Algunas Distribuciones Continuas

Distribuciones Clásicas
Distribución Uniforme
Distribución Exponencial
Distribución Normal
Distribución Gamma
Distribución Chi-cuadrado
Distribución t- student
Distribución F de Fisher
Distribución Uniforme
Ejemplo
Un estudiante acude todos los días a clase andando. Suponiendo que
tarda en llegar 15 minutos, que sale de casa, en un instante aleatorio,
entre las ocho cuarenta y las ocho cincuenta y que la clase comienza a
las nueve, calcular la probabilidad de que un día determinado llegue
tarde.

Solución

X: Momento de llegada del estudiante a clase ocurre uniformemente en

el intervalo de 8:55 a 9:05

Tenemos f(x) = 1/10, 0 < x < 10, x: minutos

P(de llegar tarde) = P( 5 < x < 10)

= (10 – 0)/(10-0) – (5 – 0)/(10 – 0)
= 1/2
Ejemplo
Distribución de probabilidad normal o gaussiana
La gráfica de la función de densidad de
probabilidad normal tiene forma
acampanada y es simétrica con respecto a
su media. La forma y la posición de la
gráfica dependen de los valores de y; por lo
cual habrá una gráfica diferente para cada
combinación de µ y σ2: Por ejemplo, la
siguiente gráfica muestra tres distintas
distribuciones normales:
Estandarización de una distribución normal
Supongamos que la variable aleatoria X se distribuye normal con media
µy varianza σ2; entonces la variable Z definida como:

se distribuye normal estándar.

El hecho de que la variable Z se distribuya como normal estándar nos

permite utilizar la tabla de esta distribución para calcular probabilidades
asociadas con una variable X que siga una distribución normal
cualquiera.

Como se tiene que

entonces para calcular probabilidades para X; primero se estandarizan

sus valores y luego se utiliza la tabla para la distribución normal
estándar.(Z ~ N(0, 1))
Ejemplo
El tiempo que tarda una persona en resolver un examen típico de
especialización tiene una distribución Normal con media 3 horas. Se sabe
que una muestra de 20 postulantes, la probabilidad de que tarden en
promedio más 3 horas 15 minutos en resolver el examen es del 5%.
Determine la desviación estándar de la duración del examen típico.
Solución
Ejemplo
En un quiosco de periódicos se supone que el número de ventas diarias se
distribuye normalmente con media 30 y varianza 2. Determinar:
a) Probabilidad de que en un día se vendan entre 13 y 31 periódicos
b) Determinar el máximo número de periódicos que se venden en el 90% de
las ocasiones
c) Supongamos que en una ciudad hay 10 quioscos independientes del
mismo tipo y con las mismas características. Determinar la probabilidad de
que más de dos quioscos vendan entre 13 y 31 periódicos
Solución
Ejemplo

Una empaquetadora automática se programa para producir paquetes de

500 g. Un estudio concluye que el peso en gramos de un paquete de la
producción es una variable aleatoria X normal de media 498 g. y varianza
16. Sabemos que producir un gramo de producto cuesta a la empresa
0.05 u.m., mientras que lo vende a 0.09 u.m. Llamemos B a la variable
beneficio de la empresa por paquete vendido.
a) ¿Cuál es la probabilidad de que un paquete presente un peso inferior a
490 g?.
b) ¿Cuál es la probabilidad de que un paquete presente un peso
comprendido entre 480 y 490 gr.?
c) Expresa la relación que existe entre la variable B y la variable X.
¿Cuál es el beneficio promedio realizado por la empresa por paquete?.
d. ¿Cuál es la proporción de paquetes entre la producción para los cuales
la empresa tiene un beneficio mayor de 20 u.m.?
e. ¿Qué beneficio se obtiene como máximo en el 95% de los casos?
Solución
Generación de valores de una variable con distribución normal

Debido a la importancia que tiene la distribución normal en la Estadística, es

útil generar algunos valores de una determinada variable normal para, por
ejemplo, ejemplificar un resultado. Existe varias maneras de simular los
valores de una variables, las cuales se basan en obtener valores de una
uniforme continua entre 0 y 1, pues son equivalentes a los datos por la función
random de una calculadora o computadora. Seguidamente se explicará el
método de simulación basado en el Teorema Central del Límite (TCL).
Ejemplo
 Distribución Exponencial
1:
 Si X~P(λ) y T~Exp(β) ⇒ P(X=0) ≡ P(T>t)
λ: número medio de sucesos porunidad de tiempo)
Relación entre la distribución Exponencial y Distribucion
de Poisson
Ejemplo
Una empresa suministra una serie de componentes con una vida media
de 3000 horas. El riesgo de rotura de los mismos crece a lo largo del
tiempo según una función

y por lo tanto el tiempo de vida de las componentes, X, sigue una

distribución Exp(β).
a. Obtén el valor de β
b. Calcula la probabilidad de que una componente se rompa antes de
llevar 1000 horas de funcionamiento.
c. Si las componentes tienen una garantía de un mes, calcula la
probabilidad de que una componente se rompa estando en garantía. En
un lote de 50 componentes, ¿cuántas se esperan que se devuelvan
estando en garantía?
Solución
a. el valor de β es:

b. la probabilidad de que una componente se rompa antes de llevar

1000 horas de funcionamiento es:

c. Si las componentes tienen una garantía de un mes, calcula la

probabilidad de que una componente se rompa estando en
garantía.

En un lote de 50 componentes, se esperan que se devuelvan

estando en garantía:
Aproximaciones entre distribuciones
Ejemplo
Un cuestionario de opción múltiple contiene 200 preguntas, cada una de
ellas con cuatro respuestas posibles, y de ellas sólo una es la correcta.
¿Cuál es la probabilidad de que por simple conjetura el alumno obtenga
entre 25 y 30 respuestas correctas para 80 de las 200 preguntas cuya
respuesta ignora por completo?.

Solución
Ejemplo
El numero de quejas que se reciben en la oficina de defensa del
consumidor en un día es una v.a. X con distribución de Poisson de
parámetro λ = 25. ¿Cuál es la probabilidad de que en un día se reciban
más de 30 quejas?

Solución
Sea X: v.a. numero de quejas que se reciben en la oficina de defensa del
consumidor en un día
X ~ P (λ = 25)

El valor obtenido es el valor exacto, pero podemos aproximarlo de modo

sencillo utilizando la distribution normal standard:
 Toerema Central del Límite

Ejemplo
Un oleoducto se forma uniendo tuberías cuya longitud varía aleatoriamente
según una distribución de media 10m y varianza 1m2. Calcula la
probabilidad de que uniendo 100 tuberías de manera independiente se
complete un recorrido superior a 1025m.
Solución
 Distribución Gamma

α y β son los parámetros de forma y

de escala

Relación con la distribución Poisson: Sea T~G(α, β) y α entero ⇒

e − βt ( β t ) k
α −1
P(T < t ) = 1 − ∑
k =0 k!
Aplicación
La distribución gamma se emplea por ejemplo, para representar el tiempo
aleatorio de falla de un sistema que falla sólo si de manera exacta los
componentes fallan y la falla de cada componente ocurre a una frecuencia
constante λ = 1/β.
Ejemplo
Supóngase que cierta pieza metálica se romperá después de sufrir dos
ciclos de esfuerzo. Si estos ciclos ocurren de manera independiente a una
frecuencia promedio de dos por cada 100 horas, obtener la probabilidad
de que el intervalo de tiempo se encuentre hasta que ocurre el segundo
ciclo:
a) Menos de 200 horas
b) Dentro de una desviación estándar del tiempo promedio
c) A más de dos desviaciones estándar por encima de la media

Solución
Sea X: v. a. que representa el lapso que transcurre hasta que la pieza
sufre su segundo ciclo de esfuerzo.

Como λ : frecuencia promedio por hora

λ = 2 /100 = 1/50 ⇒ β = 50
 1 1
e −200 / 50 (200 / 50) k
dx = 1 − ∑
200
a) P (X < 200) = ∫ x.e − x / 50
0 Γ(2)50 2
k =0 k!

= 1 – 0.0916 = 0.9084

b) Si µ = 100 y σ = 70.71

P(µ - σ < x < µ + σ) = P(29.29 < X < 170.71)

e −170.71/ 50 (170.71 / 50) k 

1 1
e −29.29 / 50 (29.29 / 50) k 
= 1− ∑ − 1 − ∑ 
k =0 k!  k =0 k! 

= 1 – 0.145239 – (1 – 0.882752) = 0.7375

c) P(X >µ + 2σ) = P(X > 241.42) = 0.0466

Ejemplo
Se elige un punto en el espacio, de forma que sus tres coordenadas sean
variables aleatorias independientes con distribución normal de parámetros
N (0,1). ¿Cuál es la probabilidad de que el cuadrado de las distancia de
dicho punto al origen sea menor de 6.25?

Solución
Ejemplo
Solución

tipificando
Distribución t
Ejemplo
Solución
Ejemplo
Solución
Así, la probabilidad requerida es:
VARIABLES ALEATORIAS CONTINUAS

Relación con Poisson si p ∈Z+

e − βt ( β t ) k
α −1
λ=
1
β
P (T < t ) = 1 − ∑
k =0 k!
VARIABLES ALEATORIAS CONTINUAS ASOCIADAS AL MUESTREO EN
POBLACIONES NORMALES

n1 = n, n2 = m