Distribución uniforme: Sea X una variable aleatoria distribuida uniformemente sobre un

intervalo ( a , b ). Su función de densidad viene dada por:

(3.51)

una variable aleatoria distribuida uniformemente sobre un intervalo ( a , b ). Su función de

densidad acumulada viene dada por:

(3.52)

Para cualquier subintervalo ( a 1 , b1 ) de ( a , b ) se tiene que:

b1 −a1
P ( a1 ≤ X ≤ b 1) =F ( b 1 )−F ( a1 )=
b−a
La media, la varianza y la desviación estándar de una distribución Uniforme vienen dadas
por:
a+ b
μ= (3.53)
2
2
( b−a )
σ 2= (3.54)
12
b−a
σ= (3.55)
2 √3

Ejemplo: Un sistema computarizado se detiene cuando uno de sus circuitos deja de

funcionar. El tiempo que se tarda en que el departamento de mantenimiento compre el
circuito dañado, está distribuido uniformemente en un intervalo de 1 a 6 días.
a. Definir la función de densidad.
b. Definir la función de densidad acumulada.
c. Calcular la probabilidad de que el tiempo de entrega sea mayor o igual a 2 días.
d. Calcular la probabilidad de que el tiempo de entrega este entre 2 y 5 días
(inclusive).
e. Calcule la media, varianza y desviación estándar de la distribución.
Solución: Sea X la variable aleatoria que representa el tiempo que tarda el departamento
de mantenimiento en adquirir el circuito integrado.

a) Ya que el tiempo X está distribuido uniformemente de uno a seis días, según la

definición de la distribución continua, la función de densidad es:

{
1 1
= 1≤ x≤6
f ( x )= 6−1 5
0 si : x<1 ∧ x >6

b) La función de densidad acumulada es:

6
1 4
c) P ( x ≥ 2 )=∫ dx=
2 6−1 5

5−2 3
d) P ( 2≤ X ≤ 5 )=F ( 5 )−F ( 2 )= =
6−1 5

e) Media y desviación típica:

a+ b 1+ 6 7
μ= = = =3,5
2 2 2

b−a 6−1 5
σ= = = ≈ 1.443
2 √3 2 √3 2 √3

Función Gamma: La función gamma fue introducida por primera vez por el matemático
suizo Leonhard Euler (1707-1783), con el objetivo de generalizar la función factorial a
valores no enteros. Más tarde, por su gran importancia, esta fue estudiada por matemáticos
eminentes tales como Adrien-Marie Legendre (1752-1833), Carl Friedrich Gauss (1777-
1855), Christoph Gudermann (1798-1852), Joseph Liouville (1809-1882), Karl Weierstrass
(1815-1897), Charles Hermite (1822-1901) …. al igual que muchos otros. La función
gamma pertenece a una categoría de funciones transcendentes especiales, y esta función
ocurre en algunas constantes matemáticas especiales.
La función gamma completa, Γ (n) , es definida como una extensión de la función factorial
de argumentos de números complejos y reales. Esta está relacionada por:
Γ ( n ) =( n−1 ) !
En 1730, Euler propuso en una carta a Christian Goldbach, la siguiente definición:
Para un número real positivo α >0:
1
Γ ( α )=∫ (−logt )
a−1
. dt
0

Esta expresión puede escribirse de la siguiente forma:

∞
Γ ( α )=∫ x α−1 . e−x . dx , α >0 (3.56)
0

Propiedades:
∞
Γ ( 1 )=∫ e . dx=1
−x

∞
Γ ( 1/2 )=∫ x . e . dx= √ π
−1 /2 −x

Y para x >0, una integración por partes resulta en:

∞
Γ ( x+ 1 )=∫ x . e . dx=x . Γ ( x )
α −x

Para valores enteros, la ecuación funcional se vuelve, Γ ( n+1 ) =n ! y es por esto mismo, que
la función Gamma puede ser vista como una extensión de la función factorial de números
reales positivos no nulos.
Es posible también extender esta función a valores negativos, invirtiendo la ecuación
funcional (la cual se convierte en una identidad para −1< x <0, x en los reales):
Γ ( x +1 )
Γ ( x )=
x
Distribución Gamma: SE dice que la variable aleatoria continua X tiene una distribución
gamma, con parámetros α , β y se representa por X Γ ( α , β ), si su función de densidad es:

{
α
β
. x α−1 . e− β . x , si x ≥0
f ( x )= Γ ( α )
0 , si x< 0

Donde α y β son constantes positivas.

La grafica siguiente ilustra la distribución gamma con β=1, y para α =1 , 2, 3 , 4 .
La media y la desviación estándar viene dada por:
α
μ=
β

σ=
√ α
β2
Distribución exponencial: Se dice que la variable aleatoria continua X tiene distribución
exponencial con parámetro β ( β >0), y se escribe X exp ( β ), si su función de densidad de
probabilidad es:

{
−β . x
β .e , si: x ≥ 0
f ( x )=
0 , si: x <0

La distribución exponencial es un caso especial de la distribución gamma cuando α =1.

