Tema 6

Distribuciones de variables aleatorias

continuas
6.1.

Uniforme continua

Definici
on (Distribuci
on Uniforme Continua): Una variable aleatoria X sigue una distribucion uniforme en el intervalo [a, b] R, X U [a, b], si su funcion de densidad f (x) tiene
la siguiente expresion:

f (x) =

1
ba

si a x b

(6.1)

e.c.c.

El experimento asociado viene dado por cualquier experimento en el que la variable aleatoria
toma valores reales en el intervalo [a, b] y todos los subintervalos de la misma longitud son
igualmente probables.

6.1.1.
1.

Propiedades

f (x)dx = 1

2. La funcion de distribucion viene dada por:

F (x) = xa
ba

1
1

si x a
si a < x b
si x > b

TEMA 6. DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS

3. (t) =

ebt eat
t(ba) ,

funcion que no esta bien definida en t = 0, por lo que no es u

til a la hora

de calcular los momentos de X.

4. E[X] =

a+b
2

5. V [X] =

(ba)2
12

En la figura 6.1 se muestra la funcion de densidad y la funcion de distribucion Uniforme para el

caso general U [a, b].

Figura 6.1: Funcion de densidad y funcion de distribucion Uniforme, U [a, b]

6.2.

Exponencial

Definici
on (Distribuci
on Exponencial): Una variable aleatoria X sigue una distribucion
exponencial de parametro > 0, X Exp(), si su funcion de densidad f (x) tiene la siguiente
expresion:

f (x) =

x0

ex si x > 0

(6.2)

Respecto al experimento asociado, el tiempo de espera entre ocurrencias de un experimento con

distribucion de Poisson sigue una distribucion exponencial bajo ciertas condiciones que implican
la independencia entre las ocurrencias en intervalos de tiempo que no se solapan.

6.2.1.
1.

Propiedades

f (x)dx = 1

6.3. GAMMA

2. La funcion de distribucion viene dada por:

F (x) =

3. (t) =

t ,

4. E[X] =

5. V [X] =

1
2

x0

1 ex

x>0

con t <

6. Si X1 , . . . , Xn tal que Xi Exp(i ), i = 1, . . . , n independientes, entonces

( n
)

min1in {Xi } Exp

i
i=1

La representacion grafica de las funciones de densidad y de distribucion Exponencial para el

caso Exp(0.26) se muestra en la figura 6.2.

Figura 6.2: Funcion de densidad y funcion de distribucion Exponencial, Exp(0.26)

6.3.

Gamma

Definici
on (Distribuci
on Gamma): Una variable aleatoria X sigue una distribucion Gamma de parametros p > 0 y a > 0, X Ga(p, a), si

0
x0
f (x) =

ap eax xp1 x > 0

(p)

TEMA 6. DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS

donde (p) es la funcion gamma:

(p) =

ex xp1 dx

La distribucion Gamma permite modelar distintos fenomenos de interes en la ingeniera. En

concreto, tiene mucho interes el caso particular en el que p toma valores naturales. As, la
distribucion Gamma con p = n N y a = > 0 se denomina distribuci
on Erlang.
Definici
on (Distribuci
on Erlang): Una variable aleatoria X sigue una distribucion Erlang
de parametros n > 0 y > 0, X Erlang(n, ). Su funcion de densidad es

0
x0
f (x) =

n ex xn1 x > 0
(n1)!
En este caso el experimento asociado es el tiempo de espera hasta la n-esima ocurrencia de
un determinado fenomeno aleatorio cuyo n
umero de ocurrencias (bajo las mismas condiciones
mencionadas en la distribucion exponencial) sigue una Poisson de parametro . Como se vera en
las propiedades, es facil demostrar (usando la funcion generatriz de momentos) que la suma de
n variables aleatorias independientes de distribucion Exp() sigue una distribucion Gamma.

6.3.1.

Propiedades

1. La funcion de distribucion toma la siguiente forma (notese que no es integrable en general).

F (x) =

x0

0
ap
(p)

x
0

eat tp1 dt x > 0

No obstante, s es integrable para el caso particular de la Erlang(n, ):

F (x) =
(
2. (t) =

a
at

3. E[X] =

p
a

4. V [X] =

p
a2

)p
,t<a

1 e

0
n1
x
i=0

x0
(x)i
i!

x>0

6.4. NORMAL

5. Reproductividad con respecto al parametro p: Si X1 , . . . , Xn son variables aleatorias independientes, con Xi Ga(pi , a), i = 1, . . . , n, entonces
n

i=1

Xi Ga(
pi , a)
i=1

6. Para p = 1 se tiene que X Ga(1, ) Exp().

7. Si X1 , . . . , Xn Exp() iid, entonces
n

Xi Ga(n, ) Erlang(n, )

i=1

La representacion grafica de las funciones de densidad y de distribucion Gamma para el caso

Ga(3, 0.1) se muestra en la figura 6.3.

Figura 6.3: Funcion de densidad y funcion de distribucion Gamma, Ga(3, 0.1)

6.4.

Normal

Definici
on (Distribuci
on Normal): Una variable aleatoria X sigue una distribucion normal
o de Gauss, X N (, 2 ) si
(x)2
1
f (x) = e 22 , x R
2

Teniendo en cuenta las propiedades de la funcion de densidad, existen multitud de experimentos

en diversas ramas de la ciencia (Sociologa, Medicina, Ingeniera, etc) que siguen esta distribucion. Ademas, es tambien ampliamente utilizada debido a que, bajo ciertas condiciones, la suma
de variables aleatorias independientes sigue una distribucion normal.

TEMA 6. DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS

6.4.1.

Propiedades

1. La funcion de densidad verifica:

a)
b)

lm f (x) = 0

x+

lm f (x) = 0

c) f ( + x) = f ( x), es decir, es simetrica con respecto a .

d ) La representacion de la funcion de densidad es la campana de Gauss (ver figura 6.4).
2. Su funcion de distribucion es:

F (x) =

(t)2
1
e 22 dt
2

Notese que la funcion de densidad de la distribucion normal no es integrable en el intervalo

(, x].
1

3. (t) = et+ 2

2 t2

4. E[X] =
5. V [X] = 2
6. Reproductividad respecto los parametros y 2 : Si X1 , . . . , Xn son variables aleatorias
independientes, con Xi N (i , i2 ), i = 1, . . . , n, entonces
)
( n
n
n

Sn =
Xi N
i ,
i2
i=1

i=1

i=1

7. Si X1 , . . . , Xn son variables aleatorias independientes e identicamente distribuidas N (, 2 ),

entonces
Sn =

Xi N (n, n 2 )

i=1

8. Si X1 , X2 son variables aleatorias independientes, con Xi N (i , i2 ), i = 1, 2, entonces

X1 X2 N (1 2 , 12 + 22 )
9. En general, X N (, 2 )

Xa
b

a 2
b , b2

, con a R y b > 0.

Como consecuencia de esta propiedad tenemos que:

X N (, 2 )

N (0, 1)

6.4. NORMAL

X N (, 2 ) X N (0, 2 )
X N (, 2 ) X/ N (/, 1)
Z N (0, 1) + Z N (, 2 )
Si X1 , . . . , Xn son variables aleatorias independientes e identicamente distribuidas
N (, 2 ), entonces

Sn
n

i=1

Xi

N (, 2 /n)

La representacion grafica de las funciones de densidad y de distribucion Normal para el caso

N (10, 10) se muestra en la figura 6.4.

Figura 6.4: Funcion de densidad y funcion de distribucion Normal, N (10, 10)

6.4.2.

Tipificaci
on

Definici
on (Tipificaci
on): Sea X N (, 2 ). Definimos
Z=

como tipificaci
on de X o X tipificada.
Z tiene las siguientes propiedades:
Z N (0, 1)
La funcion de densidad de Z es
z2
1
(z) = e 2 , z R
2

(6.3)

La funcion de distribucion en el punto z, (z) = P [Z z], es el area que encierra la curva

de la funcion de densidad entre y z (ver figura 6.5).

TEMA 6. DISTRIBUCIONES DE VARIABLES ALEATORIAS CONTINUAS

Al ser la funcion de densidad de la normal simetrica respecto de , en este caso particular
( = 0) tenemos que (z) = (z). Por lo tanto, por la simetra de (z) se tiene que
(z) = 1 (z), z R, es decir, P [Z z] = 1 P [Z z] = P [Z z] (ver figura
6.6).
Se tiene que para X N (, 2 ) P [a X b] =

( a )

para cualquier par de valores a, b R, a < b.

Figura 6.5: (z) = P [Z z]

Figura 6.6: (z) = P [Z z] = P [Z z] = 1 P [Z z] = 1 (z)

6.4. NORMAL

6.4.3.

Teorema Central del Lmite

Teorema Central del Lmite: Sean X1 , X2 , . . . variables aleatorias independientes e identi

camente distribuidas con esperanza y varianza 2 . Sea Sn = ni=1 Xi n = 1, 2, . . . . Entonces,
para cada x R se tiene que
[

]
Sn n

lm P
x = (x)
n+
n