Universidad Catlica Departamento de

del Norte Ingeniera Metalrgica

y Minas

Distribuciones de
Probabilidad:
Discreta y Continua

Integrantes:
Kag-keng Lau

Yerko Muoz

Jorge Vega

Eduardo Villarroel

Felipe Zepeda

Docente: Nathalie Castro

Muoz

Fecha de entrega:
 Contenido
Introduccin.................................................................................................................................. 3
Objetivos....................................................................................................................................... 4
Distribucin hipergeomtrica......................................................................................................... 5
Esperanza y varianza................................................................................................................. 5
Aplicaciones de distribucin hipergeomtrica............................................................................ 6
Ejemplos de distribucin hipergeomtrica................................................................................. 6
Ejemplo 1............................................................................................................................... 6
Ejemplo 2............................................................................................................................... 7
Distribucin de Poisson................................................................................................................ 10
Propiedades Distribucin discreta Poisson............................................................................... 10
Esperanza y varianza............................................................................................................... 10
Aplicaciones de la distribucin discreta Poisson....................................................................... 11
Ejemplos de distribucin Poisson............................................................................................. 11
Ejemplo 1............................................................................................................................. 11
Ejemplo 2............................................................................................................................. 12
Distribucin exponencial............................................................................................................. 13
Esperanza y varianza............................................................................................................... 13
Funcin acumulada de la distribucin exponencial..................................................................13
Aplicaciones de distribucin exponencial................................................................................. 13
Propiedad de la distribucin exponencial................................................................................. 14
Relacin entre la Distribucin Poisson y Exponencial...............................................................14
Grfico de distribucin exponencial......................................................................................... 15
Ejemplos de distribucin exponencial...................................................................................... 16
Ejemplo 1............................................................................................................................. 16
Ejemplo 2:............................................................................................................................ 17
Distribucin uniforme continua.................................................................................................... 19
Esperanza y varianza............................................................................................................... 19
Aplicaciones............................................................................................................................. 19
Grafico Distribucin uniforme contina.................................................................................... 20
Ejemplos de la distribucin uniforme....................................................................................... 20
Ejemplo 1............................................................................................................................. 20
Ejemplo 2............................................................................................................................. 21
Conclusiones............................................................................................................................... 22
Bibliografa
...23
 Introduccin

Estudiaremos el tema de Distribuciones de Probabilidad centrndonos en una

lista especfica de casos.

Su descripcin ser en base a definir su Funcin densidad de Probabilidad,

Esperanza y Varianza.

Procederemos a clasificarlas de acuerdo al tipo de variables aleatorias que

presente, las cuales pueden ser discretas y continuas. Estas pueden ajustarse
a una gran diversidad de problemas y campos de aplicacin.

Modelos de distribucin discretas:

- Distribucin hipergeomtrica
- Distribucin de Poisson

Modelos de distribucin continuas:

- Distribucin exponencial
- Distribucin uniforme

 Objetivos

Diferenciar en las distribuciones de probabilidad, entre discretas y

continuas.

Calcular probabilidades asociadas a las distribuciones de probabilidad.

Mostrar grficamente cuales son las funciones principales que muestran

el rea bajo la curva.

Mostrar la grfica de las funciones de probabilidad continua ms

importantes.
 Distribucin hipergeomtrica

La distribucin hipergeomtrica es un tipo de distribucin discreta. Se dice que

la variable aleatoria X sigue la distribucin Hipergeomtrica x H (n , M , N )

con parmetros n, M, N si cuenta la cantidad de EXITOS encontrados en n sin

reposicin tomados en una poblacin de tamao N donde M de los
elementos son xitos y N-M son fracasos.

Los experimentos que tienen este tipo de distribucin tienen las siguientes
caractersticas:

a) Al realizar un experimento con este tipo de distribucin, se esperan dos

tipos de resultados, xitos o fracasos, bueno o malo, cara o sello.
b) Las probabilidades asociadas a cada uno de los resultados no son
constantes a lo largo de todas las repeticiones.
c) Cada ensayo o repeticiones del experimento no son independiente.
d) El nmero de repeticiones del experimento (n) es constante.

Para una distribucin hipergeomtrica la funcin de densidad es la siguiente:

c Mx cnN M
x
P( x)= N x Rx
cn

Dnde:

+/max ( 0, nN + m) x min ( M , n )
x Z 0 N , M , n Naturales
Rx=

N: tamao de la poblacin, N>0 entero.

