Matemática Aplicada

Unidad VI

DISTRIBUCIÓN DE PROBABILIDADES CONTINUAS

1. LA DISTRIBUCIÓN NORMAL

La distribución normal es la distribución mas importante de probabilidades, no

solo en la teoría estadística, sino también en sus aplicaciones a problemas
industriales. Es una distribución continua y simétrica conocida también como la
distribución de Gauss o de Laplace. La distribución normal representa el
resultado de la actuación conjunta de causas aleatorias, y por ello resulta
fundamental en el control estadístico de calidad, particularmente en la teoría de
los gráficos del control de fabricación.
La función de probabilidades es:

1 2
/ 2σ 2
f ( x; µ, σ 2 ) = e −( x − µ ) -∞< x <∞
σ 2π
Donde:
µ Es la media de la distribución
σ Es la desviación estándar

f(x)

X
µ
Figura 6.1 Gráfica de densidad de Probabilidad Normal.

El diagrama es simétrico y el área bajo la curva es la unidad.

147
Matemática Aplicada

1.1. ESTANDARIZACIÓN DE LA VARIABLE ALEATORIA

Si en lugar de x tomamos:

( x − µ)
z=
σ

Lo cual significa adoptar como origen de las z el punto en que x = µ y

como unidad de escala de las z la desviación estándar σ ; la que
designaremos como distribución Normal Estándar:
2
1 −z
f(z) = e 2
2π

Esta distribución tiene parámetros: µ( z ) = 0 y σ 2 ( z ) = 1 ; por

conveniencia se acostumbra nombrar esta distribución como la N(0;1) .
Los valores del área desde < ∞...z] son iguales a la probabilidad
acumulada de los valores correspondientes a f(z). Estos valores se
encuentran tabulados en la tabla 3 al final de esta información. Esta tabla
corresponde a la distribución normal estándar, es decir, la distribución
normal con µ = 0 y σ = 1
La función acumulada es:
z
1 − t2 / 2
F( z ) =
2π
∫e dt
−∞

F(z)

1 z −t2 / 2
F( z ) = ∫ e dt
2π − ∞

z
z
µ=0
Figura 6.2 Gráfica de densidad de Probabilidad Normal Estándar.

Para determinar la probabilidad de que una variable aleatoria con la

distribución normal estándar adopte un valor entre a y b, usamos la
ecuación:
P(a < z < b) = F(b) − F(a)

148
 Matemática Aplicada

y si a o b es negativa, hacemos uso de la identidad

F( − z) = 1 − F( z) .

EJEMPLO 1

Determine las probabilidades de que una variable aleatoria con la

distribución normal estándar adopte un valor

• Entre 0,87 y 1,28 = p(0,87<z<1,28)

• Entre -0,34 y 0,62 = p(-0,34<z<0,62)
• Mayor que 0,85 = p(z>0,85)
• Mayor que -0,65 = p(z>-0,65)

Solución

Consultando los valores necesarios en la tabla 3, obtenemos

• Entre 0,87 y 1,28 = p(0,87<z<1,28)

F(1,28) − F(0,87) = 0,8997 − 0,8078
= 0,0919

F(z)

z
0,87 1,28

µ=0
Fig. 6.3

• Entre -0,34 y 0,62 = p(-0,34<z<0,62)

F(0.62) − F( −0.34) = 0.7324 − (1 − 0.6331)
= 0.3655

149
Matemática Aplicada

F(z)

z
-0,34 0,62
µ=0

Fig. 6.4

• Mayor que 0,85 = p(z>0,85)

1 − F(0.85) = 1 − 0.8023
= 0.1977

F(z)

z
0, 85
µ=0

Fig. 6.5

• Mayor que -0,65 = p(z>-0,65)

1 − F( −0.65) = 1 − [1 − F(0.65 )] = F(0.65)
= 0.7422

F(z)

z
0,85
µ=0

Fig. 6.6

150
 Matemática Aplicada

EJEMPLO 2

Si el monto de radiación cósmica a la que se expone una persona al volar

en avión por los Estados Unidos es una variable aleatoria con la
distribución normal con µ = 4.35 mrem y σ = 0.59 mrem, determine las
probabilidades de que el monto de radiación cósmica a la que se
expondrá una persona en un viaje así sea de:

• Entre 4.00 y 5.00 mrem;

• El menos 5.50 mrem.

