Preparado por Hugo Valenzuela

Semana 4

Distribuciones de probabilidad continua

La distribución uniforme continua. Una v.a. continua tiene distribución uniforme continua
1 𝛼𝛼+𝛽𝛽
si su función de densidad es 𝑓𝑓 (𝑥𝑥) = 𝛽𝛽−𝛼𝛼 para 𝛼𝛼 < 𝑥𝑥 < 𝛽𝛽. Además, 𝐸𝐸(𝑋𝑋) = 2
y 𝑉𝑉𝑉𝑉𝑉𝑉 =
(𝛽𝛽−𝛼𝛼)2 𝑥𝑥−𝛼𝛼
. Su probabilidad acumulada está dada por 𝑃𝑃(𝑋𝑋 ≤ 𝑥𝑥) = 𝛽𝛽−𝛼𝛼.
12

Ejemplo. Suponer que el tiempo para un trabajo hecho por una máquina es una v.a. con
distribución uniforme en el intervalo de 5 a 10 minutos. Calcular la probabilidad de que el
trabajo se haga en: a) más de 7 minutos, b) entre 7 y 9 minutos, c) calcular el tiempo promedio
en que se hace el trabajo y su desviación estándar.

1 1
Observe que aquí se tiene que 𝑓𝑓(𝑥𝑥) = 10−5 = 5 para 5 < 𝑥𝑥 < 10 min.
Para a) se tiene que:
10
1 3
𝑃𝑃(𝑡𝑡 > 7 𝑚𝑚𝑚𝑚𝑚𝑚) = � 𝑑𝑑𝑑𝑑 = = 0.60
7 5 5
𝑥𝑥−5 𝑥𝑥−5
También se puede resolver con la distribución acumulada 𝐹𝐹(𝑥𝑥) = 10−5 = 5
, donde
10 − 5 7 − 5 2 3
𝑃𝑃(𝑡𝑡 > 7 𝑚𝑚𝑚𝑚𝑚𝑚) = 𝑃𝑃(7 < 𝑥𝑥 < 10) = 𝐹𝐹(10) − 𝐹𝐹(7) = – = 1– =
5 5 5 5

Para b) se tiene que

9
1 2
𝑃𝑃(7 < 𝑥𝑥 < 9) = � 𝑑𝑑𝑑𝑑 = = 0.40
7 5 5
usando la distribución acumulada;
9−5 7−5 2
𝑃𝑃(7 < 𝑥𝑥 < 9) = 𝐹𝐹(9) − 𝐹𝐹(7) = − =
5 5 5

5+10
para c) se tiene que 𝐸𝐸(𝑋𝑋) = 2
= 7.5 min, es decir que el trabajo se hace en un tiempo
(10−5)2
promedio de 7.5 min, luego 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = = 2.0833 min2, y la desviación estándar es
12
√25
𝜎𝜎 = = 1.443 min.
12

1
Preparado por Hugo Valenzuela

La Distribución Normal

La distribución normal se aplica para modelar errores en las mediciones, entre otras
muchas aplicaciones. La distribución normal también es fundamental en el desarrollo de la
estadística matemática, de tal manera que es la base para diseñar muchas pruebas de hipótesis
y estimación de parámetros poblacionales. Por supuesto que la distribución normal no escapa
a las aplicaciones de la estadística en la industria.

Definición de la Distribución Normal

La v.a. X tiene distribución normal si su función de densidad es:

1 (𝑥𝑥−𝜇𝜇)2
−
𝑓𝑓(𝑥𝑥) = 𝑒𝑒 2𝜎𝜎2
𝜎𝜎√2𝜋𝜋

para −∞ < 𝑥𝑥 < +∞, donde, −∞ < µ < +∞ y 𝜎𝜎 > 0. Además; 𝐸𝐸(𝑋𝑋) = µ y 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) =
𝜎𝜎2 .

