Indice

MODELOS DE DISTRIBUCIONES

4.1

4.1

Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

4.2

Modelos de distribuciones discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

4.2.1

Distribuci
on Uniforme Discreta . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1

4.2.2

Distribuci
on de Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2

4.2.3

Distribuci
on Binomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3

4.2.4

Distribuci
on Multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.5

4.2.5

Distribuci
on Hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.5

4.2.6

Distribuci
on Geometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.7

4.2.7

Distribuci
on de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.8

4.3

4.4

Modelos de distribuciones continuas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.10

4.3.1

Distribuci
on Uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.10

4.3.2

Distribuci
on Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.11

4.3.3

Distribuci
on Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.12

4.3.4

Otras Distribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.15

Apendice: Correcci
on de continuidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.15

3.0

Tema 4

Modelos de distribuciones

4.1

Introducci
on

En este tema estudiaremos algunas distribuciones asociadas a variables aleatorias discretas y continuas, que puedan ajustarse a una gran diversidad de problemas y campos cientficos en los que se
pueden aplicar. Podemos establecer la siguiente clasificacion:
Modelos de distribuciones discretas
Modelos de distribuciones continuas

4.2

Modelos de distribuciones discretas

Para describir las variables aleatorias discretas asociadas a determinados experimentos basta con
proporcionar la distribuci
on de probabilidad; por ello vamos a estudiar las distribuciones de probabilidad mas importantes que describan el comportamiento de muchas de las variables aleatorias discretas
que se encuentran en la pr
actica y otras caractersticas asociadas.

4.2.1

Distribuci
on Uniforme Discreta

Se considera la m
as simple de todas las distribuciones de probabilidad discretas, en la que la
variable aleatoria asociada toma cada uno de los valores con una probabilidad identica.
Definici
on 4.1 Diremos que una variable aleatoria discreta X tiene una distribuci
on Uniforme de
par
ametro N, N 1, si
rg(X) = {1, 2, ..., N }
y la funci
on de probabilidad puede escribirse

P [X = x] =

1
N

x = 1, 2, ..., N
4.1

Tema 4.

Modelos de distribuciones

En tal caso se denotar

a como X U D(N )
Proposici
on 4.1 Sea X U D(N ) entonces
E [X] =

V ar [X] =

N +1
,
2

N2 1
.
12

Ejemplo 4.1 Sea el experimento aleatorio de lanzar un dado. Definimos la variable X como la puntuaci
on obtenida en dicho lanzamiento. Se tiene que
rg(X) = {1, 2, 3, 4, 5, 6} ,
P [X = x] =

1
6

x rg(X).

Entonces X U D(6)
Esta distribuci
on tambien se puede definir para cualesquiera valores x1 , x2 , ..., xN . Lo que la caracteriza es que todos los posibles valores que puede tomar la variable aleatoria tienen la misma probabilidad
de ocurrir.
Ejemplo 4.2 Se selecciona una bombilla al azar de una caja que contiene una bombilla de 40 vatios,
una de 60, una de 75 y una de 100. Cada elemento del espacio muestral tiene una probabilidad de
1/4. Por tanto tenemos una distribuci
on uniforme discreta donde:
rg(X) = {x1 , x2 , x3 , x4 }
x1 = bombilla de 40 vatios;

x2 = bombilla de 60 vatios;

x3 = bombilla de 70 vatios;

x4 = bombilla de 100 vatios

1
P [X = xi ] = ,
4

xi rg(X).

Entonces, X U D(x1 , x2 , x3 , x4 ).

4.2.2

Distribuci
on de Bernoulli

Sea un experimento con dos posibles resultados, generalmente llamados exito y fracaso para los
que P [exito] = p y P [fracaso] = 1 p = q. A este tipo de experimento se le denomina experimento o
prueba de Bernoulli. Se le puede asociar una variable aleatoria de la siguiente forma:
X : {0, 1}

Fracaso 0

Exito
1.

