DISTRIBUCIONES CONTÍNUAS (Prob. Ind.)

Lic.
Vicente Sánchez y Ramírez

Distribuciones continuas
___________________________________________________________________________________________
4. DISTRIBUCIONES CONTINUAS.
4.1 Introducción.
Esta unidad contempla el estudio de variables que se basan en escalas de medición

como el tiempo, peso, distancia, temperatura, etc. Que son conocidas como variables
continuas, debido a que pueden tomar un número ilimitado de valores posibles
dentro de un intervalo de números, dependiendo ello de la exactitud del dispositivo
de medición.
Por ejemplo la presión de un neumático en libras por pulgada cuadrada (psi) puede
ser 30, 30.1, 30.15, 30.158, etc. Todo dependerá del instrumento de medición.
El objetivo a lograr en la unidad es presentar mediante cuatro modelos útiles, la

realización de inferencia y toma de decisiones en condiciones de incertidumbre.
Dentro de los objetivos particulares podemos citar:
El participante sabrá diferenciar entre una distribución de probabilidad discreta y una

función de distribución continua.
El participante sabrá describir las características más relevantes de algunas

distribuciones continuas más utilizadas en la toma de decisiones.
El participante sabrá calcular las probabilidades para las principales distribuciones

continuas, mediante la función de probabilidad, la función de distribución acumulativa
de probabilidad y con un software estadístico, con el fin de que le sirvan de
herramienta en la toma de decisiones.
El tema contempla el estudio de las distribuciones de probabilidad: normal, uniforme,

exponencial. Así como aproximación a la binomial por la normal y el empleo del
software Minitab y Excel en el cálculo de probabilidad de estas distribuciones.
4.2 Distribución normal o gausiana.
4.2.1 Introducción.
Es una de las distribuciones de probabilidad más importante, no tan sólo en la teoría

sino principalmente en la aplicación estadística; puesto que la distribución de muchas
estadísticas tienden hacia la distribución normal, en la medida en que el tamaño de
muestra crece.
Su historia se remonta al siglo XVIII cuando se observó que los errores de las
mediciones se ajustaban a una distribución simétrica en forma de campana.
En 1733 Abraham de Moivre la presentó por primera vez en forma matemática al

derivarla como una forma límite de la distribución binomial.
1
Lic. Vicente Sánchez y Ramírez
___________________________________________________________________________________________
Por 1775 Laplace también tuvo conocimiento de ella, pero por un error en la historia
se le atribuyó a Karl Friedrich Gauss, quién la publicó en 1809, y el término gausiana
se emplea muy frecuentemente.
Una manera práctica para verificar si la variable aleatoria se distribuye normalmente,

es mediante la elaboración de un histograma, si este tiene la forma de campana los
datos son normales. Otra forma de saber estadísticamente si existe normalidad en
los datos es mediante una prueba de bondad de ajuste.
El objetivo de la unidad, es lograr que el participante obtenga la probabilidad de

ocurrencia de un evento, apoyado en una muestra representativa de una población,
con el fin de poder hacer inferencias de lo particular a lo general.
Dentro de los objetivos particulares se encuentran:
El participante identificará las principales características de la distribución normal.
El participante sabrá transformar una variable aleatoria X a una distribución Z y

obtener su probabilidad mediante la función de distribución acumulativa normal.
Los temas a cubrir en la unidad son: características de la distribución normal, áreas

bajo la curva de esta distribución, transformación de una variable aleatoria a una
distribución normal, resolución de ejercicios empleando la función de probabilidad
acumulativa y problemas propuestos.
Al final del subtema se espera que el participante sea capaz de obtener la

probabilidad de un evento empleando la función de distribución acumulativa normal,
así mismo que los conocimientos adquiridos hasta esta parte del curso, le permitan
una mejor comprensión de otras distribuciones continuas.
4.2.2 Función de probabilidad de la distribución normal.
Un gran número de estudios, indica que la distribución normal proporciona una

adecuada representación, por lo menos en una primera aproximación, de las
distribuciones de una gran cantidad de variables físicas. Si bien es cierto que la
distribución normal es la que tiene mayor uso, es también de la que más se abusa,
por eso debe emplearse previa comprobación.
La función de probabilidad de la distribución normal se define por:
 ( X  )2 
 
1  2 2 
f ( x)  e   -< χ < +
2 2
Donde:
F(x) = una función del valor observado x
μ = media de la población.
2
___________________________________________________________________________________________
σ = desviación estándar de la distribución de probabilidad
de la variable aleatoria x.
 = 3.1416
e = 2.71828
4.2.3 Características más importantes de la distribución normal.


1.   f ( x)d ( x)  1
El área bajo la curva normal es igual a uno; por lo tanto el área entre dos puntos es la
probabilidad de que una variable aleatoria distribuida normalmente asuma ese valor
entre ellos.
2. 0 ≤ ƒ (x) ≤ 1 para toda x.
La función de probabilidad de su distribución en cualquier punto puede ser mayor o

igual a cero y menor o igual a uno.
3. Límite ƒ(x) = 0 y Límite ƒ (x) = 0

x→+ x→-
Teóricamente la curva es asintótica, o sea que se extiende en ambas direcciones y

tiende gradualmente a unirse en el eje horizontal. Sin embargo se extiende de - 
hasta + , sin tocar nunca el eje de la abscisa.
4. ƒ [(x + μ)] = ƒ [- (x – μ)] la densidad es simétrica alrededor de μ.
Es simétrica con respecto a la media de la distribución y tiene la forma de campana.
5. El valor máximo de ƒ(x) está cuando x = μ.
La media está a la mitad y divide al área en dos partes iguales, tanto la media, la
mediana y la moda tienen el mismo valor.
6. Los puntos de inflexión ƒ están en x = μ ± 1σ.
7. La distribución normal estándar tiene una media poblacional μ = 0 y una

desviación estándar de σ = 1.
8. Los parámetros que definen su función de distribución de probabilidad son μ y σ.
Las siguientes figuras muestran varias gráficas de la distribución normal,

diferenciadas solamente por desviación estándar, por la media o por ambas.
3
___________________________________________________________________________________________
La curva A tiene una desviación σ=1

estándar muy pequeña.
La curva B tiene una desviación

estándar más grande.
σ=5
La curva C tiene una desviación
estándar muy grande
σ = 10
μ = 50
La curva A tiene la media La curva B tiene una media La curva C tiene la

más pequeña entre la de la curva A y la C media más grande
σ=5 σ=5 σ=5
μ = 15 μ = 25 μ = 40
La curva A tiene una media y una

desviación estándar pequeña.
La curva B tiene una media y una
desviación estándar más grande.
La curva C tiene una

media y una
desviación estándar
muy grande.
σ=1
σ=3
σ = 10
µ = 20 µ = 40 µ = 60
4
___________________________________________________________________________________________
Aunque estas curvas difieren en apariencia las nueve son normales, ya que no hay
una sola curva normal, sino una “familia” de curvas normales.
4.2.4 Áreas bajo la curva de la distribución normal.
Dado que hay una infinidad de curvas normales, sería inútil intentar elaborar tablas
de distribución de probabilidad acumulativa para cada variable en estudio, por lo que
es más sano emplear la tabla de probabilidades de área bajo la curva normal.
El área o probabilidad dentro de la curva normal podemos apreciarla en la siguiente

figura.
ÁREAS BAJO LA CURVA NORMAL
Puede
observarse que entre la media y una desviación estándar por arriba de la media se
encuentra el 34.0% de todos los casos, o sea se tiene una probabilidad de 0.34 de
que una variable aleatoria tome un valor entre la media y 1σ; lo mismo sucede entre
la media y –1σ dado que existe simetría en la curva.
Entre la media y ± 2 se encuentra el 95.0% de los datos, o lo que es lo mismo hay

una probabilidad de 0.95.
Dicho esto en otras palabras, la probabilidad de que una variable aleatoria tenga un
valor entre dos puntos cualesquiera es igual al área bajo la curva normal entre esos
dos puntos.
5
___________________________________________________________________________________________
4.2.5 Transformación de una variable aleatoria X a una distribución Z.
El problema de trabajar con toda una familia de curvas normales se puede evitar
completamente al manejar valores relativos en lugar de valores reales. Esto se logra
transformando los valores de la variable aleatoria a una nueva escala que se conoce
como escala Z llamado valor estandarizado, o lo que es lo mismo expresamos estos
valores de variable aleatoria en unidades de desviación estándar de la curva normal.
El estadístico utilizando para dicha transformación es:
x
Z

Donde:
x = valor de la variable aleatoria que nos preocupa.

μ = media de la distribución de la variable aleatoria.
Z = número de desviaciones estándar a las que x se encuentra de .
σ = desviación estándar de la distribución (puede ser S de la muestra).
El transformar una variable aleatoria a una escala Z es solamente un cambio en la

escala de medición del eje horizontal.
La siguiente figura muestra como cualquier valor de variable aleatoria distribuida

normalmente, puede convertirse a una curva normal estándar idéntica
independientemente de la variable aleatoria analizada y los valores que tomen μ y σ.
6
___________________________________________________________________________________________
Por ejemplo en la primer gráfica, donde μ = 4 y σ = 1, el valor de x = 2 se convierte
en Z  ( 2  4) / 1  2 , este valor nos indica que la variable aleatoria 2 está a dos
desviaciones estándar abajo de la media .
De manera análoga para la segunda gráfica, cuando μ =12 y σ = 2, el valor de x =

14 se convierte en Z  (14  12) / 2  1 , indicando que la variable aleatoria 14 está a
una desviación estándar arriba de la media .
En la tercer gráfica donde μ = 20 y σ = 1 el valor de x =18 se convierte en Z = -2,

indicando que la variable aleatoria 18 está a dos desviaciones estándar abajo de la
media .
4.2.6 Ejemplos de aplicación de la distribución normal.
Ejemplo 1. Una empresa instala en una ciudad lámparas para su iluminación, sabe
que la duración de las lámparas es una buena medida de calidad y que se ajusta a
una distribución normal, con un tiempo promedio de vida de 302 días y una
desviación estándar de 40 días.
a) Si se toma una lámpara al azar, ¿cuál es la probabilidad de que se funda antes de

265 días?
Datos:
 = 302
 = 40
La probabilidad solicitada es P (x < 265), visto gráficamente es la parte sombreada

de la siguiente figura.
265 302
Transformando la variable aleatoria 265 a una distribución Z tenemos:
265  302
Z  0.925
40
Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la

curva normal, encontrando que P (x < 265) = P (Z  - 0.925) = 0.1762 ≈ 17.62 %.
b) ¿Cuál es la probabilidad de que una lámpara dure entre 280 y 320 días?
7
___________________________________________________________________________________________
La probabilidad requerida es P (280 ≤ x ≤ 320)
Transformando las variables 280 y 320 a una distribución Z tenemos:
280  302 320  302

Z1   0.55 Z2   0.45
40 40
Replanteando la probabilidad nos queda:
P (-0.55 ≤ Z ≤ 0.45) = P (Z ≤ 0.45) - P (Z ≤ -0.55)

= 0.6736 – 0.2912
= 0.3824
c) Si se van a instalar en la ciudad 20,000 lámparas, ¿cuántas se puede esperar que

duren más de 350 días?
Aquí lo primero que tenemos que obtener es la probabilidad de que P (x  350), visto
gráficamente es:
302 350
Transformando la variable 350 a una distribución Z tenemos.
350  302
Z  1.2
40
Dado que la tabla de áreas bajo la curva normal sólo proporciona valores menores o
iguales a cierto valor de σ, y sabemos que el área bajo la curva es igual a uno la
probabilidad es:
P (Z  1.2) = 1 - P (Z ≤ 1.2)
= 1 – 0.8849 = 0.1151
Por lo tanto el número de lámparas que durarán más de 350 días será 20,000
(0.1151) = 2302
d) ¿Qué valor en días de duración de las lámparas, representa el 90 % de ellas?

El 90% del área a la derecha es el percentil 90, el cuál se representa por D 90, o sea
0.90 es la probabilidad y lo que hay que encontrar ahora es el valor de la variable
aleatoria x.
8
___________________________________________________________________________________________
Dado que el percentil buscado se encuentra a la derecha de 0.50, por lo tanto a 0.90
le corresponde un valor de Z positivo, el cual al ser buscado en la tabla de área bajo
la curva normal es P (Z < 1.28) = 0.90
Sabemos que Z = (x - µ) / σ, por lo tanto lo que tenemos que hacer es sustituir los
valores de z, µ y σ.
x  302
1.28 
40
Despejando a x tenemos que:
x = 1.28 (40) + 302

x = 353.2
Lo que nos indica que el 90% de las lámparas tienen una duración ≤ a 353.2 días, o
lo que es lo mismo el 10% de las lámparas tienen una duración mayor a 353.2 días.
Ejemplo 2. Un fabricante de hierro forjado afirma que su producto tiene resistencia a

la tensión media casi normal, con una media de 50,000 libras por pulgada cuadrada
(psi) y una varianza de 810,000 psi2.
a) Si se toma un hierro forjado al azar, ¿cuál es la probabilidad de que su resistencia

a la tensión sea menor a 49,550 psi?
Datos:
µ = 50,000
  810000  900
La probabilidad solicitada es P (x < 49,550), visto gráficamente es la parte

sombreada de la siguiente figura.
49550 50000
Transformando la variable aleatoria 49550 a una distribución Z tenemos:
49550  50000
Z  0.5
900
Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la curva

normal, encontrando que P (Z  - 0.5) = P (x < 49,550) = 0.3085 que es semejante
al 30.85 %.
b) ¿Qué porcentaje de las mediciones muestrales será mayor a 51,000 psi?

9
___________________________________________________________________________________________
La probabilidad requerida es P (x > 51,000). Gráficamente la probabilidad que se nos

pide es la parte sombreada bajo la curva.
50000 51000
Transformando la variable aleatoria 51,000 a una distribución Z tenemos:
51000  50000
Z  1.11
900
Vista gráficamente la probabilidad buscada, pero ahora bajo la curva de la

distribución normal N (0,1).
0 1.11 σ
Dado que la tabla de áreas bajo la curva normal sólo proporciona valores menores o
iguales a cierto valor de σ, por lo tanto la probabilidad requerida es:
P (Z > 1.11) = 1 - P (Z  1.11)

= 1 - 0.8665
= 0.1335 = 13.35 %
c) ¿Qué valor en resistencia, representa el 10% de los hierros forjados?
El 10% del área a la izquierda es el décimo percentil, el cuál se representa por D10,
o sea 0.10 es la probabilidad y lo que hay que encontrar ahora es el valor de la
variable aleatoria x.
Dado que el percentil buscado se encuentra a la izquierda de 0.50, por lo tanto a

0.10 le corresponde un valor de Z negativo, el cual al ser buscado en la tabla de
área bajo la curva normal es:
P (Z < - 1.28) = 0.10
10
___________________________________________________________________________________________
Si sabemos que Z = (x - µ) / σ, por lo tanto lo que tenemos que hacer es sustituir
los valores de Z, µ y σ de la siguiente manera:
x  50000
 1.28 
900
De donde despejando el valor de la variable aleatoria x tendremos que:
x = -1.28 (900) + 50,000

x = 48,848
Lo que nos indica que un valor menor o igual a 48,848 psi se encuentra al 10% de
los hierros forjados, visto gráficamente es:
10 %
48848 50000
Ejemplo 3. Suponga que un fabricante de aviones sabe que la longitud de las

piernas y los brazos de los pilotos son variables aleatorias distribuidas normalmente,
con medias de 33 y 28 pulgadas respectivamente, y desviación estándar de dos
pulgadas en ambos casos.
a) Si el fabricante pretende diseñar una cabina tal que el 90% de los pilotos puedan
alcanzar los pedales del timón con los pies al sentarse y, por lo tanto, volar en ese
avión en particular. ¿Cuál es la distancia deseada entre el asiento y los pedales?
La pregunta nos pide hallar el décimo percentil o sea el valor de la variable aleatoria
(largo de las piernas del piloto) bajo la cuál está el 10% del área bajo la curva normal.

0.10 le corresponde un valor de Z negativo, el cuál al ser localizado en la tabla de
área bajo la curva normal es:
P (Z < -1.28) = 0.10
Si sabemos que μ =33 y σ =2, sustituyendo estos valores en el estadístico para

transformar la variable aleatoria tenemos:
x  33
 1.28 
2
11
___________________________________________________________________________________________
Despejando x quedará: x = -1.28 (2) + 33, por lo tanto x = 30.44 pulgadas que es la
distancia buscada.
b) Si fuera cierto que el 60% de los pilotos no pueden alcanzar el equipo de

navegación desde sus asientos. ¿Cuál es la distancia entre el asiento del piloto y los
controles pertinentes?
La pregunta nos pide hallar el sexagésimo percentil, es decir, el valor de la variable

aleatoria (largo de los brazos del piloto) bajo el cuál está el 60% del área bajo la
curva normal.
Dado que el percentil buscado se encuentra a la derecha de 0.50 por lo tanto a 0.60
le corresponde un valor de Z positivo, el cuál en el área bajo la curva normal equivale
a un valor de:
P (Z  0.25) = 0.60
Sustituyendo los valores de μ, σ y Z tenemos:
x  28
0.25 
2
Despejando la incógnita se tiene:
x = 0.25 (2) + 28, por lo tanto x = 28.5
Dicha distancia explica que sólo el 40% de todos los pilotos puedan alcanzar los
controles de equipo de navegación.
Ejemplo 4. Manuel Jiménez es supervisor de la presa Nizín. Jiménez sabe que las
turbinas de la presa generan electricidad a la tasa máxima de producción solo
cuando al menos 3 000,000 de litros de agua pasan por la presa diariamente.
También sabe, por experiencia que el flujo diario tiene una distribución normal, con la
media igual al flujo del día anterior y una desviación estándar de 600,000 litros. El día
anterior, 2 550,000 litros fluyeron por la presa. ¿Cuál es la probabilidad de que las
turbinas generen electricidad a la tasa máxima durante todo el día?
La probabilidad requerida en este caso es P(x  3 000,000 de litros de agua)
Transformando la variable aleatoria 3 000,000 a una distribución Z tenemos:
3000000  2550000
Z  0.75
600000
Replanteando la probabilidad solicitada tenemos que:
P (Z  0.75) = 1 - P (Z  0.75)
= 1 – 0.7734
12
___________________________________________________________________________________________
= 0.2266
Ejemplo 5. Un fabricante de motores para aviones, sabe que la duración de dichos

motores es una variable aleatoria que se distribuye de manera normal, con un
promedio de vida de 2000 horas y una desviación estándar de 100 horas. Si se
selecciona un motor de manera aleatoria encuentre:
a) La probabilidad de que un motor tenga una duración mayor a 2170 horas.
La probabilidad requerida es P (x  2170).
Transformando la variable aleatoria 2170 tenemos:
2170  2000
Z  1.7
100
Replanteando la probabilidad pero ahora con la variable transformada es.
P (Z  1.7) = 1 – P (Z ≤ 1.7) = 1 – 0.9554 = 0.0446
b) La probabilidad de que un motor tenga una duración entre 2000 y 2075 horas.
La probabilidad requerida es P (2000 ≤ x ≤ 2075).
Transformando las variables 2000 y 2075 a la distribución normal tenemos:
2000  2000 2075  2000

Z1   0.00 Z2   0.75
100 100
Replanteando la probabilidad nos queda:
P (0.00 ≤ Z ≤ 0.75) = P (Z ≤ 0.75) - P (Z ≤ 0.00)

= 0.7734 – 0.5 = 0.2734
c) ¿Qué valor en horas de vida de los motores, representa el 15 %?
El 15 % del área a la izquierda es el percentil 15, el cuál se representa por D 15, o

sea 0.15 es la probabilidad y lo que hay que encontrar ahora es el valor en horas de
vida de los motores.

0.15 le corresponde un valor de Z negativo, el cual al ser buscado en la tabla de área
bajo la curva normal es P (Z < -1.04) = 0.15
Sabemos que Z = (x - µ) / σ, por lo tanto lo que tenemos que hacer es sustituir los
valores de z, µ y σ.
x  2000
 1.04 
100
13
___________________________________________________________________________________________
Despejando a la incógnita tenemos que x = 1896
Lo que nos indica que el 15 % de los motores tienen una duración ≤ a 1896 días, y
el 85 % restante de los motores tienen una duración mayor a 1896 días.
4.2.7 Ejercicios propuestos de la distribución normal.
1. El acero que se utiliza para tuberías de agua a menudo se recubre internamente

con un mortero de cemento para evitar la corrosión. En un estudio de los
recubrimientos de mortero de una tubería empleada en un proyecto de transmisión
de agua en California (transportation engineering journal, noviembre de 1979) se
especificó un espesor de 7/16 pulgadas para el mortero. Un gran número de
mediciones de espesor dieron una media de 0.635 pulgadas y una desviación
estándar de 0.082 pulgadas. Sí las mediciones de espesor, tenían una distribución
normal, ¿qué porcentaje aproximado fue inferior a 7/16 de pulgada? R = 0.008
2. Un tubo fluorescente estándar tiene una duración distribuida normalmente, con

una media de 7000 horas y una desviación estándar de 1000 horas. Un competidor
ha inventado un sistema de iluminación fluorescente compacto que se puede insertar
en los receptáculos de lámparas incandescentes. El competidor asegura que el
nuevo tubo compacto tiene una duración distribuida normalmente con una media de
7500 horas y una desviación estándar de 1200 horas.
a) ¿Cuál tubo fluorescente tiene mayor probabilidad de tener una duración mayor
de 9000 horas? b) ¿Cuál tubo tiene mayor probabilidad de tener una duración de
menos de 5000 horas?
3. Una compañía de comunicación por cable ha determinado que el número de

interruptores terminales de botón solicitados diariamente tiene una distribución
normal, con una media de 200 y una desviación estándar de 50.
a) ¿En qué porcentaje de los días la demanda será de menos de 90 interruptores?

R = 0.0139
b) Con base en consideraciones de costos, la compañía ha determinado que su
mejor estrategia consiste en producir una cantidad de interruptores suficientes para
atender plenamente la demanda en 94% de todos los días. ¿Cuántos interruptores
terminales deberá producir la compañía cada día? R = 278
4. La compañía Saravi S. A. fabrica puertas para vehículos recreativos. La empresa

tiene dos propósitos en conflicto: desea construir puertas lo más pequeño posible
para ahorrar material, pero para conservar su buena reputación con el público se
siente obligada a fabricar puertas con una altura suficiente para que el 95% de la
población adulta pueda pasar por ellas. La empresa ha investigado que la altura
promedio de la gente adulta está distribuida normalmente con una media de 1.69
metros y una desviación estándar de 0.067m. ¿Qué altura deben tener las puertas
que fabrique la compañía? R = 1.80 m.
5. La Dirección Académica del ITSM investigó que la altura máxima a la que logran
escribir sin dificultad hasta la parte superior de un pintarrón, instalado en un salón de
14
___________________________________________________________________________________________
clases en esta institución 14 docentes elegidos al azar es: 1.80, 2.10, 1.95, 2.05,
1.87, 1.78, 1.80, 2.00, 1.90, 1.87, 1.80, 1.86, 1.90 y 1.93 metros. Los cuales son
valores de variable aleatoria que se distribuyen normalmente.
La dirección pretende instalar pintarrones en cada uno de los salones de este

instituto, de tal manera que el 95% de los docentes puedan escribir sin dificultad
hasta la parte superior de cada pintarrón. ¿Cuál es la altura en metros que debe
existir entre el suelo y el borde superior del pintarrón?
4.3 Aproximación a la binomial por la distribución normal.
Las probabilidades en experimentos binomiales pueden obtenerse fácilmente cuando

n es pequeña, de la forma P(x; n, p). Si n es grande es conveniente calcular la
probabilidad binomial por procedimiento de aproximación.
Si X es una variable aleatoria binomial con media  = np y varianza  2 = npq,

entonces la fórmula del límite de la distribución de Z es:
x  np
Z 
npq
Cuando n  , es la distribución normal N (Z, 0,1).
Se emplea la distribución normal como aproximación a la binomial, siempre que p no

esté cercana a 0 ó 1. La aproximación es excelente cuando n es grande y bastante
buena cuando n es pequeña y p es cercana a 0.5
Como nos vamos a aproximar de una distribución continua (normal) a una discreta
(binomial), se debe emplear el factor de corrección por continuidad. El valor 0.5 se
resta o se suma a la variable aleatoria x, dependiendo del planteamiento del
problema.
Ejemplo 1. Encuentre la probabilidad de que la variable aleatoria x se igual a 4,

cuando el tamaño de la muestra sea n = 15 y la probabilidad de éxito sea p = 0.4
Resolviendo por medio de la función de probabilidad de la distribución binomial

tenemos:
15!
P (4;15,0.4)  (0.4) 4 (0.6)11  0.1268
4!(15  4)!
Por la aproximación mediante la distribución normal, la probabilidad cuando x = 4 se

encuentra entre x1 = 3.5 y x2 = 4.5, o lo que es lo mismo P (3.5  x  4.5).
Iniciemos primero por calcular los parámetros  y  de la distribución normal de la

siguiente manera:
  np  15(0.4)  6 y   npq  15(0.4)(0.6)  1.89736
15
___________________________________________________________________________________________
Transformando las variables aleatorias 3.5 y 4.5 a la distribución Z.
3.5  6 4.5  6
Z  1.32 Z  0.79
1.89736 1.89736
Replanteando la probabilidad pero ahora bajo la distribución Z.
P (-1.32  Z  -0.79) = P (Z  -0.79) – P (Z  -1.32)

= 0.2148 – 0.0934
= 0.1214
Este valor está muy cercano al obtenido con la distribución binomial que es 0.1268
Ejemplo 2. Una prueba de opción múltiple tiene 200 preguntas cada una con cuatro
posibles respuestas de las cuales solo una es correcta. ¿Cuál es la probabilidad de
que al azar se den de 25 a 30 respuestas correctas para 80 de los 200 problemas,
acerca de los cuales el estudiante no tiene conocimiento?
Resolviendo por la distribución binomial, tenemos que la probabilidad de una

respuesta correcta para cada una de las ochenta preguntas es p = ¼ = 0.25, por lo
que q = 0.75, n = 80 y la probabilidad requerida es P (25  x  30) .
P(25  x  30)  P ( x  25)  P ( x  26)      P( x  30)
P(25  x  30)  0.0434  0.0306  0.0204  0.0129  0.0077  0.0044  0.1194
Resolviendo por aproximación de la distribución normal a la binomial, tenemos que

p = 0.25,  = 80 (0.25) = 20 y   80(0.25)0.75  3.873 , y la probabilidad
requerida es P (25  x  30). Transformando estas variables a una distribución Z
tenemos:
24.5  20 30.5  20
Z  1.16 Z  2.71
3.873 3.873
Por lo tanto.
P (1.16  Z  2.71) = P (Z  2.71) – P (Z  1.16)

= 0.9966 – 0.8770
= 0.1196
Ejemplo 3. Un fabricante de un medicamento, sostiene que cierta medicina cura una

enfermedad de la sangre en el 80% de los casos. Para verificarlo, los inspectores del
gobierno utilizan el medicamento en una muestra de 100 pacientes y deciden aceptar
dicha afirmación si se curan 75 personas o más.
a) ¿Cuál es la probabilidad de lo que se dice sea rechazado cuando la probabilidad

de curación, sea en efecto 80%?
Datos:
16
___________________________________________________________________________________________
µ = 100(0.80) = 80
  100(0.8)(0.2)  4
La probabilidad requerida es P(x < 75)
74.5  80
Z   1.375
4
P (Z ≤ -1.375) = 0.0838
b) ¿Cuál es la probabilidad de lo que la afirmación sea aceptada por el gobierno

cuando la probabilidad de curación sea de 0.7
La probabilidad requerida es P(x ≥ 75)
74.5  70
Z  0.98
4.58
P (Z ≥ 0.98) = 1 - P (Z ≤ 0.98)
= 1 – 0.8365
= 0.1635
Ejemplo 4. Los resultados de la elección para presidente de la república en México

en el año de 2012, mostraron que cierto candidato obtuvo el 38 % de los votos. Si se
toma una muestra de 1000 ciudadanos elegidos al azar de entre la población
votante, determine la probabilidad de que obtenga mayoría de votos.
Datos:
 = np = 1000 x 0.38 = 380
  npq  1000(0.38)(0.62)  15.35
Como la mayoría de votos se obtiene con 501 sufragios, así que la probabilidad
requerida es P ( x  501)
Transformando la variable aleatorias 501 a la distribución Z tenemos:
500.5  380
Z   7.85
1000(0.38)(0.62)
Replanteando nuevamente la probabilidad se tiene.
P ( Z  7.85)  1  P( Z  7.85)
= 1 - 1 = 0.0
4.4 Distribución exponencial.
4.1 Introducción.
17
___________________________________________________________________________________________
Las aplicaciones de la distribución exponencial son aquellas donde se aplica el

proceso Poisson. Recuerde que la distribución Poisson se emplea para calcular la
probabilidad de números específicos de “eventos” durante un periodo de tiempo o
espacio en particular. En muchas ocasiones el tiempo o cantidad de espacio es la
variable aleatoria.
La relación entre la distribución exponencial y el proceso Poisson es muy simple. La

distribución Poisson se desarrolló como una distribución de un solo parámetro ,
donde  era el número promedio de eventos por unidad de “tiempo o espacio”.
Considérese ahora la variable aleatoria descrita por el tiempo o espacio que se
requiere para que ocurra el primer evento.
Por ejemplo si un proceso Poisson tiene una media de siete ocurrencias respecto a
un intervalo, entonces el espacio entre las ocurrencias en lo referente a este intervalo
será 1/7. Si las llamadas para un servicio son en promedio seis llamadas por hora,
entonces el tiempo promedio entre llamadas será 1/6 de hora, o lo que es lo mismo
10 minutos (60 x 1/6 = 10).
Si se tienen 20 llamadas por hora en un conmutador, entonces el tiempo promedio

entre llamadas será  = 60 / 20 = 3 minutos. Si se tienen cinco fugas en un
gasoducto por cada 20 kilómetros, entonces el espacio promedio entre fugas es
 = 20 / 5 = 4. Donde  es el tiempo o espacio promedio entre dos eventos Poisson.
4.2 Función de probabilidad de la distribución exponencial.
Definición. La variable aleatoria continua X tiene una distribución exponencial, con

parámetro , si su función de densidad es:
1
F ( x)  e x /  Para x  0

La distribución exponencial se caracteriza por un parámetro  que representa el

lapso promedio de tiempo entre dos eventos independientes Poisson. En el contexto
de la confiabilidad,  recibe el nombre de tiempo promedio entre fallas y 1/ es la
frecuencia de falla o sea .
4.3 Características de la distribución exponencial
Dentro de las características más importantes de esta distribución podemos citar:
La variable aleatoria de esta distribución es el tiempo o espacio determinado entre

dos eventos consecutivos en un proceso Poisson.
Esta distribución se aplica: (1) sólo a valores positivos de x, y (2) sólo a situaciones
en los que los valores más pequeños de x sean más probables que los mayores.
18
___________________________________________________________________________________________
El parámetro que define esta función de distribución es , que es el promedio de
eventos por unidad de tiempo o espacio.
La media y la varianza de la distribución exponencial son E(x) =  =  y V(x) = 2 = 2
La probabilidad de que la variable aleatoria X tome un valor mayor que x, es:
P ( X  x )  e  x
Por lo tanto la función de distribución acumulada para X es:
P ( X  x )  1  P ( X  x)
 1  e  x
Visto gráficamente es:
P(Xx) = e-x
-x
P (Xx) = 1 - e
Ahora, con objeto de que se reconozca la presencia de la distribución exponencial,

puede derivarse la distribución acumulada anterior para obtener la función de
densidad:
F ( x )   e  x
La cual es la función de densidad de la distribución exponencial con  = 1 / .
4.4 Ejemplos de aplicación de la distribución exponencial.
Ejemplo 1. Sea x una variable aleatoria que se distribuye exponencialmente con

parámetro  = 1/5, encuentre:
a) Su función de probabilidad.
1 ( 1/ 5) x
Como F ( x)  e  x , entonces F ( x)  e
5
b) La probabilidad de que x sea menor que dos.
P ( x  2)  1  P ( x  2)
 1  e  (1 / 5) 2  0.3297
19
___________________________________________________________________________________________
c) La probabilidad de que x sea mayor que tres.
P( x  3)  e  (1 / 5) 3  0.5488
d) La probabilidad de que x se encuentre entre uno y cuatro.
P (1  x  4)  P ( x  4)  P ( x  1)
 (1  e  (1 / 5) 4 )  (1  e  (1 / 5)1 )
= 0.5507 – 0.1813 = 0.3694
e) El valor esperado de la variable aleatoria x.
1 1 1
Sabemos que E(X) =  y    , despejando   por lo tanto   5
 1/ 5
f) La desviación estándar de la variable aleatoria x.
Si  2   2 entonces  2  52 , por lo tanto   52  5
Ejemplo 2. Suponga que el tiempo que tardan en recibir su orden después de

hacerla en un gran restaurante promedia 10 minutos. Suponga también que ese
tiempo que espera en ser atendido se distribuye exponencialmente.
a) ¿Cuál es la probabilidad de que su tiempo de espera sea mayor de 10 minutos?
Datos:
 = 10
 = 1 / 10 = 0.1 pedidos promedio por minuto.
La probabilidad requerida es P (x  10)
P (x  10) = e-x = e-0.1(10)

= 0.3678
b) Obtenga la probabilidad de que su tiempo de espera sea de 10 minutos o menos.
La probabilidad solicitada es P (x  10), la cual es:
P (x  10) = 1 – P (x > 10) = 1 – e-0.1(10)

= 1 – 0.3678 = 0.6322
c) Encuentre la probabilidad de que su tiempo de espera sea de tres a cinco minutos.
P (3  x  5) = P (x  5) – P (x  3)
= (1 – e-0.1(5)) - (1 – e-0.1(3))
= 0.3935 - 0.2592
= 0.1343
20
___________________________________________________________________________________________
d) ¿Cuál es el tiempo promedio que tardan en recibir su orden después de hacerla en
este restaurante?
Si  =  y  = 1 / , despejando  tenemos que  = 1 /  = 1 / (1 / 10) = 10.
Ejemplo 3. Considere el proceso Poisson en el que llegan cuatro aviones por hora a
un aeropuerto. Entonces el tiempo promedio entre llegadas consecutivas de los
aviones es 1/4 de hora, o sea 15 minutos.
a) ¿Cuál es la probabilidad de que haya tiempos de más de ¼ de hora entre

llagadas?
Datos:
 = 60 / 4 =15 minutos.
 = 1 / 15 = 0.06667 llegadas promedio por minuto.
La probabilidad requerida es P (x  15).
P (x  15) = e-0.06667(15) = e -1.00005 = 0.3679
b) ¿Cuál es la probabilidad de tener tiempos menores de un décimo de hora entre

llegadas?
La probabilidad requerida es P (x  6 minutos).
P (x  6) = 1 – e-0.06667(6)
= 1 – 0.6703
= 0.3296
c) ¿Cuál es la probabilidad de que haya tiempos entre un décimo y un cuarto de hora

entre llegadas (es decir, entre 6 y 15 minutos)?
P (6  x  15) = P (x  15) – P (x  6)
= [ 1 – e-0.06667(15) ] - [ 1- e-0.06667(6) ]
= 0.6321 – 0.3297 = 0.3024
Ejemplo 4. En un experimento de laboratorio se utilizan 10 gramos de polonio.

Sabiendo que la duración media de un átomo de esta materia es de 140 días,
¿cuántos días transcurrirán hasta que haya desaparecido el 90% de este material?
Datos:
 = 140
 = 1 / 140
La probabilidad de que x días hayan transcurrido hasta que desaparezca el 90% es:
P (X  x) = 1 – e-x
El tiempo que transcurre hasta que el 90% del material radioactivo se desintegra es
el percentil 90, D90, de la distribución exponencial. Por lo que ahora hay que
encontrar es la variable aleatoria x de la función de distribución.
21
___________________________________________________________________________________________
Si 1 – e-x = 0.90 y  = 1 / 140, por lo que sustituyendo valores tenemos:
1 – e-(1/140)x = 0.90
1 – e-x/140 = 0.90, despejando x.
-e-x/140 = 0.90 – 1
-e-x/140 = -0.10
[-e-x/140 = -0.10] (-1)
e-x/140 = 0.10
Resolviendo por logaritmos tenemos:
-x /140 Log. e = Log. 0.10

-x /140 (0.434294481) = -1
-x /140 = -1 / 0.434294481
-x /140 = - 2.302585093
-x = - 2.302585093 (140)
-x = - 322.36
x = -322.36 / -1
x = 322. 36 días.
Ejemplo 5. Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos

sigue una distribución exponencial con media de 16 años. ¿Cuál es la probabilidad
de que una persona a la que se le ha implantado este marcapasos se le deba
reimplantar otro antes de 20 años? Si el marcapasos lleva funcionando
correctamente cinco años en el paciente.
Datos:
 = 16
 = 1 / 16
P (x  20)
En la duración que se espera que tenga el objeto, no influye en nada el tiempo que
en la actualidad lleva funcionando. Es por eso que se dice que la distribución
exponencial “no tiene memoria”.
P (x  20) = 1 – e-(1/16)20
= 1 - 0.286504796
= 0.7135
4.5 Ejercicios propuestos de la distribución exponencial
1. La cantidad de tiempo durante el que funciona una cámara de vigilancia sin que se
le reponga, es una variable aleatoria con distribución exponencial con  = 50 días.
Determine la probabilidad de que una cámara:
a) Tenga que ser repuesta en menos de 40 días.

b) Tenga que ser repuesta en al menos 40 días.
22
___________________________________________________________________________________________
2. Si una máquina falla en promedio una vez cada dos años, encuentre la
probabilidad de que la máquina no falle durante el siguiente año. R = 0.6065
3. Una refinadora de azúcar tiene tres plantas de proceso, y reciben azúcar morena a
granel. La cantidad de azúcar que puede procesar una planta en un día se puede
representar mediante una función exponencial con un promedio de cuatro toneladas
para cada una de las plantas. Si las plantas trabajan en forma independiente,
calcular la probabilidad de que sean exactamente dos de las tres plantas las que
procesen más de cuatro toneladas en un día determinado.
La probabilidad de que se procesen más de cuatro toneladas en un día es R =
0.3679
La probabilidad de que sean exactamente dos las que procesen más de cuatro
toneladas es R = 0.2560
4. Suponga que un sistema tiene cierto tipo de componente cuyo tiempo de falla en
años está dado por la variable T, distribuida exponencialmente con tiempo promedio
de falla igual a cinco años. ¿Cuál es la probabilidad de que al menos dos continúen
funcionando después de ocho años?
La probabilidad de que un componente continúe funcionando después de ocho años
según la exponencial es R = 0.20
La probabilidad de que al menos dos componentes continúen funcionando mediante
la binomial es R = 0.2627
5. El tiempo que transcurre antes de que una persona sea atendida en una cafetería
es una variable aleatoria que tiene una distribución exponencial con una media de
cuatro minutos. ¿Cuál es la probabilidad de que una persona sea atendida antes de
que transcurran tres minutos, en al menos cuatro de los seis días siguientes?
La probabilidad de que una persona sea atendida antes de tres minutos en un día
cualesquiera según la exponencial es R = 0.5276
La probabilidad de que sea atendido en al menos cuatro de los seis días siguientes
es R = 0.3975.
6. Considere a un fabricante de equipo aéreo para mediciones de distancia (DME).

La experiencia pudiera demostrar que las fallas en unidades DME pueden ser
descritas por un proceso Poisson, y que una unidad falla un promedio de cuatro
veces por cada 100,000 horas de uso.
a) Cuál es la probabilidad de que una unidad opere sin falla más de 50,000 horas.
b) Cuál es la probabilidad de que una unidad opere sin falla hasta 20,000 horas.
5. Distribución uniforme.
5.1 Introducción.
La distribución uniforme es aquella en que la variable aleatoria X toma cualquier valor

en un intervalo entre dos puntos, de tal manera que cada uno tiene la misma
probabilidad de ocurrir. Esta función de distribución también es conocida como
rectangular.
23
___________________________________________________________________________________________
Como ejemplos de esta distribución podemos citar: el tiempo de llegada de un
autobús, el tiempo de maduración de una cosecha, el tiempo que tarda en
procesarse un crédito, las ventas diarias en un supermercado, la tasa de inflación al
año etc.
5.2 Función de probabilidad de la distribución uniforme.
Si el recorrido de la variable aleatoria X, está comprendido en un intervalo continuo y

cerrado (a, b), entonces la función de densidad uniforme esta dada por:
1
F ( x)  Para a  x  b
ba
5.3 Características de la distribución uniforme.
Dentro de las características más relevantes de esta distribución podemos citar:
Una variable aleatoria tiene igual probabilidad de tomar cualquier valor dentro de un
intervalo especificado a lo largo de una escala continua.
La altura precisa de la función de distribución uniforme se obtiene por el cociente

1
F ( x) 
ba
La esperanza o media de la variable aleatoria X y su varianza están definidas por:
ab (b  a ) 2
E ( x)    V ( x)   2 
2 12
Los parámetros que definen su función de densidad son a y b.
La función de distribución de probabilidad uniforme es constante en el intervalo (a, b)

como se ilustra a continuación.
F ( x )  1 /(b  a )
a b x
La probabilidad de que x tome un valor entre a y b de manera general se define por:
b
P (a  x  b)   f ( x)dx  1
a
24
___________________________________________________________________________________________
La probabilidad menor o igual a cierto valor de manera particular la definimos por:
xa
P ( X  x)  si a  x  b
ba
5.4 Ejemplos de aplicación de la distribución uniforme.
Ejemplo 1. Sea X una variable aleatoria que se distribuye uniformemente en el

intervalo (0, 4). Encuentre:
a) La función de densidad de probabilidad y la función de distribución de

probabilidad.
Si a = 0 y b = 4 por lo tanto la función de probabilidad será:
1 1
f ( x)   para 0  x  4
40 4
La función de distribución de probabilidad (figura) es.
F(x) = 1/4
0 1 2 3 4 x
b) La probabilidad de que x sea menor que dos.

b
Sabemos que P(a  x  b)  a f ( x)dx por lo tanto:
 1 / 4dx  1 / 4[ x]
2 2
P ( x  2)  0  1 / 4(2  0)  1 / 2  0.5
0
De manera directa obtenemos esta probabilidad al multiplicar la base del rectángulo

pertinente (2) por su altura correspondiente (1/4).
c) La probabilidad de que x sea mayor que tres.
 1 / 4dx  1 / 4[ x]
4 4
P ( x  3)  3  1 / 4  0.25
3
d) La probabilidad de que x esté comprendida entre 2 y 3.

25
___________________________________________________________________________________________
 1 / 4dx  1 / 4[ x]
3 3
P(2  x  3)  2  1 / 4  0.25
2
e) La longitud promedio del recorrido de x.
04
E (X) =   2
2
f) La varianza de x.
(4  0) 2
V (X) =  2   1.333
12
Ejemplo 2. Se sabe que la inflación del próximo año se encontrará entre el 5 y el

10%, donde todos los valores comprendidos entre 5 y 10% tienen la misma
probabilidad.
Gráficamente podemos representar el problema anterior como se muestra a

continuación. Dado que a = 5 y b = 10, la función de densidad de probabilidad de a
a b se define por: 1 / (b – a) = 1 / (10 – 5) = 1/5.
f(x) = 1/5
0 5 6 7 9 10 x
a b
a) ¿Cuál es la probabilidad de que la inflación sea del 6% o menos?
La probabilidad solicitada es el área sombreada con rallas horizontales de la gráfica

anterior.
xa 65 1
P ( x  6)     0.2
b  a 10  5 5
Esta probabilidad puede obtenerse también de manera directa al multiplicar la base

del rectángulo pertinente (que mide 1) por su altura: 1 (1 / 5) = 0.2
b) ¿Cuál es la probabilidad de que la inflación sea de más del 6%?
La probabilidad de inflación de más del 6%, es el área sombreada con rayas

verticales más el área blanca de la gráfica.
P ( x  6)  1  P ( x  6)
26
___________________________________________________________________________________________
65 1
P ( x  6)  1   1   0.8
10  5 5
c) ¿Cuál es la probabilidad de que la inflación sea entre 7 y 9%?
La probabilidad requerida es el área sombreada con rayas verticales en la gráfica.
P ( 7  x  9)  P ( x  9)  P ( x  7 )
95 7 5 4 2
P(7  x  9)      0.4
10  5 10  5 5 5
d) ¿Cuál es la media y la desviación estándar de la variable aleatoria?
5  10
  7.5
2
Valor visualmente obvio en la gráfica presentada, la varianza se calcula por:
(10  5) 2
2   2.083
12
Por lo tanto la desviación estándar será   2.083  1.443
Ejemplo 3. Considere un vuelo para llegar a la ciudad de México a la 1:30 de la

tarde, pero que es igualmente probable que llegue en cualquier momento entre la
1:10 y la 1:55. Obtenga la probabilidad de que:
a) El avión llegue a tiempo o antes.
Si a = 1:10 y b = 1:55, entonces la probabilidad requerida es P (x ≤ 1:30).
1.30  1.10
P ( x  1 : 30)   0.444
1.55  1.10
b) Que el avión llegue tarde para una conexión de vuelo a la 1:45 a la ciudad de
Monterrey.
La probabilidad solicitada es P (x > 1:45).
1.45  1.10 0.35

P (x > 1.45) = 1 – P (x ≤ 1.45) = 1   1  1  0.7777  0.2223
1.55  1.10 0.45
Ejemplo 4. Sea x una variable aleatoria continua con distribución:
x
F ( x)  k 0x2
4
Con dicha función de distribución encuentre:

27
___________________________________________________________________________________________
a) El valor de k.
b
Sabemos que a
f ( x ) dx  1 , por lo tanto:
0
2 x 21 2 1 2 2 1
(  k )dx   xdx   kdx   xdx  k  dx  x 2 / 2
4 0 4 0 4 0 0 4
[ ] 02  k [ x ] 02 
1
2
 2k  1
Por lo tanto k = 1 /4.
b) La probabilidad de que x sea mayor que ½.
2 x 1 1 2 1 2 1 1
[
P( x  1 / 2)  1 (  )dx  1 xdx  1 dx  x 2 / 2] 1  [ x
2
] 21 
15 3 27
   0.84375
2 4 4 4 2 4 2 4 2 4 2 32 8 32
5.5 Ejemplos propuestos de la distribución uniforme.
1. Si se sabe que la variable aleatoria X denota la corriente medida en un alambre

delgado de cobre en miliamperes. Suponga que el rango de X es [0, 20 mA], y
suponga que la función de densidad de probabilidad de X es  (x) = 0.05, en todo el
rango 0  x  20. ¿Cuál es la probabilidad de que una medición de la corriente esté
entre 5 y 10 miliamperes? R = 0.25
2. El grosor del reborde de una componente aeronáutica tiene una distribución

uniforme entre 0.95 y 1.05 milímetros.
a) Determine la proporción de rebordes que exceden a 1.02 milímetros. R = 0.30

b) ¿Qué grosor exceden 90% de los rebordes? R = 0.96
3. La función de densidad de probabilidad del tiempo necesario para terminar una

operación de ensamblaje es F(x) = 0.1 para 30  x  40 segundos.
a) Determine la proporción de unidades ensambladas cuya terminación necesite más

de 35 segundos.
b) ¿Qué tiempo es excedido por 90% de las unidades ensambladas?
c) Determine la media y la varianza del tiempo de ensamblaje.
4. Considere un vuelo programado para llegar a Keene, Nueva Hampshire, a las 1:30
p.m., pero que es igualmente probable llegue en cualquier momento entre la 1:10 y la
1:55. Obtenga la probabilidad de que:
a) El avión llegue a tiempo o antes.

b) Que el avión llegue tarde para una conexión de vuelo a la 1:45 de la tarde.
28
___________________________________________________________________________________________
Apéndice 4.1 Empleo del software Minitab en algunas funciones de

probabilidad continuas.
Minitab puede utilizarse para obtener la probabilidad acumulativa para algunas

distribuciones continuas. La probabilidad P ( X  x) la proporciona directamente y la
P ( X  x) se obtiene restándole a 1 el valor obtenido en P ( X  x) .
Distribución normal (Z).
Para ilustrar la aplicación tomemos el inciso a del ejemplo 1 que está en la página 7,
de una empresa que instala en una ciudad lámparas para su iluminación. Donde
 = 302,  = 40 y la probabilidad planteada es P ( x  265) . Los pasos a seguir son los
siguientes.
1. Ingresar la constante especificada 265 (probabilidad requerida) en cualquiera de

las celdas de la hoja de trabajo, en este caso la pondremos en C1.
2. Seleccione el menú Calc.
3. Elegir Distribuciones de probabilidad.
4. Hacer clic en Normal.
5. Cuando aparezca el cuadro de diálogo Distribución normal.

Hacer clic en Probabilidad acumulada.
Ingresar 302 en el cuadro Media.
Ingresar 40 en el cuadro Desviación estándar.
Hacer clic en el botón Columna de entrada.
Ingresar C1 en el cuadro Columna de entrada.
Hacer clic en Aceptar.
Minitab dará la probabilidad acumulada 0.177483. Esta probabilidad es P ( X  x) .
Si se desea la probabilidad P ( x  265) se tendrá 1  P ( x  265) , que es igual a

1 – 0.177483 = 0.822517.
Probabilidad acumulada inversa en la distribución normal.
Con el fin de mostrar como se obtiene el valor correspondiente de una variable

aleatoria a partir de su probabilidad correspondiente, tomamos el inciso c del ejemplo
5 que se encuentra en la página 14, donde el promedio  = 2000, la desviación
estándar  = 100 y se desea saber el valor en horas de vida de duración de los
motores que representa el 15 %. El percentil que se tiene que estimar es D15 .
1. Ingresar la probabilidad requerida 0.15 en la columna C1 de la hoja de trabajo.

29
___________________________________________________________________________________________
4. Hacer clic en Normal.
5. Cuando aparezca el cuadro de diálogo Distribución normal.

Hacer clic en Probabilidad acumulada inversa.
Ingresar 100 en el cuadro Desviación estándar.
Minitab le dará el valor de la variable aleatoria 1896.36 horas de vida.
Distribución Exponencial.
Para ilustrar el empleo de Minitab tomemos el ejemplo 5 de la página 23, sobre el

tiempo de vida de cierto tipo de marcapasos. Donde la probabilidad planteada es
P ( x  20) , y el promedio de la distribución  = 16. Los pasos se presentan a
continuación.
1. Ingresar 20 (probabilidad requerida) en la celda C1.
4. Hacer clic Distribución exponencial.
5. Cuando aparezca el cuadro de diálogo Distribución exponencial.

Ingresar 16 en el cuadro Escala.
Minitab dará la probabilidad de 0.713495. Esto es la probabilidad para un valor

menor o igual a x, o sea P ( x  20) .
Distribución Uniforme.
Para mostrar como se utiliza Minitab tomemos el inciso a del ejemplo 3 que se
encuentra en la página 28, sobre un vuelo para llegar a la ciudad de México a la 1:30
de la tarde. La probabilidad planteada es P ( x  1.30) , con los valores de a = 1.10 y
b = 1.55. Los pasos se presentan a continuación.
1. Ingresar 1.30 (probabilidad requerida) en la celda C1.

