1

Distribucin Uniforme y Normal de Variables

Aleatorias Continuas
Cristian Caranqui, Fabin Mendoza, Melissa Montalvo, Vernica Vicua.

AbstractLa distribucin uniforme, tambin llamada rectangular ya que la grfica de su funcin es lineal dentro de un
intervalo cerrado y con una altura constante, se caracteriza
principalmente porque todos sus valores tienen igualmente la
misma probabilidad a lo largo de toda la distribucin y se la
utiliza en estudios en donde la probabilidad se reparte equitativamente entre todos los eventos. La distribucin normal, tambin
llamada distribucin Gaussiana, es una de las ms importantes
utilizadas en la probabilidad dada la precisin con la que simula
el comportamiento de los fenmenos a estudiar y su amplio
campo de aplicacin; su funcin se caracteriza por describir
una curva normal simtrica dentro de un intervalo cerrado, a
esta curva mediante un proceso denominado normalizacin, se
la puede generalizar de modo que su estudio se simplifique de
tal manera que los datos de probabilidad estn recolectados en
una tabla que facilitar cualquier clculo a realizarse sobre dicha
curva.

f (x)dx = 1

kdx = k(B A) = 1
A

Por lo tanto, la funcin de densidad es:

k=
f (x)

1
BA

1
BA
A<x<B

Y es 0 para el resto de casos.

Index TermsDistribucion, Gauss, Normal, Probabilidad, Uniforme.

I. I NTRODUCCIN .
La probabilidad normal es uno de los mtodos ms utilizados dentro del estudio de probabilidades, este mtodo data
inicios del siglo XVII con la investigacin de Moivre, sin embargo sus descubrimientos no se encontraban disponible en los
siglos posteriores, razn por la cual otros cientficos llegaron
a la misma conclusin sin saber de este descubrimiento; stos
basaron su investigacin en fenmenos fsicos y astronmicos,
buscando errores que se provocan al intentar predecirlos.
Al ser Gauss y Laplace los cientficos que realizaron dichas
investigaciones, la frmula de la distribucin normal adquiri
dos nombres para ser edificada: -Distribucin de Gauss o
Distribucin Laplace-Gauss.:
II. D ISTRIBUCIN U NIFORME C ONTINUA .
Es una de las distribuciones ms bsicas dentro del estudio
de probabilidad y estadstica. Este concepto parte de el simple
hecho en el que un variable aleatoria se distribuye en todo
el espacio muestral de un manera equiprobable. Es decir es
contante en un intervalo [a,b] y es nula fuera de ella.
Por lo tanto tenemos:
Theorem 1. La distribucin uniforme es una distribucin de
probabilidad cuyos valores tienen la misma probabilidad en
un intervalo [A,B]. Esta distribucin forma un rectngulo con
1
; por lo que se le llama
base B-A y altura constante BA
distribucin rectangular.
Para hallar la funcin de densidad nos basamos en la
propiedad de una variable aleatoria continua, por lo tanto
tenemos:

Figure 1. Funcin de densidad para una variable aleatoria.

Para realizar el clculo de probabilidad de la funcin se

integra en un intervalo [x1 , x2 ], como se ve a continuacin.
x1
x2 x1
1
dx =
B

A
BA
x1
Por lo tanto tenemos que:

a) Aplicacin:: Se tiene la siguiente funcin de distribucin:

Cuya grafica de probabilidad es:

de exmenes, entre otras, que van desde mbitos tan variados

como el marketing, la gestin de produccin, psicologa y
medicina. La funcin de distribucin normal es la ms importante en el mbito de la estadstica principalmente por la
aproximacin de su curva a los fenmenos ya descritos, porque
la distribucin normal y la de Poisson son derivaciones de esta
distribucin, su relacin con el teorema central del lmite es la
base para deducir la estadstica clsica simplificando muchos
clculos complicados e innecesarios.
Entonces:
La probabilidad de P(42 x 45)

A. Caractersticas de la funcin normal.

x2 x1
P (x1 x x2 ) =
BA
45 42
1
=
47 41
2
El resultado hallado seria representado por la siguiente
grfica:
P (42 x 45) =

La curva normal o campana de Gauss depende de

2 parmetros: la media y la desviacin estndar; es
simtrica con respecto a la media alrededor de la cual
toman valores de gran probabilidad al ser el centro de la
curva, stos valores aparecen con ms frecuencia que los
valores extremos; la amplitud de la curva depende de la
desviacin estndar.
Al ser una curva simtrica por lo cual su media, mediana
y moda coindicen.
Es una curva asinttica ya que cada vez que se extiende
se acerca ms al eje x pero nunca lo toca.
El rea total bajo la curva de gauss siempre es 1.

B. Ecuacin de la probabilidad normal.

x2

P (x1 < x < x2 ) =

n(x, , )dx
x1

P (x1 < x < x2 ) =

III. L A MEDIA Y VARIANZA DE UNA VARIABLE ALEATORIA
UNIFORME .

x2

exp 22 (x) dx

x1

Dicha ecuacin describe la siguiente curva:

A. La media o esperanza matemtica.

La esperanza matemtica o media hace referencia al valor
esperado de una variable aleatoria x, y se la representa con la
letra griega , por lo tanto tenemos:
=

B+A
2

B. La varianza.
La varianza hace referencia a los puntos de dispersin de
la probabilidad de la variable X; se acerca o se aleja de la
media, por lo tanto vemos que:
2

2 =

(B A)
12

IV. D ISTRIBUCIN NORMAL CONTINUA .

La distribucin normal es una forma de distribucin continua de probabilidad. Su funcin describe una curva con
forma caracterstica de campana y su uso es muy extendido en
muchos campos de la ciencia ya que describe fiablemente muchos fenmenos naturales, sociales, industriales, entre otros.
Con aproximaciones muy exacta en distribucin de peso,
estatura, dosis de frmacos, cociente intelectual, puntuaciones

Figure 2. Curva caracteristica de la ecuacin de probabilidad normal

La probabilidad normal como podemos observar depende

bsicamente de dos parmetros:
La media
La varianza
Normalmente la funcin normal se presenta de la siguiente
forma:
x = N (, )

La cual nos dice que para hallar las probabilidades de una

variable aleatoria x, se presenta como F(Xo)=P(X<Xo). Una
forma ms sencilla de decir esto es una integracin de la
funcin de densidad desde - hasta el valor de X 0 .
sdf
1) Curvas caracteristicas de la ecuacion de probabilidad
normal.: sadfg

Figure 3. Curva caracteristica con 1 < < 1; = 0.5

Aplicando la estandarizacin, se reescribe la ecuacin de la

probabilidad normal; lo cual nos lleva a la siguiente ecuacin:
1
P (Z1 < X < Z2 ) =
2

Z2

e 2 (z) dz
Z1

Exercise 2. Ejemplo de estandarizacin.

Supongamos que los datos de una muestra van de 80 a 90
(en el plano cartesiano se traza la recta en una escala de 10
en 10).

En la muestra, la media aritmtica es 60 y la desviacin

estndar es 10. Estandarizar cada uno de los datos de la recta
del plano cartesiano; es decir, cul es el valor de Z de cada
dato desde 80 hasta 90.
Para X=80:
Z=

20
80 60
=
=2
10
10

Para X=90:
90 60
30
=
=3
10
10
1) Tabla de areas bajo la curva:: En esta tabla se puede
leer el valor de la probabilidad acumulada desde el inicio de
la curva hasta un valor de Z, la columna izquierda nos muestra
el valor de Z con un decimal; mientras que la primera fila nos
ayuda a completar el siguiente decimal.
Dado que al calcular tenemos el valor de Z, lo unico que
tenemos que hacer es, buscar dicho valor en la tabla, si este
valor consta de dos decimales buscamos en la primera columna
el valor con el primer decimal, y en la primera fila el siguiente,
la interseccion de estos dos valores nos da la probabilidad
acumulada de la funcin.
Z=

Figure 4. Curva caracteristica con: = 0; 0.35 < <0.5

Figure 5. Curva caracteristica con: 1 < < 1; 0.5 < < 2

C. Estandarizacin de la distribucin normal.

La estandarizacin es un proceso mediante el cual se
simplifica los clculos de probabilidades por integracin en
diferentes intervalos de las curvas normales al remplazarlos
por una tabulacin de un rea bajo curva definida. Ya que
cada curva normal puede tener un diferente valor de desviacin
estndar y media. La estandarizacin se da cuando se aproxima
la variable aleatoria normal a una media con valor 0 y varianza
con valor 1 y se la conoce como distribucin normal estndar.
El resultado de este proceso nos da la siguiente formula.
x

Gracias a la cual somos capaces de transformar todo valor

de x, en un valor correspondiente de Z. El cual se encontrar dentro del rango de la funcin normal con parmetros
mencionados en el punto anterior.

