DISTRIBUCIONES CONTINUAS DE

PROBABILIDAD
UNIVERSIDAD DE IBAGUE
FACULTAD DE CIENCIAS NATURALES,MATEMATICAS
Y ESTADISTICA
PROGRAMAS DE INGENIERIAS
DOCENTE: CARLOS VALDES JIMENEZ
I-mail: carlos.valdesJ@unibague.edu.co
WhatsApp: 3005558466
©Todos los derechos son reservados2015
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

CONTENIDOS:
1. Definición de distribución de probabilidad continua.
2. Características de una distribución continua de probabilidad.
3. Distribución acumulada de probabilidad continua.
4. Valor esperado o media de un distribución de probabilidad continua.
5. Varianza de una distribución continua de probabilidad continua.
6. Distribución normal
7. Distribución Gamma.
8. Distribución exponencial.
9. Distribución Beta
10.Distribución Weibull
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
DEFINICION:
  La función es un función de densidad de probabilidad para la variable aleatoria
continua X, definida en el conjunto de los números reales, si:
1.
2.
3.
CARACTERISTICAS:
1.Es generada por una variable continua (x).
2. x Es una variable que puede tomar tanto valores enteros como fraccionarios.
3. x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,
4. 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 función de densidad de probabilidad deberá tomar solo valores
mayores o iguales a cero. La función de densidad de probabilidad sólo puede estar definida en los
cuadrantes I y II.
5.  La sumatoria de las probabilidades asociadas a cada uno de los valores que toma x debe ser igual
a 1. El área definida bajo la función de densidad de probabilidad deberá ser de 1.
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
 
EJEMPLO: Para la siguiente función,
cuando 0
a. Diga si esta función nos define una distribución de probabilidad.
b. Determine la probabilidad de que 1 x  2.

SOLUCION:
a. Para verificar que la función nos define una distribución de probabilidad, es necesario
que cumpla con las características que se habían mencionado.
1. x  sí es una variable continua porque puede tomar cualquier valor entre 0 y 3
2. f(x) 0, lo que se comprueba si damos diferentes valores a x para ver que valores toma
f(x), dándonos cuenta de que efectivamente f(x) solo toma valores mayores o iguales a
cero.
x 0 0,5 1,0 1,4 2,1 2,7 3,0
0,0 0,0277 0,1111 0,2177 0,49 0,81 1,00
8 8
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
 
3.Para comprobar que la sumatoria de las probabilidades que toma cada valor de x es 1.Se
integra la función de 0 a 3 como se muestra a continuación.
2 1
 3
1 2 1 x 1 3 3 1
A 

f ( x )dx   x dx  (
0
9 9 2 1
) 
27
(3  0 ) 
27
( 27  0 )  1

b. Vamos a determinar el valor de probabilidad de

3 3 3
2 2
1 2 1 x 1 2 0 1 8 8
p( 1  x  2 )   f ( x )dx   x dx  ( )  (  )  ( )   0.2963
1 1 9 9 3 9 3 3 9 3 27
Con las operaciones anteriores nos damos cuenta que para evaluar probabilidades para
variables de tipo continuo, es necesario evaluar la función de densidad de probabilidad en
el rango de valores que se desea; que vendría siendo el área que se encuentra entre f(x) y
el eje de las x y entre el rango de valores definidos por la variable x.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
LA  DISTRIBUCION ACUMULADA : F(X) de una variable aleatoria continua X con
una función de densidad es :
, como consecuencia de esta definición se puede escribir
y por tanto. , si la derivada existe.
F(x)
1,0
0,8
0,6
0,4
0,2

-1 0 1 2 X
Distribución continua acumulada.
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
  la función de densidad del ejemplo anterior encuentre F(x) y utilice para evaluar
Para

SOLUCION: para
= por lo tanto.

La distribución acumulada de F(x) es:

Lo cual esta de acuerdo con el resultado obtenido en la función de densidad.

MEDIA PARA UNA DISTRIBUCION DE PROBABILIDAD CONTINUA: Sea una variable aleatoria
con distribución de probabilidad ,la media o valor esperado de la variable aleatoria g(x) esta
dado por : (g( X)) =
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Vamos a calcular la media o valor esperado para el ejemplo anterior.

