República Bolivariana de Venezuela

Ministerio del Poder Popular para la Defensa

Universidad Nacional Experimental Politécnica de la Fuerza Armada
(UNEFA)
Núcleo Falcón-Extensión Punto Fijo

Realizado Por:
Fabio Álvarez C.I: 26.436.481
Adrián Colina C.I: 28.177.700
ING. Naval
3ER Semestre
Probabilidad y Estadística
08/11/2020
 Variable aleatoria continua
-Se dice que una variable aleatoria X es continua si su conjunto de posibles
valores es todo un intervalo ya se finito o infinito y de números reales, una
variable aleatoria continua es una función que asigna a cada resultado posible
de un experimento un número real, la función puede asumir cualquier valor en
algún intervalo ya que el intervalo puede ser acotado o desacotado y se llama
una variable aleatoria continua, en el caso que puede asumir solo varios
valores distintos se llama una variable aleatoria discreta, las variables
aleatorias continuas son aquellas que presentan un número incontable de
valores; por ejemplo, el peso de las vacas en una granja , una vaca puede pesar
632,12 kg, otra puede pesar 583,12312 kg, otra 253,12012 kg, otra 198,0876
kg y nunca se terminaría de enumerar todos los posibles valores, en general
las variables aleatorias discretas representan datos que provienen del conteo
del número de elementos, mientras que las variables aleatorias continuas
representan datos que provienen de mediciones, por ejemplo, tiempo, peso,
longitud, etc.
La variable aleatoria continua posee 4 tipos de distribución las cuales pueden
ser:
Distribución Normal: es un concepto perteneciente a la estadística que es la
ciencia que se ocupa del recuento, ordenación y clasificación de los datos
obtenidos por las observaciones, para poder hacer comparaciones y sacar
conclusiones, en otras palabras la distribución normal adapta una variable
aleatoria a una función que depende de la media y la desviación típica , es
decir la función y la variable aleatoria tendrán la misma representación pero
con ligeras diferencias , una variable aleatoria continua puede tomar cualquier
número real por ejemplo, las rentabilidades de las acciones, los resultados de
un examen, el coeficiente de inteligencia IQ y los errores estándar son
variables aleatorias continuas.
-Algunas de las características más representativas de la distribución normal
son las siguientes:
 Media y desviación típica: a la distribución normal le corresponde un
media cero y una desviación típica o estándar de 1, la desviación típica
o estándar indica la separación que existe entre un valor cualquiera de la
muestra y la media.
  Porcentajes: En una distribución normal, se puede determinar con
exactitud qué porcentaje de los valores estará dentro de cualquier rango
específico.
 Tiene una única moda, que coincide con su media y su mediana.

Ejm: Las puntuaciones de un examen por parte de los alumnos de ingeniería naval
se distribuyen normalmente con media 15 puntos. La puntuación A ha sido
superada por un 23% de los alumnos de la carrera. La puntuación B está
situada a 5 puntos diferenciales por debajo de la media. Entre B y la media
se encuentra el 30% de los alumnos de la carrera. Calcular:
a) La desviación típica de las notas de los exámenes.
b) Las puntuaciones directas de A y B.
c) El porcentaje de alumnos de ingeniería naval entre A y B.
a)
La puntuación B=10, deja a su
izquierda un área 0’20. Consultando
las tablas obtenemos un valor z = -
0’84. De aquí:
Z = -0,84 = 10-15= -5 → S = -5 /
(0,85)
S S
=5,95

b)
La puntuación A, deja a su izquierda
un área 0’77 (1-0’23). Consultando las
tablas obtenemos un valor z = 0’74.
De aquí:
Z = 0,74 = A-15 → A = 0,74 * 5,95 + 15 = 20,21
5,95
(El valor B=10 ya se determinó)

c) Observando la figura resulta un área 0,57 (0,30+0,27) es decir, el 57%.

Distribución Beta: Una de las distribuciones de variable contínua más

importantes es la distribución exponencial , se la utiliza como modelo para
representar el tiempo de funcionamiento o de espera y tiene como función
expresar también el tiempo transcurrido entre eventos que se contabilizan por
medio de la distribución de Poisson, mientras que la distribución de Poisson
describe las llegadas por unidad de tiempo, la distribución exponencial estudia
el tiempo entre cada una de estas llegadas ,e l uso de la distribución
exponencial supone que los tiempos de servicio son aleatorios, es decir, que
un tiempo de servicio determinado no depende de otro servicio realizado
anteriormente ni de la posible cola que pueda estar formándose, otra
característica de este tipo de distribución es que no tienen edad o en otras
palabras, memoria , Por ejemplo: Supongamos que el tiempo de atención de
un paciente en una sala quirúrgica sigue una distribución exponencial.
-La distribución exponencial es un caso particular de la distribución gamma y
el equivalente continuo de la distribución geométrica discreta. Esta ley de
distribución describe procesos en los que interesa saber el tiempo hasta que
ocurre determinado evento; en particular, se utiliza para modelar tiempos de
supervivencia, el uso de la distribución exponencial ha sido limitado en
bioestadística, debido a que la propiedad de falta de memoria la hace
demasiado restrictiva para la mayoría de los problemas.
Ejm: El personal de la compañía PDV marina. usa un muelle para realizar sus
pedidos internacionales por vía marítima. Si el tiempo que cada comercial
gasta en una sesión en el muelle tiene una distribución exponencial con media
36 minutos, encontrar:
a) Probabilidad de que un comercial utilice el muelle en 30 minutos o menos.
b) Si un comercial ha estado 30 minutos en el muelle, ¿Cuál es la probabilidad
de que pase al menos una hora más en el muelle?
c) El 90% de las sesiones terminan en menos de R minutos. ¿Cuánto vale R?
SOLUCIÓN:
1/ β =36→ β =1/36 y la función de densidad es f(x)= 1/36 * e-1/36*x x≥ 0
a) P (X ≤ 30) =
∫30 1/36 * e-1/36*x dx =0,565
0

