DISTRIBUCIN CONTINUAS

4.1 DEFINICIN DE VARIABLE ALEATORIA CONTUNUA.

Si los datos representan mediciones de una variable aleatoria continua y si su cantidad de datos
es muy grande, podemos reducir la anchura de los intervalos de clase hasta que la distribucin se
vea como una curva continua. Una funcin de densidad de probabilidad, es un modelo terico para
esta distribucin.
Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria continua y entonces la
funcin de densidad f(y) para y es.
df y
f y
dy
La funcin de densidad para una variable aleatoria continua y que modela alguna poblacin de
datos de la vida real, por lo regular es una curva continua.
Entonces, el rea acumulativa bajo la curva entre -y un punto y0 es igual a f(y0).
-+La funcin de la densidad para una variable aleatoria continua siempre debe satisfacer las tres
propiedades que se indican en siguiente.
Propiedad
f y 0
1.2.-

f y dy f 1

P a y b f y dy
b

3.-

, donde a y b son constantes.

4.2 FUNCIN DE DENSIDAD Y ACUMULATIVA.

Si los datos representan mediciones de una variable aleatoria continua y si la cantidad de datos es
muy grande, podemos reducir la anchura de los intervalos de una clase hasta que la distribucin se
vea como una curva continua. Una funcin de densidad de probabilidad es un modelo terico para
esta distribucin.1
Si f(y) es la funcin de distribucin acumulativa para una variable aleatoria continua y, entonces la
funcin de densidad f(y) para y es.
dF ( y )
f ( y)
dy
La funcin de densidad para una variable aleatoria contina y que modela alguna poblacin de datos
de la vida real, por lo regular es una curva.

4.3 VALOR ESPERADO, VARIANZA Y DESVIACIN ESTNDAR.

La media y la varianza de una variable aleatoria continua se define de la manera similar al caso
de la variable aleatoria discreta. En las definiciones la integracin remplaza a la sumatoria. 2
Supngale que X es una variable aleatoria continua con funcin de densidad de probabilidad fx (x),1 MENDENHALL William, Probabilidad y Estadstica para ingeniera y ciencia, Pg. 206
2 MONTGOMERY, Douglas C. Op. Cit. Pg.168

<x<.
La media de x, denotada por E (x) o x es
E( X ) X

xf

( x) dx

La varianza de X, denotada por V(X) o 2x, es

V ( X ) 2 x ( x x) 2 f ( x) dx

As mismo la desviacin estndar de X es

x v(x)

4.4 DISTRIBUCIN UNIFORME CONTINUA.3

La distribucin continua ms sencilla es anloga a su contraparte discreta, una variable aleatoria
continua X con funcin de probabilidad.
1
f x
, a X b
b a
Tiene una distribucin uniforme continua.

Funcin de densidad de probabilidad de una variable aleatoria uniforme continua.

La media de la variable aleatoria uniforme continua X es:
b
b
x
0 .5 x 2
ab
E x
dx

a ba
ba a
2
La varianza de X es
3
( a b) 2
( a b)
(
x

)
(
x

)b
b
(b a ) 2
2
2
v( x)
dx

a
ba
3(b a ) a
12
Estos datos pueden resumirse de la siguiente manera.
La media y la varianza aleatoria uniforme contina X sobre a x b estn dadas por:
(b a ) 2
( a b)
2 x v( x )
x E ( X )
12
2
y

3 Ibd. Pg.170

4.5 DISTRIBUCIN EXPONENCIAL.4

La familia de las distribuciones exponenciales proporciona modelos de probabilidad que son
ampliamente utilizados en ingeniera y ciencias.
e x
f ( x; )
x0
0
Se dice que X tiene una distribucin exponencial si la pdf de X es
de otra
manera donde >0
La pdf exponencial es un caso especial, de gamma general, en la que =1 y ha sido sustituida
por 1/, [algunos autores emplean la forma (1/)e-x/]. La media y la varianza de X entonces son:
1
1

