UNIVERSIDAD DE SAN CARLOS DE GUATEMALA

FACULTAD DE INGENIERIA
AREA DE ESTADSTICA
ESTADSTICA 1 SECCIONES C+ y D
Ing. Alba Maritza Guerrero Spnola de Lpez MS.c.

FUNCIONES DE PROBABILIDAD CONTINUA

1. DISTRIBUCION UNIFORME:
Esta distribucin se caracteriza por una funcin de densidad que es plana, y por
ello la probabilidad es uniforme en un intervalo cerrado [A,B].
f(x) = 1
(B - A) A X B
0 en cualquier otro caso
La media y la varianza de la distribucin uniforme son:

=
(A + B)/2

2
= (B-A)
2
/12
Dicha funcin de densidad tiene la forma de un rectngulo a menudo suele llamarse
distribucin rectangular cuya base es B A y altura constante 1 / (B A).
EJEMPLOS:
1. La cantidad diaria de caf (medida en litros) que despacha una mquina ubicada en
el departamento de matemtica de la Universidad, es una variable aleatoria que
tiene distribucin uniforme en el intervalo [ 7, 10] litros. Encuentre la probabilidad de
que, en un da determinado la cantidad de caf despachada por esta mquina sea:
a) cuando mucho 8.8 litros
b) ms de 7.4 litros pero menos de 9.5 litros
c) al menos 8.5 litros

2. Suponga que durante una semana cualquiera, el precio de crema para
afeitarse se distribuye de manera uniforme en el intervalo [ Q.37.75, Q.44.25]
. Cul es la probabilidad de que un una semana dada dicho precio sea:
a) menor que Q.40
b) cualquier cantidad entre Q.40 y Q.42

2. DISTRIBUCIN NORMAL

La distribucin de probabilidad ms importante en todo campo de la
estadstica, es la distribucin normal. Su importancia radica en que numerosos
fenmenos continuos que ocurren en la naturaleza, en el campo de la ingeniera,
la industria y la investigacin, se aproximan mediante esta distribucin.

Es utilizada para aproximar diversas distribuciones de probabilidad discreta
y evitar pesados clculos, adems de proporcionar la base de la inferencia
estadstica clsica, debido a su relacin con el teorema del lmite central.
Frecuentemente se le llama distribucin gaussiana, en honor de Karl Friedrich
Gauss 1809, quien derivo una ecuacin de un estudio de errores de mediciones
repetidas de la misma cantidad. Su grfica recibe el nombre de curva normal, su
forma es de una campana. (ver figura No. 1)



Se puede observar que la curva es simtrica, la mitad del rea bajo la curva
est a la derecha de la media y la mitad a la izquierda, lejos de la media, hacia
las colas, la altura de la curva disminuye. Esto corresponde a una probabilidad
decreciente mientras ms lejos est de la media. La distribucin normal terica
tiende al infinito en cada extremo.

PROPIEDADES DE LA DISTRIBUCIN NORMAL:

Tiene forma de campana, la curva es simtrica, La funcin f(x) describe una
forma conocida como campana de Gauss, concentrando el rea alrededor de la
media .
Las medidas de tendencia central (media, mediana y moda) son todas
idnticas.
Es simtrica en torno a la media , debido a ello el 50% del rea est a la
derecha de una perpendicular trazada en la media y el 50% restante hacia
la izquierda. P( x< ) = 0.50 y P( x> ) = 0.50
La variable aleatoria asociada tiende a infinito
(- X + )
El rea total bajo la curva es igual a 1.
La probabilidad de que una variable aleatoria tenga un valor entre
cualesquiera dos puntos es igual al rea bajo la curva entre esos puntos.
Su punto ms alto lo obtendr cuando z = 0, el mismo corresponde a la
media aritmtica.
El valor de la curtosis es igual a 3
Depende de dos cantidades, (, ) la media y la desviacin
estndar.
Si se trazan perpendiculares a una distancia de 1 desviacin estndar (1 ),
a partir de la media en ambas direcciones el rea que encierra es
aproximadamente del 68%. Si la distancia es de 2 desviaciones estndar
(2), el rea que encierra es aproximadamente 95%. Si la distancia es de 3
desviaciones estndar se lograr encerrar aproximadamente el 99.73% del
rea.



MODELO MATEMTICO:
En 1733 Abraham DeMoivre desarroll la ecuacin matemtica de la curva
normal. Proporcion una base sobre la cual se fundamenta gran parte de la teora
inductiva.

f(x) = 1 e
(1/2)(x - )/ 2

- < X <



2

x

donde:
e = constante matemtica aproximada por 2.71828

= constante matemtica 3.14159

= media de la poblacin
= desviacin estndar de la poblacin
x = cualquier valor de la variable aleatoria continua


DISTRIBUCIN NORMAL ESTANDAR

Una distribucin normal estndar es una distribucin cuya variable aleatoria Z
siempre tiene una = 0 y una desviacin estndar = 1, para lo cual se utiliza la
siguiente formula de transformacin:

Z = X -
x


x

EJEMPLOS:
1. Suponga que el tiempo que tarda cierta cajera de un banco en atender a
cualquier cliente (desde el instante en que este llega a la ventanilla hasta el
momento que se retira) tiene una distribucin normal con media de 3.7 minutos y
desviacin estndar de 1.4 minutos. Encuentre la probabilidad de que un cliente
elegido al azar:
a) haya esperado menos de dos minutos en la ventanilla
b) haya esperado ms de seis minutos en la ventanilla
c) haya esperado entre dos y cuatro minutos en la ventanilla

2. La vida til de cierta lavadora tiene una distribucin normal con media de
3.1 aos y varianza de 1.44. Si este tipo de lavadora tiene garanta de un ao.
a) que fraccin de la cantidad de lavadoras vendida originalmente necesitara
ser reemplazada.
b) Cul es la probabilidad de que una de estas lavadoras dure entre 2 y 4
aos.

3. Un taller de mecnica automotriz se dedica a la reconstruccin de
acumuladores (bateras) de 13 placas para automvil. Se ha observado que la
vida media de una batera reconstruida es de 30 meses, con una desviacin
estndar de seis meses. Si se supone una distribucin normal, determine:
a) el porcentaje de bateras reconstruidas que se espera duren ms de 2
aos.
b) El tiempo a partir del cual se halla 90% de las bateras que ms
duran(exprese su respuesta en meses y dias)

4. Suponga que la estatura de hombres de una poblacin sigue un
comportamiento normal con media de 67.3 pulgadas y desviacin estndar de 2.3
pulgadas.
a) Qu proporcin de hombres tiene estatura entre 65 y 66 pulgadas
b) Cunto mide un hombre cuya estatura se encuentra por encima del 15%
de los que miden ms
c) Cul es la probabilidad de que un hombre elegido al azar mida ms de
68 pulgadas.
APROXIMACIN NORMAL A LA BINOMIAL
Relacin entre la funcin binomial y normal

Si n es grande y si ni p ni q son muy prximos a cero, la distribucin binomial
puede aproximarse estrechamente por una distribucin normal, Si X es una
variable aleatoria binomial con media

x =
np y varianza = npq, entoncen las
forma limitante de la distribucin de
Zc = X - n p
n p q

La aproximacin mejora al crecer n, y en el lmite es exacta, donde es claro que al
crecer n, el sesgo y la curtosis de la distribucin binomial se aproximan a los de la
distribucin normal. En la prctica la aproximacin es muy buena si tanto np como
nq son mayores que 5.

5. Se sabe que 30% de los clientes de una tarjeta de crdito a nivel nacional,
dejan a cero sus saldos para no incurrir en intereses moratorios. Determine la
probabilidad para un grupo de 200 tarjetahabientes de que:
a) de 40 a 60 clientes paguen sus cuentas antes de incurrir en el pago de
intereses
b) 30 clientes o menos paguen sus cuentas antes de incurrir en el pago de
intereses
c) ms de 55 clientes paguen sus cuentas antes de incurrir en el pago de
Intereses

6. Se arroja 200 veces una moneda legal Cual es la probabilidad de
obtener?:
a) ms de 20 caras
b) menos de 25 caras
c) cualquier cantidad de caras entre 100 y 150
TEOREMA DEL LIMITE CENTRAL
Sean X1, X2, .... variables aleatorias independientes que estn distribuidas
idnticamente (es decir todas tienen la misma funcin de probabilidad en el caso
discreto o funcin de densidad en el caso continuo) y tienen media y varianza

2
finitas. Entonces si Sn = x1 + x2 +...xn (n= 1,2....)
S = xi con = i ,
2
=
2
i
Lim [(Z = (S n i)/ i n] = Lim [(Z = (S )/
2
i ]
n
Tiene una distribucin aproximadamente Normal Estndar, cuando n
Radica la importancia de este teorema en la tendencia a la Distribucin Normal
Estndar de Zn cuando n crece, independiente de la distribucin original de X, y es
fundamental en las aplicaciones de inferencia estadstica, ya que muchos
estimadores estn representados por sumas de observaciones muestrales.
1. El sistema de empaque de una compaa de cereales se ha ajustado para
lograr un promedio de peso de 13 onzas por paquete de cereal, por supuesto
no todas las cajas tienen el promedio de 13 onzas debido a las fuentes
aleatorias de variabilidad. La desviacin estndar del peso neto real es 0.1
onzas y se sabe que la distribucin de pesos sigue una distribucin normal.
El cereal se entrega a los supermercados en cajas de 25 paquetes. Hallar la
probabilidad de que una caja escogida aleatoriamente
a) pese entre 325 y 326 onzas
b) que el peso exceda 326.25 onzas
c) que el peso este entre 326.5 y 327.5 onzas
2. Una empacadora de alimentos produce latas de durazno con un peso medio
de 225 gramos y una varianza de 14 gramos
2
/lata se supone que los pesos
de las latas son estadsticamente independientes. Un cartn contiene 60
latas y se desea calcular la probabilidad
a) que el peso del cartn sea menor o igual que 13434 gramos
b) que el peso del cartn sea mayor que 13568 gramos

3. DISTRIBUCION EXPONENCIAL
La variable aleatoria continua X tiene una distribucin exponencial, con parmetro , si su
funcin de densidad est dada por

, f(x) = (1/ ) e
-x
/

, x > 0
0 en cualquier otro caso
donde > 0. = 1/
= tiempo medio entre eventos, tiempo medio entre fallas
Con media = Y varianza
2
=
2
Con funcin acumulada : F(X) = 1 - e
- X
P(0 X x )
Relacin con la Poisson
Poisson se utiliza para calcular la probabilidad de nmeros especficos de eventos durante
un perodo o espacio particular. Una llegada representa el evento de poisson. La relacin
entre la distribucin exponencial y la poisson es bastante simple
, = # eventos/ unidades de tiempo = 1/

, f(x) = e
-

X
X 0
0 X < 0

Las aplicaciones ms importantes de la distribucin exponencial son situaciones
donde se aplica el proceso de Poisson . (la poisson permite calcular la
probabilidad de nmeros especficos de eventos durante un periodo o espacio
particular)
El parmetro importante es el tiempo medio entre eventos. En teora de
confiabilidad donde la falla de equipo a menudo se ajusta a este proceso de
Poisson , se llama tiempo medio entre fallas. Muchas descomposturas de
equipo siguen el proceso de Poisson, y por ello se aplica la distribucin
exponencial. Otras aplicaciones incluyen tiempos de sobrevivencia en
experimentos biomdicos y tiempo de respuestas de computadoras,


4. DISTRIBUCION GAMMA
La distribucin gamma es el equivalente continuo de la binomial negativa.
Una variable aleatoria X tiene la distribucin gamma si la funcin de densidad es:

,f(x) = X
(-1)
e
x/
0 X < 00




()
0 en cualquier otro punto
Para x> 0, > 0, > 0 Donde , se conocen como parmetros de la
distribucin y () es la funcin gamma definida como:
() =
0

00
X
(-1)
e
x
dx
La integracin directa permite verificar que
(1) = 1
y que cuando n es un entero entonces (n) = (n-1)!,
recibe el nombre de parmetro de forma relacionado con la
distribucin gamma
recibe el nombre de parmetro de escala.
E(x) = * ; V(X) = *
2

La distribucin gamma frecuentemente se utiliza para modelar variables aleatorias
que por varias razones tienen distribuciones asimtricas, sesgadas a la derecha.
Seleccionando adecuadamente los parmetros y .

5. DISTRIBUCIN BETA
Esta distribucin tiene aplicaciones en ingenieria y en otros campos de la ciencia.
Cuando una variable aleatoria toma valores entre 0 y 1 es utilizada la funcin
densidad de probabilidad Beta, por lo que el modelo se utiliza frecuentemente
para las variables aleatorias que representan proporciones, como el porcentaje de
impurezas presentes en un producto qumico o la cantidad de tiempo que una
mquina est en reparacin.
,f(x)= (+ ) * x
-1
(1-x)
-1
para 0<x<1 , > 0, > 0
() * ()
0 en cualquier otro caso
La media y la varianza de esta distribucin estn dadas por:
= / (+ ) y varianza
2
= / (+ )
2
(+ + 1)
6. DISTRIBUCIN DE WEIBULL
Es una generalizacin de la exponencial. Tiene importantes aplicaciones en la
teoria de confiabilidad, durabilidad y control de calidad. La variable aleatoria X
tiene distribucin de Weibull, si su funcin de densidad de probabilidad est dada
por:
,f(x) = r
r
X
r-1
e
-(x)r
x > 0

0 en otra parte
si r = 1 la distribucin de weibull se reduce a la distribucin exponencial con
escala
= 1/ (1+ 1/r) y varianza
2
= 1/
2
[ (1+ 2/r) -
2
(1+ 1/r) ]
f(x) =

X
-1
e
-(X )
> 0, > 0

F(x) = 1 e
-(X )

E(x) = -
1/
(1+ 1/ )
Var(x) = -
2/
[ (1+ 2/ ) - (1+ 1/ )
2
]