Unidad 4 / Escenario 7

Lectura Fundamental

Distribuciones continuas de probabilidad

Contenido

1 Introducción

2 Distribución uniforme

3 Distribución normal

4 Distribución gamma

5 Distribución exponencial

6 Distribución beta
7 Distribución Weibull

8 Distribución Log-Normal

9 Distribución χ2

10 Distribución t-student

Referencias

Palabras Claves: distribución uniforme, distribución gamma, distribución exponencial, distribución χ2, distri-
bución Weibull, distribución normal, distribución t-student, distribución log-normal, distribución beta
1. Introducción

En el Escenario anterior, se trabajaron las distribuciones de probabilidad discretas, recordemos que las variables
discretas solo pueden tomar valores puntuales. En este Escenario vamos a trabajar las distribuciones continuas
que corresponden a variables que pueden tomar infinitos valores en un intervalo dado.

En este Escenario vamos a mencionar algunas de las distribuciones continuas más utilizadas y estaremos haciendo
énfasis en las caracterı́sticas que las definen, la función de densidad y en propiedades tales como el valor esperado
y la varianza.

2. Distribución uniforme

Definición 1. Dada una variable aleatoria X continua definida en el intervalo [a , b ], entonces X tiene distribución
uniforme en el intervalo [a, b] cuando su función de densidad sea:

1


, si a ≤ x ≤ b
f (x) = b−a

0, para otro caso.

Su representación gráfica serı́a:

Figura 1: Función de densidad uniforme Fuente: Elaboración propia.

Si X es continúa entonces:
b+a (b − a)2
µ = E(X) = , σ 2 = V (X) =
2 12

Ejemplo 1. El tiempo de elaboración de un producto está entre 20 y 25 dı́as, en este intervalo de tiempo, todos
los dı́as tienen la misma probabilidad de ocurrencia. ¿Cuál es la probabilidad de elaborar el producto en menos
de 22 dı́as?

X: tiempo para elaborar el producto.

POLITÉCNICO GRANCOLOMBIANO 1
 1


, para 20 6 x 6 25
f (x) = 25 − 20

0, para otro caso.

Aquı́, necesitamos calcular:

P (X < 22)

Empleamos para tal propósito, la función de distribución con el área hacia la izquierda:

Z 22 Z 22
1
P (X < 22) = f (x)dx = dx = 0.4
20 20 5

Utilizando R queda:

punif( 22 , min = 20, max = 25 lower.tail = T ) # Calcula la probabilidad

## [1] 0.4

La probabilidad de que gaste más de 24 dı́as serı́a:

Z 25 Z 25
1
P (X > 24) = f (x)dx = dx = 0.2
24 24 5

En R decimos:

punif( 24 , min = 20, max = 25 lower.tail = F ) # Calcula la probabilidad

## [1] 0.2

Cuando una distribución uniforme tiene un punto mı́nimo a un punto máximo b y tiene un punto modal b se tiene
una distribución triangular y ası́ se ve en la función de densidad. Comienza en el valor mı́nimo, aumenta de
manera lineal hasta alcanzar el valor pico en la moda y luego disminuye de manera lineal hasta alcanzar el valor
máximo. La forma del triángulo puede ser simétrica o asimétrica. Por ejemplo, la siguiente gráfica ilustra una
distribución triangular con parámetros mı́nimo = 10, moda = 50 y máximo = 120.

POLITÉCNICO GRANCOLOMBIANO 2
 Figura 2: Distribución triangular
Fuente: elaboración propia
Esta distribución se utiliza para modelar procesos estocásticos o de riesgo comercial. Por ejemplo, el recolectar
información para determinar el valor de unas acciones en el próximo mes no resulta tan fácil. Sin embargo, se puede
estimar el valor mı́nimo de las acciones, el valor máximo y el más probable (moda). Estos valores serı́an una
representación razonable de los datos.

3. Distribución normal

La distribución normal es sin lugar a dudas una de las distribuciones más importantes en estadı́stica ya que muchas
de las situaciones de la vida real se ajustan a esta distribución.

Definición 2. Esta distribución, gráficamente tiene la forma de una campana con las caracterı́sticas de ser
unimodal y simétrica y tiene la siguiente función de densidad:

1 (x−µ)2
f (x) = √ e 2σ2
2Πσ

E(X) = µ, V (X) = σ 2

La distribución normal cuenta con dos parámetros µ y σ, donde σ es la desviación estándar y µ es la media o
promedio.

Por ejemplo para una distribución normal con media igual a 30 y desviación estándar igual a 5 la forma gráfica es:

POLITÉCNICO GRANCOLOMBIANO 3
 Figura 3: Distribución normal

Fuente: elaboración propia

Ejemplo 2. Consideremos que el tiempo que gasta un grupo de trabajadores en realizar una tarea especı́fica sigue
una distribución normal con media de 30 minutos y desviación estándar de 5 minutos, si se selecciona aleatoriamente
un trabajador cuál es la probabilidad de que gaste un tiempo:
a. Inferior a 38 minutos.

b. Superior a 40 minutos.

c. Entre 25 y 35 minutos.

El manejo de las anteriores probabilidades resulta compleja si se desarrollan con la función de densidad, para
resolver esto se transforma la variable X en una nueva variable, Z con la siguiente expresión:

x−µ
Z=
σ

A esta transformación se le llama estandarización o tipificación obteniendo una nueva función de densidad con
media µ = 0 y desviación estándar σ = 1 y con función de densidad dada por:

1 1 2
f (Z) = √ e− 2 Z
2Π

La importancia de esta distribución de probabilidad es que cualquier distribución normal se puede llevar a la
distribución normal estándar y las probabilidades acumuladas de esta distribución ya se encuentran tabuladas.

Dando respuesta al ejemplo anterior tenemos que:

• X: tiempo que gastan los trabajadores en realizar la tarea.

• µ = 30 y σ = 5.

POLITÉCNICO GRANCOLOMBIANO 4
a. P (X < 38)

38 − 30
Z= = 1.6
5
En la tabla de la distribución normal para Z = 1.6

Figura 4. Tabla distribución normal

Fuente: elaboración propia
Entonces:

P (X < 38) = P (Z < 1.6) = 0.9452

b. P (X > 40)

40 − 30
Z= =2
5
Para Z = 2 en la tabla

POLITÉCNICO GRANCOLOMBIANO 5
 Figura 5: Tabla normal para Z = 2
Fuente: elaboración propia
Entonces:

P (X > 40) = P (Z > 2) = 1 − P (Z ≤ 2) = 0.9452

c. P (25 < X < 35)

25 − 30 35 − 30
Z= = −1Y Z = = −1
5 5
Entonces:

P (25 < X < 35) = P (−1 < X < 1) = 0.8413 − 0.1587 = 0.6826

4. Distribución gamma

Definición 3. Una variable aleatoria X tiene distribución gamma si su función de densidad está dada por:

POLITÉCNICO GRANCOLOMBIANO 6
 λ
f (x) = (λx)k−1 e−λx
Γ(k)

También se tiene la función de probabilidad:

r−1
(λx)k
F (x) = 1 − e−λx
X

k=0
k!

k k
E(x) = , V ar(x) = 2
λ λ

La distribución gamma cuenta con dos parámetros k y λ, donde k es el parámetro de forma y λ el parámetro de
escala.

Figura 6: Distribución gamma

Fuente: elaboración propia

Ejemplo 3. El número de clientes, en promedio, que llegan por minuto a solicitar servicio a un banco es de 5.
¿Cuál es la probabilidad de que dos clientes tarden de 30 a 45 segundos en llegar al banco? Solución. Tener en
cuenta que:
1. El número de clientes por minuto que llegan a solicitar servicio a un banco es una variable aleatoria discreta
Poisson (con parámetro λ).

2. El tiempo que tarden k clientes en llegar a solicitar servicio a un banco es una variable aleatoria continua
Gamma . (α = k y β = 1/λ)

Tenemos que:

POLITÉCNICO GRANCOLOMBIANO 7
 5clientes 5clientes 1
Z= = =
1minuto 60segundos 12

X: tiempo en segundos que tardan k clientes en llegar al banco.

Ası́ X tiene distribución gamma con α= k = 2

1 1
β= = 1 = 12
λ 12

Z 45
1 α
P (30 ≤ x ≤ 45) = 2
X 2−1 e− 2 dx = 0.17558
30 γ(2)12

5. Distribución exponencial

Definición 4. La distribución exponencial es una de las distribuciones que mayor aplicación tiene en el campo
profesional y en especial para el ingeniero en particular. El objetivo entonces es conocer las caracterı́sticas de esta
distribución que sepamos cuando aparece como identificarla, que parámetros la caracteriza y cuál es su función de
distribución.

La distribución exponencial se utiliza como modelo para representar tiempos de funcionamiento (tiempo de vida),
es decir el tiempo que transcurre antes de que ocurra una falla o tiempo de espera. Si por ejemplo consideramos
que hay desgaste en un producto, el modelo exponencial describe adecuadamente la distribución del tiempo entre
dos averı́as de un producto que se puede reparar.

Su validez por tanto es si consideramos que no hay desgaste y no ocurren fallas debido a errores de fabricación,
envejecimiento o fatiga del material. La función de densidad depende de un único parámetro ? (tasa de falla o
número de fallas por unidad de tiempo) es de la forma
(
λe−λx , a<x<b
f (x) =
0, e.o.c.

La función de probabilidad se define de la siguiente manera:

(
1 − e−λx , x≥0
F (x) =
0, e.o.c.

POLITÉCNICO GRANCOLOMBIANO 8
 Figura 7: Distribución exponencial

Fuente: elaboración propia.

La función de distribución se puede aplicar directamente para no integrar la de densidad. El valor esperado y la
varianza para una variable exponencial está dada por:

1 1
E(x) = , V ar(x) = 2
λ λ

λ es el parámetro y por lo general indica el tiempo que transcurre entre un suceso y otro.

Ejemplo 4. El tiempo que transcurre antes de que falle el ventilador de un motor diésel se describe mediante una
distribución exponencial con una tasa de falla de 34,8 fallas por millón de horas. Si la garantı́a es de 8000 horas
¿cuál es la probabilidad de que el ventilador falle?

Entonces evaluamos la integral desde 0 hasta 8000 horas, en este caso reemplazamos directamente en la función
de distribución

− 6)
F (8000) = 1 − e−34(8)(10 8000 = 0.24

POLITÉCNICO GRANCOLOMBIANO 9
6. Distribución beta

La distribución beta es adecuada para variables aleatorias continuas que toman valores en el intervalo (0,1), lo
que la hace muy apropiada para modelar proporciones. En la inferencia bayesiana, por ejemplo, es muy utilizada
como distribución a priori cuando las observaciones tienen una distribución binomial.
Definición 5. La variable aleatoria X sigue una distribución beta si su función de densidad está dada por:

Para X una variable aleatoria continua con función de probabilidad beta

 Γ(α + β) xα−1 (1 − x)β−1 , para 0 < x < 1α, β > 0



f (x, α, β) = Γ(α)Γ(β)
0, para otro valor.


La distribución de probabilidad Beta esta definida por:

F (x) = Ix (α, β)

α αβ
E(x) = , V ar(x) =
α+β (α + β − 1)(α + β)2

En donde, α y β son los parámetros de la función de densidad beta, los cuales deben ser mayores a cero.

Figura 8: Distribución Beta

Fuente: elaboración propia.

POLITÉCNICO GRANCOLOMBIANO 10
Ejemplo 5. En una ciudad, la proporción de tramos de la autopista que requieren reparación en un año determi-
nado tiene distribución Beta con α = 3 y β = 2

a. En promedio que porcentaje de tramos de la autopista requieren reparación en un año cualquiera.

b. La probabilidad de que menos de la mitad de los tramos de la autopista requieran reparación en un año
cualquiera.

α
a. La media en la distribución Beta E(X) = α+β = 0.6.
1
b. P (X ≤ 21 ) = (12X 2 − 12X 3 )dx = 65 .
R 2
0

7. Distribución Weibull

El esfuerzo al que se someten los materiales puede modelarse por esta distribución. Se ha empleado mucho en
situaciones del tipo tiempo-falla con el objetivo de lograr una amplia variedad de componentes mecánicos y
eléctricos.

Definición 6. (Distribución de densidad) Sea X una variable aleatoria con distribución Weibull. Cuya función de
densidad es: ( α
αβ α xα−1 e−(x/β) , a < x < b
f (x) =
0, e.o.c.
Con distribución de probabilidad: ( α
1 − e−(x/β) , x≥0
F (x) =
0, e.o.c.

"  2 #
1 1 12 2 1
    
E(x) = Γ 1 + , V ar(x) = Γ 1+ + Γ 1+
β α β α α

Los parámetros de la distribución Weibull son α y β ambos mayores que cero.

POLITÉCNICO GRANCOLOMBIANO 11
 Figura 9: Distribución exponencial
Fuente: elaboración propia

8. Distribución Log-Normal

La distribución log normal se ajusta a ciertos tipos de fallos (fatiga de componentes metálicos), vida de los
aislamientos eléctricos, procesos continuos y datos de reparación, además de ser na buena representación en la
distribución de los tiempos de reparación.

Es también una distribución importante en la valoración de sistemas con reparación.

La distribución log normal es importante en la representación de fenómenos de efectos proporcionales, tales como
cambio en la variable en cualquier punto de un proceso y , algunas fallas de mantenimiento.
Definición 7. La distribución log normal es aquella en que el logaritmo de la variable está distribuida normal-
mente. Por consiguiente la función densidad de probabilidad se puede obtener de la distribución normal mediante
la transformación de su ecuación. La función de densidad esta representada por:

( 1 2
√1 e 2σ2 (ln(y)−µ) , si x > 0
f (x) = σ 2Π
0, e.o.c.

Su distribución de probabilidad esta dada por:

ln(x) − µ ln(x) − µ
   
F (x) = P (X ≤ x) = P Z ≤ =Φ
σ σ

POLITÉCNICO GRANCOLOMBIANO 12
 σ2 2 2
E(x) = eµ+ 2 , V ar(x) = e2µ+2σ − e2µ+σ

Ejemplo 6. los gastos anuales de un grupo de empresas, en millones de pesos, siguen una distribución logarı́tmica
normal de parámetros 3 y 2. ¿Qué porcentaje de empresas se encuentran entre 70 y 150?

La variable X: gastos anuales de las empresas Parámetros 3 y 2 entonces:

P (70 ≤ X ≤ 150) = P [ln(70) ≤ X ≤ ln(150)]

ln(70) − 3 ln(X) − 3 ln(150) − 3
= P[ ≤ ≤ ]
2 2 2
= P hi(1) − Φ(0.62) = 0.1089

El 10,89 % de las empresas tienen gastos entre 70 y 150 millones de pesos.

9. Distribución χ2

Definición 8. (Distribución de densidad) Sea X una variable aleatoria con distribución de probabilidad ji cua-
drado, cuya función de densidad es:
 k −x
 k
1
(x 2 −1 e 2 ), x>0
f (x) = 22 Γ( k2 )
0, e.o.c.


E(x) = k, V ar(x) = 2k

POLITÉCNICO GRANCOLOMBIANO 13
 Figura 10: Distribución χ2
Fuente: elaboración propia

10. Distribución t-student

Aparece en las distribuciones en el muestreo de poblaciones normales en la inferencia estadı́stica se la debemos

a W.S.Gosset quien firmaba sus trabajos con el seudónimo de student, se denota con la letra t y se caracteriza
por los grados de libertad definidos como un valor v. La distribución t tiene una forma muy parecida a la normal
estándar, tiene una media de cero y una varianza es ligeramente superior a 1, al aumentar los grados de libertad
se parece más a la normal y con 30 grados de libertad es casi idéntica a la normal estándar.
Definición 9. Decimos entonces que una variable aleatoria tiene distribución t student con v grados de libertad
donde v es un entero positivo, si su función de densidad es la siguiente:

ν+1

2
 √Γ( 2 ) (1 + x ) −ν+1

2 , si −∞ < x < ∞
f (x) = ν ν
 ΠνΓ( 2 )
0, e.o.c.


ν
E(x) = 0, ν > 1, V ar(x) = 2 ,ν > 2
ν−2

La distribución t cuenta con solo un parámetro, ν que representa los grados de libertad, los cuales deben ser
mayores a 0.

POLITÉCNICO GRANCOLOMBIANO 14
 Figura 11: Distribución t-student
Fuente: elaboración propia.
Aunque esta distribución forma parte de las distribuciones continuas se utiliza en los cálculos relacionados con la
estadı́stica inferencial Esta distribución se construye como la relación de dos variables una de ella la que está en el
numerador es una normal estándar y la del denominador es la raı́z cuadrada de una distribución chi-cuadrado en
donde las dos variables son independientes. La importancia de esta distribución es que si la media y S son la media y
la desviación estándar en una una muestra n extraida de una población normal en donde no se conoce la varianza
poblacional entonces la expresión:

x− µ
t= S
√
n

Tiene distribución t- student con (n-1) grados de libertad.

Para el manejo de la distribución t, ası́ como en la normal existe una tabla que nos da los valores correspondientes
al valor de t cuando se tiene una probabilidad. En la siguiente tabla se ve en la primera columna lo que corresponde
a los grados de libertad (g.l) y en la primera fila áreas de la derecha de la distribución a una probabilidad α

POLITÉCNICO GRANCOLOMBIANO 15
 Figura 12: Tabla t-student para 10 grados de libertad.
Fuente: elaboración propia.

Ası́ para para 10 grados de libertad se tiene que:

P (T > 1.8125) = 0.05

POLITÉCNICO GRANCOLOMBIANO 16
 Figura 13: Distribución t con v = 10 y
= 0,05

Fuente: elaboración propia.

En este Escenario trabajamos algunas distribuciones continuas, en el próximo Escenario van a encontrar
ejemplos de aplicación de estas distribuciones y la solución en R.

POLITÉCNICO GRANCOLOMBIANO 17
Referencias

1. Anderson, D. R., Sweeney, D. J., y Williams, T. A. (2008). Estadı́stica para administración y economı́a. M
éxico: Cengage.

2. Blanco Castañeda, L. (2010). Probabilidad. Bogotá: Universidad Nacional de Colombia.

3. Canavos, G. C. (1988). Probabilidad y estadı́stica. Aplicaciones y métodos. México: McGraw-Hill.

4. Kerns, G. J. (2013). Ipsur: Introducción to probability and statistics using R [Manual de software informático].
Descargado de https://CRAN.R-project.org/package=IPSUR (R package version 1.5)

5. Montgomery, D. C., y Runger, G. C. (1996). Probabilidad y estadı́stica aplicadas a la ingenierı́a. México:

McGraw-Hill.

6. R Core Team. (2017). R: A language and environment for statistical computing [Manual de software in-
formático]. Vienna, Austria. Descargado de https://www.R-project.org/

7. Walpole, R. E., Myers, R. H., Myers, S. L., y Ye, K. (2008). Probabilidad y estadı́stica para ingenierı́a y
ciencias. México: Pearson.

POLITÉCNICO GRANCOLOMBIANO 18
 INFORMACIÓN TÉCNICA

Módulo: Probabilidad
Unidad 4: Distribuciones continuas

Escenario 7: Algunas distribuciones continuas de

probabilidad

Autor: Patricia Castillo Garzón

Asesor Pedagógico: Diana Marcela Dı́az Salcedo
Diseñador Gráfico: Jully Amanda Guzman
Corrector de estilo: Felipe Garán
Asistente: Ginna Paola Quiroga

Este material pertenece al Politécnico Grancolombiano.

Por ende, es de uso exclusivo de las Instituciones
adscritas a la Red Ilumno. Prohibida su reproducción
total o parcial.

POLITÉCNICO GRANCOLOMBIANO 19