ESCUELA PROFESIONAL DE INGENIERA INDUSTRIAL

ASIGNATURA:
TEORA DE DECISIONES
TEMA:
DISTRIBUCION DE PROBABILIDAD CONTINUA
INTEGRANTES:
DOCENTE:
Ing. Larry Palma Arredondo
CICLO: VII.

TURNO: NOCHE.
2015

INDICE
Contenido
Introduccin............................................................................................................ 2
OBJETIVO GENERAL............................................................................................. 4
OBJETIVOS ESPECFICOS....................................................................................... 4
MARCO TEORICO.................................................................................................. 4
1

1.

Variables aleatorias continuas............................................................................. 4

1.1.

Variable aleatoria......................................................................................... 4

1.2.

Variable aleatoria continua............................................................................. 5

2.
2.1

Distribuciones de probabilidad continua................................................................6

Funcin de distribucin................................................................................. 6

2.2 Distribucin exponencial.................................................................................... 7

3.

Distribucin uniforme...................................................................................... 9

3.1.

Distribucin log normal............................................................................... 14

3.2.

Parmetros y factor de frecuencia...................................................................15

3.4.

Distribucin gamma (3 parmetros)................................................................18

3.5 distribucin log Pearson tipo III..........................................................................22

3.6. Distribucin Gumbel....................................................................................... 25
Conclusiones......................................................................................................... 27
Bibliografa.......................................................................................................... 29

Introduccin
El concepto de probabilidad surge con las ansias de conocer los sucesos futuros. Por esto, el
estudio de probabilidad nace como una herramienta a la cual recurrira la nobleza para tener
ventaja en los juegos y entretenimientos de la poca. En la actualidad se contina con el
estudio de nuevas metodologas que permitan ampliar el empleo de ordenadores en el
estudio y anlisis de las probabilidades, minimizando de esta forma, los mrgenes de error

en los procesamientos. La teora de la probabilidad es utilizada en fsica, ciencias,

matemtica e incluso en filosofa, para as sacar conclusiones sobre la probabilidad de
eventos

potenciales

la

mecnica

en

sistemas

de

gran

complejidad.

En este trabajo estudiaremos cuatro de las distribuciones continuas de probabilidad ms

importantes y que son imprescindibles a la hora de adentrarnos en el estudio de la
inferencia estadstica.
La distribucin normal es uno de los primeros ejemplos de las distribuciones continuas, y
aparece en multitud de fenmenos sociales. Fue estudiada, entre otros, por Gauss uno de los
ms famosos matemticos de la historia. La grfica de la distribucin normal en forma de
campana se denomina Campana de Gauss. Una de las distribuciones tericas mejor
estudiadas en los textos de bioestadstica y ms utilizada en la prctica es la distribucin
normal, tambin llamada distribucin gaussiana.
La distribucin binomial es un ejemplo de las llamadas distribuciones de variables
aleatorias (Una variable aleatoria continua es aquella que puede asumir el nmero
infinitamente grande de valores correspondientes a los puntos sobre un intervalo en una
lnea recta). Los Bernoulli formaron una de las sagas de matemticos ms importantes de la
historia. A pesar de que la distribucin Normal y Binomial pueden utilizarse para resolver
muchos problemas en ingeniera y ciencias, existen an numerosas situaciones que
requieren diferentes tipos de funciones de densidad, tales como la exponencial y la gamma,
etc.
Una de las distribuciones de variable continua ms importantes es la distribucin
exponencial, la cual se utiliza como modelo para representar el tiempo de funcionamiento o
de espera. Cabe destacar que la distribucin exponencial es un caso especial de la
distribucin gamma, ambas tienen un gran nmero de aplicaciones. Las distribuciones
exponencial y gamma juegan un papel importante tanto en teora de colas como en
problemas de confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran la
distribucin exponencial. La relacin entre la gamma y la exponencial permite que la
distribucin gamma se utilice en tipos similares de problemas.

