Distribuciones de Probabilidad

Continua

6-1
 Problemática
 Los gerentes de producción de Honda están interesados en
controlar el tiempo entre las salidas de dos autos consecutivos de
la línea de ensamblaje. La planta está diseñada para producir un
auto cada 55 segundos, se desea determinar la probabilidad que el
tiempo de salida entre vehículos exceda los 60 segundos.

 Una compañía farmacéutica está interesada en la probabilidad que

una nueva droga reduzca la presión sanguínea en más de 20
puntos en los pacientes.

 Una compañía de venta de cereales desea estimar la probabilidad

que las cajas de 16 onzas, verdaderamente contengan al menos
esa cantidad.

6-2
 Distribuciones de Probabilidad Continuas

 En los tres casos mostrados, el valor de la variable de interés se

determina a través de una medida, en esencia, continua. La
limitación de la continuidad solo está dada por la precisión del
aparato de medición.

 En estas situaciones se debe emplear distribuciones de

probabilidad continuas para describir el comportamiento de la
variable de interés.

 Se presentan tres distribuciones de probabilidad continuas: la

normal, la uniforme y la exponencial.

6-3
 Distribuciones de Probabilidad
Distribuciones Discretas Distribuciones continuas

 Variable aleatoria determinada  Variable aleatoria determinada

por conteo. por medición.

 x = 0, 1, 2, 3…  x pertenece a un intervalo de
valores continuo.

 P(x=5) > 0 si x=5 puede  P(x=a) = 0, para todo a

ocurrir Se considera P(x>a), P(x<a),
P(x≥a), P(x≤a).

 Curso: Binomial, Poisson, HG  Curso: Normal, uniforme, exp.

6-4
 Objetivos

 Convertir valores de cualquier distribución normal a

valores estandarizados (valores z).
 Encontrar probabilidades usando la tabla de
distribución normal estándar.
 Aplicar la distribución normal a problemas de
negocios.
 Distribución uniforme.
 Reconocer cuándo aplicar la distribución uniforme y
la exponencial.

6-5
 Distribuciones de Probabilidad
Continua
 Una variable aleatoria continua es una variable
que puede tomar cualquier valor de un
intervalo (puede tomar un número incontable
de valores)
 Grosor de un artículo.
 Tiempo requerido para completar una tarea.

 Potencialmente puede tomar cualquier valor,

dependiendo solamente de la habilidad para
medir con precisión.

6-6
 Tipos de Distribuciones
Continuas

 Tres tipos
 Normal
 Uniforme
 Exponencial

La probabilidad es determinada para un RANGO

de valores más que para un valor individual.

6-7
 Distribución Normal
 La distribución continua más importante.

 Su importancia está dada por el gran número de procesos,

artificiales y naturales, que generan variables aleatorias que se
comportan según esta distribución.

6-8
 Distribución Normal

 ‘Tiene forma de campana’

 Es simétrica
f(x)
 Media=Mediana=Moda

El centro está determinado por

la media, μ σ
x
La dispersión está determinada μ
por la desviación estándar, σ

La variable aleatoria tiene un Media

rango teórico infinito: Mediana
<-  , + > Moda

6-9
 Distribuciones Normales

A través de la variación de los parámetros μ y σ,

se obtiene diferentes distribuciones normales

6-10
Forma de la Distribución Normal

Cambiando μ la
f(x)
distribución se mueve a
la izquierda o derecha..

Cambiando σ la
σ dispersión
crece o decrece

μ x

6-11
 Distribución Normal


6-12
Encontrando Probabilidades
Normales
La probabilidad está determinada por el
área bajo la curva
f(x) P (a  x  b)

a b x

6-13
 Probabilidad como Área Bajo la
Curva
El área total bajo la curva es 1.0 y la curva es
simétrica, entonces la mitad del área está arriba de la
media y la otra abajo:
f(x) P (    x  μ )  0 . 5 P ( μ  x   )  0 .5

0.5 0.5

μ x
P (    x   )  1 .0
6-14
 Distribución Normal Estándar
 También conocida como “Distribución Z”
 Media es 0
 Desviación Estándar es 1

f(z)

1
z
0
Valores arriba de la media son valores z positivos
Valores abajo de la media son valores z negativos
6-15
 Conversión a la Distribución
Normal Estándar
 Una distribución normal (con cualquier
combinación de media y desviación estándar)
puede ser transformada a la distribución
normal estándar (distribución z).

 Se necesita transformar x a z, donde x es

cualquier punto de interés.

 Se puede usar el valor z para determinar

probabilidades.

6-16
 Conversión a la Distribución
Normal Estándar (continuación)
 La conversión de x al valor z (Distribución Normal
Estándar, Distribución Z) consiste en sustraer la
media a x y dividirla por su desviación estándar:

x μ
z
σ
z es el número de desviaciones estándar en que x
difiere de la media

6-17
 Ejemplo

 Si x tiene distribución normal con media de

100 y desviación estándar de 50, el valor z
para x = 250 es:

x  μ 250  100
z   3 .0
σ 50
 Es decir, x=250 está a tres desviaciones
estándar arriba de la media (3 incrementos de
50 unidades).