  𝛼 3 2 3 3 4 3
𝑥 𝑥 1 𝑥 1 81
𝜇 =∫ 𝑥 . 𝑓 ( 𝑥 ) 𝑑𝑥=¿∫ 𝑥 .
𝑋
−𝛼 0 9 ()
𝑑𝑥=∫ 𝑑𝑥=
9 9 4
0 36 []
= ( 3 −0 )= =2.25 ¿
36 0
4 4

LA VARIANZA DE LA DISTRIBUCION DE PROBABILIDAD CONTINUA:

Vamos a calcular la varianza para el ejemplo.

  𝛼
2 2
𝜎 (𝑋) = ∫ ( 𝑥 − 𝜇 ( 𝑋 ) ) . 𝑓 ( 𝑥 ) . 𝑑𝑥
−𝛼
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

3 3 3
 

𝛼 3 2 3 2 3 3 3 5 4 3
2 2 2 2
( 𝑋) ( 𝑋)
−𝛼 0 0
() () [ ] [] [] []
𝑥 𝑥 1 1 𝑥 4.5 𝑥 5.0625 𝑥 1 4.5 5.0625 243 364.5 136. 875
4 3 2 55 44 33
𝜎 =∫(𝑥−𝜇 ) .𝑓(𝑥).𝑑𝑥=∫(𝑥−2. 5) . .𝑑𝑥=∫(𝑥 −4.5𝑥+5.0625) .𝑑𝑥=¿ ∫𝑥 .𝑑𝑥−4.5∫𝑥 .𝑑𝑥+5.0625∫𝑥 .𝑑𝑥 = − + =¿ [(3) −(0) ]− [(3) −(0) ]+ [(3) −(0)]= − + =¿5.4−10.125+ .0625=0.375
9 9 9 0 0 0 9 5 0 9 4 0 9 3 0 45 36 27 45 36 27
La desviación estándar de la distribución de probabilidad es:

 ( X )   (2X )  0.375  0.6123

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
EJERCICIOS PROPÚESTOS:
1.Suponga que el error en la temperatura de reacción, en oC, para un experimento controlado
de laboratorio es una variable aleatoria continua x, que tiene la función de densidad de
𝑥2
 probabilidad:
𝑓 ( 𝑥 )= , 𝑝𝑎𝑟𝑎 − 1 < 𝑥 <2 y        𝑓 ( 𝑥 )= 0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
3
a. Verifique la tercera condición de la definición de una distribución de probabilidad continua.
b. Encuentre la probabilidad de que 0 x  1.
c. Determine la media, la varianza y la desviación estándar de la distribución de probabilidad.
2. Sea x la variable aleatoria que representa la vida en horas de un cierto dispositivo
electrónico. La función de densidad de probabilidad es:
  ( ) 20.000
𝑓 𝑥 = 3
, 𝑝𝑎𝑟𝑎 𝑥> 100 y      𝑓 ( 𝑥 )= 0 𝑒𝑛 𝑐𝑢𝑎𝑙𝑞𝑢𝑖𝑒𝑟 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
𝑥

d. Verifique la tercera condición de la definición de una distribución de probabilidad continua.

e. Encuentre la probabilidad de que x > 100.
f. Determine la media, la varianza y la desviación estándar de la distribución de probabilidad.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   DISTRIBUCION GAMMA:
Es una distribución adecuada para modelar el comportamiento de variables
aleatorias continuas con simetría positiva.
PARÁMETROS:
 forma de la distribución
  forma o alcance de la simetría
VENTAJA:
Es flexible para modelar las formas de la simetría positiva.
Desventaja:
Problemas en la complejidad de algunos cálculos, especialmente respecto a la
función Gamma cuando el valor  no es entero
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   DISTRIBUCION GAMMA:
DEFINICION : Una variable aleatoria continua X tiene distribución GAMMA si su densidad
de probabilidad esta dada por

son los parámetros

para este modelo.
Grafico de la función Gamma para
Algunos valores
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
  
Si es un entero positivo entonces :

DEMOSTRACION:
para integrar por partes

Se obtiene
Sucesivamente obtenemos
….. pero por integración directa

MEDIA Y VARIANZA DE LA DISTRIBUCION GAMMA

,
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
 
DEMOSTRACION PARA

Con la definición de la función Gamma.

EJEMPLO:
El tiempo en horas que semanalmente requiere una máquina para
mantenimiento es una variable aleatoria con distribución gamma con
parámetros = 3, = 2
a) Encuentre la probabilidad que en alguna semana el tiempo de
mantenimiento sea mayor a 8 Horas
b) Si el costo de mantenimiento en dólares es C = 30X + 2X2,
siendo X el tiempo de mantenimiento, encuentre el costo promedio de
mantenimiento 
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   SOLUCION:
Sea X duración del mantenimiento en horas (variable aleatoria) su densidad de probabilidad es.
=
a. P( X>8) es el área resaltada en el grafico.
 
P 𝛼=3
  , 𝛽=2

Para integrar se puede aplicar dos veces la técnica de

integración por partes:
−𝑥 −𝑥 −𝑥
  2
∫ 𝑒
𝑥 2
𝑑𝑥 =− 2 𝑥2 𝑒 2
+4 ∫ 𝑥 𝑒 2
𝑑𝑥
2
𝑢= 𝑥 ⇒ 𝑑𝑢 =2 𝑥𝑑𝑥  𝑝 ( 𝑥> 8 )
−𝑥 −𝑥
2 2
𝑑𝑣=𝑒 𝑑𝑥 ⇒ 𝑣=− 2 𝑒
¿
¿
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
𝑥 𝑥 𝑥
     −
2
−
2
−
2
∫𝑥𝑒 𝑑𝑥=− 2 𝑥 𝑒 + 2∫ 𝑒 𝑑𝑥
𝑢 = 𝑥 ⇒ 𝑑𝑢= 𝑑𝑥
𝑥 𝑥
− −
Sustituyendo los resultados intermedios. 𝑑𝑣 =𝑒 2
𝑑𝑥 ⇒ 𝑣 =− 2 𝑒 2

8
 
[ )) ] =0.2
−𝑥 𝑥 𝑥
𝑝 ( 𝑥> 8 ) =1 −
1
16
2
−2 𝑥 𝑒 2
+4 − 2 𝑥 𝑒
−
2
( −
+2 − 2 𝑥 𝑒 2 ( 0

b. =
E   ∞ ∞ 𝑥 ∞ 𝑥
1 2 1 4 − −
2 2
𝐸 ( 𝑥 ) = ∫ 𝑥 𝑓 ( 𝑥 ) 𝑑𝑥=∫ 𝑥
−∞ 0 16
2
( )
𝑥 𝑒 𝑑𝑥= ∫ 𝑥 𝑒 𝑑𝑥
16 0
2 2

sustituya para usar la función Gamma

∞ ∞
 
1 4 −𝑦 4 −𝑦
¿ ∫ ( 2 𝑦 ) 𝑒 ( 2𝑑𝑦 ) =2∫ 𝑦 𝑒 𝑑𝑦=2 𝛤 ( 5 ) =2 ( 4 ! )=48
16 0 0

 𝐸 ( 𝐶 )=30 ( 6 ) +2 ( 48 )=276
Finamente se obtiene.
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
EJERCICIOS
   PROPUESTOS DE LA DISTRIBUCION GAMMA:
1. En cierta ciudad el consumo diario de energía eléctrica, en millones de kilovatio por hora, de
parámetros y 8 . La planta de energía de ésta ciudad tiene una capacidad diaria de 14 millones de
KW/hora.
¿Cuál es la probabilidad de que este abastecimiento sea:
a. Insuficiente en un día cualquiera.
b. Se consuman entre 4 y 7 millones de Kw/h?
c. Encuentre E(x) y V(x)

2. En una ciudad cualquiera el consumo diario de agua(en millones de litros) sigue aproximadamente
una distribución gamma con y . Si la capacidad diaria para esta ciudad es de 9 millones de litros de
agua ¿Cuál es la probabilidad que un determinado día.
a. El suministro de agua sea inadecuado.
b. El consumo de agua este entre 8 y 12 millones de litros de agua.
c. Encuentre la media y la varianza para el consumo diario de agua.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
DISTRIBUCION
  EXPENENCIAL:
Es un caso particular de la distribución gamma y tiene aplicaciones de interés
práctico. Se obtiene con = 1 en la distribución Gamma
DEFINICIÓN:
Una variable aleatoria continua X tiene distribución exponencial su densidad de
probabilidad está dada por.

es el parámetro para este modelo

MEDIA Y VARIANZA DE LA DISTRIBUCION EXPONENCIAL
=
Se obtiene directamente de la distribución Gamma con
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
 EJEMPLO:
 
Un sistema usa un componente cuya duración en años es una variable aleatoria con distribución
exponencial con media de 4 años. Si se instalan 3 de estos componentes y trabajan independientemente,
determine la probabilidad que al cabo de 6 años, dos de ellos sigan funcionando.
SOLUCION:
Sea Y : variable aleatoria continua (duración de un componente en años)

Su densidad de probabilidad es

La probabilidad que un componente siga funcionando al cabo de 6 años:

Sea X: variable aleatoria discreta (cantidad de componentes que siguen funcionando luego de 6 años)
X tiene distribución binomial con n = 3, p = 0.2231

11,6%
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   UNA APLICACION DE LA DISTRIBUCION EXPONENCIAL:

La distribución exponencial tiene aplicaciones importantes. Por ejemplo, puede demostrarse que si
una variable aleatoria tiene distribución de Poisson con parámetro , entonces, el tiempo de
espera entre dos ‘éxitos’ consecutivos es una variable aleatoria con distribución exponencial y
parámetro
DEFINICION: Es el equivalente continuo de la distribución geométrica discreta.
Describe procesos en los que interesa saber el tiempo hasta que ocurre un determinado evento.
Se puede caracterizar como una distribución del tiempo entre sucesos consecutivos generados por
un proceso de Poisson.
PARÁMETROS:  Tasa de ocurrencia del evento por unidad de tiempo , >0
La función de densidad es:
con
El valor esperado es:
y la varianza es:

 
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
 EJEMPLO:
La llegada de los camiones a una bodega tiene distribución de Poisson con
media de 4 por hora. Calcule la probabilidad que el tiempo transcurrido entre
la llegada de dos camiones consecutivos sea menor a 10 minutos.
b. Hallar la media y la varianza para el tiempo transcurrido en la llegada de camiones.
SOLUCION:
Sea X el tiempo transcurrido entre dos llegadas consecutivas (horas)
Es una variable aleatoria continua con distribución exponencial con parámetro
=4
,X>0

b. El valor esperado es:

y la varianza es: =
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   PROBLEMAS PROPUESTOS:
1.El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial
con una media de 4 minutos. ¿Cual es la probabilidad de que una persona
sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6
días siguientes?.
2.El periodo de vida en años de un interruptor eléctrico tiene una
distribución exponencial con una razón de falla de . Si 100 de estos
interruptores se instalan en diferentes sistemas. ¿Cual es la probabilidad de
que al menos 30 fallen en el primer año.?
3. Los clientes de un supermercado llegan en promedio de 1 por minuto.
Halle la probabilidad de que transcurran:
a. Por lo menos 3 después de la llegada del último cliente y el próximo.
b. A lo más 2 minutos.
DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   DISTRIBUCIÓN WEIBULL :
DEFINICION: Es una distribución de probabilidad continua. Es denominada de tal
forma gracias a el físico Suizo Waloddi Weibull quien la usó para describir la
distribución de los tamaños de determinadas partículas.
Es útil por su habilidad para simular un amplio rango de distribuciones como lo son
la normal, exponencial, etc.
PARÁMETROS:
Parámetro de forma
Parámetro de escala
Se dice que X es una variable aleatoria con distribución Weibull si:

Adicionalmente:
con
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   DISTRIBUCION WEIBULL
Este modelo se utiliza en estudios de confiabilidad de ciertos tipos de sistemas.
DEFINICION:
Una variable aleatoria continua X tiene distribución de Weibull si su densidad de
probabilidad está dada por
𝛽
  𝛽 −1 − 𝛼 𝑥
𝛼𝛽 𝑥 𝑒 , 𝑥 >0
{
𝑓 ( 𝑥 )=
0 , 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜 𝑥

> 0, > 0 son los parámetros para este modelo

Si =1 este modelo se reduce al modelo
de distribución exponencial
Si > 1 el modelo tiene forma de acampanada
con sesgo positivo.
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   MEDIA Y VARIANZA DE LA DISTRIBUCIÓN DE WEIBULL
Si X es una variable aleatoria continua con distribución de Weibull, entonces

Demostración de la media.
Con la definición

Mediante la sustitución

Se obtiene comparando con la función Gamma.

 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   EJEMPLO:
Suponga que la vida útil en horas de un componente electrónico tiene distribución de Weibull
con =0.1, = 0.5
a) Calcule la vida útil promedio
b) Calcule la probabilidad que dure mas de 300 horas
SOLUCION:
Sea X: vida útil en horas (variable aleatoria continua)su densidad de probabilidad:

a. 200 horas
b.
Mediante la sustitución se obtiene.

 
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   PROBLEMAS PROPUESTOS:
1. Si se supone que la vida útil de cierto elemento es una variable aleatoria que tiene
distribución Weibull con y . Calcular:
a. La probabilidad de que el elemento dure más de 300 horas.
b. La variación de la vida útil.
c. La vida media útil de ese artículo.
2.Suponga que la vida útil, en años, de una batería para un IPhone que tiene una
distribución Weibull con y
a. ¿Cuánto tiempo se espera que dure una batería?.
b. ¿Cuál es la probabilidad de que una batería siga funcionando después de 2 años?.
3.La duración de un cierto sello para automóvil tiene la distribución Weibull con una taza de
falla . Encuentre la probabilidad de que tal sello siga en uso después de 4 años
b. La vida media útil de ese sello.
c. La variación de la vida útil del sello.
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   DISTRIBUCION BETA

Este modelo tiene actualmente aplicaciones importantes por la variedad de formas diferentes que
puede tomar su función de densidad para diferentes valores de sus parámetros. El dominio es el
intervalo [0,1], pero mediante alguna sustitución, otros intervalos finitos pueden llevarse a [0,1]
 DEFINICION:
Una variable aleatoria continua X,
tiene distribución beta si su densidad
de probabilidad está dada por
 
𝛤 ( 𝛼 + 𝛽 ) 𝛼 −1

{
𝛽 −1
𝑥 ( 1− 𝑥 ) , 0< 𝑥 <1
𝑓 ( 𝑥 )= 𝛤 ( 𝛼 ) 𝛤 ( 𝛽 )
0 , 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜 𝑥

>0, 0 son los parámetros de este modelo

 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   MEDIA Y VARIANZA DE LA DISTRIBUCION BETA
El valor esperado o media de la distribución es:

y la varianza corresponde a:

Un caso especial de la distribución beta con =1 y =1 es la distribución uniforme en el intervalo

La demostración de se fundamenta en la definición de la FUNCIÓN BETA cuyo análisis se
encuentra en los libros de cálculo. Con la definición de valor esperado y la sustitución
respectiva, se encuentra 
EJEMPLO:
Un distribuidor de gasolina llena los tanques del depósito cada lunes. Se ha observado que la
cantidad que vende cada semana se puede modelar con la distribución beta con =4, =2
a) Encuentre el valor esperado de la venta semanal
b) Encuentre la probabilidad que en alguna semana venda al menos 90%
 
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   SOLUCION:
Sea X: proporción de combustible que vende semanalmente
(variable aleatoria continua con valor entre 0 y 1)
Su densidad de probabilidad es

a.
(vende en promedio 2 /3 del tanque cada semana)
b. 0,082= 8,2%
 DISTRIBUCIONES CONTINUAS DE PROBABILIDAD
   PROBLEMAS PROPUESTOS:
1.Una comunidad de vecinos dispone de un depósito que contiene una cantidad fija de
combustible para la calefacción central y que es rellenado cada mes. La experiencia
acumulada durante muchos meses permite representar la proporción de reserva utilizada
cada mes mediante un modelo de distribución Beta con parámetros y . Calcule la
probabilidad de que un mes determinado se utilice más del 75% de la reserva de
combustible.

2.La variable aleatoria continua X tiene la distribución Beta con parámetros y

Si la proporción de televisores de una marca que requiere servicio durante el primer año
de operación es una variable aleatoria que tiene distribución Beta con y ¿Cuál es la
probabilidad de que al menos el 80% de los nuevos modelos que se venden este año
requieran servicio durante su primer año de operación
 BIBLIOGRAFIA RECOMENDADA
PROBABILIDAD Y ESTADISTICA PARA INGENIERIA Y CIENCIA, WALPOLE –
MYERS-YE. editorial PRENTICE HALL, edición 8°, año 2007.
PROBABILIDAD Y ESTADISTICA PARA INGENIERIAS, CANAVOS. editorial MAC
GRAW HELL, edición 3° año 1997.
PROBABILIDAD Y ESTADISTICA PARA INGENIEROS,
DOUGLAS C MONTGOMERY. editorial JOHN WILEY & SONS, edición 3°,año 2002
ESTADISTICA MATEMATICA,WILLIAM MENDENHALL-RICHARD L SCHEAFFER,
editorial THOMSON. edición 6°, año 2002
ESTADISTICA PARA LA ADMINISTRACION,LINCOLN CHAO, editorial MAC GRAW
HELL, edición 4° ,año 1996.
ESTADISTICA Y MUESTREO, CIRO MARTINEZ BERCARDINO, editorial ECO,
EDICION 8°, AÑO 2009.