Por tanto, tenemos:

P [X = 1] = P [exito] = p,
P [X = 0] = P [fracaso] = q.

4.2

2o Ing. Informatica

4.2. Modelos de distribuciones discretas

Definici
on 4.2 Una variable aleatoria discreta X se dice que sigue una distribuci
on de Bernoulli de
par
ametro p, X Be(p), con p [0, 1]; si se verifica:
rg(X) = {0, 1}
y la funci
on de probabilidad puede escribirse como:
P [X = x] = px (1 p)1x

x {0, 1} .

Proposici
on 4.2 Si X Be(p) entonces
E[X] = p,
V ar[X] = pq.
Como ejemplos de distribuci
on de Bernoulli podemos citar un sistema electrico que funcione o no,
consideramos exito que el sistema funcione y fracaso que no funcione. De la misma forma podemos
tener un conmutador en ON/OFF, un servidor con conexion o sin ella, un fusible defectuoso o no
defectuoso, etc.

Ejemplo 4.3 Consideramos el lanzamiento de una moneda. Definimos Exito=Obtener

cara al lanzar
la moneda y Fracaso=Obtener cruz al lanzar la moneda. En tal caso la variable X tiene una
probabilidad de exito 12 y por tanto X Be(1/2) Calculamos la media y varianza

E[X] =

V ar[X] =

4.2.3

1
,
2
1
.
4

Distribuci
on Binomial

Consideramos n experimentos de Bernoulli independientes e identicamente distribuidos y sea la

variable aleatoria X definida como el n
umero de exitos en n pruebas de Bernoulli. Diremos que X
sigue una distribuci
on binomial de par
ametros n y p,
X B(n, p) ,
donde n es el n
umero de pruebas, p probabilidad de exito en una prueba.

Definici
on 4.3 Se dice que una variable aleatoria discreta X sigue una distribuci
on binomial de
par
ametros n N y p [0, 1] si se verifica:
rg(X) = {0, 1, ..., n}
y la funci
on de probabilidad puede escribirse como:

 
n k (nk)
p q
,
P [X = k] =
k

Estadstica

k = 0, 1, . . . , n.

4.3

Tema 4.

Modelos de distribuciones

Proposici
on 4.3 Si X B(n, p) podemos expresar X =
Ii =

n
X

Ii con

i=1

1
si se tiene exito en la prueba i
0 si se tiene fracaso en la prueba i ,

es decir, como una suma de n variables aleatorias independientes e identicamente distribuidas (i.i.d)
seg
un Ii Be(p).
De la Proposici
on 4.3 se deducen las siguientes propiedades.
Proposici
on 4.4 Si X B(n, p) entonces
E[X] = np,
V ar[X] = npq.
Proposici
on 4.5 Dadas X B(n, p), Y B(m, p) independientes entonces X + Y B(n + m, p).
Como ejemplos de variables que siguen una distribucion binomial podemos citar: n
umero de veces
que aparece el resultado cara al lanzar una moneda diez veces; n
umero de exitos en la recepci
on de
un mensaje enviado a 100 destinatarios; n
umero de ordenadores en una subred que han sido infectados
por un determinado virus, etc.
Ejemplo 4.4 La probabilidad de que cierta clase de componente sobreviva a una prueba de choque
dada es 3/4. Calcular la probabilidad de que sobrevivan exactamente dos de los cuatro componentes
que se prueban.
Supongamos que las pruebas realizadas son independientes y con probabilidad de exito p=3/4 para
cada una de las 4 pruebas, por tanto la variable X B(4, 3/4); tenemos que calcular
   2  2
27
32
4!
1
3
4
= 0.2109,
4 =
=
P [X = 2] =
128
2!2! 4
4
4
2

Podemos calcular tambien la media y la varianza

E[X] = 3,
3
V ar[X] = .
4

Nota 4.1 La distribuci

on binomial encuentra aplicaciones en muchos campos cientficos. Dentro de la
ingeniera es normal estudiar la proporci
on de elementos defectuosos dentro de un proceso industrial;
las mediciones de control de calidad y los esquemas de muestreo se basan en la distribuci
on binomial.

Esta
se aplica en cualquier situaci
on industrial donde el resultado es un proceso dicot
omico y los
resultados del proceso son independientes y la probabilidad de exito es constante de una prueba a otra.

4.4

2o Ing. Inform
atica

4.2. Modelos de distribuciones discretas

4.2.4

Distribuci
on Multinomial

En muchas aplicaciones hay m

as de dos resultados posibles. A menudo la dicotoma defectuoso o
no defectuoso en situaciones de ingeniera es una simplificacion de la realidad, donde suele haber m
as
de dos categoras que caracterizan artculos o partes de una lnea de produccion. Para estas situaciones
el experimento binomial se convierte en experimento multinomial cuando cada prueba tiene m
as de
dos resultados posibles. Si un experimento puede tener como consecuencia k posibles resultados
E1, E2,..., Ek con probabilidades p1, p2,..., pk , entonces la distribucion multinomial dara la probabilidad
de que E1 ocurra x1 veces, E2 ocurra x2 veces,. . . , Ek ocurra xk veces en n pruebas independientes,
donde
x1 + x2 + ... + xk = n.
La funcion de probabilidad de las variables aleatorias X1, X2,..., Xk , que representan el n
umero de
ocurrencias para E1, E2,..., Ek en n pruebas independientes es
P [X1 = x1 , X2 = x2 , . . . , Xk = xk ] =

n!
px1 px2 . . . pxk k
x1 !x2 ! . . . xk ! 1 2

con
k
X

xi = n

k
X

pi = 1

i=1

i=1

A la variable (X1 , . . . , Xn ) se le dice que sigue una distribuci

on multinomial y se denota por
M(p1 , p2 , . . . , pk ; n)
Ejemplo 4.5 Los fallos de impresi
on de un libro se pueden clasificar en erratas tipogr
aficas (E), mala
impresi
on (M) y hojas en blanco (H). Un editor presenta en los fallos de sus publicaciones un 80% de
erratas, un 15% de hojas mal impresas y s
olo un 5% de hojas en blanco. Calcular la probabilidad de
que de 10 fallos encontrados en un libro, 6 sean erratas y 3 carencias de impresi
on.
Al considerar 10 fallos, 6 corresponden a erratas, 3 a carencias de impresi
on, el fallo restante
corresponde a una hoja en blanco. Por lo tanto
10!
0.806 0.153 0.05 = 0.03716.
6!3!1!

P [X1 = 6; X2 = 3; X3 = 1] =

4.2.5

Distribuci
on Hipergeom
etrica

La diferencia entre la distribucion binomial y la distribuci

on hipergeometrica est
a en la forma en
que se realiza el muestreo. En el caso de la binomial se requiere independencia entre las pruebas, es
decir, el muestreo se realiza con reemplazamiento. Por otro lado, la distribuci
on hipergeometrica no
requiere independencia y el muestreo se realiza sin reemplazamiento. Las aplicaciones de la distribucion
hipergeometrica se encuentran en muchas
areas, con gran uso en control de calidad.
Consideramos un conjunto de N elementos en el que tenemos N1 elementos del tipo 1 y N N1
elementos de tipo 2. Extraemos n sin reemplazamiento y definimos la variable aleatoria:

Estadstica

4.5

Tema 4.

Modelos de distribuciones

X = n
umero de elementos del tipo 1 en los n extrados. El modelo de distribucion que sigue
esta variable aleatoria es una hipergeometrica.
Definici
on 4.4 Se dice que una variable aleatoria discreta X sigue una distribuci
on hipergeometrica
de par
ametros N, N1 y n con n N , si se verifica:
rg(X) = {m
ax (0, n (N N1 )) , ..., mn(n, N1 )}
y la funci
on de probabilidad de X es

P [X = k] =

N1
k

N N1
nk


N
n

k rg(X)

con 0 k N1 , 0 n k N N1 . Se denota X H(N, N1 , n).

Proposici
on 4.6 Si X H(N, N1 , n) entonces
N1
,
N 


N n
N1
N1
.
1
V ar[X] = n
N 1
N
N
E[X] = n

Ejemplo 4.6 Un fabricante de chips de silicio los empaqueta en lotes de 25. El comprador los inspecciona tomando 3 chips y acepta un lote si encuentra menos de 2 chips defectuosos.
(a) Calcular la probabilidad de que el comprador acepte un lote con 6 chips defectuosos.
(b) Cu
al es el n
umero esperado y la varianza de chips defectuosos en los 3 inspeccionados?
(a) Se tiene un conjunto de N = 25 chips, en los que hay N1 = 6 defectuosos, y N N1 = 19 no
defectuosos. Extraemos n = 3 sin reemplazamiento. Consideramos la variable aleatoria X = n
umero
de chips defectuosos en los 3 seleccionados,
X H(N = 25, N1 = 6, n = 3) .
La probabilidad de que el comprador acepte el lote es:
P [X < 2] = P [X = 0] + P [X = 1] =

6
0

19

3
25
3

6
1

19

2
25
3

= 0.8674,

6
= 0.72 ,
25     

22
19
6
= 0.5016 .

V ar[X] = 3
24
25
25
E[X] = 3

Ejemplo 4.7 Se dispone de una urna con 3 bolas blancas y 7 negras. Extraemos 4 bolas al azar
y queremos contar el n
umero de bolas blancas en las 4 extracciones. Enunciar los modelos que se
obtendran al realizar el experimento con y sin reemplazamiento.
Si existe reemplazamiento, la probabilidad de extraer una bola blanca no varia en el tiempo, y por
tanto


3
.
X B 4,
10

4.6

2o Ing. Informatica

4.2. Modelos de distribuciones discretas

Si no se realiza reemplazamiento, las probabilidades variar

an en el tiempo ya que cambia la composici
on de la urna y, por lo tanto,
X H(10, 3, 4) .

4.2.6

Distribuci
on Geom
etrica

Realizamos una serie de pruebas de Bernoulli independientes e identicamente distribuidas con la

misma probabilidad de exito, p, en cada prueba. Definimos:
X = n
umero de fracasos antes de obtener el primer exito. Entonces se tiene un tipo de distribucion denominada geometrica.
Definici
on 4.5 Se dice que una variable aleatoria discreta X sigue una distribuci
on geometrica de
par
ametro p (0, 1] si se verifica:
rg(X) = {0, 1, 2, . . .}
y la funci
on de probabilidad es:
P [X = k] = q k p ,

k = 0, 1, ....,

k rg(X).

Se denotar
a como X Ge(p), con 0 < p 1.
Comprobamos que es funci
on de probabilidad:

X
k=0

P [X = k] =

X
k=0

q p=p

qk = p

k=0

1
1
=p =1,
p
1q

pues 0 q < 1 .
Proposici
on 4.7 Si X Ge(p), entonces
E[X] =

V ar[X] =

q
,
p

q
.
p2

Proposici
on 4.8 Si X Ge(p), entonces
P [X k + j|X k] = P [X j] = q j ,

k, j = 0, 1, 2, ... .

Se dice que la distribuci

on geometrica carece de memoria.
Ejemplo 4.8 En un proceso de fabricaci
on se puede suponer por estudios previos que la probabilidad
de que un artculo sea defectuoso es p = 0.01. Inspeccionamos artculos secuencialmente hasta encontrar uno defectuoso. Calcular la probabilidad de que el quinto artculo seleccionado sea el primero
defectuoso.
Definimos X = n
umero de artculos seleccionados antes de encontrar el primero defectuoso,
X Ge(0.01).

Estadstica

4.7

Tema 4.

