Distribuciones continuas

Distribución uniforme

Cuando una variable aleatoria toma cualquier valor en un intervalo cerrado entre
dos puntos continuos de tal manera que ningún valor sea probable que otro,
entonces las probabilidades asociadas con la variable aleatoria se pueden describir
mediante la distribución uniforme. En una gráfica, la distribución uniforme se
representa como un rectángulo limitado por los puntos a y b los cuales constituyen
el intervalo de resultados posibles. Por lo tanto las características importantes de
esta distribución que se mantiene constante en el intervalo [a b] y cero fuera de él.
(Puzio, 1990)

Características

Si x es una variable aleatoria continua que toma todos los valores en el intervalo
cerrado [a, b], en donde ay b son finitos La función de densidad de probabilidad de
x está dada por
1
𝑓(𝑥) = { 𝑏−𝑎 𝑎≤𝑥≤𝑏
0 𝑓𝑢𝑒𝑟𝑎 𝑑𝑒 ⟦𝑎, 𝑏⟧

Decimos que x está distribuida unifórmenle en el intervalo [a, b]

La función de la distribución acumulativa F(x) una variable aleatoria x unifórmenle

distribuida se puede representar como

𝟎 𝒔𝒊 𝒙 ≤ 𝒂
𝒙−𝒂
𝑭(𝑿) { 𝒔𝒊 𝒂 ≤ 𝒙 < 𝒃
𝒃−𝒂
𝟏 𝒔𝒊 𝒙 ≥ 𝒃

Media y varianza

La media o valor esperado y la varianza de una variable aleatoria unifórmenle

distribuida está dada por las siguientes formulas

𝑏+𝑎
𝜇 = 𝐸(𝑋) =
2

(𝑏 − 𝑎)2
𝜎 2 = 𝑉(𝑋) =
12
La grafica de esta función es

Imagen 1

Ejemplos

Si consideramos un punto al azar dentro del intervalo [0,2]cual es la probabilidad

que el punto elegido quede entre 1y 1.5

Solución

a=0 b=2 b-a = 2-0 = 2

1
f(x)= 𝑠𝑖 0 ≤ 𝑥 ≤ 2
2

0 en cualquier otra parte

1.5
1 1.5
1 1 1 1
𝑝(1 ≤ 𝑥 ≤ 1.5) = ∫ 𝑥𝑑𝑥 = 𝑥| 1= (1.5 − 1) = ( ) ( ) =
1 2 2 2 2 4
Se puede suponer que la dureza de una muestra de acero es una variable aleatoria
continua distribuida uniformemente sobre el intervalo [50-70] de una escala A.
Determine la función de densidad de probabilidad y la probabilidad en el intervalo
[60-65]

Solución

a=50 b= 70 b-a = 70-50 = 20

F(x) = 1/20 si 50 < x < 70

F(x) = 0 en cualquier otra parte

Encontrar la probabilidad

1 65 𝑥 20
65 60 5
𝑝(60 ≤ 𝑥 ≤ 65) = ∫ 𝑑𝑥 = | 60= [ − ]= = 0.25
20 60 20 20 20 20

Se informa que en monterrey en un día de invierno la temperatura más alta diaria

varía entre 0°C y 6°C según datos proporcionados por el centro meteorológico a) si
el meteorólogo quiere minimizar el error en la predicción ¿Qué temperatura debería
predecir? b) cual es la probabilidad de que en cualquier día de invierno la
temperatura no exceda de un 1°C

Solución

a=0 b=6; b-a = 6-0 = 6

f(x) = 1/6 si 0 ≤ 𝑥 ≤ 6

f(x) =0 en cualquier otra parte

𝑎+𝑏 6+0
𝜇= = =3
2 2
1
1 1 1 1
𝑝(0 ≤ 𝑥 ≤ 1) = ∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑑𝑥 = 𝑥| 10=
0 6 0 6 6

Distribución exponencial
Esta distribución trata de probabilidades acerca de la mediada del tiempo o distancia
entre ocurrencias con respecto a un intervalo continuo del tiempo.

Resulta que la exponencial es un caso especial de la distribución gamma, ambas

tienen un gran número de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teoría de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el tiempo
de falla de los componentes y sistemas eléctricos, (Miller, Freund, & Johnson, 2001)

Si es muy pequeña la probabilidad que ocurra un evento en un intervalo corto y si

la ocurrencia de tal evento es, estadísticamente independiente respecto a la
ocurrencia de otros eventos entonces el intervalo de tiempo entre ocurrencia de
eventos de este tipo estará distribuido en forma exponencial.

Definición

Se dice que una variable aleatoria continua x que toma los valore positivos tiene
una distribución exponencial con parámetro α positivo si su función de densidad de
probabilidad está dada por.

𝛼𝑒 −𝛼𝑥 𝑥 > 0
𝑓(𝑥) = {0 𝑐𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

La función de distribución acumulativa de x es

𝛼𝑒 −𝛼𝑥 𝑥 > 0
𝐹(𝑥) = {0 𝑐𝑢𝑎𝑙𝑞𝑢𝑒𝑟 𝑜𝑡𝑟𝑜 𝑣𝑎𝑙𝑜𝑟

Media y varianza

La media o valor esperado y la varianza de x están dadas por las siguientes formulas

1
𝜇 = 𝐸(𝑥) =
𝛼
1
𝜎 2 = 𝑉(𝑥) = [𝐸(𝑋)2 = ]
𝛼2

Como la distribución exponencial tiene solo un parámetro α, es posible expresarlo

como:

1
𝛼=
𝐸(𝑋)

Ejemplos

Supongamos que el tiempo que tardan en recibir su orden después de hacerla en

la cafetería promedia 10 minutos. Suponga también que se tiempo que tarda en ser
atendidos se distribuye exponencialmente.
 a) Calcula que el tiempo de espera sea mayor de 10 minutos
b) Calcular que el tiempo de espera sea de 10 minutos o menos
c) Encontrar la probabilidad de que su tiempo de espera sea de tres minutos o
menos
𝟏 𝟏 𝟏
𝝁= 𝜶= = = 𝟎. 𝟏 𝒑𝒐𝒓 𝒎𝒊𝒏
𝜶 𝝁 𝟏𝟎

a) P(x>10) =𝛼𝑒 −𝛼𝑥 = 0.1𝑒 −1(10) = 0.1𝑒 −1 = 0.0368

b) P(𝑥 ≤ 10) = 1 − 𝑒 −𝛼𝑥 = 1 − 𝑒 −1 = 1 − 0.368 = 0.632
c) P(𝑥 ≤ 3) = 1 − 𝑒 −0.1(3) = 1 − 𝑒 −0.3 = 1 − 0.741 = 0.259

Ejemplo

Supóngase que un automóvil falla un promedio de una vez cada dos años.
Encuentre la probabilidad de que el automóvil no falle durante el siguiente año.

Demostración
1 1
= α = 2 = 0.5
𝛼

𝑝(𝑥 > 1 = 0.5𝑒 −0.5(1) = 0.5𝑒 −0.5 = (0.5)(0.607) = 0.3035

Ejemplo

Se ha observado que las fallas mecánicas que suceden en una refinería aparecen
como un proceso de Poisson con parámetros α = ½ hora (una cada dos horas) si
se llega a las 9 horas del lunes y se representa a x como el tiempo en que transcurre
desde la llegada hasta que ocurre la primera falla.

Determinar

a) La función de densidad de probabilidad f(x)

b) La probabilidad de que no pase más de cuatro horas antes de aparezca la
primera falla.
c) La probabilidad de que transcurra al menos una hora antes de que ocurra la
primera falla.
d) La probabilidad de que el tiempo para la siguiente falla, sea mayor que el
promovido

Solución
1
1
a) 𝑓(𝑥) = 2 𝑒 −2 𝑥 𝑠𝑖 𝑥 > 0
b) F(x)= 0 para cualquier otro valor
1
c) P(x<4) p[0≤ 𝑥 ≤ 4] = 𝐹(4)=𝛼𝑒 −𝛼𝑥 = 𝑒 −2(4) = 1 − 𝑒 −2 = 0.8647
 1
1
d) P(𝑥 ≥ 1) = (1 − 𝑝[𝑥 < 1] = 1 − 𝐹(1) = 1 − (1 − 𝑒 −21 ) = 𝑒 − 2 = 0.6065
1 1
e) 𝑝(𝑥 > 𝜇) = 𝑃(1 − 𝑝 [𝑥 > 𝛼] = 𝑃 [𝑥 > 1 ] = 𝑃[𝑥 > 2] = (1 − 𝑝[𝑥 ≤ 2 ] = 1 −
2
1
𝐹(2) = 1 − [1 − 𝑒 − 2 2] =1−1+𝑒 −1
= 0.3680

1.8. Distribución normal

Las distribuciones normales ocupan un lugar importante, tanto en la estadística

teórica como en la aplicada, por numerosas razones. Una de ellas es la que suele
coincidir muy cercanamente con las distribuciones de frecuencias observadas de
muchas mediciones naturales y físicas. Otro motivo es que se puede utilizar para
aproximar las probabilidades binomiales cuando “n” es grande. Sin embargo, lo que
hace más importante a la distribución normal es que las distribuciones de medias
muéstrales y proporciones de grandes muestras tienden a distribuirse normalmente,
lo que tiene repercusiones importantes en el muestreo.

Formula de la distribución normal

1 2 2
𝑓(𝑥) = 𝑒 −(𝑥−𝜇) /2(𝜎)
√2𝜋𝜎

Como esta función no se puede integrar por las técnicas de integración estándares,
lo que se hace es estandarizarla o tipificarla haciendo µ = 0 y σ = 1 que recibe el
nombre de distribución normal estándar y se denota con la letra Z que se representa
como

1 𝑧 2/2
F (z; 0; 1)= 𝑒 −
2𝜋

Esta expresión se ha evaluado numéricamente y tabulado para ciertos valores de

a y b. Esta tabla nos sirve para calcular probabilidades de otros valores de µ y σ en
consideración.

La distribución de probabilidad normal es aquella en la cual, a partir de un punto

central de máxima frecuencia (la media de la distribución), los valores mayores y
menores que la media se distribuyen simétricamente de derecha a izquierda,
disminuyendo gradualmente hasta desaparecer.
 Imagen 2

Esta distribución es la más utilizada para variables aleatoria continuas, es decir,

aquellas para las cuales es imposible enumerar todos los eventos posibles.
Asimismo, esta distribución permite resolver en forma aproximada los problemas
propios de la distribución binomial o de Poisson, por lo que su importancia en
probabilidad y estadística es fundamental. (Freund & Simon, 1992)

Los parámetros de la distribución normal son µ (media) y 𝜎(desviación estándar).

Su representación se hace de la siguiente forma N (µ,𝜎)

Cambia los parámetros µ y σ. Observa cómo cambia la curva de la

distribución normal.
Cuantas distribuciones normales diferentes existen. (Una distribución es
distinta si se tiene alguno de los dos parámetros µ y σ distintos).

Nótese que para cualquier par de valores de µ y σ la gráfica de la curva normal

conserva su simetría y su forma de campana.

1.8.1. Propiedades de la curva normal o campana de gauss

Propiedades de la curva normal o campana de Gauss.

1.- La curva normal tiene forma de campana

2. -Es simétrica con respecto a la media de la distribución

3.- Se extiende de +∝ a - ∝

4. Cada distribución normal es completamente especificada por su media y

desviación estándar; existe una distribución normal diferente para cada
combinación de media y desviación estándar.
5.- El área total bajo la curva normal se considera que es el 100 %

6.- El área bajo la curva entre dos puntas, es la probabilidad de que una variable
distribuida normalmente asuma un valor entre ellas.

7.- Dado que existe un universo ilimitado de valores en el intervalo que va de la

probabilidad de que una variable aleatoria distribuida con normalidad sea
exactamente igual a cualquier valor dado, es casi de cero. Por tanto, las
posibilidades siempre serán para un intervalo de valores.

