DISTRIBUCIÓN DE

PROBABILIDADES PARA VARIABLES

CONTINUAS
INTEGRANTES:
ACOSTA ACOSTA WALDIR MIGUEL

DÍAZ SÁNCHEZ EDITH ELIZABET

HERNÁNDEZ VILCARROMERO, HUMBERTO
VALDIVIA TORRES EDUARD

DOCENTE:

CARRANZA LEANDRO JAMES PAUL

CICLO: IV

CHACHAPOYAS-PERÚ

2020-I
 DISTRIBUCIÓN DE PROBABILIDADES PARA VARIABLES CONTINUAS

• Una distribución continua describe las probabilidades de los posibles valores de

una variable aleatoria continua la cual es una variable aleatoria con un conjunto
de valores posibles (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. 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.
• En general, el análisis para variables continuas coincide con el análisis para
variables discretas cuando existen muchas observaciones, la mayoría de ellas
distintas.
• Por ejemplo, la variable edad (en años) se consideraría, en principio, una variable
discreta, puesto que no se utilizan valores decimales (tipo 1.5 para año y medio,
etc.). Si disponemos, supongamos, de datos de edad correspondientes a muchas
personas, lo más probable será que tengamos muchos valores diferentes. Realizar
un diagrama de barras o uno de sectores puede no ser una buena idea, ya que
ofrecerían poca información.
• En este supuesto (variables con muchos valores diferentes), los datos pueden
disponerse agrupándolos o clasificándolos en intervalos, e indicando el número
de observaciones que caen dentro de cada intervalo.
• Para ello se elige un número a0≤min(X), y otro ak≥max(X), y se divide el
intervalo [a0,ak] en k intervalos.
 DISTRIBUCION NORMAL ( )

• También llamada gaussiana, es la distribución continua más

importante. Se dice que una variable X se distribuye como normal con
parámetros µ y σ si

• La media de la distribución normal es µ y la desviación típica es σ

• El siguiente gráfico muestra la función de densidad de tres distribuciones
normales con distintas medias y desviaciones típicas.
• La función de la densidad normal

• Se ve que la densidad es simétrica en torno de la media.

• Una propiedad de las distribución normal

• Transformación de una distribución normal

Si X ∼ N (µ, σ) e Y = a + bX
es una transformación lineal, luego
Y ∼ N(a + bµ, bσ).
• En particular, definiendo la transformación tipificante
que es la distribución normal estándar.
 EJEMPLOS DE DISTRIBUCION NORMAL
1. Sea Z ∼ N(0, 1). Hallar • P (1 < Z < 2)
• P (Z < 1,5) • Usamos las tablas de la distribución
normal para sacar los resultados.
• P(Z > −1,5)
• P (−1,5 < Z)
2. Es difícil etiquetar la carne empaquetada con su peso correcto debido a los efectos de pérdida de
líquido (definido como porcentaje del peso original de la carne). Supongamos que la pérdida de líquido en
un paquete de pechuga de pollo se distribuye como normal con media 4 % y desviación típica 1 % Sea X
la pérdida de líquido de un paquete de pechuga de pollo elegido al azar. ¿Cuál es la probabilidad de que
sea 3 %?
Mirando las tablas, tenemos x − 4 ≈ 1,282 que implica que
un 90 % de los paquetes tienen pérdidas de menos de x =
5,282 %.
Para un paquete p = P (3 < X < 5) = 0,6827.
Sea Y el
número de paquetes en la muestra que tienen pérdidas de
entre 3% y 5%. Luego Y ∼ B (4,0,6827).

Sumas y diferencias de dos variables normales Si X ∼ N (µX, σX) e Y

∼ N (µ, σY ) son independientes, entonces la distribución de la suma
o diferencia de ambas variables es también normal con las siguientes
medias y desviaciones típicas.
 DISTRIBUCION EXPONENCIAL
• Es el equivalente continuo de la distribución geométrica discreta. Esta ley de
distribución describe procesos en los que:
• Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo
que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que
ello ocurra en un instante tf, no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.
EJEMPLOS
• El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento
de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la
datación de fósiles o cualquier materia orgánica mediante la técnica del
carbono 14, C14.
• En un proceso de Poisson donde se repite sucesivamente un experimento a
intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de
dos sucesos consecutivos sigue un modelo probabilístico exponencial. Por
ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida
importante.
• Concretando, si una v.a. continua X distribuida a lo largo de, es tal que su
función de densidad es se dice que sigue una distribución
exponencial de parámetro.
• Un cálculo inmediato nos dice que si x>0,
luego la función de distribución es:
 Sabemos que µ=1/ʎ, entonces ʎ=1/500
• Suponga que la vida de cierto tipo de
tubos electrónicos tiene una
distribución exponencial con vida
media de 500 horas. Si X representa la
vida del tubo (tiempo q dura el tubo).
a) Hallar la probabilidad que se queme
antes de las 300 horas.
b) ¿Cuál es la probabilidad que dure
por lo menos 300 horas?
c) Si un tubo particular ha durado 300
horas. ¿cúal es la probabilidad de que
dure otras 400 horas?