b) P ((X ≥ 30+60) / (X≥ 30)) =P (X ≥ 60) =

∫+∞ 1/36 * e-1/36*x dx = 0,188
60

c) P(X<R)=0,90
∫R 1/36*e-1/36*xdx = 0,90
0

R=82,89
Distribución Gamma: La distribución beta es posible para una variable
aleatoria continua que toma valores en el intervalo 0 - 1, lo que la hace muy
apropiada para modelar proporciones. En la inferencia bayesiana, por ejemplo,
es muy utilizada como distribución a priori cuando las observaciones tienen
una distribución binomial, la distribución beta estándar se utiliza por lo común
para modelar la variación en la proporción o porcentaje de una cantidad que se
presenta en muestras diferentes, tales como la proporción de horas que duerme
un individuo o la proporción de cierto elemento de un compuesto químico.
-Durante muchos años, tanto en el ámbito académico como en el mundo de la
estadística aplicada la distribución beta ha sido tratada con especial rezago en
su definición y aplicación, dicho lo anterior esta entrada intenta dar una visión
sobre la filosofía de la distribución y en especial darle una aplicación empírica
para ver su potencial en el mundo real.
Ejm: Si la proporción de una marca de televisores que requiere servicio
durante el primer año de operación es una variable aleatoria que tiene una
distribución beta con α = 3 y β = 2, ¿Cuál es la probabilidad de que al menos
80% de los nuevos modelos de esta marca que se vendieron este año requieran
servicio durante su primer año de operación?
Solución
F(x) = Г(a+b) xα – 1 (1-b)β-1
Г(α) Г(β)
F(x) = Г(5) x2 (1-x)
Г(3) Г(2)
F(x) = 24 x2 (1 – x)
2
F(x) 12 x2 (1-x)
F(x) = 12 x2 – 12 x3
P(x>0.8) = 1 – P (x< 0.8)
P (x< 0.8) = f (0.8)
F(x) = ʃx (12t2 – 12t3) dt
0

F(0.8)= ʃ 0.8 12 t2 dt - ʃ 0.8 12t3 dt = 12 t3 – 12t4 tiende de 0 / 0.8

0 0
3 4
F (0.8) = 4 (0.8)3 – 3(0.8)4 = 0.8192
P(x> 0.8) = 1 -0.8192 = 0.1808
Distribución Gamma: La distribución gamma se puede caracterizar del modo
siguiente: si se está interesado en la ocurrencia de un evento generado por un
proceso de Poisson de media , la variable que mide el tiempo transcurrido
hasta obtener n ocurrencias del evento sigue una distribución gamma con
parámetros a = n (escala) y p = n (forma). Se denota por Gamma (a, p), por
ejemplo, la distribución gamma aparece cuando se realiza el estudio de la
duración de elementos físicos, esta distribución presenta ciertas ventajas y
desventajas las cuales pueden ser:
Ventajas:
 Es una distribución flexible para modelizar las formas de la asimetría
positiva, de las más concentradas y puntiagudas, a las más dispersas y
achatadas.
 Tiempo o espacio necesarios para observar X sucesos que siguen una
distribución de Poisson.
Desventaja:
Problemas en la complejidad de algunos cálculos, especialmente respecto a
la función Gamma cuando el parámetro α es un valor no entero. También
problemas de cálculo en la estimación de los parámetros muéstrales.
Ambos inconvenientes se pueden abordar satisfactoriamente con
ordenador.
-El primer parámetro (α) situa la máxima intensidad de probabilidad y por
este motivo en algunas fuentes se denomina “la forma” de la distribución:
cuando se toman valores próximos a cero aparece entonces un dibujo muy
similar al de la distribución exponencial. Cuando se toman valores más
grandes de (α) el centro de la distribución se desplaza a la derecha y va
apareciendo la forma de una campana de Gauss con asimetría positiva.
-Es el segundo parámetro (β) el que determina la forma o alcance de esta
asimetría positiva desplazando la densidad de probabilidad en la cola de la
derecha. Para valores elevados de (β) la distribución acumula más densidad
de probabilidad en el extremo derecho de la cola, alargando mucho su
dibujo y dispersando la probabilidad a lo largo del plano. Al dispersar la
probabilidad la altura máxima de densidad de probabilidad se va
reduciendo; de aquí que se le denomine “escala”. Valores más pequeños de
(β) conducen a una figura más simétrica y concentrada, con un pico de
densidad de probabilidad más elevado.
Ejm: