UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE CIENCIAS MATEMATICAS Y

FISICAS

CARRERA: SOFTWARE

DOCENTE: ING. ALONSO ANGUIZACA JOSE LUIS

CURSO: ESTADÍSTICA II 4 – 5

Tarea # 4: Investigación sobre Distribuciones de

probabilidades de variables continuas

INTEGRANTES:
- Brayan Fabian Morales Soledispa

- José Luis Sellan Alvarado

- Leonardo Israel Sellan Fajardo
- Jazmín Elena Velasco Macías
- Kevin Michael Tamayo Flores
Índice
Distribuciones de probabilidades de variables continuas .................................................... 4
Distribución uniforme o rectangular (a, b) .................................................................... 4
Ejercicio 1: ......................................................................................................................... 5
Ejercicio 2: ......................................................................................................................... 5
Distribución normal (, ) .................................................................................................. 5
Ejercicio 1: ......................................................................................................................... 6
Ejercicio 2: ......................................................................................................................... 7
Normal bivariante: ................................................................................................................ 7
Ejercicio 1: ......................................................................................................................... 7
Ejercicio 2: ......................................................................................................................... 8
Distribución lognormal (, ) ............................................................................................ 8
Ejercicio 1: ......................................................................................................................... 9
Ejercicio 2 ......................................................................................................................... 10
Distribución logística (a, b).............................................................................................. 10
Ejercicio 1: ....................................................................................................................... 11
Distribución beta (p,q) ...................................................................................................... 11
Ejercicio 1: ....................................................................................................................... 12
Ejercicio 2: ........................................................................................................................... 12
Distribución gamma (a,p) ................................................................................................. 13
Ejercicio 1: ....................................................................................................................... 14
Ejercicio 2: ....................................................................................................................... 14
Distribución exponencial () ........................................................................................... 14
Ejercicio 1: ....................................................................................................................... 15
Ejercicio 2: ....................................................................................................................... 16
Distribución ji-cuadrado (n)............................................................................................. 16
Ejercicio 1: ....................................................................................................................... 17
Ejercicio 2: ....................................................................................................................... 17
Distribución t de Student (n) ........................................................................................... 18
Ejercicio 1: ....................................................................................................................... 19
Ejercicio 2: ....................................................................................................................... 20
Distribución F de Snedecor (n,m) .................................................................................. 20
Ejercicio 1: ....................................................................................................................... 21
Ejercicio 2: ....................................................................................................................... 21
Distribución Cauchy (, ) ............................................................................................... 22
Ejercicio 1: ....................................................................................................................... 23
Ejercicio 2: ....................................................................................................................... 23
Distribución Weibull (a, b)................................................................................................ 24
Ejercicio 1: ....................................................................................................................... 25
Ejercicio 2: ....................................................................................................................... 25
Distribución Laplace (a, b) ............................................................................................... 25
Ejercicio 1: ....................................................................................................................... 26
Distribución Pareto (, x0) ............................................................................................... 27
Ejercicio 1: ....................................................................................................................... 28
Distribución triangular (a, c, b) ....................................................................................... 28
Ejercicio 1: ....................................................................................................................... 29
Conclusiones: ..................................................................................................................... 30
Distribuciones de probabilidades de variables continuas
Las distribuciones continuas son:
- Uniforme o rectangular - T de Student
- Normal - F de Snedecor
- Lognormal - Cauchy
- Logística - Weibull
- Beta - Laplace
- Gamma - Pareto
- Exponencial - Triangular
- Ji- cuadrado

Distribución uniforme o rectangular (a, b)

La distribución uniforme es útil para describir una variable aleatoria con
probabilidad constante sobre el intervalo (a, b) en el que está definida y se
denota por U (a, b). También es conocida con el nombre de distribución
rectangular por el aspecto de su función de densidad.
Una peculiaridad importante de esta distribución es que la probabilidad de
un suceso depende exclusivamente de la amplitud del intervalo considerado
y no de su posición en el campo de variación de la variable.
Cualquiera que sea la distribución F de cierta variable X, la variable
transformada Y = F(X) sigue una distribución uniforme en el intervalo (0, 1).
Esta propiedad es fundamental por ser la base para la generación de
números aleatorios de cualquier distribución en las técnicas de simulación, y
recibe el nombre de método de inversión.
Función de densidad
1
𝑓(𝑥) = ,𝑎 < 𝑥 < 𝑏
𝑏−𝑎
Valores característicos
𝑎+𝑏
Media = Mediana 2

Moda: intervalo (a, b)

(𝑏−𝑎)2
Varianza: 12

Asimetría: 0
Curtosis: -6/5
 Ejercicio 1:
El espesor del borde de un componente de una aeronave está distribuido de
manera uniforme entre 0.95 y 1.05 milímetros. Obtenga la función de
distribución acumulada del espesor del borde. Calcule la proporción de
bordes cuyo espesor es mayor que 1.02 milímetros. ¿Qué espesor está
excedido por el 90% de los bordes? Calcule la meda y la varianza del
espesor del borde.
1 𝑃(𝑋 > 1.02) = 1 − 0.7 = 0.3
𝑓(𝑥) =
𝑏−𝑎
𝑓(𝑥) = 10
1
𝑓(𝑥) = 𝑎+𝑏
1.05 − 0.95 𝐸(𝑥) =
2
𝑓(𝑥) = 10
0,95 + 1.05
𝑥 𝐸(𝑋) = =1
𝐹(𝑥) = ∫ 𝑓(𝑢) 𝑑𝑢 2
−∞ (𝑏 − 𝑎)2 (1.05 − 0.95)2
𝑥 𝑉(𝑋) = =
𝑥 12 12
𝐹(𝑥) = ∫ 10𝑑𝑢 = 10𝑢|
0.95
0.95 0.01
𝑉(𝑋) =
𝐹(𝑥) = 10𝑥 − 10(0.95) 12
𝐹(𝑥) = 10𝑥 − 9.5
𝐹(𝑥) = 10𝑥 − 9,5
𝑃(𝑋 ≤ 𝑥) = 0.1 = 𝐹(𝑥)
0,95 ≤ 𝑥 ≤ 1,05
0.1 = 10x – 9.5
𝐹(1.02) = 10(1.02) − 9.5
10 x = 0.1 + 9.5 = 9.6
𝐹(1.02) = 0.7 x = 0.96
Ejercicio 2:
Suponga que X tiene una distribución uniforme continua en el intervalo
[1.5,5.5]. Calcule la media, la varianza y la desviación estándar de X. ¿Cuál
es el valor de P(X<2.5)?
𝑎+𝑏 1
𝐸(𝑋) = 𝑓(𝑥) = = 0.25
2 𝑏−𝑎
1.5 + 5.5 2.5
𝐸(𝑋) = = 3.5 2.5
∫ 0.25𝑑𝑥 = 0.25𝑥|
2 1.5 1.5
(𝑏 − 𝑎) 2
(5.5 − 1.5) 2
𝑉(𝑋) = = = 0.25(2.5) − 0.25(1.5)
12 12
= 0.25(2.5 − 1.5)
16
𝑉(𝑋) = = 1.3333
12 𝑃(𝑋 < 2.5) = 0.25

𝜎 = √1.3333 = 1.1547
Distribución normal (, )
La distribución normal es, sin duda, la distribución de probabilidad más
importante del Cálculo de probabilidades y de la Estadística. Fue
descubierta, como aproximación de la distribución binomial, por Abraham
De Moivre (1667-1754) y publicada en 1733 en su libro The Doctrine of
Chances; estos resultados fueron ampliados por Pierre-Simon Laplace
(1749- 1827), quién también realizó aportaciones importantes. En 1809,
Carl Friedrich Gauss (1777- 1855) publicó un libro sobre el movimiento de
los cuerpos celestes donde asumía errores normales, por este motivo esta
distribución también es conocida como distribución Gaussiana. La
importancia de la distribución normal queda totalmente consolidada por ser
la distribución límite de numerosas variables aleatorias, discretas y
continuas, como se demuestra a través de los teoremas centrales del límite.
Las consecuencias de estos teoremas implican la casi universal presencia
de la distribución normal en todos los campos de las ciencias empíricas:
biología, medicina, psicología, física, economía, etc. En particular, muchas
medidas de datos continuos en medicina y en biología (talla, presión
arterial, etc.) se aproximan a la distribución normal. Junto a lo anterior, no
es menos importante el interés que supone la simplicidad de sus
características y de que de ella derivan, entre otras, tres distribuciones (ji-
cuadrado, t de Student y F de Snedecor) que se mencionarán más
adelante, de importancia clave en el campo de la contrastación de hipótesis
estadísticas. La distribución normal queda totalmente definida mediante dos
parámetros: la media () y la desviación estándar o desviación típica (). Su
función de densidad es simétrica respecto a la media y la desviación
estándar nos indica el mayor o menor grado de apertura de la curva que,
por su aspecto, se suele llamar campana de Gauss. Esta distribución se
denota por N(,). Cuando la distribución normal tiene como parámetros  =
0 y  = 1 recibe el nombre de distribución normal estándar. Cualquier
variable X que siga una distribución normal de parámetros  y  se puede
transformar en otra variable Y= (X-)/ que sigue una distribución normal
estándar; este proceso se denomina estandarización, tipificación o
normalización.
Función de densidad:
1 1 𝑥−𝜇 2
𝑓(𝑥) = exp [− ( ) ] , −∞ < 𝑥 < ∞
𝜎√2𝜋 2 𝜎
Valores característicos
Media = Mediana = Moda: 𝜇
Varianza: 𝜎 2
Asimetría: 0
Curtosis: 0
Con 𝜇 = 0 𝑦 𝜎 = 1 se tiene la distribución normal estándar, N(0, 1).
Ejercicio 1:
Dada una variable aleatoria continua Z, con distribución normal estándar, es
decir, N (0,1), encuentre las siguientes probabilidades usando la tabla:
a) 𝑃 = (0 ≤ 𝑍 ≤ 1,25) 𝐴3 = 0,3944 = 𝐴2
Z = 1,25 = 1,2 + 0.05 𝐴1 + 𝐴2 = 0,5
A = 0,3944 𝐴1 = 0,5 − 𝐴2
b) 𝑃(𝑍 ≥ 1,25) 𝐴1 = 0,5 − 0,3944
𝐴3 + 𝐴4 = 0,5 𝐴1 = 0,1056
𝐴4 = 0,5 − 𝐴3 d) 𝑃(0 ≤ 𝑍 ≤ 1,33)
𝐴4 = 0,5 − 0,3944 Z=1,33 = 1,3 + 0,03
𝐴4 = 0,1056 A=0,4082
c) 𝑃(𝑍 ≤ −1,25)

Ejercicio 2:
El peso de cierto modelo de baterías sigue una distribución normal con
una media de 6g y una desviación estándar de 2g. Determine el
porcentaje de baterías cuyo peso es mayor a 8g.
𝑥−𝑢 0,3413 + 𝐴4 = 0,5
𝑧=
𝜎
𝐴4 = 0,5 − 0,3413
8−6
𝑧= 𝐴4 = 0,1587
2
2 𝑃(𝑥 > 8) = 0,1587
𝑧= =1
2
𝑃(𝑥 > 8) = 15,87%
𝑧 = 1 → 𝐴3 = 0,3413
𝐴3 + 𝐴4 = 0,5

Normal bivariante:
Función de densidad:

1 1 (𝑥 − 𝜇𝑥 )2 𝑝(𝑥 − 𝜇𝑥 )(𝑦 − 𝜇𝑦 )
𝑓(𝑥, 𝑦) = exp {− [ −
2𝜋𝜎𝑥 𝜎𝑦 √1 − 𝑝2 1 − 𝑝2 2𝜎𝑥2 𝜎𝑥 𝜎𝑦
2
(𝑦 − 𝜇𝑦 )
+ ]}
2𝜎𝑦2

Valores característicos:

Vector de medias: 𝜇 = (𝜇𝑥 𝜇𝑦 )

𝜎𝑥2 𝑝𝜎𝑥 𝜎𝑦
Matriz de dispersión: ∑( )
𝑝𝜎𝑥 𝜎𝑦 𝜎𝑦2

Ejercicio 1:
Entre las parejas en las que hombre y mujer trabajan, la distribución
conjunta de los salarios mensuales ( X Y, ,) expresados en euros, se ajusta
a una distribución normal bivariante con los siguientes parámetros.
𝑋, 𝑠𝑎𝑙𝑎𝑟𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 ℎ𝑜𝑚𝑏𝑟𝑒𝑠, 𝑐𝑜𝑛 𝜇𝑥 = 1720 𝑦 𝜎𝑥 = 100
 𝑌, 𝑠𝑎𝑙𝑎𝑟𝑖𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑚𝑢𝑗𝑒𝑟𝑒𝑠, 𝑐𝑜𝑛 𝜇𝛾 = 1420 𝑦 𝜎𝛾 = 80

𝑝, 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑙𝑖𝑛𝑒𝑎𝑙, 0,71.

Calcule:
Salario medio de las mujeres cuya pareja tiene un salario de 1800.
La línea de regresión de Y sobre X proporciona los valores medios de
la variable Y cuando X toma el valor concreto x. En el caso de la
distribución normal bivariante, su expresión es la de la siguiente línea
recta:
𝑌 𝜎𝑦
𝐸 [ = 𝑥] = 𝜇𝛾 + 𝑝 (𝑥 − 𝜇𝑥 )
𝑋 𝜎𝑥
𝑌 80
𝐸𝑛 𝑛𝑢𝑒𝑠𝑡𝑟𝑜 𝑐𝑎𝑠𝑜: 𝐸 [ = 𝑥] 1420 + 0,71 (𝑥 − 1720)
𝑋 100
𝑌 80
𝑃𝑜𝑟 𝑡𝑎𝑛𝑡𝑜, 𝐸 [ = 1800] = 1420 + 0,71 (1800 − 1720) = 1465,44
𝑋 100

Ejercicio 2:
Cierto compuesto metálico se ha sometido durante una hora a una
atmósfera de oxígeno a 200 grados centígrados. Una medida de su
corrosión es la ganancia de peso durante este tiempo. Se ha
comprobado que para un determinado compuesto esta ganancia X1, en
una hora, se distribuye según una normal N(100, 5).