Modelos de distribuciones

P [el quinto artculo seleccionado sea el primero defectuoso] = P [X = 4]

= 0.994 0.01 = 0.0096 .
Calculamos tambien la media y la varianza

0.99
q
= 99 ,
=
0.01
p
0.99
q
= 9900 .
=
2
(0.01)2
p

E[X] =

V ar[X] =

Nota 4.2 Algunos autores definen la distribuci

on geometrica como Y = n
umero de la prueba en que
obtengo el primer exito. N
otese que Y = X + 1, siendo X la variable con la que hemos trabajado
antes, por lo que la funci
on de probabilidad y caractersticas se deducen de forma inmediata.
P [Y = k] = P [X = k 1] ,
E[Y ] = E[X] + 1 ,

V ar[Y ] = V ar[X + 1] = V ar[X] .

Nota 4.3 C
omo
area de aplicaci
on de la distribuci
on geometrica, podemos citar situaciones donde los
ingenieros intentan determinar la eficacia de un sistema de conmutaci
on telef
onica durante periodos
ocupados. En este caso, el exito representa la conexi
on al sistema de conmutaci
on. La variable sera
el n
umero de intentos fracasados antes de una conexi
on al sistema (exito).

4.2.7

Distribuci
on de Poisson

La distribucion de Poisson es una distribuci

on discreta de gran utilidad donde la variable aleatoria
suele estudiar el n
umero de eventos independientes que ocurren a velocidad constante en un intervalo
de tiempo o espacio. El intervalo puede ser de cualquier longitud, como un minuto, un da, una
semana. Por ejemplo, el n
umero de llamada telef
onicas por hora que llegan a una oficina, el n
umero
de mensajes que llegan a un servidor de correos durante una hora, etc.
Definici
on 4.6 Una variable aleatoria X discreta, sigue una distribuci
on de Poisson de par
ametro
> 0, X P(), si:
rg(X) = {0, 1, 2, . . .}

y la funci
on de probabilidad viene dada por:
P [X = k] = e

k
,
k!

k = 0, 1, 2, ... ,

Comprobamos que es funci

on de probabilidad:

X
k=0

4.8

P [X = k] =

X
k=0

k!

=e

X
k
k=0

2o Ing. Inform
atica

k!

= e e = 1 .

4.2. Modelos de distribuciones discretas

Proposici
on 4.9 Si X P() entonces
E[X] = ,
V ar[X] = .
Proposici
on 4.10 Dadas X P(1 ) e Y P(2 ) independientes entonces X + Y P(1 + 2 ) .
Corolario 4.1 Dadas X1 P(),..., Xn P() independientes e identicamente distribuidas entonces S = X1 + .. + Xn P(n) .
Ejemplo 4.9 El n
umero medio de camiones que llega cada da a la d
arsena de descarga de un puerto
es 10, ( = 10). Con las instalaciones de que dispone el puerto no se pueden descargar m
as de 15
camiones en un da. Calcular la probabilidad de que en un da determinado haya camiones que no
puedan ser descargados.
Sea X = n
umero de camiones que llegan en un da. La variable aleatoria X P( = 10).
P [en un da determinado haya camiones que no puedan ser descargados] =
P [X > 15] = 1 P [X 15] = 1 0.9513 = 0.0487 .
Nota 4.4 La distribuci
on de Poisson se utiliza a menudo para aproximar las probabilidades de una
B(n, p), cuando n es grande y p peque
no, aproxim
andose por una P( = np). En la pr
actica, la
aproximaci
on es buena cuando p < 0.1 y np 5
En la siguiente tabla representamos en la segunda columna la P [X = x] para una distribuci
on
Binomial con par
ametros n = 40 y p = 0.05, la tercera columna corresponde a la probabilidad para la
distribuci
on de Poisson con par
ametro = 40 0.05 = 2.

x
0
1
2
3
4
5
6

B(n = 40, p = 0.05)

