Distribuciones Importantes Continuas

Distribuciones importantes
Parte 2 – Distribuciones continuas

Distribuciones continuas
• Distribución Uniforme continua
• Distribución Normal
• Distribución Gamma
o Distribución Exponencial
o Distribución Ji-cuadrada
Se describirán con detalle sus propiedades y los parámetros que las caracterizan
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝑭𝒖𝒏𝒄𝒊ó𝒏
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑽𝒂𝒓𝒊𝒂𝒏𝒛𝒂
𝑫𝒊𝒔𝒕𝒓𝒊𝒃𝒖𝒄𝒊ó𝒏 𝑵𝒐𝒕𝒂𝒄𝒊ó𝒏 𝑺𝒐𝒑𝒐𝒓𝒕𝒆 𝑹𝒙 𝒑𝒓𝒐𝒃𝒂𝒃𝒊𝒍𝒊𝒅𝒂𝒅 𝒈𝒆𝒏𝒆𝒓𝒂𝒅𝒐𝒓𝒂
𝑬(𝑿) 𝑽𝒂𝒓(𝑿)
𝒇(𝒙) 𝒅𝒆 𝒎𝒐𝒎𝒆𝒏𝒕𝒐𝒔
𝑘 𝑘
1 1 1 1
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑑𝑖𝑠𝑐𝑟𝑒𝑡𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓 {𝑥1 , … , 𝑥𝑘 } 𝑥 ∈ {𝑥1 , … , 𝑥𝑘 } ෍ 𝑥𝑖 ෍(𝑥𝑖 − 𝐸 𝑋 )2 σ𝑖 𝑒 𝑡𝑥𝑖
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)
𝑛 𝑥
𝐵𝑖𝑛𝑜𝑚𝑖𝑎𝑙 𝑋 ~ 𝐵𝑖(𝑛, 𝑝) 𝑥 ∈ {0, 1, … , 𝑛} 𝑝 (1 − 𝑝)𝑛−𝑥 𝑛𝑝 𝑛𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝) 𝑛
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑃𝑜𝑖𝑠𝑠𝑜𝑛 𝑋 ~ 𝑃𝑜(𝜆) 𝑥 ∈ {0, 1, 2, … } 𝜆 𝜆 𝑒 𝜆(𝑒
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑈𝑛𝑖𝑓𝑜𝑟𝑚𝑒 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑎 𝑋 ~ 𝑈𝑛𝑖𝑓(𝑎, 𝑏) 𝑎≤𝑥≤𝑏
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝑁𝑜𝑟𝑚𝑎𝑙 𝑋 ~ 𝑁(𝜇, 𝜎 2 ) −∞ < 𝑥 < ∞ 𝑒 2 𝜎 𝜇 𝜎2 𝑒 𝜇𝑡 + 2 𝜎 𝑡
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 1 − 𝛽𝑡 −𝛼
Γ(𝛼)𝛽 𝛼
Distribución uniforme continua
Características y definición
Una variable aleatoria 𝑋 se dice que tiene una distribución uniforme (o rectangular) continua en
el intervalo [𝑎, 𝑏] con 𝑎 y 𝑏 números reales, si su función de densidad está dada por:
1
𝑎≤𝑥≤𝑏 𝑓𝑋 𝑥 ≥ 0
𝑓𝑋 𝑥 = 𝑏−𝑎 Notar que f(x) cumple
‫ = 𝑥𝑑 𝑥 𝑋𝑓 ׬‬1
0 𝑒. 𝑜. 𝑐.
𝑓𝑋 𝑥
Notación: 𝑋 ~ 𝑈 (𝑎, 𝑏)
𝑥
Distribución uniforme continua
La distribución uniforme continua en (𝑎, 𝑏) es simétrica
A los intervalos de la misma longitud contenidos en (𝑎, 𝑏) se les asigna la misma probabilidad.
Esto se entiende con facilidad si se representa gráficamente la probabilidad de que X se
encuentre en el intervalo (𝑠, 𝑡)
𝑓𝑋 𝑥
𝑠 𝑡
𝑥
Valor esperado y varianza de la distribución uniforme
continua
El valor esperado y la varianza de una variable aleatoria X con distribución 𝑈 [𝑎, 𝑏] están dados por:
𝑏 𝑏
1 𝑎+𝑏
𝜇𝑋 = 𝐸 𝑋 = න 𝑥 𝑓𝑋 𝑥 𝑑𝑥 = න 𝑥 𝑑𝑥 =
𝑎 𝑎 𝑏−𝑎 2
𝑏 2
𝑎+𝑏 1 (𝑏 − 𝑎)2
𝜎𝑋2 = 𝐸 𝑋 − 𝜇𝑋 2
=න 𝑥− 𝑑𝑥 =
𝑎 2 𝑏−𝑎 12
Ejemplo- distribución uniforme continua
En el ITAM un alumno se dirige a la biblioteca para solicitar el préstamo de un libro y decide que no puede esperar más
de 10 minutos en ser atendido. Si se supone que el bibliotecario tarda por lo menos 0.5 minutos en atender a una
persona, entonces es razonable proponer una distribución uniforme en el intervalo (0.5, 10) para modelar el
comportamiento de la variable 𝑇 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛 𝑠𝑒𝑟 𝑎𝑡𝑒𝑛𝑑𝑖𝑑𝑜 (en minutos). La función de densidad de 𝑇 y su gráfica son:
𝑓𝑇 𝑡 0.12
0.1
1 0.08
0.5 ≤ 𝑡 ≤ 10
9.5 0.06
𝑓𝑇 𝑡 = .312
0.04
0 𝑒. 𝑜. 𝑐.
0.02
0
0 2 4 6 8 10 𝑇
¿Cuál es la probabilidad de que el tiempo en ser atendido sea mayor a 5 minutos pero menor a 8 minutos?
8
1 1 3 La misma probabilidad se obtiene
𝑃 5<𝑇<8 =න 𝑑𝑡 = 8−5 = = 0.312
5 9.5 9.5 9.5 para cualquier lapso de 3 minutos
Ejemplo - distribución uniforme continua
Encontrar el intervalo a una desviación estándar alrededor del valor esperado de 𝑇.
0.5 + 10 2
10 − 0.5
𝜇𝑇 = 𝐸 𝑇 = = 5.25 𝜎𝑇2 = 𝑉𝑎𝑟 𝑇 = = 7.52
2 12
Por lo tanto el intervalo que buscamos es:
[5.25 − 7.52 , 5.25 + 7.52]
[2.51, 7.99]
Función de distribución acumulada (Uniforme continua)
La función de distribución acumulada de una variable aleatoria 𝑋 ~ 𝑈 [𝑎, 𝑏] está dada por
𝐹𝑋 𝑥
0 𝑥<𝑎
𝑥−𝑎
𝐹𝑋 𝑥 = 𝑎≤𝑥≤𝑏
𝑏−𝑎
1 𝑥>𝑏
Otra forma de representar el valor de 𝐹𝑋 𝑥 es por medio del área bajo la curva 𝑓𝑋 𝑥 , es decir:
𝐹𝑋 𝑥 = Área
𝑓𝑋 𝑥
𝑥
𝑥
Función de distribución acumulada (Uniforme continua)
Para el ejemplo, la función de distribución es:
0 𝑡 < 0.5
𝐹𝑇 𝑡 = 𝑡 − 0.5 0.5 ≤ 𝑡 ≤ 10
9.5
1 𝑡 > 10
¿Cuál es la probabilidad de que el tiempo en ser atendido se encuentre en el intervalo construido a una
desviación estándar alrededor del tiempo esperado?
𝑃 2.51 ≤ 𝑇 ≤ 7.99 = 𝐹𝑇 7.99 − 𝐹𝑇 2.51
7.99 − 0.5 2.51 − 0.5

