DISTRIBUCIONES CONTINUAS probabilístico continuo que describe de manera apropiada estos

fenómenos es de tipo exponencial cuando la variable aleatoria

MODELO UNIFORME
En las distribuciones continuas suele comenzarse con un modelo
sencillo, aunque de gran importancia en diferentes áreas de
estudio; en las que las variables aleatorias se distribuyen de
manera uniforme en un intervalo finito [a, b] o (a, b). Un modelo
probabilístico continuo es de tipo uniforme cuando la variable
aleatoria continua que se define en dicho modelo está distribuida
en el intervalo [a, b], de tal forma que la probabilidad en un
subintervalo cualesquiera depende sólo de su longitud. Así, su
función de densidad dependerá de los valores de sus parámetros
a y b.
Definición:
Sea X una variable aleatoria continua, decimos que tiene una
distribución uniforme con parámetros a y b, cuando su función de
densidad de probabilidad está distribuida en el intervalo [a, b].
continua X está distribuida en el intervalo [0, ∞), de manera que
su función de densidad de probabilidad es de tipo exponencial
negativa.
Definición:
Sea X una variable aleatoria continua, decimos que tiene una
distribución exponencial con parámetro positivo β en el intervalo
[0, ∞) cuando su función de densidad de probabilidad es:
1 − 𝛽𝑥
𝑒 ;𝑥 ≥ 0
𝑓(𝑥) = {𝛽
0; para cualquier otro valor de 𝑥
Los modelos exponenciales tienen una gran aplicación en las
líneas de espera o en la teoría de colas; porque las distribuciones
de los tiempos son propicias para casos de:

𝟏 - Tiempos de espera y llegada de clientes a un centro de servicio.

;𝑎 ≤ 𝑥 ≤ 𝑏 - Tiempos de espera para reparar un aparato.
𝑓(𝑥) = {𝒃 − 𝒂
𝟎; para cualquier otro valor de 𝑥 - Tiempo de espera para ser atendido en un banco.
- Duración de equipos industriales para establecer tiempos de
* Si X es una variable aleatoria continua con distribución uniforme garantías.
en [a, b] y f(x) es su función de densidad de probabilidad, - Tiempo entre la llegada de un cliente a otro en un banco.
entonces:
* Si X es una variable aleatoria continua distribuida de manera
exponencial en [0, ∞) y f(x) es su función de densidad de
𝑎+𝑏
𝑬[𝑿] = 𝟎; 𝑥 < 𝑎 probabilidad, entonces:
2 𝒙−𝒂
𝑭(𝒙) = { ;𝑎 ≤ 𝑥 < 𝑏 𝝁 = 𝑬[𝑿] = 𝛽
𝒃−𝒂 0; 𝑥 < 0
(𝑏 − 𝑎)2 𝟏; 𝑥 ≥ 𝑏 𝑭(𝒙) = { 𝑥
𝑽[𝑿] = −
12 𝝈𝟐 = 𝑽[𝑿] = 𝛽2 1 − 𝑒 𝛽; 𝑥 ≥ 0

Las gráficas de las funciones de densidad y acumulada de una

variable aleatoria continua con distribución uniforme, son: Para el cálculo de probabilidades de variables con distribución
exponencial, sin necesidad de calcular la integral, podemos
utilizar lo siguiente:

Si X es una variable aleatoria continua, con distribución

exponencial y parámetro β, entonces con a >0:
𝑎
−
i) 𝑃(𝑋 > 𝑎) = 𝑒 𝛽
𝑎
−
Para resolver problemas de probabilidades de variables aleatorias continuas se ii) 𝑃(𝑋 < 𝑎) = 1 − 𝑒 𝛽
utiliza: −
𝑎
−
𝑏
𝑏
a) Su función de densidad de probabilidad 𝑓(𝑥), 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥 iii) 𝑃(𝑎 < 𝑋 < 𝑏) = 𝑒 𝛽 −𝑒 𝛽 ; con 𝑏 > 𝑎 > 0
EJERCICIOS PARA RESOLVER
b) Su función de distribución acumulada 𝐹(𝑥), 𝑃(𝑎 ≤ 𝑥 ≤ 𝑏) = 𝐹(𝑏) − 𝐹(𝑎)
Las gráficas de la distribución exponencial con parámetro β
LosUNIFORME CONTINUA
modelos uniformes son los más sencillos, debido a que el cálculo de mayor y menor a 1, se muestran enseguida:
sus probabilidades puede realizarse geométricamente, mediante una
división de longitud de segmentos, puesto que la integral con dicha
función de densidad (área bajo la curva) es equivalente al cálculo del
1
área de un rectángulo con altura y base igual a la longitud del
𝑏−𝑎
intervalo entre a y b en el que se calcula la probabilidad.

Gráficas generales de la fdp y fda de una vac X con distribución

exponencial con β > 1
MODELO EXPONENCIAL

En varios de los modelos continuos relacionados con el tiempo, es

posible observar que su distribución es tal que en los tiempos
cercanos a cero tiene una mayor acumulación y conforme pasa el
tiempo esta decrece rápidamente, de forma similar a una función
exponencial negativa. Por ejemplo, en los modelos relacionados
con las líneas de espera, es común que en los primeros instantes Gráficas generales de la fdp y fda de una vac X con distribución
el cliente tenga una mayor probabilidad de ser atendido que exponencial con β < 1
después de un tiempo transcurrido. Se dice que un modelo
 Relaciones entre las distribuciones exponencial y de Poisson Propiedades de la función de densidad normal:

Si los resultados de un experimento ocurren en el tiempo y siguen 1. 𝑓𝑋 (𝑥) > 0

una distribución de Poisson con media μ =λt, entonces el tiempo ∞
T entre dos resultados cualesquiera tiene una distribución 2. ∫−∞ 𝑓𝑋 (𝑥)𝑑𝑥 = 1
1
exponencial con parámetro 𝛽 = 𝜆
3. lim 𝑓𝑋 (𝑥) = 0 lim 𝑓𝑋 (𝑥) = 0
𝑥→∞ 𝑥→−∞
Entre los modelos de Poisson y exponencial es común observar en la
4. 𝑓𝑋 (𝜇 + 𝑥) = 𝑓𝑋 (𝜇 − 𝑥) Es simétrica
literatura que en esta se emplea con frecuencia para los modelos
exponenciales, en lugar del parámetro 𝛽 al parámetro 𝜆, de los modelos 5. El máximo ocurre en 𝑥 = 𝜇
de Poisson, quedando en este caso, la siguiente función de densidad
para los modelos exponenciales: 6. Puntos de inflexión en 𝑥 = 𝜇 ± 𝜎

𝝀𝒆−𝝀𝒙 ; 𝑥 ≥ 0 7. Curtosis igual a 3.

