Universidad Galileo

Curso: Estadística Matemática

Catedrático:
26 de mayo del 2019

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:

1) f(x) >= 0 para toda X

2) ∫ f(x) dx = 1
b
3) P(a < x <b) = ∫a f(x)dx

DISTRIBUCIÓN GAMMA

Así pues, definimos la función gamma de p, Γ(p) como:

∞
Γ(p)= ∫ x p −1 ⋅ e − x dx, p>0 o también
0

Integrando por partes se tendrá: Γ(p)=(p-1)!

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


Esta distribución se aplica para representar las siguientes distribuciones:

- Intervalos de tiempo entre dos fallos de un motor.
- Intervalos de tiempo entre dos llegadas de automóviles a una gasolinera.
- Tiempos de vida de sistemas electrónicos, etc.
Características:

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


El valor de esta expresión no es fácil de obtener, aunque cuando p es entero

positivo, la integral se puede calcular por partes y las probabilidades se obtienen de
forma aproximada. Con el fin de simplificar el cálculo de estas probabilidades
Pearson tabuló la función gamma incompleta para diferentes valores del parámetro
p, que viene dada por:
y
1
Γ( p ) ∫0
*
= F ( y) y p −1e − y dy, y > 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.

Esta distribución está relacionada con la de Poisson, así pues, si el número de

sucesos que ocurren en un determinado intervalo sigue una distribución de Poisson,
entonces la variable aleatoria que representa el tiempo entre ocurrencia de sucesos
sigue una distribución exponencial. Así, por ejemplo, si el número de ventas
semanales de un cierto modelo de coche sigue una distribución de Poisson,
entonces el tiempo transcurrido entre las ventas seguirá una distribución
exponencial.

También se pueden modelizar mediante la distribución exponencial las siguientes

situaciones:
- la duración de la prestación de un servicio.
- el tiempo entre llegadas sucesivas a una cola o punto de servicio.
- el tiempo de duración de algunos equipos, etc.

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

Ejemplo: El tiempo transcurrido entre la llegada de dos clientes consecutivos al

departamento de ventas de un concesionario de una determinada marca de
automóviles, es de 20 minutos. Calcular la probabilidad de que el tiempo
transcurrido entre la llegada de dos clientes consecutivos no supere la media hora.
Solución:
E[X]=1/a=20 luego a= 0,05. P(X ≤ 30 )=0,7769.
 DISTRIBUCIÓN BETA

Previamente vamos a definir la función beta de p y q, β(p,q) como :

1
β ( p, q=
) ∫ x (1 − x )
p −1 q −1
dx, p > 0, q > 0
0

Se verifica también: β(p,q)=(Γ(p)Γ(q))/Γ(p+q)

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

2. Media: E[X] = p/(p+q)

3. Varianza: Var(X) = (pq) / (p+q+1)(p+q)²)

Ejemplo: Una comunidad de vecinos dispone de un depósito que contiene una

cantidad fija de combustible para la calefacción central y que es rellenado cada mes.
La experiencia acumulada durante muchos meses permite representar la proporción
de reserva utilizada cada mes mediante un modelo de distribución Beta con
parámetros p=4 y q=2. Calcule la probabilidad de que un mes determinado se utilice
más del 75% de la reserva de combustible.
Solución:
Su función de densidad será: f(x) = 20x3(1-x) si 0<x<1 y f(x)=0 en otro caso.
+∞
Luego P(x>0,75)= ∫ f ( x)dx
0 , 75
=0,3672

DISTRIBUCIONES CONTINUAS

DISTRIBUCIÓN UNIFORME CONTINUA

Esta es la más sencilla de las distribuciones continuas. Surge al considerar una

variable aleatoria que toma valores equiprobables en un intervalo finito y su nombre
se debe al hecho de que la densidad de la probabilidad de esta variable aleatoria
es uniforme en todo su intervalo de definición.

Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en un

intervalo finito, de manera que puede tomar cualquier valor de ese intervalo,
entonces si la probabilidad de que la variable aleatoria tome un valor en cada
subintervalo de la misma longitud es la misma, diremos que la variable aleatoria
está distribuida uniformemente en ese intervalo.

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:

f(x)= 1/6 3≤ x ≤ 9 0 x<3

0 resto F(x)= (x-3)/6 3≤ x ≤9
1 x>9

E[X]=6 y VAR[X]=3

DISTRIBUCIÓN NORMAL

La distribución normal o distribución de Gauss es sin duda la más importante y la

de más aplicación de todas las distribuciones continuas. Esta distribución es
bastante adecuada para describir la distribución de muchos conjuntos de datos que
ocurren en la naturaleza, la industria y la navegación. Así pues para los siguientes
conjuntos de datos, se puede considerar adecuada la distribución normal:

- Datos meteorológicos correspondientes a temperaturas, lluvias, etc.

- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas físicas de productos manufacturados.
- La vida media de un tipo de lámparas con un voltaje dado, etc.

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 )

Abreviadamente la indicaremos por X∼N(μ,σ)

Veamos ahora la representación gráfica de la función de densidad f(x) de la N( μ,σ).
Para ello veremos que se cumplen las siguientes propiedades:
1. f(x) es continua en toda la recta real.
2. f(x) es simétrica respecto de x = μ es decir es simétrica respecto del parámetro
μ.
3. f(x) tiene como asíntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<μ, y estrictamente decreciente cuando
x>μ.
5. f(x) presenta un máximo cuando x=μ, ese máximo vale f(μ)= 1
σ 2π

El gráfico nos muestra la representación gráfica de la función de densidad, f(x), de

una distribución normal de parámetros μ y σ:

Se observa que tiene forma de campana, de aquí que frecuentemente se le llame

campana de Gauss. También se pone de manifiesto que el parámetro μ
corresponde al máximo y al centro de la distribución y el parámetro σ nos da idea
del grado de apertura o aplastamiento de la curva f(x).

Relación entre la N(μ,σ) y la N(0,1)

− ( 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

Proposición: Si X es una variable aleatoria con distribución N(μ,σ), entonces la

variable aleatoria tipificada Z=(X-μ)/σ sigue una distribución N(0,1).

Características:

1. Función de distribución correspondiente a una variable aleatoria X distribuida

según una N(μ,σ) será:
x − ( x − µ )2
1
F(x)=P(X ≤x) =
σ 2π ∫
−∞
e 2σ 2
dx , -∞<x<+<∞

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.