DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Distribución Uniforme
Sea X una variable aleatoria continua que toma valores en el intervalo [ a, b ], donde a y b son finitos.
Dicha variable aleatoria está distribuida uniformemente si presenta una función de densidad de probabilidad
constante en el intervalo de definición y es igual al recíproco de la longitud de dicho intervalo.
Es decir que la función de densidad de probabilidad está dada por:

f (x) = 1 / ( b - a ) si a  x  b

donde: x es la variable aleatoria que varía entre a y b.

a y b son los parámetros de la distribución Uniforme.
La expresión matemática anterior se la puede simbolizar x  U ( a, b )
Para calcular la probabilidad de que la variable x se encuentre comprendida entre x 1 y x 2 :
x2 x2
P(x1 x x2)=  1 / ( b - a ) dx = x/(b-a) | = (x2 - x1)/(b-a)
x1 x1

La función de acumulación está dada por:

x
F ( x ) = P ( X  x ) =  f ( x ) dx = ( x - a ) / ( b - a )
a

Ejemplo:
Se elige un punto al azar sobre el segmento [ 0, 2 ] . Calcular la probabilidad de que el punto escogido
quede comprendido entre 1 y 3/2.
f ( x ) = 1/2 si 0  x  2

3/2 3/2
P (1  x  3/2) =  ½ dx = x /2 | = (3/2 - 1)/2 = 1/4 = 0,25
1 1

 Condición de cierre

b b b
 f ( x ) dx =  1 / ( b - a ) dx = x / ( b - a ) | = ( b - a )/( b - a ) = 1
a a a

 Representación gráfica 5

f (x) 4

1/( b - a) 3

2
1
1

0
-1 0 1 2 3 4 5
a b
Esperanza matemática
b b
E ( x ) =  x . 1/( b - a ) dx = ½ x /( b - a ) | = ½ ( b2 - a2 )/( b - a ) = ( b + a )/2
2

a a

Luego E ( x ) = ( a + b )/2

 Variancia

V ( x ) = ´2 -  2 = E ( x 2 ) - E2 ( x )

b b
E ( x2 ) =  x2 . 1 / ( b - a ) dx = 1/3 x3/( b - a ) | = 1/3 .( b3 - a 3 )/( b - a ) =
a a

= 1/3. ( b - a ) . ( b2 + a b + a2 ) /( b - a ) = ( a2 + a b + b2 ) / 3

Luego:

V ( x ) = ( a2 + a b + b2 )/3 - [ ( a + b )/2 ] 2 = ( a2 + a b + b2 )/3 - ( a2 + 2 a b + b2 )/4 =

= ( 4 a2 + 4 a b + 4 b2 - 3 a2 - 3 b2 - 6 a b)/12 = ( a2 - 2 a b + b2 )/12 =

= ( a - b )2/12 = ( b - a ) 2/12
___
de donde el desvío standard es :  = ( b - a ) /  12

Distribución Normal (Gauss - Laplace)

Sea x una variable aleatoria que puede tomar cualquier valor real, es decir: -  < x < . Entonces x
tiene una distribución Normal si presenta la siguiente función de densidad de probabilidad:

x -  2
1 - ½ ( ------ )
f ( x ) = ----------- e 

___
 (2) 

Donde: x es una v.a.cta. que varía entre -  e .

2,  y e son constantes fijas
 y  son los parámetros
Para expresar esta distribución se indica: x ~ N ( ,  2)
También se la denomina Distribución Normal General.

2
 Representación gráfica

La distribución Normal, es una función exponencial decreciente a partir de x = , por lo que presenta
el siguiente gráfico, el cual se denomina campana de Gauss:

Distribución Normal

0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4

-+

para el cual la función Normal verifica las siguientes características:

a) es simétrica respecto al eje x = 

f ( - x ) = f ( + x )

b) es asintótica respecto al eje x (y = 0)

lím f(x) =0
x

c) presenta un máximo en x = 
___
El máximo de la función está en el punto de abscisa x =  y de ordenada f ( ) = 1/2 

d) presenta dos puntos de inflexión en x =  ± 

Los puntos de inflexión de la función están en los puntos de abscisa x = ±  y de ordenada

_____
f ( ±  ) = 1 /  2  e 

e) Un cambio en el valor de  (manteniendo constante el valor de  ) produce una traslación de la curva a la

izquierda o a la derecha.

f) Un cambio en el valor de  (manteniendo constante el valor de ) produce una rotación de la función,

haciéndola más o menos apuntalada.
3
 Condición de cierre

La integral definida en todo el campo de variación, en este caso integral impropia ( por ser los
extremos inferior y superior -  e  respectivamente ) es igual a uno. Es decir:
+
 f ( x ) dx = 1
-

 Normal Standard

La probabilidad de que la v.a. X se encuentre entre x1 y x2 está dada por:

x2
P ( x 1  x  x2 ) =  f (x) dx (1)
x1

Gráficamente:

Distribución Normal

0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4

 x1 x2

Haciendo la siguiente sustitución (cambio de variable) :

z = (x - )/ donde : -  < z < 

se obtiene una nueva variable (z) denominada Normal Standard ( ó estandarizada), la cual presenta las
siguientes características:

E (z) = E [ ( x -  )/ ] = 1/ . E ( x -  ) = 1/ . [ E(x) -  ] = 0

V (z) = V [ ( x - )/ ] = 1/ 2 . V ( x -  ) = 1/ 2 . V(x) = 1

y la función de densidad estará dada por:

1 - z2/2
f ( z ) = -------------- . e la cual se simboliza z ~ N ( 0, 1 ) y se denomina Normal Standard.
 ( 2 )

4
Gráficamente:

Distribución Normal Standard

0,016

0,014

0,012

0,010

0,008

0,006

0,004

0,002

0,000
-4 -3,4 -2,9 -2,3 -1,8 -1,2 -0,6 -0,1 0,48 1,04 1,6 2,16 2,72 3,28 3,84

Esta distribución es simétrica respecto a z = 0, es asintótica respecto al eje z , tiene un máximo en z

= 0 y dos puntos de inflexión en z = ± 1, el coeficiente de asimetría es igual a 0 y el de curtosis es igual a 3.

La probabilidad de que la variable aleatoria z se encuentre entre z1 y z2 está dada por:

z2
P ( z1  z  z2 ) =  f (z) dz (2)
z1

Gráficamente:
Distribución Normal Standard

0,016
0,014
0,012
0,010
0,008
0,006
0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4

0 z1 z2

Aunque los gráficos de f (x) y f (z) son coincidentes sólo cuando  = 0 y  = 1, las áreas son
proporcionales, por lo que el cálculo de probabilidades establecido en (1) es igual al de (2). Es decir:
5
 P ( x1  x  x2 ) = P ( z1  z  z2 )

 Función de acumulación

x
F(x)=  f ( x ) dx
-

Gráficamente:

Función de distribución

1,00
0,80
0,60
0,40
0,20
0,00
-4 -3,4 -2,8 -2,2 -1,6 -1 -0,4 0,2 0,8 1,4 2 2,6 3,2 3,8

 Función generatriz de momentos

Sea y = (x - ) /   y ~ N ( 0, 1 )

- y2/2
donde f (y) = : ( 2 ) .e - < y < 

Luego:
+ yt - y2/2
y ( t ) = E ( e yt
) = : ( 2 )  e . e dy =
-
t2/2
Dividiendo y multiplicando por e

+ yt - y2/2 - t2/2 t2/2 t2/2 + - ( y – t)2/2

 y ( t ) =  ( 2 )  e . e . e . e dy = e  ( 2 )  e dy =
-       -

Sustituyendo: z = y – t dz = dy

t2/2 + - z2/2 t2/2

 y ( t ) = e  ( 2 )  e dz = e (Por condición de cierre)
-

De donde:
6
 t2/2
Si z = ( x - )/  z(t)= e es la fgm de la Normal Standard

Por propiedad de fgm: :

Si z = ( x - )/ entonces x = z  + 

t 2t2/2
luego  x ( t ) =  z + ( t ) = z ( t ) . e t = e .z
t ( t ) = e . e

t + 2t2/2
x(t)=e es la fgm de la Normal General

 Esperanza matemática

Partiendo de la fgm de la Función Normal Standard:

t2/2
E ( z ) = ´z ( t ) | = e .t | = 0
t=0 t=0

Como x = z  +   E ( x ) = E (z  + ) = E(z) .  +  = 0 +  = 

 Variancia

Partiendo de la fgm de la función normal estandarizada:

t2/2 t2/2
E ( z ) = ´´z ( t ) | =
2 2
e . t + e | = 1
t=0 t=0

Luego V ( z ) = E ( z2 ) - E2 (z) = 1 - 0 = 1

De donde: V ( x ) = V ( z  + ) = x = 2 . V ( z ) = 2

Ejemplo:
Por resultados de exámenes anteriores, se supone que la nota de esta materia se distribuye normalmente
con un promedio de 5 puntos y una dispersión de 1 punto.

a) Calcular la probabilidad de que en el próximo examen un alumno apruebe.

X = nota de Probabilidad
 = 5 puntos  = 1 punto x ~ N (,  )

a) P ( x  4 ) = P(z -1) donde z = ( x -  )/ = ( x - 5 )/1 = x - 5

7
 0,016
0,014
0,012
0,010
P (x  4 ) = 0,84134 0,008
0,006
0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4
4 5 x
-1 0 z

b) Determinar qué porcentaje de alumnos obtendrán entre 6 y 8 puntos.

0,016
0,014
P(6  x 8)= 0,012
0,010
=P(1 z 3) 0,008
0,006
= 0,15731 0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4

5 6 8 x
0 1 3 z

c) Si se presentan 50 alumnos en el próximo examen, ¿cuántos de ellos obtendrán al menos 6 puntos?.

50. P ( x  6 ) = 0,016
0,014
= 50 . P ( z  1 ) 0,012
0,010
= 50 . 0,15866
0,008
0,006
= 8 alumnos
0,004
0,002
0,000 8
-4

0,32
1,04
1,76
2,48

3,92
3,2
-3,3
-2,6
-1,8
-1,1
-0,4

5 6 x
0 1 <
d) ¿Cuál es la nota a partir de la cual se espera se encuentre el 60% de los alumnos de mayor puntaje?.

P ( x  x0 ) = 0,60

 P ( z  z0 ) = 0,60 0,016
0,014
 z0 = - 0,25
0,012
0,010
0,008
Si z = ( x -  )/
 0,006
 x=z.+ 0,004
0,002
x0 = - 0,25 . 1 + 5 0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4
xo 5 x
= 4,75 puntos zo 0 z

e) La profesora decide promocionar al 5% de los alumnos que obtengan las mejores notas. ¿Cuál es la nota
de promoción?.

P ( x  x0 ) = P ( z  z0 ) = 0,05

 z0 = 1,64 0,016
0,014
 x0 = 1,64 . 1 + 5 0,012
0,010
= 6,64 puntos
0,008
= 7 puntos 0,006
0,004
0,002
0,000
-4

3,2
0,32
1,04
1,76
2,48

3,92
-3,3
-2,6
-1,8
-1,1
-0,4

5 xo x
0 zo z

 Aproximación a la distribución Binomial

Sea x una v.a. distribuida según una binomial con media E(x) = np y V(x) = npq
Si se verifican las siguientes condiciones:
 El número de observaciones es muy grande ( n   ) . En la práctica n  20.
 La probabilidad elemental p tiende a q ( p  q ) . En la práctica 0,4  p  0,6.
Entonces se puede aproximar mediante la distribución Normal

9
 ___
donde z = ( x - np ) / npq

n
Para demostrar esta aproximación, se parte de P ( x) = x p x q n – x y se aplica límite cuando n  .