𝑓(𝑥) = {
𝟎; para cualquier otro valor de 𝑥 La integral de la función no se puede resolver con funciones
1
elementales; por lo que, el cálculo de probabilidades resulta muy
Por tanto, 𝛽 = ; resultando: engorroso. Por lo anterior, y debido a su importancia, se cuenta
𝜆
con tablas y programas para calcular probabilidades.
1 1
μ = E[X] = 𝛽 = 𝜆 𝜎 2 = V[X] = 𝛽2 = Así, se requiere de algún método con el que no se tenga la
𝜆2
necesidad de resolver integrales para diferentes valores de 𝜇 y 𝜎:
ESTANDARIZACIÓN DE LA VARIABLE NORMAL

MODELO NORMAL Cambio de variable aleatoria:

𝑿−𝝁
Es uno de los modelos con mayor aplicación en la probabilidad y 𝒁=
𝝈
la estadística. Esta distribución fue descubierta por Carl Friedrich
Gauss, según la cual una magnitud sufre la influencia de La fórmula en Z es una regla de transformación, puesto que en la
numerosas causas de variación, todas muy pequeñas e estandarización 𝑋 − 𝜇 representa un desplazamiento del eje de
independientes entre sí, de tal forma que los resultados se las ordenadas.
acumulan alrededor de la media, distribuyéndose de manera
simétrica a su alrededor con una frecuencia que disminuye con
rapidez al alejarse del centro. Así, la curva que asemeja este
comportamiento tiene forma de campana, la cual constituye la
representación gráfica de una distribución de esta clase de
distribuciones.

Definición:
Gráfica de la distribución normal con la misma desviación estándar,
Sea X una variable aleatoria continua, decimos que tiene una
pero diferente valor esperado.
distribución normal o de Gauss con parámetros 𝜇 y 𝜎 (positivo) en
todos los reales cuando su función de densidad de probabilidad
Mientras que la división entre la desviación estándar influye en la
es:
(𝑥−𝜇)2
amplitud de la función.
1 −
𝑓(𝑥) = 𝑒 2𝜎 2 ; en 𝑥 ∈ (−∞, ∞)
𝜎√2𝜋
Donde 𝜇 y 𝜎 son constantes tales que:
−∞ ≤ 𝝁 ≤ ∞
𝝈>𝟎

Gráfica de la distribución normal

Gráfica de la distribución normal con el mismo valor esperado, pero
diferente desviación estándar.

Cuando se realiza la estandarización, resulta que:

𝑬(𝒁) = 𝟎 𝒚 𝑽(𝒁) = 𝟏; 𝐨 𝐛𝐢𝐞𝐧, 𝑵(𝟎, 𝟏)

Gráfica de la función de densidad de probabilidad de una

variable aleatoria continua X, con distribución normal, media 𝜇 y
variancia 𝜎 2.
X ~ N (𝝁, 𝝈𝟐 )
Gráfica de la distribución normal estándar.
La integral para la función acumulada de la variable aleatoria Z, es
decir la distribución normal en su forma estándar, se calcula y
representa por:
𝟐 𝑃(𝑍 < 𝑍0 ) = 𝛷(𝑍0 )
𝟏 𝒛𝟎 − 𝒛 𝒅𝒛 = 𝜱(𝒛𝟎 )
𝑭(𝒛𝟎 )= ∫ 𝒆 𝟐
√𝟐𝝅 −∞
Para el cálculo de probabilidades se emplean las propiedades
siguientes de la distribución y la tabla de la normal estándar.
Propiedades de la distribución normal estándar
a) Propiedad de simetría. La función f(z) es simétrica con respecto
al eje de las ordenadas. Es decir, 𝑃(𝑍 < −𝑍0 ) = 𝑃(𝑍 > 𝑍0 ).
b) Propiedad del complemento. En los casos de 𝑃(𝑍 > 𝑍0 ) se
puede emplear la simetría, inciso a), o el complemento. Es decir,
𝑃(𝑍 > 𝑍0 ) = 1 − 𝑃(𝑍 ≤ 𝑍0 ).
c) 𝑃(−1 < 𝑍 < 1) = 0.6827
d) 𝑃(−2 < 𝑍 < 2) = 0.9545
e) La suma de probabilidades fuera del intervalo (– 4, 4) no puede
ser mayor a 0.0001, es decir, prácticamente valen cero.
Uso de tablas de la función acumulada
Como se puede observar de la tabla, la función acumulada se
representa por medio de la función 𝛷(𝑧). Por comodidad del
cálculo de probabilidades en intervalos simétricos, en las tablas
se tiene otra función:
𝐳𝟐
𝟏 𝐳𝟎 − 𝐝𝐳 = 𝚽(𝐳𝟎 )−𝚽(−𝐳𝟎 )
𝐃(𝐳𝟎 )= ∫ 𝐞 𝟐 pueden obtenerse fácilmente cuando n es pequeña, utilizando la
√𝟐𝛑 −𝐳𝟎
En las tablas, los bloques están distribuidos en cuatro columnas:
- Primer columna. Corresponde a valores de Z que varían de
centésima en centésima, desde 0 hasta 3.59.
- Segunda columna. Contiene valores de la función acumulada
hasta valores negativos de Z.
- Tercera columna. Contiene valores de la función acumulada
hasta valores positivos de Z.
- Cuarta columna. Contiene valores de probabilidades en
intervalos simétricos con extremos – Z y Z.
El cálculo de probabilidades con base en estas funciones y en las
propiedades anteriores se puede efectuar de la siguiente forma:
𝑃(𝑍 > 𝑍0 ) = 𝛷(𝑍 < 𝑍0 ) = 𝛷(−𝑍0 )
𝑃(−𝑍0 < 𝑍 < 𝑍0 ) = 𝐷(𝑍0 )
𝑃(𝑎 < 𝑍 < 𝑏) = 𝛷(𝑏) − 𝛷(𝑎)
Uso de tablas porcentuales
Es frecuente que al resolver problemas se deban hacer
conclusiones con respecto a la variable aleatoria que se está
estudiando. Para ello, es común que se recurra a encontrar los
valores de la variable con los cuales se obtienen las
probabilidades establecidas (pueden estar dadas en porcentajes).
Además, en lo que se refiere a las variables aleatorias con
distribución normal, se emplean las tablas porcentuales de la
distribución normal:
En las tablas, los bloques están distribuidos en tres columnas:
- Primer columna. Corresponde a las probabilidades dadas en
porcentajes y varía en décimas de porcentaje, desde 0.0 hasta
99.99.
- Segunda columna. Corresponde a los valores de Z, cuya función
acumulada proporciona el porcentaje de la primera columna.
- Tercera columna. Corresponde a los valores de Z, con intervalos
simétricos (extremos –Z y Z), tales que la probabilidad en este
intervalo es igual al porcentaje de la primera columna.
APROXIMACIÓN DE LA BINOMIAL POR LA NORMAL
Las probabilidades asociadas con una distribución binomial
expresión:
𝑋 ~ 𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 (𝑛, 𝑝)
𝑛
𝑃(𝑋 = 𝑥) = ( ) 𝑝 𝑥 𝑞𝑛−𝑥
𝑘
Pero si n es grande, el cálculo se complica. Una forma de resolver
estos problemas es mediante la aproximación de Poisson, pero
tiene el inconveniente de que n debe ser grande yp pequeña.
Ahora se estudiará otra forma de aproximar probabilidades
binomiales utilizando la distribución normal.
Definición: Propiedades de la función gamma
Sea X una variable aleatoria con distribución binomial con
1. 𝚪(𝟏) = 𝟏
parámetros 𝜇𝑋 = 𝑛𝑝 y 𝜎𝑋2 = 𝑛𝑝𝑞, entonces la forma límite de la
distribución de 𝟏 𝑧2
2. 𝚪 ( ) = √𝝅. Mediante el cambio 𝑥 = , se transforma:
𝑋 − 𝑛𝑝 𝟐
∞
2
𝑍= 𝑧2
√𝑛𝑝𝑞 √2 ∫ 𝑒 − 2 𝑑𝑧 = 2√𝜋Φ(0) = √𝜋
cuando 𝑛 → ∞, es la distribución normal estándar 𝑍~𝑁(0, 1). 0
En general, la aproximación es adecuada cuando: 3. Si α>1 se cumple Γ(𝛼) = (𝛼 − 1)Γ(𝛼 − 1). En particular,
1 cuando α = n número natural, se tiene que Γ(𝑛) = (𝑛 − 1)!
𝑛𝑝 > 5 y 𝑝 ≤ 2
O bien Por otro lado, los parámetros α y β representan a la forma y la
1
𝑛𝑞 > 5 y 𝑝 > 2 escala de la distribución, respectivamente. Por ello, al parámetro
α se le suele llamar parámetro de forma y los cambios en su valor
Una forma de ilustrar la aproximación es mediante el histograma
modifican la forma de la distribución.
para la distribución binomial.
A continuación, se muestran algunas gráficas de la función de
densidad gamma, para valores de β = 1 y α = 1, 2, 3, 4. Asimismo,
se muestra la forma de las distribuciones acumuladas.

Aproximación de la distribución normal a la binomial

Finalmente, para realizar la aproximación, es necesario realizar Función de densidad y acumulada tipo gamma para β = 1 y α = 1, 2, 3, 4.
un ajuste por continuidad, es decir, la variable aleatoria binomial
es discreta, mientras que la variable aleatoria normal es continua, Además, a β se le conoce como parámetro de escala y sus cambios
por lo que debe realizarse un pequeño ajuste para mejorar la se reflejan en el tamaño de las unidades en que se mide a la
aproximación. Si para una variable aleatoria X con distribución variable X.
binomial se desea calcular la probabilidad de que esté entre 𝒙𝟏 y
A continuación, vemos las gráficas de la función de densidad y
𝒙𝟐 , el ajuste por continuidad está dado por:
acumulada tipo gamma, en donde se fija al parámetro α = 3 y β
𝑥1 − 𝑑 − 𝜇 𝑥2 + 𝑑 − 𝜇 toma valores de 0.5, 1, 2, 3. Se observa que la forma se conserva,
𝑃(𝑥1 ≤ 𝑋 ≤ 𝑥2 ) ≈ 𝑃 ( ≤𝑍≤ ) más no así su amplitud.
𝜎 𝜎

en donde d es una diferencia de media unidad (0.5) de las

estudiadas.

MODELOS TIPO GAMMA

Este tipo de distribuciones tienen aplicaciones en fenómenos Función de densidad y acumulada tipo gamma para α = 3 y β = 0.5, 1, 2 y 3.
aleatorios de tipo longitudinal. Es decir, los sucesos que se
estudian están descritos por variables aleatorias relacionadas en
Para el caso en que α = 1, la distribución gamma coincide con la
el tiempo; por ende, los valores de las variables son no negativos.
exponencial; toda vez que Γ(1) = 1 y x1-1 = x0 = 1. Por lo tanto, la
Así, corresponden a fenómenos como: función de densidad gamma para estos valores resulta igual a la
- La duración de la vida útil de algún componente en un circuito. exponencial.
- Los niveles de crecimiento de algún fenómeno. 1 −𝛽𝑥
𝑒 ;𝑥 ≥ 0
- La tasa de falla de televisores de una marca en particular. 𝑓(𝑥; 1, 𝛽) = { 𝛽
- Tiempo de vida de pacientes enfermos de cáncer. 0; para cualquier otro valor de 𝑥

Definición:
La función de densidad de una variable aleatoria continua con Enseguida, se presentan las fórmulas para el valor esperado,
distribución gamma y parámetros α (forma) y β (escala), está variancia y función de distribución acumulada:
definida por:
𝑥
− a) 𝜇 = 𝐸[𝑋] = 𝛼𝛽
𝑥 𝛼−1 𝑒 𝛽
𝑓(𝑥; 𝛼, 𝛽) = { 𝛽𝛼 Γ(𝛼) ; 0 ≤ 𝑥 < ∞; 𝛼, 𝛽 > 0
b) 𝜎 2 = 𝑉[𝑋] = 𝛼𝛽2
0; para cualquier otro valor de 𝑥
Donde Γ(α) es la función gamma que se define como: 0; 𝑥 < 0
𝑥 𝑥
∞ c) 𝐹 (𝛽 , 𝛼) = { 1 𝛽
∫ 𝑦 𝛼−1 𝑒 −𝑦 𝑑𝑦 ; 𝑥 ≥ 0
Γ(𝛼) 0
Γ(𝛼) = ∫ 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0

