ASIGNATURA : METODOS ESTADISTICOS

CICLO : III
SEMESTRE ACADEMICO : 2022-1
 UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA FACULTAD DE CIENCIAS DE LA SALUD
ESCUELA PROFESIONAL DE MEDICINA HUMANA
“Dr. Wilfredo Erwin Gardini Tuesta”

ACREDITADA POR SINEACE

RE ACREDITADA INTERNACIONALMENTE POR RIEV

DISTRIBUCIONES CONTINUAS IMPORTANTES: UNIFORME;

EXPONENCIAL Y NORMAL. CARACTERÍSTICAS

DOCENTE RESPONSABLE DE LA ASIGNATURA

 VERA NUÑEZ, GRISELDA GLADYS
 COMPETENCIA

CONCEPTUAL PROCEDIMENTAL ACTITUDINAL

Distribuciones continuas Procesa e interpreta

importantes: Distribución Participa con interés y las probabilidades de
uniforme, exponencial,
normal. Esperanzas, colabora en grupo. distribución continua
varianzas, y proporciones Excel
respectivas.

ESTRATEGIAS DIDACTICAS

Lectura y debate. Videos en

formato remoto
 Distribución Uniforme

Definición: Se dice que la variable aleatoria X tiene distribución uniforme

con parámetros α y β (α < β) reales, si su función de densidad es dada por:

 1
 , si   x  
f ( x)     

 0, en otro caso
 Distribución Uniforme

Definición: Se dice que la variable aleatoria X tiene distribución uniforme con

parámetros α y β (α < β) reales, si su función de densidad es dada por:
 1
 , si   x  
f ( x)     
 0, en otro caso
La función de distribución uniforme acumulada de la variable aleatoria X es
dado por

 0 , si x  
x
 x  
F ( x)  P( X  x)   f (t )dt  , si   x  
   

 1 , si x  
 Distribución Uniforme

Teorema. Si X es una variable aleatoria continua con distribución uniforme

en [α, β], entonces

i.
 
E( X ) 
2

(   )2
ii. V (X ) 
12

e  t  et
iii. M x (t ) 
(    )t
 Distribución Uniforme

• Ejemplo 1:
Un punto es escogido al azar en el intervalo [0, 2]. ¿Cuál es la
probabilidad de que el punto escogido esté entre 1 y 3/2?.

Solución:

Sea X la coordenada del punto escogido en [0, 2].

 Distribución Uniforme

• Ejemplo 1: Solución

Entonces la función de densidad de X es dada por

 1
 , si 0  x  2
f (x)   2

 0, en otro caso

Por tanto,
3/ 2 1 1
P[1  X  3 / 2]   dx 
1 2 4
 Distribución Uniforme

• Ejemplo 2:
Los ómnibus llegan a un paradero específico en intervalos de 15 minutos
comenzando a las 7:00 a.m. Esto es, los ómnibus llegan al paradero a las 7:00,
7:15, 7:30, 7:45 y así sucesivamente. Si un pasajero llega al paradero en un
tiempo que está uniformemente distribuido entre 7:00 y 7:30; encuentre la
probabilidad de que el pasajero espera
a. menos de 5 minutos por un ómnibus
b. más de 10 minutos por un ómnibus

Solución:
Sea X la v. a. que denota el número de minutos después de las 7:00 a.m. en
que el pasajero llega al paradero.
 Distribución Uniforme

• Ejemplo 2: Solución

Luego X tiene distribución uniforme en [0, 30], y su función de densidad es

 1
 , si 0  x  30
f (x)   30

 0, en otro caso

a. El pasajero espera menos de 5 minutos, cuando él llega entre las 7:10

y 7:15 ó entre 7:25 y 7:30. Luego, la probabilidad pedida es
1
15 30 1 1
P[10  X  15]  P[25  X  30]   dx   dx 
10 30 25 30 3
 Distribución Uniforme

• Ejemplo 2: Solución

b. Similarmente, el pasajero tiene que esperar más de 10 minutos si él llega

al paradero entre 7:00 y 7:05 ó entre 7:15 y 7:20. Así la probabilidad
pedida es

5 1 20 1 1
P[0  X  5]  P[15  X  20]   dx   dx 
0 30 15 30 3
 Distribución Exponencial