8.- El área bajo la curva entre la media y cualquier otro punto es una función- del
universo de desviaciones estándar que el punto dista de la media. (Cantú, 1991)

Tipificación de la variable

Para calcular probabilidades con variables usando la distribución normal se usan

tablas. Como sería imposible tener una tabla para cada posible distribución normal,
En los libros de probabilidad solamente tenemos la tabla de la distribución normal
estándar N (0,1). Necesitaremos, pues, ser capaces de transformar las variables
x (normales N (µ,𝜎)) a variables z que sigan una distribución normal estándar con
media igual a cero y desviación estándar = 1 [N (0,1)]. Este proceso se llama
"tipificación de la variable". (Stephens, 2009)
Se plantea la siguiente pregunta: Si la variable x tiene el valor de 5.2 Cuál es su
equivalente a variable tipificada? Si se tiene una media igual a 3.2 y una desviación
estándar de 2

La ecuación que permite hacer manualmente esta tipificación es:

Z= número de desviaciones estándar a partir de la media

X= algún valor de interés

µ = media de una distribución normal

σ = desviación estándar
Si sustituimos los valores iniciales (x=5.2, µ=3.2, σ=2) en la fórmula veremos que la
tipificación es correcta.

La siguiente imagen muestra la correspondencia de la tipificación entre la variable

xyz
Imagen 3

1.8.2. Cálculo del Área bajo la curva

Tabla de la normal estándar

Suponer que se requiere obtener el área entre la media y Z, cuando Z es igual a

1.25. El área bajo la curva puede leerse en la intersección de la fila Z=1.2 y la
columna 0.05. El valor 0.3944es el porcentaje de áreas bajo la curva normal entre
la media y z=1.25

z 0.00 0.01 0.02 0.03 0.04 0.05

.

1.2. . . . . . 0.3943

Ejemplos 1

Hallar el área bajo la curva donde Z ≤ 1.2

Búsqueda en la tabla de valor de z=1.2

El área bajo la curva puede leerse en la intersección de la fila Z=1.2 y la columna

0.00. El valor 0.3849 es el porcentaje de áreas bajo la curva normal entre la media
y z= 1.2

z 0.00 0.01 0.02 0.03 0.04 0.05

.

1.2. 0.3849 . . . .

Imagen 4

Ejemplo 2

Hallar el área bajo la curva donde Z ≤ - 0.86

Búsqueda en la tabla de valor de z = -0.86

El área bajo la curva puede leerse en la intersección de la fila Z=0.8 y la columna

0.06. El valor 0.33051 es el porcentaje de áreas bajo la curva normal entre la media
y z= -0.86

P (Z ≤ −a) = 0.5 – P (Z ≤ 0.3051 ) =0.1949 corresponde al área sombreada

z 0.00 0.01 0.02 0.03 0.04 0.06

0.8 . . . . . 0.3051
 Imagen 5

Ejemplo 3

Hallar el área bajo la curva donde z ≥ - 0.46

Búsqueda en la tabla de valor de z = - 0.46

El área bajo la curva puede leerse en la intersección de la fila Z= -0.4 y la columna

0.06. El valor 0.1772 es el porcentaje de áreas bajo la curva normal entre la media
y z= -0.46

P (Z ≥ −a) = 0.5 + P (Z ≥ - 0.1772) =0.6772 corresponde al área sombreada

z 0.00 0.01 0.02 0.03 0.04 0.06

0.4 . . . . . 0.1772

Imagen 6

Ejemplo 4

Hallar el área bajo la curva donde z 0.81 ≤ Z ≤ 1.94)

Búsqueda en la tabla de valor de z

Unidades y décimas en la columna de la izquierda.

Centésimas en la fila de arriba.

Primero se busca el área de 0.81 = 0.2910

Enseguida se busca el área 1.94 = 0.4738

P (0.81 < Z ≤ 1.94) = P (Z ≤ b) − P (Z ≤ a) = =0.4738 – 0.2910 = 0.1828

z 0.00 0.01 0.02 0.03 0.04 0.06

0.8 . .0.2910 . . .
1.9 0.4738
Imagen 7

1.8.3. Aplicaciones

La distribución normal permite calcular, para una población de gran tamaño, la

probabilidad de que se presente un evento relativo a esa población. El siguiente
ejemplo ilustra la forma en que es posible utilizar esa distribución.

Ejemplo1

La estatura promedio de los empleados de una empresa es de 1.65 m., con una
desviación estándar de 0.2 m.

Suponga una distribución normal y determine qué porcentaje de los empleados que
miden:

a. Más de 1.57 m.
b. Menos de 1.70 m.
c. Entre 1.57 m y 1.70 m.

Solución:
 a.

El problema nos da la media poblacional µ = 1.65

Y la desviación estándar σ = 6.2

Nos solicitan los empleados que miden más de 1.57

𝑥−𝜇
𝑧=
𝜎
1.57 − 1.65
𝑧= = −0.4
0.2

Buscamos el valor de z= -0.4 en la tabla de distribución normal y obtenemos que es

0. 1554 de 0 a -0.4.

b.

El problema nos da la media poblacional µ = 1.65

Y la desviación estándar σ = 6.2

Nos solicitan los empleados que miden menos de 1.70 m.

𝑥−𝜇
𝑧=
𝜎
1.70 − 1.65
𝑧= = 0.25
0.2

Buscamos el valor de z=0.25 en la tabla de distribución normal y obtenemos que es

0. 0987 de 0 a 0.25

c.
El problema nos da la media poblacional µ = 1.65

Y la desviación estándar σ = 6.2

Nos solicitan los empleados que midan entre 1.57m y 1.70 m

𝑥−𝜇 1.57 − 1.65

𝑧= = = −.4
𝜎 0.2

Buscamos el valor de z= -0.4 en la tabla de distribución normal y obtenemos que

z=0.1554

1.70 − 1.65
𝑧= = 0.25
0.2

Buscamos el valor de z=0.25 en la tabla de distribución normal y obtenemos que es

0. 0987 de 0 a 0.25

Como se observa en la campana el área solicitada comprenden las dos caras se

suman las dos áreas z= - 0.4 =0.1554 + z = 0.25 = 0.0987 = 0.2541 = 25.41 %

Ejemplo2
En una fábrica el tiempo medio en realizar una misma tarea por parte de los
empleados se distribuye de manera normal, con media de 5 días y desviación típica
1 día. Calcular el porcentaje de empleados que realizan la tarea en un tiempo menor
a 7 días.

Solución

La media μ= 5 días.

La desviación estándar σ= 1 día.

Nos piden el porcentaje de empleados que realizan la tarea en menos de 7 días.

𝑥̅ − 𝜇
𝑧=
𝜎

Z=∞ Z=
2
 7−5
𝑧= =2
1

Y como el área que nos piden es de -∞ a 2 para obtener el resultado se tendrían

que sumar las 2 áreas.

El área de -∞ a 0 que es 0.5 + el área de 0 a 2 que según la tabla es 0.4772 es

decir:

P(A)= .5+0.4772

P(A)= 0.9772

=97.72%

Ejemplo 3

En una fábrica las edades de los trabajadores se distribuyen normalmente con una
media de 50 años y una desviación estándar de 5 años encontrar las edades de los
trabajadores menores al 20 %

Solución

La media μ= 50 años.

La desviación estándar σ= 5 años.

El área de z = menores al 20%.

Observamos que el área seleccionada corresponde a las edades menores al 20 %

Buscamos en la tabla de la normal el valor de Z se encuentra entre los valores.

0.1985 z = 0.52

0.2019 z = 0.53 se obtiene el promedio de estos dos valores de z = 0.525

1.05 /2 = 0.525
Utilizamos la fórmula de la normal y despejamos a x
𝑥−𝜇
𝑧=
𝜎

𝑥 = 𝜇 + 𝜎𝑧

𝑥 = 50 + 5(0. .525) = 50 + 2.63 = 53 𝑎ñ𝑜𝑠