En varios textos, para la distribución gamma se acostumbra a utilizar
el parámetro λ en lugar del parámetro β. La relación entre ambos
parámetros es:
1
𝜆=
𝛽
𝛼 𝛼
Así: 𝜇 = 𝐸[𝑋] = 𝜆
𝜎 2 = 𝑉[𝑋] = 𝜆2
En ocasiones, a la distribución gamma se le agrega un parámetro de
desplazamiento, quedando su función de densidad de la siguiente
manera:
𝑥 𝛼−1 − 𝑥−𝛾
𝑒 𝛽 ;𝑥 ≥ 𝛾
𝑓(𝑥; 𝛼, 𝛽) = { 𝛽𝛼
0; para cualquier otro valor de 𝑥
DISTRIBUCIÓN ERLANG
La distribución Erlang es un caso general de la distribución
exponencial. La distribución exponencial modela el tiempo entre
ocurrencias, o, dicho de otra forma, el tiempo para que ocurra la
siguiente (o primer) ocurrencia, de forma que la primera
generalización natural es una variable aleatoria que modela el tiempo
hasta la n-ésima ocurrencia. El matemático danés Agner Krarup
Erlang (1878-1929) desarrolló el modelo al estudiar las llamadas
telefónicas en centrales de conmutación.
Definición:
Si X es una v.a. con distribución Erlang con parámetros 𝛽 y n, entonces
X es la suma de n variables aleatorias independientes con distribución
exponencial, cada una con parámetro 𝛽, y tiene la función de
densidad:
𝑥 función de densidad tipo Weibull, para β = 1 y α con valores de
−
𝑥 𝑛−1 𝑒 𝛽
𝑓(𝑥; 𝛼, 𝛽) = {𝛽𝑛 (𝑛 − 1)! ; 0 ≤ 𝑥 < ∞; 𝑛 ∈ ℕ, 𝛽 > 0
0; para cualquier otro valor de 𝑥
Erlang notó que el patrón de llegadas de llamadas telefónicas a
un conmutador estaba determinado por este tipo de funciones
de densidad que se caracterizaban porque sus frecuencias se
agrupaban más estrechamente alrededor de su valor medio que
los datos referentes a una distribución de tipo exponencial,
porque existían menos valores bajos y altos. Erlang encontró en
las distribuciones tipo gamma para valores naturales del
parámetro alfa el comportamiento adecuado para la distribución
de las llegadas de llamadas a un conmutador. Es decir, si X
representa a la variable aleatoria que describa el tiempo entre n
llamadas a un conmutador, entonces X tiene una distribución
Erlang con parámetros n y β.
DISTRIBUCIÓN WEIBULL
Otro modelo muy empleado en la práctica de estudios
longitudinales, muy similar a los modelos tipo gamma, se
relaciona con las variables aleatorias continuas X que tienen una
distribución de probabilidad tipo Weibull, que se define
enseguida.
Definición:
La función de densidad de una variable aleatoria continua con
distribución Weibull y parámetro α y β está definida por:
𝛼
𝛼 𝛼−1 − (𝛽𝑥 )
𝑥 𝑒 ; 0 ≤ 𝑥 < ∞; 𝛼, 𝛽 > 0
𝑓(𝑥; 𝛼, 𝛽) = {𝛽𝛼
0; para cualquier otro valor de 𝑥
El nombre de esta distribución se debe al físico sueco Waloddi
Weibull, quien la introdujo en 1939 y fue publicada por primera
vez en 1951 en el artículo “A Statical Distribution Function of
Wide Applicability”, en donde se exponen varias de las
aplicaciones del modelo.
Además, en algunos textos actuales, se utilizan las siguientes
expresiones equivalentes para la función de densidad:
𝑥𝛼
𝛼 −
i) 𝑓(𝑥; 𝛼, 𝛽) = { 𝛽 𝑥 𝛼−1 𝑒; 0 ≤ 𝑥 < ∞; 𝛼, 𝛽 > 0
𝛽
0; para cualquier otro valor de 𝑥
𝛼
𝛼𝜆𝑥 𝛼−1 𝑒 − 𝜆𝑥 ; 0 ≤ 𝑥 < ∞; 𝛼, 𝜆 > 0
ii) 𝑓(𝑥; 𝛼, 𝜆) = {
0; para cualquier otro valor de 𝑥
La forma i) se obtiene si la primera β se sustituye por βα. Es decir, si en
la fórmula original β = 4, en la i) será β = 4α.
1 1
La fórmula ii) se obtiene de i) con 𝜆 = , o de la original con 𝜆 = .
𝛽 𝛽𝛼
1
Esto es, si en la fórmula original β = 4; en la ii) será 𝜆 =
4𝛼
Al igual que en los modelos tipo gamma, los parámetros α y β
representan la forma y la escala de la distribución,
respectivamente. Por lo tanto, se les da el mismo nombre y
utilidad que en los modelos tipo gamma. Esto es, al parámetro α,
parámetro de forma, y se emplea para modificar la forma de la
distribución. A continuación, se muestran algunas gráficas de la
0.75, 2, 3 y 4. También se muestran las funciones acumuladas.
Función de densidad y acumulada tipo Weibull para β = 1 y α = 0.75, 2, 3 y 4
Al parámetro β se le conoce como parámetro de escala y sirve para
controlar las unidades en que se mide la variable X. A
continuación, se observan las gráficas en donde se fija α = 3 y β
toma valores de 0.5, 1, 2 y 3.
Función de densidad y acumulada tipo Weibull para α = 3 y β = 0.5, 1, 2 y 3
De las gráficas anteriores podemos observar que los modelos tipo
gamma y Weibull tienen mucha similitud en sus distribuciones;
por ejemplo, no tienen cota superior, ambas coinciden con los
modelos exponenciales cuando α = 1; pero no son subconjuntos
uno de otro; no obstante, muchos ingenieros prefieren la
distribución Weibull por ser más sencilla de usar (no interviene
la función gamma para el cálculo de probabilidades).
De la misma forma que en las distribuciones gamma, para el caso
en que α = 1, la distribución Weibull coincide con la exponencial.
El modelo Weibull es muy propicio para la distribución de la DISTRIBUCIÓN JI CUADRADA
duración de muchos dispositivos mecánicos, plantas y animales.
Sea X una variable aleatoria continua Weibull y parámetros α y β, Una variable aleatoria continua X no negativa tiene una
entonces: distribución de probabilidad ji cuadrada si en las distribuciones
𝑣
𝛽 1 tipo gamma sustituimos el parámetro α por 2 y β = 2. De esta
𝜇 = 𝐸[𝑋] = Γ ( ) forma se conservan los resultados obtenidos para la distribución
𝛼 𝛼
gamma.
𝛽 2 2 1
𝜎 2 = 𝑉[𝑋] = ( ) [2𝛼Γ ( ) − Γ 2 ( )]
𝛼 𝛼 𝛼
0; 𝑥 < 0 Definición:
𝐹(𝑥; 𝛼, 𝛽) = { 𝑥 𝛼
−( ) La función de densidad de una variable aleatoria continua con
1− 𝑒 𝛽 ;𝑥 ≥0 distribución ji cuadrada y parámetro 𝑣 está definida por:
De manera similar, para las otras expresiones de la función de 1 𝑣 𝑥
−1 −
densidad de probabilidad Weibull, se obtienen las formas i) y ii). 𝑣 [𝑥 2 𝑒 2] ; 𝑥 ≥0
𝑓(𝑥; 𝑣) = { 22 Γ (𝑣 )
2
Forma i) Forma ii) 0; 𝑥 < 0
1 1
Al parámetro 𝑣 se le conoce como grados de libertad y está
𝛽𝛼 1 𝜆𝛼 1
𝜇= Γ( ) 𝜇 = Γ( ) estrechamente relacionado con el tamaño de la muestra. Esta
𝛼 𝛼 𝛼 𝛼 distribución se representa por 𝜒 2(ji cuadrada). Enseguida, se
2 2 muestran algunas gráficas de la distribución ji cuadrada para
𝛽𝛼 2 1 𝜆𝛼 2 1 diferentes valores del parámetro 𝑣.
𝜎2 = [2𝛼Γ ( ) − Γ 2 ( )] 𝜎2 = [2𝛼Γ ( ) − Γ 2 ( )]
𝛼2 𝛼 𝛼 𝛼2 𝛼 𝛼
0; 𝑥 < 0 0; 𝑥 < 0
𝐹(𝑥; 𝛼, 𝜆) = { 𝛼
𝐹(𝑥; 𝛼, 𝛽) = { −
𝑥𝛼 1 − 𝑒 −𝜆𝑥 ; 𝑥 ≥ 0
1− 𝑒 𝛽 ;𝑥 ≥0

DISTRIBUCIÓN LOGNORMAL
Este modelo puede ser empleado en estudios longitudinales. Se
dice que una variable aleatoria continua X tiene distribución
lognormal si la variable aleatoria 𝑌 = ln(𝑋) tiene una distribución Función de densidad de la distribución 𝜒 2con 3, 6, 9 y 12 grados de libertad
normal.
Definición: Uso de tablas de la distribución ji cuadrada
La función de densidad de una variable aleatoria continua con
Las tablas de la distribución ji cuadrada sirven para calcular los
distribución lognormal y parámetro μ y σ está definida por:
valores de la distribución para ciertas probabilidades.
1 (ln(𝑥)−𝜇)2
−
∙𝑒 2𝜎 2 ;𝑥 ≥0
𝑓(𝑥; 𝜇, 𝜎) = {𝜎𝑥√2𝜋
0; 𝑥 < 0
El valor esperado, variancia y función de distribución acumulada
de una variable aleatoria con distribución lognormal están dados
por:
𝜎2
𝐸[𝑋] = 𝑒 𝜇+ 2
2 2
𝑉[𝑋] = 𝑒 2(𝜇+𝜎 ) − 𝑒 2𝜇+𝜎
ln(𝑥) − 𝜇
𝐹(𝑥) = Φ [ ]
𝜎
En donde Φ se obtiene por tablas de la distribución normal
estándar.
Al igual que en la distribución normal, los parámetros μ y σ son
respectivamente el valor esperado y la desviación estándar de la
variable 𝑌 = ln(𝑋). A continuación se muestran algunas formas
de los modelos lognormal.

