PROBABILIDAD Y ESTADISTICA

MARCO ANTONIODE
DISTRIBUCIONES CARBAJAL RAMONCONTINUAS
PROBABILIDAD
|
CENYCALAS PALMAS
 PROBABILIDAD Y ESTADISTICA

Las funciones de probabilidad continuas son las distribuciones en las que los
valores que puede tomar la variable aleatoria son continuos, en esta investigación
se hablara sobre las distribuciones continuas mas importantes en probabilidad
continua, así como, la variable aleatoria continua, la función de densidad
acumulativa, los tipos de distribución continua como lo son:
Distribución Continua
Distribución exponencial
Distribución gamma
Distribución normal
Y se abarcara el teorema de Chebyshev

1
 PROBABILIDAD Y ESTADISTICA

índice

Distribución continua................................................................................................3
Variable aleatoria continua.......................................................................................3
Función de densidad................................................................................................5
Función acumulativa................................................................................................ 5
Distribución exponencial.......................................................................................... 6
Distribución gamma..................................................................................................7
Distribución normal...................................................................................................8
Distribución continua................................................................................................9
Teorema de chebyshev..........................................................................................10
Bibliografía............................................................................................................. 14

2
 PROBABILIDAD Y ESTADISTICA

Distribución continua
En teoría de la probabilidad una distribución de probabilidad se llama continua si
su función de distribución es continua. Puesto que la función de distribución de
una variable aleatoria X viene dada por , la definición
implica que en una distribución de probabilidad continua X se cumple P [X = a] = 0
para todo número real a, esto es, la probabilidad de que X tome el valor a es cero
para cualquier valor de a. Si la distribución de X es continua, se llama a X variable
aleatoria continua.

Variable aleatoria continua

En probabilidad y estadística, una variable aleatoria es una función que asigna un
valor, usualmente numérico, al resultado de un experimento aleatorio. Por
ejemplo, los posibles resultados de tirar un dado dos veces: (1, 1), (1, 2), etc. o un
número real (p.e., la temperatura máxima medida a lo largo del día en una ciudad
concreta).
Los valores posibles de una variable aleatoria pueden representar los posibles
resultados de un experimento aún no realizado, o los posibles valores de una
cantidad cuyo valor actualmente existente es incierto (p.e., como resultado de una
medición incompleta o imprecisa). Intuitivamente, una variable aleatoria puede
tomarse como una cantidad cuyo valor no es fijo, pero puede tomar diferentes
valores; una distribución de probabilidad se usa para describir la probabilidad de
que se den los diferentes valores. En términos formales una variable aleatoria es
una función definida sobre un espacio de probabilidad.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar
valores aleatorios como valores lógicos, funciones o cualquier tipo de elementos
(de un espacio medible). El término elemento aleatorio se utiliza para englobar
todo ese tipo de conceptos relacionados. Un concepto relacionado es el de
proceso estocástico, un conjunto de variables aleatorias ordenadas (habitualmente
por orden o tiempo).
Supongamos que se lanzan dos monedas al aire. El espacio muestral, esto es, el
conjunto de resultados elementales posibles asociado al experimento, es:

donde (c representa "sale cara" y x, "sale cruz"). Podemos asignar entonces a

cada suceso elemental del experimento el número de caras obtenidas. De este
modo se definiría la variable aleatoria X como la función:

3
 PROBABILIDAD Y ESTADISTICA

Dada por:

El recorrido o rango de esta función, RX, es el conjunto:

Tipos de variables aleatorias:

Variable aleatoria discreta: una v.a. es discreta si su recorrido es un conjunto
discreto.
Variable aleatoria continua: una v.a. es continua si su recorrido es un conjunto no
numerable. Intuitivamente esto significa que el conjunto de posibles valores de la
variable abarca todo un intervalo de números reales.
Por ejemplo, la variable que asigna la estatura a una persona extraída de una
determinada población es una variable continua ya que, teóricamente, todo valor
entre, pongamos por caso, 0 y 2,50 m, es posible.
Una variable aleatoria continua es aquella que puede tomar cualquier valor (al
menos teóricamente) entre 2 fijados. Los valores de la variable (al menos
teóricamente) no se repiten.
Cuando observamos valores de una variable aleatoria continua, existe una
limitación en cuanto al número de valores que puede tomar la misma. Esto es, en
la práctica, la variable no toma infinitos valores. A la hora de medir el peso o la
estatura, por ejemplo, se trabaja con un número preciso de decimales (que puede
ser grande pero nunca será infinito). Lo que se está haciendo es lo que se llama
una discretización a la hora de tomar datos. Sin embargo, desde un punto de vista
matemático, consideraremos siempre que una variable continua puede tomar
infinitos valores. Esto nos permitirá trabajar con propiedades matemáticas que nos
aportarán mucha información de la variable considerada.

4
 PROBABILIDAD Y ESTADISTICA

Función de densidad
igual que una variable aleatoria discreta viene caracterizada por su función de
probabilidad, las variables aleatorias continuas vienen caracterizadas por una
función llamada función de densidad, que es una generalización de la función de
probabilidad.
Una función de densidad de probabilidad caracteriza el comportamiento probable
de una población en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.
Una variable aleatoria X tiene función de densidad fX, siendo fX una función no
negativa integrable de Lebesgue, si:

si fX es la función de distribución de X, entonces

y (si fX es continua en x)

Función acumulativa
La función de distribución acumulativa es la función que para un valor x, nos da la
probabilidad de que la variable aleatoria sea menor o igual que dicho valor x. La
función de distribución acumulativa de la variable aleatoria X es la función F(x) = P
(X ≤ x).
La función de distribución acumulativa es la función que para un valor x, nos da la
probabilidad de que la variable aleatoria sea menor o igual que dicho valor x. A la
función de distribución acumulativa la denominamos F(x).
A continuación, viene la definición formal:
Sea X una variable aleatoria continua con función de densidad de probabilidad
f(x). La función de distribución acumulativa de X es la función:

5
 PROBABILIDAD Y ESTADISTICA

De forma gráfica, F(x) es el área bajo la curva de densidad a la izquierda de x.

Recordemos que cuando trabajamos con la función de densidad, área es
probabilidad.
Además, tenemos algunas fórmulas interesantes que nos servirán para resolver
los problemas.

La siguiente fórmula nos permite pasar de la función de distribución acumulativa a

la función de densidad de probabilidad:

Recuerda también que, al ser una función acumulativa, esta no puede ser
decreciente.

Distribución exponencial
En Teoría de Probabilidad y Estadística, la distribución exponencial es una
distribución continua que se utiliza para modelar tiempos de espera para la
ocurrencia de un cierto evento. Esta distribución al igual que la distribución
geométrica tiene la propiedad de pérdida de memoria. La distribución exponencial
es un caso particular de la distribución gamma.
El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta
que falle (tiempo de falla) se distribuye según el modelo exponencial con un
tiempo promedio de fallas igual a 360 días.
a) ¿qué probabilidad ahí que el tiempo de falla sea mayor que 400 días?
b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay que
trabaja más de 200 días más?
c) Si se están usando 5 de tales baterías calcular la probabilidad de que más de
dos de ellas continúen trabajando después de 360 días.
Solución:

6
 PROBABILIDAD Y ESTADISTICA

Sea X=el tiempo que trabaja la batería hasta que falle. El tiempo promedio de falla
es de 360 días. Entonces, X ~Exp (ß=1/360) y su función de densidad es:

Distribución gamma
Primeramente, definimos la función gamma

 ( p )   x p 1e  x dx p0
0

Siendo p un número real positivo no necesariamente entero.

(p)=(p-1)!
A partir de la función gamma definimos la distribución de probabilidad gamma

como: Sea una variable aleatoria

a p x p 1
f( x)  exp ax x  0
 ( p)

Función de densidad de probabilidad, parámetros de forma p y de escala a.

La distribución gamma se suele utilizar en:
Intervalos de tiempos entre dos fallos de un motor,
Intervalos de tiempos entre dos llegadas de automóviles a una gasolinera,

7
 PROBABILIDAD Y ESTADISTICA

Tiempos de vida de sistemas electrónicos, etc.

Propiedad
Si x1..., xn son n variables aleatorias independientes distribuidas según una N
(0,1).
La nueva variable aleatoria Y= x21, x2n
sigue una distribución (n/2,1/2)

Distribución normal
La distribución normal es, sin duda, la distribución de probabilidad más importante
del Cálculo de probabilidades y de la Estadística. Fue descubierta por De Moivre
(1773), como aproximación de la distribución binomial. De todas formas, la
importancia de la distribución normal queda totalmente consolidada por ser la

8
 PROBABILIDAD Y ESTADISTICA

distribución límite de numerosas variables aleatorias, discretas y continuas, como

se demuestra a través de los teoremas centrales del límite. Las consecuencias de
estos teoremas implican la casi universal presencia de la distribución normal en
todos los campos de las ciencias empíricas: biología, medicina, psicología, física,
economía, etc. En particular, muchas medidas de datos continuos en medicina y
en biología (talla, presión arterial, etc.) se aproximan a la distribución normal.
La distribución normal queda totalmente definida mediante dos parámetros: la
media (Mu) y
la desviación estándar (Sigma).
Campo de variación:
-∞ < x < ∞
Parámetros:
Mu: media de la distribución, -∞ < Mu < ∞
Sigma: desviación estándar de la distribución, Sigma > 0
El tiempo medio en realizar una misma tarea por parte de los empleados de una
empresa se distribuye según una distribución normal, con media de 5 días y
desviación típica 1 día. Calcular el porcentaje de empleados que realizan la tarea
en un tiempo inferior a 7 días.
t1 = -¥ y t2 = (7 -5) /1 = 2
la probabilidad acumulada para el valor 2 (equivalente a un tiempo inferior a 7
días.). Esta probabilidad es 0,9772. Por lo tanto, el porcentaje de empleados que
realizan la tarea en un tiempo inferior a 7 días es del 97,7%.

Distribución continua
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.

9
 PROBABILIDAD Y ESTADISTICA

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.

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.
El Teorema de Chebyshev es considerado una desigualdad probabilística,
proporciona un límite superior a la probabilidad de que la desviación absoluta de
una variable correspondiente o aleatoria, de su medida, excede un umbral dado.
En general, el Teorema de Chebyshev se usa para medir la dispersión de los
datos para cualquier distribución.

Teorema de chebyshev
El Teorema de Chebyshev explica que al menos 1-1/k2 de datos de una muestra
deben caer dentro de K, que es las desviaciones estándar de estándar de la
media. En cualquier ejercicio o prueba, el K es un número real positivo mayor que
uno.

10
 PROBABILIDAD Y ESTADISTICA

En un conjunto de datos que se distribuye, o se encuentra en forma de curva de

campana, este posee unas ciertas características interesantes que vale la pena
resaltar. Uno de ellos se ocupa de la propagación de los datos, cuando se
encuentra en relación con el número de la desviación estándar de la media.
Cuando sucede una distribución normal, se sabe que al menos un 68% de los
datos es una desviación estándar de la media. Por otro lado, el 95% son dos
desviaciones están de la media, y el 99% aproximadamente se encuentra dentro
de las tres desviaciones estándar de la media.
Sin embargo, si el conjunto de estos datos no se logra distribuir adecuadamente,
en forma de curva de campana, entonces la cantidad diferente podría encontrarse
dentro de una desviación estándar. El Teorema de Chebyshev es el encargado de
explicar una manera de saber qué fracción de datos se encuentra dentro de las
desviaciones estándar K de la media para cualquier conjunto de datos en
específico.
La desigualdad también se puede emplear con la frase de datos de una muestra
cuando se encuentra en una distribución de probabilidad. Lo anterior ocurre
porque la desigualdad de Chebyshev es el resultado de la probabilidad, que luego
se aplica en la estadística.
Se hace importante aclarar que esta desigualdad o Teorema de Chebyshev es un
resultado que se ha aclarado y demostrado matemáticamente. Por lo que cada
una de sus aplicaciones es completamente fidedigna, así como los resultados. No
es como la relación empírica entre la media y el modo, o la regla general que
conecta el rango y la desviación estándar.
Para poder investigar este teorema, primero es necesario comparar los cálculos
con la regla general 68-95-99.7 para distribuciones normales. Dado que esos
números representan los datos que se encuentran dentro de los límites, se utiliza
la desigualdad de Chebysgev para los datos dentro de los límites. Esta fórmula es
la siguiente.
Probabilidad = 1 – (1 / k 2)
Donde, matemáticamente, los valores menores o iguales a 1 no son válidos para
este cálculo. Sin embargo, conectar los valores de k para 2 y 3 es más simple de
lo que parece. En esos casos de 2 y 3, el Teorema de Chebyshev establece que al
menos el 75% de los datos caerán dentro de las 2 desviaciones estándar de la
media y se espera que el 89% de los datos caigan dentro de las 3 desviaciones
estándar de la media.

11
 PROBABILIDAD Y ESTADISTICA

Esto es menos preciso que los 95% y 99.7% que se pueden usar para una
distribución normal conocida; sin embargo, el Teorema de Chebyshev es cierta
para todas las distribuciones de los datos, no solo para una distribución normal.
Supongamos que se han muestreado los pesos de los perros en un determinado
refugio de animales. Al analizar el muestreo, se ha descubierto que la muestra
tiene una media de 20 libras con una desviación estándar de 3 libras. Con el uso
del Teorema de Chebyshev. Sabiendo que el 75% de los perros que se han
muestreado tienen pesos que son dos desviaciones estándar de la media. Dos
veces la desviación estándar da un resultado de 2×3= 6. Restando y sumando
esto, da una media de 20
Lo anterior solo nos dice que el 75% de los perros tienen un peso de 14 libras a 26
libras. Este es un ejemplo bastante práctico de cómo funciona el Teorema de
Chebyshev o al menos cómo se puede emplear en un ejemplo de la vida real. La
estadística se encuentra siempre al tanto.

12
 PROBABILIDAD Y ESTADISTICA

La probabilidad es un tema muy extenso de distribuciones como lo que se ha

investigado creo que es una herramienta fundamental que suele utilizarse no solo
en temas profesionales o laborales si no también como en la vida cotidiana de las
personas.
Estas distribuciones son muy útiles para ingeniería y demás profesiones ya que
contribuyen a tomar decisiones sacar estadísticas de población, muestreo de
pacientes en medicina, para obras de construcciones, para calcular fenómenos
climáticos y demás.
Así con ello llevando a tener un mejor panorama de los acontecimientos y
problemas que lleguen a surgir en las diferentes profesiones así mejorando la
toma de decisiones y buscando una solución rápida en los hechos.
Las distribuciones de probabilidad continuas van de la mano en un estudio o algún
tema de interés suele poder utilizarse todas las distribuciones de probabilidad en
un solo estudio tal vez sin darnos cuenta aplicamos todas las distribuciones de
probabilidad en un solo estudio o muestreo datos.

13
 PROBABILIDAD Y ESTADISTICA

Bibliografía
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial

https://es.wikipedia.org/wiki/Funci%C3%B3n_de_densidad_de_probabilidad

https://matemovil.com/funcion-de-distribucion-acumulativa-de-una-variable-aleatoria-continua/

https://www.studysmarter.es/resumenes/matematicas/estadistica-y-probabilidad/distribuciones-
continuas-probabilidad/#:~:text=%C2%BFCu%C3%A1les%20son%20las%20distribuciones
%20de,alturas%20pueden%20tomar%20cualquier%20valor.

https://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-exponencial

https://www.sergas.es/Saude-publica/Documents/1927/4-Ayuda%20Distribuciones%20de
%20probabilidad.pdf

https://www.tuveras.com/estadistica/normal/ejemplos.htm

https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-
random-data-and-resampling-analyses/supporting-topics/basics/continuous-and-discrete-
probability-distributions/#:~:text=una%20distribuci%C3%B3n%20discreta%3F-,%C2%BFQu
%C3%A9%20es%20una%20distribuci%C3%B3n%20continua%3F,y%20no%20se%20puede
%20contar.

https://www.teorema.top/teorema-de-chebyshev/

14