OBJETIVO GENERAL
1. Desarrollar la Distribucin de Probabilidad Continua

OBJETIVOS ESPECFICOS
1. Describir la importancia de los datos estadsticos
2. Estudiar la variable aleatoria continua
3. Identificar y comprender los Modelos de la Distribucin Continua

MARCO TEORICO.
1 Variables aleatorias continuas
1 Variable aleatoria

Definimos el trmino Variable Aleatoria: transformacin que permite pasar del campo del
experimento al campo o conjunto de los nmeros reales.
En la mayora de los experimentos slo nos interesan nmeros asociados con sus
resultados valores asumidos por las Var. Aleatorias
Ejemplo: Supongamos un experimento consistente en lanzar una moneda 2 veces: W[ (cc)
(cx) (xc) (xx)]. Definimos una variable aleatoria = n de caras al lanzar una moneda 2
veces, el nuevo espacio muestral B en el entorno de los nmeros reales es:

(cc)2
(cx)1

B[2,1,0]

(xc)1
(xx)0

Variable aleatoria continua

Es aquella que dentro de determinado intervalo su medicin puede dar lugar a cualquier
valor, o sea que la variable puede tomar cualquiera del infinito nmero de valores del
intervalo, como:
Peso de un animal del zoolgico
Cantidad de leche que produce una vaca en un da
La medida del voltaje de una batera

Caractersticas:
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 funcin de densidad de

probabilidad deber tomar solo valores mayores o iguales a cero. La funcin de
densidad de probabilidad slo puede estar definida en los cuadrantes I y II.

3.

La sumatoria de las probabilidades asociadas a cada uno de los

valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de
probabilidad deber ser de 1.

Distribuciones de probabilidad continua

Una distribucin de probabilidad es continua cuando los resultados posibles del

experimento son obtenidos de variables aleatorias continuas, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del proceso
de medicin. (Lopez, Tecnicas estadisticas SPSS, 2001)
Ejemplos de variables aleatorias continuas son:

La estatura de un grupo de personas

El tiempo dedicado a estudiar
La temperatura en una ciudad

2.1 Funcin de distribucin

F(x) funcin de distribucin acumulativa = probabilidad de que la variable aleatoria
continua X como valores menores o iguales a x.

F ( x ) P X x f ( x)dx
x

2.2 Distribucin exponencial

i) Definicin
La distribucin de Poisson calcula el nmero de eventos sobre alguna rea de oportunidad
(intervalo de tiempo o espacio), la distribucin exponencial mide el paso del tiempo entre
tales eventos. Si el nmero de eventos tiene una distribucin de Poisson, el lapso entre los
eventos estar distribuido exponencialmente. (Docentes Innovadores)
Consideraciones:

Proceso de eventos aleatorios (los parmetros no cambian con el tiempo).

No es posible tener ms de un evento en cualquier instante.

Descripcin de un proceso Poisson.

Frmula
La probabilidad de que el lapso de tiempo sea menor que o igual a cierta cantidad x es:
P(X X )=1e. t
Donde:

t = Lapso de tiempo
e = Base del logaritmo natural aproximadamente igual a 2,718281828

= Tasa promedio de ocurrencia

Ejemplos ilustrativos
1) Los buses interprovinciales llegan al terminal a una tasa promedio de 10 buses
a)
b)
c)
d)

por hora.
Cul es la probabilidad de que llegue un bus en no ms de 5 minutos?
Cul es la probabilidad de que llegue un bus en no ms de 10 minutos?
Cul es la probabilidad de que llegue un bus entre 5 minutos y 10 minutos?
Cul es la probabilidad de que llegue un bus en ms de 5 minutos?

Solucin:
= 10 por una hora
a) Como la tasa promedio est dada por hora, y el problema se plantea en minutos, se
calcula el porcentaje que representa 5 minutos de una hora (60 minutos), el cual es:
5
1
=
60 12
Reemplazado valores de la frmula se obtiene:
. t

P(X X )=1e

10.