0.1285
0.2706
0.2777
0.1851
0.0901
0.0342
0.0105

P ( = 2)
0.1353
0.2707
0.2707
0.1804
0.0902
0.0361
0.0120

Tabla 4.1: Aproximacion de la binomial por la Poisson

Ejemplo 4.10 En un proceso de fabricaci

on de productos de vidrio se producen rara vez burbujas que
dejan al producto defectuoso para su venta. Se ha observado que uno de cada 1000 artculos que se
producen tienen burbujas, es decir, la probabilidad de que un producto sea defectuoso podemos suponer
que es p = 0.001 ). Cu
al es la probabilidad de que en un lote de 8000 artculos haya menos de 4
defectuosos?
Sea X = n
umero de artculos defectuosos en 8000.

Estadstica

4.9

Tema 4.

Modelos de distribuciones

Podemos suponer
X B(n = 8000, p = 0.001) .
Puesto que n es muy grande y p est
a muy pr
oximo a cero podemos aproximar B(n, p) P ( = np),
es decir,
X P ( = n p = 8)
P [haya menos de 4 defectuosos] = P [X < 4] =

4.3

P3

k=0 P [X

= k] = 0.0424.

Modelos de distribuciones continuas

En esta parte del tema se estudiar

an algunas de las distribuciones mas comunes, que se pueden
aplicar a una gran diversidad de situaciones en los que se estudian problemas de naturaleza continua.
Para describir este tipo de variables aleatorias basta proporcionar la funcion de densidad.

4.3.1

Distribuci
on Uniforme

Definici
on 4.7 Se dice que una variable aleatoria continua X sigue una distribuci
on uniforme en el
intervalo (a,b), si su funci
on de densidad est
a definida como

f (x) =

1
ba

si a < x < b
c.c.

Se denota por X U (a, b)

Proposici
on 4.11 Si X U (a, b) entonces
E [X] =

V ar[X] =

a+b
,
2

(b a)2
.
12

.
Ejemplo 4.11 El volumen de ventas de un almacen se distribuye uniformemente entre 38 y 120 miles
de euros. Calcular
(a) La probabilidad de que las ventas sean superiores a 100000 euros.
(b) La esperanza matem
atica y varianza de las ventas
Sea X= Volumen de ventas del almacen en miles de euros U (38, 120).
(a) La funci
on de densidad de esta variable
f (x) =

1
1
=
82
120 38

si

38 < x < 120

Por tanto, como la variable est

a definida en miles de euros

4.10

2o Ing. Inform
atica

4.3. Modelos de distribuciones continuas

P [X > 100] =

f (x)dx =

100

120
100

20
1
1
= 0.2439
[x]120
dx =
100 =
82
82
82

(b)
E[X] =

.
V ar[X] =

4.3.2

38 + 120
a+b
= 79
=
2
2

(120 38)2
(b a)2
= 560.333
=
12
12

Distribuci
on Exponencial

Definici
on 4.8 Se dice que la variable aleatoria continua X sigue una distribuci
on exponencial de
par
ametro , con > 0 si su funci
on de densidad es

f (x) =

ex si x > 0
0
c.c.

Se denota por X Exp()

Proposici
on 4.12 Si X Exp() entonces

E[X] =

1
,

V ar[X] =

1
.
2

Como ejemplos de una distribucion exponencial podemos citar el tiempo que tarda en fallar un
sistema electr
onico, tiempo transcurrido entre la llegada de dos mensajes de correos consecutivos, etc.
Proposici
on 4.13 Si X Exp() entonces
F (x) =

1 ex ,
0

P [X > x] = ex ,

si x > 0
c.c.
x > 0.

Proposici
on 4.14 Si X Exp() entonces
P [X x + t|X t] = P [X x] = ex ,

x, t > 0.

Se dice que la distribucion exponencial no tiene memoria. Por ello, esta distribucion se suele
utilizar cuando medimos el tiempo de vida restante de poblaciones que no envejecen con el tiempo.

Estadstica

4.11

Tema 4.

