
Según aumente m, la curva de la función de densidad se hace menos asimétrica a la derecha, y
tiende rápidamente a hacerse simétrica.

Esperanza y Varianza.

Si X es una v.a. con distribución Chi Cuadrado con m grados de libertad, entonces:
E(X) = m y Var(X) = 2m

Cálculo de probabilidades.

Para calcular la probabilidad de cualquier evento, se hace vía algún software o tablas que
contienen la probabilidad para eventos del siguiente tipo:
P(X ≤ c) , es decir:

Distribución Chi Cuadrado X

P(X ≤ c) = p
p 0.01 0.1 0.3 0.5 0.7 0.9 0.95 0.975 0.99
Grados de libertad

1 0.00016 0.01579 0.14847 0.45494 1.07419 2.70554 3.84146 5.02389 6.63490 c

2 0.02010 0.21072 0.71335 1.38629 2.40795 4.60517 5.99146 7.37776 9.21034
3 0.11483 0.58437 1.42365 2.36597 3.66487 6.25139 7.81473 9.34840 11.34487
4 0.29711 1.06362 2.19470 3.35669 4.87843 7.77944 9.48773 11.14329 13.27670
5 0.55430 1.61031 2.99991 4.35146 6.06443 9.23636 11.07050 12.83250 15.08627
. . .
. . .
. . .
10 2.55821 4.86518 7.26722 9.34182 11.78072 15.98718 18.30704 20.48318 23.20925
. . .

4
LIC. MARÍA A. ZACARÍAS DÍAZ
8
 . . .
. . .
20 8.26040 12.44261 16.26586 19.33743 22.77455 28.41198 31.41043 34.16961 37.56623

Ejemplo
Sea una v. a. X , así:

a. P(X > 20.48) = 1 - P(X ≤ 20.48) = 1 – 0.975 = 0.025

b. P(X ≤ c) = 0.7 c = 11.78
c. P(7.267 < X < 9.236) = P(X < 15.987) - P(X < 7.267) = 0.9 – 0.3 = 0.6

Teorema 1.
Si X es una v.a con distribución N(0,1), entonces la v.a. Y = tiene distribución .

Teorema 2.
Si son variables aleatorias independientes con las siguientes distribuciones de
probabilidad respectivamente ..., entonces la distribución de probabilidad de la
suma de estas variables, es decir X = es una , donde n = .

Teorema 3.
Sean ,..., v. a. independientes con distribución N(0,1) cada una de ellas, entonces
la distribución de probabilidad de la variable Z = es una .

Corolario 1.
Sean variables aleatorias independientes con distribuciones de probabilidad,
, ,…, respectivamente, entonces la distribución de probabilidad

de la v. a. R = es una .

Corolario 2.
Si es una muestra aleatoria tomada de una población N( , entonces la

distribución de probabilidad de la variable: V = = es una .

Teorema 4.
Sea es una muestra aleatoria extraida de una población N( , entonces se
tiene:

a. N( ).

b. Las estadísticas y = son independientes.

4
LIC. MARÍA A. ZACARÍAS DÍAZ
9
 La distribución muestral de la varianza muestral.

c. La variable aleatoria: = tiene una distribución .

DISTRIBUCIÓN “t” DE STUDENT

La distribución “t”, también es conocida con el nombre de distribución studenten honor a

William Gosset, quien publica sus estudios sobre esta distribución en 1908 bajo el seudónimo
de Student.
La distribución t, es muy similar a la distribución N(0,1), es simétrica en torno a cero y
depende de un solo parámetro, m, denominado número de grados de libertad.

Definición. Se dice que una v. a. X tiene distribución “t” de Student con m grados de libertad,
si su función de densidad de probabilidad es:

f(x) = , x , m = 1, 2, 3, ….

Una forma de indicar que una variable aleatoria X, tiene distribución t es: X .
El comportamiento de la variable X, para un cierto valor de m es:

Esperanza y varianza.

Si X es una v.a. con distribución , entonces:

a. E(X) = 0, m>1

b. Var(X) = , ⩝m>2

Cálculo de probabilidades

DISTRIBUCIÓN STUDENT
P(X < c) = p
p 0.01 0.1 0.3 0.5 0.7 0.9 0.95 0.975 0.99
Grados de libertad

1 -31.82052 -3.07768 -0.72654 0.00000 0.72654 3.07768 6.31375 12.70620 31.82052 c

2 -6.96456 -1.88562 -0.61721 0.00000 0.61721 1.88562 2.91999 4.30265 6.96456
3 -4.54070 -1.63774 -0.58439 0.00000 0.58439 1.63774 2.35336 3.18245 4.54070
4 -3.74695 -1.53321 -0.56865 0.00000 0.56865 1.53321 2.13185 2.77645 3.74695
5 -3.36493 -1.47588 -0.55943 0.00000 0.55943 1.47588 2.01505 2.57058 3.36493
. . . .
. . . .
. . . .
10 -2.76377 -1.37218 -0.54153 0.00000 0.54153 1.37218 1.81246 2.22814 2.76377
. . . .

5
LIC. MARÍA A. ZACARÍAS DÍAZ
0
 . . . .
. . . .
20 -2.52798 -1.32534 -0.53286 0.00000 0.53286 1.32534 1.72472 2.08596 2.52798

Ejemplo

Sea la v.a. X , para los siguientes eventos su probabilidad es:

a. P(X < 2.57058) = 0.975.
b. P(X > - 0.55943) = 1 – P(X < - 0.55943) = 1 – 0.3 = 0.7

Dada la probabilidad el valor de x es:

a. P(X < c) = 0.95 c = 2.015
b. P(-c < X < c) = 0.95 ⇨ P(X < c) = 0.975 ⇨ c = 2.57058

Teorema.
Sean Z una v.a. con distribución N(0,1) y V una v.a. con distribución . Si Z y V son

independientes, entonces la distribución de la v.a. T = ∿

5
LIC. MARÍA A. ZACARÍAS DÍAZ
1