Definición: Se dice que la variable aleatoria X tiene distribución

exponencial con parámetros β > 0, si su función de densidad es dada
por:

e  x , si x  0
f ( x)  
 0, si x  0
 Distribución Exponencial

Definición: Se dice que la variable aleatoria X tiene distribución exponencial con

parámetros β > 0, si su función de densidad es dada por:

e  x , si x  0
f ( x)  
 0, si x  0

La función de distribución acumulada de la variable aleatoria X es dado por

x
 0 , si x  0
F ( x)  P( X  x)   f (t )dt  -x
0 1 - e , si x  0
 Distribución Exponencial

Teorema. Si X es una variable aleatoria continua con distribución exponencial

con parámetro β>0, entonces

1
i. E( X ) 


1
ii. V (X ) 
2


iii. M x (t )  , si t  
(  t )
 Distribución Exponencial

• Ejemplo 3:
Suponga que la vida de cierto tipo de tubos electrónicos tiene una
distribución exponencial con vida media de 500 horas. Si X representa la vida
de un tubo (el tiempo que dura).
a. Hallar la probabilidad que se queme antes de las 300 horas?
b. ¿Cuál es la probabilidad que dure por lo menos 300 horas?
c. Si un tubo particular ha durado 300 horas. ¿Cuál es la probabilidad de que
dure otras 400 horas?

Solución:
Sabemos que μ =E(X) = 1/ β = 500, de donde β = 1/500.
 Distribución Exponencial

• Ejemplo 3: Solución

La función de densidad f(x) y la función de distribución F(x) de la variable

aleatoria X es,
 1  500
x

f ( x)   500 e , x  0

0 , x 0

 0 , x0
F ( x)   - x/500
1 - e , x0
 Distribución Exponencial

• Ejemplo 3: Solución:

a. P[X < 300] = P[X 300] = F(300) = 1-e-300/500 = 1 - e-3/5

b. P[X > 300] = 1- P[X 300] = F(300) = 1-[1 - e-300/500] = e-3/5

c. P[X ≥ 700 / X > 300] = P[X ≥ 700]/P[X>300]

e 7 / 5
 3 / 5  e  4 / 5
e
 Distribución Exponencial

• Ejemplo 4:
El tiempo de vida (en horas) de un transistor es una v. a. T con función de
densidad
 1  500
1
t
 , t0
f (t )   500 e
 0 , t 0

Hallar la probabilidad de que su tiempo de vida sea mayor que su media

Solución:
Se tiene que E(X) = 1/β = 500.
 Distribución Exponencial

• Ejemplo 4: Solución

Por tanto,
v
 1  
t

P[T  500 ]   f (t )dt  lim  500 e 
500
500 500 v    500

1  
v
1
 1
P[T  500 ]    500
  
500 lim
500 e 500 e e
v   
 Distribución Normal

Definición 1: Se dice que la variable aleatoria X tiene distribución normal con media  y
varianza 2, se denota como: X  N (; 2 ) , si su función de densidad es dada
por:
( x u ) 2
1  1  ( x  u)2 
f ( x)  2
 . exp  ,  x 
2

2 
.e
 2  2  2 

donde:
   u   y 0   2  

x ( x u ) 2
1 
F ( x)   2 .e 2 2
dx ,   0, x  
 Distribución Normal
N(μ, σ): Interpretación probabilista

Entre la media y una desviación

típica tenemos siempre la misma
probabilidad: aprox. 68%

Entre la media y dos desviaciones

típicas aprox. 95%
 Distribución Normal

Teorema 1. Si X es una variable aleatoria continua con

distribución normal con parámetro μ y σ2, entonces

i. E (X )  

ii. V (X )   2

 1 
iii. M x (t )  E (etx )  exp t   2t 2 
 2 
 Distribución Normal

Propiedades de la Curva Normal:

1) lim f ( x)  lim f ( x)  0
x   x  

2) f(x) tiene puntos de inflexión en x=μ-σ y x=μ+σ

3) f(x) es simétrico con respecto al punto x=μ , esto es:
fμ+x) =f(μ-x), para todo xε R
Así, el 50% del área bajo la curva normal esta a la derecha de la media y el
50% esta a la izquierda.
4) f(x) alcanza su valor máximo en x=μ , y su valor máximo es: f (u ) 
1
2

5) Para μ fijo, el achatamiento de la curva normal esta directamente ligado al

valor de σ2.
 Distribución Normal

• Teorema 2. Si X ~ N(μ, σ2) y si Y = aX + b, donde a y b son constantes

dadas con a ≠ 0, entonces Y ~ N(aμ+b, a2σ2) .

Esto es
- E(Y) = E(aX+b) = aE(X) + b = a μ + b

- V(Y) = V(aX+b) = a2 V(X) = a2σ2

 Distribución Normal Estándar

Definición 2: La distribución normal con media =0 y varianza 2=1, se

distribución normal estándar. La función de densidad de la distribución
normal estándar usualmente se denota por el símbolo  y la de su
distribución acumulada por .
Esto se denota como:
1
1  z2
 ( z)  .e 2
, z  
2
z
( z )  PZ  z     (u )du, z  

 Distribución Normal Estándar

• Teorema 3. Si X es una v.a. con distribución normal con media μ y varianza σ2

(X~N (μ, σ2)) , Entonces

X 
Z

es una variable aleatoria con distribución normal estándar,

Z~ N (0, 1)
 Distribución Normal Estándar

Observación 1: Del teorema 1 de la distribución normal se tiene que, si X ~

N(, 2), entonces la variable aleatoria dada por

X 
Z


tiene distribución N(0,1), esto es, la variable aleatoria Z tiene

distribución normal con media 0 y varianza 1, denominada distribución
normal estándar.

Este tipo de procedimientos se denomina la estandarización de la v.a. Z.

 Distribución Normal Estándar

Observación 2: Si X ~ N(, 2), entonces

p  P[a  X  b]  P[ X  b]  P[ X  a]

X  b X  a
p  P[a  X  b]  P[  ]  P[  ]
   
 Distribución Normal Estándar
Uso de tabla normal estándar:

En la tabla de probabilidades normal estándar se puede encontrar la

probabilidad 1-α dado el valor :

Z(1-α) (o recíprocamente)

mediante la relación:

P[ Z  z1 ]  ( z1 )  1  
 Distribución Normal Estándar
Uso de Tabla de Distribución Normal Estándar:

Conocida los valores de la media y la varianza de una variable aleatoria X con

distribución normal, es sólo cuestión de cálculo para encontrar
probabilidades tales como:
a. b
P[ X  b]  1  P[ X  b]  1  [ ]


b. X  b b b

P[ X  b]  P[  ]  P[ Z  ]  [ ]
   

c. a X  b a b

P[a  X  b]  P[   ]  P[ Z  ]
    
b a
 [ ]  [ ]
 
 Distribución Normal Estándar

Ejemplo 5: Si Z N(0,1), encuentre:

P[Z  1.28] =

P[0.81  Z  1.94] =

P[Z  -2.17] =

P[-0.46  Z  2.21] =
 Distribución Normal Estándar

• Ejemplos 5: Solución:

1. Si Z ~ N (0,1) , obtener:

a. P[Z  1.28] = 0.8997

b. P[0.81 Z 1.94] = Φ(1.94)-Φ(0.81) = 0.1828

c. P[Z  -2.17] = 1 - Φ(2.17) = 0.015

d. P[-0.46  Z  2.21] = Φ(2.21) – (1-Φ(0.46)) = 0.6636

 Distribución Normal Estándar

• Ejemplos 6:

2. Si Z N(0,1), encuentre:

a. P[Z  z] = 0.862, implica z=1.09

b. P[-z  Z  z] = 0.950, implica P[Z  z] = 0.975, z=1.96

c. P[-z  Z  z] = 0.990, implica P[Z  z] = 0.995, de aquí se resuelve

mediante interpolación. z = 2.575.
DESARROLLAR
LA PRACTICA 5