UNIVERSIDAD DE ORIENTE

NCLEO DE ANZOTEGUI
ESCUELA DE INGENIERA Y CIENCIAS APLICADAS
DEPARTAMENTO DE SISTEMAS INDUSTRIALES

Distribuciones Continuas

PROFESOR:
PROFESOR: Abraham Meneses

REALIZADO POR: Luis Gaetano

C.I. 24.447.833

Noviembre 2014

Tabla de contenido
INTRODUCCIN.......................................................................................................ii
2.1

DISTRIBUCIN NORMAL...............................................................................1

2.2

DISTRIBUCIN BINOMIAL APROXIMADA A LA NORMAL...........................3

2.3

DISTRIBUCIN DE PROBABILIDAD GAMMA..............................................5

2.4

DISTRIBUCIN DE PROBABILIDAD EXPONENCIAL..................................7

2.5

DISTRIBUCIN DE PROBABILIDAD WEIBULL............................................8

2.6

DISTRIBUCIN DE PROBABILIDAD BETA...................................................9

CONCLUSIONES....................................................................................................12
BIBLIOGRAFA........................................................................................................13

INTRODUCCIN

Al igual que como vimos en los modelos de las distribuciones discretas

encontradas principalmente por los matemticos, tambin hay distribuciones
continuas cuya gama de aplicaciones es muy amplia sobre todo en el desarrollo y
utilizacin de las tcnicas estadsticas. La gama de estas distribuciones continuas
es muy amplia, por lo que nos enfocaremos solamente al estudio de algunos
modelos continuos que han probado su utilidad en la ingeniera, iniciando con el
modelo normal por ser el ms importante, teniendo siempre presente que estos
modelos son idealizaciones y aproximaciones razonables y prcticas de usar en
lugar de los modelos discretos complicados.
Las funciones de densidad de probabilidad de los modelos de distribucin
continua se definen mediante ecuaciones o frmulas matemticas concretas, y se
utilizan para calcular las probabilidades asociadas a los intervalos de valores de
dichas distribuciones (la funcin de densidad de probabilidad para un valor
concreto en una distribucin continua es cero). En todos los casos, prescindimos
de las ecuaciones que representan las funciones de probabilidad, podemos
servirnos de las tablas para sustituir estos clculos.

Cada una de las variables continuas se definen en funcin de otras

variables y todas ellas convergen, en algn momento, con la Distribucin Normal.

2.1 DISTRIBUCIN NORMAL

La funcin de densidad normal, tambin conocida como gaussiana, fue

propuesta por Carl Friedrich Gauss como modelo para la distribucin de
frecuencia relativa de errores, como los errores de medicin. Esta curva con forma
de campana es un modelo adecuado para las distribuciones de frecuencia relativa
de datos recabados de muchas reas cientficas diferentes.
La variable aleatoria normal posee una funcin de densidad caracterizada
por dos parmetros. Esta funcin de densidad se expresa a continuacin:
z=

Ec. 2.1

Donde:
z = Valor tipificado de la distribucin normal
x = Variable aleatoria continua a la cual se le asigna el valor de la pregunta

= Media de la poblacin
= Desviacin estndar de la poblacin

EJERCICIO DISTRIBUCIN NORMAL

En un experimento de laboratorio, investigadores de la Barry University
(Miami Shores, Florida) estudiaron la rapidez con que erizos de mar ingeran
pastos marinos (Florida Scientist, verano/otoo de 1991). Los erizos, despus de
48 horas sin alimento, recibieron hojas de pasto marino verde de 5 cm de largo.
Se determin que el tiempo medio de ingestin fue 2,83 horas y que la desviacin

estndar fue de 0,79 horas. Suponga que el tiempo de ingestin de pasto marino
verde para los erizos de mar tiene una distribucin aproximadamente normal.
a. Calcule la probabilidad de que un erizo de mar requerir cuatro horas o ms
para ingerir una hoja de pasto marino verde de 5 cm.
b. Calcule la probabilidad de que un erizo de mar requerir entre dos y tres
horas para ingerir una hoja de pasto marino verde de 5 cm.
Solucin
Datos:

= 2,83 horas
= 0,79 horas
a. Calcular
z=

As que

P( x >4)

42,83
1,48
0,79

P( x >4)=1P( x >1,48)

De acuerdo a la tabla:

P ( x >1 , 48 ) =0,9306

P ( x > 4 ) =10,9306=0,0694 .

