TEMA: VARIABLE CONTINUA Y OTRAS DISTRIBUCIONES DE LA

PROBABILIDAD

PROFESOR: RUBEN DARIO MENDOZA

INTEGRANTE: ALVAREZ ARMAS NATALY MAIRA

CICLO: V

2019
DEDICATORIA
 CONTENIDO

1. Introducción

2. Distribuciones de probabilidad

3. Distribuciones de probabilidad continuas

4. Ejercicios
1. INTRODUCCIÓN

La probabilidad se refiere al estudio de la aleatoriedad y la incertidumbre en cuaqlquier situación

donde podría ocurrir uno de varios resultados posibles. En algunos casos se utiliza de manera
informal como por ejemplo: hay un 50% de probabilidad de que llueva.
DEFINICIONES

 Probabilidad: es la posibilidad numérica de ocurra un evento. Se mide con valores

comprendidos entre 0 y 1, entre mayor sea la probabilidad, más se acercará a uno.
 Experimento: es toda acción bien definida que conlleva a un resultado único bien
definido como el lanzamiento de un dado. Es el proceso que produce un evento.
 Espacio muestral: es el conjunto de todos los resultados posibles de un experimento.
Para un dado es SS = (1,2,3,4,5,6)
 Evento: es cualquier colección de resultados contenidos en el espacio muestral. Es
simple si sólo tiene un resultado y compuesto si tiene varios resultados.

Definición Clásica de Probabilidad. Modelo de frecuencia relativa

La probabilidad de un evento (E), puede ser calculada mediante la relación de el número de
respuestas en favor de E, y el numero total de resultados posibles en un experimento.

# Favorable E
P E  
# Total resultados

1
Ejemplo 1: La probabilidad de que salga 2 al lanzar un dado es:  .16
6
1
Ejemplo 2: La probabilidad de lanzar una moneda y que caiga cara es:  .5
2
Ejemplo 3: La probabilidad de sacar 1,2,3,4,5, o 6 al lanzar un dado es:

1 1 1 1 1 1
     1
6 6 6 6 6 6
Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria (VA) es
cualquier regla que relaciona un número con cada resultado en SS.

Variable aleatoria de Bernoulli: Es cualquier variable aleatoria con valores 0 y 1.

Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son enteros.

Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los reales.

Distribución de probabilidad o función de masa de probabilidad: Establece en una tabla,

fórmula o gráfica como se distribuye la probabilidad P(y) asociada a los posibles valores de la
variable aleatoria y.

Debe cumplir con las reglas siguientes:

1. 0 <= P(y) <= 1

2. Suma (P(y)) = 1

Su fórmula es la siguiente:
Valor esperado:

Función de distribución acumulativa:

FX ( x )  P ( X  x)

Con propiedades:

0  F ( x)  1
Lim x  F ( x )  1
Lim x  F ( x )  0

Valor esperado de una distribución de probabilidad discreta

La media o valor esperado de una variable aleatoria discreta X , denotada como E(X), es

 X  E ( X )   xf X ( x)  xP( X  x)
x x

La media es el centro de la masa del rango de los valores de X.

Varianza de una distribución de probabilidad discreta

Sea Y una variable aleatoria discreta con distribución de probabilidades P(X=x). Entonces , la
varianza de Y es:

 X  E[( X   X ) 2 ]   ( x   X ) 2 P ( X  x )
2

x
Se diferencian de las distribuciones de probabilidad discretas en que su función de distribcuón
acumulativa (F(yo)) para una variable aleatoria y es igual a la probabilidad F(yo) = P(y<=y0).

Si F(y) es la función de distribución acumulada para una variable aleatoria continua entonces su
función de densidad f(y) para y es:

f(y) = dF(y) / dy

Sus propiedades son que:

1. f(y) >= 0

2. Integral desde menos infinito a más infinito de f(y) d(y) = F(  ) = 1

f(y)

F(yo)

yo y
Función de distribución acumulativa

Entre las distribuciones continuas más comunes se encuentran la distribución normal y la

distribución exponencial.
DISTRIBUCIÓN UNIFORME (DE V.CONTINUA)

La distribución o modelo uniforme puede considerarse como proveniente

de un proceso de extracción aleatoria .El planteamiento radica en el hecho de
que la probabilidad se distribuye uniformemente a lo largo de un intervalo .
Así : dada una variable aleatoria continua, x , definida en el intervalo [a,b] de
la recta real, diremos que x tiene una distribución uniforme en el intervalo

[a,b] cuando su función de densidad para sea: para

x  [a,b].

Su representación gráfica será :

De manera que la función de distribución resultará:

Su representación gráfica será :

Este modelo tiene la característica siguiente : Si calculamos la probabilidad
del suceso

Tendremos:

Este resultado nos lleva a la conclusión de que la probabilidad de

cualquier suceso depende únicamente de la amplitud del intervalo ( X) , y no
de su posición en la recta real [a , b] . Lo que viene ha demostrar el reparto
uniforme de la probabilidad a lo largo de todo el campo de actuación de la
variable , lo que , por otra parte, caracteriza al modelo.

En cuanto a las ratios de la distribución tendremos que la media tiene la

expresión:

La varianza tendrá la siguiente expresión:

de donde

por lo que

La función generatriz de momentos vendrá dada por :

Distribución log-normal
Utilice la distribución log-normal si el logaritmo de la variable aleatoria está distribuido
normalmente. Utilícese cuando las variables aleatorias sean mayores que 0. Por
ejemplo, la distribución log-normal se usa para el análisis de fiabilidad y en aplicaciones
financieras, como modelar el comportamiento de las acciones.
La distribución log-normal es una distribución continua que se define por sus
parámetros de ubicación y escala. La distribución log-normal de 3 parámetros se define
por sus parámetros de ubicación, escala y valor umbral.

La forma de la distribución log-normal es similar a la forma de las distribuciones log-

logística y de Weibull. Por ejemplo, la siguiente gráfica ilustra la distribución log-
normal para escala=1.0, ubicación=0.0 y valor umbral=0.0.

DISTRIBUCIÓN GAMMA

Este modelo es una generalización del modelo Exponencial ya que, en

ocasiones, se utiliza para modelar variables que describen el tiempo hasta
que se produce p veces un determinado suceso.

Su función de densidad es de la forma:

Como vemos, este modelo depende de dos parámetros positivos: α y p. La

función Γ(p) es la denominada función Gamma de Euler que representa la
siguiente integral:

que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero

positivo, Γ(p + 1) = p!
El siguiente programa permite visualizar la forma de la función de densidad
de este modelo (para simplificar, se ha restringido al caso en que p es un
número entero).

Propiedades de la distribución Gamma

1. Su esperanza es pα.

2. Su varianza es pα2

3. La distribución Gamma (α, p = 1) es una distribución Exponencial de

parámetro α. Es decir, el modelo Exponencial es un caso particular de
la Gamma con p = 1.

4. Dadas dos variables aleatorias con distribución Gamma y parámetro α

común

X ~ G(α, p1) y Y ~ G(α, p2)

se cumplirá que la suma también sigue una distribución Gamma

X + Y ~ G(α, p1 + p2).

Una consecuencia inmediata de esta propiedad es que, si tenemos k variables

aleatorias con distribución Exponencial de parámetro α (común) e
independientes, la suma de todas ellas seguirá una distribución G(α, k).

DISTRIBUCIÓN BETA
La distribución beta es posible para una variable aleatoria continua que toma valores en
el intervalo [0,1], lo que la hace muy apropiada para modelar proporciones. En la
inferencia bayesiana, por ejemplo, es muy utilizada como distribución a priori cuando
las observaciones tienen una distribución binomial.
Uno de los principales recursos de esta distribución es el ajuste a una gran variedad de
distribuciones empíricas, pues adopta formas muy diversas dependiendo de cuáles sean
los valores de los parámetros de forma αα y ββ, mediante los que viene definida la
distribución.

La función beta se define como:

Puede demostrarse que la función beta y la gamma se encuentran relacionadas
por la expresión:

Media y varianza de la distribución beta

DISTRIBUCION WEIBULL

El esfuerzo al que se someten los materiales puede modelarse por esta

distribución. Se ha empleado mucho en situaciones del tipo tiempo-falla con
el objetivo de lograr una amplia variedad de componentes mecánicos y
eléctricos.

La función de densidad está dada por:

Media y varianza de una distribución de Weibull.

Caso particulares

 Si =1 se reduce a la distribución exponencial negativa.

 Cuando =2 y 