Distribución Uniforme

Se dice que la variable aleatoria continua X, tiene una distribución

uniforme en el intervalo [a, b] si su función de densidad es:
f(x)

1
f ( x)  a xb f (x)
ba
1 / (b-a)

Se denota X  U(a, b) 0 a k1 k2 b x

ab (b  a) 2
X  E  X     V X  
2
X
2 12
 Ejemplo
El tiempo que un estudiante tarda en resolver un examen se
modela como una variable aleatoria continua “X” con
distribución de probabilidad uniforme de parámetros a = 50
minutos y b = 90 minutos.
Halle:

a) P(x<60)
b) P(x>75)
c) P(60<x<75)
d) El coeficiente de variación de X.
 EJEMPLO 1:
Si X es una v.a. con distribución uniforme en
[10,15] y se sabe que la P(x ≤k) = 0,85. Hallar k.

EJEMPLO 2:
La cantidad aleatoria demandada durante un
cierto período de tiempo de una empresa textil
no supera la tonelada, determinar para ese
período de tiempo:

a) La probabilidad de que la cantidad demandada

no supere los 800 kg.
b) La probabilidad de que la cantidad demandada
este comprendida entre 650 y 850 kg.
c) La demanda esperada.
 Distribución Exponencial

Una variable aleatoria X tiene distribución exponencial con

parámetro , si su función de densidad es:
x

f x   e
1 β
; x0
β

Se denota X  Exp(  )

 x  E(X)    x2  V ( X )   2
 Distribución Exponencial

 Probabilidad en una distribución exponencial

Si X  Exp( )

P  X  k   1 e  k  

P X  k  e  k  
 Ejemplo

El tiempo de vida útil de un artefacto eléctrico se puede modelar

como una variable aleatoria X.

Si X  Exp(= 36 meses)

Calcule:

a) P(X 28)
b) P(X>32)
 Distribución Exponencial y Poisson

La distribución Exponencial se relaciona con la

distribución de Poisson de la siguiente manera:

Si la cantidad de eventos discretos que suceden en un

tiempo determinado sigue una distribución de Poisson
con media , entonces el tiempo entre la ocurrencia de
dos eventos discretos consecutivos sigue una
distribución Exponencial con media  = 1/.
 Ejemplo
Se sabe que el número promedio de llamadas que se
recibe en un servicio de contestación telefónica es de
6 llamadas por hora. Si el tiempo en horas entre
llamadas sucesivas tiene una distribución
exponencial, ¿cuál es la probabilidad de esperar más
de 15 minutos entre dos llamadas sucesivas
cualesquiera?
 DISTRIBUCION NORMAL
o campana de Gauss - Laplace

Esta distribución es frecuentemente utilizada en las

aplicaciones estadísticas. Su propio nombre indica
su utilización por la frecuencia o normalidad con la
que ciertos fenómenos tienden a parecerse en su
comportamiento a esta distribución.

En resumen,la importancia de la distribución normal

se debe a que hay muchas variables asociadas a
fenómenos naturales que siguen el modelo de la
normal.
Entonces una v.a. X sigue una distribución normal
con media , donde -< <  y varianza

escribe X  N( ,  2 )
de probabilidad esta definido para -< x<  de la
siguiente manera:
 y  2 son los
Parámetros de
la distribución
GRAFICA DE UNA DISTRIBUCION NORMAL
 Características de la Distribución Normal :

a) Tiene forma acampanada.

b) Es simétrica con respecto a su media.
c) Es azintótica con respecto al eje horizontal.
d) E(X)=  y Var(X)=
LA DISTRIBUCION NORMAL ESTANDAR

Si la v.a. X tiene distribución normal N ( ,

entonces dicha variable se puede estandarizar
mediante la variable de transformación

Z = (x- )

donde Z tiene distribución normal N(=0, 2 =1)
y función de densidad de probabilidad dado por:

f(z) =
Uso de la tabla normal estándar

Utilizamos la tabla normal estándar bajo el concepto

gráfico siguiente:
f(z)
P(z ≤z0)

0 z0 z

Es decir la probabilidad representa un área debajo

de la curva normal con valores menores iguales a
a un número z0.
Uso de la tabla normal estándar

EJEMPLO1: Si X~ N( 2, 5 ), calcular P ( X<3,5 )

Solución: observamos que =2 y  2 =5  =2,2
estandarizamos la variable aleatoria X de la
siguiente manera:
P(x<3,5)=P( x -  < 3,5 – 2) Tabla Z
2,2 Z 8
=P(Z<0,68)
0,6 0,75175
= 0,75175
 PROPIEDADES:

1.- P ( Z > a ) = 1- P ( Z  a )

2.- P ( Z > a ) = P ( Z < -a ) “pues la distribución normal

estándar es simétrica”
P ( Z < -a ) P(Z>a)

z
-a a

3.- P (a  Z  b) = P(Zb) – P(Za)

Uso de la tabla normal estándar

EJEMPLO2: Sea X una v.a. con distribución normal

que tiene media 4,8 y desviación estándar 6,2.
Calcular la P( X  2,7 ) y P ( X > 3,8 )
Solución:
EJEMPLO 3:

Si X es una variable aleatoria con distribución

normal, donde la media poblacional es 10 y la
desviación estándar es 3, calcular:
a) P(11<X<15)
b) Si P(X<M) = 0,98 , hallar “M” Caso inverso:
dada la
probabilidad
hallar el número
 Ejercicio
La duración de un laser semiconductor a potencia constante tiene
una distribución normal con media y una desviación estándar
horas. Se ha observado que el 10,565% de los laseres tienen un
dura Ciónque es inferior a 50 horas, y el 17,106% de los láseres
tienen una duración que es superior a 70 horas.
a) Calcule la media y la desviación estandar de la distribución.
b) Calcule la probabilidad de que la duración de un láser
semiconductor sea superior a 50,24 horas
c) Si se hace uso de tres laseres de un producto y se supone que
funcionan de manera independiente. Cual es la probabilidad de
que a lo más dos sigan funcionando despues de 65 horas?.