MODELOS PROBABILISTICOS
CONTINUOS
Diferencia entre Poisson y
Exponencial
La distribución de probabilidad de Poisson relaciona
probabilidades con numero de acontecimientos de
algún evento, dentro de intervalos especificados de
tiempo o espacios.
Ejemplo: “En 5 minutos, ¿Cuántos coches pasan por el
semáforo?
La distribución exponencial, por el contrario,
relaciona probabilidades con los diversos espacios,
entre los eventos de Poisson.
Ejemplo: “¿Cuál es la probabilidad de que pase un
coche cada 5 minutos por ese semáforo?”
MODELO EXPONENCIAL
MODELO EXPONENCIAL
MODELO EXPONENCIAL
DISTRIBUCION EXPONENCIAL
Es el estudio de la distribución del tiempo entre un
suceso y el siguiente.
PROPIEDADES DELMODELO
EXPONENCIAL
FUNCIÓN DE PROBABILIDAD DE LA
VARIABLE EXPONENCIAL
DISTRIBUCION ACUMULADA
EXPONENCIAL
Función de distribución de Y es:
MODELO EXPONENCIAL
MODELO EXPONENCIAL
MODELO EXPONENCIAL
Ejemplo 01:
El tiempo de funcionamiento de una bombilla se
distribuye como exponencial con una media de 10
días.
a) ¿Cual es la probabilidad de que una bombilla
funciona mas de 10 días?
MODELO EXPONENCIAL
MODELO EXPONENCIAL
El tiempo que transcurre entre la ocurrencia de un
temblor y el siguiente temblor tiene una media de 6
meses.
Suponiendo una distribución exponencial para los
tiempos de interocurrencia, Calcule la probabilidad de
que:
a) No ocurra ningún temblor en los siguientes 6
meses.
b) Ocurran k temblores en el siguiente año.
DISTRIBUCION UNIFORME
Supongamos que una variable X puede tomar valores
al azar en un rango (a,b). En este caso, se dice que X
tiene una distribución uniforme entre a y b.
En este caso, la probabilidad de que X caiga en
cualquier zona es la misma, y entonces la función de
densidad es constante
FUNCIÓN DE PROBABILIDAD DE LA
VARIABLE UNIFORME
Se dice que una variable aleatoria X posee una distribución
uniforme en el intervalo [a,b], si la función de densidad es
la siguiente
1
𝑓 𝑥 = ቐ𝑏 − 𝑎 𝑎<𝑥<𝑏
0 𝑜𝑡𝑟𝑜 𝑐𝑎𝑠𝑜
FUNCIÓN DE DISTRIBUCIÓN ACUMULADA UNIFORME
MODELO UNIFORME
MODELO UNIFORME
Ejemplo
Juego con una rueda de fortuna como la ilustración
gano
pierdo
¿Cuál es la probabilidad de que gane?
DISTRIBUCION NORMAL
Es el modelo continuo mas utilizado en inferencia
estadística, dado que muchos fenómenos socio
demográfico y de otra índole tienen un
comportamiento acampanado y por ende cumplen la
teoría de la distribución normal
DISTRIBUCION NORMAL
Sea X una variable aleatoria continua con media 𝜇 y
varianza 𝜎 2 entonces la función de densidad es:
1 𝑥−𝜇 2
1 − ( )
𝑓 𝑥 = 𝑒 2 𝜎 , −∞ < 𝑥 < +∞
𝜎 2𝜋
Se denota por 𝑋 ~ 𝑁 𝜇, 𝜎 2
DISTRIBUCION NORMAL
Caracteristicas:
1. La curva f(x) es una distribución unimodal.
2. La forma de la curva f(x) es simétrica.
3. Su media cae en el centro de la curva, lo cual nos lleva a
la conclusión de que su mediana y su moda están en el
mismo punto.
4. Además sus extremos se extienden indefinidamente y
son muy estrechos.
5. La curva f(x) tiene puntos de inflexión 𝑥 = 𝜇 − 𝜎 y 𝑥 =
𝜇+𝜎.
DISTRIBUCION NORMAL
Efectos de media y desviación estándar
Ejemplos:
Distribución normal con diferentes medias pero con
la misma desviación estándar
𝜇 = 52 𝜎 = 12 y 𝜇 = 76 𝜎 = 12
Distribución normal con diferentes deviación
estándar pero con la misma media
𝜇 = 52 𝜎 = 6 y 𝜇 = 52 𝜎 = 12
DISTRIBUCION NORMAL ESTANDAR
Sea Z una variable aleatoria continua con distribución
normal media cero 𝜇 = 0 y varianza uno 𝜎 2 = 1 se llama
distribución normal estándar.
1 1 2
− (𝑍)
𝑓 𝑥 = 𝑒 2
2𝜋
Se denota por 𝑍 ~ 𝑁 0,1
DISTRIBUCION NORMAL
ESTANDAR
TEOREMA:
Si X es una variable aleatoria con distribución normal con media
𝑥−𝜇
𝜇 y varianza 𝜎 2 , entonces 𝑍 = es una variable aleatoria
𝜎
normal con media cero (𝜇 = 0) y varianza uno (𝜎 = 1) .
La variable aleatoria Z es llamada variable normal estándar .
X: valor de la variable aleatoria
𝜇 : media de la distribución de la variable aleatoria.
𝜎: desviación estándar de la distribución
z: numero de la desviación estándar que hay desde x a la media
de la distribución
DISTRIBUCION NORMAL
ESTANDAR
Ejemplos:
1. 𝑃 𝑧 > 1,84 = 1 − P z ≤ 1,84 = 1 − 0,9671 = 0,0329
1. 𝑃 −1,97 < 𝑧 < 0,86 = 𝑃 𝑧 < 0,86 − 𝑃 𝑧 < −1,97 =
0,8051 − 0,0244
2. 𝑃 𝑧 > 𝑧0 = 0,7486
1 − 𝑃 𝑧 ≤ 𝑧0 = 0,7486
1 − 0,7486 = 𝑃 𝑧 ≤ 𝑧0
𝑃 𝑧 ≤ 𝑧0 = 0,2514 𝑧0 = −0,67
DISTRIBUCION NORMAL
ESTANDAR
Ejemplo:
En una empresa las edades de los trabajadores se distribuye
normalmente con media 50 años y desviación estándar es de 5
años.
a) ¿Qué porcentaje de los trabajadores tiene entre 50 y 52,5
años?
b) ¿Cuál es la probabilidad que un trabajador cualquiera no sea
mayor de 45 años?
c) ¿Cuál es la probabilidad que un trabajador tenga entre 41 y
58 años?
d) El 20 % de los trabajadores están bajo cierta edad ¿Cuál es
esa edad?
DISTRIBUCION NORMAL
ESTANDAR
Observación:
Si se requiere de mayor precisión , se puede usar el proceso de
aproximación por interpolación lineal
Si: 𝒛𝟎 ≤ 𝒛 ≤ 𝒛𝟏
𝑷 𝒁 = 𝒛 − 𝑷 𝒁 = 𝒛𝟎 𝒛− 𝒛𝟎
=
𝑷 𝒁 = 𝒛𝟏 − 𝑷 𝒁 = 𝒛𝟎 𝒛𝟏 − 𝒛𝟎
DISTRIBUCION NORMAL
ESTANDAR
Ejemplo:
Supongamos que queremos la probabilidad de 𝑃(𝑍 = 1,676)
Sabemos que: 1,67 ≤ 1,676 ≤ 1.68
Sus respectivas probabilidades son:
𝑃 𝑧 = 1,67 ≤ 𝑃 𝑧 = 1,676 ≤ 𝑃 𝑧 = 1,68