M: nmero de xitos en la poblacin, M0 entero

n: nmero de pruebas, n>0 entero.

c Mx = de cuantas formas se puede sacar la cantidad de x xitos de M

xitos que tiene la poblacin.

 N M
c nx = cantidad de fracasos en la muestra de la cantidad de fracasos que
tiene en la poblacin.
N
c n = todas las muestras posibles de seleccionar de n objetos tomadas de

entre N objetos en total (espacio muestral).

Esperanza y varianza
nM
Esperanza =
E ( X )=
N

Nn M M
Varianza =
var ( x )=
N1 ( )
n
N
(1( )
N
)

Aplicaciones de distribucin hipergeomtrica

La distribucin hipergeomtrica suele aparecer en procesos muestrales sin
reemplazo, en los que se investiga la presencia o ausencia de cierta
caracterstica. Pinsese, por ejemplo, en un procedimiento de control de
calidad en una empresa farmacutica, durante el cual se extraen muestras de
las cpsulas fabricadas y se someten a anlisis para determinar su
composicin.

Durante las pruebas, las cpsulas son destruidas y no pueden ser devueltas al
lote del que provienen. En esta situacin, la variable que cuenta el nmero de
cpsulas que no cumplen los criterios de calidad establecidos sigue una
distribucin hipergeomtrica. Por tanto, esta distribucin es la equivalente a la
binomial, pero cuando el muestreo se hace sin reemplazo.

Ejemplos de distribucin hipergeomtrica

Ejemplo 1
De 50 exportaciones a Europa 12 no cumplen con las regulaciones mnimas
establecidas. Si seleccionamos 10 de estas exportaciones aleatoriamente.
Determinar la probabilidad de que:

3 no cumplan las regulaciones mnimas establecidas:

Menos de 4 no cumplan las regulaciones mnimas establecidas

Solucin:

a) 3 no cumplan las regulaciones mnimas establecidas:

N=50 Nmero total de elementos, en este caso son el nmero total de
exportaciones.

n= 10 Numero de exportaciones seleccionadas aleatoriamente.

M=12 No cumple con las regulaciones mnimas establecidas, ser nuestro

xito.

X= 3 Cantidad favorable dentro de los n=10 seleccionados al azar

M N M 12 5012 12 38
c c c c c c
P ( X )= x Nnx P (3 )= 3 50103 P ( 3 )= 3 50 7 P ( 3 )=0,2702
cn c10 c 10

b) Menos de 5 no cumplan las regulaciones mnimas establecidas

N=50 Nmero total de elementos, en este caso son el nmero total de

exportaciones.

n= 10 Numero de exportaciones seleccionadas aleatoriamente.

M=12 No cumple con las regulaciones mnimas establecidas, ser nuestro

xito.

X= 3, 2, 1, 0 Respecto al tem anterior cambian los casos favorables.

P ( X <4 )=P ( X =0 ) + P ( X=1 ) + P ( X =2 )+ P ( X=3 )

c Mx c Nnx c 12 5012
c 12
M 38
0 c 100 0 c 10
P ( X )= P ( 0 )= P ( 0 )= P ( 0 ) = 0,046
c Nn c 50
10 c 50
10

c Mx c Nnx c12 5012

c 12
M 38
1 c101 1 c 9
P ( X )= P (1 ) = P ( 1 ) = P ( 1 )= 0,1904
c Nn c 50
10 c 50
10

c Mx c Nnx c12 5012

c 12
M 38
2 c102 2 c 8
P ( X )= P (2 ) = P ( 2 ) = P ( 2 ) = 0,3142
c Nn c 50 50
10 c 10
 M N M 12 5012 12 38
c x c nx c 3 c 103 c c
P ( X )= N P (3 ) = 50
P ( 3 )= 3 50 7 P ( 3 )=0,2702
cn c10 c 10

P ( X < 4 ) 0,8208

Ejemplo 2

Un equipo de trabajadores formado por 2 artesanos y 4 albailes debe ser

constituido para un proyecto, disponindose de un total de 5 artesanos y 6
albailes. El hermano de uno de los artesanos es un albail. Si el equipo es
elegido al azar, calcular la probabilidad de que:

a) Los dos hermanos sean escogidos.

b) Que ningn de los dos hermanos sea escogido.

a) Los dos hermanos sean escogidos.

Lo que se quiere es qu se escoja el hermano albail por ende ser el xito de

la poblacin.

