- 23 -

5.2. PARA VARIABLE ALEATORIA CONTINUA

1.- DISTRIBUCION UNIFORME
Sea la v.a. X definida en el intervalo  a , b  con a , b  R , y a < b. En el que la
probabilidad de subintervalos de igual longitud es la misma, y con fdp dada por :

 1
 , si a  x  b
fX ( x)   b  a
 0
 en otro caso
a y b son los parámetros de la fdp ( modelo )
Notación : X  U ( a , b )
Características Numéricas ( parámetros ) de la v. a. X
ba
 E( X ) 
2
( b  a )2
 V(X)
12
Ejercicio 1.- Los trenes de cierta línea del metro corren cada media hora, entre media
noche y las seis de la mañana. Cuál es la probabilidad, que una persona que
entre en la estación a una hora al azar durante este periodo, tenga que
esperar por lo menos 20 minutos ?
Solución :
Se tiene
      
12:00 1:00 2:00 3:00 4:00 5:00 6:00
nos interesa lo que pase dentro de cualquier media hora
 
0 30
Donde además la probabilidad que una persona llegue en cualquier momento
(subintervalos de igual longitud) dentro de la media hora, es la misma.
Definamos la v.a. T = tiempo hasta que llegue el siguiente tren . Entonces la fdp es :
 1
 ; 0  t  30
f T ( t )   30  0
 0
 en otro caso

30 30
P  T  20    dt   dt   t
1 1 1 20
Se pide 20
20
30 30 20 30


1
 30  20  10

1
30 30 3
 Ejercicio 2.- En un instituto superior la hora de entrada es de 8:00 a.m. a 8:20 a.m . Si
se considera que la probabilidad de que un estudiante llegue en cualquier instante, dentro
de ese intervalo, es la misma. Determine la probabilidad, de que un día cualquiera, un
estudiante llegue entre 8:10 a.m y 8:15 a.m.

Solución :
Nos interesa lo que pase dentro del intervalo :
 
0 20
Definamos la v.a. X = Tiempo hasta el instante que llega el estudiante
o X = Hora de llegada de un estudiante al instituto
Entonces la fdp es :
 1
 si 0  x  20
f X ( x )   20  0
 0
 caso contrario

15 15
1 1 1  15

Se pide P ( 10 X 15)   dx  dx x 
10
20 2010 20  10 


1
 15  20  5

1
20 20 4

2. DISTRIBUCION EXPONENCIAL
Sea la v.a. X = Tiempo de vida de un articulo o duración de un proceso.
Cuya fdp esta dada por :

  e  x
si x  0
fX ( x ) 
 0 c. c

donde  es el parámetro de la fdp ( modelo ), además   0

Notación : Si la v.a. X tiene distribución exponencial, entonces :
X  Exp (  )
Características Numéricas ( parámetros ) de la v.a. X
1
 E(X )

1
 V ( X )
2
 - 24 -
Observación : Otra manera de definir la fdp para la v.a. X es :
 1  1 x ; x0
 e
fX (x )   

 0 caso contrario

Para la que se tiene E( X ) y Var ( X )   2

Propiedad de Pérdida de Memoria
El tiempo transcurrido de funcionamiento no afecta la posibilidad de que siga funcionando
un tiempo adicional más, esto es:
P X  a  b / X  a   P  X  b 

3
 3
f X (x)

 2
1

1  1
1
2  
2

0
X

Ejercicio 1. Supóngase que se tiene la v.a. X que representa el tiempo durante el cual
cierto sistema funciona eficazmente. Si X tiene distribución exponencial con un tiempo de
vida esperado de 360 horas. Determine la probabilidad que:
a). El sistema funcione eficazmente menos de 180 hrs.
b). El sistema funcione eficazmente más de 720 hrs.
Solución :

Si X  Exp (  ) , entonces

  e   X si x0
f X ( x)  
 0 en otro caso

1 1
y E (X )   360  
 360
 180 1 1 1 1
X 180
  1  360X   (180)  (180)
a.- P X  180  0 360e dx e 360
0
 e 360
1  1 e 360
 0, 3934

b.- P  X  720   1  P  X  720 

720 1
1  x
pero P ( X  720 )  
0
360
e 360 dx

1
 x 720
 e 360
0
1
 (720)
e 360
1
 1  e 2
 0, 86464717

Ejercicio 2.- Las llegadas de personas a la ventanilla del pagador de un Banco siguen una
distribución de Poisson a un promedio de 5 cada 10 minutos. Cuál es la probabilidad de
que el pagador tenga que esperar más de tres minutos entre una llegada y otra?

