Distribuciones de probabilidad

continua
6.1) Distribución de probabilidad uniforme
Considere la variable aleatoria x que representa el tiempo de vuelo de un avión que
viaja de Chicago a Nueva York. Supongamos que el tiempo de vuelo puede ser
cualquier valor en el intervalo de 120 minutos a 140 minutos. Debido a que la variable
aleatoria x puede asumir cualquier valor en ese intervalo, x es una variable aleatoria
continua en lugar de discreta. Supongamos que hay suficientes datos de vuelo reales
disponibles para concluir que la probabilidad de un tiempo de vuelo dentro de cualquier
intervalo de 1 minuto es la misma que la probabilidad de un tiempo de vuelo dentro de
cualquier otro intervalo de 1 minuto contenido en el intervalo mayor de 120 a 140
minutos. Dado que cada intervalo de 1 minuto es igualmente probable, se dice que la
variable aleatoria x tiene una distribución de probabilidad uniforme. La función de
densidad de probabilidad, que define la distribución uniforme de la variable aleatoria
del tiempo de vuelo, es

Área como medida de probabilidad

Hagamos una observación sobre la gráfica de la figura 6.2. Considere el área bajo la
gráfica de f(x) en el intervalo de 120 a 130. El área es rectangular y el área de un
rectángulo es simplemente el ancho multiplicado por la altura. Con el ancho del
intervalo igual a 130 − 120 = 10 y la altura igual al valor de la función de densidad de
probabilidad f(x) = 1/20, tenemos área = ancho × alto = 10(1/20) = 10 /20 = .50.
Distribución de probabilidad normal
La distribución de probabilidad más importante para describir una variable aleatoria
continua es la distribución de probabilidad normal. La distribución normal se ha
utilizado en una amplia variedad de aplicaciones prácticas en las que las variables
aleatorias son alturas y pesos de personas, puntuaciones de exámenes, mediciones
científicas, cantidades de lluvia y otros valores similares. También se utiliza
ampliamente en inferencia estadística, que es el tema principal del resto de este libro. En
tales aplicaciones, la distribución normal proporciona una descripción de los resultados
probables obtenidos mediante el muestreo.

Curva normal
La forma de la distribución normal se ilustra mediante la curva normal en forma de
campana de la figura 6.3. A continuación se muestra la función de densidad de
probabilidad que define la curva en forma de campana de la distribución normal.
6.2) Distribución de probabilidad normal estándar
Una variable aleatoria que tiene una distribución normal con una media de cero y una
desviación estándar de uno se dice que tiene una distribución de probabilidad normal
estándar. La letra z se usa comúnmente para designar esta variable aleatoria normal en
particular. La figura 6.5 es la gráfica de la distribución normal estándar. Tiene la misma
apariencia general que otras distribuciones normales, pero con las propiedades
especiales de m = 0 y s = 1.

Al igual que con otras variables aleatorias continuas, los cálculos de probabilidad con
cualquier distribución normal se realizan calculando áreas bajo la gráfica de la función
de densidad de probabilidad. Por tanto, para encontrar la probabilidad de que una
variable aleatoria normal esté dentro de un intervalo específico, debemos calcular el
área bajo la curva normal en ese intervalo. Para la distribución normal estándar, se han
calculado las áreas bajo la curva normal y están disponibles en tablas que pueden usarse
para calcular probabilidades. Esta tabla aparece en las dos páginas interiores de la
portada del texto. La tabla de la página de la izquierda contiene áreas, o probabilidades
acumuladas, para valores de z menores o iguales a la media de cero. La tabla de la
página de la derecha contiene áreas, o probabilidades acumuladas, para valores de z
mayores o iguales a la media de cero.

Calcular probabilidades para cualquier distribución de

probabilidad normal
La razón para analizar tan extensamente la distribución normal estándar es que las
probabilidades de todas las distribuciones normales se calculan utilizando la
distribución normal estándar. Es decir, cuando tenemos una distribución normal con
cualquier media m y cualquier desviación estándar s, respondemos preguntas de
probabilidad sobre la distribución convirtiéndola primero a la distribución normal
estándar. Luego podemos usar la tabla de probabilidad normal estándar y los valores z
apropiados para encontrar las probabilidades deseadas. A continuación se muestra la
fórmula utilizada para convertir cualquier variable aleatoria normal x con media m y
desviación estándar s en la variable aleatoria normal estándar z.

