You are on page 1of 14

DISTRIBUCION DE PROBABILIDAD CONTINUA

DOCENTE:
ELIZABETH GUERRERO

INTEGRANTES:
Cristhian Sandoval
Manuel león
Brayan Páez

UNIVERSIDAD INDUSTRIAL DE SANTANDER


BUCARAMANGA, agosto de 2018
Distribución de probabilidad continúa
Toda distribución de probabilidad es generada por una variable aleatoria x a continuación se verá
la variable aleatoria continua (x). Se le denomina variable porque puede tomar diferentes valores,
aleatoria, porque los valores que toma son totalmente al azar y continua porque puede tomar tanto
valores enteros como fraccionarios y un número infinito de ellos dentro de un mismo intervalo.

Distribución de probabilidad uniforme:


La distribución Uniforme es el modelo (absolutamente) continuo más simple. Puede expresarse
como el modelo probabilístico correspondiente a tomar un número al azar dentro de un intervalo
(a, b) de manera que todos los intervalos de una misma longitud (dentro de (a, b)) tienen la misma
probabilidad. De lo anterior se conoce entonces que la función densidad de probabilidad uniforme
debe tomar el mismo valor para todos los puntos dentro del intervalo (a, b) (y cero fuera del
intervalo), la función densidad está definida por:

1
, 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) = { 𝑏 − 𝑎
0, 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜

Para calcular la probabilidad de que la variable x tome un valor en un intervalo lo que debemos
hacer es calcular el área bajo la gráfica del intervalo con el que estamos trabajando.

Las diferencias entre el tratamiento de una variable continua y una discreta está en que:

-Se habla de la probabilidad de que una variable aleatoria tome un valor dentro de un intervalo
dado.

-La probabilidad de que una variable aleatoria continua tome un valor dentro de un determinado
intervalo que va de x1 a x2 se define como el área bajo la gráfica de la función de densidad de
probabilidad entre x1 y x2. Como un solo punto es un intervalo cuyo ancho es cero, esto implica que
la probabilidad de que una variable aleatoria continua tome un valor exacto, cualquiera, es cero.

Y por último las fórmulas para el valor esperado y la varianza son:

𝑎+𝑏
𝐸(𝑥) =
2
(𝑏 − 𝑎)2
𝑉𝑎𝑟 (𝑥) =
12
Distribución de probabilidad normal:
Es la más usada para describir variables continuas.

Curva normal: Es la forma que adquiere la distribución normal. La función de densidad de


probabilidad en esta distribución está dada por una curva la cual toma una forma de campana y esta
función está dada por:

1 2 /2𝜎 2
𝑓(𝑥) = 𝑒 −(𝑥−𝜇)
𝜎√2𝜋

Donde µ es la media, 𝜎 es la desviación estándar y 𝜋 = 3.14159 y e=2.71828.

Algunas características de las distribuciones normales son:

- El punto más alto de una curva normal se encuentra sobre la media, la cual coincide con la mediana
y la moda.

- La distribución normal es simétrica. Las colas de la curva normal se extienden al infinito en ambas
direcciones y en teoría jamás tocan el eje horizontal

- La desviación estándar determina qué tan plana y ancha es la curva normal. Desviaciones estándar
grandes corresponden a curvas más planas y más anchas, lo cual indica mayor variabilidad en los
datos.

- Las probabilidades correspondientes a la variable aleatoria normal se dan mediante áreas bajo la
curva normal. Toda el área bajo la curva de una distribución normal es 1.
Distribución de probabilidad normal estándar: Se da cuando una distribución normal tiene
una media (µ) de cero y una desviación estándar (𝝈) de 1, su grafica es tal que:

Y su función de densidad está dada por:

1 2 /2
𝑓(𝑧) = 𝑒 −(𝑧)
√2𝜋
Para el cálculo de la probabilidad en cualquier distribución normal lo que se debe hacer el calcular
el área bajo la gráfica de la función densidad. En el caso de la distribución normal estándar las áreas
bajo las curvas ya se encuentran calculadas, como se podrá observar en la siguiente tabla:

En la tabla izquierda están los valores del área bajo la curva para valores de z menor o igual a 0,

mientras que en la tabla derecha están los valores del área bajo la curva para valores de z mayor o
igual a 0. Es importante recordar que los valores de área que se muestran en la tabla corresponden
al valor del área bajo la curva normal hacia la izquierda del valor de z que se esté trabajando.

