Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISTRIBUCIONES CONTÍNUAS (Prob. Ind.)
DISTRIBUCIONES CONTÍNUAS (Prob. Ind.)
4.1 Introducción.
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.
4.2.1 Introducción.
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.
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.
( 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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
σ = desviación estándar de la distribución de probabilidad
de la variable aleatoria x.
= 3.1416
e = 2.71828
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.
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.
3
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
σ = 10
μ = 50
μ = 15 μ = 25 μ = 40
σ=3
σ = 10
µ = 20 µ = 40 µ = 60
4
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Aunque estas curvas difieren en apariencia las nueve son normales, ya que no hay
una sola curva normal, sino una “familia” de curvas normales.
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.
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.
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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:
6
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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 .
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.
Datos:
= 302
= 40
265 302
265 302
Z 0.925
40
b) ¿Cuál es la probabilidad de que una lámpara dure entre 280 y 320 días?
7
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Aquí lo primero que tenemos que obtener es la probabilidad de que P (x 350), visto
gráficamente es:
302 350
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
8
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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
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.
Datos:
µ = 50,000
810000 900
49550 50000
49550 50000
Z 0.5
900
50000 51000
51000 50000
Z 1.11
900
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:
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.
10
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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
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
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.
x 33
1.28
2
11
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Despejando x quedará: x = -1.28 (2) + 33, por lo tanto x = 30.44 pulgadas que es la
distancia buscada.
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
x 28
0.25
2
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?
3000000 2550000
Z 0.75
600000
P (Z 0.75) = 1 - P (Z 0.75)
= 1 – 0.7734
12
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
= 0.2266
2170 2000
Z 1.7
100
b) La probabilidad de que un motor tenga una duración entre 2000 y 2075 horas.
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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.
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?
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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.
x np
Z
npq
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.
15
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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
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?
24.5 20 30.5 20
Z 1.16 Z 2.71
3.873 3.873
Por lo tanto.
Datos:
16
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
µ = 100(0.80) = 80
100(0.8)(0.2) 4
74.5 80
Z 1.375
4
P (Z ≤ -1.375) = 0.0838
74.5 70
Z 0.98
4.58
P (Z ≥ 0.98) = 1 - P (Z ≤ 0.98)
= 1 – 0.8365
= 0.1635
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)
500.5 380
Z 7.85
1000(0.38)(0.62)
P ( Z 7.85) 1 P( Z 7.85)
= 1 - 1 = 0.0
4.1 Introducción.
17
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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).
1
F ( x) e x / Para x 0
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
El parámetro que define esta función de distribución es , que es el promedio de
eventos por unidad de tiempo o espacio.
P ( X x ) e x
P ( X x ) 1 P ( X x)
1 e x
P(Xx) = e-x
-x
P (Xx) = 1 - e
a) Su función de probabilidad.
1 ( 1/ 5) x
Como F ( x) e x , entonces F ( x) e
5
P ( x 2) 1 P ( x 2)
1 e (1 / 5) 2 0.3297
19
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
P( x 3) e (1 / 5) 3 0.5488
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
1 1 1
Sabemos que E(X) = y , despejando por lo tanto 5
1/ 5
Datos:
= 10
= 1 / 10 = 0.1 pedidos promedio por minuto.
La probabilidad requerida es P (x 10)
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
d) ¿Cuál es el tiempo promedio que tardan en recibir su orden después de hacerla en
este restaurante?
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.
Datos:
= 60 / 4 =15 minutos.
= 1 / 15 = 0.06667 llegadas promedio por minuto.
La probabilidad requerida es P (x 15).
P (x 6) = 1 – e-0.06667(6)
= 1 – 0.6703
= 0.3296
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
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
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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
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
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:
22
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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.
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.
23
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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.
1
F ( x) Para a x b
ba
Una variable aleatoria tiene igual probabilidad de tomar cualquier valor dentro de un
intervalo especificado a lo largo de una escala continua.
ab (b a ) 2
E ( x) V ( x) 2
2 12
F ( x ) 1 /(b a )
a b x
b
P (a x b) f ( x)dx 1
a
24
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
xa
P ( X x) si a x b
ba
1 1
f ( x) para 0 x 4
40 4
F(x) = 1/4
0 1 2 3 4 x
1 / 4dx 1 / 4[ x]
2 2
P ( x 2) 0 1 / 4(2 0) 1 / 2 0.5
0
1 / 4dx 1 / 4[ x]
4 4
P ( x 3) 3 1 / 4 0.25
3
1 / 4dx 1 / 4[ x]
3 3
P(2 x 3) 2 1 / 4 0.25
2
04
E (X) = 2
2
f) La varianza de x.
(4 0) 2
V (X) = 2 1.333
12
f(x) = 1/5
0 5 6 7 9 10 x
a b
P ( x 6) 1 P ( x 6)
26
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
65 1
P ( x 6) 1 1 0.8
10 5 5
P ( 7 x 9) P ( x 9) P ( x 7 )
95 7 5 4 2
P(7 x 9) 0.4
10 5 10 5 5 5
5 10
7.5
2
(10 5) 2
2 2.083
12
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.
x
F ( x) k 0x2
4
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
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
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:
28
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
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.
Distribución Exponencial.
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.
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.
31
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Excel le da la probabilidad de 0.17748295 que es la probabilidad deseada, o sea la
P ( x 265) .
Distribución Exponencial.
33