Se define variables x e y

X: nmero de hermanos albailes escogidos; X=1

N= 6 total de albailes.

n= 4 albailes que se seleccionan.

M=1 xito de que sea escogidos el hermano albail.

M N M 1 61 1 5
c c c c c c 10
P ( X )= x Nnx P (1 ) = 1 6 41 P ( 1 )= 1 6 3 P ( 1 )= 0.6666
cn c4 c4 15

Lo que se quiere es qu se escoja el hermano artesano por ende ser el xito

de la poblacin.

Y: nmero de hermano artesano escogidos; Y=1

N= 5total de artesanos.
n= 2 artesanos que se seleccionan.

M=1 xito de que sea escogidos el hermano artesano.

c My c NnM
y c11c 51
21 c 11c 41 4
P (Y )= N P (1 ) = 5
P ( 1 ) = 5
P ( 1 )= 0.4
cn c2 c2 10

Como en este ejercicio X e Y son independientes por ende si se quiere escoger

a los hermanos ser la interseccin.

P ( X Y )=P ( X )P ( Y )

10
4
15
P ( X Y )=
10

4
P ( X Y )=
15

b) Que ningn hermano sea escogido.

Lo que se quiere es qu NO se escoja el hermano albail.

Se define variables x e y

X: nmero de hermanos albailes escogidos; X=0

N= 6 total de albailes.

n= 4 albailes que se seleccionan.

M=1 xito de que sea escogidos el hermano albail.

c Mx c Nnx c 10c61 c10c 54

M
40 5
P ( X )= P ( 0 )= P ( 0 ) = P ( 0 )= 0.3333
c Nn 6 6
c4 c4 15
Lo que se quiere es qu NO se escoja el hermano artesano.

Y: nmero de hermano artesano escogidos; Y=0

N= 5total de artesanos.

n= 2 artesanos que se seleccionan.

M=1 xito de que sea escogidos el hermano artesano.

M N M 1 51 1 4
c c c c c c 6
P (Y )= y Nn y P ( 0 )= 0 520 P ( 0 )= 0 5 2 P ( 0 ) = 0.6
cn c2 c2 10

X e Y son independientes.

P ( X Y )=P ( X )P ( Y )

5
6
15
P ( X Y )=
10

1
P ( X Y )=
5
 Distribucin de Poisson
Es un proceso de conteo de ocurrencias aleatorias a lo largo del tiempo el cual
sigue las siguientes pautas:

El nmero de ocurrencias observadas en intervalos de tiempos

disjuntos, son va independientes.
El nmero medio de ocurrencias por unidad de tiempo, ,
denominado tasa del proceso, de mantiene constante a lo largo
del tiempo.
La probabilidad de una nica ocurrencia en un intervalo de tiempo
muy pequeo ( t ) , es aproximadamente proporcional a la
longitud del intervalo.
La probabilidad de ms de una ocurrencia en un intervalo de
tiempo muy pequeo ( t ) , es despreciable.

En el instante t=0, no ha habido ocurrencia an.

Propiedades Distribucin discreta Poisson

Propiedad Reproductiva o de Agregacin: Sean X i P (i ) con
i=(1,2, , k ) , es decir k v.a. Poisson independientes,
entonces:

k k
Y = x i P
i=1
( )
i=1
i

Propiedad de Desegregacin: Sea X P( ) . Luego Y = pX

donde 0< p<1 tambin es una v.a. Poisson con promedio igual

a la proporcin del promedio que representa p , es decir:

Y = pX P (p)

La funcin de densidad de probabilidad de la Distribucin discreta de Poisson

es la siguiente:
 () x
e
f ( x , )= , x ( 0,1,2 . ) y (0, )
k!

X= nmero de ocurrencias del evento o fenmeno.

=parmetro positivo que representa el nmero de veces que se espera que

ocurra el fenmeno durante un intervalo dado.

Esperanza y varianza
Esperanza = E ( x )=

Varianza = Var ( x )=

Aplicaciones de la distribucin discreta Poisson

Aqullos sucesos que son impredecibles o de ocurrencia aleatoria.
Esto es, que no se sabe el total de posibles resultados.
Casos en los que la probabilidad de ocurrencia de un suceso
representado por una variable aleatoria, se requiere como un
resultado discreto.
Casos en los que la muestra o segmento es grande y la
probabilidad de xitos es pequea.
Cuando la probabilidad del evento que nos interesa se distribuye
dentro de un segmento dado, como por ejemplo distancia, rea,
volumen o tiempo definido.