En el cálculo de probabilidades se pueden presentar tres casos:

Primer caso: la probabilidad de que la variable aleatoria normal estándar z sea menor o igual que
un valor dado. Ejemplo: La probabilidad de que z sea menor o igual a 1.00 es decir 𝑃(𝑧 ≤ 1.00).
Esta probabilidad corresponde al área bajo la curva a la izquierda de z=1.00
Para encontrar esta área o probabilidad lo que haremos es buscar en la tabla que se mencionó
previamente el valor de 1 en la primera columna (la columna donde dice z) y luego ubicar en la
primera fila en que columna se encuentra el valor de .00, como se verá a continuación:

Al encontrar estor valores vemos que se cruzan en el valor de 0.8413 por lo cual esta es nuestra
probabilidad de que la variable aleatoria tome un valor menor o igual a 1.

Segundo caso: la probabilidad de que z esté entre dos valores dados.

Ejemplo: la probabilidad de que z esté en el intervalo entre -0.50 y 1.25 es decir 𝑃(−0.50 ≤ 𝑧 ≤
1.25). Esta probabilidad corresponde al área bajo la curva entre -0.50 y 1.25 como se puede
observar a continuación:
Para encontrar esta probabilidad lo que haremos es encontrar el área de la curva hacia la izquierda
de z=1.25, también el área hacia la izquierda de z=-0.50 y luego lo que haremos será restarlos es
decir:

𝑃(−0.50 ≤ 𝑧 ≤ 1.25) = 𝑃(𝑧 ≤ 1.25) − 𝑃(𝑧 ≤ −0.5)

Para buscar la probabilidad de 𝑧 ≤ 1.25 primero ubicaremos en la primera columna (donde dice z)
el valor de 1.2, una vez encontrado este lo que haremos es buscar ahora en la primera fila en que
columna se encuentra el valor de .05 y vemos donde se cruzan estos dos valores. Ahora para
encontrar la probabilidad de 𝑧 ≤ −0.5 nos ubicaremos en la tabla de la izquierda y luego buscamos
en la primera columna el valor de -0.5 y luego en la primera fila ver en que columna está el valor de
0.00:

𝑃(𝑧 ≤ 1.25):

𝑃(𝑧 ≤ −0.5):
Entonces se encontró que 𝑃(𝑧 ≤ 1.25)=.8944 y 𝑃(𝑧 ≤ −0.5)=.3085 por lo cual entonces la
probabilidad de que 𝑃(−0.50 ≤ 𝑧 ≤ 1.25) es:

𝑃(−0.50 ≤ 𝑧 ≤ 1.25) = 𝑃(𝑧 ≤ 1.25) − 𝑃(𝑧 ≤ −0.5) = .8944 − .3085 = .5859

La probabilidad de que 𝑃(−0.50 ≤ 𝑧 ≤ 1.25) es de .5859

Tercer caso: la probabilidad de que z sea mayor o igual que un valor dado.

Ejemplo: Calcular la probabilidad de tener un valor de z por lo menos de 1.58 es decir 𝑃(𝑧 ≥ 1.58)

En este caso para el cálculo de la probabilidad lo que haremos es encontrar el valor del área bajo la
curva hacia la izquierda de 1.58 y luego restar este valor a 1 ya que como se mencionó previamente
el área total bajo la curva de la función de densidad es igual a 1 es decir:

𝑃(𝑧 ≥ 1.58) = 1 − 𝑃(𝑧 < 1.58)

Para encontrar el valor del área bajo la curva para z=1.58 primero ubicaremos en la primera
columna (z) el valor de 1.5 y después en la primera fila ubicaremos en que columna se encuentra el
valor de .08 entonces:
Se encontró que 𝑃(𝑧 ≤ 1.58)=.9429 por lo cual entonces la probabilidad de que 𝑃(𝑧 ≥ 1.58) es:

𝑃(𝑧 ≥ 1.58) = 1 − 𝑃(𝑧 ≥ 1.58) = 1 − .9429 = .0571

Entonces la probabilidad de que 𝑃(𝑧 ≥ 1.58) es de .0571

Cálculo de probabilidades en cualquier distribución normal: Todas las distribuciones


normales son calculadas mediante la distribución normal estándar. Entonces cuando tenemos una
distribución normal con una media μ cualquiera y una desviación estándar σ cualquiera, las
preguntas sobre las probabilidades en esta distribución se responden pasando primero a la
distribución normal estándar. A continuación se da la fórmula que se emplea para convertir
cualquier variable aleatoria x con media μ y desviación estándar σ en la variable aleatoria normal
estándar z, es decir en la distribución normal estándar, la ecuación es:
𝑥−𝜇
𝑧=
𝜎
Ejemplo: Suponga que tiene una distribución tal que µ=10 y 𝜎 = 2 ¿Que probabilidad hay que una
variable aleatoria x este entre 10 y 14?:

Lo primero que haremos es convertir el valor de x= 10 y x=14 hacia la variación estándar, entonces:

𝑥 − 𝜇 10 − 10
𝑝𝑎𝑟𝑎 𝑥 = 10 𝑧= = =0
𝜎 2
𝑥 − 𝜇 14 − 10
𝑝𝑎𝑟𝑎 𝑥 = 14 𝑧= = =2
𝜎 2
Entonces una vez que convertimos x a z ya podemos trabajar con la distribución normal estándar.
Es decir ahora debemos encontrar la probabilidad de que una variable aleatoria x este en un
intervalo de 0 a 2. Para resolver este ejercicio trabajamos tal cual como se hizo en el segundo caso
al calcular probabilidad normal estándar. En este caso debemos encontrar 𝑃(0 ≤ 𝑧 ≤ 2) para ello
tenemos que 𝑃(𝑧 ≤ 2) = 0.9772 y 𝑃(𝑧 ≤ 0) = 0.5000 (estos valores de área se encontraron
usando la tabla previamente vista en la probabilidad normal estándar) Entonces la probabilidad está
dada por:

𝑃(0 ≤ 𝑧 ≤ 2) = 𝑃(𝑧 ≤ 2) − 𝑃(𝑧 ≤ 0) = .9772 − .5000 = .4772

Por lo cual la probabilidad de que una variable aleatoria x tome un valor entre 10 y 14 es de 0.4772

Aproximación normal de las probabilidades binomiales

Como bien sabemos los ensayos binomiales constan de un número n de intentos idénticos e
independientes con dos posibles resultados, éxito o fracaso y con la misma probabilidad de éxito p
para cada una.

Como se hace tedioso el evaluar una función de probabilidad binomial cuando el número de
intentos es elevado la distribución normal proporciona una aproximación que consta de las
siguientes condiciones:

𝜇 = 𝑛𝑝

𝜎 = √𝑛𝑝(1 − 𝑝)

Para ilustrar la aproximación normal a la binomial, suponga que una empresa sabe por experiencia
que 10% de sus facturas tienen algún error. Toma una muestra de 100 facturas y desea calcular la
probabilidad de que 12 de estas facturas contengan algún error. Es decir, quiere hallar la
probabilidad binomial de 12 éxitos en 100 ensayos. Aplicando la aproximación normal a este caso
se tiene,

𝜇 = 𝑛𝑝 = (100)(0.1) = 10

𝜎 = √𝑛𝑝(1 − 𝑝) = √(100)(0.1)(0.9) = 3 .
Para aproximar la probabilidad binomial de 12 éxitos se calcula el área correspondiente bajo la curva
normal entre 11.5 y 12.5 estos valores se obtienen debido al llamado factor de corrección por
continuidad que dicta la suma y resta de 0.5 al valor de éxitos ya que al tratar de calcular la
probabilidad en un mismo punto va a arrojar 0.