Modelos de distribuciones

Ejemplo 4.12 Se ha comprobado que la duraci

on de vida de cierto tipo de circuitos sigue una distribuci
on exponencial con media 8 a
nos. Calcular:
(a) La probabilidad de que un circuito tenga una vida entre 3 y 12 a
nos.
(b) La probabilidad de que un circuito que ha vivido m
as de 10 a
nos, viva 15 a
nos m
as.
(a) Sea X=Tiempo de vida de los circuitos, como la media de la variable aleatoria es 8,

on de densidad
X Exp( = 18 ), por tanto la funci
1 t
f (t) = e 8 ,
8

t>0

donde t va medido en a
nos. Entonces:
P [3 < X < 12] =

12
3

i
h
t 12
1 t
= 0.69 0.22 = 0.46
e 8 dt = e 8
8
3

(b) Utilizando la Proposici

on 1.14:
P [X > 25|X > 10] =

P [X > 25]
= e15
P [X > 10]

Por tanto
P [X > 25|X > 10] = P [X > 15]
Luego podemos afirmar que la variable aleatoria X no tiene memoria.

4.3.3

Distribuci
on Normal

Es la m
as importante de las distribuciones continuas ya que permite describir un n
umero muy
grande de fen
omenos aleatorios, como por ejemplo aquellos en los que intervienen un n
umero elevado
de factores no controlables, que act
uan de manera independiente y con efectos peque
nos.
Definici
on 4.9 Se dice que una variable aleatoria X sigue una distribuci
on normal de par
ametros
R y 2 > 0, si su funci
on de densidad es



(x )2
1
,
exp
f (x) =
2 2
2

x R,

se denota por X N (, 2 )
Proposici
on 4.15 Si X N (, 2 ) entonces
E[X] = ,
V ar[X] = 2 .

La gr
afica de la funci
on de densidad, se denomina curva normal (o campana de Gauss), es una
curva con forma de campana, la cual describe aproximadamente muchos fen
omenos que se utilizan en

4.12

2o Ing. Inform
atica

4.3. Modelos de distribuciones continuas

la vida cotidiana. Por ejemplo, las mediciones fsicas en areas como los experimentos metereol
ogicos,
estudios de lluvia, errores en las mediciones cientficas, etc.
A continuaci
on se muestra la gr
afica de la funcion de densidad para una distribucion normal con
media 0 y desviaci
on tpica igual a 1.

Graficamente se observa que presenta un maximo en , tiene puntos de inflexion en y +

y es simetrica respecto a . Se aproxima al eje horizontal de manera asintotica conforme nos alejamos
de la media en cualquier direcci
on. El
area total entre la curva y el eje horizontal es igual a 1.
Proposici
on 4.16
(a)Si X N (, 2 ) entonces aX + b N (a + b, a2 2 ) con a, b R, a 6= 0.
(b) En particular, si X N (, 2 ) entonces Z =

N (0, 1)

Por tanto, la funci

on de distribuci
on de cualquier N (, 2 ) se puede calcular utilizando la distribuci
on N (0, 1) de la siguiente forma

donde Z =




x
x
X
=P Z

P [X x] = P

es la normal tipificada. Generalmente, se denota (z) = P [Z z].

Esta propiedad permite emplear las tablas de la N (0, 1) para obtener la funci
on de distribuci
on de
cualquier distribuci
on normal.
Proposici
on 4.17 Sea Z N (0, 1) con funci
on de distribuci
on . Si X N (, 2 ) entonces
(a)
P [X x] =

(b)
P [a < X < b] =

Estadstica

4.13

Tema 4.

Modelos de distribuciones

Teorema 4.1 Sea Z N (0, 1) con funci

on de distribuci
on . Entonces (z) = 1(z),

zR

Teorema 4.2 Sean X N (1 , 12 ) e Y N (2 , 22 ) independientes. Entonces

(a)
X + Y N (1 + 2 , 12 + 22 )
(b)
X Y N (1 2 , 12 + 22 )
Corolario 4.2 Dadas X1,..., Xn variables aleatorias independientes e identicamente distribuidas seg
un
N (, 2 ) entonces
Pn

i=1 Xi

N (n, n 2 ).

Ejemplo 4.13 Dada una distribuci

on normal con = 50 y = 10, calcular la probabilidad de que X
tome una valor entre 45 y 62.


62 50
45 50
= P [0.5 < Z < 1.2]
<Z<
P [45 < X < 62] = P
10
10
= (1.2) (0.5)


= 0.8849 0.3085 = 0.5764

Ejemplo 4.14 Sea una distribuci

on normal con = 300 y = 50, obtener la probabilidad de que X
tome un valor mayor que 362.



362 300
= P [Z > 1.24] = 1 (1.24) = 1 0.8925 = 0.1075
P [X > 362] = P Z >
50
La distribuci
on normal encuentra una gran aplicacion como distribucion lmite, es decir, bajo ciertas condiciones la distribuci
on normal proporciona una buena aproximacion continua a otras distribuciones. Puede utilizarse para aproximar probabilidades de variables binomiales cuando n es grande,
y p no este muy cercano a cero o uno, en general esta aproximacion se utiliza para np > 5. Entonces
aproximamos por una N ( = np, 2 = npq). La distribucion normal tambien puede aproximar a la
distribuci
on de Poisson, P(), cuando es elevado, considerando N ( = , 2 = ).

4.14

2o Ing. Inform
atica

4.4. Apendice: Correcci

on de continuidad

4.3.4

Otras Distribuciones

Existen otras distribuciones que aunque no vamos a desarrollar en el tema pueden tener cierto
interes por su utilidad dentro de algunas areas de la ingeniera como el control de calidad y fiabilidad
de procesos. La distribuci
on gamma es una generalizacion de la distribucion exponencial y representa
el tiempo transcurrido hasta que cierto suceso aparece k veces. Por tanto la distribucion gamma
se puede expresar como suma de exponenciales. La distribucion gamma no tiene en cuenta que el
envejecimiento de un sistema, incrementa su probabilidad de fallo. Para incluir esta condici
on en
el modelo probabilstico resulta u
til emplear la distribucion de Weibull. Esta distribucion se emplea a
menudo en ingeniera ya que, seleccionado los valores adecuados para los parametros asociados a esta
distribuci
on, se puede caracterizar la fiabilidad de un gran n
umero de sistemas.

4.4

Ap
endice: Correcci
on de continuidad

Cuando aproximamos una distribuci

on discreta (binomial o Poisson) por una distribucion normal
es aconsejable realizar una correcci
on por continuidad. Sabemos que en una variable aleatoria discreta
la P [X = x] > 0, x rg(X), en cambio, cuando la variable es continua la P [X = x] = 0. Por ello
al aproximar una variable aleatoria discreta por una continua debemos evitar los problemas en los
puntos, considerando intervalos de la siguiente forma:
P [X = a] P [a 1/2 < X a + 1/2]
A continuaci
on se detalla un ejemplo donde incluimos la correccion de continuidad:
Ejemplo 4.15 Unos grandes almacenes estiman que el 60% de sus clientes paga con dinero en efectivo, y el resto recurre a otros medios. Calcular la probabilidad de que de 30 clientes exactamente 20
paguen en efectivo.
Sea X=N
umero de clientes que pagan en efectivo entre 30 clientes, por tanto la variable aleatoria
X sigue una distribuci
on binomial que la vamos a aproximar a una distribuci
on normal, es decir,
X B(30, 0.6) N (18, 7.2).
Tenemos que calcular la P [X = 20], como hemos pasado de una distribuci
on discreta a una
continua aplicamos la correcci
on de continuidad, luego
P [X = 20] = P [19.5 < X 20.5] = P [X 20.5] P [X 19.5] =




19.5 18
20.5 18
= 0.115.

=
2.68
2.68

Estadstica

4.15