10/05/2020

Distribuciones de probabilidad

DISTRIBUCIONES DE PROBABILIDAD CONTINUAS

UNIFORME CONTINUA
EXPONENCIAL
NORMAL
ERLANG*
GAMMA*
WEIBULL*

*Investigar, definicion y parámetros

1
 10/05/2020

DISTRIBUCIÓN UNIFORME CONTINUA (a,b)

Es la más sencilla de las distribuciones continuas, surge al

considerar una variable aleatoria que toma valores
equiprobables en un intervalo finito [a,b] . Su nombre se
debe al hecho de que la densidad de probabilidad de esta
variable aleatoria es uniforme sobre todo su intervalo de
definición. Es análoga a su contraparte discreta.

Campo de variación:
a≤x≤b

Parámetros:
a: mínimo del recorrido
b: máximo del recorrido

1
f ( x) 
(b  a)

0 si x  a
x a

b
F ( x)  P( X  x)   f ( x)dx   si a  x  b
a b  a
1 si x  b

(a  b) (b  a) 2
E( X )    V (X ) 
2 12

2
 10/05/2020

EJEMPLO

Suponga una variable que se distribuye uniformemente

entre 380 y 1200.

Determine:

1. La probabilidad de que el valor de la variable sea

superior a 1000.

2. La media y la desviación estándar de dicha variable.

DISTRIBUCIÓN EXPONENCIAL

Esta ley de distribución describe procesos en los que

interesa saber el tiempo hasta que ocurre determinado
evento.

La distribución exponencial se puede caracterizar como la

distribución del tiempo entre sucesos consecutivos
generados por un proceso de Poisson; La media de la
distribución de Poisson, lambda, que representa la tasa de
ocurrencia del evento por unidad de tiempo, es el parámetro
de la distribución exponencial, y su inversa es el valor medio
de la distribución.

3
 10/05/2020

Campo de variación:
0<x<∞

Parámetros:
lambda: tasa, lambda > 0

e  x x0
f ( x)  P( X  x)  
0 en otra parte

0 x  0
F ( x)  P( X  x)    x
1  e x  0

1
E( X ) 
1 V (X ) 
 2

EJEMPLO
Se sabe que el tiempo de espera de una persona que
llama a un centro de atención al público para ser
atendido por un asesor es una variable aleatoria
exponencial con media de 5 minutos. Encuentre la
probabilidad de que una persona que llame al azar en un
momento dado tenga que esperar:

a) Como máximo 5 minutos

b) Al menos 10 minutos
c) Entre 3 y 10 minutos

4
10/05/2020

5
 10/05/2020

DISTRIBUCIÓN NORMAL ( μ, σ)
La importancia de la distribución normal se debe principalmente a
que hay muchas variables asociadas a fenómenos naturales que
siguen el modelo de la normal. Esta distribución se caracteriza
porque los valores se distribuyen formando una campana, en
torno a un valor central que coincide con el valor medio de la
distribución.

PROPIEDADES DE LA DISTRIBUCIÓN NORMAL

1. Su grafica tiene forma de campana

2. El valor esperado, la mediana y la moda tienen el mismo

valor cuando la variable aleatoria se distribuye
normalmente.

3. El dominio de la variable aleatoria normalmente distribuida

generalmente caerá dentro de 3 desviaciones estándar por
encima y por debajo de la media.

6
 10/05/2020

Campo de variación:
-∞<x<∞
Parámetros:
μ: media de la distribución, - ∞ < μ < ∞
σ: desviación estándar de la distribución, σ > 0

1  x 
2

1   
2  
f ( x)  e
2 2

E (X )   V (X )   2

AREAS BAJO LA CURVA DE DISTRIBUCION NORMAL

Para el caso de las distribuciones continuas de probabilidad

sólo es posible determinar el valor de probabilidad para un
intervalo de valores (a y b), es decir, que la probabilidad de
que la variable aleatoria X tome un valor entre a y b, esta dada
por el área bajo la curva de distribución normal
1  x 
2
b  
1 
P ( a  X  b)   e 2  
dx
a 2 2
La curva de distribución normal, depende de la media y la
desviación estándar, por lo cual el área bajo la curva entre
cualquier par de valores también depende de la media y la
desviación estándar (áreas con tamaños diferentes). Esto
conlleva a que la probabilidad asociada con cada distribución
será diferente para los dos valores dados a la variable aleatoria.

7
 10/05/2020

DISTRIBUCION NORMAL ESTANDAR

Como cualquier combinación distinta de μ y σ, genera una

distribución normal distinta, las tablas de las probabilidades
normales se basan en una distribución especifica: la normal
estándar, diseñada con el objetivo de transformar todas las
observaciones de cualquier variable aleatoria normal X a un
nuevo conjunto de observaciones de una variable aleatoria
normal Z (estandarizada) con media 0 y varianza 1.

Por ejemplo, la tabla se

X  usa para determinar el
Z área bajo la curva desde la
 línea central hasta
cualquier línea vertical
“valor Z" hasta 3 máximo,
en incrementos de 0.1

8
 10/05/2020

P(Z ≥ 1.84) = 0,5 – P (Z ≤ 1.84)

-1,97 0 0,86
Z

P( -1,97 ≤ Z ≤ 0,86) = P(Z ≤ 0,86) - P(Z ≤ -1,97)

9
 10/05/2020

Hallar el valor K, tal que P(Z>K) =0,3015

Hallar el valor K, tal que P(K< Z < -0,18) =0,4197

10
 10/05/2020

EJEMPLOS
1) Dada una variable aleatoria X que tiene
una distribución normal con μ = 50 y σ= 10,
encuentre la probabilidad de que X tome un
valor entre 45 y 62

2) X tiene una distribución normal con μ = 300

y σ= 50, encuentre la probabilidad de que
X tome un valor mayor que 362

11
 10/05/2020

Media=300. Desv.Est.=50

0,107

300 362
X

12
 10/05/2020

En los ejercicios anteriores, a partir de un

valor para la variable aleatoria X, se calculó
la variable estandarizada y después se
determinó la probabilidad asociada.

Sin embargo, en ocasiones lo que se conoce

es un área de probabilidad y los parámetros
de la distribución, con lo cual se debe
establecer el valor de la variable aleatoria X,
es decir, el procedimiento inverso.

EJEMPLO

Dada una distribución normal con μ = 40 y σ= 6,

encuentre el valor de X que tiene

a) La cola izquierda representa el 45% del área de

la izquierda.
b) La cola derecha representa el 14% del área a la
derecha.

13
 10/05/2020

Media=40. Desv.Est.=6

0,14

40 ?
X

14
 10/05/2020

INTERPOLACION LINEAL
Cuando el valor de x es de mayor precisión que los contenidos en la tabla, en este caso
cuando tenga mas de dos cifras decimales, el método de calcular la probabilidad es
empleando interpolación lineal.

Esta ecuación permite calcular la probabilidad

para los valores no contenidos en la tabla. La
expresión siempre añade un cierto error, al
sustituir la función y =f(x) por la recta que pasa
por dos puntos conocidos y = r(x), por eso es
conveniente que los puntos x1 y x2 estén lo
mas próximos posible.

15