25/08/2023

Distribuciones Continuas
de Probabilidad
Luigi Lizza Mendoza, MBA

Agenda

• Distribución Exponencial
• Distribución Uniforme
• Distribución Normal
• Distribución Normal Estándar
• Distribución T de Student
• Distribución Chi-cuadrada
• Distribución F de Fisher.
• Distribuciones de Probabilidad Continuas en R

2
 25/08/2023

Distribuciones de Probabilidad Continuas

MBA Luigi Lizza Mendoza 3

Distribución Exponencial

MBA Luigi Lizza Mendoza 4

4
 25/08/2023

Distribución Exponencial
Esta distribución suele ser el modelo de fenómenos aleatorios que miden
el tiempo que transcurre entre la ocurrencia de dos sucesos. 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.

MBA Luigi Lizza Mendoza 5

Distribución Exponencial
Una variable aleatoria X tiene distribución exponencial con parámetro , si su
función de densidad es:
 1  1 x
 e x0
f ( x)   β
 0 otro caso


Notación: Se denota por X  Exp ()

Parámetro: 

Esperanza de una Varianza de una

Distribución Uniforme Distribución Uniforme
  EX     2
V X    2

6
 25/08/2023

Distribución Exponencial
Función
acumulada:
F ( x )  P  x  k   1  e  k  

también obtenemos: P  x  k   e  k  
Estas expresiones nos sirven para calcular probabilidades en la distribución
exponencial.

Ejemplo: si X exp(=150) calcule las siguientes probabilidades:

1) P(X≤ 85)  P(X≤85) = 1- e-(85/150) = 0,433 nótese que k=85

2) P(X>96)  P(X>96) = e-(96/150) = 0,527 nótese que k=96

Características de una Distribución

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

MBA Luigi Lizza Mendoza 8

8
 25/08/2023

Ejemplo

 El tiempo hasta que falle por primera vez la batería de un celular se

distribuyen según un modelo exponencial, con un tiempo promedio de
vida útil de 500 horas.
a) Calcule la probabilidad de una batería funcione por más de 600 horas.
b) ¿Cuál es el tiempo máximo que funcionan la batería para estar en el
15% de las baterías que menos duran?
c) Calcule la probabilidad que una batería funcione por lo menos 520
horas y como máximo 625 horas.
d) Si la batería ya funcionó más de 350 horas, ¿cuál es la probabilidad
que funcione al menos 50 horas más?

Ejemplo

 El tiempo hasta que falle por primera vez la batería de un celular se

distribuyen según un modelo exponencial, con un tiempo promedio de
vida útil de 500 horas.
a) Calcule la probabilidad de una batería funcione por más de 600 horas.

𝑋: 𝑇𝑖𝑒𝑚𝑝𝑜 ℎ𝑎𝑠𝑡𝑎 𝑞𝑢𝑒 𝑓𝑎𝑙𝑙𝑒 𝑝𝑜𝑟 𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑣𝑒𝑧 𝑙𝑎 𝑏𝑎𝑡𝑒𝑟í𝑎 𝑑𝑒 𝑢𝑛 𝑐𝑒𝑙𝑢𝑙𝑎𝑟 (𝑒𝑛 ℎ𝑜𝑟𝑎𝑠)
𝑋~𝐸𝑥𝑝(𝛽 = 500)

𝑎) 𝑃 𝑋 > 600 = 𝑒 =𝑒 = 0.3012

10
 25/08/2023

Ejemplo

 El tiempo hasta que falle por primera vez la batería de un celular se

distribuyen según un modelo exponencial, con un tiempo promedio de
vida útil de 500 horas.
b) ¿Cuál es el tiempo máximo que funcionan la batería para estar en el
15% de las baterías que menos duran?
𝑋: 𝑇𝑖𝑒𝑚𝑝𝑜 ℎ𝑎𝑠𝑡𝑎 𝑞𝑢𝑒 𝑓𝑎𝑙𝑙𝑒 𝑝𝑜𝑟 𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑣𝑒𝑧 𝑙𝑎 𝑏𝑎𝑡𝑒𝑟í𝑎 𝑑𝑒 𝑢𝑛 𝑐𝑒𝑙𝑢𝑙𝑎𝑟 (𝑒𝑛 ℎ𝑜𝑟𝑎𝑠)
𝑋~𝐸𝑥𝑝(𝛽 = 500) 15% 85%

𝑏) 𝑃 𝑋 ≤ 𝑘 = 0.15
K=??
𝑘
0.15 = 1 − 𝑒 → 𝐿𝑛 0.85 = − 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑘 = 81.26 ℎ𝑜𝑟𝑎𝑠
500