Distribución lognormal (, )

La variable resultante de aplicar la función exponencial a una variable
que se distribuye normal con media  y desviación estándar , sigue una
distribución lognormal con parámetros  (escala) y  (forma). Dicho de
otro modo, si una variable X sigue una distribución lognormal entonces la
variable lnX se distribuye normalmente. Esta variable aleatoria fue
propuesta por Francis Galton (1822-1911) en 1879, como consecuencia
 del estudio de la media geométrica de n variables aleatorias
independientes. La distribución lognormal es útil para modelar datos de
numerosos estudios médicos tales como el período de incubación de
una enfermedad, los títulos de anticuerpo a un virus, el tiempo de
supervivencia en pacientes con cáncer o SIDA, el tiempo hasta la
seroconversión de VIH+, etc. Epidat 4 limita los cálculos para esta
distribución a valores del parámetro  entre -5 y 5, ambos inclusive, y a
valores del parámetro  menores o iguales que 5.
Función de densidad:
1 1 𝑙𝑛(𝑥)−𝜇 2
f(x) = 𝜎𝑥√2𝜋 exp [− 2 ( ) ],𝑥 > 0
𝜎

Valores característicos:
𝜎2
𝜇+
Media: 𝑒 2

Mediana: 𝑒 𝜇
2
Moda: 𝑒 𝜇−𝜎
2 2
Varianza: 𝑒 2𝜇+𝜎 (𝑒 𝜎 - 1)

2 2
Asimetría: √(𝑒 𝜎 − 1)(𝑒 𝜎 + 2)

2 2 2
Curtosis: 𝑒 4𝜎 + 2𝑒 3𝜎 + 3𝑒 2𝜎 − 6
Ejercicio 1:
De bancos de datos de fiabilidad de componentes y de la bibliografía se han
extraídos los siguientes valores de la tasa de correspondientes al falle en la
apertura de una válvula de seguridad: λ𝑖 (𝑖 = 1, … , 4)(2 x
10−6 ; 8 𝑥 10−5 ; 9,1 𝑥 10−5 ; 1,6 𝑥 10−6 ℎ−1 .
Se trata de calcular los parámetros que nos definen la distribución lognormal de
las tasas de fallo.
Solución:
 Ejercicio 2:
Los ingresos de los habitantes de un municipio siguen una distribución
logarítmico normal de parámetros 3 y 2. ¿Qué porcentaje de individuos
se encuentra entre 70 y 150?

Esto es, el 10.89% de los individuos de ese municipio tienen ingresos

entre 70 y 150.
Distribución logística (a, b)
Pierre François Verhulst (1804-1849) describió por primera vez la curva
logística en un trabajo, publicado en 1845, que versaba sobre las
investigaciones matemáticas en las leyes que gobiernan el crecimiento
de la población. La distribución logística se utiliza en el estudio del
crecimiento temporal de variables, en particular, demográficas. En
biología se ha aplicado, por ejemplo, para modelar el crecimiento de
células de levadura, y para representar curvas de dosis-respuesta en
bioensayos. La más conocida y generalizada aplicación de la distribución
logística en Ciencias de la Salud se fundamenta en la siguiente
propiedad: si U es una variable uniformemente distribuida en el intervalo
𝑈
(0,1), entonces la variable 𝑋 = ln(1−𝑈) sigue una distribución logística.
Esta transformación, denominada logit, se utiliza para modelar datos de
respuesta binaria, especialmente en el contexto de la regresión logística.
Los parámetros asociados a esta distribución son situación (a) y escala
(b). Su función de densidad es simétrica respecto al parámetro a y
presenta un perfil más apuntado que el de la distribución normal con la
misma media y desviación estándar (distribución leptocúrtica).
Función de densidad:
 1 𝑒 −(𝑥−𝑎)/𝑏
𝑓(𝑥) = , −∞ < 𝑥 < ∞
𝑏 [1 + 𝑒 −𝑥−𝑎
𝑏 ] 2

Valores característicos
Media = Mediana = Moda: a
𝜋2
Varianza: 𝑏2
3

Asimetría: 0
6
Curtosis: 5

Ejercicio 1:
El crecimiento relativo anual (%) de la población de un determinado país
sigue una distribución logística de parámetro de posición 1 y de escala 2.
Calcular la probabilidad de que el crecimiento en un año determinado
sea superior al 5% y representar la función de densidad
1 1 5−1
𝑃(𝑥 ≥ 5) = 1 − 𝑃(𝑥 < 5)1 − [ + tanh ( )] = 1 − 0.8807 = 0.1192
2 2 4

Distribución beta (p,q)

La distribución beta es adecuada para variables aleatorias continuas que
toman 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. Uno de los principales recursos de esta distribución
es el ajuste a una gran variedad de distribuciones empíricas, pues
adopta formas muy diversas dependiendo de cuáles sean los valores de
los parámetros de forma p y q, mediante los que viene definida la
distribución, denotada por Beta(p,q).
Un caso particular de la distribución beta es la distribución uniforme en
(0,1), que se corresponde con una beta de parámetros p = 1 y q = 1. La
limitación que impone
Función de densidad:
𝑥 𝑝−1 (1 − 𝑥)𝑞−1
𝑓(𝑥) = ,0 < 𝑥 < 1
𝐵(𝑝, 𝑞)
1
Donde B es la función beta: B(p,q) = ∫0 𝑡 𝑝−1 (1 − 𝑡)𝑞−1 𝑑𝑡.

Valores característicos:
𝑝
Media: 𝑝+𝑞

Mediana: no tiene expresión explícita

 𝑝−1
Moda: para p > 1 y q > 1
𝑝+𝑞−2
𝑝𝑞
Varianza: (𝑝+𝑞)2 (1+𝑝+𝑞)

2(𝑞−𝑝)√𝑝+𝑞+1
Asimetría: (𝑝+𝑞+2)√𝑝𝑞

𝑝(𝑝+1)(𝑝−2𝑞)+𝑞(𝑞+1)(𝑞−2𝑞)
Curtosis: 6 𝑝𝑞(𝑝+𝑞+2)(𝑝+𝑞+3)

Ejercicio 1:
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 𝜎 = 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?
𝛤(𝛼 + 𝛽) 𝛼−1 0.8
𝑓(𝑥) = 𝑥 (1 𝐹(0.8) = ∫ (12𝑡 2 − 12𝑡 3 ) 𝑑𝑡
𝛤(𝛼)𝛤(𝛽) 0
− 𝑥)𝛽−1 0.8