= −
9.5 9.5
= 0.5777
Ejemplo- cuartiles (Uniforme continua)
Encontrar el primer cuartil 𝑄1 para la variable aleatoria 𝑇
Solución:
Por definición, 𝑄1 es aquel valor tal que 𝐹𝑇 (𝑄1 ) = .25
Por lo tanto, la ecuación a resolver es: 𝑄1 − 0.5

= .25 𝑄1 = .25 9.5 + 0.5 = 2.875
9.5
Tarea: encontrar la mediana y el tercer cuartil 𝑄3 para la variable aleatoria 𝑇

Ejemplo***
Si el alumno fuera 15 veces a la biblioteca a solicitar préstamo de libros y en cada ocasión el
tiempo 𝑇 en ser atendido se considera una variable aleatoria con distribución 𝑈 (𝑎, 𝑏) ¿Cuál es la
probabilidad de que en más de 10 ocasiones tenga que esperar más de 2.875 minutos?
Solución:
Sabemos que 𝑄1 = 2.875 ⇒ 𝑃 𝑇 > 2.875 = 0.75 y 𝑃 𝑇 < 2.875 = 0.25
Definimos una nueva variable aleatoria 𝑋 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑚á𝑠 𝑑𝑒 2.875 𝑚𝑖𝑛𝑢𝑡𝑜𝑠
𝑋 ~ 𝐵𝑖𝑛(15, 0.75)
Por lo tanto 𝑃 𝑋 > 10 = 1 − 𝐹 10 = 1 − 0.3135 = 0. 6865

Función generadora de momentos
La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝑈 [𝑎, 𝑏] está dada por
𝑏
𝑒 𝑋𝑡 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑋𝑡 = න 𝑑𝑥 =
𝑎 𝑏−𝑎 𝑡(𝑏 − 𝑎)
𝑘 𝑘
1 1 1 1
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 (1 − 𝛽𝑡)−𝛼
Γ(𝛼)𝛽 𝛼
Distribución Normal
La distribución normal o de Gauss es una distribución de probabilidad continua.
La gráfica de su función de densidad tiene una forma acampanada y es simétrica. Esta curva se
conoce como campana de Gauss.
A la variable aleatoria 𝑋 que sigue esta distribución, se le conoce como variable aleatoria normal
Como esta distribución es continua, la probabilidad de que X sea igual a cualquier posible valor,
digamos b, es cero. 𝑃 𝑋 = 𝑏 = 0
𝜇𝑋
Distribución Normal
La importancia de esta distribución radica en que permite modelar numerosos fenómenos naturales,
sociales y psicológicos, por ejemplo
• Estatura
• Efectos de un fármaco
• Consumo de cierto producto por un grupo de individuos
• Coeficiente intelectual
• Nivel de ruido en telecomunicaciones
• Errores cometidos al medir ciertas magnitudes
Además, esta distribución juega un papel de suma importancia en la inferencia estadística

Función de densidad de la distribución Normal 𝑓𝑋 𝑥
Una variable aleatoria 𝑋 sigue una distribución normal si su función de densidad está dada por:
1 1 𝑥−𝜇 2
−
𝑓𝑋 𝑥 = 𝑒 2 𝜎 −∞ < 𝑥 < ∞
𝜎 2𝜋
𝑑𝑜𝑛𝑑𝑒 𝜋 = 3.14159 …
𝑒 = 2.71828 …
𝜇𝑋 𝑦 𝜎𝑋2 𝑠𝑜𝑛 𝑙𝑜𝑠 𝑝𝑎𝑟á𝑚𝑒𝑡𝑟𝑜𝑠 𝑞𝑢𝑒 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑧𝑎𝑛 𝑎 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑁𝑜𝑟𝑚𝑎𝑙
El espacio parametral en esta distribución corresponde a las parejas de valores
𝜇𝑋 , 𝜎𝑋 ∈ ℜ2 −∞ < 𝜇𝑋 < ∞, 𝜎𝑋 > 0
Cualquier combinación particular de 𝜇𝑋 y 𝜎𝑋 en este conjunto de valores, da lugar a una

distribución de probabilidad particular, dentro de la familia de las distribuciones normales.
Valor esperado y varianza de la distribución Normal
La media y la varianza de una variable aleatoria 𝑋 distribuida normalmente se calculan:
∞ 1 𝑥−𝜇 2 ∞ 1 𝑥−𝜇 2
1 − 1 2 −2 𝜎
𝐸 𝑋 = න 𝑥𝑒 2 𝜎 𝑑𝑥 = 𝜇𝑋 𝑉𝑎𝑟 𝑋 = න 𝑥−𝜇 𝑒 𝑑𝑥 = 𝜎𝑋2
𝜎 2𝜋 −∞ 𝜎 2𝜋 −∞
Notación: Si 𝑋 es una variable aleatoria que tiene una distribución normal con media 𝜇𝑋 y
varianza 𝜎𝑋2 esto se denotará como
𝑋 ~ 𝑁(𝜇𝑋 , 𝜎𝑋2 )
Características de la distribución Normal
1. La distribución normal tiene la propiedad de ser simétrica con respecto a la media 𝜇𝑋 , para
cualesquiera valores 𝜇𝑋 𝑦 𝜎𝑋2
2. La función de densidad 𝑓𝑋 𝑥 se maximiza cuando 𝑥 = 𝜇𝑋 lo cual se puede demostrar mediante

técnicas de cálculo diferencial
3. La media, mediana y moda de una distribución normal coinciden
4. Los puntos de inflexión, es decir, los cambios de concavidades en la curva normal se dan en los
valores de 𝑥 = 𝜇𝑋 − 𝜎𝑋 y 𝑥 = 𝜇𝑋 + 𝜎𝑋
Características de la distribución Normal
5. A 𝜇𝑋 se le considera como un parámetro de localización, ya que si el valor de 𝜎𝑋 se mantiene

fijo y el valor de la media cambia, la curva únicamente se desplazará a la derecha o la izquierda,
dependiendo del valor de la media (ver gráficas 2 y 4)
6. La varianza 𝜎𝑋2 es el parámetro de dispersión. Si el valor de la media 𝜇𝑋 se mantiene fijo y el

valor de 𝜎𝑋2 cambia, la localización de la curva es la misma pero la concentración cambia. Si por
ejemplo 𝜎𝑋2 aumenta, la dispersión se incrementa y la distribución normal se ve más achatada.
(ver gráficas 1, 2 y 3)
𝑓𝑋 𝑥
7. La distribución normal cumple con la

regla empírica 1. 𝜇𝑋 = 0 , 𝜎𝑋2 = 0.5
2. 𝜇𝑋 = 0 , 𝜎𝑋2 = 1
3. 𝜇𝑋 = 0 , 𝜎𝑋2 = 2
4. 𝜇𝑋 = −2 , 𝜎𝑋2 = 1
𝑥
Sabemos que:
La varianza es usada como una medida para comparar la dispersión en dos o más conjuntos
de observaciones.
Una desviación estándar pequeña indica que los valores de la variable aleatoria se
encuentran cercanos a la media.
Una desviación estándar grande indica que los valores de la variable aleatoria se dispersan
mucho con respecto a la media.
Estas relaciones entre la media y la desviación estándar son consideradas en la regla empírica y
la utilidad de ésta radica en que da a conocer, aproximadamente, el porcentaje del área total
bajo la curva asociada a un intervalo alrededor de la media.
Regla empírica
Para una distribución simétrica y en forma de campana, como en el caso de la distribución

normal, aproximadamente:
El 68% del área debajo de la curva

estará dentro de la media más y menos
una desviación estándar 𝜇𝑋 ± 𝜎𝑋
μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ
El 95% del área debajo de la curva

estará en el intervalo 𝜇𝑋 ± 2𝜎𝑋
El 99.7% del área debajo de la curva

estará en el intervalo 𝜇𝑋 ± 3𝜎𝑋

Función de distribución acumulada Normal 𝐹𝑋 (𝑥)
La función de distribución acumulada 𝐹𝑋 (𝑥) de una variable normal 𝑋 proporciona la probabilidad

de que 𝑋 tome valores menores o iguales a un valor específico 𝑥 y corresponde al área bajo la
curva normal en el intervalo (−∞, 𝑥)
𝐹𝑋 (𝑥)
¿Cómo se calcula el valor de esa área?

Función de distribución acumulada Normal 𝐹𝑋 (𝑥)
La función de distribución acumulada se obtiene a partir de la siguiente integral,
𝐹𝑋 (𝑥)
𝑥 1 𝑡−𝜇 2
1 −
𝐹𝑋 𝑥 = න 𝑒 2 𝜎 𝑑𝑡
𝜎 2𝜋 −∞
La cual no es sencilla de calcular. Tampoco existen tablas para cada posible pareja de valores de 𝜇 y
𝜎, ya que esto sería imposible de obtener dado que existe un número infinito de valores.
Afortunadamente, cualquier variable aleatoria normal 𝑋 puede transformarse a lo que se denomina

una variable aleatoria estandarizada, y cualquier probabilidad acumulada puede obtenerse a partir
de una única tabla normal estandarizada.
Distribución Normal estandarizada
Definición
Se dice que una variable aleatoria sigue una distribución normal estandarizada cuando su media
es cero y su varianza 1.
Notación
A cualquier variable normal estandarizada se le denotará con la letra 𝑍. Como su media es 0 y su

varianza 1, se tiene 𝑍 tal que
𝑍 ~ 𝑁(0, 1)
Estandarización
Cualquier variable aleatoria 𝑋 que sigue una distribución normal con media 𝜇𝑋 y varianza 𝜎𝑋2 se
puede transformar a una variable normal estandarizada mediante la siguiente relación:
𝑋 − 𝜇𝑋
𝑍=
𝜎𝑋
La media y la varianza de la variable 𝑍 están dadas por:
𝑋 − 𝜇𝑋 𝑋 − 𝜇𝑋
𝜇𝑍 = 𝐸(𝑍) = 𝐸 𝜎𝑍2 = 𝑉𝑎𝑟(𝑍) = 𝑉𝑎𝑟
𝜎𝑋 𝜎𝑋
1 1
= 𝐸 𝑋 − 𝜇𝑋 = 𝑉𝑎𝑟 𝑋 − 𝜇𝑋
𝜎𝑋 𝜎𝑋2
1 1
= 𝜇 − 𝜇𝑋 = 𝑉𝑎𝑟(𝑋)
𝜎𝑋 𝑋 𝜎𝑋2
=0 =1
Función acumulada de una distribución Normal estandarizada 𝐹𝑍 (𝑧)
La probabilidad de que la variable 𝑍 tome valores menores o iguales a 𝑧 se calcula:
𝑧 𝑡2
1 −2
𝐹𝑍 𝑧 = 𝑃 𝑍 ≤ 𝑧 = න 𝑒 𝑑𝑡
2𝜋 −∞
Por otro lado, si 𝑋 sigue una distribución normal con media 𝜇𝑋 y varianza 𝜎𝑋2 entonces la variable
𝑋 − 𝜇𝑋
𝑍=
𝜎𝑋
también se distribuye normalmente y se cumple que
𝑃 𝑋≤𝑥 =𝑃 𝑍≤𝑧
Esto significa que la estandarización de la variable 𝑋 nos permite evaluar probabilidades

acumuladas para cualquier 𝑁(𝜇𝑋 , 𝜎𝑋2 ) mediante una sola tabla de probabilidades.
Segundo decimal del valor de
z en el que queremos la
probabilidad acumulada
Valor de z en el que queremos

la probabilidad acumulada
(entero y primer decimal)
Probabilidad
ACUMULADA
Áreas simétricas
Es importante mencionar que, dado que la distribución Normal es simétrica, las áreas a
la izquierda de −𝑧 y a la derecha de 𝑧 son iguales.
Ejemplo:
𝑓(𝑧)
𝐴1 = 𝐴2 = 0.0228
𝑧
Ejemplo 1 - Distribución Normal estandarizada
Se quiere obtener el área entre la media de una distribución normal estandarizada y 𝑧 = 1.25,
es decir, 𝑃(0 ≤ 𝑍 ≤ 1.25)
𝐹𝑍 1.25
Se quiere obtener el área entre la media de una distribución normal estandarizada y 𝑧 = 1.25,
es decir, 𝑃(0 ≤ 𝑍 ≤ 1.25)
Solución:
Buscamos en la tabla el valor de 𝑃 𝑍 ≤ 1.25 = F 1.25 = 0.8944 este valor corresponde a la

probabilidad de que 𝑍 esté entre −∞ y 1.25
Además se sabe que la probabilidad de que 𝑧 esté entre −∞ y 0 es igual a 0.5
Por lo tanto 𝑃 0 ≤ 𝑍 ≤ 1.25 = 𝐹𝑍 1.25 − 𝐹𝑍 0
= 0.8944 − 0.5
= 0.3944
Suponga que la demanda mensual 𝑋 de un producto se distribuye normalmente con media igual a 200
litros y desviación estándar igual a 40 litros
a) Encuentre la probabilidad de que la demanda mensual sea mayor a 225 litros
b) Determine la probabilidad de que la demanda mensual se encuentre entre 195 y 215 litros
c) ¿Qué tan grande debe ser el inventario disponible de este producto, a principios de mes, para que
la probabilidad de que la existencia se agote sea igual a 0.05?
𝑋 ~ 𝑁(200, 402 )
𝑋 − 𝜇𝑋 225 − 200
𝑃 𝑋 > 225 = 𝑃 >
𝜎𝑋 40
= 𝑃 𝑍 > 0.63
= 1 − 𝐹𝑍 0.63
𝐹𝑍 0.63
𝑋 ~ 𝑁(200, 402 )
𝑋 − 𝜇𝑋 225 − 200
𝑃 𝑋 > 225 = 𝑃 >
𝜎𝑋 40
= 𝑃 𝑍 > 0.63
= 1 − 𝐹𝑍 0.63
= 0.2643 El 26.43% de las veces la demanda mensual

del producto es mayor a 225 litros
𝑋 ~ 𝑁(200, 402 )
225 − 200 𝑋 − 𝜇𝑋 225 − 200

𝑃 195 ≤ 𝑋 ≤ 215 = 𝑃 ≤ ≤
40 𝜎𝑋 40
= 𝑃 −0.13 ≤ 𝑍 ≤ 0.38
= 𝐹𝑍 0.38 − 𝐹𝑍 −0.13
𝐹𝑍 0.38
𝐹𝑍 −0.13
𝑋 ~ 𝑁(200, 402 )
195 − 200 𝑋 − 𝜇𝑋 215 − 200

𝑃 195 ≤ 𝑋 ≤ 215 = 𝑃 ≤ ≤
40 𝜎𝑋 40
= 𝑃 −0.13 ≤ 𝑍 ≤ 0.38
= 𝐹𝑍 0.38 − 𝐹𝑍 −0.13
= 0.1997 El 19.97% de las veces la demanda mensual

del producto está entre 195 y 215 litros
Suponga que la demanda mensual 𝑋 de un producto se distribuye normalmente con media igual a 200 litros
y desviación estándar igual a 40 litros
𝑋 ~ 𝑁(200, 402 )
c) ¿Qué tan grande debe ser el inventario disponible de este producto, a principios de mes, para que la
probabilidad de que la existencia se agote sea igual a 0.05?
Sea 𝑎 la cantidad del producto que hay en inventario a principio del mes.
Si la cantidad mensual demandada 𝑋 es mayor al valor de 𝑎, entonces el producto en el inventario se agotará.
𝑃 𝑋 > 𝑎 = 0.05 𝑎 − 200

𝐹𝑍 = .95
X − 𝜇𝑋 𝑎 − 200 40
𝑃 > = 0.05
𝜎𝑋 40
𝑎 − 200
𝑃 𝑍> = 0.05
40
𝑎 − 200
1 − 𝐹𝑍 = 0.05
40
𝐹𝑍 ? = .95
Suponga que la demanda mensual 𝑋 de un producto se distribuye normalmente con media igual a 200 litros
y desviación estándar igual a 40 litros
𝑋 ~ 𝑁(200, 402 )
c) ¿Qué tan grande debe ser el inventario disponible de este producto, a principios de mes, para que la
probabilidad de que la existencia se agote sea igual a 0.05?
Sea 𝑎 la cantidad del producto que hay en inventario a principio del mes.
Si la cantidad mensual demandada 𝑋 es mayor al valor de 𝑎, entonces el producto en el inventario se agotará.
𝑃 𝑋 > 𝑎 = 0.05 𝑎 − 200

𝐹𝑍 = .95
X − 𝜇𝑋 𝑎 − 200 40
𝑃 > = 0.05
𝜎𝑋 40 Para que se dé una
𝑎 − 200 probabilidad de 0.05 de que
= 1.65
𝑎 − 200 40
𝑃 𝑍> = 0.05 la demanda mensual del
40
producto se agote, entonces
𝑎 = 265.8 al principio del mes debe de
𝑎 − 200
1 − 𝐹𝑍 = 0.05 haber en el inventario 265.8
40
litros del producto.
La función generadora de momentos de una variable aleatoria 𝑋 ~𝑁 𝜇𝑋 , 𝜎𝑋2

está dada por
1 2 2
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑋𝑡 = 𝑒 𝜇𝑡 + 2 𝜎𝑡
Suma de variables aleatorias normales
independientes
Sean 𝑌1 , 𝑌2 , … , 𝑌𝑛 variables aleatorias independientes que tienen una distribución normal con
𝐸(𝑌𝑖 ) = 𝜇𝑖 y 𝑉𝑎𝑟(𝑌𝑖 ) = 𝜎𝑖2 para 𝑖 = 1, 2, 3, … 𝑛 y 𝑎1 , 𝑎2 , … , 𝑎𝑛 constantes. Si
𝑈 = ෍ 𝑎𝑖 𝑌𝑖 = 𝑎1 𝑌1 + 𝑎2 𝑌2 + ⋯ + 𝑎𝑛 𝑌𝑛
𝑖=1
entonces U es una variable aleatoria que tiene una distribución normal con
𝑛 𝑛
𝐸(𝑈) = ෍ 𝑎𝑖 𝜇𝑖 = 𝑎1 𝜇1 + 𝑎2 𝜇2 + ⋯ + 𝑎𝑛 𝜇𝑛 𝑉𝑎𝑟(𝑈) = ෍ 𝑎𝑖2 𝜎𝑖2 = 𝑎12 𝜎12 + 𝑎22 𝜎22 + ⋯ + 𝑎𝑛2 𝜎𝑛2
𝑖=1 𝑖=1
Aproximación de la distribución Binomial
𝑛 ≥ 25 0.1 ≤ 𝑝 ≤ 0.9 aproximar a la Normal de media 𝑛𝑝, varianza 𝑛𝑝(1 − 𝑝)
𝑛 ≥ 25 0 < 𝑝 < 0.1 aproximar a la Poisson con 𝜆 = 𝑛𝑝
𝑛 ≥ 25 0.9 < 𝑝 < 1 aproximar a la Poisson con 𝜆 = 𝑛𝑞
𝑛 < 25 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑝 no aproximar, calcular con la variable original

Aproximación de la distribución Poisson
𝜆 ≥ 10 aproximar a la Normal de media 𝜆, varianza 𝜆
𝜆 < 10 no aproximar, calcular con la variable original

𝑘 𝑘
1 1 1 1
𝑘 𝑘 𝑘 𝑘
𝑖=1 𝑖=1
𝑛 𝑥
𝑥
𝜆𝑥 𝑒 −𝜆 𝑡 −1)
𝑥!
1 𝑎+𝑏 (𝑏 − 𝑎)2 𝑒 𝑡𝑏 − 𝑒 𝑡𝑎
𝑏−𝑎 2 12 𝑡(𝑏 − 𝑎)
1 1 𝑥−𝜇 2 1 2 2
−
𝜎 2𝜋
𝑥
−
𝐺𝑎𝑚𝑚𝑎 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) 𝑥∈ℛ + 𝑥 𝛼−1 𝑒 β 𝛼𝛽 𝛼𝛽 2 1 − 𝛽𝑡 −𝛼
Γ(𝛼)𝛽 𝛼
Distribución Gamma
Algunas variables aleatorias son siempre no negativas y por varias razones dan distribuciones
de datos que está sesgadas a la derecha, como se muestra a continuación:
La población asociada con estas variables aleatorias posee con frecuencia funciones de
densidad que son modeladas de manera adecuada por una función de densidad gamma.
Distribución Gamma
Una variable aleatoria 𝑋 tiene una distribución Gamma con parámetros 𝛼 > 0 y 𝛽 > 0
si su función de densidad está dada por:
𝑥
𝛼−1 −
𝑥 𝑒 β
0≤𝑥<∞
Γ(𝛼)𝛽 𝛼
𝑓𝑋 𝑥 =
0 𝑒. 𝑜. 𝑐.
∞
donde Γ 𝛼 = න 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0
Función Gamma Γ 𝛼
∞
Γ 𝛼 = න 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥
0
La cantidad Γ 𝛼 se conoce como función gamma.
Observar que Γ 1 = 1
La integración por partes verifica que Γ 𝛼 = (𝛼 − 1)Γ 𝛼 − 1 para cualquier 𝛼 > 1

y por lo tanto Γ 𝑛 = 𝑛 − 1 ! siempre que 𝑛 sea un entero
Parámetros de la distribución Gamma
𝛼 es el parámetro de forma
𝛽 es el parámetro de escala
𝑓(𝑥)
𝜶 = 𝟎. 𝟓 𝜷=𝟏 𝜶=𝟑 𝜷 = 𝟏. 𝟑𝟓
𝜶=𝟑 𝜷=𝟏 𝜶=𝟑 𝜷 = 𝟏. 𝟏
𝜶=𝟔 𝜷=𝟏 𝜶=𝟑 𝜷 = 𝟎. 𝟗
𝜶 = 𝟏𝟐 𝜷=𝟏 𝜶=𝟑 𝜷 = 𝟎. 𝟔𝟓
𝑥
Valor esperado y varianza de la distribución Gamma
Si 𝑋 tiene una distribución gamma con parámetros 𝛼 y 𝛽 la media y la varianza son:
𝐸 𝑋 = 𝛼𝛽 𝑉𝑎𝑟 𝑋 = 𝛼𝛽 2
Notación: Si 𝑋 es una variable aleatoria que tiene una distribución Gamma con parámetros
𝛼 y 𝛽, esto se denotará como
𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽)
La función generadora de momentos de una variable aleatoria 𝑋 ~ 𝐺𝑎𝑚𝑚𝑎(𝛼, 𝛽) está

dada por
𝑀𝑋 𝑡 = 𝐸 𝑒 𝑋𝑡 = (1 − 𝛽𝑡)−𝛼
Ejemplo
Los tiempos de respuesta (en segundos) en una terminal de computadora en línea tienen una
distribución Gamma con media de cuatro y varianza de ocho.
a) Escriba la función de densidad de probabilidad para los tiempos de respuesta
b) Use el teorema de Tchebysheff para dar un intervalo que contenga al menos 75% de los
tiempos de respuesta.
Ejemplo
Los tiempos de respuesta (en segundos) en una terminal de computadora en línea tienen una
distribución Gamma con media de cuatro y varianza de ocho.
a) Escriba la función de densidad de probabilidad para los tiempos de respuesta

𝑥 𝑥 𝒙
−
𝜇 = 𝛼𝛽 = 4 𝑥 𝛼−1 𝑒 β 𝑥 2 𝑒 − 2 𝒙 𝒆− 𝟐 0≤𝑥<∞
= =
𝜎 2 = 𝛼𝛽 2 = 8 Γ(𝛼)𝛽 𝛼 Γ(2)22 𝟒
𝑓𝑋 𝑥 =
0 𝑒. 𝑜. 𝑐.
𝛼=𝛽=2
b) Use el teorema de Tchebysheff para dar un intervalo que contenga al menos 75% de los
tiempos de respuesta.
1 (𝜇 − 2𝜎, 𝜇 + 2𝜎)
𝑃( 𝑋 − 𝜇 < 𝑘𝜎) ≥ 1 −
𝑘2
(4 − 2 8, 4 + 2 8)
1
1 − 2 = 0.75 → 𝑘 = 2
𝑘 (−1.66,9.68)
Por lo tanto, buscamos el intervalo a dos
desviaciones estándar de la media
(𝟎 , 𝟗. 𝟔𝟖) Ya que debe ser positivo
Distribución Gamma
Dos casos especiales de variables aleatorias con distribución gamma ameritan

consideración particular:
1
• Distribución exponencial (Gamma con 𝛼 = 1 y 𝛽 = )
𝜆
𝑛
• Distribución ji-cuadrada (Gamma con 𝛼 = y 𝛽 = 2)
2
Distribución exponencial
La distribución exponencial es una distribución continua que ha resultado adecuada para

modelar el tiempo que transcurre entre la ocurrencia de dos eventos en un proceso Poisson.
Algunos ejemplos en los que podría utilizarse la distribución exponencial son:
El tiempo transcurrido en un call center hasta recibir la primer llamada del día
El tiempo entre terremotos de una determinada magnitud
Supongamos una máquina que produce hilo de alambre, la cantidad de metros de alambre hasta
encontrar una falla en el alambre se podría modelar como una exponencial.
Distribución exponencial
Una variable aleatoria 𝑋 tiene una distribución exponencial con parámetro λ > 0 si su función
de densidad está dada por
λ 𝑒 −λ𝑥 𝑥>0 𝑓𝑋 𝑥 ≥ 0
Notar que f(x) cumple
𝑓𝑋 𝑥 =
‫ = 𝑥𝑑 𝑥 𝑋𝑓 ׬‬1
0 𝑒. 𝑜. 𝑐.
𝝀 = 𝟎. 𝟓
Notación: 𝝀 =𝟏
𝝀 = 𝟏. 𝟓
𝑋 ~ 𝐸𝑥𝑝(λ)
Función de distribución acumulada de una exponencial
La función de distribución de una variable aleatoria 𝑋~𝐸𝑥𝑝(λ) está dada por
0 𝑥≤0
𝐹𝑋 𝑥 = 𝑃(𝑋 ≤ 𝑥)
1 − 𝑒 −λ𝑥 𝑥>0
Valor esperado y varianza de la distribución exponencial
El valor esperado y la varianza de una distribución 𝐸𝑥𝑝(λ) se encuentran al resolver las integrales:
∞ ∞
𝜇𝑋 = 𝐸 𝑋 = න 𝑥 λ 𝑒 −λ𝑥
𝑑𝑥 𝜎𝑋2 = 𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2
− 𝜇𝑋 = න 𝑥 2 λ 𝑒 −λ𝑥 𝑑𝑥 − 𝜇𝑋 2
2
0 0
Realizando integración por partes en ambos casos:
1 1
𝜇𝑋 = 𝜎𝑋2 =
𝜆 𝜆2
Ejemplo – distribución exponencial
Considere la variable aleatoria:
𝑋 = 𝑡𝑖𝑒𝑚𝑝𝑜 (𝑒𝑛 𝑚𝑖𝑛𝑢𝑡𝑜𝑠) 𝑒𝑛𝑡𝑟𝑒 𝑙𝑎 𝑙𝑙𝑒𝑔𝑎𝑑𝑎 𝑑𝑒 𝑑𝑜𝑠 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑎 𝑙𝑎 𝑓𝑖𝑙𝑎 𝑑𝑒 𝑢𝑛𝑎 𝑠𝑢𝑐𝑢𝑟𝑠𝑎𝑙 𝑏𝑎𝑛𝑐𝑎𝑟𝑖𝑎.
El banco cuenta con 200 observaciones del tiempo que transcurre entre la llegada de dos clientes a la fila y para
justificar empíricamente el uso de la distribución exponencial se construye un histograma con dichas observaciones
𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎
Las frecuencias observadas en el histograma parecen

indicar un comportamiento semejante al de una
distribución exponencial, pero falta conocer el valor
del parámetro 𝛌
𝑋 = 𝑡𝑖𝑒𝑚𝑝𝑜 𝑒𝑛𝑡𝑟𝑒 𝑙𝑙𝑒𝑔𝑎𝑑𝑎𝑠

Adicionalmente el banco ha determinado que sólo el 10% de las veces, el tiempo que transcurre
entre la llegada de una persona y otra es mayor a dos minutos.
Esto nos permite calcular el valor de 𝜆 , ya que podemos establecer la siguiente igualdad:
𝑃(𝑋 > 2) = 0.1 1 − 𝑒 − 2𝜆 = 0.9
1 − 𝑃(𝑋 ≤ 2) = 0.1 𝑒 −2𝜆 = 0.1
1 − 𝐹𝑋 2 = 0.1 −2𝜆 = ln 0.1
𝐹𝑋 2 = 0.9
𝜆 = 1.15
𝑿 ~ 𝑬𝒙𝒑(𝟏. 𝟏𝟓)
1.15𝑒 −1.15𝑋 𝑥>0 0 𝑥≤0

𝑋 ~ 𝐸𝑥𝑝(1.1513) 𝑓𝑋 𝑥 = 𝐹𝑋 𝑥 =
1 − 𝑒 −1.15𝑋 𝑥>0
𝑒. 𝑜. 𝑐.
0
Calcular la probabilidad de que entre la llegada de una persona y otra transcurra por lo menos un minuto.
Esto se puede calcular de dos formas:
∞ ∞
𝑃 𝑋 > 1 = න 𝑓𝑋 𝑥 𝑑𝑥 = න 1.15𝑒 −1.15𝑋 𝑑𝑥
1 1
Por lo tanto 𝑃 𝑋 > 1 = 𝟎. 𝟑𝟏𝟔𝟔

o bien
𝑃 𝑋 > 1 = 1 − 𝐹𝑋 1 = 1 − 1 − 𝑒 −1.151(1) = 𝑒 −1.15(1)

“Falta de memoria” de la distribución exponencial
Una propiedad que tiene la distribución exponencial es la denominada “falta de memoria”.
Para ilustrar esta propiedad se calcula la probabilidad de que transcurra por lo menos un minuto
más sin que llegue persona alguna a la fila del banco si se sabe que han pasado por lo menos 0.5
minutos desde que llegó la última persona.
La probabilidad que se busca es condicional y está dada por:
𝑃 𝑋 ≥ 1.5 𝑦 𝑋 ≥ 0.5 𝑃(𝑋 ≥ 1.5) 𝑒 −1.15(1.5)

𝑃 𝑋 ≥ 1.5|𝑋 ≥ 0.5 = = = −1.1(0.5) = 𝟎. 𝟑𝟏𝟔𝟔
𝑃(𝑋 ≥ 0.5) 𝑃(𝑋 ≥ 0.5) 𝑒
Esta última probabilidad es igual a 𝑃(𝑋 > 1), así que no importa cuánto tiempo haya
pasado, la probabilidad de que transcurra más de un minuto es la misma
Ejemplo
Sea 𝑋 la vida útil (en horas) de un componente electrónico, una variable aleatoria
exponencial con media 100.
a) ¿Qué probabilidad hay de que el componente electrónico tenga una vida útil menor
a 98 horas?
b) ¿Qué probabilidad hay de que el componente electrónico tenga una vida útil menor
a 110 horas si se sabe que ya ha funcionado 100?
c) Tres componentes operan de manera independiente en una pieza de equipo. El

equipo falla si fallan al menos dos de los componentes. Encuentre la probabilidad de
que el equipo opere durante al menos 200 horas sin fallar
Ejemplo
Sea 𝑋 la vida útil (en horas) de un componente electrónico, una variable aleatoria
exponencial con media 100.
a) ¿Qué probabilidad hay de que el componente electrónico tenga una vida útil menor
a 98 horas?
1
𝜇𝑋 = 100 = → 𝜆 = 0.01 𝑃 𝑋 ≤ 98 = 𝐹𝑋 98 = 1 − 𝑒 −0.01 98 = 𝟎. 𝟔𝟐𝟒𝟔
𝜆
b) ¿Qué probabilidad hay de que el componente electrónico tenga una vida útil menor
a 110 horas si se sabe que ya ha funcionado 100?
𝑃 𝑋 < 110| 𝑋 > 100 = 𝑃(𝑋 < 10) = 𝐹𝑋 10 = 1 − 𝑒 −0.01 10

= 𝟎. 𝟎𝟗𝟓𝟐
c) Tres componentes operan de manera independiente en una pieza de equipo. El

equipo falla si fallan al menos dos de los componentes. Encuentre la probabilidad de
que el equipo opere durante al menos 200 horas sin fallar
𝑌 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑜𝑚𝑝𝑜𝑛𝑒𝑛𝑡𝑒𝑠 𝑞𝑢𝑒 𝑜𝑝𝑒𝑟𝑎𝑛 𝑚á𝑠 𝑑𝑒 200 ℎ𝑜𝑟𝑎𝑠
𝑌~𝐵𝑖𝑛 3, 𝑒 −0.01 200 → 𝑌~𝐵𝑖𝑛(3, 0.1353)

3 3
𝑃 𝑌≥2 = 0.13532 (1 − 0.1353)1 + 0.13533 (1 − 0.1353)0 = 𝟎. 𝟎𝟒𝟗𝟗𝟔
2 3
Distribución Ji-cuadrada
Sea 𝑋1 , 𝑋2 , … , 𝑋𝑛 una muestra aleatoria de una distribución 𝑁𝑜𝑟𝑚𝑎𝑙 con media 𝜇𝑋 y varianza 𝜎𝑋2 .
𝑋𝑖 − 𝜇𝑋
Entonces 𝑍𝑖 = para 𝑖 = 1, … , 𝑛 son variables aleatorias independientes normal estándar y
𝜎𝑋
σ𝑛𝑖=1 𝑍𝑖2 tiene una distribución ji-cuadrada con n grados de libertad.
Es decir, la suma de 𝒏 variables aleatorias independientes normal estándar elevadas al

cuadrado genera una variable aleatoria 𝝌𝟐𝒏
Notación:
𝑋 ~ 𝜒𝑛2
X tiene una distribución ji-cuadrada con n grados de libertad

Distribución ji-cuadrada (Características)
Si 𝑿 ~𝝌𝟐𝒏 , el parámetro 𝒏 (grados de libertad) corresponde al número de variables aleatorias
Normal estándar independientes que generan la ji-cuadrada
La media o valor esperado de la distribución ji-cuadrada es 𝒏
La varianza de la distribución ji-cuadrada es 𝟐𝒏
La forma de la distribución es asimétrica hacia la derecha y a medida que aumentan los
grados de libertad, la distribución se vuelve más simétrica

Distribución ji-cuadrada
Para encontrar probabilidades sobre esta variable, se utiliza la tabla de probabilidades
de la distribución ji-cuadrada, que muestra para distintos grados de libertad 𝑛, los
valores cuantiles 𝜒𝑛,𝛼
2 tales que 𝑃 𝑋 > 𝜒𝑛,𝛼
2 =𝛼
El símbolo 𝜒𝑛,𝛼
2
denota el valor de la variable
ji-cuadrada con 𝑛 grados de libertad, tal que
el área a su derecha es igual a 𝛼
2
𝜒𝑛,𝛼
Área a la
izquierda (p)
Área a la
derecha (𝛼)
Grados de
libertad (n)
Valores del eje

(𝜒𝑛,𝛼
2
)
Ejemplo
El tiempo improductivo por semana X (en horas) de una máquina industrial tiene una
distribución gamma con 𝛼 = 6 y 𝛽 = 2.
a) Encuentre la media y varianza del tiempo improductivo por semana
b) ¿Cuál es la probabilidad de que el tiempo improductivo por semana sea mayor a 21 horas?
Ejemplo
2
𝑋 ~𝐺𝑎𝑚𝑚𝑎 6, 2 → 𝑋 ~ 𝜒12 𝐸 𝑋 = 12 V𝑎𝑟 𝑋 = 24
Área a la
derecha
Grados de
Valor del eje
libertad
Ejemplo
2
𝑋 ~𝐺𝑎𝑚𝑚𝑎 6, 2 → 𝑋 ~ 𝜒12 𝐸 𝑋 = 12 V𝑎𝑟 𝑋 = 24
𝑃 𝑋 > 21 = 0.05
c) ¿Cuál es la probabilidad de que el tiempo improductivo por semana sea mayor a 14 horas y
menor a 36?
𝑃 14 < 𝑋 < 36 = 0.3
Probabilidad
1er examen parcial
Este examen parcial es a libro cerrado. No está permitido el uso de equipo electrónico con capacidad de
comunicación (celulares, tablets, IPAD, etc). En los espacios proporcionados después de cada pregunta indicar
planteamiento, procedimientos y resultados. No desengrapar las hojas. Dispone de 2 horas para resolver el
parcial. El trabajo debe ser estrictamente individual, al recibir el examen debe firmar lo siguiente, con lo cual
acepta el compromiso de respetar las reglas establecidas en el Reglamento de alumnos:
NO DARÉ NI RECIBIRÉ AYUDA NO AUTORIZADA, NI VIOLARÉ LAS REGLAS ESTABLECIDAS PARA RESOLVER ESTE
EXAMEN
Nombre:
Firma:
Matrícula:
1. En el lanzamiento de dos dados con 6 caras definimos los siguientes eventos.

A = {el primer dado muestra un número par}
B = {el segundo dado muestra un 5 o un 6}
¿Cuál de las siguientes opciones es falsa (justificar):
a. A y B son independientes
b. La probabilidad de B dado A es 1/3
c. La probabilidad de B dado A es igual a la probabilidad de B
d. La probabilidad de que ni A ni B ocurran es de 2/3?
2. En una clase de 30 alumnos hay 18 que han aprobado matemáticas, 16 que han aprobado
inglés y 6 que no han aprobado ninguna de las dos. Elegimos al azar un alumno de esa clase,
a. ¿Cuál es la probabilidad de que haya aprobado inglés y matemáticas?
b. Sabiendo que ha aprobado matemáticas, ¿cuál es la probabilidad de que
haya aprobado inglés?
c. ¿Son independientes los sucesos "Aprobar matemáticas" y "Aprobar inglés"?
3. Tenemos dos bolsas, A y B. En la bolsa A hay 3 bolas blancas y 7 rojas. En la bolsa B hay 6
bolas blancas y 2 rojas. Sacamos una bola de A y la pasamos a B. Después extraemos una
bola de B.
a. ¿Cuál es la probabilidad de que la bola extraída de B sea blanca?
b. ¿Cuál es la probabilidad de que la bola extraída de A y la bola extraída de B sean
blancas?
4. Un estudiante realiza dos exámenes en un mismo día. La probabilidad de que apruebe
el primero es 0.6, de que apruebe el segundo es 0.8 y de que apruebe los dos es 0.5.
Calcula:
a. La probabilidad de que apruebe al menos uno de los dos exámenes.