Cuando µ = 0 y 𝜎𝜎 = 1 , entonces se le da el nombre de distribución normal estándar,

−𝑧𝑧2
1
denotada por 𝜙𝜙(𝑧𝑧), quedando como: 𝜙𝜙(𝑧𝑧) = 𝑒𝑒 2 para −∞ < 𝑧𝑧 < +∞. La función de
√2𝜋𝜋
distribución acumulada de 𝑧𝑧 denotada por 𝛷𝛷 (𝑧𝑧), ya está calculada para algunos valores de 𝑧𝑧
en las tablas 2.6 y 2.7 que aparecen al final de esta unidad, donde 𝛷𝛷(𝑧𝑧) = 𝑃𝑃(𝑍𝑍 ≤ 𝑧𝑧) .
También se puede obtener en una hoja de cálculo como Excel.

Las probabilidades de una v.a. con distribución normal se pueden calcular mediante las
𝑥𝑥−𝜇𝜇
probabilidades de la distribución normal estándar mediante la transformación: 𝑧𝑧 = 𝜎𝜎 como
se muestra a continuación.

Ejemplo

Se sabe que el peso (en kg) de carga de un camión, es una v.a. con distribución normal
con media de 3000 kg y desviación estándar de 500 kg. Calcular la probabilidad de que la
carga del camión sea: a) menor a 2500 kg., b) mayor a 3600 kg., c) entre 2600 y 4000 kg. d)
Obtener el peso que acumula el 93% de los valores.

Solución: tenemos que los parámetros de la distribución de 𝑋𝑋 son; µ = 3000 y 𝜎𝜎 = 500.

Luego, para el a), tenemos que:

2
Preparado por Hugo Valenzuela

𝑋𝑋 − 3000 2500 − 3000

𝑃𝑃(𝑋𝑋 < 2500) = 𝑃𝑃(𝑋𝑋 < 2500) = 𝑃𝑃 � < � = 𝑃𝑃(𝑍𝑍 < −1.0)
500 500
= 𝛷𝛷(−1.0) ≈ 0.1587

𝑋𝑋−𝜇𝜇 𝑋𝑋−3000
Observe las transformaciones algebraicas para obtener 𝑍𝑍 = 𝜎𝜎
= 500
y obtener el valor
de la tabla de probabilidades de la distribución normal estándar que está al final del capítulo.

Para el b), tenemos que;

𝑋𝑋 − 3000 3600 − 3000

𝑃𝑃(𝑋𝑋 > 3600) = 1– 𝑃𝑃(𝑋𝑋 < 3600) = 1 − 𝑃𝑃 � < �
500 500
= 1 − 𝑃𝑃(𝑍𝑍 < 1.2) = 1 − 𝛷𝛷(1.2) ≈ 1 − 0.8849 = 0.1151

para el c), tenemos que;

2600 − 3000 𝑋𝑋 − 3000 4000 − 3000
𝑃𝑃(2600 < 𝑋𝑋 < 4000) = 𝑃𝑃 � < < �
500 500 500
= P(−0.8 < 𝑍𝑍 < 2.0) = 𝛷𝛷(2.0) − 𝛷𝛷(−0.8) ≈ 0.9772 − 0.2119
= 0.7653
Para c), sea 𝑤𝑤 el peso que acumula el 93%, entonces 𝑃𝑃(𝑋𝑋 ≤ 𝑤𝑤) = 0.93 y 𝑤𝑤 se obtiene de
Excel con la función NORMINV( ) (ver notas de Excel), obteniendo que 𝑤𝑤 =
3737.896 𝑘𝑘𝑘𝑘, es decir; los pesos menores a 3737.896 𝑘𝑘𝑘𝑘 es el 93% de los pesos posibles
que transporta el camión.

NOTA: Las probabilidad acumulada de una distribución normal se pueden obtener

directamente de una hoja de cálculo como Excel.

Las siguientes figuras muestran el aspecto de la función de densidad de la distribución

normal para diferentes valores de µ y 𝜎𝜎.

3
Preparado por Hugo Valenzuela

Gráfica de f(x) para la distribución normal para varios valores de σ.

Gráfica de f(x) para la distribución normal para varios valores de µ.

La Distribución Exponencial.
Esta distribución se aplica para modelar el tiempo transcurrido entre la ocurrencia de dos
“éxitos” consecutivos; estos éxitos pueden ser: llegadas de clientes a un negocio, llegadas de
piezas de producción a una estación de trabajo, fallas consecutivas de una máquina. En
general, esta distribución se utiliza en la modelación de sistemas de líneas de espera y en la
teoría de confiabilidad.