11

Ejemplo

 El tiempo hasta que falle por primera vez la batería de un celular se

distribuyen según un modelo exponencial, con un tiempo promedio de
vida útil de 500 horas.
c) Calcule la probabilidad que una batería funcione por lo menos 520
horas y como máximo 625 horas.
𝑋: 𝑇𝑖𝑒𝑚𝑝𝑜 ℎ𝑎𝑠𝑡𝑎 𝑞𝑢𝑒 𝑓𝑎𝑙𝑙𝑒 𝑝𝑜𝑟 𝑝𝑟𝑖𝑚𝑒𝑟𝑎 𝑣𝑒𝑧 𝑙𝑎 𝑏𝑎𝑡𝑒𝑟í𝑎 𝑑𝑒 𝑢𝑛 𝑐𝑒𝑙𝑢𝑙𝑎𝑟 (𝑒𝑛 ℎ𝑜𝑟𝑎𝑠)
𝑋~𝐸𝑥𝑝(𝛽 = 500)

𝑐) 𝑃 520 ≤ 𝑋 ≤ 625 = 𝑃 𝑋 ≤ 625 − 𝑃(𝑋 ≤ 520)

= (1 − 𝑒 ) − (1 − 𝑒 )

= 0.7135 − 0.6465 = 0.0669

12
 25/08/2023

Distribución Uniforme

13

13

Distribución Uniforme

La distribución Uniforme es el modelo continuo más simple.

Corresponde al caso de una variable aleatoria que sólo puede tomar
valores comprendidos entre dos extremos a y b, de manera que todos
los intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad.
También puede expresarse como el modelo probabilístico
correspondiente a tomar un número al azar dentro de un intervalo
(a, b).

MBA Luigi Lizza Mendoza 14

14
 25/08/2023

Distribución Uniforme

Donde:
a = Limite inferior del intervalo
b = Limite superior del intervalo

MBA Luigi Lizza Mendoza 15

15

Características de la 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.

MBA Luigi Lizza Mendoza 16

16
 25/08/2023

Esperanza y Varianza de una Distribución

Uniforme

Esperanza de una Distribución Uniforme

𝑎+𝑏
𝐸𝑋 =
2
Varianza de una Distribución Uniforme
(𝑏 − 𝑎)
𝑉𝑎𝑟 𝑋 =
12

MBA Luigi Lizza Mendoza 17

17

Ejemplo

 El tiempo que un proceso químico industrial demora en producir

pintura industrial se modela como una variable aleatoria continua que
sigue una distribución de probabilidad uniforme de parámetros a=50
minutos y b=90 minutos. Calcule las siguientes probabilidades:
a) Que el proceso se demore más de 75 minutos.
b) Que el proceso se demore entre 50 y 70 minutos inclusive.
c) ¿Cuál será el tiempo mínimo que un proceso se demore en producir
pintura industrial para estar en el 20% de los procesos que más
demoran?
d) Calcule el coeficiente de variación del tiempo de un proceso.

18
 25/08/2023

Ejemplo

 El tiempo que un proceso químico industrial demora en producir

pintura industrial se modela como una variable aleatoria continua que
sigue una distribución de probabilidad uniforme de parámetros a=50
minutos y b=90 minutos. Calcule las siguientes probabilidades:
a) Que el proceso se demore más de 75 minutos.
X: Tiempo que demora un proceso para producir pintura industrial en minutos

𝑋~𝑈[50,90]

(90 − 75)
𝑎) 𝑃 𝑋 > 75 = = 0.375
40

19

Ejemplo

 El tiempo que un proceso químico industrial demora en producir

pintura industrial se modela como una variable aleatoria continua que
sigue una distribución de probabilidad uniforme de parámetros a=50
minutos y b=90 minutos. Calcule las siguientes probabilidades:
b) Que el proceso se demore entre 50 y 70 minutos inclusive.

X: Tiempo que demora un proceso para producir pintura industrial en minutos

𝑋~𝑈[50,90]
(70 − 50)
𝑏) 𝑃 50 ≤ 𝑋 ≤ 70 = = 0.50
(90 − 50)

20
 25/08/2023

80% 20%

Ejemplo
k

 El tiempo que un proceso químico industrial demora en producir

pintura industrial se modela como una variable aleatoria continua que
sigue una distribución de probabilidad uniforme de parámetros a=50
minutos y b=90 minutos. Calcule las siguientes probabilidades:
c) ¿Cuál será el tiempo mínimo que un proceso se demore en producir
pintura industrial para estar en el 20% de los procesos que más demoran?

X: Tiempo que demora un proceso para producir pintura industrial en minutos

𝑋~𝑈[50,90]
(90 − 𝑘)
𝑐) 𝑃 𝑋 ≥ 𝑘 = 0.20 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠: = 0.20
(90 − 50)

𝑘 = 82 𝑚𝑖𝑛𝑢𝑡𝑜𝑠

21

Ejemplo

 El tiempo que un proceso químico industrial demora en producir

pintura industrial se modela como una variable aleatoria continua que
sigue una distribución de probabilidad uniforme de parámetros a=50
minutos y b=90 minutos. Calcule las siguientes probabilidades:
d) Calcule el coeficiente de variación del tiempo de un proceso.

X: Tiempo que demora un proceso para producir pintura industrial en minutos

𝑋~𝑈[50,90]
𝑎 + 𝑏 50 + 90 (90 − 50)
𝐸 𝑥 =𝜇= = = 70 𝑉𝑎𝑟 𝑥 = = 133.33
2 2 12
(𝑏 − 𝑎) (90 − 50) 𝑑) 𝐶𝑉 = ∗ 100 =
.
*100 = 16.5%
𝑉𝑎𝑟 𝑥 = 𝜎 = =
12 12

22
 25/08/2023

Distribución Normal

MBA Luigi Lizza Mendoza 23

23

Distribución Normal

( )

Donde:
P(x) = Probabilidad de x ocurrencias en un intervalo
X = Valor de una variable aleatoria continua
μ = valor esperado o número medio de ocurrencias en un intervalo
σ = Desviación Estándar
π = 3.1416
e = 2.71828

MBA Luigi Lizza Mendoza 24

24
 25/08/2023

Características de la Distribución Normal

• 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, . La dispersión o
propagación de la distribución se determina por
medio de la desviación estándar,

MBA Luigi Lizza Mendoza 25

25

Esperanza y Varianza de una Distribución

Normal

Esperanza de una Distribución Normal

𝐸 𝑥 =𝜇

Varianza de una Distribución Normal

𝑉𝑎𝑟 𝑥 = 𝜎

MBA Luigi Lizza Mendoza 26

26
 25/08/2023

Distribución Normal Estándar

MBA Luigi Lizza Mendoza 27

27

Distribución 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.

MBA Luigi Lizza Mendoza 28

28
 25/08/2023

Distribución Normal Estándar

MBA Luigi Lizza Mendoza 29

29

Ejemplo

• Suponga que desea calcular la probabilidad de que las cajas de un cereal

pesen entre 283 y 285.4 gramos. De acuerdo con la gráfica, el peso de la
caja de cereal 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. Para determinar la probabilidad, es
necesario convertir tanto 283 gramos como 285.4 gramos en valores z

MBA Luigi Lizza Mendoza 30

30
 25/08/2023

Ejemplo

MBA Luigi Lizza Mendoza 31

31

Ejemplo 1

 Una máquina despachadora de refrescos está ajustada para servir un

promedio de 200 mililitros por vaso. Si la cantidad de refresco sigue
una distribución normal con una desviación estándar de 15 mililitros:
a. ¿Qué proporción de los vasos contendrá más de 224 mililitros?
b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209
mililitros?
c. ¿Debajo de qué valor se obtiene el 33% de refrescos con menor
contenido?

32
 25/08/2023

Ejemplo 1

 Una máquina despachadora de refrescos está ajustada para servir un

promedio de 200 mililitros por vaso. Si la cantidad de refresco sigue
una distribución normal con una desviación estándar de 15 mililitros:
a. ¿Qué proporción de los vasos contendrá más de 224 mililitros?
𝑋: 𝐶𝑜𝑛𝑡𝑒𝑛𝑖𝑑𝑜 𝑑𝑒 𝑟𝑒𝑓𝑟𝑒𝑠𝑐𝑜 𝑒𝑛 𝑢𝑛 𝑣𝑎𝑠𝑜
𝑋~𝑁(𝜇 = 200; 𝜎 = 225)
𝑋−𝜇 224 − 200
𝑃 𝑋 > 224 → 𝑃 𝑍 > =𝑃 𝑍> = P Z > 1.60 = 1 − P(Z ≤ 1.60)
𝜎 15

𝑃 𝑋 > 224 = 1 − P Z ≤ 1.60 = 1 − 0.9452 = 0.0548

33

Ejemplo 1

 Una máquina despachadora de refrescos está ajustada para servir un

promedio de 200 mililitros por vaso. Si la cantidad de refresco sigue
una distribución normal con una desviación estándar de 15 mililitros:
b. ¿Cuál es la probabilidad de que un vaso contenga entre 191 y 209 mililitros?
𝑋: 𝐶𝑜𝑛𝑡𝑒𝑛𝑖𝑑𝑜 𝑑𝑒 𝑟𝑒𝑓𝑟𝑒𝑠𝑐𝑜 𝑒𝑛 𝑢𝑛 𝑣𝑎𝑠𝑜
𝑋~𝑁(𝜇 = 200; 𝜎 = 225)

𝑃 191 ≤ 𝑋 ≤ 209 = 𝑃 𝑋 ≤ 209 − 𝑃(𝑋 ≤ 191)

209 − 200 191 − 200
=𝑃 𝑍≤ −𝑃 𝑍 ≤
15 15

= 𝑃 𝑍 ≤ 0.60 − 𝑃(Z ≤ −0.60)

= 0.7257 − 0.2743 = 0.4514

34
 25/08/2023

Ejemplo 1

 Una máquina despachadora de refrescos está ajustada para servir un

promedio de 200 mililitros por vaso. Si la cantidad de refresco sigue
una distribución normal con una desviación estándar de 15 mililitros:
c. ¿Debajo de qué valor se obtiene el 33% de refrescos con menor contenido?
𝑋: 𝐶𝑜𝑛𝑡𝑒𝑛𝑖𝑑𝑜 𝑑𝑒 𝑟𝑒𝑓𝑟𝑒𝑠𝑐𝑜 𝑒𝑛 𝑢𝑛 𝑣𝑎𝑠𝑜
𝑋~𝑁(𝜇 = 200; 𝜎 = 225)

𝑃 𝑋 ≤ 𝑘 = 0.33
𝑘 − 200
=𝑃 𝑍≤ = 0.33
15

𝑘 − 200
= −0.44 → 𝑘 = 193.40
15

35

Ejemplo 2

 El departamento de producción de Termosol S.A., empresa que se

encarga de la producción de termas para uso doméstico e industrial,
determinó que el tiempo que tarda una terma eléctrica de 80 litros en
calentarse tiene distribución normal con una media de 2,5 horas y una
variabilidad de 1,44 horas2.
a. Si se selecciona una terma al azar, ¿cuál es la probabilidad de que el
tiempo de calentamiento sea de al menos 1,8 horas y a lo más 2,7
horas?
b. El departamento de producción desea identificar el tiempo máximo por
el cual se logra clasificar a las termas en el 67% de las termas con un
menor tiempo de calentamiento, ¿cuál será ese tiempo máximo para tal
clasificación?

36
 25/08/2023

Ejemplo 2

 El departamento de producción de Termosol S.A., empresa que se encarga de

la producción de termas para uso doméstico e industrial, determinó que el
tiempo que tarda una terma eléctrica de 80 litros en calentarse tiene
distribución normal con una media de 2,5 horas y una variabilidad de 1,44
horas2.
a. Si se selecciona una terma al azar, ¿cuál es la probabilidad de que el tiempo
de calentamiento sea de al menos 1,8 horas y a lo más 2,7 horas?
𝑋: 𝑇𝑖𝑒𝑚𝑝𝑜 𝑞𝑢𝑒 𝑡𝑎𝑟𝑑𝑎 𝑢𝑛𝑎 𝑡𝑒𝑟𝑚𝑎 𝑒𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑎 𝑒𝑛 𝑐𝑎𝑙𝑒𝑛𝑡𝑎𝑟𝑠𝑒 (𝑒𝑛 ℎ𝑜𝑟𝑎𝑠)
𝑋~𝑁(𝜇 = 2.5 ℎ𝑜𝑟𝑎𝑠; 𝜎 = 1.44 ℎ𝑜𝑟𝑎𝑠 )
𝑃 1.8 ≤ 𝑋 ≤ 2.7 = 𝑃 𝑋 ≤ 2.7 − 𝑃(𝑋 ≤ 1.8)
2.7 − 2.5 1.8 − 2.5
=𝑃 𝑍≤ −𝑃 𝑍 ≤
1.2 1.2

= 𝑃 𝑍 ≤ 0.17 − 𝑃(Z ≤ −0.58) = 0.5675 − 0.2810 = 0.2865

37

Ejemplo 2

 El departamento de producción de Termosol S.A., empresa que se encarga de

la producción de termas para uso doméstico e industrial, determinó que el
tiempo que tarda una terma eléctrica de 80 litros en calentarse tiene
distribución normal con una media de 2,5 horas y una variabilidad de 1,44
horas2.
b. El departamento de producción desea identificar el tiempo máximo por el
cual se logra clasificar a las termas en el 67% de las termas con un menor
tiempo de calentamiento, ¿cuál será ese tiempo máximo para tal clasificación?
𝑋: 𝑇𝑖𝑒𝑚𝑝𝑜 𝑞𝑢𝑒 𝑡𝑎𝑟𝑑𝑎 𝑢𝑛𝑎 𝑡𝑒𝑟𝑚𝑎 𝑒𝑙𝑒𝑐𝑡𝑟𝑖𝑐𝑎 𝑒𝑛 𝑐𝑎𝑙𝑒𝑛𝑡𝑎𝑟𝑠𝑒 (𝑒𝑛 ℎ𝑜𝑟𝑎𝑠)
𝑋~𝑁(𝜇 = 2.5 ℎ𝑜𝑟𝑎𝑠; 𝜎 = 1.44 ℎ𝑜𝑟𝑎𝑠 )
𝑃 𝑋 ≤ 𝑘 = 0.67
𝑘 − 2.5
=𝑃 𝑍≤ = 0.67
1.2
𝑘 − 2.5
= 0.44 → 𝑘 = 3.028
1.2

38
 25/08/2023

Ejemplo 3

 Se tiene información que los costos de ensamblaje de automóviles de

la empresa Mecanik se distribuye normalmente con media de 43000
dólares y desviación estándar de 3500 dólares.
a. Si se selecciona al azar un automóvil ensamblado por dicha empresa
¿cuál es la probabilidad de que su costo haya sido menor a 45000
dólares?
b. ¿Qué porcentaje de automóviles ensamblados por la empresa tienen
costos entre 41000 y 43000 dólares?
c. El 35,94% de los automóviles más costosos se clasifican como “muy
rentables” ¿cuál es el valor mínimo del costo de ensamblaje de un
automóvil para estar considerado en el grupo de muy rentables?

39

Ejemplo 3

 Se tiene información que los costos de ensamblaje de automóviles de la

empresa Mecanik se distribuye normalmente con media de 43000 dólares y
desviación estándar de 3500 dólares.
a. Si se selecciona al azar un automóvil ensamblado por dicha empresa ¿cuál
es la probabilidad de que su costo haya sido menor a 45000 dólares?

𝑋: 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑚𝑏𝑙𝑎𝑗𝑒 𝑑𝑒 𝑎𝑢𝑡𝑜𝑠 (𝑒𝑛 𝑈𝑆$)

𝑋~𝑁(𝜇 = $43,000; 𝜎 = $3,500 )
45,000 − 43,000
𝑃(𝑋 ≤ 45,000) = 𝑃 𝑍 ≤
3500

= 𝑃 𝑍 ≤ 0.57 = 0.7157

40
 25/08/2023

Ejemplo 3

 Se tiene información que los costos de ensamblaje de automóviles de la

empresa Mecanik se distribuye normalmente con media de 43000 dólares y
desviación estándar de 3500 dólares.
b. ¿Qué porcentaje de automóviles ensamblados por la empresa tienen costos
entre 41000 y 43000 dólares?

𝑋: 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑚𝑏𝑙𝑎𝑗𝑒 𝑑𝑒 𝑎𝑢𝑡𝑜𝑠 (𝑒𝑛 𝑈𝑆$)

𝑋~𝑁(𝜇 = $43,000; 𝜎 = $3,500 )
𝑃 41,000 ≤ 𝑋 ≤ 43,000 = 𝑃 𝑋 ≤ 43,000 − 𝑃(𝑋 ≤ 41,000)
43,000 − 43,000 41,000 − 43,000
=𝑃 𝑍≤ −𝑃 𝑍 ≤
3,500 3,500

= 𝑃 𝑍 ≤ 0 − 𝑃(Z ≤ −0.57)

= 0.50 − 0.2844 = 0.2156 = 21.56%

41

Ejemplo 3

 Se tiene información que los costos de ensamblaje de automóviles de la

empresa Mecanik se distribuye normalmente con media de 43000 dólares y
desviación estándar de 3500 dólares.
c. El 35,94% de los automóviles más costosos se clasifican como “muy
rentables” ¿cuál es el valor mínimo del costo de ensamblaje de un
automóvil para estar considerado en el grupo de muy rentables?
𝑋: 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑛𝑠𝑎𝑚𝑏𝑙𝑎𝑗𝑒 𝑑𝑒 𝑎𝑢𝑡𝑜𝑠 (𝑒𝑛 𝑈𝑆$)
𝑋~𝑁(𝜇 = $43,000; 𝜎 = $3,500 )
𝑃 𝑋 ≥ 𝑘 = 0.3594 → 1 − P X < 𝑘 = 0.6406

𝑘 − 43,000
= 1− 𝑃 𝑍 ≤ = 0.6406
3,500
𝑘 − 43,000
= 0.36 → 𝑘 = $44,257.90
3,500

42
 25/08/2023

Ejemplo 4

 La fábrica de neumáticos ABC produce un tipo de neumáticos con vida

útil promedio de 80000 Km y desviación estándar de 8000 Km.
Suponiendo que la vida útil de un neumático se distribuye
normalmente.
a. ¿Cuál es la probabilidad de que un neumático dure más de 96000 Km?
b. El fabricante garantiza que reemplazaría gratis cualquier neumático
cuya duración sea inferior a K. Halle el valor de K de modo que tenga
que reemplazar solo el 1% de los neumáticos.

43

Ejemplo 4

 La fábrica de neumáticos ABC produce un tipo de neumáticos con vida

útil promedio de 80000 Km y desviación estándar de 8000 Km.
Suponiendo que la vida útil de un neumático se distribuye
normalmente.
a. ¿Cuál es la probabilidad de que un neumático dure más de 96000 Km?
𝑋: 𝑉𝑖𝑑𝑎 ú𝑡𝑖𝑙 𝑑𝑒 𝑢𝑛 𝑛𝑒𝑢𝑚á𝑡𝑖𝑐𝑜 (𝑒𝑛 𝐾𝑚𝑠)
𝑋~𝑁(𝜇 = 80,000; 𝜎 = 8,000 𝐾𝑚𝑠 )
𝑋−𝜇 96,000 − 80,000
𝑃 𝑋 > 96,000 → 𝑃 𝑍 > =𝑃 𝑍> = P Z > 2 = 1 − P(Z ≤ 2)
𝜎 8000

𝑃 𝑋 > 96,000 = 1 − P Z ≤ 2 = 1 − 0.9773 = 0.0227

44
 25/08/2023

Ejemplo 4

 La fábrica de neumáticos ABC produce un tipo de neumáticos con vida útil

promedio de 80000 Km y desviación estándar de 8000 Km. Suponiendo que la
vida útil de un neumático se distribuye normalmente.
b. El fabricante garantiza que reemplazaría gratis cualquier neumático cuya
duración sea inferior a K. Halle el valor de K de modo que tenga que
reemplazar solo el 1% de los neumáticos.
𝑋: 𝑉𝑖𝑑𝑎 ú𝑡𝑖𝑙 𝑑𝑒 𝑢𝑛 𝑛𝑒𝑢𝑚á𝑡𝑖𝑐𝑜 (𝑒𝑛 𝐾𝑚𝑠)
𝑋~𝑁(𝜇 = 80,000; 𝜎 = 8,000 𝐾𝑚𝑠 )
𝑘 − 80,000
𝑃 𝑋 ≤ 𝑘 = 0.01 = 𝑃 𝑍 ≤ = 0.01
8,000
𝑘 − 80,000
= −2.33 → 𝑘 = 61,360 𝐾𝑚𝑠
8,000

45

Ejemplo 5

 Los registros de pérdida de peso por evaporación de cierto producto

empacado en lotes muestran una pérdida media de 6,45 gramos con
una desviación estándar de 1,3 gramos. El ingeniero, supone por
estudios anteriores, la pérdida de peso de cierto producto empacado
en lotes sigue una distribución normal.
 Si se toma al azar un producto:
a. ¿Cuál es la probabilidad de que muestre una pérdida de peso que exceda
los 8 gramos?.
b. ¿Cuál es la probabilidad de que muestre una pérdida de peso sea inferior a
los 7,1 gramos?
c. ¿Cuál es la pérdida de peso máxima para que un producto sea considerado
en el 75,17% de productos con menor pérdida de peso?.

46
 25/08/2023

Ejemplo 5

 Los registros de pérdida de peso por evaporación de cierto producto

empacado en lotes muestran una pérdida media de 6,45 gramos con una
desviación estándar de 1,3 gramos. El ingeniero, supone por estudios
anteriores, la pérdida de peso de cierto producto empacado en lotes sigue una
distribución normal.
 Si se toma al azar un producto:
a. ¿Cuál es la probabilidad de que muestre una pérdida de peso que exceda
los 8 gramos?.
𝑋: 𝑃𝑒𝑟𝑑𝑖𝑑𝑎 𝑑𝑒 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 (𝑒𝑛 𝑔𝑟𝑎𝑚𝑜𝑠)
𝑋~𝑁(𝜇 = 8.45 𝑔𝑟𝑎𝑚𝑜𝑠; 𝜎 = 1.3 𝑔𝑟𝑎𝑚𝑜𝑠 )
𝑋−𝜇 8 − 6.45
𝑃 𝑋>8 →𝑃 𝑍> =𝑃 𝑍> = P X > 8 = 1 − P(Z ≤ 1.19)
𝜎 1.3
𝑃 𝑋 > 8 = 1 − P Z ≤ 1.19 = 1 − 0.8830 = 0.1170

47

Ejemplo 5

 Los registros de pérdida de peso por evaporación de cierto producto

empacado en lotes muestran una pérdida media de 6,45 gramos con una
desviación estándar de 1,3 gramos. El ingeniero, supone por estudios
anteriores, la pérdida de peso de cierto producto empacado en lotes sigue una
distribución normal.
 Si se toma al azar un producto:
a. ¿Cuál es la probabilidad de que muestre una pérdida de peso sea inferior a
los 7,1 gramos?
𝑋: 𝑃𝑒𝑟𝑑𝑖𝑑𝑎 𝑑𝑒 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 (𝑒𝑛 𝑔𝑟𝑎𝑚𝑜𝑠)
𝑋~𝑁(𝜇 = 8.45 𝑔𝑟𝑎𝑚𝑜𝑠; 𝜎 = 1.3 𝑔𝑟𝑎𝑚𝑜𝑠 )
7.1 − 6.45
𝑃 𝑋 ≤ 7.1 = 𝑃 𝑍 ≤
1.30
= 𝑃 𝑍 ≤ 0.50 = 0.6915

48
 25/08/2023

Ejemplo 5

 Los registros de pérdida de peso por evaporación de cierto producto

empacado en lotes muestran una pérdida media de 6,45 gramos con una
desviación estándar de 1,3 gramos. El ingeniero, supone por estudios
anteriores, la pérdida de peso de cierto producto empacado en lotes sigue una
distribución normal.
 Si se toma al azar un producto:
c. ¿Cuál es la pérdida de peso máxima para que un producto sea considerado
en el 75,17% de productos con menor pérdida de peso?.
𝑋: 𝑃𝑒𝑟𝑑𝑖𝑑𝑎 𝑑𝑒 𝑝𝑒𝑠𝑜 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 (𝑒𝑛 𝑔𝑟𝑎𝑚𝑜𝑠)
𝑋~𝑁(𝜇 = 6.45 𝑔𝑟𝑎𝑚𝑜𝑠; 𝜎 = 1.69 𝑔𝑟𝑎𝑚𝑜𝑠 )
𝑘 − 6.45
𝑃 𝑋 ≤ 𝑘 = 0.7517 → 𝑃 𝑍 ≤ = 0.7517
1.3

𝑘 − 6.45
= 0.68 → 𝑘 = 7.334 𝑔𝑟𝑎𝑚𝑜𝑠
1.3

49

Distribución T de Student

MBA Luigi Lizza Mendoza 50

50
 25/08/2023

Distribución T de Student

Donde:
X = Valor de una variable aleatoria continua
m = grados de libertad

MBA Luigi Lizza Mendoza 51

51

Características de la Distribución T de
Student
Características
 La función de densidad es simétrica y tiene forma de
campana
 El rango es toda la recta real, esto es, de - a +
 La gráfica de la distribución t es parecida a la
distribución normal, se diferencian en:
 En los extremos la distribución t está por encima
de la normal estándar.
 En el centro la distribución t está por debajo de la
normal estándar.
 Cada valor de grado de libertad determina una
distribución t distinta.
 Cuando los grados de libertad son altos, los
valores de la distribución t se asemejan con los
valores de la distribución normal estándar.

MBA Luigi Lizza Mendoza 52

52
 25/08/2023

Características de la Distribución T de
Student
Es una distribución continua.
• Tiene forma de campana y es
simétrica.
• Existe una familia de
distribuciones t; cada vez que se
cambia de grados de libertad, se
crea una nueva distribución.
• Conforme se incrementa el
número de grados de libertad, la
forma de la distribución t se
aproxima a la de la distribución
normal estándar.
• La distribución t es plana, o más
dispersa, que la distribución
normal estándar.

MBA Luigi Lizza Mendoza 53

53

Valores de Z y t para el nivel de confianza

del 95%

MBA Luigi Lizza Mendoza 54

54
 25/08/2023

Esperanza y Varianza de una Distribución t

de Student

Esperanza de una Distribución de Student

𝐸 𝑋 =𝜇=0

Varianza de una Distribución t de Student

𝑚
𝑉𝑎𝑟 𝑋 = 𝑚>2
𝑚−2

MBA Luigi Lizza Mendoza 55

55

Grados de Libertad
De un conjunto de observaciones, los grados de
libertad están dados por el número de valores que
pueden ser asignados de forma arbitraria, antes de
que el resto de las variables tomen un valor
automáticamente, producto de establecerse las que
son libres, esto, con el fin de compensar e igualar un
resultado el cual se ha conocido previamente.

MBA Luigi Lizza Mendoza 56

56
 25/08/2023

Grados de Libertad
Suponga que se manejan dos valores de muestra, a y b, y sabemos
que tienen una media de 18. En símbolos, la situación es:

Suponga que sabemos que el valor de a es 10. Ahora b ya no es

libre de tomar cualquier valor, sino que debe ser 26, ya que:

Este ejemplo nos muestra que cuando hay dos elementos en una muestra y conocemos la media
muestral de esos dos elementos, entonces somos libres de especificar sólo uno de los elementos,
porque el otro estará determinado por el hecho de que los dos elementos suman el doble de la media
de la muestra. En un lenguaje estadístico decimos que “tenemos un grado de libertad”.

MBA Luigi Lizza Mendoza 57

57

Grados de Libertad
Veamos otro ejemplo. Existen siete elementos en nuestra muestra y sabemos que la media de estos
elementos es 16. En símbolos tenemos la siguiente situación:

En este caso, los grados de libertad o el número de variables que podemos especificar libremente
es 7 – 1= 6. Tenemos la libertad de asignar valores a seis variables, y luego ya no tenemos libertad
de especificar el valor de la séptima variable; ésta queda determinada automáticamente.

Con dos valores de muestra tenemos un grado de libertad (2-1=1), y con siete valores de muestra
tenemos seis grados de libertad (7-1=6). Entonces, en cada uno de estos dos ejemplos tenemos
n - 1 grados de libertad, si n es el tamaño de la muestra. Similarmente, una muestra de 23
elementos nos daría 22 grados de libertad.

MBA Luigi Lizza Mendoza 58

58
 25/08/2023

Distribución Chi-Cuadrada

MBA Luigi Lizza Mendoza 59

59

Distribución Chi-Cuadrada

Donde:
X = Valor de una variable aleatoria continua
m = grados de libertad

MBA Luigi Lizza Mendoza 60

60
 25/08/2023

Características de la Distribución
Chi-Cuadrada
• Los valores de Chi-cuadrada nunca
son negativos.
• Existe una familia de distribuciones
de Chi-cuadrada. Hay una
distribución de ji cuadrada para 1
grado de libertad, otra para 2, otra
para 3 grados de libertad, etc, en
consecuencia existe un número
infinito de distribuciones.
• La distribución Chi-cuadrada tiene
un sesgo positivo. Sin embargo, a
medida que aumenta el número de
grados de libertad, la distribución
comienza a aproximarse a la
distribución normal.

MBA Luigi Lizza Mendoza 61

61

Características de la Distribución
Chi-Cuadrada
A medida que aumenta el
número de grados de libertad,
la distribución comienza a
aproximarse a la distribución
normal.

La distribución Ji-cuadrada se
usa en estimación por
intervalos y pruebas de
hipótesis para la varianza de
una población normal.

MBA Luigi Lizza Mendoza 62

62
 25/08/2023

Esperanza y Varianza de una Distribución

Chi-Cuadrada

Esperanza de una Distribución Chi-Cuadrada

𝐸 𝑥 =𝑚

Varianza de una Distribución Chi-Cuadrada

𝑉𝑎𝑟 𝑥 = 2𝑚

MBA Luigi Lizza Mendoza 63

63

Distribución F de Fisher

MBA Luigi Lizza Mendoza 64

64
 25/08/2023

Distribución F de Fisher

Donde:
X = Valor de una variable aleatoria continua
m = grados de libertad en el numerador
n = grados de libertad en el denominador

MBA Luigi Lizza Mendoza 65

65

La Distribución F de Fisher
• Existe una familia de distribuciones F.
Cada miembro de la familia se determina
mediante dos parámetros: los grados de
libertad del numerador y los grados de
libertad del denominador.
• Hay una distribución F de la combinación
de 29 grados de libertad del numerador
(gl) y los 28 grados de libertad del
denominador.
• Existe otra distribución F de los 19 grados
en el numerador y los 6 grados de libertad
del denominador.
• La distribución final que se muestra tiene
6 grados de libertad en el numerador y 6
grados de libertad en el denominador

MBA Luigi Lizza Mendoza 66

66
 25/08/2023

La Distribución F de Fisher
• La distribución F es continua. Esto
significa que se supone un número infinito
de valores entre cero y el infinito positivo.
• La distribución F no puede ser
negativa. El menor valor que F puede
tomar es 0.
• Tiene sesgo positivo. La cola larga de la
distribución es hacia el lado derecho.
Cuando el número de grados de libertad
aumenta, tanto en el numerador como en
el denominador, la distribución se
aproxima a ser normal.
• Es asintótica. Cuando los valores de X
aumentan, la curva F se aproxima al eje X
pero nunca lo toca.

MBA Luigi Lizza Mendoza 67

67

Esperanza y Varianza de una Distribución F

de Fisher

Esperanza de una Distribución F de Fisher

𝑛
𝐸 𝑥 =
𝑛−2

Varianza de una Distribución F de Fisher

2𝑛 (𝑛 + 𝑚 − 2)
𝑉𝑎𝑟 𝑥 =
𝑚 𝑛 − 2 (𝑛 − 4)

MBA Luigi Lizza Mendoza 68

68
 25/08/2023

Distribuciones de Probabilidad
Continuas en R

MBA Luigi Lizza Mendoza 69

69

Scripts para cálculo de Distribuciones de

Probabilidad Continuas en R
• 18-Distribución de Probabilidad Uniforme.R
• 19-Distribución de Probabilidad Exponencial.R
• 20-Distribución de Probabilidad Normal.R

MBA Luigi Lizza Mendoza 70

70
 25/08/2023

¿Preguntas?

MBA Luigi Lizza Mendoza 71

71