6-18
 Comparando las unidades
de “x” y “z”

μ = 100
σ = 50

100 250 x
0 3.0 z
Los problemas se pueden expresar en unidades
originales (x) o en unidades estandarizadas (z)

6-19
 Tabla de la Distribución
Normal Estándar
 Da la probabilidad de la media (cero) hacia
un valor z deseado (arriba de la media)

0.4772
Ejemplo:
P(0 < z < 2.00) = 0.4772

0 2.00 z

6-20
 Tabla de la Distribución
Normal Estándar (continuación)
 La Tabla de la Distribución Normal Estándar da
la probabilidad entre la media y un valor z
deseado (arriba de la media).

 El número asociado al valor z refiere al área

entre la media y el valor +z

 Desde que la distribución es simétrica, esta

tabla solamente solo presenta probabilidades
para la mitad de la distribución.
6-21
 Tabla de la Distribución
Normal Estándar (continuación)
Las columnas dan el segundo
decimal del valor z
z 0.00 0.01 0.02 …

0.1
Las filas
muestran el 0.2
. El valor dentro de la
valor z con su .
primer decimal . tabla da la probabilidad
2.0 .4772 de z = 0 a un valor z
deseado
P(0 < z < 2.00)2.0
= 0.4772

6-22
 Procedimiento General para
Encontrar Probabilidades
1. Determinar m y s

2. Definir el evento de interés

ej., P(x > x1)

x μ
3. Convertir a la normal estándar z
σ
4. Usar la tabla para encontrar la probabilidad

6-23
 Tabla Z: Ejemplo
 Supongamos que x tiene distribución normal
con media 8.0 y desviación estándar 5.0.
Encontrar P(8 < x < 8.6)
Calculando los valores z:

xμ 88
z  0
σ 5
8 8.6 x
x  μ 8 .6  8 0 0.12 Z
z   0 .1 2
σ 5 P(8 < x < 8.6)
= P(0 < z < 0.12)
6-24
 Tabla Z: Ejemplo
(continuación)

 X tiene distribución normal con media 8.0 y des-

viación estándar 5.0. Encontrar P(8 < x < 8.6)

m=8 m=0
s=5 s=1

8 8.6 x 0 0.12 z

P(8 < x < 8.6) P(0 < z < 0.12)

6-25
 Solución: Encontrando P(0 < z < 0.12)

Tabla de la Distribución P(8 < x < 8.6)

Normal Estándar (Porción) = P(0 < z < 0.12)
z .00 .01 .02 0.0478
0.0 .0000 .0040 .0080

0.1 .0398 .0438 .0478

0.2 .0793 .0832 .0871
Z
0.00
0.3 .1179 .1217 .1255
0.12

6-26
 Hallando Probabilidades de la
Normal
 Supongamos que x es normal con
media 8.0 y desviación estándar 5.0.
 Ahora hallar P(x < 8.6)
 La probabilidad de obtener un valor menor que 8.6

P = 0.5

Z
8.0
8.6
6-27
 Hallando Probabilidades de la
Normal (continuación)

 Supongamos que x es normal con

media 8.0 y desviación estándar 5.0.
 Ahora hallar P(x < 8.6)

0.5000 0.0478
P(x < 8.6)
= P(z < 0.12)
= P(z < 0) + P(0 < z < 0.12)
= 0.5000 + 0.0478 = 0.5478 Z
0.00
0.12
6-28
 Probabilidad de la Cola Superior

 Supongamos que x es normal con

media 8.0 y desviación estándar 5.0.
 Ahora hallar P(x > 8.6)

Z
8.0
8.6
6-29
 Probabilidad de la Cola Superior
(continuación)

 Ahora hallar P(x > 8.6)…

P(x > 8.6) = P(z > 0.12) = P(z > 0) - P(0 < z < 0.12)
= 0.5000 - 0.0478 = 0.4522

0.0478
0.5000 0.4522

Z Z
0 0
0.12 0.12
6-30
 Probabilidad de la Cola Inferior

 Supongamos que x es normal con

media 8.0 y desviación estándar 5.0.
 Ahora hallar P(7.4 < x < 8)

Z
8.0
7.4

6-31
 Probabilidad de la Cola Inferior
(continuación)

Ahora hallar P(7.4 < x < 8), probabilidad

entre 7.4 y la media (8)
La distribución normal es
simétrica, por lo tanto, 0.0478
podemos usar la misma
tabla incluso si los valores
z son negativos:
P(7.4 < x < 8)
= P(-0.12 < z < 0) Z
8.0
= 0.0478 7.4

6-32
 Regla Empírica
¿Qué podemos decir acerca de la distribución
de los valores alrededor de la media, si la
distribución es normal?
f(x)
μ ± 1σ cubre alrededor del
68% de los valores de x
σ σ
Recordar a
Tchebysheff
Cap. 3
x
μ1σ μ μ+1σ
68.26%
6-33
 Regla Empírica
(continuación)