Ejemplos de distribucin Poisson

Ejemplo 1.
La cantidad de vasos de cervezas ordenadas durante una hora en la
cantina Juanito puede considerarse como un Proceso Poisson con un
promedio de 30 cervezas pedidas por una hora.

a) Cul es la probabilidad de que se pidan exactamente 60 cervezas entre las

10 y las 12 de la noche?

X =60, =30 x 2

e(60) 6060 4,27962887 E 80

P ( X=60, =60 )= = =0,0514
60 ! 60 !
b) Cul es la probabilidad de que se pida al menos una cerveza entre las 9 y
las 12 de la noche?

=90, X=0

e (90) 900
P ( X 1, =90 )=1P ( X <1, =90 )=1P ( X =0, =90 )=1 =1 8,1940
0!
40
E =1

c) Cuntos vasos de cerveza se esperan que sean pedidos entre las 9 P.M. y la
1 A.M.? Y cul es la desviacin estndar?

=30 x 4=120

E ( x )==120,Var ( x )=120, o= 120=10,9544

Ejemplo 2.
En la inspeccin de hojalata producida por un proceso electroltico
continuo, se identifican 0.2 imperfecciones en promedio por minuto. Determine
las probabilidades de identificar:

a) Una imperfeccin en 3 minutos

x = 1, = 0.2 x 3 =0.6

1 0,6
(0.6) x (2,718) ( 0,6 ) x (0,548845)
P ( x=1, =0,6 )= = =0,329307
1! 1

b) Al menos dos imperfecciones en 5 minutos

x2 , =0,2 X 5=1

P ( x 2, =1 )=1 P ( x=0,1, =1 )=1 [ ( 1 )0 ( 2,718 )1 ( 1 )( 2,718 )1

0!
+
1! ]
1( 0.367918+0.367918)=0.26416
c) Cuando ms una imperfeccin en 15 minutos.

x 1, =0.2 X 15=3

P ( x=0, =3 ) =P ( x=0, =3 ) + P ( x=1, =3 )

( 3 )0 ( 2,718 )3 ( 3 )1 ( 2,718 )3
+
0! 1!

0.0498026+0.149408=0.1992106
 Distribucin exponencial
Es una de las distribuciones continuas ms importantes.

La distribucin exponencial puede modelar el lapso entre dos eventos

consecutivos de Poisson que ocurren de manera independiente y a una
frecuencia constante, es decir una variable aleatoria x sigue la distribucin

exponencial x exp (1/ ) con parmetro que es el tiempo promedio entre

eventos, x es la longitud del intervalo (de tiempo, longitud, rea o volumen)
entre dos ocurrencias sucesivas.

{
x
1
e x 0
f ( x )=
0 C.o.c

Dnde:

: es el tiempo promedio entre eventos. > 0

x: longitud del intervalo (tiempo, longitud, rea o volumen).

Esperanza y varianza
Esperanza = E ( X )=

Varianza = var ( x )= 2

Funcin acumulada de la distribucin exponencial

La funcin acumula de la distribucin se denota de la siguiente forma:

F ( x )=1ex/

Aplicaciones de distribucin exponencial

Esta variable aleatoria es usada para modelar el tiempo de falla de un
producto, tiempo transcurrido hasta la llegada de un cliente a un centro
comercial, longitud de la carretera recorrida hasta que aparece el primer hoyo,
el tiempo que puede transcurrir en un servicio de urgencias, para la llegada de
un paciente, en un proceso de Poisson donde se repite sucesivamente un
experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico
exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos
veces una herida importante

Lo que hace es medir un intervalo entre ocurrencias sucesivas en un proceso

Poisson.
Propiedad de la distribucin exponencial
Propiedad de carencia de memoria: esta propiedad puede establecerse
matemticamente como:

P ( X > x+ x / X > x )=P( X > x)

Para cualesquiera cantidades positivas de x y x . En otras palabras, si X

modela el tiempo entre dos ocurrencias sucesivas, la funcin de densidad del
tiempo que falta hasta que ocurra el evento (llegada o terminacin de servicio,
por ejemplo) siempre es la misma, sin importar cuanto tiempo ( x ) haya
pasado. En efecto, el proceso olvida su historia.

Relacin entre la Distribucin Poisson y Exponencial

Las aplicaciones ms importantes de la distribucin exponencial son aquellas
situaciones en donde se aplica el proceso de Poisson, es necesario recordar
que un proceso de Poisson permite el uso de la distribucin de Poisson.
Recurdese tambin que la distribucin de Poisson se utiliza para calcular la
probabilidad de nmeros especficos de eventos durante un perodo o
espacio particular. En muchas aplicaciones, el perodo o la cantidad de espacio
es la variable aleatoria. Por ejemplo un ingeniero industrial puede interesarse
en el tiempo T entre llegadas en una interseccin congestionada durante la
hora de salida de trabajo en una gran ciudad. Una llegada representa el evento
de Poisson.

La distribucin de Poisson se desarroll como una distribucin de un solo

parmetro , donde puede interpretarse como el nmero promedio de
eventos por unidad de tiempo. Considrese ahora la variable aleatoria
descrita por el tiempo que se requiere para que ocurra el primer evento.
Mediante la distribucin de Poisson, se encuentra que la probabilidad de que no
ocurran en el espacio hasta el tiempo t est dada por:

{
x
et( t )
P ( X ( t ) =x ) =Px( t ) ( x )=f ( x )= ,x Z 0 0,x 0
x!
Por lo tanto, la probabilidad de que en un lapso de tiempo t, no haya

ocurrencias es P ( X ( t ) =0 )=et que es equivalente a la probabilidad obtenida

a partir de la distribucin exponencial para que la primera ocurrencia suceda
despus de un tiempo t.
Grfico de distribucin exponencial
Ejemplos de distribucin exponencial
Ejemplo 1

Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de

falla en aos est dado por la variable aleatoria T, distribuida
exponencialmente con tiempo promedio de falla =5. S 5 de estos
componentes se instalan en diferentes sistemas, cul es la probabilidad de
que al menos 2 continen funcionando despus de 8 aos?

Solucin:

La probabilidad de que un determinado componente est funcionando an

despus de 8 aos es:
T 8
1
P (T >8 ) = e 5 5
dt=e 0,2
5 8

T
T U=
1 5
e
5 8
5
dt=
1
du= dt 5 du=dt
5

[ ] 8
T
1
eU 5 du= e U du= e 5
5 8 8

8
5
e + e 5 =0+0,20189 0,2

Comprobacin por Excel:

Sea x el nmero de componentes funcionando despus de 8 aos. Entonces

mediante la distribucin Binomial,

n=5

P = 0.20 = Probabilidad de que un componente est funcionando despus de 8

aos.
A = 1-P = 0.80 = Probabilidad de que un componente no funcione despus de
8 aos.

P(x 2) = p(x=2) + p(x=3) + p(x=4) +p(x=5) = 1 p(x = 0, 1)

5 0 5 5 1 4
= [1C0 ( 0 , 2 ) ( 0 , 8 ) +C 1 ( 0 ,2 ) ( 0 .8 ) ]

= 1 0, 7373 = 0, 2627

Ejemplo 2:
La duracin de una lmpara est distribuida en forma exponencial con una
media de 300 horas. Calcule la probabilidad de que la lmpara:

a) Dure ms de 100 horas

b) Dure ms de 500, sabiendo que duro ms de 400 horas.
c) Qu se pude concluir sobre los resultados de a y b?

Solucin:

a) Dure ms de 100 horas:

Llamaremos X a la va asociada a la duracin de la Lmpara y sabiendo que la

va X est distribuida de forma exponencial:

{
x
1
e x 0
f ( x )=
0 C.o.c

Nos dan como dato la media que es de 300 horas:

E ( X )=300 horas

E ( X )= =300

Con lo cual:
x
1
P ( X >100 )= f ( x )= e dx
100 100

x 100
1 300
e dx =e 300 0,71653131 horas
100 300

Si decidiramos usar las funciones de Excel:

Donde la Celda D1 representa:

P ( X <100 ) = 0,28346869

Y para efectos de lo solicitado por el problema:

Donde la celda E1 representa:

1P ( X <100 ) =P ( X >100 ) = 0,71653131

b) Dure ms de 500, sabiendo que duro ms de 400 horas.

Bajo las mismas condiciones:

( X> 500 )

P ( X >400 )
X> 500
P ( P ( X >400 ) )
=
P ( X > 400 )
P

x
1

e dx
500
x
1

e
dx
400
 500
300
e
400
0,71653131
300
e

c) Qu se pude concluir sobre los resultados de a y b?

Se puede concluir que ambas probabilidades tienen el mismo valor numrico y

esto se debe a que la distribucin exponencial no tiene memoria ya que puedo
pretender saber el valor de probabilidad de que la duracin de la lmpara
cumpla tal o cual duracin a partir de ese mismo momento, sin tomar en
cuenta a partir de qu momento comencemos a medir.
 Distribucin uniforme continua
X es una v.a. uniforme continua o rectangular con parmetros a y b X (a , b)

si cada valor real dentro del intervalo [a ,b ] tiene la misma densidad de

probabilidad.
El parmetro a representa el minimo valor que puede tomar la variable

aleatoria, y b representa el mximo.

La funcin de densidad de probabilidad de la Distribucin uniforme continua es

la siguiente:

1
f x ( x )= , a x b , ( a , b ) R , a< b , mientras que es 0 en cualquier otro caso.
ba

x=podr tomar valores entre [a ,b ] , los que podremos graficar

Esta densidad forma un rectngulo con base B A y altura 1/(B A) por

lo que a menudo esta distribucin recibe el nombre de distribucin rectangular.

Tambin vamos a definir su funcin de distribucin acumulada, ya que nos

servir para resolver algunos ejercicios sin tener la necesidad de graficar.

xa
F x ( x )= , a x <b
ba

Esperanza y varianza
a+b
Esperanza =
E ( x )=
2

2
(ba)
Varianza = Var ( x )=
12
Aplicaciones
Se la utiliza mucho en problemas de simulacin estadsticas. Con frecuencia, la
distribucin uniforme se utiliza para modelar eventos aleatorios cuando cada
instancia o resultado potencial tiene la misma probabilidad de ocurrencia.
Grafico Distribucin uniforme contina

Ejemplos de la distribucin uniforme

Ejemplo 1
Sea la v.a. x la corriente media en miliamperios, en un conductor
delgado de cobre. Si x se encuentra distribuida uniformemente en el intervalo
[0,20] . Cul es la corriente esperada?

a) Cul es la probabilidad de que una medicin de corriente sea menor que 10

[mA ] ?

a=0 y b=20

100
P ( x <10 ) =F x ( 10 ) = =0,5
200

b) y que se encentre entre 5 y 10 [mA ] ?

a=0 y b=20
 50
P (5< x<10 )=F x ( 10 )F x ( 5 ) =0,5 =0,25
200

c) cul es la corriente esperada?

a=0 y b=20

0+20
E ( x )= =10[mA ]
2

Ejemplo 2
Un grupo de estudiantes de la carrera de informtica desarrollan un
programa en el laboratorio de computacin, donde ingresan desde las 7:00 am
hasta las 12:00pm. Calcular:

a) La funcin de densidad de probabilidad

a=7 y b=12

1
f x ( x )= =0,2
127

b) El valor esperado

a=7 y b=12

7+ 12
E ( x )= =9,5
2

c) La varianza

a=7 y b=12

2
( 127)
Var ( x )= =2,08
12

d) Cul es la probabilidad que el software se termine entre las 9:30 y las

11:15?

a=7 y b=12
Se debe convertir los 30 minutos y 15 minutos a datos enteros o reales.

30 15
=0,5 y =0,25
60 60

11,257 9,57
P ( 9,5 x 11,25 )=F x ( 11,25 )F x ( 9,5 )= =0,850,5=0,35
127 127
 Conclusiones
Como podemos observar las distribuciones continuas pueden tomar cualquier
valor y no nicamente un nmero determinado como ocurre en las
distribuciones discretas. Tambin decimos que una variable es continua cuando
uno de los infinitos valores posibles tendr probabilidad cero y solo se podr
hablar de pr????

Distintas distribuciones modelan distintos fenmenos, el saber identificarlos es

clave para una correcta aplicacin de estos a los distintos quehaceres
profesionales.
 Bibliografa

http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribuciones%20discretas.pdf

http://halweb.uc3m.es/esp/Personal/personas/icascos/esp/resumen_distribuciones.pdf

http://help.arcgis.com/es/arcgisdesktop/10.0/help/index.html#//0017000000t5000000

https://www.youtube.com/watch?v=6mf8auuW128

http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm

http://www.itchihuahua.edu.mx/academic/industrial/sabaticorita/_private/03Distribucion
%20Exponencial.htm

http://www.slideshare.net/monicamantillahidalgo/distribucion-exponencial

http://distribucionuniformeiuty3305.blogspot.com/

http://www.slideshare.net/monicamantillahidalgo/distribucion-uniforme-continua1

Probabilidad y estadstica, autor Alejandro D. Zylberberg