Como se observa, las tablas muestran los valores de la

distribución ji cuadrada con los cuales, el área derecha bajo la
curva es igual a α. Esto es, si la variable aleatoria X tiene
Función de densidad de distribución ji cuadrada con 𝑣 grados de libertad, entonces:
los modelos lognormal
para diferentes valores de
la media y desviación 𝑷(𝑿𝒗 > 𝒌) = 𝜶 = 𝟏 − 𝑷(𝑿𝒗 ≤ 𝒌) = 𝟏 − 𝑭𝑿𝒗 (𝒌),
estándar de 𝑌 = ln(𝑋).
denota la probabilidad de que X (con 𝑣 grados de libertad) sea
mayor al valor de k y F su función de distribución acumulada.
Las tablas están organizadas de la siguiente manera:
En la primera columna se muestran los grados de libertad e la
variable. En las siguientes, se forman parejas de columnas que en
la parte superior muestran el valor de la probabilidad (se
localizan los valores de la probabilidad y su complemento juntos).
DISTRIBUCIÓN T-STUDENT
Una variable aleatoria continua X tiene una distribución de
probabilidad t-Student, si su distribución se asemeja a la de un
modelo normal. De hecho, la distribución t-Student, al igual que la
distribución normal, es simétrica y tiene forma de campana. La
diferencia entre ambas distribuciones reside en que la t-Student,
a menos grados de libertad tiene colas más pesadas que la
normal.; por tanto, a menos grados de libertad la distribución t-
Student es más chata que la normal. Con respecto a los grados de
libertad, la distribución t-Student coincide asintóticamente con la
distribución normal.
Definición:
La función de densidad de una variable aleatoria continua con
distribución t-Student y parámetro 𝑣 está definida por:
𝑣+1 −
𝑣+1
Γ( 2 ) 𝑥2 2
𝑓(𝑥; 𝑣) = { 𝑣 (1 + )
Γ (2) √𝜋𝑣 𝑣 probabilidad F cuando su función de densidad se puede
Al parámetro 𝑣 se le conoce como grados de libertad y está
estrechamente relacionado con el tamaño de las muestras. A
mayor número de grados de libertad, más se asemeja la
distribución t-Student a la normal, como se observa a
continuación.
La función de densidad de los modelos t-Student para 1, 2, 5 y 30 grados de
libertad y la distribución normal
Uso de tablas de la distribución t-Student
Las tablas de la distribución t-Student sirven para calcular los
valores de la variable para ciertas probabilidades.
Las tablas muestran los valores de la distribución t-Student para
diferentes probabilidades, mismas que se denotan por α. Esto es,
si la variable aleatoria X tiene distribución t-Student con 𝑣 grados
de libertad, entonces:
𝑃(𝑋𝑣 > 𝑘) = 𝛼 = 1 − 𝑃(𝑋𝑣 ≤ 𝑘) = 1 − 𝐹𝑋𝑣 (𝑘)
denota la probabilidad de que X (con 𝑣 grados de libertad) sea
mayor al valor de k.
Las tablas están organizadas de la siguiente manera:
En la primera columna se muestran los grados de libertad, 𝑣, de la
variable, y en la primera fila los valores de las probabilidades de
α; mientras que en los cruces de grados de libertad y
probabilidades se muestran los valores de la variable aleatoria k
que cumplen: 𝑷(𝑿𝒗 > 𝒌) = 𝜶 ó 𝑭𝑿𝒗 (𝒌) = 𝟏 − 𝜶.
DISTRIBUCIÓN F
Una variable aleatoria continua X tiene una distribución de
representar como se indica en la siguiente:
Definición:
La función de densidad de una variable aleatoria continua con
distribución F y parámetros 𝑣1 y 𝑣2 está definida por:
𝑣1
𝑣1 + 𝑣2 𝑣1 2 𝑣1+𝑣2
Γ( 2 ) (𝑣2) 𝑣1 𝑣1 − 2
−1
𝑓(𝑥) = 𝑣 𝑣 ∙ 𝑥 2 (1 + 𝑥) ;𝑥 > 0
Γ ( 21) Γ ( 22) 𝑣2
A los parámetros 𝑣1 y 𝑣2 se les conoce como grados de libertad de
la distribución F del numerador y denominador, respectivamente.
Este tipo de distribuciones se emplea con mucha frecuencia en
estadística cuando se trabaja con la razón entre variancias.
Uso de tablas de la distribución F.
Las tablas de la distribución F sirven para calcular los valores de
la distribución para ciertas probabilidades.
Las tablas muestran los valores de la distribución F para
diferentes probabilidades a la derecha, las cuales se denotan por
𝛂; a diferencia de las otras dos distribuciones para cada valor de
𝛂, se tienen dos páginas de valores de la variable aleatoria según
sean los grados de libertad del 1 al 30 y posteriormente para
valores salteados. Esto es, si la variable aleatoria X tiene
distribución F con 𝑣1grados de libertad en el numerador y 𝑣2
grados de libertad en el denominador, entonces:
𝑃(𝑋(𝑣1, 𝑣2 > 𝑘) = 𝛼 = 1 − 𝑃(𝑋(𝑣1 , 𝑣2 ≤ 𝑘) = 1 − 𝐹𝑋(𝑣1,𝑣2) (𝑘)
denota la probabilidad de que X (con 𝑣1 y 𝑣2 grados de libertad en
el numerador y denominador, respectivamente) sea mayor al
valor k con F la función de distribución acumulada de X.
Las tablas están organizadas de la siguiente manera:
En la primera columna se muestran los grados de libertad del
denominador y en la primera fila el valor de la probabilidad al que
corresponden las tablas (los valores disponibles son: 0.005, 0.01,
0.02, 0.025, 0.05, 0.10) mientras que en la segunda fila se
muestran los grados de libertad del numerador.
EJERCICIOS SOBRE DISTRIBUCIONES CONTINUAS
MODELO UNIFORME CONTINUO
1. Suponga un experimento en el que se toman mediciones al azar
y se obtiene que estas tienen una distribución uniforme en el
intervalo [0, 3]. Calcule la probabilidad de que la siguiente
medición que se tome del experimento esté entre 1.5 y 2.
a) Por medio de su función de densidad.
b) Por medio de su función acumulada.
2. Una compañía manufacturera desarrolló una máquina
despachadora de refresco que lo suministra en vasos de forma
aleatoria, con una distribución uniforme entre 225 y 240
mililitros. Calcule la probabilidad de que la máquina despache
más de 235 mililitros de refresco en el siguiente vaso que
suministre.
3. Las ventas de combustible en una gasolinera tienen una media
de 40000 litros por día y un mínimo de 30000 litros por día.
Supóngase que una distribución uniforme es apropiada.
a) Determine las ventas máximas diarias.
b) ¿Qué porcentaje de días las ventas excederán 34000 litros?
4. Si se sabe que en un experimento discreto exactamente un dato
se presenta en un intervalo de 20 minutos y que la forma de
ocurrencia tiene una distribución uniforme en este, calcule la
probabilidad de que el dato ocurra en los primeros cuatro
minutos del intervalo.
5. Supongamos que la variable aleatoria continua X tiene una
distribución de tipo uniforme con su valor más grande igual a 6 y
valor esperado 4, calcule la variancia de X.
MODELO EXPONENCIAL
1. El tiempo de espera de los clientes en un restaurante para ser
atendidos es una variable aleatoria continua X con distribución
exponencial y media μ = 5 minutos.
a) Calcule la probabilidad de que la siguiente persona que entre al
restaurante sea atendida después de seis minutos.
b) Si se sabe que César fue atendido después de cuatro minutos,
calcule la probabilidad de que haya sido atendido después de seis
minutos.
c) Calcule la probabilidad de que César sea atendido después de
dos minutos. Compare el resultado con el obtenido en b).
2. Considere una lavadora que tiene una vida media de 10 años. Si
la vida útil del motor de esta lavadora puede considerarse como
una variable aleatoria distribuida en forma exponencial, ¿Cuál es
el tiempo de garantía que deben tener estas lavadoras si se desea
que a lo más 20% de estas fallen antes de que expire su garantía?
3. Se realizó un estudio sobre el tiempo de espera de los usuarios
en la sucursal de cierto banco, ubicada en la Ciudad de México, el
cual estableció que el tiempo promedio que se tarda en atender a
un usuario entre las 09:00 y las 12:00 horas en un día común es
de 10 minutos, mismo que se distribuye de manera exponencial.
Calcule la probabilidad de que si una persona va a dicho banco en
un día común a las 10:20 horas sea atendido:
a) en menos de cinco minutos.
b) de entre tres y 11 minutos.
4. EL periodo de vida, en años, de un interruptor eléctrico tiene
una distribución exponencial con un promedio de falla de μ = 2
años. ¿Cuál es la probabilidad de que un interruptor falle después
del segundo año?
5. Mediante una repetición de experimentos se estableció que la
variable aleatoria continua X se describe en forma muy propicia
por un modelo de tipo exponencial; para determinar su
parámetro correspondiente, se empleó su función de distribución
acumulada 𝐹(35) = 𝑃(X < 35) = 0.26. Encuentre el valor del
parámetro β.
6. El periodo de vida en años de un refrigerador de cierta marca
tiene una distribución exponencial con un promedio de falla de μ
= 6 años.
a) ¿Cuál es la probabilidad de que un refrigerador falle antes del
segundo año?
b) ¿Cuál debe ser el tiempo de garantía que debe tener el
refrigerador si se desea que a lo más 10% de los refrigeradores
fallen antes de que expire su garantía?
c) Suponga que revisan cinco de estos. ¿Cuál es la probabilidad de
que al menos dos de los cinco refrigeradores fallen antes del
segundo año?
d) Si las fallas de un refrigerador tienen una distribución de
Poisson con una razón de una falla por cada cinco años, encuentre
la probabilidad e que uno de estos refrigeradores duren entre una
falla y otra más de cuatro años.
MODELO NORMAL
1. Sea Z una variable aleatoria continua con distribución normal
estándar, calcule cada una de las probabilidades siguientes:
a) 𝑃(𝑍 < 1.25) =
b) 𝑃(𝑍 < −0.86) =
c) 𝑃(𝑍 > −1.03) =
d) 𝑃(−2.97 < 𝑍 < 2.97) =
e) 𝑃(−0.57 < 𝑍 < 0.57) =
f) 𝑃(−0.67 < 𝑍 < 1.24) =
g) 𝑃(0.06 < 𝑍 < 3.04) =
h) 𝑃(𝑍 < −4.5) =
i) 𝑃(𝑍 < 5) =
j) 𝑃(−0.06 < 𝑍 < 5.1) =