μ ± 2σ cubre alrededor del 95% de los

valores de x
μ ± 3σ cubre alrededor del 99.7% de los
valores de x

2σ 2σ 3σ 3σ
μ x μ x

95.44% 99.74%

6-34
 Importancia de la Regla

 Si un valor está a 2 ó más desviaciones

estándar de la media en una distribución
normal, entonces este se encuentra lejos
de la media

 La posibilidad que un valor esté lejos o muy

lejos de la media es altamente improbable,
para una particular media y desviación
estándar

6-35
 Distribución Uniforme
La distribución de poca información

Cuando lo único que se conoce de una variable aleatoria continua es

el rango de valores que puede tomar, y este es finito, la distribución
que describe esta variable aleatoria será la distribución uniforme.

6-36
 Distribución Uniforme

La distribución uniforme es una distribución de

probabilidad que tiene probabilidades iguales para
segmentos del mismo tamaño del intervalo de
variación de la variable aleatoria.

 También conocida como distribución de “poca información”

 La probabilidad es la misma para cualquier intervalo del
mismo ancho.
 Útil cuando se tiene información limitada acerca del “compor-
tamiento” de los datos.

6-37
 Distribución Uniforme

Ejemplo: Distribución de Probabilidad Uniforme

sobre el rango 2 ≤ x ≤ 6:

f(x)

.25

a=2 b=6 x

6-38
 Distribución Uniforme
(continuación)

Distribución uniforme continua:

1
si a  x  b
ba
f(x) =

0 otro caso
Donde:
f(x) = Valor de la función de densidad en cualquier valor de x
a = Límite inferior del intervalo de variación
b = Límite superior del intervalo de variación

6-39
 Distribución Uniforme: Media y
Desviación Estándar
La media (valor esperado) es:
a+b
E(x)  μ 
2
La desviación estándar es:

(b  a)2
σ
12
Donde:
a = Límite inferior del intervalo de “a” a “b”
b = Límite superior del intervalo de “a” a “b”

6-40
 Pasos para Usar la Distribución
Uniforme

1. Definir la función de densidad.

2. Definir el evento de interés.

3. Calcular la probabilidad requerida.

6-41
 Distribución Uniforme

Ejemplo: Distribución de Probabilidad Uniforme

sobre el rango 2 ≤ x ≤ 6:

1
f(x) = 6 - 2 = .25 para 2 ≤ x ≤ 6

f(x)

.25

2 6 x
P( 2.5 < x < 4.5) = 0.25(4.5 – 2.5) = 0.50
6-42
 Distribución Uniforme

Ejemplo: Distribución de Probabilidad Uniforme

sobre el rango 2 ≤ x ≤ 6:

2+6
E(x)  μ  4
2

(b  a) 2
(6  2) 2
σ   1.1547
12 12

6-43
Distribución Exponencial

6-44
 Distribución Exponencial

 Usada para medir el tiempo que transcurre

entre dos ocurrencias de un evento (el tiempo
entre llegadas).

 Ejemplos:
 Tiempo entre llegadas de camiones a un centro

de abastecimiento.
 Tiempo entre transacciones en un cajero

automático.
 Tiempo entre llamadas a una central telefónica.

6-45
 Distribución Exponencial
 La probabilidad de que el tiempo entre dos
llegadas sea menor que o igual a un tiempo
específico es:
 λa
P(0  x  a)  1  e
Donde 1/ es el tiempo promedio entre eventos y e=2.7183
Recordar  = Media de Poisson
Número promedio de llegadas en un segmento.

Nota: Si el número de ocurrencias por un determinado tiempo es

Poisson con media , entonces el tiempo entre ocurrencias es
exponencial con media 1/  y desviación estándar 1/
6-46
 Distribución Exponencial
(continuación)

 Formas de la distribución exponencial

f(x)
 = 3.0
(media = .333)

 = 1.0
(media = 1.0)

= 0.5
(media = 2.0)

6-47
 Distribución Exponencial:
Ejemplo
Ejemplo: A una ventanilla de reclamo llegan los
clientes a una razón de 15 por hora (distribución
Poisson). ¿Cuál es la probabilidad de que el
tiempo entre llegadas consecutivas de clientes sea
menor a cinco minutos?
 El tiempo entre llegadas está exponencialmente
distribuído con media de 4 minutos (15 por 60
minutos, en promedio)
 1/ = 4.0, entonces  = .25
 P(x < 5) = 1 - e-a = 1 – e-(.25)(5) = 0.7135
Hay un 71.35% de posibilidad de que el tiempo entre llegadas
consecutivas de clientes sea menor que 5 minutos
6-48
 Resumen

 Se revisó las distribuciones continuas:

 Normal
 Uniforme
 Exponencial
 Se halló probabilidades usando fórmulas y tablas.
 Se reconoció cuándo aplicar las diferentes
distribuciones.

6-49