Sus áreas respectivas : 0,9525 ≤ 𝑃 𝑧 = 1,676 ≤ 0,9535
Luego: 𝑃 𝑧 = 1,676 − 0,9525 𝟏,𝟔𝟕𝟔−𝟏.𝟔𝟕
=
0,9535 − 0,9525 𝟏,𝟔𝟖−𝟏,𝟔𝟕
𝑃 𝑍 = 1,676 = 0,9531
DISTRIBUCION NORMAL
ESTANDAR
Ejercicios:
Calcular las respectivas probabilidades y valores de z
a) 𝑃 −𝑧 ≤ 𝑍 ≤ 𝑧 = 0.9000
b) 𝑃 −𝑧 ≤ 𝑍 ≤ 𝑧 = 0,9900
c) 𝑃 𝑍 ≤ 𝑧 = 0,2236
PROPIEDAD REPRODUCTIVA DE
LA NORMAL
Si 𝑋1 , 𝑋2 , … , 𝑋𝑘 , son 𝑘 variables aleatorias independientes, tales
que 𝑋𝑖 ~ 𝑁 𝜇𝑖 , 𝜎𝑖2 para cada 𝑖 = 1,2, … , 𝑘, entonces, la variable
aleatoria
X = 𝑐1 𝑋1 + 𝑐2 𝑋2 + ⋯ + 𝑐𝑘 𝑋𝑘
(donde 𝑐1 , 𝑐2 ,…, 𝑐𝑘 son constantes reales)
esta distribuida normalmente con:
media 𝜇 = 𝑐1 𝜇1 + 𝑐2 𝜇2 + ⋯ + 𝑐𝑘 𝜇𝑘
y con varianza 𝜎 2 = 𝑐1 2 𝜎12 + 𝑐2 2 𝜎22 + ⋯ + 𝑐𝑘 2 𝜎𝑘2
PROPIEDAD REPRODUCTIVA DE
LA NORMAL
En particular, si las variables aleatorias 𝑋 y 𝑌 tienen las
distribuciones normales respectivas:
𝑋~ 𝑁 𝜇1 , 𝜎12 y Y~ 𝑁 𝜇2 , 𝜎22
entonces
𝑋 + 𝑌 ~ 𝑁 𝜇1 + 𝜇2 , 𝜎12 + 𝜎22
𝑋 − 𝑌 ~ 𝑁 𝜇1 − 𝜇2 , 𝜎12 + 𝜎22
PROPIEDAD REPRODUCTIVA DE
LA NORMAL
Ejemplo:
Una gasolinera vende tres grados de gasolina; regular,
extra y super. Estas se venden a $21.20, $21.35 y $ 21.50
por galón, respectivamente. Sean 𝑋1 , 𝑋2 y 𝑋3 las
cantidades(galones) de estas gasolinas compradas en un
día particular. Suponga que las 𝑋𝑖 son independientes
con 𝜇1 = 1000, 𝜇2 = 500, 𝜇3 = 300, 𝜎1 = 100, 𝜎2 = 80, y
𝜎3 = 50.
Calcular la probabilidad de que el ingreso sea más de
$4500 en un día.
PROPIEDAD REPRODUCTIVA DE
LA NORMAL
Solución:
𝜇1 = 1000, 𝜇2 = 500, 𝜇3 = 300,
𝜎1 = 100, 𝜎2 = 80, y 𝜎3 = 50.
𝐸 𝑌 = 21.2𝜇1 + 21.35𝜇2 + 21.5𝜇3 = $4125
𝑉 𝑌 = (21.2)2 𝜎12 + (21.35)2 𝜎22 + (21.5)2 𝜎32
𝑉 𝑌 = 104025
PROPIEDAD REPRODUCTIVA DE
LA NORMAL
El ingreso total por la venta de los tres grados de
gasolina en un día particular fue
Y = 21,2𝑋1 + 21,35𝑋2 + 21,5𝑋3
y sea 𝜇𝑌 = 4125 y 𝜎𝑌 = 322,53
La probabilidad es
4500 − 4125
𝑃 𝑌 > 4500 =𝑃 𝑍>
322,53
𝑃 𝑍 > 1,16 = 1 − φ 1,16 = 0,1230
FUNCION GAMMA
La función gamma denotada por 𝜞 , se define por:
𝚪 𝒙 = න 𝒙𝜶−𝟏 𝒆−𝒙 𝒅𝒙
𝟎
Donde 𝛼 es un número real positivo.
FUNCION GAMMA
Propiedades:
❖𝛼 > 1, entonces, Γ 𝛼 = (𝛼 − 1)Γ 𝛼 − 1
∞
❖Γ 1 = 0 𝑒 −𝑥 𝑑𝑥 = 1
1 ∞
❖Γ = 0 𝑥 −1Τ2 𝑒 −𝑥 𝑑𝑥 = 𝜋
2
❖Si 𝛼 es igual a un numero entero: 𝑛 ≥ 1, entonces,
Γ 𝑛 = n−1 !
DISTRIBUCION GAMMA
TEOREMA:
Sea X es una variable aleatoria continua, se dice que X tiene
distribución gamma, con parámetros 𝛼, 𝛽 y se representa por
𝑋~Γ(𝛼, 𝛽) si su función densidad es:
𝜷𝜶 𝜶−𝟏 −𝜷𝒙
𝒙 𝒆 , 𝒔𝒊 𝒙 ≥ 𝟎
𝒇 𝒙 = ൞𝜞(𝜶)
𝟎, 𝒔𝒊 𝒙 < 𝟎
Donde 𝛼, 𝛽 son constantes positivas.
DISTRIBUCION GAMMA
TEOREMA:
Si X es una variable aleatoria continua con distribución
gamma entonces:
𝛼 𝛼
La media 𝜇 = y varianza 𝜎 2 =
𝛽 𝛽2
Demostración: ejercicio
DISTRIBUCION Chi-cuadrado
TEOREMA:
Sea X es una variable aleatoria continua, se dice que X tiene
distribución Chi-cuadrado con r grados de libertad, y se
representa por 𝑋~𝜒 2 𝑟 , si su función densidad es:
2−𝑟Τ2 𝑟Τ2−1 −𝑥Τ2
𝑓 𝑥 = ൞Γ(𝑟Τ2) 𝑥 𝑒 , 𝑠𝑖 𝑥 ≥ 0
0, 𝑠𝑖 𝑥 < 0
Donde 𝑟 es un número entero positivo.
DISTRIBUCION Chi-cuadrado
PROPIEDADES:
❖Si Z~𝑁 0, 1 , entonces, Z~𝜒 2 1 ,
❖Si 𝑍1 , 𝑍2 ,…, 𝑍𝑟 , son r variables aleatorias independientes
tales que 𝑍𝑖 ~𝑁 0, 1 , para cada 𝑖 = 1,2,3, … , 𝑟, entonces,
𝑟
𝑍𝑖2 ~𝜒 2 𝑟
𝑖=1
Con frecuencias, 𝜒 2 𝑟 , se define como la suma de los cuadrados
de r variables aleatoria independientes cada una con 𝑁 0, 1 .
❖Cumple la propiedad reproductiva para variables aleatorias
independientes
DISTRIBUCION Chi-cuadrado
Observación:
Si se observa, la distribución es un caso particular de la
distribución Gamma, cuando 𝛼 = 𝑟Τ2 y 𝛽 = 1Τ2, entonces
𝑋~𝜒 2 𝑟 es lo mismo decir 𝑋~Γ 𝑟Τ2 , 1Τ2
Luego su media 𝜇 = 𝑟 y varianza 𝜎 2 = 2𝑟
Demostración: ejercicio
Distribución t de Student
Sea X es una variable aleatoria continua, se dice que X tiene
distribución 𝒕 − 𝒔𝒕𝒖𝒅𝒆𝒏𝒕 con r grados de libertad, y se
representa por 𝑋~𝑡 𝑟 , si su función densidad es:
−(𝑟+1)Τ2
Γ[(𝑟+1)Τ2] 𝑡2
𝑓 𝑥 = 1 + −∞ < 𝑡 < ∞,
Γ(𝑟Τ2) 𝑟(𝜋) 𝑟
Donde 𝑟 es un entero positivo.
Distribución t de Student
PROPIEDADES
❖Si X tiene distribución 𝒕 − 𝒔𝒕𝒖𝒅𝒆𝒏𝒕 con 𝒓 grados de libertad,
entonces su media y su varianza son respectivamente
𝑟
𝜇 = 0 y 𝜎2 = , 𝑟 > 2.
𝑟−2
❖Su grafica tiene forma de campana de Gauss, simétrica en
cero.
❖La varianza de la distribución 𝒕 es mayor que de la distribución
𝑁(0, 1). Pero cuando 𝑟 → +∞, la varianza de la t tiende a 1.
❖La distribución 𝒕 se aproxima a una distribución
𝑁(0, 1), cuando 𝒓 → +∞. La aproximación es buena, si r ≥ 30
