DISTRIBUCIONES DE PROBABILIDAD

DISTRIBUCIONES DE PROBABILIDAD DE UNA VARIABLE CONTINUA

Variable aleatoria continua
Es aquella que puede asumir cualquier valor en un intervalo especfico;
significa entonces que entre cualquiera de dos valores que puede tomar la
V. A. continua, existe un nmero infinito de valores.
Naturaleza de la distribucin de una variable continua
Consideremos la representacin grfica del histograma polgono de
frecuencias de una muestra de tamao n. Qu sucede cuando aumentamos
el tamao de la muestra (n), es decir cuando el nmero de valores de la V.
A. continua es muy grande, con:
el nmero de intervalos de clase (K)?
la amplitud () de los intervalos de clase??
Consecuencias:
El polgono de frecuencias se aproxima a una curva suave que sirve para
representar grficamente las distribuciones de probabilidad de una V. A.
continua.
El rea total bajo la curva es igual a 1 y, es equivalente al rea bajo el
histograma.
La frecuencia relativa (probabilidad para n ! ") de ocurrencia para los valores
entre dos puntos especficos del eje de las x, es igual rea total delimitada
por la curva, el eje de las abcisas y las rectas perpendiculares levantadas
sobre ambos puntos.
La probabilidad de cualquier valor especfico de la variable es cero, por lo
que slo podremos hablar de probabilidad dentro de intervalos.
El clculo de probabilidad se basa en el clculo integral del rea bajo la
curva entre dos puntos cualesquiera del eje de abcisas, generndose la
funcin de densidad de probabilidad.
FUNCIN DE DENSIDAD DE PROBABILIDAD
Para variables aleatorias continuas, la distribucin terica o FUNCION
DE DENSIDAD DE PROBABILIDAD (FDP) puede representarse por una curva
continua.
Por DENSIDAD entendemos la concentracin de probabilidad dentro de un
intervalo de valores de la variable x.

Esta PROBABILIDAD puede ser interpretada como un AREA (integral) bajo la

curva f(x), llamada CURVA DE DENSIDAD, limitada por las ordenadas en dos
puntos de un intervalo.
Entonces
Una funcin y = f(x) es una funcin de densidad de una variable aleatoria
continua si cumple las siguientes condiciones:
Es positiva en todo su dominio (0" f( x) "1)
El calculo directo de la porcin de rea bajo la curva requiere la integracin
de la funcin de densidad que es especifica para cada modelo:
P (a " X " b) =
FUNCION DE DISTRIBUCION ACUMULADA (FDA)
En general, la funcin de distribucin acumulada (FDA) de una variable
aleatoria continua X, es el modelo terico de la curva de frecuencias
acumuladas que se espera obtener para X.
La probabilidad de que una variable aleatoria continua X, asuma un valor
menor o igual a xi, se llama FDA y se representa por:
F (x) = P (X " xi)
Para a < b : P (a " x " b) = F (b) - F (a)
F (-") = P (x " -") = 0
F (+") = P (x " +") =1

Funcin de densidad de probabilidad (fx)

Funcin de distribucin acumulada (FDA)

DISTRIBUCIN DE PROBABILIDAD NORMAL
PROPIEDADES
Una distribucin normal es simtrica y tiene forma de campana, con
parmetros y .
La media , divide al rea en dos mitades, pues se localiza en el centro,
coincidiendo con el modo y la mediana.
El rea por debajo de la curva y sobre el eje de las x es la unidad en
trminos de probabilidad.
En teora la distribucin se extiende desde -" a +" a lo largo del eje de
las abscisas. Esto significa que una variable X ~ N (, ), puede tomar
cualquier valor, ya sea grande o pequeo, aunque los valores alejados de
3, son poco probables.
Un cambio en el valor de desplaza la distribucin a la derecha o a la
izquierda. Un cambio en el valor de altera su forma, sin moverla de
izquierda a derecha.

6. 1 la curva representa el 68% del rea total.

2 la curva representa el 95% del rea total.
3 la curva representa el 99,7% del rea total.

7.-La funcin de probabilidad normal esta representada por:

DISTRIBUCIN NORMAL ESTNDAR

Una distribucin de una variable aleatoria normal con media, =
0 y varianza, = 1, se llama distribucin normal estndar y es el miembro
ms importante de la familia de distribuciones normales.
Esta distribucin se obtiene creando una variable aleatoria Z
Cada valor z es el nmero de desviaciones estndar separado de la media.

Distribucin Normal Estndar

La distribucin Uniforme

La distribucin Uniforme es el modelo (absolutamente) continuo ms simple.

Corresponde al caso de una variable aleatoria que slo puede tomar valores
comprendidos entre dos extremos a y b, de manera que todos los intervalos
de una misma longitud (dentro de (a, b)) tienen la misma probabilidad.
Tambin puede expresarse como el modelo probabilstico correspondiente a
tomar un nmero al azar dentro de un intervalo (a, b).
De la anterior definicin se desprende que la funcin de densidad debe
tomar el mismo valor para todos los puntos dentro del intervalo (a, b) (y
cero fuera del intervalo). Es decir,

Grficamente:

La funcin de distribucin se obtiene integrando la funcin de densidad y

viene dada por:

Grficamente:

Propiedades del modelo Uniforme

Su esperanza vale (b + a)/2
Su varianza es (b a)2/12

DISTRIBUCIN EXPONENCIAL
A pesar de la sencillez analtica de sus funciones de definicin, la
distribucin exponencial tiene una gran utilidad prctica ya que podemos
considerarla como un modelo adecuado para la distribucin de probabilidad
del tiempo de espera entre dos hechos que sigan un proceso de Poisson. De
hecho la distribucin exponencial puede derivarse de un proceso
experimental de Poisson con las mismas caractersticas que las que
enuncibamos al estudiar la distribucin de Poisson, pero tomando como
variable aleatoria , en este caso, el tiempo que tarda en producirse un
hecho
Obviamente, entonces , la variable aleatoria ser continua. Por otro lado
existe una relacin entre el parmetro a de la distribucin exponencial , que
ms tarde aparecer , y el parmetro de intensidad del proceso l , esta

relacin es a = l
Al ser un modelo adecuado para estas situaciones tiene una gran utilidad en
los siguientes casos:
Distribucin del tiempo de espera entre sucesos de un proceso de Poisson
Distribucin del tiempo que transcurre hasta que se produce un fallo, si se
cumple la condicin que la probabilidad de producirse un fallo en un
instante no depende del tiempo transcurrido .Aplicaciones en fiabilidad y
teora de la supervivencia.
Funcin de densidad.
A pesar de lo dicho sobre que la distribucin exponencial puede derivarse
de un proceso de Poisson , vamos a definirla a partir de la especificacin de
su funcin. de densidad:
Dada una variable aleatoria X que tome valores reales no negativos
{x 0} diremos que tiene una distribucin exponencial de
parmetro a con a 0, si y slo si su funcin de densidad tiene la
expresin:
Diremos entonces
que

Grficamente como
ejemplo planteamos el
modelo con
parmetro a =0,05

En consecuencia , la funcin de distribucin ser:

En la principal aplicacin de esta distribucin , que es la Teora de la

Fiabilidad, resulta ms interesante que la funcin de distribucin la llamada

Funcin de Supervivencia o Funcin de Fiabilidad.

La funcin de Supervivencia se define cmo la probabilidad de
que la variable aleatoria tome valores superiores al valor dado X:

Si el significado de la variable aleatoria es "el tiempo que transcurre

hasta que se produce el fallo": la funcin de distribucin ser la probabilidad
de que el fallo ocurra antes o en el instante X: y , en consecuencia la funcin
de supervivencia ser la probabilidad de que el fallo ocurra despus de
transcurrido el tiempo X ; por lo tanto, ser la probabilidad de que el
elemento, la pieza o el ser considerado "Sobreviva" al tiempo X ; de ah el
nombre.
Grficamente, la funcin de distribucin para un modelo exponencial de
parmetro a =0,05 sera :

En la que se observa lo
que sera la diferencia
entre funcin de
distribucin y la de
supervivencia

La Funcin Generatriz de Momentos ser :

tendremos as que la F.G.M ser :

Una vez calculada la F.G.M podemos , partiendo de ella , calcular la media

y la varianza
As la media ser:

En cuando a la varianza su expresin ser :

ya que

La mediana del modelo exponencial ser aquel valor de la variable x

=Me que verifica que F(Me) =
De manera que

por lo

que

Tasa instantnea de fallo.

Dentro del marco de la teora de la fiabilidad si un elemento tiene una
distribucin del tiempo para un fallo con una funcin de densidad f(x) ,
siendo x la variable tiempo para que se produzca un fallo , y con una
funcin de supervivencia S(X) La probabilidad de que un superviviente en el
instante t falle en un instante posterior t + D t ser una probabilidad
condicionada que vendr dada por:

Al cociente entre esta probabilidad condicionada y la amplitud del

intervalo considerado, t , se le llama tasa media de fallo en el intervalo [t ,
t+D t] :

Y a la tasa media de fallo en un intervalo infinitsimo es decir, al lmite de la

tasa media de fallo cuando D t 0 se le llama Tasa Instantnea de Fallo (o,
simplemente, tasa de fallo) en t:

La tasa de fallo es, en general, una funcin del tiempo, que define
unvocamente la distribucin.
Pues bien, puede probarse que el hecho de que la tasa de fallo sea
constante es condicin necesaria y suficiente para que la distribucin sea
exponencial y que el parmetro es, adems, el valor constante de la tasa de
fallo.
en efecto:
si

de donde
ecuacin diferencial entre 0 y x :

integrando esta

de modo que la funcin de distribucin ser

Funcin de Distribucin de
una Exponencial

Si X tiene una distribucin

exponencial

de manera que
As pues si un elemento tiene una distribucin de fallos exponencial su
tasa de fallos se mantiene constante a lo largo de toda la vida del elemento.
La probabilidad de fallar en un instante no depende del momento de la vida
del elemento en el que nos encontremos; lo que constituye la propiedad
fundamental de la distribucin que ahora enunciamos:

Propiedad fundamental de la distribucin exponencial

La distribucin exponencial no tiene memoria :
Poseer informacin de que el elemento que consideramos ha sobrevivido
un tiempo S (hasta el momento) no modifica la probabilidad de que
sobreviva t unidades de tiempo ms. La probabilidad de que el elemento
falle en una hora (o en un da, o en segundo) no depende del tiempo que
lleve funcionando. No existen envejecimiento ni mayor probabilidad de
fallos al principio del funcionamiento

Expresin que no depende , como se observa , del

tiempo sobrevivido s.

distribucin normal

Una variable aleatoria continua, X, sigue una distribucin normal de media

y desviacin tpica , y se designa por N(, ), si se cumplen las siguientes
condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:

Curva de la distribucin normal

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a
la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5
a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %