UNIVERSIDAD CIUDADANA DE NUEVO LEÓN

DISTRIBUCIONES DE PROBABILIDAD PARA

VARIABLES ALEATORIAS CONTINUAS: NORMAL Y
EXPONENCIAL.

ESTADÍSTICA

MISSAEL FLORES PEÑA

11646

GRUPO (A)

CARLOS ALBERTO SOLÍS HINOJOSA

APODACA, NUEVO LEÓN 20 DE JULIO DEL 2023

 INTRODUCCIÓN
¡Bienvenidos a esta presentación sobre Distribuciones de probabilidad
para variables aleatorias continuas! En el mundo de la estadística y la
probabilidad, las distribuciones continuas son fundamentales para
modelar y comprender diversos fenómenos naturales y sociales. En esta
sesión, exploraremos dos distribuciones importantes: la distribución
normal y la distribución exponencial.
Comenzaremos con una breve introducción a las variables aleatorias
continuas y su diferencia con las variables discretas. Luego, nos
sumergiremos en el fascinante mundo de la distribución normal de
probabilidad, también conocida como la campana de Gauss. Veremos
cómo esta distribución es ampliamente utilizada en estadística debido a
sus características únicas y cómo podemos calcular puntos percentiles
para interpretar los datos.
A continuación, abordaremos dos interesantes aplicaciones: la
aproximación normal a probabilidades binomiales y la aproximación
normal a probabilidades de Poisson. Estas aproximaciones son útiles
cuando trabajamos con eventos raros o grandes muestras, simplificando
nuestros cálculos y permitiéndonos obtener resultados rápidos y precisos.
 Variables aleatorias
continuas
• Las variables aleatorias continuas son aquellas que pueden
tomar cualquier valor dentro de un rango específico. A
diferencia de las variables aleatorias discretas, que solo
pueden tomar valores específicos, las variables continuas
pueden asumir infinitos valores dentro de un intervalo.
• Las variables aleatorias continuas se caracterizan por una
función de densidad de probabilidad (PDF) en lugar de una
función de probabilidad discreta. La PDF describe la
probabilidad de que la variable aleatoria caiga dentro de un
rango particular.
• Ejemplos comunes de variables aleatorias continuas incluyen
el tiempo de espera en una fila, la altura de una persona, la
temperatura en un día dado, entre otros.
 La distribución normal de
probabilidad
• La distribución normal, también conocida como la distribución
gaussiana, es una de las distribuciones de probabilidad más
importantes en estadística. Se caracteriza por su forma de
campana y está completamente determinada por dos
parámetros: la media (μ) y la desviación estándar (σ).
• La distribución normal estándar es una versión especial de la
distribución normal con una media de 0 y una desviación
estándar de 1. Se denota como N(0, 1).
• La distribución normal tiene la propiedad de ser simétrica
alrededor de su media, lo que significa que la mitad de los
datos se encuentran a cada lado de la media.
• Esta diapositiva presenta la distribución normal de
probabilidad, también conocida como la distribución
gaussiana. La curva de campana muestra la función de
densidad de probabilidad (PDF) de la distribución normal,
determinada por sus parámetros de media (μ) y desviación
estándar (σ).
Puntos percentiles para variables
con distribución normal
• Los puntos percentiles son valores específicos en una distribución
que dividen los datos en porcentajes o fracciones iguales.
• En la distribución normal, los puntos percentiles más conocidos son
los percentiles 25, 50 y 75, que dividen la distribución en cuatro
partes iguales, conocidas como cuartiles.
• El percentil 50 es igual a la mediana de la distribución normal y es un
valor muy importante, ya que indica el punto central de la
distribución.
• La notación Z se utiliza para referirse a los puntajes z (también
conocidos como puntajes estándar) que representan cuántas
desviaciones estándar se encuentran por encima o por debajo de la
media. Por ejemplo, Z = 1 indica un valor que está una desviación
estándar por encima de la media.
• En esta diapositiva, puedes ilustrar cómo los puntos
percentiles y los puntajes Z están relacionados con la
distribución normal. Mostrar los percentiles 25, 50 y 75, así
como ejemplos de cálculos Z para diferentes valores, ayuda a
comprender cómo se encuentran los valores en relación con la
media y la desviación estándar.
 Aproximación normal a
probabilidades binomiales
• La aproximación normal a probabilidades binomiales se basa en la
idea de que, cuando el tamaño de la muestra es grande y la
probabilidad de éxito es moderada, la distribución binomial puede
aproximarse por una distribución normal.
• Para aplicar esta aproximación, los parámetros de la distribución
binomial (n y p) se utilizan para calcular la media (μ) y la desviación
estándar (σ) de la distribución normal equivalente.
• La fórmula para calcular la media y la desviación estándar de la
distribución normal aproximada es:
• Media (μ) = n * p
• Desviación estándar (σ) = √(n * p * (1 - p))
• La aproximación normal es útil para calcular probabilidades
acumuladas y puntos percentiles cuando el tamaño de la muestra es
grande y los valores de n y p cumplen con los criterios adecuados
para la aproximación.
 Aproximación normal a
probabilidades de Poisson
• La aproximación normal a probabilidades de Poisson se utiliza
cuando se tienen eventos raros con una tasa promedio (λ) conocida
y se desean calcular probabilidades para un número específico de
eventos ocurridos en un intervalo de tiempo o espacio.
• Para aplicar esta aproximación, se calcula la media (μ) y la
desviación estándar (σ) de la distribución Poisson, que son iguales a
λ.
• Luego, podemos utilizar la distribución normal para aproximar las
probabilidades de Poisson utilizando los valores de μ y σ calculados.
• Esta aproximación es válida cuando λ es suficientemente grande
(generalmente λ ≥ 20) y se utiliza para simplificar los cálculos en
situaciones donde trabajar con la distribución Poisson directamente
puede ser complejo.
• En esta diapositiva, puedes comparar la distribución de
Poisson con su aproximación normal. Muestra cómo la
distribución de Poisson se vuelve más simétrica y se asemeja a
una distribución normal a medida que aumenta el valor
promedio (λ).
LA DISTRIBUCIÓN NORMAL DE PROBABILIDAD
7.1 Se ha ajustado el proceso de fabricación de un tomillo de precisión de
manera que la longitud promedio de los tornillos
sea - 13.0 cm. Por supuesto, no todos los tornillos tienen una longitud exacta
de 13 centímetros, debido a fuentes
aleatorias de variabilidad. La desviación estándar de la longitud de los tornillos
σ es - 0.1 cm y se sabe que la
distribución de las longitudes tiene una forma normal. Determine la
probabilidad de que un tomillo elegido al azar
tenga una longitud de entre 13.0 y 13.2 cm, e ilustre la proporción de área
bajo la curva normal asociada con este
valor de probabilidad.
7.2 Para la situación que se describió en el problema 7.1, ¿cuál
es la probabilidad de que la longitud del tornillo exceda
de 13.25 cm? Ilustre la proporción del área bajo la curva normal
correspondiente a este caso.

P(X > 13.25) = P(z > +2.5) = 0.5000 - 0.4938 = 0.0062

7.3 Del problema 7.1, ¿cuál es la probabilidad de que la longitud
del tornillo esté entre 12.9 y 13.1 cm? Ilustre la proporción
de área bajo la curva normal correspondiente a este caso.

(Nota: ésta es la proporción de área desde -1 .0z μ a más la proporción desde μ

hasta + 1 .0z. Note también que,
como la distribución normal de probabilidad es simétrica, las áreas hacia la
izquierda de la media para valores
negativos de z son equivalentes a las áreas que se encuentran del lado derecho de
la media.)
¿Cuál es la probabilidad de que la longitud de los tornillos del
problema 7.1 se encuentre entre 12.8 y 13.1 cm? Ilustre
la proporción del área bajo la curva normal para este caso.
 7.5 En el problema 7.1, ¿cuál es la probabilidad de que la
longitud del tomillo esté entre 13.1 y 13.2 cm.? Ilustre la
proporción del área bajo la curva normal que es relevante en
este caso.

(Nota: la probabilidad es igual a la proporción del área de 13.0 a 13.2, menos la

proporción de área de 13.0 a 13.1.)
7.6 El tiempo que se requiere para reparar cierto tipo de
transmisión automotriz en un taller mecánico tiene distribución
normal con media μ= 45 min y desviación estándar σ= 8.0 min.
El gerente de servicio planea hacer que se inicie la
reparación de la transmisión de los automóviles de los clientes
diez minutos después de que se recibe el vehículo, y
le dice al cliente que el automóvil estará listo en una hora. ¿Cuál
es la probabilidad de que el gerente esté equivocado?
Ilustre la proporción de área bajo la curva normal para este caso.

P(X > 50 min), puesto que el trabajo real comienza en 10 minutos

P(X > 50) = P(z > +0.62) = 0.5000 - 0.2324 = 0.2676

 CONCLUSIÓN
Hemos explorado dos distribuciones de probabilidad fundamentales
para variables aleatorias continuas: la distribución normal y la
distribución exponencial. Estas distribuciones nos brindan una
perspectiva invaluable sobre el comportamiento de fenómenos
naturales y sociales, y nos permiten realizar cálculos precisos y tomar
decisiones informadas.
La distribución normal, con su forma de campana, es una de las
distribuciones más comunes y poderosas en la estadística. Sus
propiedades, como los puntos percentiles y la aproximación normal,
nos permiten analizar datos con confianza y entender cómo se
distribuyen las variables.
Por otro lado, la distribución exponencial es esencial para estudiar
eventos que ocurren de manera continua en el tiempo, como tiempos
de espera o intervalos entre eventos.
Además, hemos aprendido sobre las aproximaciones normales a las
probabilidades binomiales y de Poisson, dos técnicas valiosas para
hacer cálculos más manejables en situaciones específicas.