P( X 5)=1e

1
12

=0,5654

Interpretacin: Existe un 56,54% de probabilidad de que el segundo bus llegue al terminal

en 5 minutos o menos del primero si la tasa promedio de llegada es de 10 buses por hora.
b) El porcentaje que representa 10 minutos de una hora (60 minutos) es:
Reemplazado valores de la frmula se obtiene:

P(X X )=1e. t

10.

P( X 10)=1e

1
6

=0.8111

c) P(5X10) = P(X10) P(X5)

P(5X10) = 0,8111- 0,5654 = 0,2457
d) P(X>5) = 1 P(X5)
P(X>5) = 1 0,5654 = 0,4346
2) En un ao en un sitio determinado ocurren 110 tormentas independientes con
una duracin promedio (todas) de 5.3 h. El intervalo entre tormentas es:

8760 110 5.3

74.3h
110

= 1/

= 1/74.3 = 0.0135 h-1

a) Cul es la probabilidad de que pasen al menos 4 das (96 h) entre tormentas?

P(t 96) =1- F(96)
96

F (96) e t dt 1 e t
0

P (t 96) 1 1 e t e 0.0135*96 0.27

b) Cual es la probabilidad de que el tiempo entre dos tormentas sea exactamente 12 horas?
P(t = 12)= 0, la probabilidad que una V.A continua valga cero en un intervalo es cero.
c) Cual es la probabilidad que la separacin entre 2 tormentas sea menor o igual que 12 h?
P (t 12 ) =F ( 12 )=1e0,013512=0.15
3

Distribucin uniforme

Definicin
Es una distribucin en el intervalo en la cual las probabilidades son las mismas para todos
los posibles resultados, desde el mnimo de a hasta el mximo de b. El experimento de
lanzar un dado es un ejemplo que cumple la distribucin uniforme, ya que todos los 6
resultados posibles tienen 1/6 de probabilidad de ocurrencia. (Devor, 2008)
i) Funcin de densidad de una distribucin uniforme (altura de cada rectngulo en la grfica
anterior) es:
f

( x )= Altura=

1
ba

Dnde:
a = mnimo valor de la distribucin
b = mximo valor de la distribucin
b a = Rango de la distribucin
ii) La media, valor medio esperado o esperanza matemtica de una distribucin uniforme se
calcula empleando la siguiente frmula:
E

( x )==

a+ b
2

iii) La varianza de una distribucin uniforme se calcula empleando la siguiente frmula:

2

(ba)
12

De donde la desviacin estndar es:

v) La probabilidad de que una observacin caiga entre dos valores se calcula de la siguiente
manera:

P(X1 X X2) =

Ejemplo ilustrativo
Sea X el momento elegido al azar en que un estudiante recibe clases en un determinado da
entre las siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00 - 13:00
a)
b)
c)
d)
e)
f)

Cul es la funcin de densidad de la variable X?

Elaborar un grfico de la distribucin de probabilidades
Calcular el valor medio esperado
Calcular la desviacin estndar
Calcular la probabilidad de que llegue en la primera media hora
Si recibe clases de Estadstica Aplicada de 10:00 a 12:15, calcular la probabilidad de
recibir esta asignatura.

Solucin:
a) a = 7 y b = 13
Reemplazando valores en la ecuacin de la funcin de densidad se obtiene:
f(x) = Altura =

f(x) = Altura =

1
137

1
ba

1
6

= 0.167

b) Elaborando el grfico de la distribucin de probabilidad empleando Excel se

obtiene:

Interpretacin:
Cada rectngulo tiene 1 de base y 1/6 = 0,167 de altura.
El rea de cada rectngulo es:
1
A = base. Altura = 1 . 6

1
6

El rea total (rectngulo de base el intervalo 7-13 y altura 1/6=0,167) representa a la suma
de todas las probabilidades, y es igual a uno:
1
A = base. Altura = ( 137 ) . 6

= 6.

