DISTRIBUCION DE PROBABILIDAD NORMAL

La distribución normal es, con mucho, la más importante de todas las

distribuciones de probabilidad . Es una distribución de variable continua, con
campo de variación]- , [ . Fue Ç descubierta por Gauss al estudiar la
distribución de los errores en las observaciones astronómicas. Debe su
importancia a tres razones fundamentales: Por un lado, un gran número de
fenómenos reales se pueden modelizar con esta distribución (tales el caso de las
características cuantitativas de casi todas las grandes poblaciones). Por otro lado,
muchas de las distribuciones de uso frecuente tienden a aproximarse a la
distribución normal bajo ciertas condiciones; y, por ˙último, en virtud del Teorema
Central del Límite, todas aquellas variables que puedan considerarse causadas
por un gran número de pequeños efectos (como pueden ser los errores de
observación) tienden a distribuirse con una distribución normal. Para comprender
mejor la distribución normal planteemos su descubrimiento, en un pequeño
gráfico. Nos encontramos midiendo la distancia a un astro (d); evidentemente cada
distancia observada no ha de ser es igual a la anteriormente tomada pues
cometemos errores medición, bien por nosotros, bien por lo instrumentos.
Telúricamente un error puede ser tan grande que la distancia observada sea más
infinita, y también teóricamente, menos infinito. Plasmamos en un gráfico, y sobre
un eje, cada observaciones que realizamos (en el grafico un cuadrado). Cuantas
más observaciones realizamos los diversos cuadrados, en conjunto, van tomando
una determinada forma; si nos planteamos calcular la expresión analítica de dicha
forma llegamos a la función de la curva, que tomada como funciona de densidad,
pues posee las características de dicho tipo de funciones, es la de la distribución
normal. Dependiente, como se observa, de dos parámetros: uno, el valor central
de la curva, y, otro, la distancia de dicho valor a los puntos de inflexión (luego
comprobaremos que dichos parámetros son la media y la desviación típica)
(Lejarza & Lejarza ).
EJERCICIOS
DISTRIBUCION DE PROBABILIDAD EXPONENCIAL

La distribución exponencial es el equivalente continuo de la distribución

geométrica discreta. Esta ley de distribución describe procesos en los que:

 Nos interesa saber el tiempo hasta que ocurre determinado evento,

sabiendo que,
 El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello
ocurra en un instante tf, no depende del tiempo transcurrido anteriormente
en el que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

 El tiempo que tarda una partícula radiactiva en desintegrarse. El

conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por
ejemplo, la datación de fósiles o cualquier materia orgánica mediante la
técnica del carbono 14, C14;
 El tiempo que puede transcurrir en un servicio de urgencias, para la llegada
de un paciente;
 En un proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de
dos sucesos consecutivos sigue un modelo probabilístico exponencial. Por
ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida
importante (Berry & Armitage, 1992).

Concretando, si una v.a. continua X distribuida a lo largo de, es tal que su función
de densidad es

se dice que sigue una distribución exponencial de parámetro.

 Figura 5.2.2 Función de densidad.

Un cálculo inmediato nos dice que si x>0,

luego la función de distribución es:

Imagen 5.2.3 Función De Distribución

Figura 5.2.4 Función de distribución, F, calculada como

 el área que deja por debajo de sí la función de
densidad.

Para calcular el valor esperado y la varianza de la distribución

exponencial, obtenemos en primer lugar la función característica

para después, derivando por primera vez

y derivando por segunda vez,

Entonces la varianza vale