Problema de la empresa Grear Tire

Pasemos ahora a una aplicación de la distribución de probabilidad normal. Supongamos
que Grear Tire Company desarrolló una nueva llanta radial con cinturón de acero para
venderla a través de una cadena nacional de tiendas de descuento. Debido a que el
neumático es un producto nuevo, los gerentes de Grear creen que la garantía de
kilometraje ofrecida con el neumático será un factor importante en la aceptación del
producto. Antes de finalizar la política de garantía de kilometraje de neumáticos, los
gerentes de Grear quieren información de probabilidad sobre x = número de millas que
durarán los neumáticos. A partir de pruebas reales en carretera con los neumáticos, el
grupo de ingeniería de Grear estimó que el kilometraje medio de los neumáticos es m =
36 500 millas y que la desviación estándar es s = 5 000. Además, los datos recopilados
indican que una distribución normal es una suposición razonable. ¿Qué porcentaje de
neumáticos se puede esperar que dure más de 40 000 millas? En otras palabras, ¿cuál es
la probabilidad de que el kilometraje de los neumáticos, x, supere los 40 000? Esta
pregunta puede responderse encontrando el área de la región sombreada de forma
oscura en la Figura 6.6.

6.3) Aproximación normal de probabilidades

binomiales
En la Sección 5.5 presentamos la distribución binomial discreta. Recuerde que un
experimento binomial consta de una secuencia de n ensayos independientes idénticos y
cada ensayo tiene dos resultados posibles, un éxito o un fracaso. La probabilidad de
éxito en una prueba es la misma para todas las pruebas y se denota por p. La variable
aleatoria binomial es el
número de éxitos en los n
ensayos, y las preguntas de
probabilidad se refieren a
la probabilidad de x éxitos
en los n ensayos.
Cuando el número de ensayos aumenta, resulta difícil evaluar la función de probabilidad
binomial manualmente o con una calculadora. En los casos en los que np ≥ 5 y n(1 − p)
≥ 5, la distribución normal proporciona una aproximación fácil de usar de las
probabilidades binomiales. Cuando utilizamos la aproximación normal al binomio,
establecemos m = np y s = Ïnp(1 2 p) en la definición de la curva normal. Ilustremos la
aproximación normal al binomio suponiendo que una empresa en particular tiene un
historial de errores en el 10% de sus facturas. Se tomó una muestra de 100 facturas y
queremos calcular la probabilidad de que 12 facturas contengan errores. Es decir,
queremos encontrar la probabilidad binomial de 12 éxitos en 100 intentos. Al aplicar la
aproximación normal en este caso, establecemos m = np = (100)(.1) = 10 y s = Ïnp(1 2
p) = Ï(100)(.1)(.9) 5 3. A La distribución normal con m = 10 y s = 3 se muestra en la
Figura 6.8.

6.4) Distribución de probabilidad exponencial

La distribución de probabilidad exponencial se puede utilizar para variables aleatorias
como el tiempo entre llegadas a un lavadero de autos, el tiempo necesario para cargar un
camión, la distancia entre defectos importantes en una carretera, etc. A continuación se
presenta la función de densidad de probabilidad exponencial.

Como ejemplo de distribución exponencial, supongamos que x representa el tiempo de

carga de un camión en el muelle de carga de Schips y sigue dicha distribución. Si el
tiempo de carga medio es de 15 minutos (m = 15), la función de densidad de
probabilidad apropiada para x es

Computing Probabilities for the Exponential Distribution

Como ocurre con cualquier distribución de probabilidad continua, el área bajo la curva
correspondiente a un intervalo proporciona la probabilidad de que la variable aleatoria
asuma un valor en ese intervalo. En el ejemplo del muelle de carga de Schips, la
probabilidad de que cargar un camión demore 6 minutos o menos, P(x ≤ 6), se define
como el área bajo la curva en la Figura 6.10 de x = 0 a x = 6. De manera similar, la
probabilidad de que el tiempo de carga sea de 18 minutos o menos, P(x ≤ 18), es el área
bajo la curva de x = 0 a x = 18. Tenga en cuenta también que la probabilidad de que el
tiempo de carga sea de entre 6 minutos y 18 minutos, P(6 ≤ x ≤ 18), viene dado por el
área bajo la curva de x = 6 a x = 18.

Relación entre las distribuciones de Poisson y exponencial En la sección 5.6

presentamos la distribución de Poisson como una distribución de probabilidad discreta
que suele ser útil para examinar el número de ocurrencias de un evento en un intervalo
de tiempo o espacio específico. Recuerde que la función de probabilidad de Poisson es

La distribución de probabilidad exponencial continua está relacionada con la

distribución de Poisson discreta. Si la distribución de Poisson proporciona una
descripción adecuada del número de ocurrencias por intervalo, la distribución
exponencial proporciona una descripción de la duración del intervalo entre ocurrencias.