4.4.

Distribucin Uniforme
La distribucin Uniforme
La distribucin Uniforme es el modelo (absolutamente) continuo ms simple. Corresponde al caso
de una variable aleatoria que slo puede tomar valores comprendidos entre dos extremos a y b, de
manera que todos los intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad. Tambin puede expresarse como el modelo probabilstico correspondiente a tomar un
nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe tomar el mismo valor para
todos los puntos dentro del intervalo (a, b) (y cero fuera del intervalo). Es decir,

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de densidad y viene dada por:

Grficamente:

Propiedades del modelo Uniforme

1. Su esperanza vale (b + a)/2
2. Su varianza es (b a)2/12
Qu es una variable aleatoria uniforme?
Es la variable que tiene igual oportunidad de tomar cualquier valor dentro de un intervalo especificado a lo
largo de una escala continua.
Qu es la distribucin uniforme de probabilidad?
Una funcin de densidad de probabilidad para una variable aleatoria, que es igualmente probada que tome
cualquiera de los valores dentro de un intervalo dado.
Cul es la distribucin de probabilidad rectangular y cul es su relacin con la distribucin uniforme
de probabilidad?
Una variable aleatoria uniforme distribuida tiene igual probabilidad de tomar cualquier valor dentro de un
intervalo especificado, ab, a lo largo de una escala continua. Cuando se grafica la funcin de densidad
probabilidad se ve que es un rectngulo; esta distribucin de probabilidad, por lo tanto, tambin se llama
distribucin de probabilidad rectangular.
Cmo medimos la probabilidad en la distribucin de probabilidad uniforme?
La probabilidad se mide una vez ms por el rea arriba del intervalo de valores x, que es de inters. Si se
acumulan valores de x de izquierda a derecha se obtiene la frmula de probabilidades uniformes acumulativas
menores que:

De otra forma: P(X<x) = 0 s x<a, pero p(X<x) = 1 s x>b

Cules son las medidas de resumen para la funcin de densidad de probabilidad uniforme?

La variable aleatoria cuya funcin de densidad de probabilidad est distribuida constantemente entre un
intervalo y otro recibe el nombre de distribucin uniforme.
La funcin de densidad de probabilidad uniforme se expresa como sigue:

4.5 Distribucin Exponencial.

Las distribuciones exponenciales se utilizan como modelo para representar tiempos de funcionamiento o
tiempos de espera. Su funcin de densidad que depende de un parmetro k es de la forma f(x)=ke-kx
La media de esta distribucin es 1/k y la desviacin tpica tambin es 1/k

Distribucin exponencial (parte 1)

Es parte de la familia de las distribuciones de variables aleatorias continuas. Esta distribucin tiene una
amplia aplicacin en las teoras de lneas de espera. Sirve para calcular la probabilidad del tiempo que debe
transcurrir para que un evento suceda.
Los requisitos que se deben cumplir para la utilizacin de este tipo de distribucin son:

Los eventos son independientes. La probabilidad de ocurrencia de eventos en el intervalo de tiempo

que transcurre es independiente de la probabilidad de ocurrencia o no ocurrencia en intervalos
pasados.

La probabilidad de un evento debe darse en una unidad o intervalo determinado.

La funcin de densidad de probabilidad exponencial se expresa como sigue:

f ( x )=P ( x x )=

e x
para x >0 y > 0
0 , de otra forma

Una frmula simplificada es la siguiente: F (x) = 1 e x

DISTRIBUCIN EXPONENCIAL. (Parte 2)
A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en ingeniera y
ciencias, existen an numerosas situaciones que requieren diferentes tipos de funciones de densidad, tales
como la exponencial y la gamma y algunas otras como la weibull, etc., de momento solo trataremos sobre el
uso de la exponencial.
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas tienen un gran nmero de
aplicaciones. Las distribuciones exponencial y gamma juegan un papel importante tanto en teora de colas
como en problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo
de falla de los componentes y sistemas elctricos, frecuentemente involucran la distribucin exponencial. La
relacin entre la gamma y la exponencial permite que la distribucin gamma se utilice en tipos similares de
problemas.
La variable aleatoria x tiene una distribucin exponencial, con parmetro, si su funcin de densidad es:
x

1
f(x) x

,x0

; f(x) = 0 en cualquier otro caso

donde 0
La media y la variancia de la distribucin exponencial son:

2 2

Relacin con el proceso de Poisson.

Las aplicaciones ms importantes de la distribucin exponencial son aquellas situaciones en donde se aplica
el proceso de Poisson, es necesario recordar que un proceso de Poisson permite el uso de la distribucin de
Poisson. Recurdese tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de
nmeros especficos de eventos durante un perodo o espacio particular. En muchas aplicaciones, el perodo
o la cantidad de espacio es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse en el
tiempo T entre llegadas en una interseccin congestionada durante la hora de salida de trabajo en una gran
ciudad. Una llegada representa el evento de Poisson.
La relacin entre la distribucin exponencial (con frecuencia llamada exponencial negativa) y el proceso
llamado de Poisson es bastante simple. La distribucin de Poisson se desarroll como una distribucin de un
solo parmetro, donde puede interpretarse como el nmero promedio de eventos por unidad de tiempo.
Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para que ocurra el primer

evento. Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no ocurran en el espacio
hasta el tiempo t est dada por:

p( 0,t )

t ( t )0
t
0!

; 2.718

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento de Poisson. La
probabilidad de que el perodo hasta que ocurre el primer evento de Poisson exceda x es la misma que la
probabilidad de que no ocurra un evento de Poisson en x. Esto ltimo por supuesto est dado por
resultado,

. Como

x
P(X x) =

Entonces, la funcin de distribucin acumulada para x es:

x
P (0 X x) = 1 -

Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial, puede derivarse la
distribucin acumulada anterior para obtener la funcin de densidad:
x
f(x) =

La cual es la funcin de densidad de la distribucin exponencial con

1
.

Ntese que la media de la distribucin exponencial es el parmetro , el recproco del parmetro en la

distribucin de Poisson. El lector debe recordar que con frecuencia se dice que la distribucin de Poisson no
tiene memoria, lo cual implica que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu
el parmetro importante es el tiempo promedio entre eventos. En teora de la confiabilidad, donde la falla
de un equipo concuerda con el proceso de Poisson, recibe el nombre de tiempo promedio entre fallas.
Muchas descomposturas de equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es
aplicable.

4.6 Distribucin Gamma (Erlang)

Una variable aleatoria X asociada a un experimento aleatorio tiene una distribucin GAMMA si se caracteriza
por las siguientes propiedades: