1

Instituto Tecnológico del Estado de Chihuahua

Probabilidad y estadística

Desarrollo y aplicación de distribuciones de probabilidad continuas.

Caballero Burgos Arturo Salvador

Unidad 4
 2

Distribución Uniforme (continua).

Utilice la distribución uniforme para describir variables continuas que tienen una probabilidad
constante.
La distribución uniforme es una distribución continua que modela un rango de valores con igual
probabilidad. La distribución uniforme se especifica mediante cotas inferior y superior.

La distribución uniforme no suele ocurrir en la naturaleza, pero es importante como una

distribución de referencia. La distribución uniforme también se conoce como la distribución
rectangular.
A continuación se estudia la distribución uniforme continua como la extensión natural de la
distribución uniforme discreta, es decir, aquella que toma con igual probabilidad valores dentro
de dos conjuntos cualesquiera de igual amplitud e incluidos en el intervalo de valores posibles
de la variable.
La variable X sigue una distribución uniforme o rectangular en el intervalo (a,b), U(a,b),
cuando su función de densidad viene dada de la siguiente forma:

Función de distribución

Función generatriz de momentos

Media y varianza

Su representación gráfica justifica el nombre de rectangular

 3

Sus características más importantes son:

Juego con una rueda de fortuna como en la ilustración.

Sea la variable aleatoria continua  X la corriente medida, en miliamperes,en un alambre delgado

de cobre. supongase que el rango de X es 0,20 mA y que la función de densidad de probabilidad
de X es   f(x)= 0.005,     .
 4

a)¿Cual es la probabilidad de que una medición de corriente este entre 5 y 10 miliamperes?

b) Obtenga la media y la varianza de  X
a)

b)

Distribución Exponencial.
Una de las distribuciones de variable continua más importantes es la distribución exponencial la
cual se utiliza como modelo para representar el tiempo de funcionamiento o de espera. Tiene
como función expresar también el tiempo transcurrido entre eventos que se contabilizan por
medio de la distribución de Poisson. Un ejemplo de esto podría ser el tiempo que transucrre
entre dos llamadas por teléfono, número de peatones que llegan a un semáforo, etc.
La distribución exponencial es el equivalente continuo de la distribución geométrica discreta.
Esta ley de distribución describe procesos en los que:
Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,
 5

el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un
instante tf, no depende del tiempo transcurrido anteriormente en el que no ha pasado nada.

Anteriormente estudiamos la distribución Poisson X ∼ P(λ) como modelo para el número de

sucesos raros, X, en una unidad del tiempo. Ahora, supongamos que queremos estudiar la
distribución del tiempo Y entre un suceso y el siguiente. En este caso, la distribución de Y es
una distribución exponencial con parámetro λ.
distribuci´on exponencial con parámetro λ si

f(y) = λe−λy
para 0 < y ≤ ∞. En este caso se escribe Y ∼ Ex(λ).
La función de distribución de Y es

para 0 <y< ∞.
Media y varianza
Si Y ∼ Ex(λ), entonces

El tiempo de revisión del motor de un avión sigue una distribución exponencial con media 22
minutos.
 6

a) Encontrar la probabilidad de que el tiempo de revisión sea menor a 10 minutos.

Queremos averiguar la probabilidad de que el tiempo de revisión sea menor a 10 minutos. Y
conocemos la función de distribución de la variable. Así que basta con reemplazar
por x=10x=10 en la función de distribución.

También se podría calcular (mediante integrales) el área comprendida

entre x=0x=0 y x=10x=10. (O usando software cómo el applet que está más arriba que calcula
el área acumulada a la izquierda).
b) ¿Cuál es el tiempo de revisión de un motor superado por el 10 % de los tiempos de revisión?
Buscamos aquel valor de la variable que acumula a su derecha una probabilidad de 0.1
Equivalentemente podemos decir que ese valor de variable acumula a su izquierda una
probabilidad de 0.9. Podríamos llamar x0.9 a ese valor.
Aplicando logaritmos logramos despejar x0.9:

c) El costo de revisión es de 200 unidades monetarias fijas al que se le suma 10 unidades

monetarias por el tiempo que dure la revisión. Encontrar la media y la varianza del costo
Si simbolizamos con C al costo de reparación y X es el tiempo de reparación… entonces:

Usando propiedades de esperanza:

Sabemos que E(X)=22E(X)=22 entonces:
 7

El tiempo de vida de una lámpara especial sigue una distribución exponencial con media 100
hs.
a) ¿Cuál es la probabilidad de que una lámpara dure por lo menos 30 horas?
X: tiempo de vida de una lámpara especial.
Sabemos que la esperanza de una variable exponencial es E(X)=1/λE(X)=1/λ. Cómo la
esperanza es 100, entonces λ=1/100λ=1/100.
Entonces la distribución es:

b) Si una lámpara ya lleva 50 horas de uso, ¿cuál es la probabilidad de que dure más de 80
horas?

Por la propiedad de falta de memoria esta propiedad es igual a:

Probabilidad que ya habíamos calculado en el ítem a.

c) Se seleccionan cinco lámparas, ¿Cuál es el número esperado de lámparas que duran por lo
menos 30 hrs (considerando las 5)?
 8

Distribución Gamma
Utilice la distribución gamma para modelar valores de datos positivos que sean asimétricos a la
derecha y mayores que 0. La distribución gamma se utiliza comúnmente en estudios de
supervivencia de fiabilidad.
La distribución gamma es una distribución continua que se define por sus parámetros de forma
y escala. La distribución gamma de 3 parámetros se define por sus parámetros de forma, escala
y valor umbral.  Note que la mayoría de los valores en una distribución gamma ocurren
cercanos entre sí, pero algunos valores quedan al final de la cola superior.
Cuando el parámetro de forma es un entero, la distribución gamma a veces se menciona como
distribución de Erlang. La distribución de Erlang se utiliza frecuentemente en aplicaciones de
teorías de colas.
Se le conoce, también, como una generalización de la distribución exponencial, además de la
distribución de Erlang y la distribución Ji-cuadrada. Es una distribución de probabilidad
continua adecuada para modernizar el comportamiento de variables aleatorias con asimetría
positiva y/o los experimentos en donde está involucrado el tiempo.

a parámetro de forma (cuando a = 1, la PDF de gamma es la misma que la PDF

exponencial)

b parámetro de escala

θ parámetro de valor umbral

Γ función gamma

e base del logaritmo natural

Demostración
 9

Si el costo de mantenimiento en dólares es

Siendo X el tiempo de mantenimiento, encuentre el costo promedio de mantenimiento

Solución: Nos solicitan el costo promedio ósea la esperanza de la función de costo
 10

El tiempo en horas que semanalmente requiere una máquina para mantenimiento es una
variable aleatoria con distribución Gamma con parámetros

A) Encuentre la probabilidad que en alguna semana el tiempo de mantenimiento sea mayor a 8

horas
Solución Sea X duración del mantenimiento en horas (variable aleatoria) Su densidad de
probabilidad es:
 11

Distribución Normal
La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor de
una variable aleatoria a una situación ideal. 
En otras palabras, la distribución normal adapta una variable aleatoria a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria tendrán la
misma representación pero con ligeras diferencias.
Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y
los errores estándar son variables aleatorias continuas.
Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número de estudiantes en
una universidad.
La distribución normal es la base de otras distribuciones como la distribución t de Student,
distribución ji-cuadrada, distribución F de Fisher y otras distribuciones. 
Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que: 

Variable aleatoria X aproximada a una distribución normal.

Donde los parámetros de la distribución son la media o valor central y la desviación típica:

Parámetros de una distribución normal.

En otras palabras, estamos diciendo que la frecuencia de una variable aleatoria X puede
representarse mediante una distribución normal.
Función de densidad de probabilidad de una variable aleatoria que sigue una distribución
normal.
 12

Función de densidad de una distribución normal.

 La función de densidad de probabilidad (PDF) es:

La función de distribución acumulada (CDF) es:

Media = μ
Varianza = σ 2
Desviación estándar = σ
Ejemplo 1

Si   es una variable aleatoria de una distribución  ,

hallar: 
En este caso, se esta trabajando con una distribución normal estandar, para resolverlo
utilizaremos la formula siguiente:

Ahora, tenemos que localizar en nuestra tabla de distribución normal, localizamos el valor
cuando  , pero necesitamos el valor para cuando  ,
entonces se utiliza   entonces obtenemos
que  . Además, como la distribución normal es
simétrica, tenemos que 
 13

Es decir, que aproximadamente el   de los valores de   están a menos de tres
desviaciones típicas de la media.

Ejemplo 2

La media de los pesos de   estudiantes de un colegio es   y la desviación típica   

Suponiendo que los pesos se distribuyen normalmente, hallar cuántos estudiantes pesan:

1 Entre   y  .
Sustituyendo:

  
Localizando los valores en la tabla de distribución normal y operando:

Por lo tanto, si multiplicamos la probabilidad   por los   estudiantes

tenemos

  
 14

De los   estudiantes   se encuentran entre los   y   kilogramos de peso.

2 Más de  .
Sustituyendo y simplificando tenemos:

  
Multiplicando la probabilidad por   obtenemos

.
Es imposible hallar a un solo estudiante por encima de los   kilogramos.

3 Menos de  .
Sustituyendo y simplificando tenemos:

  
Multiplicando la probabilidad por   obtenemos

Hay   estudiantes que pesan menos de   kilogramos

 15

4  .
Cuando la distribución es continua, la probabilidad de que la variable tenga un valor exacto
siempre es nula ( ). Por lo tanto

5   o menos.
Dados los resultados anteriores:

Existen cero estudiantes que pesan   kilogramos exactos y hay   estudiantes que pesan
menos de   kilogramos, entonces, existen   estudiantes que pesan   kilogramos o menos.
 

Aproximación de la binomial por la normal

Si X es una variable discreta que sigue una
Distribución binomial de parámetros n y p, B(n,p) y se cumple que n>10, n·p>5 y n·q>5
Resulta una aproximación bastante buena suponer que la variable X’ que se aproxima a la
variable normal
Una distribución binomial B(n,p) se puede aproximar por una distribución normal, siempre que
n sea grande y p no esté muy próxima a 0 o a 1. La aproximación consiste en utilizar una
distribución normal con la misma media y desviación típica que la distribución binomial.

Si la distribución binomial   se puede aproximar mediante una distribución

normal  , de manera que
 

se aproxima a 

En una ciudad una de cada tres familias posee teléfono. Si se eligen al azar 90 familias, calcular
la probabilidad de que entre ellas haya por lo menos 30 que tengan teléfono.
 
 16

El total de familias se representa por 

 La probabilidad de que una familia posea teléfono es 

 La probabilidad de que una familia no posea teléfono es 

 Verificamos que se cumplan las condiciones del Teorema de Moivre

 
 Tenemos del Teorema de Moivre que

 
 
La probabilidad de que por lo menos 30 familias tengan teléfono es
17
18
19
20
21
 22

8.5 DistribuciÃ3n uniforme continua. (s. f.). carleos. Recuperado 15 de noviembre de 2020, de

https://carleos.epv.uniovi.es/%7Ecarleos/docencia/teloydisren/descriptiva+probabilidad/

l_edyp/lib_edyp_html/node50.html

Aproximación binomial normal, problemas resueltos. (s. f.). vadenumeros. Recuperado 19 de

noviembre de 2020, de https://www.vadenumeros.es/sociales/aproximacion-binomial-

normal.htm

Distribución exponencial | La Guía de Matemática. (2010, 16 septiembre). matematica

laguia2000. https://matematica.laguia2000.com/general/distribucion-exponencial

Distribución gamma - Minitab. (s. f.). (C) Minitab, LLC. All rights Reserved. 2019.

Recuperado 18 de noviembre de 2020, de https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-

topics/distributions/gamma-distribution/

Distribución uniforme - Minitab. (s. f.). (C) Minitab, LLC. All rights Reserved. 2019.

Recuperado 15 de noviembre de 2020, de https://support.minitab.com/es-

mx/minitab/18/help-and-how-to/probability-distributions-and-random-data/supporting-

topics/distributions/uniform-distribution/

Distribución uniforme continua. (s. f.). ugr. Recuperado 15 de noviembre de 2020, de

https://www.ugr.es/~proman/Probabilidad/PDF/P_T05_TablaUniformeContinua.pdf
 23

intro_continuous.pdf. (s. f.).

http://halweb.uc3m.es/esp/Personal/personas/mwiper/docencia/Spanish/Introduction_to

_Statistics/intro_continuous.pdf

M. (2019, 23 octubre). Ejercicios sobre distribucion normal | Superprof. Material Didáctico -

Superprof.

https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/distribucion-

normal/ejercicios-de-la-distribucion-normal.html

M., M., & Ruiz A, M. S. (2020, 27 septiembre). Aproximacion de la binomial por la normal |

Superprof. Material Didáctico - Superprof.

https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/distribucion-

normal/distribucion-normal-y-binomial.html

Rodó, P. (2020, 10 octubre). Distribución normal. Economipedia.

https://economipedia.com/definiciones/distribucion-normal.html