UNIFORME

La distribución de probabilidad uniforme es, tal vez, la distribución más simple de

una variable aleatoria continua. La distribución tiene forma rectangular y queda
definida por valores mínimos y máximos. He aquí algunos ejemplos que se rigen
por una distribución uniforme.
• El tiempo de vuelo de una aerolínea comercial de Orlando, Florida, a Atlanta,
Georgia, varía de 60 a 120 minutos. La variable aleatoria es el tiempo de vuelo
dentro de este intervalo. Observe que la variable de interés, el tiempo de vuelo
en minutos, es continua en el intervalo de 60 a 120 minutos.
• Los voluntarios de la Grand Strand Public Library elaboran formas para
declaraciones de impuestos federales. El tiempo que tardan para confeccionar
una forma 1040-EZ se rige por una distribución uniforme en el intervalo de 10 a
30 minutos. La variable aleatoria es la cantidad de minutos que emplean para
llenar la forma, que puede asumir cualquier valor entre 10 y 30.
En la gráfica 7-1 aparece una distribución uniforme. La forma de la distribución
es rectangular y posee un valor mínimo a y un máximo b. Observe, asimismo,
que la altura de la distribución es constante o uniforme para todos los valores
entre a y b.

La media de una distribución uniforme se localiza a la mitad del intervalo entre

los valores mínimo y máximo. Se calcula de la siguiente manera:

1
La desviación estándar describe la dispersión de una distribución. En la
distribución uniforme, la desviación estándar también se relaciona con el
intervalo entre los valores máximo y mínimo.

La ecuación de la distribución de probabilidad uniforme es:

Como se demostró en el capítulo 6, las distribuciones de probabilidad sirven para

hacer afirmaciones relativas a los valores de una variable aleatoria. En el caso
de distribuciones que describen una variable aleatoria continua, las áreas dentro
de la distribución representan probabilidades.
En el caso de la distribución uniforme, su forma rectangular permite aplicar la
fórmula del área de un rectángulo. Recuerde que el área de un rectángulo se
determina al multiplicar la longitud por la altura. En el caso de la distribución
uniforme, la altura del rectángulo es P(x), que es 1/(b – a). La longitud de la base
de la distribución es b – a. Observe que, si multiplicamos la altura de la
distribución por todo su intervalo para determinar el área, el resultado siempre
es 1.00. En otras palabras, el área total dentro de una distribución de
probabilidad continua es igual a 1.00. En general:

De este modo, si una distribución uniforme va de 10 a 15, la altura es de 0.20,

que se determina mediante 1/(15 - 10). La base es de 5, que se calcula al
restar 15 – 10. El área total es:

Un ejemplo ilustrará las características de una distribución uniforme y la forma

de calcular probabilidades por medio de ella.

2
Ejemplo:
La Southwest Arizona State University proporciona servicio de transporte de
autobús a los estudiantes mientras se encuentran en el recinto. Un autobús
llega a la parada de North Main Street y College Drive cada 30 minutos, entre
las 6 de la mañana y las 11 de la noche entre semana. Los estudiantes llegan a
la parada en tiempos aleatorios. El tiempo que espera un estudiante tiene una
distribución uniforme de 0 a 30 minutos.
1. Trace una gráfica de la distribución.
2. Demuestre que el área de esta distribución uniforme es de 1.00.
3. ¿Cuánto tiempo esperará el autobús “normalmente” un estudiante? En otras
palabras,
¿cuál es la media del tiempo de espera? ¿Cuál es la desviación estándar de
los tiempos
de espera?
4. ¿Cuál es la probabilidad de que un estudiante espere más de 25 minutos?
5. ¿Cuál es la probabilidad de que un estudiante espere entre 10 y 20 minutos?
Solución:
En este caso, la variable aleatoria es el tiempo que espera un estudiante. El
tiempo se mide en una escala continua, y los minutos de espera varían de 0 a
30.
1. La gráfica 7-2 muestra la distribución uniforme. La línea horizontal se traza a
una altura de 0.0333, que se calcula mediante 1/(30 – 0). El intervalo de esta
distribución es de 30 minutos.

3
GRÁFICA 7-2 Distribución de probabilidad uniforme de tiempos de espera de
los estudiantes
2. El tiempo que los estudiantes esperan el autobús es uniforme a lo largo del
intervalo de 0 a 30 minutos; así, en este caso, a es 0 y b 30.