1
6 =1

c) Reemplazando valores en la frmula del valor esperado se obtiene:

a+ b
(
x )==
E
2

( x )==

7+13
2

= 10

d) Reemplazando valores en la frmula de la varianza se obtiene:

(ba)
12

(137)
=
=
12
2

(6)
12

2
Por lo tanto la desviacin estndar es: = =

36
12

=3

3 = 1.732

e) Llegar en la primera media hora significa que llega a la 7:30. Por lo tanto se debe
calcular la probabilidad entre las 7:00 y las 7:30.
Como 7:30 = 7 horas + 30 minutos, y el porcentaje que representa 30 minutos de una hora
es:
30
60

= 0.5

=>

7:30 = 7,5 horas

Por lo tanto se debe calcular la probabilidad entre 7 y 7,5

Aplicando la frmula de la probabilidad entre dos valores se obtiene:

P (7 X 7,5) =

7,57
137

0.5
6

En el siguiente grfico se muestra la probabilidad calculada:

= 0.0833

f) Se debe calcular la probabilidad entre las 10:00 y las 12:15

Como 12:15 = 12horas + 15 minutos, y el porcentaje que representa 15 minutos de una hora
es:
15
60

= 0.25

=>

12:15 = 12,25 horas

Por lo tanto de debe calcular la probabilidad entre 10 y 12,25

Aplicando la frmula de la probabilidad entre dos valores se obtiene:

P (10 X 12,25) =

12,2510
137

2,25
6

= 0.375

Distribucin log normal

En general, cuando la variable aleatoria X es el producto de un gran nmero de otras

variables aleatorias, la distribucin de los logaritmos de X puede aproximarse a la Normal,
ya que los logaritmos de X son la suma de los logaritmos de los factores contribuyentes.
Si se tiene una variable aleatoria X y ln X = Y, se ajusta a una distribucin Normal,
se dice que la variable aleatoria X es log normalmente distribuida.
1

Funcin de Distribucin de Probabilidad

1 y- y 2
K
f(x)=
exp
2
X 2
2 y

Asumiendo Y = loga (X)

2

Parmetros y factor de frecuencia

Media (Parmetro de escala)

Desviacin estndar (Parmetro de forma)
1

Y
N

log (X )
i1

12

Estimacin de parmetros: Mtodo de los momentos

1 N
loga(Xi ) ln X T = ln + k ln
N i1

K es la misma de la distribucin normal

Si se quiere trabajar con la variable no transformada en el campo logartmico se tiene que:
2

1/2 ln 1 + cv
exp k T ln 1 + cv 2 -

k=
cv

1
1
-1
k T = F 1 - Fu 1 1
T
TI

-1

Es el inverso de la funcin de distribucin Normal estandarizada acumulada y Cv es el

coeficiente de variacin
1

Intervalos de confianza
: Nivel de confianza o significancia
ST: Error estndar
2

= 1 + k T
2
ln X T + _ T 1- S T

1/2

ST =

ln
n

Ejemplo: Distribucin Log Normal

La media y desviacin estndar de los Qmax anuales de la estacin del ro Nare son:
=94.35 m3/s y =22.45 m3/s
Y=4.52 y Y=0.2337
Hallar el QTR=100 si los Qmax tienen una distribucin Log Normal.
K=2.326
QYTr=100=4.52+2.326*0.237
QTr=100=159 m3/s
Intervalos de Confianza: Ln(QTR=100) 95ST

= 1 + k T
2

1/2

Es un intervalo de dos colas, con una probabilidad en cada una

de 5%
ST =

ln
n

=1.92
ST=0.075
5.0711.6*0.075
4.94 QY 5.14
3

139159 170 m3/s

Distribucin gamma (2 parmetros).

Una de las ms usadas en Hidrologa.

Crecientes mximas anuales

Caudales mnimos

Volmenes de flujo anuales y estacionales

Valores de precipitaciones extremas

Volmenes de lluvia de corta duracin

Tiene 2 3 parmetros (Pearson Tipo III).

1
X
f(x)=

| | ( )

-1
-

Parmetros y Factor de frecuencia.