𝛤(5) 𝐹(0.8) = ∫ 12𝑡 2 𝑑𝑡

𝑓(𝑥) = 𝑥 2 (1 − 𝑥) 0
𝛤(3)𝛤(2) 0.8
− ∫ 12𝑡 3 𝑑𝑡
24 2 0
𝑓(𝑥) = 𝑥 (1 − 𝑥)
2 12𝑡 3 12𝑡 4 0.8
𝑓(𝑥) = 12𝑥 2 (1 − 𝑥) 𝐹(0.8) = − |
3 4 0
𝑓(𝑥) = 12𝑥 2 − 12𝑥 3 0.8
𝐹(0.8) = 4𝑡 3 − 3𝑡 4 |
0
𝑃(𝑋 > 0.8) = 1 − 𝑃(𝑋 < 0.8)
𝐹(0.8) = 4(0.8)3 − 3(0.8)4
𝑃(𝑋 < 0.8) = 𝐹(0.8)
𝐹(0.8) = 0.8192
𝑥
𝐹(𝑥) = ∫ (12𝑡 2 − 12𝑡 3 )𝑑𝑡 𝑃(𝑋 > 0.8) = 1 − 0.8192
0
𝑃(𝑋 > 0.8) = 0.1808
Ejercicio 2:
Se aplica esfuerzo a una barra de acero de 1 metro sujeta por cada
extremo en una posición fija. Sea Y = la distancia del extremo izquierdo
al punto donde se rompe la barra en metros. Suponga que Y tiene una
distribución beta con E(Y)= ½ y Var(Y) = 1/28. Encuentre los parámetros
de la distribución beta.
𝛼 1 𝛼=𝛽
=
𝛼+𝛽 2
𝛼𝛽 1
=
2𝛼 = 𝛼 + 𝐵 (𝛼 + 𝛽)2 (𝛼 + 𝛽 + 1) 28
2𝛼 − 𝛼 = 𝛽 𝛼2 1
2
=
(2𝛼) (2𝛼 + 1) 28
 𝛼2 1 28
= 2𝛼 + 1 =
2
4𝛼 (2𝛼 + 1) 28 4
1 1 2𝛼 + 1 = 7
=
4(2𝛼 + 1) 28 2𝛼 = 6
4(2𝛼 + 1)28 𝛼=3
𝛽=3
Distribución gamma (a,p)
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 (tiempo de vida).
Cuando p es un número entero positivo se tiene un caso particular de la
distribución gamma que se denomina distribución de Erlang. Otros casos
particulares de la distribución gamma, que se comentarán con detalle
más adelante, son la distribución exponencial (Gamma(,1)) y la
distribución ji-cuadrado (Gamma(1/2,n/2)). Según los valores que tome
el parámetro de forma, p, la función de densidad presenta perfiles muy
diversos. Con valores de p menores o iguales que 1, la función de
densidad muestra un perfil decreciente; en cambio, si p es mayor que la
unidad, la función de densidad crece hasta el valor x= (p-1)/a y decrece
a partir de este valor.
Función de densidad:
𝑎𝑝 −𝑎𝑥 𝑝−1
𝑓(𝑥) = 𝑒 𝑥 .𝑥 > 0
𝛤(𝑝)
∞
Donde Γ es la función gamma: 𝛤(𝑧) = ∫0 𝑡 𝑧−1 𝑒 −𝑡 𝑑𝑡, 𝑦 𝑠𝑖 𝑛 𝑒𝑠 𝑢𝑛 𝑒𝑛𝑡𝑒𝑟𝑜: 𝛤 (𝑛) =
(𝑛 − 1)!
Valores característicos:
𝑝
Media: 𝑎

Mediana: no tiene expresión explícita

𝑝−1
Moda: 𝑝𝑎𝑟𝑎 𝑝 > 1
𝑎
𝑝
Varianza: 𝑎2
2
Asimetría:
√𝑝
 6
Curtosis:
𝑝

Ejercicio 1:
A una centralita de teléfonos llegan 12 llamadas por minuto, siguiendo
una distribución de Poisson. ¿Cuál es la probabilidad de que en menos
de 1 minuto lleguen 8 llamadas?

Existe un 91,05% de probabilidades de recibir 8 llamadas en un plazo de

tiempo de menos de 1 minuto.
Ejercicio 2:
Si un componente eléctrico falla una vez cada 5 horas, ¿cuál es el
tiempo medio que transcurre hasta que fallan dos componentes? ¿Cuál
es la probabilidad de que transcurran 12 horas antes de que fallen los
dos componentes?

En un 30,84% de las situaciones pasarán 12 horas hasta que fallen dos

componentes.
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. Un ejemplo es el tiempo que
tarda una partícula radiactiva en desintegrarse. El conocimiento de la ley
que sigue este evento se utiliza, por ejemplo, para la datación de fósiles
o cualquier materia orgánica mediante la técnica del carbono 14. Una
característica importante de esta distribución es la propiedad conocida
como “falta de memoria”. Esto significa, por ejemplo, que la probabilidad
de que un individuo de edad t sobreviva x años más, hasta la edad x+t,
es la misma que tiene un recién nacido de sobrevivir hasta la edad x.
Dicho de manera más general, el tiempo transcurrido desde cualquier
instante dado t0 hasta que ocurre el evento, no depende de lo que haya
ocurrido antes del instante t0. Se cumple que variable aleatoria que tome
valores positivos y que verifique la propiedad de “falta de memoria” sigue
una distribución exponencial. Esta distribución se puede caracterizar
como la distribución del tiempo entre sucesos consecutivos generados
por un proceso de Poisson; por ejemplo, el tiempo que transcurre entre
dos heridas graves sufridas por una persona. La media de la distribución
de Poisson, , que representa la tasa de ocurrencia del evento por
unidad de tiempo, es el parámetro de la distribución exponencial, y su
inversa es el valor medio de la distribución.
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.
Función de densidad:

𝑓(𝑥) = 𝜆𝑒 −𝜆𝑥 , 𝑥 > 0

Valores característicos:
1
Media: 𝜆
𝑙𝑛2
Mediana: 𝜆

Moda: no definida
1
Varianza:
𝜆2

Asimetría: 2
Curtosis: 6
Ejercicio 1:
El tiempo de revisión del motor de un avión sigue una distribución
exponencial con media 22 minutos. Encontrar la probabilidad de que el
tiempo de revisión sea menor a 10 minutos.

10
𝑃(𝑥 < 10) = 𝐹(10) = 1 − 𝑒 −22 = 0,3652
 Ejercicio 2:
El tiempo de vida de una lámpara especial sigue una distribución
exponencial con media 100 hs. ¿Cuál es la probabilidad de que una
lámpara dure por lo menos 30 horas?