b. La probabilidad de que no apruebe ninguno.
c. La probabilidad de que apruebe el segundo examen en caso de haber
aprobado el primero.
5. Carlo va al médico con un poco de fiebre y congestionamiento severo para obtener un
diagnóstico.
El médico, al escuchar los síntomas (Z), supone que la enfermedad que padece Carlo puede ser
una gripa común (E1), COVID (E2), o bien, principios de pulmonía (E3). El médico sabe por
experiencia que
P(E1) = 0.5
P(E2) = 0.35
P(E3) = 0.15
Después de hacerle una breve revisión física y obtener información adicional sobre la
enfermedad de Carlo, el médico dictamina que
P(Z | E1) = 0.25
P(Z | E2) = 0.60
P(Z | E3) = 0.60
Determine cuál es la enfermedad que con mayor probabilidad padece Carlo y con qué
probabilidad
6. Sea X una variable aleatoria con función de densidad !" #$% & () *+, , con x > 0, ( > 0.
7. Suponer que los eventos B1, B2, B3 son independientes y ocurren con la misma probabilidad p.
Considerar la variable Y, tal que y & 1 si ocurre B1, B2, B3
y & 0 en caso contrario

a. Encontrar la función generadora de momentos de Y
b. Considerar n realizaciones independientes de Y: Y1, Y2, … Yn
Definir Zn = Y1 + Y2 + … + Yn, encontrar su función generadora de momentos y su función de masa

de probabilidad
8. El tiempo medio de respuesta y la desviación estándar de un sistema de cómputo
son 15 y 3 segundos, respectivamente. Acote la probabilidad de que el tiempo de
respuesta esté a más de 5 segundos de la media.
9. Consideramos el experimento que consiste en lanzar tres monedas al aire
a. ¿Cuál es el espacio muestral? ¿Cuántos elementos tiene?
b. Describe los eventos enlistando todos sus elementos e indica la probabilidad
correspondiente:
A = "Obtener dos soles y un águila"
B = "Obtener al menos dos soles"
C = "Obtener al menos un águila"
10. Indique si las siguientes funciones son de densidad o de masa de probabilidad

a. fX(x) = 1/8, x ϵ [0,8]
"#
Hint: ∑",%& ,! & ) "
c x #1 − x2% 0 ≤ x ≤ 1
c) f(x) =
0 e. o. c.
Determina:
i. el valor de c para que f(x) sea una función de densidad

ii. P(0 < X ≤ 0.5)
iii. Media
iv. Moda
v. Mediana
vi. Varianza
vii. Desviación estándar

Distribuciones Importantes Continuas

Cargado por

Copyright:

Formatos disponibles

Distribuciones Importantes Continuas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Distribuciones Importantes Continuas

Cargado por

Copyright:

Formatos disponibles

Distribuciones importantes

Parte 2 – Distribuciones continuas

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

La distribución uniforme continua en (𝑎, 𝑏) es simétrica

Encontrar el intervalo a una desviación estándar alrededor del valor esperado de 𝑇.

Por lo tanto el intervalo que buscamos es:

[5.25 − 7.52 , 5.25 + 7.52]

Para el ejemplo, la función de distribución es:

𝑃 2.51 ≤ 𝑇 ≤ 7.99 = 𝐹𝑇 7.99 − 𝐹𝑇 2.51

7.99 − 0.5 2.51 − 0.5

Encontrar el primer cuartil 𝑄1 para la variable aleatoria 𝑇

Por definición, 𝑄1 es aquel valor tal que 𝐹𝑇 (𝑄1 ) = .25

Por lo tanto, la ecuación a resolver es: 𝑄1 − 0.5

Tarea: encontrar la mediana y el tercer cuartil 𝑄3 para la variable aleatoria 𝑇

Sabemos que 𝑄1 = 2.875 ⇒ 𝑃 𝑇 > 2.875 = 0.75 y 𝑃 𝑇 < 2.875 = 0.25

Por lo tanto 𝑃 𝑋 > 10 = 1 − 𝐹 10 = 1 − 0.3135 = 0. 6865

𝐵𝑒𝑟𝑛𝑜𝑢𝑙𝑙𝑖 𝑋 ~ 𝐵𝑒(𝑝) 𝑥 ∈ {0, 1} 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝 𝑝(1 − 𝑝) 𝑝𝑒 𝑡 + (1 − 𝑝)

La distribución normal o de Gauss es una distribución de probabilidad continua.

• Consumo de cierto producto por un grupo de individuos

• Nivel de ruido en telecomunicaciones

• Errores cometidos al medir ciertas magnitudes

Además, esta distribución juega un papel de suma importancia en la inferencia estadística

El espacio parametral en esta distribución corresponde a las parejas de valores

𝜇𝑋 , 𝜎𝑋 ∈ ℜ2 −∞ < 𝜇𝑋 < ∞, 𝜎𝑋 > 0

Cualquier combinación particular de 𝜇𝑋 y 𝜎𝑋 en este conjunto de valores, da lugar a una

La media y la varianza de una variable aleatoria 𝑋 distribuida normalmente se calculan:

2. La función de densidad 𝑓𝑋 𝑥 se maximiza cuando 𝑥 = 𝜇𝑋 lo cual se puede demostrar mediante

3. La media, mediana y moda de una distribución normal coinciden

5. A 𝜇𝑋 se le considera como un parámetro de localización, ya que si el valor de 𝜎𝑋 se mantiene

6. La varianza 𝜎𝑋2 es el parámetro de dispersión. Si el valor de la media 𝜇𝑋 se mantiene fijo y el

7. La distribución normal cumple con la

Para una distribución simétrica y en forma de campana, como en el caso de la distribución

El 68% del área debajo de la curva

El 95% del área debajo de la curva

μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ

El 99.7% del área debajo de la curva

μ-3σ μ-2σ μ-σ μ μ+σ μ+2σ μ+3σ

La función de distribución acumulada 𝐹𝑋 (𝑥) de una variable normal 𝑋 proporciona la probabilidad

¿Cómo se calcula el valor de esa área?

La función de distribución acumulada se obtiene a partir de la siguiente integral,

Afortunadamente, cualquier variable aleatoria normal 𝑋 puede transformarse a lo que se denomina

A cualquier variable normal estandarizada se le denotará con la letra 𝑍. Como su media es 0 y su

La media y la varianza de la variable 𝑍 están dadas por:

La probabilidad de que la variable 𝑍 tome valores menores o iguales a 𝑧 se calcula:

también se distribuye normalmente y se cumple que

Esto significa que la estandarización de la variable 𝑋 nos permite evaluar probabilidades

Valor de z en el que queremos

Buscamos en la tabla el valor de 𝑃 𝑍 ≤ 1.25 = F 1.25 = 0.8944 este valor corresponde a la

Además se sabe que la probabilidad de que 𝑧 esté entre −∞ y 0 es igual a 0.5

Por lo tanto 𝑃 0 ≤ 𝑍 ≤ 1.25 = 𝐹𝑍 1.25 − 𝐹𝑍 0

a) Encuentre la probabilidad de que la demanda mensual sea mayor a 225 litros

a) Encuentre la probabilidad de que la demanda mensual sea mayor a 225 litros

a) Encuentre la probabilidad de que la demanda mensual sea mayor a 225 litros

= 0.2643 El 26.43% de las veces la demanda mensual

225 − 200 𝑋 − 𝜇𝑋 225 − 200

195 − 200 𝑋 − 𝜇𝑋 215 − 200

= 0.1997 El 19.97% de las veces la demanda mensual

Si la cantidad mensual demandada 𝑋 es mayor al valor de 𝑎, entonces el producto en el inventario se agotará.

𝑃 𝑋 > 𝑎 = 0.05 𝑎 − 200