Figura 2.1.a
2

P(2< x <3)

b. Calcular
z 1=

22,83
1,05
0,79

z 2=

32,83
0,22
0,79

P (2 x 3 )=0,58710,1469=0,4402

Figura 2.1.b

2.2 DISTRIBUCIN BINOMIAL APROXIMADA A LA

NORMAL

Es un tipo de distribucin que se aproxima a la distribucin normal cuando

"n" es grande.
Esta distribucin est asociada al nmero de veces que aparece el suceso
de un total de n repeticiones del experimento, la variable recproca corresponde al
contar el nmero de veces que aparece el suceso que se est buscando.
3

Est dada por la siguiente expresin:

z=

Donde:
=np
= np(1 p)
Ambas ecuaciones se pueden fusionar en una sola:
= (1 p)

Ec. 2.2

Siendo:
p = Probabilidad

= Media de la poblacin
= Desviacin estndar de la poblacin

EJERCICIO DISTRIBUCIN BINOMIAL APROXIMADA A LA NORMAL

Un examen tipo test consta de 38 preguntas a contestar verdadero o falso.
El examen se aprueba si se contesta correctamente al menos 20 preguntas. Un
alumno responde al examen lanzando al aire una moneda y contestando
verdadero si sale cara y falso si sale cruz. Hallar la probabilidad de aprobar el
examen.
Solucin

Datos:

n = 38
1
2

P=

=( 38 )

( 12 )=19

= 19 (10.5)=3,08
Antes de conseguir
z=

P ( x 20 ) , ajustamos

x=19,5 .

19,519
0,16
3,08

P ( x 20 )=10,5636=0,4364

Figura 2.2
2.3 DISTRIBUCIN DE PROBABILIDAD GAMMA

Es una distribucin adecuada para modelar el comportamiento de variables

aleatorias continuas con asimetra positiva. Es decir, variables que presentan una
5

mayor densidad de sucesos a la izquierda de la media que a la derecha. Se suele

utilizar, por ejemplo, para variables aleatorias, como la duracin de la vida til de
una computadora. Fue propuesta por Karl Pearson.
La frmula para esta distribucin contiene dos parmetros:

y . El

primero, es conocido como parmetro de forma; y si se modifica su valor, cambia

la forma de la distribucin gamma. El segundo, llamado parmetro de escala,
refleja el tamao de las unidades en que se mide x, es decir, desempea la misma
funcin que el parmetro que aparece en la distribucin normal.
b

P ( x <t )=
a

x .e
. dx
. ( )

Ec. 2.3

Donde:
( )=(1) !

EJERCICIO DISTRIBUCIN GAMMA

Investigadores han descubierto que el nivel de creciente mximo (en
millones de pies cbicos por segundo) durante un periodo de cuatro aos para el
Ro Susquehanna en Harrisburg, Pennsylvania, sigue aproximadamente una
distribucin gamma con

=3

=0.07 (Journal of Quality Technology, enero

de 1986).
Determinar la probabilidad de creciente mximo durante un periodo menor a
seis aos para el Ro Susquehanna.
Solucin

Datos:
=3

= 0.07

t = 6 horas
e
x
(
)
0.07
x 31 .
. dx
( 0.07 )3 .(2)
6

P ( x< 6 )=
0

e
x
(
)
0.07
2
x .
. dx
( 0.07 )3 .( 2)
6

P ( x <6 )=
0

r ( ) =( 1 ) !=( 31 ) !=2 !=2

P ( x <6 )=1

2.4 DISTRIBUCIN DE PROBABILIDAD EXPONENCIAL

Este modelo suele utilizarse para variables que describen el tiempo hasta
que se produce un determinado suceso. Esta distribucin, propuesta por
Galambos Jnos, define el comportamiento de todo problema que cae en el
7

terreno de los fenmenos de espera. As como la distribucin de Poisson es usada

en los mismos fenmenos en trminos de eventos discretos, la distribucin
Exponencial se usa cuando los eventos generados constituyen eventos continuos.
Su ecuacin es:
b

P( x >t)=
a

ex /
. dx

Ec. 2.4

EJERCICIO DISTRIBUCIN EXPONENCIAL

La duracin (en horas) de la unidad central de proceso de cierto tipo de
microcomputadora es una variable

aleatoria exponencial con parmetro

=1000 .

Determine la probabilidad de que una unidad central de proceso tenga una

duracin de por lo menos 1500 horas.
Solucin
Sustituimos los valores en la ecuacin 2.4:

P ( x >1500 ) =1

1500

ex/ 1000
. dx
1000

O tambin podemos escribirla del siguiente modo:

1500

P ( x >1500 ) =
0

P ( x >1500 ) =0.7769

ex/1000
. dx
1000

2.5 DISTRIBUCIN DE PROBABILIDAD WEIBULL

Se suele utilizar junto a la distribucin Gamma para modelar la distribucin

de la duracin (tiempo hasta falla) de componentes fabricados, equipos, etc.
Esta funcin contiene dos parmetros

y . El parmetro de escala,

, refleja el tamao de las unidades en que se mide la variable aleatoria x. El

parmetro

es el parmetro de forma. Si se cambia el valor de , es posible

generar un conjunto con una amplia variedad de curvas que modelan

distribuciones de tiempo hasta falla de la vida real.
Fue propuesta por Waloddi Weibull y se expresa mediante la siguiente
ecuacin:

( ) . dx

1
P(x <t)= . ( x ) e

Ec. 2.5

EJERCICIO DISTRIBUCIN WEIBULL

Con base en un gran nmero de pruebas, un fabricante de lavadoras piensa
que la distribucin del tiempo (en aos) antes de que se necesite una reparacin
mayor tiene una distribucin de Weibull con

=2

=4 .

probabilidad de que se necesite una reparacin antes de los 2 aos.

Solucin
Se sustituyen los datos que se poseen en la ecuacin 2.5.

Calcule la

( ) . dx

2
P( x <10)= . ( x 21 ) e
4
0
2

x
4

( ) . dx

1
P( x <10)= ( x ) e
2 0

x
4

P ( x <10 ) =0,6321

2.6 DISTRIBUCIN DE PROBABILIDAD BETA

Es una funcin de densidad con dos parmetros definida en el intervalo

cerrado 0 x 1. Se utiliza frecuentemente como modelo para fracciones, tal
como la proporcin de impurezas en un producto qumico o la fraccin de tiempo
que una mquina est en reparacin. Fue propuesta por Karl Pearson.
Es una funcin que tambin est caracterizada por tener dos parmetros y
tiene tambin lmites inferior y superior finitos. Se expresa mediante:
b

P(x >t)=
a

x 1 (1x) 1
. dx
B( , )

B se expresa como:
B=

( ) ()
( + )

Quedando entonces:

10

P ( x >t )=
a

( + ) 1
( x ( 1x )1 ) . dx
( ) ( )

Ec. 2.6

Donde:
0x1

y > 0

( )=(1) !

( )=( 1) !

EJERCICIO DISTRIBUCIN BETA

Los sensores de infrarrojo de un sistema robtico computarizado envan
informacin a otros sensores en diferentes formatos. El porcentaje x de las
seales que se envan y que son directamente compatibles para todos los
sensores del sistema sigue una distribucin beta con

==2 .

Calcule la probabilidad de que ms de 30 % de las seales de infrarrojo

enviadas en el sistema sean directamente compatibles para todos los
compresores.
Solucin
Se sustituyen los datos en la ecuacin 2.6:
1

P ( x >0,30 )=

0.30

(2+ 2 ) 21
( x ( 1x )21) . dx
(2) (2)

11

P ( x >0,30 )=

0,30

P ( x >0,30 )=

0,30

P ( x >0,30 )=

0,30

(4 )
( x ( 1x ) ) . dx
(2) (2)

( 3) !
( x ( 1x ) ) . dx
( 1) ! ( 1) !

(4 )
( x ( 1x ) ) . dx
(2) (2)
1

P ( x >0,30 )= 6 x ( 1x ) . dx
0,30

P ( x >0,30 )= 6 x ( 1x ) . dx
0,30

P ( x >0,30 )=0,784

12

CONCLUSIONES

Las variables aleatorias continuas son aquellas que poseen funciones de

distribucin acumulativa continuas. Son variables que pueden asumir valores que
corresponden al nmero infinitamente grande de puntos contenidos en uno o ms
intervalos de la lnea real.
Las distribuciones continuas pueden tomar cualquier valor y no nicamente
un nmero determinado como ocurre en las distribuciones discretas. Tambin
decimos que una variable es continua cuando uno de los infinitos valores posibles
tendr probabilidad cero y solo se podr hablar de probabilidad dentro de
intervalos.
Hay diversos tipos de variables aleatorias continuas, la mayor parte de las
distribuciones de frecuencia relativa de los datos en ingeniera y ciencias se puede
modelar con una de las seis funciones de densidad de probabilidad que se
presentaron en el trabajo de investigacin: la distribucin normal, la distribucin
binomial aproximada a la normal, la distribucin gamma, la distribucin
exponencial, distribucin Weibull y la distribucin beta.

13

BIBLIOGRAFA
Meyer, P. (1973). Probabilidad y Aplicaciones Estadsticas . Mxico D.F.: Fondo
Educativo Interamericano.

Mendenhall, J. B., & Beaver, M. (2012). Probabilidad y Estadstica para

Ingenieros. Mxico D.F. : Publicaciones Santa Fe.

D., Raymond. (Diciembre de 2011). Virtual.unal. Recuperado el 3 de Diciembre de

2014,

de

http://www.virtual.unal.edu.co/cursos/ciencias/2001065/html/un2/cont_233_75.html

Mendoza, H. (Junio de 2003). Monografas. Recuperado el 2 de Diciembre de

2014, de http://www.monografias.com/trabajos10/dino/dino.shtml

Rengel, C. (15 de Septiembre de 2009). Instituto Tecnolgico de Chihuahua .

Recuperado

el

de

Diciembre

de

2014,

de

http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/04Distribuciones
%20de%20Probabilidad.htm.

14