Solución :
Sea la v.a. X = Tiempo de espera hasta la llegada de un cliente.

  e   x ; si x0
 fX ( x )  
 0 ; si x0
Del proceso Poisson se sabe que λ = 5 , entonces se puede deducir que el tiempo
10 10
promedio entre llegadas es   2 minutos por cliente. Para este modelo
 5
1 1 1
exponencial sabemos que E ( X )  , luego ;  2 de donde  .
  2
1
1  x
 fX ( x)  e 2 dx ; x  0
2
 1
1  x
 P( X 3)   e 2 dx
3
2

1
x 
 e 2
3
3

5
e e 2
 - 26 -
3. DISTRIBUCION NORMAL
Sea la v. a. X con fdp dada por :
1  x   2
1   
fX ( x )  e 2  
;  x  ;    ;  0
 2
μ y σ son los parámetros de la fdp ( modelo )
Notación : Si la v.a. X tiene distribución normal, entonces

X ~ N (  , 2 )

Características numéricas ( parámetros ) de la v.a. X

● E( X) 
● V ( X ) 2
Propiedades de la Distribución

3 2    2 3

-∞ +∞
Se cumple : P ( µ - σ < X < µ + σ ) = 0,6827
P ( µ - 2σ < X < µ + 2σ ) = 0,9545
P ( µ - 3σ < X < µ + 3σ ) = 0,9973
P1.- La fdp es simétrica respecto a x = µ
P2.- La fdp es asintótica respecto al eje X , esto significa que en cualquier intervalo de la
recta real hay área, pero si está fuera del intervalo 3 esa área es
despreciable

P3.- Propiedad Reproductiva

Si X e Y son v.a. independientes, además ; X ~ N( 1 , 12 ) e Y ~ N( 2 , 22 ) ,
Entonces X + Y ~ N( 1 2 , 12 22 )

3.1. DISTRIBUCION NORMAL ESTANDAR

Sea la v.a. X ~ N(  , 2 ) con   0 y   1

 X  X
Estándarizando la v.a. X , esto es: Z  ; tendremos que Z ~ N  E(Z ), V (Z ) 
X
 X  X 
E  X  X    E ( X )  E ( X )   1  E ( X )  X 
1 1
Donde: E ( Z )  E   
 X  X X X
Pero E ( X )   X  E ( Z )  0
 X  X 
  2 V ( X  X )  2  V ( X )  V ( X   2  V ( X )  0  
1 1 1 V(X )
y V (Z )  V 
   X X X  X2
pero V ( X )   X2  V ( Z )  1
Entonces Z ~ N ( 0 , 1 ) ; es una normal estándar.

Si en f X ( x ) de la distribución normal, sustituimos  y  por los valores 0 y 1 respectivamente

tendremos la fdp de la v.a. Z dada por:
1
1  2 z2
 ( z)  e ,   z  
2

TABULACION DE LA DISTRIBUCIÓN NORMAL ESTANDAR

En la Tabla 1, se dan los valores de z ( en unidades estándares ) con un entero y dos decimales,
y sus respectivas probabilidades ( áreas ) con una parte entera y cuatro decimales. En general, en
el encabezado de la tabla se indica la porción de área a evaluar.

z 0,0 1,0 2,0  8,0 0,9

- 3,0
- 2,9

- 0,1 valores de P ( Z  z )   ( z )
0,0
0,1

2,9
- 3,0

Ejercicios : Si Z ~ N ( 0 , 1 ) . Determine
1. P ( Z  0,93 )
2. P ( Z  0,934 )
3. P (1  Z  2 )
4. a / . P ( Z  a )  0,9861
5. a / . P ( Z  a )  0,52
 - 28 -
2. DISTRIBUCIÓN JI-CUADRADO
Sea la v.a. X con fdp dada por :
n  x
1   1 
fX ( x )  n
x 2 
e 2
; x  0 , n  IN
n  
  2 2 
 2
n es el parámetro de la fdp (modelo), y es llamado grados de libertad ( g. l ), y

 ( )   x  1 e x dx  (  1)! es la función gamma.
0

Notación : Si X tiene distribución Ji – cuadrado, entonces ; X   (2 n )

Características Numéricas ( Parámetros ) de la v.a. X
 E( X ) = n
 V( X ) = 2n
PROPIEDADES DE LA DISTRIBUCIÓN

f X ( x)

P1. La fdp, para 3  n 30, es positivamente asimétrica moderada.

