INTRUDUCCION

DESTRIBUCIONES DE PROBABILIDAD
DESTRIBUCION CONTINUA: una de las distribuciones más simples en la estadística es
la distribución uniforme continua. Esta distribución se caracteriza por una
función de densidad que es plana, y por ello la probabilidad es uniforme en un
intervalo cerrado, digamos [A, B]. aunque las aplicaciones de la distribución
uniforme continua no son tan abundantes como lo son para otras distribuciones
que se presentan en este capítulo, es apropiado para el principiante comenzar
esta introducción a las distribuciones continuas con las distribuciones uniforme.

DEFINICION:

La función de densidad de la variable aleatoria uniforme continua X en el

intervalo [A, B] es:
1
𝑓(𝑥; 𝐴, 𝐵) = = 0, 𝐴≤𝑥≤𝐵
𝐵−𝐴
En cualquier otro caso

La función de densidad forma un rectángulo con base 𝐵 − 𝐴 y altura constante

1
𝐵−𝐴

Como resultado la distribución uniforme, a menudo se llama distribución

rectangular.
Es sencillo calcular las probabilidades para la distribución uniforme debido a la
naturaleza simple de la función de densidad, sin embargo note que la
aplicación de esta distribución se basa en la suposición de que la probabilidad
de caer en un intervalo de longitud fija dentro de [𝐴, 𝐵] es constante.
La media de la varianza aleatoria continua uniforme X es:
𝑏 𝑏
E(x)=∫𝑎 (𝑥/(𝑏 − 𝑎))𝑑𝑥 = 0.5𝑥 2 /(𝑏 − 𝑎) ∫𝑎 = (𝑎 + 𝑏)/2

La varianza de X es:
2
𝑏
V(x)= ∫𝑎 (𝑥 − (𝑎+𝑏 )) /(𝑏 − 𝑎)𝑑𝑥 = (𝑏 − 𝑎)2 /12
2
La media y la varianza de una aleatoria continua uniforme X en a≤x≤b
U =E(x) = (a + b)/2 y 𝑜2 = V(x) = (b-a)/12
cuando el numero n de valores que puede tomar una variable aleatoria X es
infinito, como es el caso, por ejemplo, de los volúmenes de escurrimiento
mensual de un río, se dice que dicha variable aleatoria es continua.
Es posible deducir la forma equivalente a la función de la figura la figura
anterior para variables aleatorias continuas al imaginar dados con un número
muy grande de caras. En el límite, cuando el número de caras tiende a infinito,
la función tendría un aspecto como el que se muestra en la figura anterior
Una función como ésta se llama función de densidad de probabilidad.

EJEMPLO 1
una viga que esta empotrado en un lado y en el otro con apoyo móvil mide 10m.
¿cuál es la probabilidad de que al aplicar una carga distribuida de 80kgf/m a una
distancia de 3m medida desde el apoyo móvil hasta una distancia 8m también
medida desde el apoyo móvil la carga puntual este contenido en un intervalo de
5 ≤ 𝑥 ≤ 6.

Hallando la función de la densidad

1 1 1
F(x)= = =
𝑏−𝑎 8−3 5

Este será altura del rectángulo que se va generar al graficar la función de la

densidad

1
5

0 3 5 7 8 10
Entonces la probabilidad será P =2(1/5) =0.4
Entones podemos concluir diciendo que la probabilidad de que la carga puntual
resultante aplicada en la viga se ubique en un intervalo de 3,5 es de 0.4 .
DISTRIBUCIÓN NORMAL
DEFINICION: La distribución normal es una distribución con forma de campana
donde las desviaciones estándar sucesivas con respecto a la media establecen
valores de referencia para estimar el porcentaje de observaciones de los datos.
Estos valores de referencia son la base de muchas pruebas de hipótesis, como las
pruebas Z y t.
En estadística y probabilidad se llama distribución normal, distribución de
Gauss, distribución gaussiana o distribución de Laplace-Gauss, a una de
las distribuciones de probabilidad de variable continua que con más frecuencia
aparece en estadística y en la teoría de probabilidades.
1. La gráfica de su función de densidad tiene una forma acampanada y es
simétrica respecto de un determinado parámetro estadístico. Esta curva se conoce
como campana de Gauss y es el gráfico de una función gaussiana.
2. La importancia de esta distribución radica en que permite modelar numerosos
fenómenos naturales, sociales y psicológicos.
3. Mientras que los mecanismos que subyacen a gran parte de este tipo de
fenómenos son desconocidos, por la enorme cantidad de variables incontrolables
que en ellos intervienen, el uso del modelo normal puede justificarse asumiendo
que cada observación se obtiene como la suma de unas pocas causas
independientes.
De hecho, la estadística descriptiva sólo permite describir un fenómeno, sin
explicación alguna. Para la explicación causal es preciso el diseño experimental,
de ahí que al uso de la estadística en psicología y sociología sea conocido
como método correlacionar.
Es muy importante saber que el área del histograma es la unidad, debido a que la
suma de las frecuencias relativas es la unidad. En consecuencia:

∞
∫ 𝑓(𝑥)𝑑𝑥 = 1
−∞

Su definición matemática será: variable aleatoria continua, X, cuya función de

densidad presenta la siguiente
 1 𝑥−𝜇 2
1
Estructura: 𝑓(𝑥) = 𝑒 −2( 𝜎
)
, −∞ < 𝑥 < +∞
𝜎 √2𝜋

Donde: 𝜇 𝑦 𝜎 𝑠𝑜𝑛 𝑐𝑜𝑛𝑡𝑎𝑛𝑡𝑒𝑠, 𝑐𝑜𝑛 𝜎 > 0

La función depende de dos parámetros, de la media 𝜇 (que es también la moda y

la mediana) y de la desviación típica 𝜎 .Cuando una variable sigue esta función de
densidad es N (𝜇, 𝜎).

Si la variable normal tiene media 𝜇 =0 y deviación típica 𝜎 =1 se denomina

“normal estándar” N (0,1)

Para transformar una variable aleatoria normal "x" en una variable normal estándar
"z", se realiza mediante la expresión:
𝑥−𝜇
𝑧=
𝜎

Ejercicios:
Entre las ciudades de Estados Unidos con una población de más de 250,000
habitantes, la media del tiempo de viaje de ida al trabajo es de24.3 minutos. El
tiempo de viaje más largo pertenece a la ciudad de Nueva York, donde el tiempo
medio es de 38.3 minutos. Suponga que la distribución de los tiempos de viaje en
la ciudad de Nueva York tiene una distribución de probabilidad normal y la
desviación estándar es de 7.5minutos

𝑥−𝜇
𝜎 = 38.3𝑚𝑖𝑛 𝑧=
𝜎

𝜇 = 7.5 𝑚𝑖𝑛
¿Qué porcentaje de viajes en la ciudad de Nueva York consumen menos de 30
minutos?
P (𝑥 ≤ 30)
30 − 38.3 −8.3
𝑧= = = −1.11 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 = 0.1335
7.5 7.5

𝑝(𝑥 ≤ 30) = 0.1335 = 13.35%

¿Qué porcentaje de viajes consumen entre 30 y 35 minutos? p (30≤ x ≤35)

35 − 38.3 −3.3
𝑧= = = −1.44 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 = 0.3300
7.5 7.5
30 − 38.3 −8.3
𝑧= = = −1.11 𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 𝑎𝑐𝑢𝑚𝑢𝑙𝑎𝑑𝑎 = 0.1335
7.5 7.5
𝑝(30 ≤ 𝑥 ≤ 30) = 0.3300 − 0.1335 = 0.1965 = 19.65%
 DESTRIBUCION DE WEIBULL

Como se menciono anteriormente, la distribucn de weibull se usa con frecuencia para

modelar el tiempo hasta que ocurre una falla en muchos sistemas fisicos diferentes. Los
parametros de la destribucion confieren una gran flexibilidadpara modelar sistemas en los que
el numero de fallas aumenta en el tiempo (desgaste de rodamientos), disminuye con el tiempo
algunos semiconductores) o permanece constante en el tiempo ( fallas causadas interferencia
externas al sistema).

