Estadística

Prof. Aixa Torres

Distribuciones de Probabilidad de Variables Aleatorias Continuas

A diferencia de las variables aleatorias discretas, las variables aleatorias continuas son
aquellas que pueden tomar cualquier valor dentro de un intervalo determinado.
Al manejar una variable aleatoria continua, se busca la probabilidad de que la variable caiga
dentro de un intervalo específico, en lugar de buscar la probabilidad de que la variable tome
un valor específico.
A continuación, se estudian tres distribuciones teóricas de probabilidad, a saber, la
distribución Uniforme, la distribución Normal y la distribución Exponencial.

Distribución Uniforme
Es la distribución más sencilla para una variable aleatoria continua. La forma de la
distribución es rectangular y tiene un valor mínimo de a y uno máximo de b.
La altura de la distribución es constante o uniforme para todos los valores entre a y b, esto
implica que los valores dentro del rango son igualmente probables.
La altura de la distribución, f(x), es igual para todos los valores de la variable aleatoria X. La
altura de la distribución de probabilidad uniforme se puede calcular como:

1
f(x) = a≤x≤b
𝑏−𝑎

f(x)

1
𝑏−𝑎

a b

Media
𝑎+𝑏
μ = E(X) =
2
 Estadística
Prof. Aixa Torres

Varianza
1
σ2 = ( b – a)2
12

Ejemplo
La universidad de Arizona proporciona servicio de transporte a los estudiantes mientras se
encuentran en el Campus. Durante los días hábiles, un autobús llega a la parada cada 30
minutos entre las 6:00 a.m. y las 11:00 p.m. Los estudiantes llegan a la parada del autobús a
horas aleatorias. El tiempo que espera un estudiante tiene una distribución uniforme de 0 a
30 minutos.
a. Elabore una gráfica para esta distribución.
b. ¿Cuál es el tiempo de espera medio? ¿Cuál es la desviación estándar de los tiempos
de espera?
c. ¿Cuál es la probabilidad de que un estudiante tenga que esperar más de 25 minutos?
d. ¿Cuál es la probabilidad de que un estudiante espere entre 10 y 20 minutos?
Solución
1 1
a. f(x) = = = 0.033
(30−0) 30

f(x)

1
30

0 30

𝑎+𝑏 0+30 30
b. μ = = = = 15
2 2 2

1 1
σ2 = 12 ( b – a )2 = (30 – 0)2 = 75
12
 Estadística
Prof. Aixa Torres

σ = 8.66 (variación en los tiempos de espera de los estudiantes)

c. P ( 25 < x < 30) = (altura) (base)

1
= (5)
(30−0)
= 0.1667

d. P (10 < x < 20) = (altura) (base)

1
= (10)
(30−0)
= 0.3333

Una consecuencia inmediata de que en el caso continuo las probabilidades asociadas con
puntos individuales son siempre cero, es que, si nos referimos a la probabilidad asociada con
el intervalo a y b, no importa si los puntos extremos son incluidos
P (a ≤ x ≤ b) = P (a ≤ x < b) = P (a < x ≤ b) = P (a < x < b)

La Distribución Normal
La distribución continua más importante en todo el campo de la estadística es la distribución
normal. Su gráfica, que se denomina curva normal, es una curva en forma de campana, la
cual describe aproximadamente muchos fenómenos que ocurren en la naturaleza, la industria
y la investigación.

La distribución normal a menudo se denomina distribución gaussiana, en honor de Karl

Friedrich Gauss (1777-1855), quien derivó su ecuación a partir de un estudio de errores en
mediciones repetidas de la misma cantidad.
 Estadística
Prof. Aixa Torres

La ecuación matemática para la distribución de probabilidad de la variable normal depende

de los dos parámetros μ y σ, su media y su desviación estándar. Una vez que se especifican
μ y σ, la curva normal queda determinada por completo.
La ecuación de la densidad de probabilidad normal es:

1 2 /2𝜎 2
𝑓(𝑥) = 𝑒 −(𝑥− 𝜇) −∞ <𝑥 < ∞
√2𝜋𝜎

Dado que la densidad de probabilidad normal no puede integrarse en forma exacta entre
cualquier par de límites a y b, las probabilidades relacionadas con la distribución normal
suelen obtenerse de tablas especiales. Esta tabla corresponde la distribución normal
estándar, es decir a la distribución normal con μ = 0 y σ = 1, y proporciona los valores de
𝑍
1 2 /2
𝐹(𝑧) = ∫ 𝑒 −𝑡 𝑑𝑡 = 𝑃(𝑍 ≤ 𝑧)
√2𝜋 −∞

Cualquier valor X proveniente de una población con distribución normal puede convertirse
en el valor normal estándar, restando la media y dividiendo esta diferencia entre la desviación
estándar. A los resultados se les da el nombre de valores z.
𝑿− 𝝁
z=
𝝈
Para calcular la probabilidad de que una variable aleatoria con distribución normal estándar
tome un valor entre a y b, utilizamos la ecuación
P( a < z < b ) = P( z < b) – P( z < a)

Características de la distribución Normal

1. La distribución Normal tiene forma de campana y es simétrica respecto a su media.
2. Es necesario conocer la media y desviación estándar para identificar una
distribución normal específica.
3. La distribución normal se extiende hasta el infinito en ambas direcciones a partir
de la media.
4. La distribución Normal se mide en una escala continua, y la probabilidad de obtener
un valor preciso es cero.
5. El área total bajo la curva es igual a 1.0 o 100%. El 50% del área está a la derecha
de la media y el 50% a la izquierda.
 Estadística
Prof. Aixa Torres

6. La probabilidad de que una variable aleatoria tenga un valor entre cualesquiera dos
puntos es igual al área bajo la curva entre esos puntos. Esta área puede determinarse
usando la tabla normal estándar.

Ejemplo
En un proceso fotográfico, el tiempo para procesar impresiones de una tarjeta de memoria
puede tratarse como una variable aleatoria, cuya distribución normal tiene una media de
10.28 segundos y una desviación estándar de 0.12 segundos. Calcúlese la probabilidad de
que tarde
a. Entre 10.0 y 10.5 segundos para procesar una de las impresiones.
b. Más de 10.20 segundos para procesar una de las impresiones.
c. Menos de 10.35 segundos para procesar una de las impresiones.

Solución
X = Tiempo para procesar impresiones

μ - 3σ μ - 2σ μ - 1σ μ μ+1σ μ+2σ μ+3σ

9.92 10.04 10.16 10.28 10.40 10.52 10.64 → X

-3 -2 -1 0 1 2 3 → z

𝑿− 𝝁
μ = 10.28 segundos σ =0.12 segundos z=
𝝈
 Estadística
Prof. Aixa Torres

a.
10.0-------------------------------------------10.50

P( 10.0 < X < 10.50 ) = P( X < 10.50) – P( X < 10.0)

10.5−10.28 10.0−10.28
= P (Z < ) – P( Z < )
0.12 0.12

= P ( Z < 1.83) - P( Z < -2.33)

= 0.9664 - 0.0099
= 0.9565

b.
10.20-------------------------------------------------------

P( X > 10.20) = 1 – P ( X ≤ 10.20)

10.20−10.28
= 1–P(Z≤ )
0.12

= 1 – P ( Z ≤ - 0.67)
= 1 – 0.2514
= 0.7486
 Estadística
Prof. Aixa Torres

c.
---------------------------------------------------------10.35
10.35−10.28
P ( X < 10.35) = P ( Z < )
0.12

= P ( Z < 0.58)
= 0.7190

Los ejemplos anteriores exigen encontrar las probabilidades ubicadas entre dos
observaciones o la probabilidad por arriba o por debajo de una observación en particular x.
Una aplicación más profunda de la distribución normal implica encontrar el valor de la
observación x cuando está dada la probabilidad por arriba o por debajo de la observación.

Ejemplo
La compañía Layton and Rubber desea establecer una garantía de millaje mínimo en su nuevo
neumático MX100. Algunas pruebas revelan que el millaje medio es de 67 900 millas con
una desviación estándar de 2 050 millas y que la distribución de millas sigue la distribución
normal. Quieren establecer el millaje mínimo garantizado de manera que no habrá que
sustituir más de 4% de los neumáticos. ¿Qué millaje mínimo garantizado debe anunciar
Layton?
 Estadística
Prof. Aixa Torres

Solución

-------------X=? μ
4%

𝑋− 𝜇
Z=
𝜎
𝑋−67 900
Z=
2 050
Observe que hay dos incógnitas X y Z. Para encontrar X, primero tenemos que encontrar Z,
y luego despejamos X. Buscamos en el cuerpo de la tabla de distribución normal el valor
más cercano a 0.04. El valor más cercano es 0.0401 que corresponde al valor de z = -1.75,
por lo tanto
𝑋 − 67 900
-1.75 = 2 050

X = 67 900 – 1.75(2 050)

X = 64 312
Por lo tanto, Layton puede anunciar que reemplazará en forma gratuita cualquier neumático
que se desgaste antes de que llegue a 64 312 millas, y la empresa sabrá que sólo 4% de los
neumáticos se van a sustituir de acuerdo con este plan.

Aproximación de la Distribución Normal a la Binomial

Cuando el número de observaciones o ensayos n es relativamente grande, se usa la
distribución de probabilidad normal para aproximar probabilidades binomiales. Una regla
útil es que esta estimación es aceptable cuando n ≥30 y np ≥5 como nq ≥ 5. En otros textos
se usan reglas ligeramente diferentes para determinar si son apropiadas estas aproximaciones.
 Estadística
Prof. Aixa Torres

Cuando se usa la distribución normal de probabilidad para aproximar un valor de

probabilidad binomial, la media y la desviación estándar se basan en el valor esperado y en
la varianza del número de éxitos en la distribución binomial, es decir:

μ = np σ = √𝑛𝑝𝑞

Corrección de Continuidad
Cuando una variable aleatoria discreta se desea aproximar con la distribución normal, hay
que distribuir sus valores sobre una escala continua, de la siguiente manera:
1. Se resta 0.5 de xi si P(X ≥ xi) se requiere
2. Se resta 0.5 de xi si P(X < xi) se requiere
3. Se suma 0.5 de xi si P(X ≤ xi) se requiere
4. Se suma 0.5 de xi si P(X > xi) se requiere

Ejemplo
En un grupo grande de posibles clientes se ha observado que 20% de aquellos con los que un
representante de ventas ha establecido contacto personal realizarán una compra. Si un
representante de ventas contacta a 30 posibles clientes, utilice la aproximación de la
distribución normal a la binomial y encuentre la probabilidad de que:
a. 10 o más realicen una compra
n ≥30 np = 30 (0.20) = 6 nq = 30 (0.80) = 24
Se satisfacen los criterios para la aproximación normal, luego
μ = np = 30 (0.20) = 6

σ = √𝑛𝑝𝑞 = √(30)(0.20)(0.80) = √4.8 = 2.19

P( X ≥ 10) = P( X ≥ 9.5)
= 1 - P( X < 9.5)
9.5−6
= 1 – P( Z < )
2.19

= 1 – P ( Z < 1.60)
= 1 – 0.9452)
= 0.0548
 Estadística
Prof. Aixa Torres

b. Menos de 5
P( X < 5) = P ( X < 4.5)
4.5−6
=P(Z< )
2.19

= P ( Z < -0.68)
= 0.2483

c. Exactamente 8 realicen una compra

P ( X = 8 ) = P ( 7.5 ≤ X ≤ 8.5)
= P ( X ≤ 8.5) – P ( X ≤ 7.5)
8.5−6 7.5−6
=P(Z≤ )–P(Z≤ )
2.19 2.19

= P ( Z≤ 1.14) – P (Z ≤ 0.68)
= 0.8729 – 0.7517
= 0.1212

Distribución Exponencial
Si ocurren eventos en un proceso de Poisson, entonces la longitud del tiempo o del espacio
entre eventos sucesivos sigue una distribución de probabilidad exponencial.
La distribución exponencial es aplicable ya sea que interese el tiempo hasta el primer evento,
el tiempo entre dos eventos sucesivos o el tiempo hasta que ocurra el primer evento después
de cualquier instante que se elija.
Si λ es el número medio de veces que ocurre un evento en un intervalo de interés, la
probabilidad exponencial de que ocurra el primer evento dentro del intervalo de tiempo o
espacio escogido es:

P ( T ≤ t) = 1 - 𝑒 −𝜆
En forma similar, la probabilidad exponencial de que el primer evento no ocurra dentro del
intervalo de tiempo o espacio escogido es:
P ( T > t) = 𝑒 −𝜆
 Estadística
Prof. Aixa Torres

Ejemplo
Un departamento de reparación de maquinaria recibe en promedio cinco llamadas por hora.
Si se comienza la observación en cualquier instante, encuentre la probabilidad de que la
primera llamada de solicitud de servicio llegue en menos de media hora.
𝜆 = 5 por hora
𝜆 = 2.5 por media hora

P ( T ≤ 0.5) = 1 – 𝑒 −𝜆
= 1 – 𝑒 −2.5
= 1 – 0.08208
= 0.91792

El valor esperado y la varianza de una distribución de probabilidad exponencial, donde la

variable se denota como el tiempo T y λ es para una unidad de tiempo o espacio, son
Media
1
μ = E(T ) =
𝜆

Varianza
1
σ2 = V(T) =
𝜆2