P2. Si n   ( n  30 )  la distribución Ji-cuadrado se aproxima a una NE( X ), V( X )

donde E ( X )  n y V ( X )  2n
P3. Propiedad Reproductiva
Sean X e Y v.a. independientes, tal que; X  (2n 1 )
y Y  (2n 2 ) entonces

(X+Y)  (2n 1  n2 )

P4. Si Z  N ( 0 ,1)  Z 2   (21 )

P5. Sean Z i ; i  1, 2 , 3 , , n v.a. independientes, tal que Zi  N ( 0 ,1 )  i 
 (2n )
n

Z
i 1
i
2

 TABULACION DE LA DISTRIBUCIÓN JI-CUADRADO

FX ( x )  P  X  Valor Tabulado   

 0,005 0,01 ··· 0,9

g.l

1
2
3
 Valores de la variable X ( abscisa )

30


44
45

Ejercicios : 1.- Si X ~  (210 ) . Hallar P ( X  12,549 )

2.- Si X ~  (215 ) . Hallar P ( X  7,261)

3.- Si X ~  (25 ) . Hallar el valor de a / . P ( X  a )  0,95

3. DISTRIBUCIÓN t DE STUDENT
Sea la v.a T con fdp dada por :

 n  1
  
n 1

 2   t 
2 2
fT ( t )   1   ;    t    , n  IN
 n  n
  n
 2
n es el parámetro de la fdp ( modelo ), y es llamado grados de libertad ( g.l )


 ( )   x  1 e x d x  (   1 )! , es la función Gamma
0

Notación : Si T tiene distribución t de student, entonces :

T ~ t (n)

Características Numéricas ( Parámetros ) de la v.a. T

● E (T )  0
 - 29 -
n
● V (T )  ; para n  2
n2
PROPIEDADES DE LA DISTRIBUCIÓN

 t 

P1. La fdp es simétrica respecto a t  E ( T )

P2. La fdp es asintótica respecto al eje de la abscisa

X 
2
P3. Sean Z  N ( 0 , 1) y (n ) variables aleatorias independientes, entonces

el cociente :
Z
 t( n )
X
n
P4. Cuando n   ( n  30 ) , la T  t ( n ) se aproxima a una N E (T ), V (T )  donde

n
E (T )  0 y V (T ) 
n2
TABULACION DE LA DISTRIBUCIÓN t de STUDENT
FT ( t )  P  T  Valor Tabulado   

 0,75 0,90 ··· 0,995

g.l

1
2
3
 Valores de la variable T ( abscisa )

45


89
90
 Ejercicios: 1. Si X  t (5) . Hallar P ( X  0,7267 )
2. Si X  t (8) . Hallar P ( X  1,8595 )
3. Si X  t (2) . Hallar P (  4,303  X  4,303 )

4. DISTRIBUCIÓN F de FISHER ( SNEDEKOR )

Sea la v.a. F con fdp dada por :
 m  n
  m m
1
 2   m 2 f 2
hF ( f )    mn
; f 0
 m  n  n 
    mf 2
 2   2  1 
 n 
m , n  IN ; son los parámetros de la fdp (modelo) y son llamados grados de libertad ( g.l )

 ( )   x  1 e x d x  (   1 )! , es la función Gamma
0

Notación : F ~ F (m,n)

Características Numéricas ( Parámetros ) de la v.a. F

n
● E(F )  ; para n  2
n2

2n 2 ( m  n  2 )
● V(F) ; para n  4
m ( n  2 )2 ( n  4 )

PROPIEDADES DE LA DISTRIBUCIÓN

gF ( f )

0 F

P1. La fdp, para 3  n 30, es positivamente asimétrica.

P2. Si n   ( n  30 )  la distribución F se aproxima a una NE(F),V(F)

n 2n 2 ( m  n  2 )
E( F )  y V(F)
n2 m ( n  2 )2 ( n  4 )
 - 30 -
P3. Sean X  2
( m) y Y 
2
(n ) variables aleatorias independientes, entonces el

cociente :
X
m  F
(m,n)
Y
n
P4. PROPIEDAD RECIPROCA
1
Sea la v.a.. X ~ F (m,n) . Entonces la inversa de X ;  F ( n.m )
X

TABULACION DE LA DISTRIBUCIÓN F de FISHER ( Snedekor )

G F ( f )  P  F  Valor Tabulado 

G m 1 2 3 ··· 30 60 120
n

0,90
0,95
0,99 1
0,995 Valores de la variable F ( abscisa )

0,90
0,95
0,99 2
0,995

 
0,99 30
0,995

 

Ejercicios: 1. Si X  F ( 2, 3) . Hallar P ( X  16,0 )

2. Si X F (5, 5) . Hallar P ( X  3,45 )