Exercise 3. Una maquina produce recipientes cuyas capacidades estn fijadas segn una distribucin normal N(10; 0,1).
Un fabricante considera que un recipiente es defectuoso si su
capacidad no esta entre 9,9 y 10.1 Qu probabilidad tiene un
recipiente de ser considerado defectuoso?
Para la resolucion de este ejercicio tenemos que empezar
calculando la probabilidad de que este en un correcto estado,
entonces tenemos:
P (9.9 x 10.1)
Tipificando o estandarizando la funcin tenemos:
9.9 10
10.1 10
z
)
0.1
0.1
Resolviendo esta probabilidad tenemos:
P(

Z=

P (1 z 1)
Dado que el problema nos pide la probabilidad de que el
recipiente sea defectuoso, a la probabilidad de que no lo sea
hay que restarle 1, por lo tanto:

V. C ONCLUSIONES .
Pdef = 1 P (1 z 1)
Resolviendo tenemos:
Pdef = 1 [P (z 1) P (z 1)]
Pdef = 1 P (z 1) + 1 P (z 1)
Pdef = 2 2P (z 1)
Buscamos en la tabla el valor de la probabilidad de que Z
sea menor que 1:
Pdef = 2 2(0.8413)

Al trmino de esta investigacin, se puede concluir que

la distribucin uniforme y la distribucin normal son de las
distribuciones de probabilidad ms importantes, convirtindose
en una poderosa herramienta estadstica dado que estas distribuciones nos ayudan a simplificar los clculos relacionados
con investigaciones y sus hiptesis a estudiarse. Con estas
distribuciones de probabilidad podemos aproximar y calcular
el porcentaje de aciertos y errores dentro de un proceso
determinado en el cual tengamos un determinado espacio
muestral. Son todas estas caractersticas que permiten aplicaciones tan variadas que van desde la densidad de fabricacin de
algunos materiales hasta el tiempo de respuesta de dispositivos
digitales lo que convierten a las distribuciones de probabilidad
en instrumentos ampliamente usados en muchas ciencias y
que nos servirn especialmente en el mbito de la ingeniera
electrnica y en estudios relacionados con ella.

Pdef = 0.8413
Exercise 4. La cantidad de caf depositada en cada bolsa por
una maquina envasadora sigue una distribucin normal con
media u = 1040 gramos y desviacin tpica 50 gramos:
a) Calcula el tanto por ciento de paquetes que contienen
mas de un kilo.
b) Calcula sabiendo que el 97,5% de los paquetes
contienen menos de gramos.
Por lo tanto nuestra funcin es:
N (, ) = N (1040, 50)
Para el inciso a:
P (x > 1000)
Estandarizando:
1000 1040
) = P (z > 0.8) = P (z 0.8)
50
Buscando en la tabla el valor de dicho valor de z tenemos:
P (z >

P (z 0.8) = 0.7881 = 78.81%

Para el inciso b:
P (x ) = 0.975
P (x ) = P (z

1040
)
50

1040
) = 0.975
50
Ahora en la tabla hacemos el proceso inverso y buscamos
que valor de Z nos da una probabilidad de 0.975, por lo tanto:
P (z

1040
= 1.96
50
Despejando de la ecuacion tenemos:
= 1138gr

R EFERENCES
[1] Walpole Myers Myers Ye, Probabilidad y Estadstica: Probabilidad & Estadstica para Ingeniera & Ciencias, Octava Edicin.
Editorial Pearson.
[2] Mongomery Douglas, Probabilidad y Estadstica: Probabilidad
& Estadstica para Ingeniera, Tercera Edicin. Editorial Mxico.