30
___________________________________________________________________________________________
4. Hacer clic Distribución uniforme.
5. Cuando aparezca el cuadro de diálogo Distribución uniforme.

Ingresar 1.10 en el cuadro Cola inferior.
Ingresar 1.55 en el cuadro Cola superior.
Minitab dará la probabilidad acumulada 0.4444. Esto es la probabilidad para

P ( x  1.30)
Al estar trabajando con alguna distribución de probabilidad en particular y desea

realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra
al icono Editar último diálogo (Ctrl+E) de la barra de herramientas de Minitab.
Apéndice 4.2 Empleo de Excel en algunas funciones de probabilidad continuas.
Distribución normal (Z).
Para ilustrar la aplicación tomemos el inciso a del ejemplo 1 que está en la página 7,
de una empresa que instala en una ciudad lámparas para su iluminación. Donde
 = 302,  = 40 y la probabilidad planteada es P ( x  265) . Los pasos a seguir son los
siguientes.
1. Hacer clic en cualquiera de las celdas de la hoja de trabajo donde se desee el

resultado.
2. Hacer clic en Insertar función (fx).
3. Cuando aparezca el cuadro de diálogo Insertar función.

Seleccione Estadísticas en la ventana O seleccionar una categoría.
Seleccione DISTR. NORM en la ventana Seleccionar una función
4. Cuando aparezca el cuadro de diálogo Argumentos de función.

Ingresar 265 en el cuadro X.
Ingresar 40 en el cuadro Desv_estándar.
Ingresar Verdadero en el cuadro Acum.
31
___________________________________________________________________________________________
Excel le da la probabilidad de 0.17748295 que es la probabilidad deseada, o sea la
P ( x  265) .
Probabilidad acumulada inversa en la distribución normal.
Con el fin de mostrar como se obtiene el valor correspondiente de una variable

aleatoria a partir de su probabilidad correspondiente, tomamos el inciso c del ejemplo
5 que se encuentra en la página 14, donde el promedio  = 2000, la desviación
estándar  = 100 y se desea saber el valor en horas de vida de duración de los
motores que representa el 15 %. El percentil que se tiene que estimar es D15 .

resultado.

Seleccione DISTR.NORM.INV en la ventana Seleccionar una función

Ingresar 0.15 en el cuadro Probabilidad.
Ingresar 100 en el cuadro Desv_estándar.
Excel le da el valor de 1896.36 que es el valor de horas de vida.
Distribución Exponencial.
Para ilustrar el empleo tomemos el ejemplo 5 de la página 23, sobre el tiempo de

vida de cierto tipo de marcapasos. Donde la probabilidad planteada es P ( x  20) , y
el promedio de la distribución  = 16. Los pasos se presentan a continuación.

resultado.

Seleccione DISTR.EXP en la ventana Seleccionar una función

Ingresar 20 en el cuadro X.
Ingresar 0.0625 en el cuadro Lambda. (Recuerde que  = 1 / 16 = 0.0625)
32
___________________________________________________________________________________________
Ingresar Verdadero en el cuadro Acum.
Excel dará la probabilidad de 0.7134952. Esto es la probabilidad para un valor menor

o igual a x, o sea P ( x  20) .
33

DISTRIBUCIONES CONTÍNUAS (Prob. Ind.)

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

DISTRIBUCIONES CONTÍNUAS (Prob. Ind.)

Cargado por

Copyright:

Formatos disponibles

Lic.

Vicente Sánchez y Ramírez

Esta unidad contempla el estudio de variables que se basan en escalas de medición

El objetivo a lograr en la unidad es presentar mediante cuatro modelos útiles, la

Dentro de los objetivos particulares podemos citar:

El participante sabrá diferenciar entre una distribución de probabilidad discreta y una

El participante sabrá describir las características más relevantes de algunas

El participante sabrá calcular las probabilidades para las principales distribuciones

El tema contempla el estudio de las distribuciones de probabilidad: normal, uniforme,

4.2 Distribución normal o gausiana.

Es una de las distribuciones de probabilidad más importante, no tan sólo en la teoría

En 1733 Abraham de Moivre la presentó por primera vez en forma matemática al

Una manera práctica para verificar si la variable aleatoria se distribuye normalmente,

El objetivo de la unidad, es lograr que el participante obtenga la probabilidad de

Dentro de los objetivos particulares se encuentran:

El participante identificará las principales características de la distribución normal.

El participante sabrá transformar una variable aleatoria X a una distribución Z y

Los temas a cubrir en la unidad son: características de la distribución normal, áreas

Al final del subtema se espera que el participante sea capaz de obtener la

4.2.2 Función de probabilidad de la distribución normal.

Un gran número de estudios, indica que la distribución normal proporciona una

La función de probabilidad de la distribución normal se define por:

4.2.3 Características más importantes de la distribución normal.

2. 0 ≤ ƒ (x) ≤ 1 para toda x.

La función de probabilidad de su distribución en cualquier punto puede ser mayor o

3. Límite ƒ(x) = 0 y Límite ƒ (x) = 0

Teóricamente la curva es asintótica, o sea que se extiende en ambas direcciones y

4. ƒ [(x + μ)] = ƒ [- (x – μ)] la densidad es simétrica alrededor de μ.

Es simétrica con respecto a la media de la distribución y tiene la forma de campana.

5. El valor máximo de ƒ(x) está cuando x = μ.

6. Los puntos de inflexión ƒ están en x = μ ± 1σ.

7. La distribución normal estándar tiene una media poblacional μ = 0 y una

8. Los parámetros que definen su función de distribución de probabilidad son μ y σ.

Las siguientes figuras muestran varias gráficas de la distribución normal,

La curva A tiene una desviación σ=1

La curva B tiene una desviación

La curva A tiene la media La curva B tiene una media La curva C tiene la

σ=5 σ=5 σ=5

La curva A tiene una media y una

La curva C tiene una

4.2.4 Áreas bajo la curva de la distribución normal.

El área o probabilidad dentro de la curva normal podemos apreciarla en la siguiente

ÁREAS BAJO LA CURVA NORMAL

Entre la media y ± 2 se encuentra el 95.0% de los datos, o lo que es lo mismo hay

4.2.5 Transformación de una variable aleatoria X a una distribución Z.

x = valor de la variable aleatoria que nos preocupa.

El transformar una variable aleatoria a una escala Z es solamente un cambio en la

La siguiente figura muestra como cualquier valor de variable aleatoria distribuida

De manera análoga para la segunda gráfica, cuando μ =12 y σ = 2, el valor de x =

En la tercer gráfica donde μ = 20 y σ = 1 el valor de x =18 se convierte en Z = -2,

4.2.6 Ejemplos de aplicación de la distribución normal.

a) Si se toma una lámpara al azar, ¿cuál es la probabilidad de que se funda antes de

La probabilidad solicitada es P (x < 265), visto gráficamente es la parte sombreada

Transformando la variable aleatoria 265 a una distribución Z tenemos:

Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la

La probabilidad requerida es P (280 ≤ x ≤ 320)

Transformando las variables 280 y 320 a una distribución Z tenemos:

280  302 320  302

Replanteando la probabilidad nos queda:

P (-0.55 ≤ Z ≤ 0.45) = P (Z ≤ 0.45) - P (Z ≤ -0.55)

c) Si se van a instalar en la ciudad 20,000 lámparas, ¿cuántas se puede esperar que

Transformando la variable 350 a una distribución Z tenemos.

d) ¿Qué valor en días de duración de las lámparas, representa el 90 % de ellas?