Distribuciones de

Probabilidad Continuas
Mtra. Alejandra Esther Gabutti Correa
Distribuciones de Probabilidad Continuas
 Función de densidad: probabilidad media en
entre dos valores de la variable (cuando su
diferencia tiende a 0)

 Función de distribución: es la probabilidad de

que X tome valores menores o iguales a x.
Acumula toda la probabilidad entre menos
infinito y el punto considerado.
Distribución Uniforme Continua
Parámetros (a, b)
 Es la distribución de probabilidad que se asocia a variables aleatorias que pueden tomar
cualquier valor en el intervalo [a; b] y cuya función de densidad es:

Se asocia a experimentos similares

a elegir un número al azar entre los
valores a y b. La gráfica de su
función de densidad.

Propiedades.
Distribución Exponencial
Parámetro (λ)

Propiedades.

Esta distribución describe el tiempo hasta la primera ocurrencia de un evento.

Distribución Exponencial
Parámetro (λ)
 Ejemplo.
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribución
exponencial con media de 16 años. ¿Cuál es la probabilidad de que a una persona a la que se
le ha implantado este marcapasos se le deba reimplantar otro antes de 20 años?

 Solución.
Sea T la variable aleatoria que mide la duración de un marcapasos en una persona. Tenemos
que, T distribuye exponencial con parámetro 1/16.

Entonces.
Distribución Normal
Parámetros (µ,σ)

 Es la distribución de probabilidad que viene determinada por la siguiente función de

densidad, definida en toda la recta real:

𝟏 − (𝒙−𝝁)𝟐
𝒇 𝒙 = 𝒆 − ∞ < 𝒙 <∝
𝝈 𝟐𝝅 𝟐𝝈𝟐

 Se asume para una variable cuyos posibles valores se disponen de forma simétrica en
torno a su media de modo que los valores próximos a dicha media tendrán mayor
probabilidad de ser alcanzados. Conforme más alejados estén de la media, los valores
tienen menor probabilidad de ser alcanzados.
Distribución Normal
Parámetros (µ,σ)
 La gráfica de la función de densidad de la distribución normal es la denominada
campana de Gauss y se representa del siguiente modo:

 Los parámetros de esta distribución son la media, µ, que es el eje de simetría de la

gráfica, y la desviación típica σ.
Distribución Normal
Parámetros (µ,σ)
 En los siguientes gráficos se ve la variación que se produce en la gráfica de la normal
cuando cambiamos su media y su desviación típica:
Aproximación de la Binomial por la Normal

 Cuando n > 30 podemos aproximar la distribución binomial de parámetros n,

p por la Normal de media np y desviación típica 𝑛𝑝(1 − 𝑝).

𝑩 𝒏, 𝒑 ~𝑵(𝒏𝒑, 𝒏𝒑(𝟏 − 𝒑))

Distribución Normal Estandarizada (TipIficada)
Parámetros (µ=0,σ=1)

 La distribución N(𝜇,𝜎) se puede relacionar con la distribución N(0,1),

mediante el siguiente proceso al que se denomina tipificación o
estandarización:

𝑿−𝝁
𝑿~𝑵 𝝁, 𝝈 → 𝒁 = ~ 𝑵(𝟎, 𝟏)
𝝈

 A la distribución N(0,1) se le denomina Normal Estándar.

Distribución Normal Estandarizada (TipIficada)
Parámetros (µ=0,σ=1)
 Como ya dijimos anteriormente, la distribución N(0; 1) es simétrica respecto al 0, es
decir, si Z ~ N(0; 1)

𝑷 𝒁 ≤ 𝒙 = 𝑷(𝒁 ≥ −𝒙)

 Gráficamente, las siguientes áreas son idénticas:

Distribución Normal
Parámetros (µ,σ)
 Ejemplo.
La vida de un semiconductor láser a una potencia constante se distribuye
normalmente con media 7000 horas y desviación típica 600 horas. ¿Cuál es la
probabilidad de que la vida del láser esté entre 6,280 y 7,120 horas?

 Solución.
Sea X la vida del semiconductor (en horas) ~ N (7000; 600)

Tipificación:
𝑋 − 7000
𝑍= ~𝑁 (0,1)
600
Distribución Normal
Parámetros (µ,σ)

 El problema indica que se calcule la probabilidad de vida del láser entre 6,280 y 7,120
horas, por lo que debemos transformar estas cantidades a la nueva variable Z.

6,280 − 7,000 7,120 − 7,000

= −1.2 = 0.2
600 600

 Por lo que, para resolver el problema se realiza el siguiente calculo

𝑃 6,280 ≤ 𝑋 ≤ 7,120 = 𝑃 −1.2 ≤ 𝑍 ≤ 0.2 = 𝑃 𝑍 ≤ 0.2 − 𝑃 𝑍 ≤ −1.2

= 0.5793 - 0.1151 = 0.4642
Distribución Normal Estándar
Parámetros (0,1)
 Puedes utilizar la función de Excel DISTR.NORM.ESTAND.N()
Distribución Normal
Parámetros (µ,σ)
Veamos una interpretación gráfica del cálculo anterior. La probabilidad que tenemos que calcular
es igual al siguiente área:

𝑷 −𝟏. 𝟐 ≤ 𝒁 ≤ 𝟎. 𝟐

Dicho recinto está incluido en el del gráfico que aparece a la izquierda. La parte que sobra es
precisamente la que está sombreada en el gráfico de la derecha.
𝑷 −𝟏. 𝟐 ≤ 𝒁 ≤ 𝟎. 𝟐 = 𝑷 𝒁 ≤ 𝟎. 𝟐 − 𝑷 𝒁 ≤ −𝟏. 𝟐

𝑷 𝒁 ≤ 𝟎. 𝟐 𝑷 𝒁 ≤ −𝟏. 𝟐
Distribución t de Student
Parámetro (n)
 La distribución de probabilidad t de Student con n grados de libertad (t(n)) es la asociada a
una variable aleatoria que se obtiene a partir del cociente de una variable N(0,1). Por tanto,
puede tomar cualquier valor real.
 Su función de densidad es muy compleja y su gráfica es parecida a la de la distribución N(0;
1). En el siguiente gráfico aparecen representadas las función de densidad de una t(4):

 Es de utilidad para obtener información o establecer comparaciones entre las medias

poblacionales a partir de uno o dos conjuntos de datos extraídos de una variable normal.
Distribución t de Student
Parámetro (n)
 Bibliografía Sugerida
 Lind, Douglas; Marchal, William; et.al. (2012) Estadística aplicada a los negocios y a la economía,
McGraw-Hill.
 Anderson, David R; Sweeney, Denins, J; et al (2012) Estadística para negocio y economía, Cengage
Learning.
 Levine, David M; Timothy C; Krehbiel, Matk L. Berenson (2014) Estadística para administración, Pearson.
 Wilhelmi, Miguel R. (2017) Combinatoria y Probabilidad, Universidad de Granada, (PDF), consultada el 28
de Junio de 2019, disponible en: https://www.ugr.es/~batanero/pages/ARTICULOS/librowhilhelmi.pdf
 Colorado, A. [Ale Sanchez]. (2018, 01 15). Tabla Z. Recuperado de https://youtu.be/-3Ic1LyyRLY