Distribución ji-cuadrado (n)

Un caso especial y muy importante de la distribución gamma se obtiene
cuando a = 1/2 y p=n/2, y es conocida por el nombre de distribución ji-
cuadrado de Pearson con n grados de libertad (se denota por 𝑋𝑛2 ). Es la
distribución que sigue la suma de los cuadrados de n variables
independientes e idénticamente distribuidas según una distribución
normal estándar, N(0,1).
Esta distribución, que debe su nombre al matemático inglés Karl
Pearson (1857-1936), es fundamental en inferencia estadística y en los
tests estadísticos de bondad de ajuste. Se emplea, entre otras muchas
aplicaciones, para realizar la prueba de hipótesis de homogeneidad, de
independencia o la prueba de bondad de ajuste (todas ellas
denominadas pruebas ji-cuadrado) y para determinar los límites de
confianza de la varianza muestral de una población normal. Si X sigue
una distribución ji-cuadrado con n grados de libertad, para valores de n
grandes (n > 100), entonces la variable Y  √2𝑋 sigue aproximadamente
una distribución normal de media √2𝑛 − 1 y desviación estándar 1.
Función de densidad:
𝑛 𝑥
𝑥 2−1 𝑒 −2
𝑓(𝑥) = 𝑛 ,𝑥 > 0
𝑛
2 𝛤 (2)
2

𝑑𝑜𝑛𝑑𝑒 𝛤 𝑒𝑠 𝑙𝑎 𝑓𝑢𝑛𝑐𝑖ó𝑛 𝑔𝑎𝑚𝑚𝑎: 𝛤(𝑧)

∞

= ∫ 𝑡 𝑧−1 𝑒 −𝑡 𝑑𝑡 , 𝑦 𝑠𝑖 𝑛 𝑒𝑠 𝑢𝑛 𝑒𝑛𝑡𝑒𝑟𝑜: 𝛤(𝑛) = (𝑛 − 1)!

0

Valores característicos
Media: n
Mediana: no tiene expresión explícita
Moda: n-2 para n>2
Varianza: 2n
 8
Asimetría: √𝑛

12
Curtosis: 𝑛

Ejercicio 1:
La siguiente tabla refleja la cantidad de estudiantes, según la calificación
obtenida en Matemática de dos universidades:
Deficiente Regular Bueno Total
A 5 11 7 23
B 20 32 3 55
Total 25 43 10 78
¿Influye el tipo de universidad en la calificación obtenida?
Margen de error: 0,05
25 𝑥 23
5→ = 7,37
78
43 𝑥 23
11 → = 12,68
78
10 𝑥 23
7→ = 2,95
78
25 𝑥 55
20 → = 17,63
78
43 𝑥 55
32 → = 30,32
78
10 𝑥 55
3→ = 7,05
78
𝐺𝑟𝑎𝑑𝑜 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑: 𝑉 = (𝑛° 𝑓𝑖𝑙𝑎𝑠 − 1) ∗ (𝑛° 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 − 1)
V = (2-1)(3-1)=1*2=2
(𝑓 − 𝑓𝑡)2 (5 − 7,37)2 (11 − 12,68)2 (7 − 2,95)2
𝑥2 = ∑ = + +
𝑓𝑡 7,37 12,68 2,95
2 2
(20 − 17,63) (32 − 30,32) (3 − 7,05)2
+ + + = 9,28
17,63 30,32 7,05
𝑥 2 𝑡𝑎𝑏𝑙𝑎 = 5,9915; 𝑥 2 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 9,28
9,28 > 5,9915

Ejercicio 2:
El profesor de estadística ha determinado el número de estudiantes
reprobados y aprobados en dos grupos, de acuerdo con la siguiente
tabla:
 Grupos Reprobados Aprobados
A 28 12
B 15 30
Determine si el profesor tiene una mala práctica docente. Considere un
margen de error de 0.05
H0 = El profesor tiene una mala práctica docente
H1 = El profesor no tiene una mala práctica docente.
Grados de libertad
V = (Filas – 1)(Columnas – 1)
V = (2-1)(2-1)=(1)(1)=1
E=0.05
(43)(40)
𝑓𝑡 = = 20.235
85
(43)(45)
𝑓𝑡 = = 22.765
85
f ft (𝑓 − 𝑓𝑡)2 (𝑓 − 𝑓𝑡)2
𝑓𝑡
28 20.235 60.295 2.980
15 22.765 60.295 2.649
12 19.765 60.295 3.051
30 20.235 60.295 2.712
11.392
(𝑓 − 𝑓𝑡)2
𝑥 2 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = ∑ = 11.392
𝑓𝑡
𝑥 2 𝑡𝑎𝑏𝑙𝑎 = 3.8415
El profesor no tiene una mala práctica docente
Distribución t de Student (n)
Esta distribución fue propuesta y tabulada por William Sealy Gosset
(1876-1937), más conocido por el seudónimo de Student, como
resultado de un estudio sobre la estimación de la media cuando el
tamaño de muestra es pequeño, estos resultados fueron publicados en
1908 en el artículo The Probable Error of a Mean [13]. La distribución t
de Student queda completamente definida por medio de sus grados de
libertad, n, y se denota por tn. Surge cuando se plantea estudiar el
cociente entre una variable aleatoria con distribución normal estándar y
la raíz cuadrada del cociente entre una variable aleatoria con distribución
ji-cuadrado y sus grados de libertad (n), siendo las dos variables
independientes. Esta distribución desempeña un papel muy importante
en la inferencia estadística asociada a la teoría de muestras pequeñas y
es usada habitualmente en el contraste de hipótesis para la media de
una población o para comparar medias de dos poblaciones. En cuanto a
la forma que presenta su función de densidad cabe destacar las
similitudes que mantiene con la función de densidad de la distribución
normal estándar: forma acampanada, simétrica y centrada en el origen;
la única diferencia existente entre ambas distribuciones es que la función
de densidad de la t de Student presenta unas colas más pesadas (mayor
dispersión) que la normal. Cabe destacar que el programa sólo permite
realizar el cálculo para una distribución t de Student con 150 grados de
libertad o menos. Esto no supone una limitación ya que, a medida que
aumentan los grados de libertad, esta distribución se va aproximando a
la normal estándar, de forma que a partir de ese valor de n pueden
considerarse prácticamente idénticas. La distribución t de Student con 1
grado de libertad coincide con la distribución de Cauchy estándar.
Función de densidad:
𝑛+1
𝛤( 2 ) 𝑥 2 −(𝑛−1)
𝑓(𝑥) = 𝑛 (1 + ) 2 , −∞ < 𝑥 < ∞
𝛤 (2) √𝑛𝜋 𝑛

