Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DistribucionesContinuas PDF
DistribucionesContinuas PDF
Distribuciones Continuas
William Rodriguez
14001533
Sección A
Una variable aleatoria continua tiene exactamente 0 de adoptar exactamente
cualquiera de sus valores.
La función f(x) es una función de densidad de probabilidad (fdp) para la variable
aleatoria continua X, definida en el conjunto de números reales si:
2) ∫ f(x) dx = 1
b
3) P(a < x <b) = ∫a f(x)dx
DISTRIBUCIÓN GAMMA
Dos casos particulares son: Γ(1)=1 , Γ(1/2)= π (para p no entero pero si positivo)
Una vez que hemos definido esta función gamma, la vamos a aplicar para definir la
distribución de probabilidad gamma, pues son muchas las aplicaciones de esta
distribución a experimentos o fenómenos aleatorios que tienen asociadas variables
aleatorias que siempre son no negativas y cuyas distribuciones son sesgadas a la
derecha, es decir, el área bajo la función de densidad disminuye a medida que nos
alejamos del origen.
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución gamma de parámetros p y a, siendo p,a ∈ℜ y p>0 y a>0, X∼ Γ(p,a), si
su función de densidad es :
a p p −1 − ax
x e ,x>0
f ( x) = Γ( p )
0 ,x≤0
1. Función de distribución
a p x p −1 − ax
F ( x)= P( X ≤ x)= Γ( p ) ∫0
x ⋅ e dx, x > 0
0, x≤0
2. Media: E[X]=p/a
3. Varianza: Var(X)=p/a²
4. Propiedad reproductiva
Si X 1 , X 2 ,..., X n son n variables aleatorias independientes, distribuidas según una Γ(
pi , a ), para i=1,...,n. Entonces la variable aleatoria Y= X 1 + X 2 + ... + X n sigue una
distribución Γ ( p1 + ... + pn , a).
Ejemplo: Sea X una variable aleatoria con distribución gamma con p=2 y a=50. ¿Cuál es la
probabilidad de que X tome un valor menor al valor de la media?
Solución: 0,594
DISTRIBUCIÓN EXPONENCIAL
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución exponencial de parámetro a , siendo a ∈ ℜ y a >0, X∼Exp( a ), si su
función de densidad es
a ⋅ e − ax , x>0
f(x)=
0 , x≤0
Esta distribución es un caso particular de la distribución Γ(p, a ) para p=1, hecho que
tendremos en cuenta para el estudio de sus características.
Características:
1 − e − ax , x>0
f ( x)= P( X ≤ x)=
0 , x≤0
1. Función de distribución
2. Media: E[X]=1/a
3. Varianza: Var(X)=1/a²
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una distribución
beta de parámetros p y q, siendo p,q∈ℜ y p>0 y q>0, X∼β(p,q), si su función de densidad
es:
1
x p −1 (1 − x) q −1 , 0<x<1
f ( x ) = β ( p, q )
0 , en el resto
O bien
Γ( p + q ) p −1
x (1 − x ) ,
q −1
0<x<1
f ( x ) = Γ ( p )Γ ( q )
0 , en el resto
Observemos que esta función de densidad está definida en el intervalo (0,1), lo cual nos
indica que esta familia de distribuciones beta es muy útil para representar modelos
probabilísticos que representan proporciones, tales como:
- La fracción de tiempo que un equipo está en reparación.
- La proporción de piezas defectuosas de un lote.
- La proporción del gasto de una familia en alimentación con respecto a los ingresos
totales.
- La participación de la producción de una empresa con respecto al total de lo producido
en ese sector, etc.
Características
1. Función de distribución
La expresión de la función de distribución es:
0 ,x≤0
x
1
x p −1 (1 − x ) dx
q −1
= F ( x) ∫ , 0<x<1
0 β ( p, q )
1, , x ≥1
DISTRIBUCIONES CONTINUAS
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución uniforme en el intervalo real [a,b], con -∞<a<b<+∞ ,si su función de
densidad es:
1
, a≤ x≤b
f ( x) = b − a
0, en el resto
Abreviadamente lo indicamos por X∼U(a,b) en donde a y b son los parámetros.
Características:
1. Función de distribución de una U(a,b) es:
0, x<a
x x−a
P( X=
≤ x) ∫ ( x)dx
f= , a≤ x≤b
a b − a
1, x>b
b+a
2. Media μ= (es el centro del intervalo de definición y en consecuencia
2
coincide con la mediana).
(b − a )
2
3. Varianza VAR(X)=
12
Ejemplo: Sea X una variable aleatoria que se distribuye de forma uniforme en el
intervalo [3,9] . Hallar: función de densidad, función de distribución, Esperanza y
varianza.
Solución:
E[X]=6 y VAR[X]=3
DISTRIBUCIÓN NORMAL
Definición: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribución normal de parámetros μ y σ si su función de densidad es:
− ( x − µ )2
1
f ( x) = e 2σ , -∞< x<+∞
2
σ 2π
donde μ , σ ∈ℜ y tales que -∞<μ<+∞ y σ>0. (π=3,14159... , e=2,71828 )
− ( x − µ )2
1
Veamos pues que la expresión f ( x) = e 2σ nos da la función de densidad
2
σ 2π
de una familia de distribuciones normales para los diferentes valores de los
parámetros μ y σ. Dentro de esta familia de distribuciones normales hay una muy
importante, que corresponde a los valores de los parámetros μ=0 y σ=1, es decir
la distribución N(0, 1) y recibe el nombre de distribución tipificada o estándar, cuya
correspondiente función de densidad se obtiene haciendo μ=0 y σ=1 en la
expresión
− ( x − µ )2
1
f ( x) = e 2σ 2 :
σ 2π
2
1 −2x
=f ( x) e , − ∞ < x < +∞
2π
Características:
2. Media: E [X]=μ
El parámetro μ es la media de la distribución. Sabemos que la función de densidad
f(x) de una N(μ,σ) es simétrica respecto de su media μ, es decir P[X≤μ ]= P [X≥μ]
= 0,5 lo cual nos permite decir que el parámetro μ es la mediana de la distribución.
La función de densidad f(x) presentaba un máximo para x= μ ,lo cual nos indica que
el parámetro μ es la moda de la distribución.
En consecuencia diremos que en una distribución N( μ,σ), la media, la mediana y
la moda coinciden con el parámetro μ.
3. Varianza. VAR[X] = σ²
Luego el parámetro σ que utilizamos en la N( μ,σ) es la desviación típica de la
distribución, y en el caso de la N(0,1) la desviación típica es la unidad.