SOLUCIÓN

Primero estandarizamos los valores:

 5.00 − 4.35   4.00 − 4.35 

• F  − F  = F(1.10) − F( −0.59)
 0.59   0.59 
= 0,8643 − (1 − 0,7224 )
= 0,5867

 5.50 − 4.35 
• 1 − F  = 1− F(1.95)
 0.59 
= 1− 0.9744
= 0.0256

EJEMPLO 3

El monto real de café instantáneo que una máquina de relleno deposita

en frascos de “4 onzas” puede considerarse una variable aleatoria con
una distribución normal con σ = 0.04 onzas. Si sólo 2% de los frascos
contienen menos de 4 onzas, ¿Cuál debería ser el relleno medio de esos
frascos?

Solución
4−µ
Para determinar µ de tal manera que F  = 0.02 y, por lo tanto,
 0.04 
 4−µ
F −  = 0.98 buscamos en la tabla 3 la entrada más cercana a
 0.04 
0.98 y obtenemos 0.9798, que corresponde a z = 2.05. Así:
4−µ
− = 2.05
0.04

151
Matemática Aplicada

Y al resolver µ , determinamos que µ = 4.082 onzas

EJEMPLO 4

En cierta ciudad, el número de interrupciones del suministro eléctrico por

mes es una variable aleatoria con una distribución con µ = 11,6 y
σ = 3,3 . Si esta distribución puede aproximarse cercanamente con una
distribución normal, ¿cuál es la probabilidad de que haya al menos ocho
interrupciones en un mes cualquiera?

Solución

El número de interrupciones de servicio es una variable aleatoria discreta,

y si deseamos aproximar su distribución con una distribución normal,
debemos “dispersar” sus valores en una escala continua.
Lo hacemos representando cada número entero k con el intervalo de
1 1
k− a k + . Por ejemplo:
2 2
3 es representado con el intervalo de 2,5 a 3,5;
10 es representado con el intervalo de 9,5 a 10,5.
y “al menos 8” es representado con el intervalo a la derecha de 7,5 tal
como se muestra en la figura:

σ = 3,3

X
7,5 Número de
µ = 11,6 Interrupciones

Fig. 6.7

152
 Matemática Aplicada

Así, la probabilidad deseada es “aproximada” por:

 7,5 − 11,6 
1 − F  = 1 − F( −1,24)
 3,3 
= F(1,24)
= 0,8925

1.2. APLICACIONES: LIMITES DE CONTROL

La distribución normal puede aplicarse en el control de calidad para

“aceptar” un producto o “rechazar” un producto.

Para ello se establece una franja cuyo ancho será el rango de aceptación.
Este rango se establece alrededor de la media µ la que definirá la Línea
Media LM.

El rango R quedara definido en función del valor σ estableciéndose

diversos criterios.

Un criterio bastante común es tomar:

R = LSC − LIC
LSC = µ + Aσ
LIC = µ − Aσ
3
Donde A = ; n = tamaño de la muestra.
n
Los límites de este rango serán el Límite Superior de Control LSC y el
Límite Inferior de Control LIC

LSC
µ + 3σ
n

LM
µ

µ − 3σ L IC
n

MUESTR A

Fig. 6.8

153
Matemática Aplicada

EJEMPLO 5

Construir para muestras de n = 5 artículos el gráfico de control de la

media de un proceso de fabricación de ejes de acero con media
µ = 5,60 mm y desviación estándar σ = 0,05 mm.

