DISTRIBUCIONES DE PROBABILIDAD CONTINUA

1 APROXIMACIÓN NORMAL A LA BINOMIAL

La distribución binomial, es una distribución discreta en la que n ensayos pueden

producir un éxito o un fracaso.  La probabilidad de éxito la denominamos p y la
posibilidad de fracaso será q=(1− p).  Como se ha visto en otros apartados el cálculo
de la distribución binomial puede exceder el límite de cualquier tabla y volverse muy
engorrosa en su cálculo si el valor de n es muy grande.
 
Un método alternativo para el cálculo de la distribución binomial es por medio del uso
de la distribución normal para aproximar la distribución binomial.  Para ello es
fundamental que se satisfagan las siguientes condiciones, np ≥ 5 y n (1− p)≥ 5 y además
p está próximo a 0,5.  
 
Si no se pudieran utilizar las tablas binomiales, se puede aproximar la expuesta
utilizando la distribución normal. Para ello podemos obtener la media y la desviación
estándar de la distribución normal con las siguientes  fórmulas: 

 
Debido a que la distribución normal es continua, y en consecuencia entre dos valores
existirá una serie infinita de valores posibles, para estimar una variable aleatoria discreta
se requiere de un leve ajuste, denominado factor de corrección de continuidad, sumando
o restando 1/2 al valor de x. De esta forma el valor de z se obtiene mediante la fórmula:

1. La distribución logística ha sido usada extensamente en áreas como:

2. Biología: para describir cómo se comportan las especies en entornos
competitivos
3. Epidemiología - para describir la propagación de epidemias
4. Sicología - para describir el proceso de aprendizaje
5. Tecnología - para describir cómo las tecnologías se popularizan y compiten
entre sí
6. Márketing - para estudiar la difusión de nuevos productos
Ejemplos:
El 45% de todos los empleados de una dependencia pública poseen título que los
acredita para el puesto. ¿Cuál es la probabilidad de que de los 160 empleados elegidos
al azar 75 posean título para el puesto?

Solución:
Datos: n=160 , x=75 , p=0,45 , q=0,55
μ=n∗p
μ=160∗0.45=72

σ =√ n∗p∗q
σ =√ 160∗0.45∗0.55=6.29

1
z 1=
( x + )−μ
2
=
75,5−72
=0,56 → Area=0,21226
σ 6,29

( x+ 1/2)−μ 74,5−72
z 2= = =0,40 → Area=0,15542
σ 6,29

Entonces tenemos que:

P ( 74.5≤ x ≥ 75.5 )=0.21226−0.15542=0.05684 ≈ 5.68 %

La probabilidad de que 75 empleados elegidos aleatoriamente posean título para el

cargo es del 5,68%.
https://jcastrom.jimdofree.com/matematica/estadistica/aproximaci%C3%B3n-normal-a-
la-binomial/?
fbclid=IwAR0DlgFC4R0b7GF_9MHHEBrWZRUfF2hKPdVmw1odrsawdo746Bjeygf
Zj4s

2 DISTRIBUCIÓN GAMMA Y EXPONENCIAL, APLICACIONES.

Usada en teoría de colas y en problemas de confiabilidad. Si se está interesado en la

ocurrencia de un evento generado por un proceso de Poisson de media λ, la variable que
mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una
distribución gamma.

La función Gamma se define como:

∞
Γ ( α )=∫ x α −1 e− x dx , para α >0
0

Propiedades:

• Γ (α )=(α – 1)( α – 2)· ··( 1) Γ (1)

• Γ (α +1)=αΓ( α )

• Γ (α )=(α−1)!

• Γ (1)=1

• Γ (1/2)=√ π

La variable aleatoria continua X tiene una distribución gamma, con parámetros α y β, si

su función de densidad está dada por:
 1

{
f ( x ; α , β )= β Γ (α )
α
x α −1 e−x/ β , x >0 ,

0 ,en otro caso }

Donde α >0 y β >0

 La media de la distribución gamma es

μ=αβ
 La varianza de la distribución gamma es
σ 2=αβ 2

Ejemplo:
El tiempo que transcurre antes de que una persona sea atendida en una cafetería es una
variable aleatoria que tiene una distribución exponencial con una media de 4 minutos.
¿Cuál es la probabilidad de que una persona sea atendida antes de que transcurran 3
minutos en al menos 4 de los 6 días siguientes?
 
Solución:

−1 −1 −3
 P ( T ≤3 )=
1
4∫
e 4
t
dt=e 4
|
3=1−e 4 =0.5276
0
 
x = número de días en que un cliente es atendido antes de que transcurran 3 minutos
      x=0 , 1 ,2 , ... ,6días
 
p=¿ Probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos
en . un día cualquiera ¿ 0.5276
q=¿ Probabilidad de que un cliente no sea atendido antes de que transcurran  3
minutos . en un día cualquiera =1− p=0.4724
 
P ( x=5 a 6 , N =6 , p=0.5276 ) ¿ C 65 ( 0.5276 )5 ( 0.4724 )1+ C66 ( 0.5276 )6 ( 0.4724 )0
      P ( x=5 a 6 , N =6 , p=0.5276 )=0.11587 +0.02157=0.13744
file:///C:/Users/usuario/Downloads/distribucingammayexponencial-160416175124.pdf

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Distribucio
n%20Exponencial.htm

3 DISTRIBUCIÓN JI CUADRADA.

La distribución gamma se obtiene haciendo α =v /2 y β=2 donde v es un entero

positivo. El resultado se llama distribución ji cuadrada. La distribución tiene un
parámetro sencillo, v, que recibe el nombre de grados de libertad.

De lo cual podemos definir:

 Distribución ji cuadrada La variable aleatoria continua X tiene una

distribución ji cuadrada, con v grados de libertad, si su función de densidad es:

v −x
1 −1
f ( x )= v
x2 e2
para x> 0
2
2 Γ ( v /2)

 Distribución ji cuadrada (x2). Es la distribución de una variable aleatoria que

siempre es positiva, con una posición oblicua hacia la derecha y unimodal. La
forma de la distribución depende de un parámetro llamado grados de libertad.
Estadística de prueba para ji cuadrada. Una variable aleatoria cuya distribución
de muestreo es aproximada a la de x2 es:

2(observada−esperada)2
x =∑
esperada
 Ilustración 1 Una distribución x^2

 la distribución ji-cuadrada es la distribución muestral de s2. O sea que si se

extraen todas las muestras posibles de una población normal y a cada muestra se
le calcula su varianza, se obtendrá la distribución muestral de varianzas. 

Para estimar la varianza poblacional o la desviación estándar, se necesita

conocer el estadístico X2. Si se elige una muestra de tamaño n de una σ 2

(n−1) s2
2
Población normal con varianza: x =
σ2
Donde n es el tamaño de la muestra, s2 la varianza muestral y σ 2la varianza de la
población de donde se extrajo la muestra. El estadístico ji-cuadrada también se
puede dar con la siguiente expresión

2 ∑ ( x− x́ )2
x=
σ2

Propiedades:

1. Los valores de x 2 son mayores o iguales que 0.

2. La forma de una distribución x 2 depende del gl=n-1. En consecuencia, hay
un número infinito de distribuciones x 2.
3. El área bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones x 2 no son simétricas. Tienen colas estrechas que se
extienden a la derecha; esto es, están sesgadas a la derecha.
5. Cuando n>2, la media de una distribución x 2 es n-1 y la varianza es 2(n-l).
6. El valor modal de una distribución x 2 se da en el valor (n-3).
7. La siguiente figura ilustra tres distribuciones x 2.
Ejemplos

Dados los grados de libertad y un valor de α, encuentre e interprete X 2α para cada uno de
los siguientes problemas, en la tabla de la distribución  X2

1. Dada una distribución ji cuadrada con 5 grados de libertad y α =0.05,

encuentre X 2 0.05 (Véase la siguiente figura).
2.

Figura

Solución:
El problema es encontrar la porción sombreada en la cola de la curva. Buscando en la
tabla x2, tabla V del Apéndice, en la intersección de la columna 0.05 y la fila de 5
grados de libertad, vemos que X20.05=11.070. Esto significa que la probabilidad es de
0.05 de que la estadística de prueba X2 calculada de una muestra será mayor que 11.070

2. Datosgl=16 y=0.01, encuentre X 20.01

Solución. X20.01 = 32.0

3. Datos gl=20 y=0.05, encuentre X 2 0.05

Solución X20.05 = 31.410

4. Suponga que los tiempos requeridos por un cierto autobús para alcanzar un de sus
destinos en una ciudad grande forman una distribución normal con una desviación
estándar  =1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la
probabilidad de que la varianza muestral sea mayor que 2.
Solución:
Primero se encontrará el valor de ji-cuadrada correspondiente a s2=2 como sigue:

El valor de 32 se busca adentro de la tabla en el renglón de 16 grados de libertad y se

encuentra que a este valor le corresponde un área a la derecha de 0.01. En consecuencia,
el valor de la probabilidad es P( s 2>2).

http://estadisticaaplicada2014utsjr.blogspot.com/2014/11/distribucion-de-ji-
cuadrada.html
4 DISTRIBUCIÓN LOGARÍTMICA NORMAL.

Utilice la distribución logarítmica normal si el logaritmo de la variable aleatoria está

distribuida normalmente. Utilícese cuando las variables aleatorias sean mayores que 0.
Por ejemplo, la distribución logarítmica normal se usa para el análisis de fiabilidad y en
aplicaciones financieras, como modelar el comportamiento de las acciones.

La distribución logarítmica normal es una distribución continua que se define por sus
parámetros de ubicación y escala. La distribución logarítmica normal de 3 parámetros se
define por sus parámetros de ubicación, escala y valor umbral.

La forma de la distribución logarítmica normal es similar a la forma de las

distribuciones logarítmica logística y de Weibull. Por ejemplo, la siguiente gráfica
ilustra la distribución logarítmica normal para escala=1.0, ubicación=0.0 y
valor umbral=0.0 .

La distribución logarítmica normal es continua. Se suele utilizar a menudo en

situaciones en las que los valores se sesgan positivamente, por ejemplo, para determinar
precios de acciones, precios de propiedades inmobiliarias, escalas salariales y tamaños
de depósitos de aceite.

Parámetros

Ubicación, Media, Desviación estándar

De forma predeterminada, la distribución logarítmico normal utiliza la media aritmética

y la desviación estándar. En el caso de aplicaciones en las que hay datos históricos
disponibles, resulta más adecuado utilizar la desviación estándar logarítmica y la media
logarítmica o la media geométrica y la desviación estándar geométrica. Estas opciones
están disponibles en el menú Parámetros de la barra de menús. Tenga en cuenta que el
parámetro de ubicación está siempre en el espacio aritmético.

La distribución logarítmica normal tiende a la función de densidad de probabilidad

2
− (¿ ( x ) −μ )
1 2σ2
f ( x ; μ , σ )= e
xσ √2 π

Para x >0, donde μ y σson la media y la desviación estándar de logaritmo de la variable.

2

Donde el valor esperado es: e ( x )=e μ+ σ /2

2 2

Donde la varianza es: var ( x )=(e σ −1)e 2 μ+ σ

Condicionales

La distribución logarítmica normal se utiliza cuando se dan las siguientes

condiciones:

1. Los límites superiores e inferiores son ilimitados, pero la variable

incierta no puede estar por debajo del valor del parámetro de
ubicación.
2. La distribución se ha sesgado positivamente, con la mayoría de los
valores próximos al límite inferior.
3. El logaritmo natural de la distribución es una distribución normal.
Ejemplo:

Los ingresos de los habitantes de un municipio siguen una distribución logarítmica

normal de parámetros 3 y 2. ¿Qué porcentaje de individuos se encuentra entre 70 y 150?

La variable X sigue una ln (3,2), se pide entonces,

P ( 70≤ x ≤ 150 )=P ( ¿ ( 70 ) ≤∈ ( x ) ≤∈( 150 ) )

¿ ( 70 )−3 ¿ ( x )−3 ¿ ( 150 )−3

¿P [ 2
≤
2
≤
2 ]
¿ ∅ ( 1 )−∅ ( 0.62 )=0.108 9

Esto es, el 10.89% de los individuos de ese municipio tienen ingresos entre 70 y 150.
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/lognormal-
distribution/

https://www.crystalballservices.com/Portals/0/CB_Material/CrystalBallUserGuides/es/
Crystal%20Ball%20Users%20Guide/frameset.htm?lognormal_distribution.htm

http://www5.uva.es/estadmed/probvar/d_univar/d_univar9.htm#:~:text=La
%20distribuci%C3%B3n%20log%2Dnormal%2C%20propuesta,exponencial%20de
%20una%20variable%20normal.&text=Ejemplo%203%3A%20Los%20ingresos
%20de,de%20par%C3%A1metros%203%20y%202.&text=Esto%20es%2C%20el
%2010.89%25%20de,ingresos%20entre%2070%20y%20150.

5 DISTRIBUCIÓN WEIBULL

Se trata de un modelo continuo asociado a variables del tipo tiempo de vida, tiempo
hasta que un mecanismo falla, etc. La función de densidad de este modelo viene dada
por:
β
β −1 − β
( ) si x ≥ 0
{ β x
()
f ( x )= α α
α

0 si x< 0
e
}
que, como vemos, depende de dos parámetros: α >0 y β >0, donde α es un parámetro de
escala y β es un parámetro de forma (lo que proporciona una gran flexibilidad a este
modelo).

La función de distribución se obtiene por la integración de la función de densidad y

vale:
β
− ( αβ )
F ( x )=1−e

El siguiente programa permite visualizar la forma de la función de densidad de este

modelo y el valor de la función de distribución:
Propiedades

1. Si tomamos β = 1 tenemos una distribución Exponencial.

2. Su esperanza vale:

3. Su varianza vale:

Donde Γ(x) representa la función Gamma de Euler definida

anteriormente.

Ejemplo de Análisis Weibull aplicado a Fallas de Equipos

La técnica de Análisis Weibull puede ser usada para estimar probabilidad de

muchos casos, por lo que continuando con nuestros ejemplos, nos
enfocaremos en un análisis de confiabilidad asociado a una estadística de
fallas de equipos de una planta Fraccionadora de Gas, para lo cual tenemos
la siguiente estadística de Tiempo Para Falla (TPF).
Tabla 2. Datos estadísticos de TPF.

Analizando los datos de la tabla No. 2, como primera observación tenemos

que hay un 95.98% que los TPF sean menores a 95.98%, por supuesto que es
una información, pero no nos ayuda mucho ya que tenemos datos desde 240
horas a 13,776 horas, por lo que debemos analizar la gráfica de Weibull.

Figura 3. Gráfico de Weibull (TPF).

 Del análisis tenemos que el Factor de Forma β es 0.6433 lo que indica que
tenemos una tasa de falla descendente, al igual que una
t=η( aproximadamente2,000).
Ya con los datos de forma y escala podemos realizar cualquier estimado de
confiabilidad utilizando la ecuación (7) o el gráfico de Weibull.
R(t )=1−F (t)(7)
Por ejemplo, si queremos estimar cuál es la confiabilidad o probabilidad
para que los equipos no fallen a t1=500 horas o t2=3000 horas, obtendremos
lo siguiente:
 R(t 1)=80 %
 R(t 2)=10 %

http://www.ub.edu/stat/GrupsInnovacio/Statmedia/demo/Temas/Capitulo4/B0C4m1t9.h
tm

https://predictiva21.com/analisis-weibull-ejemplos/#:~:text=La%20distribuci%C3%B3n
%20de%20Weibull%2C%20descubierta,en%20un%20escrito%20en%201951.&text=El
%20modelo%20exponencial%20es%20por,presenta%20tasa%20de%20falla
%20decreciente.
6 DISTRIBUCIÓN LOGÍSTICA

Utilice la distribución logística para modelar distribuciones de datos que tengan

colas más grandes y curtosis más alta que la distribución normal.

La distribución logística es una distribución continua que se define por sus

parámetros de escala y ubicación. La distribución logística no tiene parámetro
de forma, lo que significa que la función de densidad de probabilidad solo tiene
una forma. La forma de la distribución logística es similar a la forma de la
distribución normal. Sin embargo, la distribución logística tiene colas más
grandes.

Efecto del parámetro de escala

La siguiente gráfica muestra el efecto de los diferentes valores del
parámetro de escala en la distribución logística.

Efecto del parámetro de ubicación

La siguiente gráfica muestra el efecto de los diferentes valores del
parámetro de ubicación en la distribución logística.
Función de distribución
La distribución logística recibe su nombre de su función de distribución, que
pertenece a la familia de las funciones logísticas:
1
F ( x ; μ , δ )= −( x−μ)/δ
1+e
1 1 x −μ
¿ + tanh
2 2 2s ( )
Función de densidad
Su función de densidad es:

e−( x− μ)/δ
F ( x ; μ , δ )=
s (1+e−(x−μ)/ δ )2
1 x−μ
¿
4s
sec h2 ( )
2s
Nótese que puede expresarse en función del cuadrado de la secante
hiperbólica "sech".
Si se realiza la sustitución σ 2=π 2 s2 /3, la función de densidad queda de la
forma:
σ √3 π π x−μ
(
g ( x ; μ , σ )=f x ; μ ,
π
= )
σ 4 √3 (
sec h 2
2 √3 σ )
Función de distribución inversa
La inversa función de distribución de la distribución logística es una
generalización de la función:

F−1 ( p ; μ , s )=μ+ s∈ ( 1−p p )

Aplicaciones:
El número promedio de recepción de solicitudes en una ventanilla de
La atención al cliente es de tres al día.
a) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud exceda cinco
días?
b) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea menor de
diez días?
c) ¿Cuál es la probabilidad de que el tiempo antes de recibir una solicitud sea menor de
diez días, si ya han pasado cinco días sin recibir solicitudes?

Solución
 a) X = "días antes de recibir una solicitud", es una distribución exponencial
conλ=3
f ( x )=3 3−3 x F ( x ) =P ( X ≤ x )=1−e−3 x
P ( X >5 ) =1−P ( x ≤5 )=1−F ( 5 )=1−( 1−e−15 )=e−15
b) P ( X <5 ) =F ( x )=F ( 10 )=1−e−3∗10=1−e−30

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/logistic-distribution/

https://es.wikipedia.org/wiki/Distribuci%C3%B3n_log%C3%ADstica#:~:text=En%20teor
%C3%ADa%20de%20la%20probabilidad,determinados%20tipos%20de%20redes
%20neuronales.