2 2 2

Tanto la media como la desviacin estndar de la distribucin exponencial son iguales a 1/. Las
grficas de las variables pdf exponenciales aparecen en la figura siguiente.
La diferencia de pdf gamma general, la pdf exponencial se pueden
integrar fcilmente. En
particular, la pdf de X

4.6 DISTRIBUCIN GAMMA (ERLANG)5

Distribucin Gamma (a,p) La distribucin gamma se puede caracterizar del modo siguiente: si se
est interesado en la ocurrencia de un evento generado por un proceso de Poisson de media
lambda, la variable que mide el tiempo transcurrido hasta obtener n ocurrencias del evento sigue una
distribucin gamma con parmetros a= nlambda (escala) y p=n (forma). Se denota Gamma(a,p).
Por ejemplo, la distribucin gamma aparece cuando se realiza el estudio de la duracin de
elementos fsicos (tiempo de vida). 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). Campo de variacin: 0 < x < Parmetros: a: parmetro de escala, a > 0 p:
parmetro de forma, p > 0.
Aumenta la distribucin ya que se puede utilizar para resolver muchos problemas en ingeniera y en
la ciencia, hay aun numerosas situaciones que requieren diferentes tipos de funciones de densidad.
Dos de estas funciones de densidad, las distribuciones gamma y exponencial, se estudian en esta
seccin.
Resulta que la distribucin exponencial es una cosa especial de la distribucin gamma. Ambas
encuentran un gran nmero de aplicaciones .Las distribuciones exponencial y gamma juegan un
papel importante en teora de colas y problemas de confiabilidad. Los tiempos entre llegadas en
instalaciones de servicio, y tiempo de falla de partes componentes y sistemas elctricos, a menudo
quedan bien moldeadas mediante la distribucin exponencial. La realidad entre la gamma y la
exponencial permite que la gamma se involucre en tiempos de problemas similares.
La distribucin gamma, deriva su nombre de la bien conocida funcin gamma, que se estudia en
muchas reas de las matemticas. Antes de que procedemos con la distribucin gamma, revisemos
esta funcin y algunas de sus propiedades importantes.
La funcin gamma se define como:

4 DEVORE, Jay L., Probabilidad y Estadstica para Ingeniera y Ciencia. Pg.171

5 MONTGOMERY, Douglas . Pg.155

Al integrar la formula u= xa1 y du=ex dx

obtenemos

Para a>1 , que produce la formula recursiva

La aplicacin repetida de la frmula de recursividad da

Y as sucesivamente. Ntese que cuando a=n , donde n

es un entero positivo

Sin embargo por la definicin

Y de aqu

Una propiedad importante de la fusin gamma, se deja al lector para su verificacin.

Inclinaremos ahora la fusin gamma en nuestra difusin de la distribucin gamma.
La variable aleatoria continua x tiene una distribucin gamma, con parmetros a y B
de densidad est dada por

, si su fusin

En la figura 6.28 se muestran graficas de varias distribuciones en gamma para ciertos valores
especficos de los parmetros a y B .La distribucin gamma especial para la que a=1 se llama
distribucin exponencial.

La variable aleatoria continua x tiene una distribucin exponencial, con parmetro B, si su funcin de
densidad est dada por

El siguiente teorema y corolario dan la media y la varianza de las distribuciones gamma y

exponencial.
La media y la varianza de la distribucin gamma son

Para encontrar la media de la distribucin gamma escribimos

Ahora bien,

y=x / B , que da

Para encontrar la varianza de la distribucin gamma, procedemos como antes para obtener