2. Si 𝐸(𝑋) = 4 y 𝑉(𝑋) = 9, calcule 𝑃(𝑋 ≥ 7)
3. Si 𝐸(𝑋) = 3 y 𝜎 = 2.5, calcule 𝑃(−1 < 𝑋 < 5)
4. El peso de los estudiantes hombres de la Facultad de Ingeniería
se distribuye normalmente con un valor promedio de 70.5 kg y
una desviación estándar de 5.3. Si los estudiantes que pesan más
de 85 kg serán convocados para formar parte de un equipo de
fútbol americano que representará a la facultad, determine el
porcentaje de alumnos que podrán ser convocados.
5. Encuentre el valor de 𝑧0 , tal que 𝑃(𝑍 < 𝑧0 ) = 0.108
6. Encuentre el valor de 𝑧0 , tal que 𝑃(𝑍 ≥ 𝑧0 ) = 5%
7. Si 𝐸(𝑋) = 4 y 𝑉(𝑋) = 9; calcule el valor de 𝑥0, tal que
𝑃(𝑋 ≤ 𝑥0 ) = 75%
8. La variable aleatoria 𝑋 representa la vida promedio de cierto
aparato electrónico; tiene una distribución aproximadamente
normal, con 𝜇 = 3.5 años y desviación estándar 𝜎 = 1.5 años. Si el
fabricante sólo desea reparar los aparatos que fabrica, en el
periodo de garantía de estos, ¿cuál tendría que ser el periodo de
garantía?
9. La administración de una empresa quiere calcular los costos de
reparación anual de cierta máquina para lo cual lleva a cabo un
estudio, en el que obtiene que los costos de reparación anual se
comportan de forma normal con media 400 000 pesos y
desviación estándar de 50 000 pesos.
a) Calcule la probabilidad de que los costos de reparación para
este año estén entre 300 000 y 500 000 pesos.
b) ¿Debajo de qué costo se encuentra el presupuesto para la
reparación anual de las máquinas en 10% de los casos?
10. Una compañía paga a sus empleados un salario promedio de
10 pesos por hora con una desviación estándar de 1 peso. Si los
salarios tienen aproximadamente una distribución normal.
a) ¿Qué porcentaje de los trabajadores recibe salario entre 9 y 11
pesos por la hora, inclusive?
b) ¿Mayor de qué cantidad es 5% de los salarios más altos?
APROXIMACIÓN DE LA BINOMIAL POR LA NORMAL
1. Una fábrica de tapones para botellas de licor produce 20% de
este producto con defectos, como rebabas y manchas, entre otros.
Los productores del licor deciden seguir comprando tapones a
esta fábrica, si al inspeccionar un lote de 200 tapones no se
encuentran más de 25 defectuosos. Calcule la probabilidad de que
los productores de la empresa de licor no tengan que cambiar de
proveedor de tapones.
2. Una encuesta entre los habitantes de la Ciudad de México
demuestra que 10% en un principio estuvo a favor de la
construcción de una línea de Metrobús. Calcule la probabilidad de
que, al preguntar aleatoriamente a 500 habitantes de la Ciudad de
México, al menos 70 por ciento contesten que sí estuvieron a favor
de la construcción. Resuelva considerando una aproximación con
la distribución normal.
3. Una compañía farmacéutica sabe que aproximadamente un 5%
de sus píldoras para el control natal tiene un ingrediente que está
por debajo de la dosis mínima, lo que vuelve ineficaz a la píldora.
¿Cuál es la probabilidad de que más de 30 píldoras en una muestra
de 1000 sea ineficaz? Resuelva considerando una aproximación
con la distribución normal.
DISTRIBUCIÓN GAMMA
1. Evalúe la función gamma en los siguientes valores:
a) Γ(5) =
3
b) Γ (2) =
c) Γ(4) =
7
d) Γ (2) =
9
e) Γ (2) =
2. El periodo de vida, en años, de un interruptor eléctrico tiene
una distribución tipo gamma con parámetros α = β = 2.
a) ¿Cuál es el periodo de vida esperado de un interruptor?
b) Calcule la probabilidad de que un interruptor dado deje de
funcionar antes que su periodo de vida esperado.
3. El tiempo de supervivencia de un mexicano en años, tiene una
distribución tipo gamma con parámetros α = 6 y β = 12.
a) Encuentre la vida promedio de un mexicano.
b) Calcule la probabilidad de que un mexicano elegido al azar viva
entre 60 y 75 años.
4. Si el tiempo (en horas) que emplea un estudiante para resolver
su tarea de probabilidad es una variable aleatoria continua con
una distribución tipo gamma y parámetros α = 2 y β = 0.5, ¿Cuál
es la probabilidad de que en la siguiente tarea se tarde menos de
su tiempo promedio?
5. Después de varios años de observaciones se llegó a la
conclusión de que la vida útil en años de una pantalla de
determinada marca tiene una distribución gamma con
parámetros α = 2 y β = 5. Calcule la probabilidad de que la
siguiente pantalla vendida dure más de seis años.
DISTRIBUCIÓN ERLANG
1. El tiempo, en minutos, entre dos llamadas a un conmutador
sigue una distribución de tipo exponencial con parámetro β = 2.
Calcule el tiempo que puede esperar la operadora antes de que
transcurra la vigésima llamada.
2. Una máquina procesa piezas con un tiempo que sigue una
distribución exponencial con media de 20 minutos por pieza.
Indique cuál es la probabilidad de que cuatro piezas cualesquiera
sean procesadas en una hora.
3. Si el tiempo de llegadas a un restaurante sigue una distribución
exponencial con media de 15 minutos; calcule la probabilidad de
que pasen menos de dos minutos para recibir a 10 clientes.
4. Supóngase que el tiempo de torneado de piezas, por una
máquina, sigue una distribución exponencial con media de cinco
minutos. ¿Cuál es la probabilidad de que pase más de una hora
para que la máquina termine 12 piezas?
DISTRIBUCIÓN WEIBULL
1. Una variable aleatoria continua X tiene una distribución de tipo
Weibull con parámetros α = 2 y β = 5.
a) Calcule E[X] y V[X]
b) P(X >5)
c) P (2.5≤ X ≤9)
2. El tiempo de duración, en años, de cierta marca de pantallas de
televisión sigue una distribución Weibull, con parámetros α = 3 y
β = 5. Si el fabricante pretende reparar solo 10% de las pantallas
que se descompongan durante su periodo de garantía, ¿de cuánto
tiempo tendría que ser esta?
3. Supóngase que la variable aleatoria continua X tiene una
distribución Weibull con parámetros α = 10 y β = 50.
a) Calcule la probabilidad P(X ≥ 45)
b) Calcule la probabilidad P(40≤ X ≤ 50)
4. Después de varios años de observaciones se llegó a la
conclusión de que la vida útil en años de una pantalla de televisión
de determinada marca tiene una distribución Weibull con
parámetros α = 2 y β = 5. Calcule la probabilidad de que la
siguiente pantalla vendida dure más de seis años.
5. Suponga que un sistema contiene ciertos componentes cuya
duración, en años, está dada por la variable aleatoria continua T,
con distribución Weibull y parámetros α = 2 y β = 3. Si en el
sistema se instalan cinco de estos componentes, ¿Cuál es la
probabilidad de que al menos dos de estos aun funcionen al
término de cinco años?
6. La vida útil, en semanas, de un transistor sigue una distribución
Weibull con parámetros α = 1 y β = 20. Calcule la probabilidad de
que un transistor dure más que la vida esperada de los
transistores.
DISTRIBUCIÓN T-STUDENT
1. Encuentre el valor correspondiente de la probabilidad indicada
para una distribución t-Student.
a) 𝑃(𝑋12 > 𝑘) = 0.004
b) 𝑃(𝑋14 < 𝑘) = 0.007
2. Sea X una variable aleatoria con distribución t-Student con 15
grados de libertad. Calcular 𝑡𝛼 , tal que 𝑃(𝑇 < 𝑡𝛼 ) = 0.95
3. Sea X una variable aleatoria con distribución t-Student con 19
grados de libertad. Calcular 𝑡𝛼 , tal que 𝑃(𝑇 > 𝑡𝛼 ) = 0.90
DISTRIBUCIÓN F
1. Encuentre los valores de k para 𝑃(𝑋(6,7) < 𝑘) = 0.995 en
donde X tiene una distribución F.
2. Sea X una variable aleatoria con distribución F con 8 y 20 grados
de libertad, en el numerador y denominador, respectivamente.
Calcule el valor de k tal que 𝑃(𝑋(8, 20) > 𝑘) = 0.001.
3. Sea X una variable aleatoria con distribución F con 15 y 7 grados
de libertad, en el numerador y denominador, respectivamente.
Calcule el valor de k tal que 𝑃(𝑋(15, 7) > 𝑘) = 0.975.