A fin de ello, se necesita aplicar la fórmula de Stirling, que presenta una aproximación muy conocida de
n!, que establece que para un n muy grande:
____
n !   2  e –n . n n+1/2
____
en el supuesto que: lim n! /  2  e –n . n n+1/2 = 1
n

Ejemplo:
Una moneda se lanza al aire 50 veces. Calcular la probabilidad de obtener a lo sumo 20 caras.
X = número de caras
n = 50 p=½ q=½
x ~ Bi ( n = 50 ; p = ½ )

20 50
P ( x  20 ) =  x ( ½ )x ( ½ ) 50 - x = 0,1013  10 %
x=0

Aproximando mediante la distribución Normal:

P (x  20) = P ( x < 20,5 ) (Corrección por continuidad)

= P ( z < 1,27 ) = Donde z = ( x - 25 ) /  12.5

= 0,10202  10 %

 Aproximación a la distribución de Poisson

Sea x una v.a. distribuida según Poisson con E(x) = V(x) = 

Si se verifica que el número medio de veces que aparece el suceso es muy grande,   (En la práctica
  20) , entonces se puede aproximar mediante la distribución Normal
__
donde z=(x-)/

Ejemplo:
La probabilidad de que se produzca un accidente aéreo es de 0,004. Si en un año se realizan 10.000 vuelos,
calcular la probabilidad de que se produzcan menos de 30 accidentes.
X = número de accidentes anuales
n = 10.000 p = 0,004

10
x ~ Bi ( n = 10.000 ; p = 0,004)

29 10000
P ( x < 30 ) =  x ( 0,004 ) x ( 0,996) 10000 -x

x=0

Como n   y p0   = 10000. 0,004 = 40

x ~ Po (  )

29
P ( x < 30) =  e - 40 . 40x / x!
x=0

Aproximando mediante la distribución Normal:

P ( x < 30 ) = P ( x < 29,5 ) (Corrección por continuidad)

= P ( z < - 1,66 ) = Donde z = ( x - 40 ) /  40

= 0,048  5 %

 Aproximación a la distribución de Pascal

Sea x una v.a. distribuida según Pascal con E(x) = k/p y V(x) = kq/p2
Si se verifica que k es muy grande, k  (En la práctica k  20) , entonces se puede aproximar mediante
la distribución Normal
___
donde z = ( x – k/p ) /( kq / p )

Ejemplo:
Encontrar un valor aproximado de la probabilidad de que se necesiten 150 ó menos ensayos independientes
para obtener 48 éxitos cuando la probabilidad elemental es 0.25.
X= número de ensayos independientes
K = 48
P = 0.25
Luego: x  Pa(k = 48, p = 0.25)
Donde E(x) = k/p = 48/0.25 = 192
V(x) = kq/p2 = 48.0.75/ (0.25) 2 = 576

Aproximando mediante la distribución Normal:

P ( x  150 ) = P ( x < 150.5 ) (Corrección por continuidad)

= P ( z < - 1,75 ) = Donde z = ( x - 192 ) /  576

= 0,0418  4 %

11
Distribución Exponencial Negativa
Dada una variable aleatoria continua x no negativa ( x  0 ), que presenta la siguiente función de
densidad de probabilidad:

f ( x) = k. e - k x con x  0 y k>0

entonces x presenta una distribución Exponencial Negativa, la cual se simboliza:

x ~ Exp ( k ) donde k es el parámetro de la distribución.

La representación gráfica para k = 2 es la siguiente:

2
f(x )
1.5

0.5

0
0 1 2 3 4 5 6 7
x

 Condición de cierre

+ + +
 f ( x ) dx =  k . e -kx dx = - e -kx
| = - e - + e -0 = 1
0 0 0

 Función de acumulación

x x x
F ( x ) =  f ( x ) dx =  k . e -kx
dx = - e -kx
| = - e -kx + e -0 = 1 - e -kx
0 0 0

 Función generatriz de momentos

+ + +
x ( t ) = E ( e xt
) =  ext k e -kx
dx =  k . e - k x + x t dx = k  e - x(k-t )
dx =
0 0 0
+
= - k / ( k - t ) e -x(k -t)
| = k/(k-t)
0

12
 Esperanza matemática

Teniendo en cuenta que la esperanza matemática está dada por el momento natural de primer
orden, se la puede obtener derivando la f.g.m. con respecto a t y valorizando en t = 0.