3. Para determinar la media, aplique la fórmula (7-1):

La media de la distribución es de 15 minutos; así, el tiempo de espera habitual

del servicio de autobús es de 15 minutos.
Para determinar la desviación estándar de los tiempos de espera, aplique la
fórmula (7-2):

La desviación estándar de la distribución es de 8.66 minutos. Es la variación de

los tiempos de espera de los estudiantes.
4. El área dentro de la distribución en el intervalo de 25 a 30 representa esta
probabilidad en particular. De acuerdo con la fórmula del área:

Así, la probabilidad de que un estudiante espere entre 25 y 30 minutos es

0.1667. Tal conclusión se ilustra en la siguiente gráfica:

4
5. El área dentro de la distribución en el intervalo de 10 a 20 representa la
probabilidad.

Esta probabilidad se ilustra de la siguiente manera:

LA FAMILIA DE DISTRIBUCIONES DE PROBABILIDAD NORMAL

A continuación, se estudia la distribución de probabilidad normal. A diferencia de
la distribución uniforme [vea la fórmula (7-3)], la distribución de probabilidad
normal tiene una fórmula muy compleja.

Sin embargo, no se preocupe por la complejidad de esta fórmula. Usted ya

conoce varios de estos valores. Los símbolos µ y σ son la media y la desviación
estándar. La letra griega es una constante matemática natural, cuyo valor es
aproximadamente 22/7 o 3.1416. La letra e también es una constante
matemática. Es la base del sistema de logaritmos naturales y es igual a 2.718; y
X es el valor de una variable aleatoria continua. Así, una distribución normal se
basa —se define— en su media y su desviación estándar.
No necesitará hacer cálculos con la fórmula (7-4). Más bien, requerirá una tabla,
la cual aparece en el apéndice B.1, para buscar las diversas probabilidades.
La distribución de probabilidad normal posee las siguientes características
principales.

5
No necesitará hacer cálculos con la fórmula (7-4). Más bien, requerirá una tabla,
la cual aparece en el apéndice B.1, para buscar las diversas probabilidades.
La distribución de probabilidad normal posee las siguientes características
principales.
• Tiene forma de campana y posee una sola cima en el centro de la distribución.
La media aritmética, la mediana y la moda son iguales, y se localizan en el centro
de la distribución.
El área total bajo la curva es de 1.00. La mitad del área bajo la curva normal se
localiza a la derecha de este punto central, y la otra mitad, a la izquierda.
• Es simétrica respecto de la media. Si hace un corte vertical, por el valor central,
a la curva normal, las dos mitades son imágenes especulares.
• Desciende suavemente en ambas direcciones del valor central. Es decir, la
distribución es asintótica. La curva se aproxima más y más al eje X, sin tocarlo.
En otras palabras, las colas de la curva se extienden indefinidamente en ambas
direcciones.
• La localización de una distribución normal se determina a través de la media,
µ. La dispersión o propagación de la distribución se determina por medio de la
desviación estándar, σ.
Estas características se muestran en la gráfica 7-3.

6
No sólo existe una distribución de probabilidad normal, sino una familia. Por
ejemplo, en la gráfica 7-4 se comparan las distribuciones de probabilidad del
tiempo de servicio de los empleados de tres diferentes plantas. En la planta de
Camden, la media es de 20 años, y la desviación estándar, de 3.1 años. Existe
otra distribución de probabilidad normal del tiempo de servicio en la planta de
Dunkirk, donde µ = 20 años y σ = 3.9 años. En la planta de Elmira, µ = 20 años y
σ = 5.0 años. Observe que las medias son las mismas, pero las desviaciones
estándar difieren.

La gráfica 7-5 muestra la distribución de los pesos de las cajas de tres cereales.
Los pesos tienen una distribución normal con diferentes medias e idéntica
desviación o estándar.

7
Por último, la gráfica 7-6 muestra tres distribuciones normales con diferente
media y desviación estándar. Éstas muestran la distribución de fuerzas de
tensión, medidas en libras por pulgada cuadrada (psi), de tres clases de cables.

Recuerde que, en el capítulo 6, las distribuciones de probabilidad discreta

muestran las posibilidades específicas de que ocurra un valor discreto. Por
ejemplo, en la página 196, mediante la distribución binomial se calcula la
probabilidad de que ninguno de los cinco vuelos que llegan al Aeropuerto
Regional Bradford de Pennsylvania esté retrasado.
En el caso de la distribución de probabilidad continua, las áreas bajo la curva
definen probabilidades.
El área total bajo la curva normal es de 1.0. Esto explica todos los posibles
resultados.

8
Como una distribución de probabilidad normal es simétrica, el área bajo la curva
a la izquierda de la media es de 0.5, y el área bajo la curva a la derecha de la
media, de 0.5. Aplique esta regla a la distribución de Sugar Yummies en la gráfica
7-5. Es una distribución normal con una media de 283 gramos. Por consiguiente,
la probabilidad de llenar una caja con más de 283 gramos es de 0.5, y la
probabilidad de llenar una caja con menos de 283 gramos, de 0.5.
También puede determinar la probabilidad de que una caja pese entre 280 y 286
gramos. Sin embargo, para determinar esta probabilidad necesita conocer la
distribución de probabilidad normal estándar.

DISTRIBUCIÓN DE PROBABILIDAD NORMAL ESTÁNDAR

El número de distribuciones normales es ilimitado, y cada una posee diferentes
media (µ), desviación estándar (σ), o ambas. Mientras que es posible
proporcionar tablas de probabilidad de distribuciones discretas, como la binomial
y la de Poisson, es imposible elaborar tablas de una infinidad de distribuciones
normales. Por fortuna, un miembro de la familia se utiliza para determinar las
probabilidades de todas las distribuciones de probabilidad normal. Es la
distribución de probabilidad normal estándar y es única, pues tiene una media
de 0 y una desviación estándar de 1.
Cualquier distribución de probabilidad normal puede convertirse en una
distribución de probabilidad normal estándar si se resta la media de cada
observación y se divide esta diferencia entre la desviación estándar. Los
resultados reciben el nombre de valores z o valores tipificados.

De esta manera, el valor z es la distancia de la media, medida en unidades de

desviación estándar.
En términos de una fórmula,

En donde:
X es el valor de cualquier observación y medición.

9
µ es la media de la distribución.
σ es la desviación estándar de la distribución.

Según se observa en la definición anterior, un valor z expresa la distancia o

diferencia entre un valor particular de X y la media aritmética en unidades de
desviación estándar. Una vez que se estandarizan las observaciones de la
distribución normal, los valores z se distribuyen normalmente con una media de
0 y una desviación estándar de 1. Así, la distribución z posee todas las
características de cualquier distribución de probabilidad normal. Estas
características aparecen en la lista de la página 227. La tabla del apéndice B.1
(también incluida en la parte interior de la pasta trasera) contiene una lista de las
probabilidades de la distribución de probabilidad normal estándar. A
continuación, una pequeña parte de esta tabla.

Para explicarlo, suponga que desea calcular la probabilidad de que las cajas de
Sugar Yummies pesen entre 283 y 285.4 gramos. De acuerdo con la gráfica 7-
5, el peso de la caja de Sugar Yummies tiene una distribución normal con una
media de 283 gramos y una desviación estándar de 1.6 gramos. Ahora quiere
conocer la probabilidad o área bajo la curva entre la media, 283 gramos, y 285.4
gramos. También se expresa este problema con notación de la probabilidad,
similar al estilo que se utilizó en el capítulo anterior: P(283 < peso < 285.4). Para
determinar la probabilidad, es necesario convertir tanto 283 gramos como 285.4
gramos en valores z con la fórmula (7-5).
El valor z correspondiente a 283 es 0, que se calcula mediante la operación (283
– 283)/1.6. El valor z correspondiente a 285.4 es 1.50, que se calcula mediante
la operación (285.4 – 283)/1.6. Después, consulte la tabla del apéndice B.1. Una
parte se reproduce en la tabla 7-1. Descienda por la columna de la tabla que
encabeza la letra z hasta 1.5. Ahora siga por la horizontal a la derecha y lea la

10
probabilidad bajo la columna que comienza con 0.00. Ésta es de 0.4332. Esto
significa que el área bajo la curva entre 0.00 y 1.50 es de 0.4332. Tal es la
probabilidad de que una caja seleccionada al azar de Sugar Yummies pese entre
283 y 285.4 gramos, lo cual se ilustra en la siguiente gráfica.

APLICACIONES DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR

¿Cuál es el área bajo la curva entre la media y X en la tabla 7-2?, ¿el caso de
los valores z?
Verifique sus respuestas comparándolas con las que se dan. Necesitará el
apéndice B.1 o la tabla que se encuentra en la parte interior de la pasta trasera
de este libro.

Ahora se calcula el valor z dada la media poblacional, µ, la desviación estándar

de la población, σ, y una X elegida.
Ejemplo:
Los ingresos semanales de los supervisores de turno de la industria del vidrio se
rigen por una distribución de probabilidad normal con una media de $1 000 y una
desviación estándar de
$100. ¿Cuál es el valor z del ingreso X de un supervisor que percibe $1 100
semanales? ¿Y de un supervisor que gana $900 semanales?

11
De acuerdo con la fórmula (7-5), los valores z de los dos valores X ($1 100 y
$900) son:

El valor z de 1.00 indica que un ingreso semanal de $1 100 está a una desviación
estándar por encima de la media, y un valor z de –1.00 muestra que un ingreso
de $900 está a una desviación estándar por debajo de la media. Observe que
ambos ingresos ($1 100 y $900) se encuentran a la misma distancia ($100) de
la media.
De acuerdo con la información del ejemplo anterior (µ = $1 000 y σ = $100),
convierta:
a) El ingreso semanal de $1 225 en un valor z.
b) El ingreso semanal de $775 en un valor z.

12
La transformación de medidas en desviaciones normales estándares modifica la
escala.
Las conversiones también se muestran en la gráfica. Por ejemplo, µ + 1 σ se
convierte en un valor z de 1.00. Asimismo, µ - 2 σ se transforma en un valor z de
-2.00. Note que el centro de la distribución z es cero, lo cual indica que no hay
desviación de la media, µ.

LA FAMILIA DE DISTRIBUCIONES EXPONENCIALES

Hasta ahora, en este capítulo hemos considerado dos distribuciones de
probabilidad continua, la uniforme y la normal. La siguiente distribución continua
que explicaremos es la distribución exponencial. Por lo general, esta distribución
de probabilidad continua describe los tiempos entre eventos que ocurren en
secuencia. Las acciones suceden independientemente a un ritmo constante por
unidad o duración de tiempo. Como el tiempo nunca es negativo, una variable
aleatoria exponencial será siempre positiva. La distribución exponencial suele
describir situaciones como:
Los tiempos de servicio en un sistema (p.e., cuánto tiempo toma atender a un
cliente).
• El tiempo entre “entradas” en un sitio web.
• El tiempo de vida de un componente eléctrico.
• El tiempo que transcurre hasta que la siguiente llamada telefónica llega a un
centro de servicio al cliente.
La distribución de probabilidad exponencial tiene un sesgo positivo. En esta
característica difiere de las distribuciones uniforme y normal, que son simétricas.
De hecho, la distribución es descrita por un solo parámetro, que identificaremos
como λ.
A menudo, nos referimos a λ como el parámetro de “ritmo”. La siguiente gráfica
muestra el cambio en la forma de la distribución exponencial a medida que

13
variamos el valor de λ de 1/3 a 1 a 2. Observe que conforme reducimos λ, la
forma de la distribución cambia para volverse “menos sesgada”.

Otra característica de la distribución exponencial es su estrecha relación con la

distribución de Poisson, una distribución de probabilidad discreta que tiene
también un solo parámetro, µ. Describimos la distribución de Poisson en la
sección 6.7 del capítulo 6. También se trata de una distribución con sesgo
positivo. Para explicar la relación entre la distribución de Poisson y las
distribuciones exponenciales, suponga que el ritmo al que los clientes llegan a
un restaurant familiar durante la hora de la cena es de 6 por hora. Utilizamos la
distribución de Poisson para determinar la probabilidad de que, en cualquier hora
de la cena, lleguen 2 clientes, o 7, y así sucesivamente. Así que tenemos una
distribución de Poisson con una media de 6. Pero suponga que en vez de
estudiar el número de clientes que llegan en una hora, desea estudiar el tiempo
que transcurre entre cada llegada.
El tiempo entre llegadas es una distribución continua, porque el tiempo se mide
como una variable aleatoria continua. Si los clientes llegan a un ritmo de 6 por
hora, entonces es lógico que el tiempo medio o típico entre llegadas sea de 1/6
de hora, o 10 minutos. Es necesario tener cuidado aquí en ser consistentes con
nuestras unidades, de manera que quedémonos con 1/6 de hora. Así que en
general, si sabemos que los clientes llegan a cierto ritmo por hora, al que
llamamos µ, podemos esperar que el tiempo medio entre llegadas será 1/µ. El
parámetro de ritmo λ es igual a 1/µ. Por lo tanto, en este ejemplo, λ = 1/6.
La gráfica de la distribución exponencial comienza con el valor de λ cuando el
valor de la variable aleatoria (X) es 0. La distribución desciende de manera
uniforme a medida que nos desplazamos a la derecha, con valores crecientes.

14