4. Encuentre los valores de k para 𝑃(𝑋(5,7) > 𝑘) = 0.005 en

DISTRIBUCIÓN LOGNORMAL donde X tiene una distribución F.

1. Supóngase que la variable aleatoria continua X tiene una

distribución lognormal con parámetros 𝜇 = 2.5 y 𝜎 = 1.5; calcule
P(X ≤ 150).

2. De acuerdo con ciertos estudios sobre la resistencia a la dureza

de cierto material, este tiene una distribución lognormal. Si los
parámetros correspondientes son 𝜇 = 5.5 y 𝜎 = 0.25. Calcule la
probabilidad de que la resistencia del material esté entre 220 y
280.

3. Supóngase que la variable aleatoria continua tiene una

distribución lognormal con parámetros 𝜇 = 5 y 𝜎 = 2, calcule
P(100≤X≤150).

4. En cierta ciudad, los cambios de voltaje son muy frecuentes y se

ha determinado que dichos cambios se comportan como una
variable aleatoria continua con distribución lognormal y
parámetros 𝜇 = 5 y 𝜎 = 1.1. Calcule la probabilidad de que en un
día determinado en dicha ciudad el voltaje varíe entre 60 y 140
volts.

DISTRIBUCIÓN JI CUADRADA

1. Encuentre el valor correspondiente a la probabilidad indicada

de una distribución ji cuadrada.
a) 𝑃(𝑋8 > 𝑘) = 0.99
b) 𝑃(𝑋9 < 𝑘) = 0.98

2. Sea X una variable aleatoria con distribución ji cuadrada con

ocho grados de libertad. Calcule el valor de k tal que 𝑃(𝑋 > 𝑘) =
0.02
3. Sea X una variable aleatoria con distribución ji cuadrada con 10
grados de libertad. Calcule el varo de k tal que 𝑃(𝑋 < 𝑘) = 0.10
Fuente:
Probabilidad y estadística. Aplicaciones a la ingeniería y ciencias.
Eduardo Gutiérrez González/Olga Vladimirovna Panteleeva
Grupo Editorial Patria