Y entonces

La media y la varianza de la distribocion especial son

4.7 DISTRIBUCIN NORMAL

La distribucin normal es la ms importante en probabilidad y estadstica. Muchas poblaciones
numricas tienen distribuciones que se pueden ajustar con mucha aproximacin mediante una curva
normal apropiada. Como ejemplos pueden citarse la estatura, peso y otras caractersticas fsicas (el
famoso artculo 1903 de Biomtrica analiz muchos de este tipo), errores de medicin en
experimentos cientficos, mediciones antropomtricas efectuadas en fsiles, tiempo de reaccin en
experimentos psicolgicos, mediciones de inteligencia y aptitud, calificaciones de diversas pruebas y
numerosas medidas e indicadores econmicos. Aun cuando la distribucin fundamental sea discreta,
la curva normal proporciona con frecuencia una aproximacin excelente. A dems cuando las
variables individuales no estn normalmente distribuidas, en condiciones apropiadas las sumas y
promedios de las variables tendrn aproximadamente una distribucin normal. 6
La distribucin normal aparece en el estudio de muchos fenmenos fsicos bsicos. Por ejemplo, el
fsico James Maxwell desarrollo la distribucin normal a partir de hiptesis muy sencillas con
respecto a las velocidades de las molculas.7
Una variable aleatoria X con funcin de densidad de probabilidad
fx( x, , )

1
2

( x )2

2 2

Tiene una distribucin normal con parmetros , donde -<<, y >0.

As mismo E(x)= y v(x)=2
La deduccin de la media y la varianza de una variable aleatoria normal que aparece al final de esta
seccin. Los valores de y determinar la forma de la funcin de densidad de probabilidad. La
funcin de densidad de densidad de probabilidad es una curva simtrica con forma de campana. El
valor de determina el centro de la funcin de densidad de probabilidad, mientras que el de la
determina la dispersin. Es evidente que fx(x,,) es no negativa.
Es una distribucin continua que tiene por propiedades.
1.- Es simtrica.
2.- Se extiende en ambos sentidos del eje x.
3.- Es asinttica.

4. 7.1 APROXIMACIN DE LA BINOMIAL A NORMAL

Considere la variable aleatoria binomial y con par5ametros n y p. recuerde que y tiene una media de
=np y una varianza de =npq.
Hemos demostrado que el nmero de los xitos en n pruebas que se pierden considerar como una
suma de n valores de 0 y 1, donde cada 0 y 1 representa e3l resultado de una prueba en particular,
es decir

Entonces, segn el teorema del lmite central para las sumas, la distribucin y la probabilidad
binomial p (y) deber acercarse a la notabilidad conforme n aumente la aproximacin normal de una
distribucin de probabilidad binomial es razonablemente aceptable incluso para nuestros pequeos,
digamos, n=10 cuando p = .5 y la distribucin de y es, por tanto simtrica alrededor de su medio =
6 Ibd. Pg.155
7 MONTGOMERY, Douglas C. Op. Cit. Pg.175

np cuando p de acerca a 0 la dispersin de la probabilidad binomial tiende a sesgarse hacia la

derecha o a la izquierda pero esta simetra desaparecer conforma aumente n . En general la
aproximacin ser buena cuando n sea lo bastante grande como para que tanto -2=np+2npq
queden entre 0 y n. Sea y una distribucin de probabilidad binomial con n = 10 y p = .5.

4.8 TEOREMA DE CHBYSHEV

Para demostrar cmo o 2 son indicadores de la dispersin de la distribucin de una variable
aleatoria, probaremos ahora el teorema siguiente, conocido como teorema de Chbyshev. Este
teorema ofrece una especie de garanta mnima acerca de la probabilidad de una variable aleatoria a
suma un valor dentro de k desviaciones estancar alrededor de la media. Aunque la garanta no
siempre es muy precisa, la ventaja de este teorema es su generalidad por cuanto es aplicable a
cualquier variable aleatoria con cualquier distribucin de probabilidad, ya sea discreta o continua.
Teorema de Chbyshev si y son, respectivamente, la media y la desviacin estndar de
la variable aleatoria X, entonces para una constante positiva k cualquiera la probabilidad es cuando
menos 1-1/k2 de que X tomara un valor contenido en k desviaciones estndar de la media; en la
1
p ( X k ) 1 2
k
8
forma simblica que se tiene.

8 MONTGOMERY, Douglas C. Op. Cit. Pg.101