4
Preparado por Hugo Valenzuela

Definición de la Distribución Exponencial.

La v.a. 𝑋𝑋 tiene distribución exponencial, si su función de densidad es:
1 −𝑥𝑥
𝑓𝑓(𝑥𝑥) = �𝜃𝜃 𝑒𝑒 , para 𝑥𝑥 > 0
𝜃𝜃

0, 𝑑𝑑𝑑𝑑 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚

−𝑥𝑥
donde, 𝜃𝜃 > 0. Además, 𝐸𝐸(𝑋𝑋) = 𝜃𝜃 y 𝑉𝑉𝑉𝑉𝑉𝑉(𝑋𝑋) = 𝜃𝜃2 y 𝐹𝐹(𝑥𝑥) = 1 – 𝑒𝑒 𝜃𝜃 .

Ejemplo
El tiempo en horas que transcurre entre dos fallas consecutivas de una máquina es una v.a.
con distribución exponencial:

1 −𝑡𝑡
𝑓𝑓(𝑡𝑡) = �1000 𝑒𝑒 1000 , 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑡𝑡 > 0
0, 𝑑𝑑𝑑𝑑 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚

Calcular la probabilidad de que el tiempo que transcurre para que la máquina falle sea: a)
menos de 100 hrs, b) más de 1000 hrs, c) entre 800 y 1000 hrs, d) el promedio del tiempo
entre fallas consecutivas, d) la varianza y desviación estándar del tiempo entre fallas
consecutivas, e) Obtener el tiempo que acumula una probabilidad de 0.90.

Solución: de la definición de 𝑓𝑓(𝑥𝑥) se tiene que 1/𝜃𝜃 = 1/1000 y 𝜃𝜃 = 1000, luego, para el
a), tenemos que: 100
100
1 −𝑡𝑡 −1
𝑃𝑃(𝑇𝑇 < 100) = � 𝑒𝑒 1000 𝑑𝑑𝑑𝑑 = 1 − 𝑒𝑒 10 = 0.0952
0 1000
también se puede resolver mediante 𝐹𝐹(𝑥𝑥);
−100 −1
𝑃𝑃(𝑇𝑇 < 100) = 𝐹𝐹(100) = 𝐹𝐹(𝑥𝑥) = 1 – 𝑒𝑒 1000 = 1 − 𝑒𝑒 10 = 0.0952

Para el b), tenemos que:

∞
1 −𝑡𝑡
𝑃𝑃(𝑇𝑇 > 1000) = � 𝑒𝑒 1000 𝑑𝑑𝑑𝑑 = 𝑒𝑒 −1 ≈ 0.3679
1000 1000

−1000
también 𝑃𝑃(𝑇𝑇 > 1000) = 1 − 𝐹𝐹(1000) = 1 − �1 − 𝑒𝑒 1000 � = 𝑒𝑒 −1 ≈ 0.3679

Para el c), tenemos que:

1000
1 −𝑡𝑡 −8
𝑃𝑃(800 < 𝑇𝑇 < 1000) = � 𝑒𝑒 1000 𝑑𝑑𝑑𝑑 = 𝑒𝑒 10 − 𝑒𝑒 −1 ≈ 0.0814
800 1000
También

5
Preparado por Hugo Valenzuela

−1000 −800 −8
𝑃𝑃(800 < 𝑇𝑇 < 1000) = 𝐹𝐹(1000) − 𝐹𝐹(800) = �1 – 𝑒𝑒 1000 � − �1 – 𝑒𝑒 1000 � = 𝑒𝑒 10 − 𝑒𝑒 −1

Para el d), tenemos que: 𝐸𝐸(𝑇𝑇) = 𝜃𝜃 = 1000; luego, en promedio transcurren 1000 horas
entre fallas consecutivas.

Para el e), tenemos que: 𝑉𝑉𝑉𝑉𝑉𝑉(𝑇𝑇) = 𝜃𝜃2 = 10002 y 𝜎𝜎𝑇𝑇 = 1000 ℎ𝑟𝑟𝑟𝑟.

Para f), sea 𝑤𝑤 el tiempo que acumula una probabilidad de 0.90, luego;
−𝑤𝑤
𝑃𝑃(𝑋𝑋 ≤ 𝑤𝑤) = 𝐹𝐹(𝑤𝑤) = 0.90 , 1 − 𝑒𝑒 1000 = 0.90 y despejando 𝑤𝑤 se tiene que; 1 − 0.90 =
−𝑤𝑤 −𝑤𝑤
𝑒𝑒 1000 , 0.10 = 𝑒𝑒 1000 , 𝑙𝑙𝑙𝑙(0.10) = −𝑤𝑤/1000 y 𝑤𝑤 = −𝑙𝑙𝑙𝑙(0.10)(1000) = 2302.585 hrs.

La siguiente figura muestra el aspecto de la función de densidad de una distribución

exponencial para diferentes valores de 𝜃𝜃 .

Gráfica de la Distribución Exponencial

2.5
θ=2
2

1.5

1
θ=1
0.5
θ=0.5
0
0 1 2 3 4
Valor de la variable aleatoria

Gráfica de f(x) de la distribución exponencial para varios valores de 𝜃𝜃.

La distribución exponencial modela el tiempo de espera a que ocurra un éxito de una

distribución Poisson, razón por la cual hay una relación entre los parámetros 𝜃𝜃 y 𝜆𝜆 que es
𝜃𝜃 = 1/𝜆𝜆 . Esta relación es importante considerar cuando se aplica la distribución
exponencial para modelar tiempo de espera de un éxito de una distribución Poisson.
Las distribuciones de probabilidad que se mencionan a continuación se aplicarán en
Estadística Inferencial. El objetivo aquí es saber que existen y saber cómo usar Excel para
obtener sus probabilidades y demás resultados (ver notas de Excel). Sus aplicaciones se verán
más adelante.
6
Preparado por Hugo Valenzuela

La Distribución t de Student.
Una v.a. X tiene distribución t de Student si su función de densidad es:

𝜈𝜈 + 1 −(𝜈𝜈+1)�
Γ� 2 � 𝑥𝑥 2 2
𝑓𝑓(𝑥𝑥) = 𝜈𝜈 �1 + �
Γ �2� √𝜋𝜋𝜋𝜋 𝜈𝜈

para −∞ < 𝑥𝑥 < +∞

𝜈𝜈
Donde 𝛤𝛤(𝑥𝑥) es la función Gamma. Además 𝐸𝐸(𝑋𝑋) = 0 si 𝜈𝜈 > 1 y 𝑉𝑉(𝑋𝑋) = 𝜈𝜈−2 si 𝜈𝜈 > 2.
Además, 𝜈𝜈 es una constante positiva llamada grados de libertad.

La gráfica de f(x) se parece a la campana de la distribución normal estándar, y cuando 𝜈𝜈 crece

la distribución t de Student se aproxima a la distribución normal estándar como se ve en la
siguiente figura.

Comparación de la gráfica de la densidad de la distribución t de Student y la normal estándar.

Por ejemplo; si 𝑋𝑋 tiene una dist. t de student con 15 grados de libertad, entonces
∞ −8
Γ(8) 𝑥𝑥 2
𝑃𝑃(𝑥𝑥 > 2.3) = � �1 + � 𝑑𝑑𝑑𝑑 = 0.0181
−2.3 Γ(7.5)√15𝜋𝜋 15
1.5 −8
𝑥𝑥 2
Γ(8)
𝑃𝑃(−1.2 < 𝑋𝑋 < 1.5) = � �1 + � 𝑑𝑑𝑑𝑑 = 0.79844
−1.2 Γ(7.5)√15𝜋𝜋 15

7
Preparado por Hugo Valenzuela

Si se busca un número w tal que 𝑃𝑃(𝑋𝑋 > 𝑤𝑤) = 0.35, entonces con la función TINV( ) de
Excel se obtiene que 𝑤𝑤 = 0.3928
NOTA: Los anteriores resultados se obtienen de Excel, ver notas de Excel.