Valores característicos
Media = Mediana = Moda: 0
𝑛
Varianza: 𝑛−2 para n > 2

Asimetría: 0
6
Curtosis: para n>4
𝑛−4

Ejercicio 1:
El profesor de estadística afirma que la calificación promedio de su curso
es de 7,9 si en este semestre inicia con un grupo de 28 estudiantes que
tuvieron una calificación promedio de 7,5 y desviación típica muestral de
2,3 en el curso anterior. Determine si la afirmación del profesor de
estadística es correcta, utilizando un nivel de confianza de 80%
H0 = El promedio del curso es 7.9
H1 = El promedio del curso es diferente de 7.9
Grados de libertad y significancia
g=v=n–1
g = 28 – 1 = 27
𝛼 = 20%
N.C = 80%
N.C.= 1-𝛼
 𝛼 20% 10%
= = = 0.1
2 2 100
2.3 2.3
𝐸. 𝐸 = = = 0,435
√𝑛 √28
7.5 − 7.9
𝑡= = −0.92
0.435
𝛼𝑡𝑎𝑏𝑙𝑎 = 1.314
El promedio del curso es 7.9
Ejercicio 2:
Un psicólogo estima que la edad promedio de sus pacientes que sufren
ansiedad es 17 años, si la siguiente semana tiene en su agenda un
grupo de 25 pacientes con una edad promedio de 18 años y desviación
típica de 2.4, determine si la afirmación del psicólogo es correcta. Utilice
un valor para 𝛼 = 0,15 en cada extremo de su gráfica para buscar el
valor en su tabla.
H0 = 17 años 18 − 17
𝑡= = 2.08
0,48
H1 = Diferente de 17 años
𝛼𝑡𝑎𝑏𝑙𝑎 = 1,059
g = n -1 = 25 – 1 = 24
𝛼𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 = 2.08
𝛼 = 0,15
La edad promedio de los pacientes
𝛼𝑡𝑎𝑏𝑙𝑎 = 1,059
es 2.08
2.4
𝐸. 𝐸 = = 0.48
√25
Distribución F de Snedecor (n,m)
Otra de las distribuciones importantes asociadas a la normal es la que se
define como el cociente de dos variables aleatorias independientes con
distribución ji-cuadrado divididas entre sus respectivos grados de
libertad, n y m; la variable aleatoria resultante sigue una distribución F de
Snedecor de parámetros n y m (denotada por Fn,m). Hay muchas
aplicaciones de la F en estadística y, en particular, tiene un papel
importante en las técnicas del análisis de la varianza (ANOVA) y del
diseño de experimentos. Debe su nombre al matemático y estadístico
americano George Waddel Snedecor (1881-1974). Al igual que en la
distribución ji-cuadrado y t de Student, el programa limita los grados de
libertad, tanto del numerador como del denominador, no pudiendo
exceder el valor 150 para poder realizar los cálculos.
Función de densidad:
 𝑛
𝑛 + 𝑚 𝑛 2 𝑛−2
𝛤 ( 2 ) (𝑚 ) 𝑥 2
𝑓(𝑥) = 𝑚 ,𝑥 > 0
𝑛 𝑚 𝑛𝑥 𝑛+ 2
𝛤 (2) 𝛤 ( 2 ) (1 + 𝑚 )

Valores característicos:
𝑚
Media: 𝑚−2 para m > 2

Mediana: no tiene expresión explícita

𝑚(𝑛−2)
Moda: 𝑛(𝑚+2) 𝑝𝑎𝑟𝑎 𝑛 > 2

2𝑚2 (𝑛+𝑚−2)
Varianza: 𝑛(𝑚−2)2 (𝑚−4) 𝑝𝑎𝑟𝑎 𝑚 > 4

(2𝑛+𝑚−2)√8(𝑚−4)
Asimetría: (𝑚,−6)√𝑛(𝑛+𝑚−2)
𝑝𝑎𝑟𝑎 𝑚 > 6

12[(𝑚−2)2 (𝑚−4)+𝑛(𝑛+𝑚−2)(5𝑚−22)]
Curtosis: 𝑛(𝑚−6)(𝑚−8)(𝑛+𝑚−2)
𝑝𝑎𝑟𝑎 𝑚 > 8

Ejercicio 1:
Considere dos muestras de poblaciones que tienen la misma varianza
poblacional. Si la muestra 1 tiene tamaño n1 = 5 y la muestra 2 tiene
tamaño n2 = 10, determine la probabilidad teórica que el cociente de sus
varianzas respectivas sea menor o igual a 2.

Como se desea saber la probabilidad teórica de que este cociente de

varianzas muestrales sea menor o igual a 2, necesitamos conocer el
área bajo la distribución F entre 0 y 2, el cual puede obtenerse por tablas
o software. Para esto ha de tenerse en cuenta que la distribución F
requerida tiene d1 = n1 – 1 = 5 – 1 = 4 y d2 = n2 – 1 = 10 – 1 = 9, es
decir la distribución F con grados de libertad (4, 9).
Se determinó que esta área es 0.82, por lo que se concluye que la
probabilidad que el cociente de varianzas muestrales sea menor o igual
a 2 es del 82%.
Ejercicio 2:
Se tienen dos procesos de manufactura de láminas delgadas. La
variabilidad del espesor debe ser lo menor posible. Se toman 21
muestras de cada proceso. La muestra del proceso A tiene una
 desviación estándar de 1,96 micras, mientras que la del proceso B tiene
desviación estándar de 2,13 micras. ¿Cuál de los procesos tiene menor
variabilidad? Utilizar un nivel de rechazo del 5%.
Los datos son los siguientes: Sb = 2,13 con nb = 21; Sa = 1,96 con na =
21. Esto significa que ha de trabajarse con una distribución F de (20, 20)
grados de libertad.
La hipótesis nula implica que la varianza poblacional de ambos procesos
es idéntica, es decir σa^2 / σb^2 = 1. La hipótesis alternativa implicaría
varianzas poblacionales diferentes.
Entonces, bajo la suposición de varianzas poblacionales idénticas, se
define el estadístico F calculado como: Fc = (Sb/Sa)^2.
Como el nivel de rechazo se ha tomado como α= 0,05, entonces α/2=
0,025
La distribución F(0.025; 20,20) = 0,406, mientras que F(0.975; 20,20) =
2,46.
Por lo tanto, la hipótesis nula será cierta si el F calculado cumple:
0,406≤Fc≤2,46. De lo contrario se rechaza la hipótesis nula.
Como Fc=(2,13/1,96)^2 = 1,18 se concluye que el estadístico Fc está en
el rango de aceptación de la hipótesis nula con una certeza del 95%. En
otras palabras, con una certeza del 95% ambos procesos de
manufactura tienen la misma varianza poblacional.
Distribución Cauchy (, )
Esta distribución fue introducida por Simeón Denis Poisson (1781-1840)
en 1824, aunque debe su nombre al matemático francés Augustin Louis
Cauchy (1789-1857) quien la reintrodujo en 1853 [14]. En el ámbito de la
física también es conocida con el nombre de distribución de Lorentz o
distribución de Breit-Wigner. La distribución de Cauchy depende de dos
parámetros: escala () y situación (); en el caso particular de que  = 1
y  = 0, recibe el nombre de distribución de Cauchy estándar. Una
característica destacable de esta distribución es que carece de
momentos, por lo que no existen la media, varianza, asimetría y curtosis
de esta distribución. Su función de densidad es simétrica respecto al
parámetro de situación .
Función de densidad:
𝜇 1
𝑓(𝑥) = , −∞ < 𝑥 < ∞
𝜋 (𝜇 2 + (𝑥 − 𝜃)2 )
Valores característicos:
Media: no definida
Mediana = Moda: 𝜃
 Varianza: no definida
Asimetría: no definida
Curtosis: no definida
Con 𝜇 = 1y 𝜃=0 se tiene la distribución de Cauchy estándar
Ejercicio 1:
Un ejercicio de orientación para una persona ciega consiste en hacerla
andar en línea recta entre 2 paredes paralelas que tienen una distancia
de un kilómetro. El grado de desorientación D es la distancia entre el
lugar más cercano desde el punto de partida a la segunda pared y el
punto en el que la persona ciega alcanzo la segunda pared. Suponiendo
que el ángulo 𝜃 que forma la primera pared y la dirección escogida por
esa persona sigue una distribución uniforme en - 𝜋/2 y 𝜋/2. Obtenga la
distribución del grado de desorientación.
Solución: Para calcular el grado de desorientación:
𝜋 𝜋
D = tan (𝜃)y que f𝜃(𝜃) = 1/𝜃 para 𝜃𝜖 (− 2 , 2 ). A partir de aquí se calcula
la función de distribución de D:
𝜋
arctan(𝑑)+
2
FD (d) = P(D ≤d) = P(tan (𝜃) ≤ d) = P(𝜃 ≤ arctan(𝑑)) = 𝜋

1 1
𝑓𝐷(𝑑)
𝜋 1 + 𝑑2
−∞ ≤ 𝑑 ≤ ∞
Es una distribución de Cauchy con parámetros 1 y 0.
Ejercicio 2:
Un ejercicio de orientación para una persona ciega consiste en hacerla
caminar en línea recta entre dos paredes paralelas que tienen una
distancia de un kilómetro. El grado de desorientación D es la distancia
entre el lugar más cercano desde el punto de partida a la segunda pared
y el punto en el que la persona ciega alcanzo la segunda pared.
Suponiendo que el ángulo θ que forma la primera pared y la dirección
escogida por esa persona sigue una distribución uniforme en -π/2 y π/2.
Obtenga la distribución del grado de desorientación, suponiendo que es
una distribución de Cauchy.
1 1 1
𝑓𝜃 (𝜃) = 𝜋 𝜋 =𝜋 𝜋 =𝜋 𝐹𝐷 (𝑑) = 𝑃(𝐷 ≤ 𝑑) =
−(− = +
2 2 2 2 𝑃(𝑡𝑎𝑛𝜃 ≤ 𝑑)
𝜋
𝜃−(− )
𝐹𝜃 (𝜃) = 𝜋
2
𝜋 =
𝜃+𝜋/2 𝐹𝐷 (𝑑) = 𝑃(𝜃 ≤ 𝑡𝑎𝑛−1 𝑑)
−(− ) 𝜋
2 2 𝜃 = 𝑡𝑎𝑛−1 𝑑
Grado de desorientación
𝐷 = tan(𝜃)
 𝜋 1 1
𝜃+
𝐹𝜃 (𝜃) = 2
→ 𝐹𝜃 (𝑑) = 𝑓(𝑑) = ( + 𝜎) → 𝑓(𝑑) =
𝜋 𝜋 1+𝜎2
𝜋 1
𝑡𝑎𝑛−1 𝑑+
2 𝜋(1+𝜎2 )
𝜋
d Cauchy (0,1)
𝑓𝜃 (𝑑) = 𝐹𝜃 ´(𝑑) → 𝐹𝜃 (𝑑) =
1 𝜋
[𝑡𝑎𝑛−1 𝑑 + 2 ]
𝜋

Distribución Weibull (a, b)

Esta distribución debe su nombre al físico sueco Waloddi Weibull (1887-
1979) quien la usó en un artículo publicado en 1939 sobre resistencia de
los materiales (A Statistical Theory of the Strength of Materials), aunque
ya era conocida de años antes. Esta distribución se utiliza para modelar
situaciones del tipo tiempo-fallo, modelar tiempos de vida o en el análisis
de supervivencia, a parte de otros usos como, por ejemplo, caracterizar
el comportamiento climático de la lluvia en un año determinado.
La distribución Weibull queda totalmente definida mediante dos
parámetros, forma (a) y escala (b). En el caso particular de que a=1, se
tiene la distribución exponencial, y si a = 2 y b = √2𝜎 recibe el nombre de
distribución de Rayleigh. El perfil de la función de densidad presenta
formas muy variadas dependiendo del valor que tome su parámetro de
forma, a. Si a es menor o igual que 1, la función de densidad es siempre
decreciente; en caso de tomar valores mayores que la unidad su función
de densidad muestra una forma más acampanada, pero no simétrica, de
forma que crece hasta alcanzar el máximo y luego decrece.
Función de densidad:
𝑎 𝑥 𝑎−1 𝑥 𝑎
𝑓(𝑥) = ( ) exp (− ( ) ) , 𝑥 > 0
𝑏 𝑏 𝑏
Valores característicos:
1
Media: b 𝛤 (𝑎 + 1)
1
Mediana: b(𝑙𝑛2)𝑎
𝑎−1 1
Moda: b( )𝑎 𝑝𝑎𝑟𝑎 𝑎 > 1
𝑎

2 1 2
Varianza: 𝑏 2 [𝛤 (𝑎 + 1) − [𝛤 (𝑎 + 1)] ]
1 1 2 3
2𝛤3 ( +1)−3𝛤( +1)𝛤( +1)+𝛤( +1)
𝑎 𝑎 𝑎 𝑎
Asimetría: 2 1
3
[𝛤( +1)−𝛤2 ( +1)]2
𝑎 𝑎

1 1 2 2 1 3 4
−6𝛤4 ( +1)+12𝛤2 ( +1)𝛤( +1)−3𝛤2 ( +1)−4𝛤( +1)𝛤( +1)+𝛤( +1)
𝑎 𝑎 𝑎 𝑎 𝑎 𝑎 𝑎
Curtosis: 2 1
[𝛤 +1)−𝛤2 ( +1)]2
𝑎 𝑎
 Ejercicio 1:
Sea X una variable aleatoria de Weibull de parámetro β > 1 que
representa la duración de un componente hasta que se averíe. Para
montar un circuito, buscamos componentes que nos duren al menos 500
unidades de tiempo. Para seleccionar esos componentes nos dan a
elegir entre 2 tipos. Los componentes del Tipo 1 están sin estrenar,
mientras que los componentes del Tipo 2 no son nuevos. ¿Qué tipo de
componentes es el más adecuado para nosotros?
Si x es una Weibull de parámetro 𝛽 > 1, el componente envejece. Cada
vez le resulta más difícil sobrevivir; es decir.
Pr(𝑋 > 𝑡0 + 𝑡|𝑋 > 𝑡0 ) < Pr(𝑋 > 𝑡)
Por tanto, nos interesa el componente sin estrenar.
Ejercicio 2:
El tiempo T en segundos que tarda en conectarse a un servidor durante
un día laborable sigue una distribución de Weibull de parámetros α = 0.6
y β = 1/4, mientas que un fin de semana es una Weibull de parámetros α
= 0.24 y β = 1, donde la densidad de la Weibull se escribe como:

Se quiere saber:
(a) Tiempo medio que tardaremos en conectarnos en ambos tipos de
día;
(b) Calcula, para ambos tipos de día, la probabilidad de tardar más de 10
segundos en realizar la conexión
(c) Si llevamos ya 5 segundos esperando a que se efectué la conexión,
¿Cuál es la probabilidad de que la conexión se demore aun 10 segundos
más?
(d) ¿Era de esperar el resultado que se obtiene en (c)?
L = laborable; F= fin de semana;
(a) µL = 14.4 seg, µF = 0.24 seg ;
(b) Pr(TL > 10) = 0.133, Pr(TF > 10) ≈ 0;
(c) Pr(TL > 15|TL > 5) = 0.5845, Pr(TF > 15|TF > 5) = Pr(TF > 10);
(d) El resultado era previsible al ser βL < 1;
Distribución Laplace (a, b)
Fue descubierta en 1774 por Pierre-Simon Laplace (1749-1827), a quien
debe su nombre, aunque también es conocida por el nombre de
distribución doble exponencial. Esta distribución viene determinada por
dos parámetros, uno de situación (a) y otro de escala (b). Su función de
densidad es simétrica y el parámetro de situación determina su eje de
simetría, además de ser el punto donde la función alcanza su valor
máximo en forma de pico afilado. Independientemente de los valores
que tomen sus parámetros, es una distribución leptocúrtica, lo que
quiere decir que su función de densidad es más apuntada que la función
de densidad de la normal con la misma media y desviación estándar.
Función de densidad:
1 |𝑥 − 𝑎|
𝑓(𝑥) = exp (− ) , −∞ < 𝑥 < ∞
2𝑏 𝑏

Valores característicos:
Media = Mediana = Moda: a
Varianza: 2𝑏 2
Asimetría: 0
Curtosis: 3

Ejercicio 1:

Una distribución es leptocúrtica si la función de densidad presenta un

grado de apuntamiento mayor que el de la distribución normal con la
misma media y varianza, lo que se traduce en un coeficiente de curtosis
positivo. Comprobar gráficamente el carácter leptocúrtico de la
distribución de Laplace para el caso particular en que a= 2 y b= 3.
En primer lugar hay que calcular la media y varianza de esta distribución
para luego representar la función de densidad de la distribución normal
correspondiente.
Resultados con Epidat 4:
 La distribución de Laplace(2,3) se debe comparar gráficamente con la
distribución normal de media 2 y varianza 18 (desviación típica 4,24).
Veamos a continuación la representación de ambas funciones de
densidad:

Distribución Pareto (, x0)

La distribución de Pareto fue introducida por el economista italiano
Vilfredo Pareto (1848- 1923) como un modelo para explicar la
distribución de las rentas de los individuos de una población, siempre y
cuando se partiera de dos supuestos, la existencia de un umbral inferior
(x0) de forma que no haya rentas inferiores a dicho umbral y el
decrecimiento de manera
potencial del porcentaje de individuos con una renta superior o igual a un
cierto valor de renta a medida que dicho valor de renta crece [8]. El uso
de esta distribución se ha ido ampliando a diferentes ámbitos de estudio.
Se trata de una distribución biparamétrica, con parámetros de forma ()
y de situación (x0). El parámetro x0 es un indicador de posición (valor
mínimo) que, en términos económicos, puede interpretarse como el
ingreso mínimo de la población. El parámetro  está asociado con la
dispersión, donde a mayor valor se obtienen densidades de Pareto más
concentradas en las proximidades de x0, es decir, menos dispersas
Función de densidad:
𝛼𝑥0𝛼
𝑓(𝑥) = 𝛼+1 , 𝑥 ≥ 𝑥0
𝑥
Valores característicos:
𝛼𝑥
Media: 𝛼−10 𝑝𝑎𝑟𝑎 𝛼 > 1
1
Mediana: 𝑥0 2𝛼
Moda: 𝑥0
 𝛼𝑥02
Varianza: 𝑝𝑎𝑟𝑎 𝛼 > 2
(𝛼−2)(𝛼−1)2

2(1+𝛼) 𝛼−2
Asimetría: √ 𝑝𝑎𝑟𝑎 𝛼 > 3
𝛼−3 𝛼

6(𝛼3 +𝛼2 −6𝛼−2)

Curtosis: á𝑟𝑎 𝛼 > 4
𝛼(𝛼−3)(𝛼−4)

Ejercicio 1:
Los salarios mensuales, en euros, de una determinada empresa siguen
una distribución de Pareto de parámetros = 2,75 y x0= 900 ¿Qué
porcentaje de individuos tienen un salario superior a 2.000 euros? ¿Y a
3.000 euros?

Aproximadamente el 11% de los empleados de la empresa tienen un

sueldo superior de 2.000 euros, mientras que un 3,7% de los empleados
perciben un ingreso mensual superior a 3.000 euros.

Distribución triangular (a, c, b)

El nombre de esta distribución viene dado por la forma de su función de
densidad. Este modelo proporciona una primera aproximación cuando
hay poca información disponible, de forma que sólo se necesita conocer
el mínimo (valor pesimista), el máximo (valor optimista) y la moda (valor
más probable). Estos tres valores son los parámetros que caracterizan a
la distribución triangular y se denotan por a, b y c, respectivamente. Un
ejemplo del uso de esta distribución se encuentra en el análisis del
riesgo, donde la distribución más apropiada es la beta pero dada su
complejidad, tanto en la su comprensión como en la estimación de sus
parámetros, se utiliza la distribución triangular como proxy para la beta
[15].
Función de densidad:
2(𝑥 − 𝑎)
𝑓(𝑥) = 𝑝𝑎𝑟𝑎 𝑎 ≤ 𝑥 ≤ 𝑐
(𝑏 − 𝑎)(𝑐 − 𝑎)
 2(𝑏 − 𝑥)
𝑓(𝑥) = 𝑝𝑎𝑟𝑎 𝑐 < 𝑥 ≤ 𝑏
(𝑏 − 𝑎)(𝑏 − 𝑐)
Valores característicos:
𝑎+𝑏+𝑐
Media: 3

(𝑏−𝑎)(𝑏−𝑐) 𝑎+𝑏
𝑏−√ 𝑠𝑖 𝑐 ≤
2 2
Mediana: {
(𝑏−𝑎)(𝑐−𝑎) 𝑎+𝑏
𝑎+√ 𝑠𝑖 𝑐 >
2 2

Moda: c
(𝑏−𝑐)2 +(𝑐−𝑎)2 +(𝑏−𝑐)(𝑐−𝑎)
Varianza:
18

√2(𝑎+𝑏−2𝑐)(𝑏+𝑐−2𝑎)(2𝑏−𝑐−𝑎)
Asimetría: 3
5[(𝑏−𝑎)2 −(𝑐−𝑎)(𝑏−𝑐)]2

3
Curtosis: − 5

Ejercicio 1:
Uno de los problemas de salud que afectan en mayor medida a la población en
los meses de verano son los golpes de calor; por ese motivo, es necesario
llevar un control de la temperatura atmosférica que alerta, entre otros
indicadores, de la presencia de una ola de calor.

Durante el mes de Agosto del año 2010, en Santiago de Compostela, las

temperaturas mínima y máxima absolutas fueron de 12,2 ºC y 35,8ºC,
respectivamente, y el valor más probable fue de 19,8ºC. Si se asume que la
temperatura sigue una distribución triangular de parámetros a=12,2, c=19,8 y
b=35,8, ¿cuál es la probabilidad de que supere los 30ºC?
Conclusiones:
Existen diferentes características que nos permiten diferenciar cada uno
de los tipos de distribución de probabilidad continua, nuestro deber como
estudiantes de estadística es poder aprender sobre en que situación se
usa cada distribución de manera óptima.

https://ugye-
my.sharepoint.com/:w:/g/personal/kevin_tamayof_ug_edu_ec/EbBxViFKggBBo
Obcm8HTL_cB9kEQRgQR5e4npAuj5US0Ng?e=osbFnd