( ) = z -1 e- z dz
0

(Parmetro de escala)

> 0 (Parmetro de forma)

() es la funcin Gamma completa
Estimacin de parmetros: Mtodo de los momentos
1
= 2
C v

2
2
= =

1


1
2
3
K KT + (K t 1) + ( KT 6KT ) (K T 1) + KT
6 3
6
6
6 3 6
2

Distribucin gamma (3 parmetros)

Funcin de distribucin de probabilidad

1
x - xo
f(x)=

| | ( )

P( X x)

-1

x - xo
exp

x x0

( ) 0

x x0

dx
Funcin de densidad acumulada

Parmetros
( ) =

-1

-z

dz

y , parmetros de escala y forma respectivamente.

xo parmetro de localizacin.
1

Parmetros e Intervalos de confianza (Funcin Gamma).

Estimacin de Parmetros: Mtodo de los momentos

2
=

X 0 =

Que tan cercano puede estar el estimado al verdadero valor desconocido de la

poblacin: Conocer con cierta certeza. Franja grande: mucha incertidumbre.

X T u1 2 S T

: Nivel de confianza o nivel de probabilidad

ST: Error estndar

ST =

Tabla Factor de frecuencia Pearson tipo III

Valores de para la Distribucin Gamma Pearson tipo III

Ejemplo: Distribucin Gamma
Hallar el QTR=100. Si la distribucin de los caudales de la estacin de Nare es Gamma.
= 94.35 m3/s y = 22.45 m3/s, = 0.845
Y = 4.52 y Y = 0.2337, Y = 0.0069
De tabla:

K = 2.32

QTR=100 = 94.35 + 2.32*22.45 = 146.4

Intervalos de confianza:
X T u1 2 S T

De tabla =4.7, N= 36 datos.

ST

N
ST = 17.6

De tabla 95=1.6
146,4 1.6*17.6
146.4 28.16 m3/s
3.5 distribucin log Pearson tipo III
Funcin de distribucin de probabilidad

1
f x (x) =
x (

ln (x) - yo

-1

ln( x)- yo

Parmetros
y , parmetros de escala y forma y yo parmetro de localizacin
Estimacin de Parmetros
Mtodo de los momentos
2

= y

y
2

y 0 y

Factor de Frecuencia:

Y T = ln X T = y + K y
Intervalos de Confianza: Que tan cercano puede estar el estimado al verdadero valor
desconocido de la poblacin: Conocer con cierta certeza. Franja grande: mucha
incertidumbre.
X T u1- 2 S T

: Nivel de confianza o nivel de probabilidad

ST: Error estndar
ST =

y
N

ln X T 1 / 2 ST

3.5.1. Distribucin General de Valor Extremo.

Los valores extremos son valores mximos y mnimos seleccionados de unos conjuntos
de datos.
Las distribuciones de valores extremos seleccionados de conjuntos de muestras de
cualquier distribucin de probabilidad convergen en una de las tres formas de
distribucin de valor extremo, llamadas:

Tipo I: Gumbel, g=1.14

Tipo II: Frechet g<=1.14

Tipo III: Weibull g>=1.14

Funcin de Distribucin de probabilidad para la GEV


x
F(x) = exp - 1 -

1/

Dnde:
, y son parmetros que deben ser determinados.
Los tres casos limitantes son:
1

= 0 Distribucin de Valor Extremo Tipo I (Gumbel)

f(x) =

x-
1
x-
exp - exp

Rango:

- x

x 0.5772

Estimacin de parmetros:
2. < 0 Distribucin de Valor Extremo Tipo II (Frechet)

x
f(x) = exp - 1 -

1/

( / ) x
Rango:
3. > 0 Distribucin de Valor Extremo Tipo III (Weibull)

x
f(x) = exp - 1 -

1/

 x ( / )
Rango:

3.6. Distribucin Gumbel.

La fda y el factor de frecuencias son:

x
F(x) exp - exp

K=-

6
0.577 + ln ln Tr - ln Tr - 1

Intervalos de confianza: Que tan cercano puede estar el estimado al valor verdadero
desconocido de la poblacin.
X T u1- 2 S T

: Nivel de confianza o nivel de probabilidad

ST: Error estndar
^

ST =
N

= 1+ 1.1396K + 1.1 K 2 1/2

Ejemplo: Distribucin Gumbel

Si los caudales de la estacin del ro Nare tienen una distribucin Gumbel:

QTr 95ST

K100

6
0.577 ln ln TR ln( TR 1)

QTr 100 K
QTr 100 94.35 3.13 22.45 164.77

Intervalos de confianza:

ST =

= 1+ 1.1396K + 1.1 K 2 1/2

= 3.91
S = 14.62
T
Q
1.6*14.62
TR

KTr=100 = 3.13

Conclusiones
1. Al iniciar el anlisis estadstico de una serie de datos, y despus de la etapa de
deteccin y correccin de errores, un primer paso consiste en describir la
distribucin de las variables estudiadas, esta distribucin es frecuentemente
utilizada en las aplicaciones estadsticas y, en particular, de los datos numricos; su
propio nombre indica su extendida utilizacin, justificada por las frecuencia o
normalidad con la que las ciertos fenmenos tienden a parecerse en su
comportamiento a esta distribucin. Adems de las medidas descriptivas
correspondientes, el comportamiento de estas variables puede explorarse
grficamente de un modo muy simple.
2. Muchas variables aleatorias continuas presentan una funcin de densidad cuya
grfica tiene forma de campana. Las variables aleatorias, se encuentran asociadas a
la circunstancia de un fenmeno aleatorio. Si una de estas variables aleatorias toma
determinados valores, la probabilidad que se asocia a cada uno de dichos valores,
pueden ser establecidas como forma de distribuir la probabilidad. Tambin pueden
ser representadas mediante un grfico o frmula. En este caso la norma de
correspondencia se llama funcin de probabilidad. Cuando se aprueba que en una
variable aleatoria sea permitido adjudicar un valor cualquiera dentro de lmites
establecidos, recibir la denominacin, variable aleatoria continua. Dicha variable
puede tomar cualquiera de los valores infinitos que se encuentran adentro de un
intervalo.
3. La distribucin normal tiene una gran importancia que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo

normal puede justificarse asumiendo que cada observacin se obtiene como la suma
de unas pocas causas independientes. La distribucin exponencial tiene como
funcin expresar el tiempo transcurrido entre eventos que se contabilizan por medio
de la distribucin de Poisson. Un ejemplo de esto podra ser el tiempo que
transcurre entre dos llamadas por telfono, nmero de peatones que llegan a un
semforo, etc. Podemos caracterizar la distribucin gamma del modo
siguiente: si se est interesado en la ocurrencia de un evento generado
por un proceso de Poisson de media , la variable que mide el tiempo
transcurrido hasta obtener n ocurrencias del evento sigue una
distribucin gamma con parmetros = n (escala) y p=n (forma). Se
denota Gamma (,p).Por ejemplo, la distribucin gamma aparece
cuando se realiza el estudio de la duracin de elementos fsicos (tiempo
de vida). Puesto que esta distribucin presenta como propiedad
interesante la falta de memoria. Por esta razn, es muy utilizada en las
teoras de la fiabilidad, mantenimiento y fenmenos de espera (por
ejemplo en una consulta mdica tiempo que transcurre hasta la llegada
del
segundo
paciente).
Redundando sobre la relacin entre la distribucin exponencial y la
distribucin gamma, explicamos el por qu, Si p=1 (parmetro de
forma), entonces la gama se convierte en una exponencial cuyo
parmetro es igual al parmetro de escala de la gama, . Y por ltimo
concluimos indicando que la funcin de distribucin gama no se puede
calcular analticamente, salvo en casos especiales.

Bibliografa
Devor, J. L. (2008). Probabilidad y estadistica para Ingenierias y Ciencias.
Mexico: Abril Vega Orozco.
Docentes Innovadores. (s.f.). Recuperado el jueves de abril de 2015, de
http://docentesinnovadores.net/Archivos/5734/DISTRIBUCIONES
%20CONTINUAS.pdf
Lopez, C. P. (2001). Tecnicas estadisticas SPSS. mexico: Pearson.
Lopez, C. P. (2001). Tecnicas estadisticas SPSS. Mexico: Pearson.