E ( x ) = ´1 = ´x ( t = 0 )

´x ( t ) = - k . ( - 1 ) / ( k - t )2 | = 1 / k
t=0

E(x)=1/k

 Variancia

Teniendo en cuenta que la variancia está dada por el momento centrado de segundo orden y que
éste es igual al momento natural de segundo orden menos el cuadrado de la esperanza matemática, se la
puede obtener a través de la fgm.

V ( x ) = 2 = ´2 -  2

´2 = ´´x ( t = 0 )

´´x ( t ) = d/dt [ k . ( k - t ) -2 ] | = 2 k ( k - t ) -3 | = 2 / k 2
t=0 t=0

V(x)=2/k2 -1/k2 = 1/k2

El desvío standard es: =1/k

Ejemplo:
Suponiendo que la esperanza de vida de los varones es de 68 años, calcular la probabilidad de que un
recién nacido varón supere los 70 años de vida.

X = años de vida de un varón

E ( x ) = 68 = 1 / k  k = 1 / 68

x ~ Exp ( k = 1 / 68 )
+ +
P ( x > 70 ) = 1 / 68 .  e - x / 68
dx = - e -x / 68
| = e -70/68 = 0,357
70 70

13
 Relación con Poisson

Se considera un Proceso de Poisson en el cual P ( t ) =  t con  t  0 y donde  es

el número medio de ocurrencias por intervalo infinitésimo de tiempo,
Bajo estas hipótesis, el número de ocurrencias durante el intervalo de tiempo (0,t) es una v.a. con
una distribución de Poisson de parámetro ( t) , que presenta la siguiente fdp.:

P ( x ) = e -  t . ( t ) x / x! donde x = 0, 1, 2, . . . .

El tiempo de espera hasta que ocurra por primera vez el suceso será:

f ( t ) dt = [ 1 - F ( t ) ] .  dt (Que hasta t no haya ocurrido y que ocurra en el siguiente intervalo)

Como: F´ ( t ) = f ( t )
luego: F´ ( t ) dt = [ 1 - F ( t ) ] .  dt
de donde: F´ ( t ) / [ 1 - F ( t ) ] dt =  dt
Integrando ambos miembros:  F´ ( t ) / [ 1 - F ( t ) ] dt =   dt
De donde : - ln [ 1 - F ( t ) ] =  t + c
-t
Luego: 1- F(t) = e ec
Por lo tanto : F ( t ) = 1 - e - t
ec para t  0

Si t = 0 , F(0) = P(t<0)= 1-ec=0  ec=1

Luego se tiene que:

F(t)=P(Tt)= 1 - e - t
si t  0
0 si t < 0

De donde
F´ ( t ) = f ( t ) =  e - t

es decir t ~ Exp ( )

Ejemplos:
1) El número de partículas x emitidas en t horas por una fuente radioactiva tiene una distribución de
Poisson con parámetro 30. Sea la variable T el número de horas hasta la primera emisión.

14
¿ Cuál es la probabilidad de que el tiempo entre emisiones sucesivas:
a) sea mayor a 5 minutos. b) sea superior a 10 minutos. c) sea menor a 30 segundos.
x = número de partículas emitidas en t horas.

= 30 / 1 . t = 30 t
P ( x ) = e -30 t . ( 30 t ) x / x! con x  0

T = número de horas hasta la primera emisión

f ( T ) = 30. e -30 T con T > 0

a) P ( t > 5/60 ) = 1 - P ( t  5/60 ) = e - 30 . 5/60 = 0,08208

b) P ( t > 10/60 ) = e - 30 . 10/60 = 0,0067

c) P ( t < 30/3600 ) = 1 - e - 30 . 30/3600 = 0,2212

2) Se sabe que el número de accidentes en una fábrica sigue un proceso de Poisson con un promedio de 2
accidentes durante una semana. Calcular la probabilidad de:
a) que haya 4 accidentes en una semana.
b) que el tiempo entre un accidente y otro sea superior a 3 días.

a) x = número de accidentes por semana

P ( x = 4 ) = e - ( 2/7 .7) . ( 2/7 . 7 ) 4 / 4! = 0,0902

b) t = tiempo en días hasta el primer accidente

P ( t > 3 ) = e - ( 2/7 . 3 ) = 0,4244

15