DISTRIBUCION UNIFORME

En estadística una de las distribuciones continuas más simples es la distribución

uniforme continua. Esta distribución se caracteriza por una función de densidad que es
“plana” y, por ello, la probabilidad es uniforme en un intervalo cerrado, digamos [A, B].
Aunque las aplicaciones de la distribución uniforme continua no son tan abundantes
como lo son para otras distribuciones que se presentan en este capítulo, resulta
apropiado para el principiante comenzar esta introducción a las distribuciones continuas
con la distribución uniforme.
La función de densidad de la variable aleatoria uniforme continua X en el intervalo [A,
B] es

Gráficamente:

Se debe destacar al lector que la función de densidad forma un rectángulo con base B
– A y altura constante 1/B-A. Como resultado, la distribución uniforme a menudo se
llama distribución rectangular. se muestra la función de densidad para una variable
aleatoria uniforme en el intervalo [1, 3].

Resulta sencillo calcular las probabilidades para la distribución uniforme debido a la

naturaleza simple de la función de densidad. Sin embargo, note que la aplicación de
esta distribución se basa en la suposición de que es constante la probabilidad de caer
en un intervalo de longitud fija dentro de [A, B].

La función de distribución

0 𝑝𝑎𝑟𝑎 𝑥 < a
𝑥−𝑎
{𝑏 − 𝑎|𝑝𝑎𝑟𝑎 a a ≤ x < b }
1 𝑝𝑎𝑟𝑎 x ≥ b

𝑥
1
∫ 𝑓 (𝑋)𝑑𝑥 = ∗ 𝑥 𝑥 𝑡𝑎𝑚𝑏𝑖𝑒𝑛 𝑦 = 1⁄( ∗ (𝑥 − 𝑦)
(𝑏 − 𝑎) 𝑏 − 𝑎)
𝑦

Integral definida de y a x

Función de distribución de probabilidades

 Parámetros = a,b ∈ (−∞, ∞)

 Dominio = a ≤x ≤b
1
 Función de densidad =
𝑏−𝑎
𝑝𝑎𝑟𝑎 a ≤ x ≤ b o para x < a o x > b o para x < a

𝑧−𝑎
 Función de distribución = 𝑏−𝑎

. 𝑝𝑎𝑟𝑎 a ≤ x < b para x ≥ b

 Media = (a+b)/2
 Mediana = (a+b)/2
(𝑎−𝑏)2
 Varianza (𝜎 2 ) =
12
 Desviación 𝜕 = √𝜎 2
 EJERCICIOS.

Análisis
Suponga que una sala de conferencias grande se puede reservar para cierta
compañía por no más de cuatro horas. Sin embargo, el uso de la sala de
conferencias es tal que muy a menudo tienen conferencias largas y cortas. De
hecho, se puede suponer que la duración X de una conferencia tiene una
distribución uniforme en el intervalo [0, 4].
a) ¿Cuál es la función de densidad de la probabilidad?
b) ¿Cuál es la probabilidad de que cualquier conferencia dada dure al menos 3
horas?
Solución
a) La función de densidad apropiada para la variable aleatoria distribuida
uniformemente X en esta situación es:

b)

Otra forma es utilizando la siguiente ecuación

𝑋2 − 𝑋1 4 − 3 1
𝑃(𝑋) = = =
𝐵−𝐴 4−0 4
Las propiedades de la distribución uniforme
 1) EJEMPLO

. Dada una distribución continua uniforme, demuestre que

Solución
a) El valor esperado para una variable aleatoria continua es la siguiente:

𝐸(𝑋) = ∫ 𝑥 𝑓(𝑥)𝑑𝑥

Luego:
𝐵
𝑥 𝐵2 − 𝐴2 𝐴+𝐵
𝜇=∫ 𝑑𝑥 = =
𝐴 𝐵−𝐴 2(𝐵 − 𝐴) 2

b) El concepto de varianza para una variable aleatoria con media μ, se define como:
𝜎 2 = 𝐸[(𝑋 − 𝜇)2 ]
Resolviendo esto:
𝜎 2 = 𝐸[𝑋 2 − 2𝑋𝜇 + 𝜇2 ]

𝜎 2 = 𝐸[𝑋 2 ] − 2𝜇𝐸[𝑋] + 𝜇2

𝜎 2 = 𝐸[𝑋 2 ] − 2𝜇2 + 𝜇2

𝜎 2 = 𝐸[𝑋 2 ] − 𝜇2
Luego se calcula el valor esperado de la variable al cuadrado
𝐵
𝑥2 𝐵3 − 𝐴3
𝐸(𝑋 2 ) = ∫ 𝑑𝑥 =
𝐴 𝐵−𝐴 3(𝐵 − 𝐴)

Como el valor esperado ya se calculó en el inciso a) se tiene que:

𝐵3 − 𝐴3 𝐴 + 𝐵 2 (𝐵 − 𝐴)2
𝜎2 = −( ) =
3(𝐵 − 𝐴) 2 12
2) EJEMPLO
La cantidad de café diaria, en litros, que sirve una máquina que se localiza en el
vestíbulo de un aeropuerto es una variable aleatoria X que tiene una distribución
continua uniforme con A= 7 y B= 10. Encuentre la probabilidad de que en un día
dado la cantidad de café que sirve esta máquina sea:
a) a lo más 8.8 litros;
b) más de 7.4 litros, pero menos de 9.5 litros;
c) al menos 8.5 litros.
Solución
a)
8.8 − 7
𝑃(𝑋 ≤ 8.8) = = 0.6
10 − 7
Interpretación: La probabilidad de que la maquina en un día cualquiera sirva a lo mucho
8.8 litros es del 60%.

b)
9.5 − 7.4
𝑃(7.4 ≤ 𝑋 ≤ 9.5) = = 0.7
10 − 7
Interpretación: La probabilidad de que la maquina en un día cualquiera sirva a entre
7.4 y 9.5 litros es del 70%.
c)
10 − 8.5
𝑃(𝑋 ≥ 8.5) = = 0.5
10 − 7
Interpretación: La probabilidad de que la maquina en un día cualquiera sirva al menos
8.5 litros es del 50%.
 DISRIBUCIÓN GAMMA
La distribución Gamma
Es una distribución adecuada para modelizar el comportamiento de variables aleatorias
continuas con asimetría positiva. Es decir, variables que presentan una mayor densidad
de sucesos a la izquierda de la media que a la derecha. En su expresión se encuentran
dos parámetros, siempre positivos, (α) y (β) de los que depende su forma y alcance por
la derecha, y también la función Gamma Γ(α), responsable de la convergencia de la
distribución.
Los parámetros de la distribución
El primer parámetro (α) situa la máxima intensidad de probabilidad y por este motivo en
algunas fuentes se denomina “la forma” de la distribución: cuando se toman valores
próximos a cero aparece entonces un dibujo muy similar al de la distribución
exponencial. Cuando se toman valores más grandes de (α) el centro de la distribución
se desplaza a la derecha y va apareceiendo la forma de una campana de Gauss con
asimetría positiva. Es el segundo parámetro (β) el que determina la forma o alcance de
esta asimetría positiva desplazando la densidad de probabilidad en la cola de la
derecha. Para valores elevados de (β) la distribución acumula más densidad de
probabilidad en el extremo derecho de la cola, alargando mucho su dibujo y dispersando
la probabilidad a lo largo del plano. Al dispersar la probabilidad la altura máxima de
densidad de probabilidad se va reduciendo; de aquí que se le denomine “escala”.
Valores más pequeños de (β) conducen a una figura más simétrica y concentrada, con
un pico de densidad de probabilidad más elevado.
Una forma de interpretar (β) es “tiempo promedio entre ocurrencia de un suceso”.
Relacionándose con el parámetro de la Poisson como β=1/λ. Alternativamente λ será el
ratio de ocurrencia: λ=1/β. La expresión β−1 también será necesaria más adelante para
poder llevar a cabo el desarrollo matemático.
Relación con otras distribuciones Si se tiene un parámetro α de valores elevados y β
pequeña, entonces la función Gamma converge con la distribución normal. De media μ
= α * β, y varianza μ2 = α * β2 . Cuando α =1 y β =0 la distribución Gamma es
exactamente la distribución exponencial con parámetro α=1
𝜈
Cuando la proporción entre parámetros es [α = 2
, β = ν] entonces la variable aleatoria
se distribuye como una Chi-cuadrado con grados de libertad. Si α=1, entonces se tiene
la distribución exponencial negativa de parámetro λ=1/β.
Ventajas
De esta forma, la distribución Gamma es una distribución flexible para modelizar las
formas de la asimetría positiva, de las más concentradas y puntiagudas, a las más
dispersas y achatadas. Como ejemplos de variables que se comportan así: - Número de
individuos involucrados en accidentes de tráfico en el área urbana: es más habitual que
la mayoría de partes abiertos den la proporción de 1 herido por vehículo, que otras
proporciones superiores. - Altura a la que se inician las precipitaciones; sucede de forma
más habitual precipitaciones iniciadas a una altura baja, que iniciadas a gran altitud. -
Tiempo o espacio necesarios para observar X sucesos que siguen una distribución de
Poisson. - Distribución de la finura de fibras de lana: la mayoría presentan una menor
finura que unas pocas fibras más gruesas.
Distribución gamma continua
A pesar de que la distribución normal puede resolver muchos problemas en ingeniería,
hay otras situaciones que requieren de diferentes tipos de funciones de densidad.
Funciones como éstas son la exponencial, la gamma, la Weibull, la beta, etc. Hay
muchas situaciones en que la variable de interés, para el experimentador, pueda tener
una distribución oblicua. Siendo así, entonces, una familia de funciones de probabilidad
de densidad (pdf) que dan una amplia variedad de distribuciones sesgadas es la familia
de distribuciones gamma.
Como se dijo antes, la distribución gamma es un caso especial de la distribución
exponencial. Las funciones exponenciales y la función gamma juegan un papel muy
importante en la teoría de filas que esperan el orden de su llegada.
La distribución gamma puede ser vista como una distribución gamma estandariza o
como una distribución gamma no estandarizada.
Si una variable aleatoria continua x tiene una distribución gamma, con parámetros α y
β, entonces, para cualquier x > 0 la distribución acumulada de frecuencia (cdf) de x está
dada por:

P(X ≤ x) = F(x;α,β) = F(x/β;α)

Donde:
α es el primer parámetro de forma que define la distribución gamma β es el parámetro
de escala que define la distribución gamma (porque valores mayores que la comprimen
o estiran la función de probabilidad de densidad en la dirección de x); F(x/β;α) es una
función de gamma incompleta.
En la familia de distribuciones gamma una variable aleatoria continua X se dice que
tiene una distribución gamma no estandarizada si la de X es:

f(x;α,β) = {1/ 𝛃𝛂 Г(α) 𝐱 𝛂−𝟏 𝐞−𝐱/𝛃 x ≥ 0

O de otra manera
Donde los parámetros α y β satisfacen α > 0 y β > 0
Si se pone β = 1 la expresión se reduce a la forma de de la distribución gamma estándar
descrita abajo.
𝒙
f (x;α) = ∫𝟎 𝐱 𝛂−𝟏 𝐞−𝐱 / Г(α) dx x>0

El promedio y la varianza de la distribución gamma son, respectivamente:

E(X) = μ = αβ Y V(X) = σ2 = αβ2

Gráficas con distribuciones gamma de densidad con diferentes valores de α y β y curvas

de densidad gamma estándar. Nótese que cuando β = 1, es la curva exponencia
 Problemas

Ejemplo 1

. Supóngase que se tiene una distribución gamma estándar con parámetro

α = 3, calcular:

(a) La probabilidad de que X esté entre 4 y 5.

(b) La probabilidad de que X sea mayor que 4

Solución:

Debido a que P(a ≤ X ≤ b) = F (b) – F(a) cuando X es continua, por lo tanto:

(a) P (4 ≤ X ≤ 5) = F (5; 3) – F (4; 3)
= 0.875 – 0.762 = 0.113
(b) P(X > 4) = 1 – P(X ≤ 4) = 1 – F (4,3)
= 1 - .762
= 0.238
Ejemplo 2

. Este problema involucra un experimento con conejillos de India

seleccionados al azar. Este es un estudio relacionado con el tiempo X de
supervivencia, en semanas. Los animales fueron expuestos a una
radiación de 400 rads (dosis de radiación absorbida), es decir, de radiación
gamma (energía radiante). Se asume que esta situación sigue a una
distribución gamma con parámetros de escala de α = 10 y β = 20. Siendo
así, hacer los siguientes cálculos:

(a) Calcular la media de supervivencia y la varianza.

(b) Calcular la probabilidad de que un conejillo sobreviva entre 80 y 120
días.
(c) La probabilidad de que un animal sobreviva, cuando menos 20 días.

Solución:
Aquí usamos la distribución gamma no estandarizada.
(a) El promedio es: E(X) = μ = αβ = (10) (20) = 200 días.
La varianza es: V(X) = σ2 = αβ2 = (10) (20)22 = 4000 días.
(b) P(80 ≤ X ≤ 120) = F(120/20;10) – F(80/20;10)
= F(6;10) – F(4;10)
= 0.084 - 0.008 (de la tabla de la distribución de gamma)
= 0.076
Esto dice que el valor de 0.076 es la probabilidad de que un conejillo sobreviva
entre 80 y 120 días.
(c) P(X ≥ 20) = 1 - P(X < 20)
= 1 - F(20/20;10)
= 0.000 (de la tabla de la distribución gamma)
 LA DISTRIBUCIÓN DE WEIBULL

Dominio

Función de densidad

Función de distribución

Media si k > 1

Varianza

Coeficiente de simetría

Entropía

Función generadora de momentos

Función característica