Descripción

UNIVERSIDAD / Definición
DE ACONCAGUA
PROBABILIDAD Y ESTADÍSTICA
Se dice que una variable X sigue una distribución uniforme en el intervalo 57

(a, b), y se denota por X ∼ U(a, b), si su función de densidad es

Distribución
! 1 uniforme
b−a , si x ∈ (a, b),
f (x) =
0, si x ∈
/ (a, b).
Descripción
Esta v.a. / Definición
queda definida por los extremos del intervalo, es decir, a y b son sus
parámetros.
Se dice que una variable X sigue una distribución uniforme en el intervalo
(a, b), y se denota por X ∼ U(a, b), si su función de densidad es
Propiedades ! 1
2 b−a , si x ∈ (a, b),
E (X ) = a+b , var (X ) = f (x) =.
(b−a)
2 12 0, si x ∈
/ (a, b).

Esta v.a. queda definida por los extremos del intervalo, es decir, a y b son sus
parámetros.

Propiedades
a+b (b−a)2
E (X ) = 2 , var (X ) = 12 .
58

Distribución uniforme

58

Distribución uniforme
el tiempo.
Se dice que una v.a. X sigue una distribución exponencial de parámetro λ,59y
se denota por X ∼ exp(λ), si su función de densidad es
Distribución exponencial
f (x) = λ e −λx , para x ≥ 0.
Descripción / Definición
La distribución
Observad que X exponencial es en
toma valores aquella que modela
el conjunto S =el[0,tiempo
+∞).transcurrido entre
dos sucesos que se producen de forma independiente, separada y uniforme en
el tiempo.
Ejemplos
Se dice que una v.a. X sigue una distribución exponencial de parámetro λ, y
• Tiempo entre llegadas de camiones al punto de descarga.
se denota por X ∼ exp(λ), si su función de densidad es
• Tiempo entre llamadas de emergencia.
f (x) = λ e −λx , para x ≥ 0.
• Tiempo de vida de una bombilla.
Observad que X toma valores en el conjunto S = [0, +∞).

Ejemplos 60

• Tiempo entre llegadas de camiones al punto de descarga.

Distribución exponencial
• Tiempo entre llamadas de emergencia.
• Tiempo de vida de una bombilla.

60

Distribución exponencial

61

Distribución exponencial

Propiedades
• E (X ) = λ1
• var (X ) = λ12
• Función de distribución:
!
1 − e −λx , si x ≥ 0,
F (x) =
0, si x < 0.

• Está relacionada con la distribución de Poisson.

• λ es el número medio de ocurrencias del suceso por unidad de tiempo.

62

Distribución exponencial
 62

Distribución exponencial
Ejemplo
Hemos observado que en cierta provincia se producen, en promedio, 50
incendios serios cada año. Suponemos que estos incendios se producen de
forma independiente y decidimos modelar el número de incendios por año
mediante una distribución Poisson.

• ¿Cuál es el tiempo medio que transcurre entre dos incendios consecutivos?

• Si acaba de ocurrir un incendio ¿cuál es la probabilidad de que el próximo
se produzca al cabo de dos semanas?
Sabemos que:
• El número de incendios por año N ∼ Pois(λ) con λ = 50.
• El tiempo entre dos incendios X ∼ exp(λ) con λ = 50.
• El tiempo medio entre dos incendios E (X ) = λ1 = 1/50 años, 7.3 dı́as. 73

2·7
• Dos semanas, en años son:
Teorema 365 = 0.03836,
Central del Lı́mite (TCL)
• P[X > 0.03836] = 1 − P[X ≤ 0.03836] = 1 − (1 − e −50·0.03836 ) = 0.147.
El siguiente teorema nos habla de la distribución de la media de un conjunto 73
de v.a. independientes e idénticamente distribuidas (i.i.d.), es decir, todas con
la misma ley deTeorema Central del Lı́mite (TCL)
probabilidad,
n
El siguiente teorema nos habla de la distribución de la media de un conjunto
1!
X̄ = X
de v.a. independientes e idénticamente ndistribuidas (i.i.d.), es decir, todas con
i
la misma ley de probabilidad, i=1

y nos dice que, para n grande, la ley de! n media de v.a. independientes e
la
igualmente distribuidas es normal, 1
sea cual Xsea la ley de las v.a.
X̄ = i
n
De aquı́ el papel “central” que juega la i=1
ley normal o de Gauss.

y Teorema
nos dice que, para n grande, la ley de la media de v.a. independientes e
igualmente
Sean X1 , Xdistribuidas es normal, sea cual sea la ley de las v.a.
2 , . . . , Xn v.a. i.i.d. con media µ y desviación tı́pica σ (ambas
Definitas).
aquı́ elSipapel
n es “central” que juega
suficientemente la leysenormal
grande, o de Gauss.
tiene que
Teorema X̄ − µ
√ ∼ N (0, 1)
Sean X1 , X2 , . . . , Xn v.a. i.i.d. con
σ/ media
n µ y desviación tı́pica σ (ambas
finitas). Si n es suficientemente grande, se tiene que

X̄ − µ
√ ∼ N (0, 1)
σ/ n 74

Aproximaciones
74

Aproximaciones
Binomial (Teorema de De Moivre-Laplace)
Si X ∼ B(n, p) con n suficientemente grande

X − np
∼ N (0, 1)
Binomial (Teorema de De Moivre-Laplace)
"
np(1 − p)
Si X ∼ B(n, p) con n suficientemente grande
Poisson
X − np
Si X ∼ Pois(λ) con λ suficientemente
" grande
∼ N (0, 1)
np(1 − p)
X −λ
√ ∼ N (0, 1)
Poisson λ
Si X ∼ Pois(λ) con λ suficientemente grande

X −λ
√ ∼ N (0, 1)
 75

TCL y aproximaciones: Ejemplo

Sea X ∼ B(100, 1/3). Estimar P(X < 40).

Calculamos primero la media y varianza de X .

1
E (X ) = 100 × = 33.3̇
3
1 2
var (X ) = 100 × × = 22.2̇
!3 3
D.T .(X ) = 22.2̇ = 4.714

Usamos la aproximación normal

X − 33.3̇ 40 − 33.3̇
" #
P(X < 40) = P <
4.714 4.714
≈ P (Z < 1.414) ≈ 0.921,
donde Z ∼ N(0, 1).

76

Distribución asociada a la normal

t de Student
Sean Y , X1 , X2 , . . . , Xn v.a. i.i.d. con ley N (0, 1). La distribución de

Y
tn = $%
n
i=1 Xi2 /n

se llama distribución t de Student con n grados de libertad.

• E (tn ) = 0
n
• var (tn ) = n−2