DISTRIBUCIÓN DE PROBABILIDAD: CONTINUAS Y DISCRETAS

TRABAJO DE MOOC’S

PRESENTADO POR:
STIWARD BAUTISTA
ISABELLA URQUIJO
HELENA VALENCIA

PRESENTADO A:
ANA MILENA GUTIERREZ

CORPORACION UNIVERSITARIA DEL META

PROBABILIDAD Y ESTADISTICA
INGENIERIA CIVIL
VILLAVICENCIO-META
2017
DISTRIBUCIÓN DE PROBABILIDAD
Toda distribución de probabilidad es generada por una variable aleatoria x, la que puede ser de dos
tipos:

 VARIABLE ALEATORIA DISCRETA: Se le denomina variable porque puede

tomar diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y
discreta porque solo puede tomar valores enteros y un número finito de ellos.

Ejemplos:
 x Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
x0, 1, 2, 3, 4, 5… etc. burbujas por envase

 xVariable que nos define el número de productos defectuosos en un lote de 25

productos.
x0, 1, 2, 3,...,25 productos defectuosos en el lote

 xVariable que nos define el número de alumnos aprobados en la materia de

probabilidad en un grupo de 40 alumnos.
x0, 1, 2, 3, 4, 5,...,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x
siempre serán enteros, nunca fraccionarios.

 VARIABLE ALEATORIA CONTINUA (X): Se le denomina variable porque

puede tomar diferentes valores, aleatoria, porque los valores que toma son
totalmente al azar y continua porque puede tomar tanto valores enteros como
fraccionarios y un número infinito de ellos.

Ejemplos:
 xVariable que nos define el diámetro de un engrane en pulgadas
x5.0”, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

 xVariable que nos define la longitud de un cable o circuito utilizado en un arnés

de auto
x20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
  xVariable que nos define la concentración en gramos de plata de algunas
muestras de mineral
x14.8 gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier
valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable
continua es que esta variable nos permite medirla o evaluarla, mientras que una variable
discreta no es medible, es una variable de tipo atributo, cuando se inspecciona un producto
este puede ser defectuoso o no, blanco o negro, cumple con las especificaciones o no
cumple, etc.

Las variables descritas anteriormente nos generan una distribución de probabilidad, las que
pueden ser.

1) Distribución de probabilidad discreta.

2) Distribución de probabilidad continúa.

1) DISTRIBUCIÓN DE PROBABILIDAD DISCRETA.

Características:

1. Es generada por una variable discreta (x).

xVariable que solo toma valores enteros

x0, 1, 2, 3, 4, 5, 6, 7, 8,..., etc.

2. p (xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.

3. p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores

que toma x debe ser igual a 1.

 Una distribución discreta describe la probabilidad de ocurrencia de cada valor de

una variable aleatoria discreta. Una variable aleatoria discreta es una variable
aleatoria que tiene valores contables, tales como una lista de enteros no negativos.

Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
Ejemplo del número de quejas de clientes
Con una distribución discreta, a diferencia de una distribución continua, usted puede
calcular la probabilidad de que X sea exactamente igual a algún valor. Por ejemplo, puede
utilizar la distribución discreta de Poisson para describir el número de quejas de clientes en
un día. Supongamos que el número promedio de quejas por día es 10 y usted desea saber la
probabilidad de recibir 5, 10 y 15 quejas de clientes en un día.

x P (X = x)

5 0.037833

10 0.12511

15 0.034718

Usted también puede visualizar una distribución discreta en una gráfica de distribución para
ver las probabilidades entre los rangos.
Gráfica de distribución del número de quejas de clientes
Las barras sombreadas en este ejemplo representan el número de ocurrencias cuando las
quejas diarias de los clientes son 15 o más. La altura de las barras suma 0.08346; por lo
tanto, la probabilidad de que el número de llamadas por día sea 15 o más es 8.35%.
2) DISTRIBUCIÓN DE PROBABILIDAD CONTINUA.

Características:
1. Es generada por una variable continua (x).

x Es una variable que puede tomar tanto valores enteros como fraccionarios.

x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5,...,

2. F(x) 0 Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero. Dicho de otra forma, la función de densidad de
probabilidad deberá tomar solo valores mayores o iguales a cero. La función de
densidad de probabilidad sólo puede estar definida en los cuadrantes I y II.

3. p (xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores

que toma x debe ser igual a 1. El área definida bajo la función de densidad de
probabilidad deberá ser de 1.

 Una distribución continua describe las probabilidades de los posibles valores de una
variable aleatoria continua. Una variable aleatoria continua es una variable aleatoria
 con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.

Las probabilidades de las variables aleatorias continuas (X) se definen como el área por
debajo de la curva de su PDF. Por lo tanto, solo los rangos de valores pueden tener una
probabilidad diferente de cero. La probabilidad de que una variable aleatoria continua
equivalga a algún valor siempre es cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de hombres
adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese entre 160
y 170 libras.

Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a 170
libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un hombre
seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el área por
debajo de la curva equivale a 1.0.
Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre es cero,
porque el área por debajo de la curva en un punto individual, que no tiene anchura, es cero.
Por ejemplo, la probabilidad de que un hombre pese exactamente 190 libras es cero. Podría
calcular una probabilidad diferente de cero de que un hombre pese más de 190 libras,
menos de 190 libras o entre 189.9 y 190.1 libras, pero la probabilidad de que pese
exactamente 190 libras es cero.