Convertimos la distribución normal estándar y obtenemos:

𝑥 − 𝜇 12.5 − 10
𝑧= = = 0.83 𝑝𝑎𝑟𝑎 𝑥 = 12.5
𝜎 3

𝑥 − 𝜇 11.5 − 10
𝑧= = = 0.50 𝑝𝑎𝑟𝑎 𝑥 = 11.5
𝜎 3
Con los valores asignados a cada X hacemos revisión de la tabla de probabilidad normal y obtenemos
que el área bajo de la curva que corresponde a 12.5 es 0.7967 y el de 11.5 es 0.6915, procedemos
a tratar esta probabilidad como una tercer caso y obtenemos que el cálculo normal de la
probabilidad de 12 éxitos en 100 intentos es de 0,1050 proviniendo de la resta (0.7967 - 0.6915).

DISTRIBUCION DE PROBABILIDAD EXPONENCIAL

Se aplica a variables como llegada de autos en un lavadero de coches, el tiempo necesario para
llenar un camión, la distancia entre dos averías en una carretera etc.

Se define con la siguiente formula:

EJEMPLO

Como un ejemplo de la distribución exponencial, suponga que x representa el tiempo que se


necesita para cargar un camión en un área de carga, y que este tiempo de carga sigue una
distribución exponencial. Si el tiempo de carga medio o promedio es 15 minutos (μ _ 15), la función
de densidad de probabilidad apropiada para x es:
1 𝑥
𝑓(𝑥) = ( ) ∗ 𝑒 −15
15
CALCULO DE PROBABILIDADES EN LA DISTRIBUCION EXPONENCIAL

Se presenta en cualquier distribución de probabilidad continua, el área bajo la curva corresponde a


un intervalo de la probabilidad de que la variable aleatoria tome un valor en dicho intervalo. En el
ejemplo de la carga del carro el área bajo la curva corresponde al tiempo en que probablemente se
pueda cargar, en el intervalo establecido.

Se utiliza la formula siguiente que aporta la probabilidad acumulada para obtener un valor de la
variable exponencial que sea menor o igual a algún valor especifico denotado por x0.

Así que aplicando la formula en el ejercicio de carga tendremos:

Para 6 minutos:

6
𝑃(𝑥 ≤ 6) = 1 − 𝑒 −15 = 0.3297

Para 18 minutos:

18
𝑃(𝑥 ≤ 18) = 1 − 𝑒 −15 = 0.6988

De manera que la probabilidad de cargarlo en dicho tiempo es la diferencia entre los dos:

𝑃 = 0.6988 − 0.3291 = 0.3691

La distribución exponencial tiene la propiedad de que la media de la distribución y la desviación


estándar de la distribución son iguales. Por tanto, la desviación estándar del tiempo que se necesita
para cargar un camión es σ =15 minutos y la varianza es 𝑎2 = 152 = 225
RELACION ENTRE LA DISTRIBUCION DE POISSON Y LA EXPONENCIAL

Función de probabilidad de poisson:

µ = 𝑉𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 𝑜 𝑛𝑢𝑚𝑒𝑟𝑜 𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑒𝑛𝑐𝑖𝑎𝑠

La distribución de probabilidad exponencial continúa relacionada con la distribución discreta de


poisson. Si la distribución de Poisson da una descripción del número de ocurrencias por intervalo,
la distribución exponencial aporta una descripción de la longitud de los intervalos entre las
ocurrencias.

Aplicándolo al ejemplo de lavado de automóviles teniendo en cuenta una media de 10 autos por
hora tendríamos:
10𝑥 ∗ 𝑒 −10
𝑓(𝑥) =
𝑥!

Ya que el promedio de autos por hora es 10 el promedio entre llegadas es:


1 ℎ𝑜𝑟𝑎 ℎ𝑜𝑟𝑎
= 0.1
10 𝑎𝑢𝑡𝑜𝑠 𝑎𝑢𝑡𝑜

𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 µ = 0.1

Para un x=13
La función de densidad de probabilidad es:
1 𝑥
𝑓(𝑥) = ∗ 𝑒 −0.1 = 10 ∗ 𝑒 −10𝑥
0.1