DEFINICIÓN

La variable aleatoria 𝑥 con función de densidad de probabilidad

𝛽 𝑥 𝛽−1 −(𝑥⁄𝛿 )
𝑓(𝑥) = 𝛿 (𝛿 ) 𝑒 para 𝑥 > 0

Tiene una distribución de weibull con parámetro de escala 𝛿 > 0 y parámetro de forma 𝛽 > 0.

Es común usar la función de distribución acumulada para calcular probabilidades. Puede

llegarse al siguiente resultado:

Si tiene 𝑥 una distribución de weibull con parámetro 𝛿 y 𝛽, entonces la función de distribución

acumulada de 𝑥 es:
𝑥 𝛽
−( )
𝑓(𝑥) = 1 − 𝑒 𝛿
También puede obtenerse el siguiente resultado:

Si 𝑥 tiene una distribución de weibull con parámetros 𝛿 y 𝛽, entonces l media y la

varianza de 𝑥 son:
1 2 1 2
𝜇 = 𝛿𝑟 (1 + 𝛽) y 𝜎 2 = 𝛿 2 𝑟 (1 + 𝛽) − 𝛿 2 [𝑟 (1 + 𝛽)]

EJERCICIO DE DISTRIBUCIÓN DE WEIBULL DE APLICACIÓN

Se sabe que la distribución del tiempo transcurrido antes de que se dé un fallo en un sistema
1
hidráulica viene dada por una weibull de parámetros 𝛼 = 2 y 𝛽 =
2

Calcular su esperanza y su varianza. ¿ Para qué valores de 𝛼 y 𝛽 una distribución de weibull es

equivalente a una exponencial de parámetros 5 ? halla la esperanza y la varianza de ambas
distribuciones.

Solución:
1
𝑋 = {𝑡𝑖𝑒𝑚𝑝𝑜 𝑡𝑟𝑎𝑛𝑠𝑐𝑢𝑟𝑟𝑖𝑑𝑜 𝑎𝑛𝑡𝑒𝑠 𝑑𝑒 𝑓𝑎𝑙𝑙𝑎𝑟} 𝑋 → 𝑊 (2, 2)

1
− 1 1 2! 1
𝐸(𝑥) = 𝛼 𝛽 𝑟 (1 + 𝛽) = 2−2 𝑟(1 + 2) = 4 𝑟(3) = 4
=2
2 2
− 2 1 2 1
𝑉𝑎𝑟(𝑥) = 𝛼 𝛽 (𝑟 (1 + 𝛽) − [𝑟 (1 + 𝛽)] ) = 2−4 (𝑟(5) − (𝑟(3)) ) = 16 (4! − (2!)2 )

24−4 5
= 16
=4

Para que valores de 𝛼 𝑦 𝛽 de distribución de weibull es equivalente a un exponencial:

𝜀(𝛼) = 𝑊(𝛼, 1) → 𝜀(5) = 𝑊(5,1) ⟹ 𝑋 → 𝜀(5) e 𝑌 → 𝑊(5,1)

1 1 1 1
𝐸(𝑥) = 𝛼 = 5 𝑉𝑎𝑟(𝑥) = 𝛼2 = 52
1
− 1 1
𝐸(𝑦) = 𝛼 𝛽 𝑟 (1 + ) = 5−1 𝑟(2) =
𝛽 5
 −
2 2 1 2 1 1
𝑉𝑎𝑟(𝑦) = 𝛼 𝛽 (𝑟 (1 + ) − [𝑟 (1 + )] ) = 5−2 (𝑟(3) − 𝑟(2)2 ) = (2! − (1!)2 ) =
𝛽 𝛽 25 25

𝑋 → 𝜀(5)

⟹𝑓𝑋(𝑥) = 𝛼𝑒 −𝛼𝑥 = 5𝑒 −5𝑥 Si 𝑥 > 0

⟹𝑓𝑋(𝑥)= 0 Si 𝑥 ≤ 0

𝑌 → 𝑊(5,1)

𝛽 1
⟹𝑓𝑌(𝑥) = 𝛼𝛽𝑥 𝛽−1 𝑒 −𝛼𝑥 = 5.1. 𝑥 1−1 𝑒 −5𝑥 = 5𝑒 −5𝑥 Si 𝑥 > 0

⟹𝑓𝑌(𝑥)= 0 Si 𝑥 ≤ 0