La media y la desviación típica de la distribución exponencial son:
1
μ=
β
1
σ=
β

Por otra parte, la función de distribución de probabilidad acumulada en el intervalo [ 0 , ∞ )

es:
k
P ( x ≤ k )=∫ β . e
−β .x −β . k
. dx=1−e (0 ≤ k < ∞ ¿
0

Observar también que:

− β. k
P ( x> k )=1−P ( x ≤ k )=e (0 ≤ k < ∞¿

Ejemplo: El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un tiempo
promedio de fallas igual a 360 días.
a) ¿Qué probabilidad existe que el tiempo de falla sea mayor a 400 días?
b) Si una de estas baterías ha trabajado ya 400 días, ¿Qué probabilidad hay que trabaje
más de 200 días más?
Solución: Sea X el tiempo que trabaje una batería hasta que falle. El tiempo promedio es de
360 días. Entonces:
1 1
μ= =360 ⇒ β=
β 360
a) P ( x> 400 )=e−β . k =e− ( 360 ) ( 400 )=e−10 /9 ≈ 0.32919
1

b) Si la batería trabajó ya 400 días, quiere decir que su tiempo de falla es de 400 días.

−200/ 360 −5/ 9

P ( X > 400+ 200 ∕ X > 400 )=P ( X >200 )=e =e ≈ 0.57375

Distribución JI Cuadrada: La distribución χ 2 (de Pearson , llamada Ji cuadrado, es una

distribución de probabilidad continua con un parámetro υ que representa los grados de
libertad de la variable aleatoria.

{
1 −x/ 2
x (ν−2) /2 . e
f ( x ; υ) = 2 v /2
. Γ ( ν /2 ) , si x >0
0 si x ≤ 0

Donde ν son los grados de libertad de la variable aleatoria:

2 2 2 2
X =Z 1 + Z 2+ Z 3+ ⋯+ Z ν

Donde Zi (i=1 , 2 ,3 , ⋯ , ν ) son variables aleatorias normales independientes de media cero y

varianza uno: Zi N ( 0,1 ).

La distribución χ 2 es un caso especial de la distribución gamma con α =ν /2, β=1/2.

La media y la desviación típica son respectivamente:
α ν /2
μ= = =ν
β 1/2

σ=
√ √ α
β
2
=
ν /2
( 1/ 2 )2
=√ 2. ν

Luego:
μ=v

σ =√ 2. v
Ejemplo: Halle la distribución de probabilidad χ 2con 29 grados de libertad. Calcule
P ( χ 2 >42,557 ) .
Solución: Con v=29:

{
1
x (29−2)/ 2 . e− x/ 2
f ( x ; υ=29 )= 2 29/2
. Γ ( 29/2 ) , si x> 0
0 si x ≤ 0

∞
1
P ( χ >42,557 )=
2
∫ 2
29/ 2
. Γ ( 29/ 2 )
x
( 29−2) /2 −x/ 2
. e . dx ≈ 0,05
42,557
El cálculo de la probabilidad se puede hacer con ayuda de software, en este caso GeoGebra.
Una manera es hacerlo en forma directa escribiendo la función en la barra de tareas y
calculando la integra con el comando Integral (f (x) , 42.557 , ∞) , o bien, utilizando la
opción de cálculos de probabilidad:

Otra posibilidad es usar una tabla de distribución como la siguiente:

En Wolfram Alpha también podemos calcular la distribución JI Cuadrado. Para esto
escribimos:
P( X > 42.557)Chi Square Distribution degrees of freedom 29
Distribución t de Student; La Distribución t (de Student) surge del problema de estimar la
media de una población normalmente distribuida cuando el tamaño es pequeño. Se suele
que una población se considera pequeña cuando es menor de 30 sujetos.
Sea Z una variable aleatoria normal estándar y sea χ 2 una variable aleatoria ji-cuadrada con
ν grados de libertad, ambas independientes. Entonces la Distribución de:
Z
t=
√ χ 2 /ν
Está dada por:

Γ( 2 )
v+1

( 1+ )
2 − ( ν +1) / 2
t
f ( t )= ,−∞ <t <∞
√π . ν . Γ( )
v ν
2
La media y la desviación típica de la distribución t Student son respectivamente:
μ=0

σ=
√ ν
ν−2
La distribución t se aproxima a una distribución a N ( 0,1 ), cuando ν → ∞. La aproximación
es buena, si r ≥ 3 0.
Ejemplo: Halle la distribución de probabilidad t Student con 7 grados de libertad. Calcule
la probabilidad P ( t>1,895 ) .
Solución:

(
Γ
2 )
7+1

( 1+ )
2 −( 7+1 ) / 2
t
f ( t )=
√π . 7. Γ ( )
7 7
2

( ) ( )
2 −4 2 −4
Γ ( 4) t 6 t
f ( t )= 1+ = 1+
√ π .7 . Γ
7
2 () 7
√ π .7 . Γ ()7
2
7

( )
∞ 2 −4
6 t
P ( t>1,895 ) = . ∫ 1+ . dt ≈ 0,05
√ π .7 . Γ
7
2 () 1,895 7
En GeoGebra en la barra de herramientas, en Vista escogemos Cálculos de probabilidad y
luego elegimos Student. Finalmente en la parte inferior izquierda fijamos el valor
P ( 1.895≤ X ) :

En Wolfram Alpha escribimos:

P( X > 1.895)studentTdistribution degrees of freedom 7