La Distribución χ2 (Chi-cuadrada o Ji-cuadrada)

Una variable aleatoria 𝑋𝑋 tiene distribución 𝜒𝜒 2 con 𝜈𝜈 grados de libertad si su función de
1
densidad es 𝑓𝑓(𝑥𝑥) = 2𝜈𝜈⁄2 Γ(𝜈𝜈 𝑥𝑥 (𝜈𝜈−2)⁄2 𝑒𝑒 −𝑥𝑥⁄2 para 𝑥𝑥 > 0, donde 𝛤𝛤(𝑤𝑤) es la función gamma
�2)
evaluada en w y 𝜈𝜈 es una constante positiva. Además 𝐸𝐸(𝑋𝑋) = 𝜈𝜈 , y 𝑉𝑉(𝑋𝑋) = 2𝜈𝜈.

Por ejemplo, si 𝑋𝑋 sigue una distribución 𝜒𝜒 2 con 7 grados de libertad, entonces de una hoja
de cálculo como excel se puede obtener que
5 1
𝑃𝑃(𝑋𝑋 < 5) = ∫0 23.5 Γ(3.5)
𝑥𝑥 3.5 𝑒𝑒 −𝑥𝑥⁄2 𝑑𝑑𝑑𝑑 = 0.3400 , y P(X<2)=0.0402. Luego 𝑃𝑃(2 < 𝑋𝑋 <
5) = 0.3400– 0.0402 = 0.2998. Si se busca un valor 𝑤𝑤 tal que que 𝑃𝑃(𝑋𝑋 > 𝑤𝑤) = 0.15,
entonces 𝑤𝑤 = 10.748.
NOTA: Los anteriores resultados se obtienen de Excel, ver notas de Excel.

La siguiente figura muestra el aspecto de la curva de f(x) para una distribución Ji cuadrada.

Gráfica de f(x) para la distribución Ji cuadrada con diferentes valores de ν.

La Distribución F

Una variable aleatoria tiene distribución 𝐹𝐹 con 𝜈𝜈1 grados de libertad en el numerador y 𝜈𝜈2
grados de libertad en el denominador si su función de densidad es;

8
Preparado por Hugo Valenzuela

𝜈𝜈 + 𝜈𝜈 −(𝜈𝜈1 +𝜈𝜈2 )
Γ � 1 2 2 � 𝜈𝜈1 𝜈𝜈21 𝜈𝜈2 𝜈𝜈1 𝑥𝑥 2
−1
𝑓𝑓(𝑥𝑥) = 𝜈𝜈 𝜈𝜈 � � 𝑥𝑥 2 �1 + �
Γ � 21 � Γ � 22 � 𝜈𝜈2 𝜈𝜈2

para 𝑥𝑥 > 0

𝜈𝜈2 2𝜈𝜈22 (𝜈𝜈1 +𝜈𝜈2 −2)

el valor esperado es 𝐸𝐸(𝑋𝑋) = 𝜈𝜈 si 𝜈𝜈2 > 2 y la varianza es 𝑉𝑉(𝑋𝑋) = 𝜈𝜈 2
, si 𝜈𝜈2 >
2 −2 1 (𝜈𝜈2 −2) (𝜈𝜈2 −4)
4

Por ejemplo, si 𝑋𝑋 es una variable aleatoria que sigue una distribución 𝐹𝐹 con 5 grados de
libertad en el numerador y 10 grados de libertad en el denominador entonces de Excel se
puede obtener que 𝑃𝑃(𝑋𝑋 < 1.5) = 0.7267 y 𝑃𝑃(𝑋𝑋 < 0.35) = 0.1291. Luego 𝑃𝑃(0.35 < 𝑋𝑋 <
1.5) = 0.7267– 0.1291 = 0.5976 . Si se busca un valor 𝑤𝑤 tal que 𝑃𝑃(𝑋𝑋 > 𝑤𝑤) = 0.09 ,
entonces 𝑤𝑤 = 2.638.
NOTA: Los anteriores resultados se obtienen de Excel, ver notas de Excel.

La gráfica de f(x) correspondiente a la distribución F aparece a continuación. La línea sólida

es para 𝜈𝜈1 = 3, 𝜈𝜈2 = 10 y la línea seccionada es para 𝜈𝜈1 = 10, 𝜈𝜈2 = 10.

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0.0
0 1 2 3 4 5
x
Gráfica de f(x) para la distribución F