Verificar si el proceso de fabricación de ejes se mantiene BAJO CONTROL,

si se han extraído 10 muestras con n = 5 de hora en hora y los valores
se encuentran en la tabla siguiente:

MUESTRA ARTICULO 1 ARTICULO 2 ARTICULO 1 ARTICULO 1 ARTICULO 1

MEDIA x
1 5,67 5,50 5,58 5,48 5,70 5,586
2 5,90 5,58 5,61 5,59 5,44 5,624
3 5,52 5,66 5,68 5,59 5,38 5,566
4 5,60 5,76 5,55 5,58 5,57 5,612
5 5,55 5,68 5,65 5,45 5,68 5,602
6 5,39 5,65 5,63 5,57 5,61 5,570
7 5,79 5,61 5,59 5,70 5,51 5,640
8 5,67 5,59 5,59 5,75 5,48 5,616
9 5,51 5,51 5,65 5,55 5,63 5,570
10 5,66 5,64 5,61 5,66 5,56 5,626

Solución

La línea media:
LM = µ = 5,60
Los límites de control serán:
LSC = µ + Aσ = 5,60 + ( 3 )0,05 = 5,667
5
LIC = µ − Aσ = 5,60 − ( 3 )0,05 = 5,533
5

154
 Matemática Aplicada

3σ 5,68 LSC
µ 5,667
n
5,66

5,64

5,62
LM
µ = 5,60
5,58

5,56
LIC
5,54 5,533
µ − 3σ
n
5,52
MUESTRA

1 2 3 4 5 6 7 8 9 10
Fig. 6.9

Mediante el gráfico recomprueba que todos los puntos se encuentran en

el rango en torno a la LM, de ello se concluye que el PROCESO DE
FABRICACION SE ENCUENTRA BAJO CONTROL.

PROBLEMAS PROPUESTOS 6.1

1. Una troqueladora produce tapas de lata cuyos diámetros se

distribuyen normalmente con una desviación estándar de 0,01
pulgadas. ¿En que diámetro “nominal” debería fijarse la máquina
para que no mas del 5% de las tapas producidas tengan diámetros
que excedan de 3 pulgadas?
Sol:
µ = 2,984

2. Se corta automáticamente varillas de plástico moldeadas por

inyección en longitudes nominales de 6 pulgadas. Las longitudes
reales están normalmente distribuidas en torno a una media de 6
pulgadas y su desviación estándar es de 0,06 pulgadas.
• ¿Qué proporción de las varillas excede los límites de tolerancia de 5,9 a
6,1 pulgadas.
• ¿A qué valor es necesario reducir la desviación estándar si el 99% de
las varillas den hallarse dentro de la tolerancia.
Sol:
•
•

155
Matemática Aplicada

3. Si una variable aleatoria tiene la distribución binomial con n=30 y

p=0,60; use la aproximación normal para determinar la probabilidad
de que adopte:
• El valor de 14
• Un valor menor que 12
Sol:
• 0,049
• 0,008

4. Un fabricante sabe que, en promedio, 2% de las tostadoras eléctricas

que produce requerirán reparaciones en un término de 90 días
posteriores a su venta. Use la aproximación normal a la distribución
binomial para determinar la probabilidad de que entre 1200
tostadoras al menos 30 requerirán reparaciones en los primeros 90
días de su venta.
Sol:

5. La probabilidad de que un componente electrónico falle en menos de

1000 horas de uso continuo es de 0,25. Use la aproximación normal
para determinar la probabilidad de que entre 200 de esos
componentes menos de 45 fallen en menos de 1000 horas de uso
continuo.
Sol:
0,1841

6. Un ingeniero de seguridad supone que el 30% de los accidentes

industriales en su planta se deben a que los empleados no siguen las
instrucciones. Si esa cifra es correcta, determine aproximadamente la
probabilidad de que entre 84 accidentes industriales en esa planta
cualquier número entre 20 a 30 inclusive se deban a la negligencia de
los empleados de no seguir las instrucciones.
Sol:

7. Una variable aleatoria tiene una distribución normal con µ = 62,4 .

Determine su desviación estándar si la probabilidad de que adopte un
valor mayor que 79,2 es de 0,20.
Sol:
σ = 19,88

8. Una variable aleatoria tiene una distribución normal con σ = 10 . Si la

probabilidad de que adopte un valor menor que 82,5 es de 0,8212.
¿Cuál es la probabilidad de que adopte un valor mayor que 58,3?

156
 Matemática Aplicada

Sol:

9. Las especificaciones de cierto trabajo implican limpiadores con un

diámetro interior de 0,300 ± 0,005 pulgadas. Si los diámetros
interiores de los limpiadores provistos por cierto fabricante pueden
considerarse una variable aleatoria con la distribución normal con
µ = 0,302 pulgadas y σ = 0,003 pulgadas, ¿Qué porcentaje de estos
limpiadores cumplirá las especificaciones?
Sol:
83.15%

10. Se sabe que la vida útil de un componente eléctrico sigue una

distribución normal con media µ = 2000 hr y una desviación estándar
σ = 200 hr.
• Determine la probabilidad de que un componente aleatoriamente
seleccionado dure entre 2000 y 2400 horas.
• Determine la probabilidad de que un componente aleatoriamente
seleccionado dure mas de 2200 horas.
Sol:
• 0,4772
• 0,1587

2. DISTRIBUCIÓN GAMMA

Varias densidades de probabilidad importantes que utilizan frecuentemente son

casos especiales de la distribución Gamma. Esta distribución tiene la densidad
de probabilidad.

 1
 α x α -1 e - x/ β para x > 0, α > 0, β > 0
f(x) =  β Γ ( α )
0 en otra parte


Donde Γ(α ) es un valor de la función Gamma, definida por

∞
Γ(α ) = ∫ x α −l e − x dx
0

La integración por partes muestra que

Γ(α ) = (α − 1)[Γ(α − 1)]

Luego: Γ(α) = (α − 1) ! (Para α entero y
positivo)

157
Matemática Aplicada

Representaciones gráficas de la función gamma para valores diversos de α y β

se muestran en la figura 6.10; ponen de relieve el hecho de que estas
distribuciones están positivamente sesgadas. En efecto, la sesgadura decrece a
medida que α se incrementan para cualquier valor fijo de β .

Figura 6.10

2.1. MEDIA Y VARIANZA DE LA FUNCIÓN GAMMA

Para determinar la media de la distribución Gamma:

1 ∞
µ= ∫ x ⋅ x α −1e − x / β dx
β Γ(α ) 0
α

Haciendo el cambio de variable y = x / β

β ∞ α −y βΓ((α + 1)
µ= ∫
Γ(α ) 0
y e dy =
Γ(α )

Haciendo uso de la identidad Γ(α + 1) = α ⋅ Γ(α ), llegamos al resultado

de la Media:

µ = αβ
La Varianza de la distribución gamma esta dada por:

σ 2 = αβ 2

158
 Matemática Aplicada

3. DISTRIBUCIÓN EXPONENCIAL

En la distribución Gamma, si el valor de α = 1 obtenemos la distribución

exponencial cuya densidad de probabilidad es:

1 − x
 e β para x > 0, β>0
f(x) =  β

0 en otra parte

3.1. GRÁFICO DE LA FUNCIÓN EXPONENCIAL

Para graficar la función exponencial tabularemos valores de x para un

valor de β determinado

β =1
x
1 −β
f(x) = e
β
x f(x)
0.9048374
0.1 2
0.6065306
0.5 6 DISTRIBUCION EXPONENCIAL
0.4493289 (Beta = 1)
0.8 6
1
0.3678794
0.9
1 4
0.8
0.1353352
PROBABILIDAD (X=x

0.7
2 8
0.6
0.0497870
3 7 0.5
0.4
0.0183156
4 4 0.3

0.0067379 0.2

5 5 0.1

0.0024787 0
6 5 0 2 4 6 8 10 12

0.0009118 VARIABLE ALEATORIA

7 8
0.0003354
8 6
0.0001234
9 1
10 4.54E-05
Figura 6.11 Representación gráfica de la función exponencial para β = 1.

159
Matemática Aplicada

Igualmente podemos graficar la función exponencial para β = 0,1; β = 1;

β = 5 . en la Fig. 6.12

3.2. MEDIA Y VARIANZA DE LA FUNCIÓN EXPONENCIAL

La Media de la distribución Gamma esta dada por:

µ = β
La Varianza de la distribución Gamma esta dada por:
σ2 = β2
La Desviación típica o estándar de la distribución Gamma esta dada por:
σ=β

FUNCION EXPONENCIAL
(Beta = 1; Beta = 0.1; Beta = 5)

4
3.5
PROBABILIDAD (X = X)

3
2.5
β = 0,1 Serie1
2
Serie2
1.5
β =1 Serie3
1
β=5
0.5
0
-0.5 0 5 10 15
VARIABLE ALEATORIA x

Figura 6.12

EJEMPLO 1

En promedio llegan tres camiones por hora para ser descargados en una
bodega, ¿Cuáles son las probabilidades de que el tiempo entre el arribo
de sucesivos camiones sea:

• Menor que 5 minutos

• De al menos 45 minutos

160
 Matemática Aplicada

Solución

• Suponiendo que los arribos siguen un proceso con α = 3 , entonces

1
β= . Además 5 minutos es 1/12 hora.
3

1/ 12

∫ 3e −3 x dx = 1 − e −1/ 4 = 1.221
0

• En la misma relación anterior y con 45 minutos como 9 / 12 = 3 / 4

hora
∞
−3 x
∫ 3e dx = e −9 / 4 = 0.105
3/4

4. LA DISTRIBUCIÓN BETA

La distribución beta tiene una densidad de probabilidad es

 Γ(α + β) α -1
 X (1- X)β-1 para 0 < x < 1, α > 0, β > 0
f(x) =  Γ(α).Γ(β)
0 en otra parte


4.1. MEDIA Y VARIANZA DE LA FUNCIÓN BETA

La media y la varianza de esta distribución beta están dadas por

α
µ=
α+β
αβ
σ2 =
(α + β)
2
(α + β + 1)

EJEMPLO 1

En cierto distrito, la proporción de tramos de carretera que requieren de

reparaciones en un año dado es una variable aleatoria con la distribución
beta con α = 3 y β = 2 (Fig. 6.11). Determine:

• Qué porcentaje, en promedio, de tramos de carretera requieren de

reparaciones en un año dado.
• La probabilidad de que cuando más la mitad de los tramos de carretera
requieran de reparaciones en un año dado.

161
Matemática Aplicada

Figura 6.13

Solución

3
• µ= = 0,60 lo que significa que, en promedio, el 60% de los
3+2
tramos de carretera requieren reparaciones en un año dado.
• Sustituyendo α = 3 y β = 2 en la fórmula de la distribución beta y
partiendo del hecho de que
Γ(5) = 4! = 24
Γ(3) = 2! = 2
Γ(2) = 1! = 1
Luego reemplazando estos valores en la función Beta obtenemos:

f ( x ) = 12 x 2 (1 − x ) para 0 〈 x 〈1

0 en otra parte

Así, la probabilidad deseada está dada por

1/ 2
5
∫ 12x 2 (1 − x )dx =
16
0

162
 Matemática Aplicada

5. LA DISTRIBUCIÓN DE WEIBULL

Estrechamente relacionada con la distribución exponencial está la distribución de

Weibull, cuya densidad de probabilidad está dada por

 αβx β −1e − αx
β
parax > 0, α > 0, β > 0
f(x) = 
0 en otra parte

Para demostrar esta relación, evaluamos la probabilidad de que una variable

aleatoria con la distribución de Weibull adopte un valor menor que α , es decir,
la integral

∫ αβ x β − 1 e − α x β dx
0

Efectuando el cambio de variable y = x β , obtenemos

aβ
β
∫ α e − α y dy = 1 − e − α a
0

Y, como puede verse, y es un valor de una variable aleatoria con una distribución
exponencial. Las representaciones gráficas de varias distribuciones de Weibull
1
con α = 1 y β= ; 1; 2 se muestran en la figura 6.14.
2

Figura 6.14

163
Matemática Aplicada

5.1. MEDIA Y VARIANZA DE LA FUNCIÓN WEIBULL

La medida de la distribución de Weibull con los parámetros α y β puede

obtenerse evaluando la integral

∞
µ= ∫ x ⋅ αβ x β−1e −αxβ dx
0

Efectuando el cambio de variable u = αx β , obtenemos.

∞
µ = α −1/ β ∫ u1/ β e −u du
0

 1
Y reconociendo la integral como Γ1 + , es decir, como un valor de la
 β
función gamma, encontramos que la media de la distribución de wibull
está dada por

 1
µ = α −1/ β Γ1 + 
 β

La varianza de esta distribución está dada por:

 2  1
σ 2 = α −2 / β {Γ1 +  − [Γ1 +  ] }
2

 β  β

EJEMPLO 1

Supongamos que el ciclo de vida de cierto tipo de batería de respaldo de

emergencias (en horas) es una variable aleatoria X con la distribución de
Weibull con α = 0.1 y β = 0,5
Determine

• El ciclo de vida medio de estas baterías;

• La probabilidad de que una batería de este tipo dure más de 300
horas.

164
 Matemática Aplicada

Solución

• La sustitución en la fórmula de la media da como resultado.

µ = (0.1) −2 Γ(3) = 200

• Integrando, obtenemos

∞
0.5 0 .5
− 0.5
∫ (0.05)x e 0.1x dx = e −0.1( 300 ) = 0.177
300

PROBLEMAS PROPUESTOS 6.2

1. En ciertos experimentos, el error cometido en la determinación de la

solubilidad de una sustancia es una variable aleatoria con la densidad
uniforme con α = −0,025 y β = 0,025 . ¿Cuáles son las
probabilidades de que ese error sea:
• De entre 0,010 y 0,015
• De entre -0,012 y 0,012
Sol:
•
•

2. En cierta ciudad el consumo diario de energía eléctrica puede tratarse

como una variable aleatoria con una distribución gamma con α = 3 ,
y β = 2 . Si la planta de energía de esa ciudad tiene una capacidad
diaria de 12 millones de kilowatt-hora. ¿Cuál es la probabilidad de
que ese suministro de energía sea inadecuado en un día dado.
Sol:

3. La cantidad de tiempo durante el que funciona una cámara de

vigilancia sin que se le reponga es una variable aleatoria con
distribución exponencial, con β = 50 dìas. Determine las
probabilidades de que una cámara así:
• Tenga que ser repuesta en menos de 20 días
• No tenga que ser repuesta en al menos 60 días.
Sol:
•
•

165
Matemática Aplicada

4. Si la proporción anual de declaraciones de impuestos sobre ingresos

erróneos, presentadas al fisco, puede considerarse como una variable
aleatoria con una distribución beta con α = 2 y β = 9 . ¿Cuál es la
probabilidad de que en un año dado haya menos de 10 % de
declaraciones erróneas?
Sol:

5. Supongamos que la proporción de unidades defectuosas embarcadas

por un distribuidor, que varia un tanto de embarque a embarque,
puede considerarse una variable aleatoria con la distribución beta con
α =1 y β = 4.
• Determine la media de esta distribución beta.
• Determine la probabilidad de que un embarque de este distribuidor
contenga 25% o mas de unidades defectuosas.
Sol:
• a) µ = 0,2
• b) 0,3164

6. Supongamos que el tiempo de falla (en minutos) de ciertos

componentes electrónicos sujetos a vibraciones continuas puede
considerarse una variable aleatoria con una distribución de Weibull
con α = 1 y β= 1 .
5 3
• ¿Cuánto puede esperarse que dure un componente de ese tipo.
• ¿Qué probabilidad existe de que un componente de ese tipo falle en
menos de 5 horas?
Sol:
•
•

7. Supongamos que el ciclo de vida de servicio (en horas) de un

semiconductor es una variable aleatoria con una distribución de
Weibull con α = 0,025 y β = 0,500 . ¿Cuál es la probabilidad de que
un semiconductor de ese tipo siga en condiciones de operación
después de 4000 horas?
Sol:
0,2057

166