REPUBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD ALEJANDRO DE HUMBOLDT

COMERCIO INTERNACIONAL

ESTADISTICA II

NUCLEO VALENCIA

APLICACIÓN DE LAS DISTRIBUCIONES CON-

TINUAS

RICCARDO MATTEO ADAMES MOSTAFA

C.I: 21017713

VALENCIA, 17 DE OCTUBRE DE 2022.

 INTRODUCCIÓN

Las ideas desarrolladas por Gauss en las Disquisitiones Arithmeticae han sido de
gran relevancia e importancia en la Teoría de Números de los siglos XIX y XX.
Gauss realizo una magnífica síntesis de los resultados del pasado en la teoría de
números, y obtuvo una colección de nuevos resultados, proposiciones y métodos
que han servido desde entonces como escuela para una gran cantidad de los ma-
temáticos, Se dice que el Dirichlet siempre tenía una copia de las Disquisitiones
Arithmeticae en su escritorio.

Carl Friedrich Gauss 1777/04/30 - 1855/02/23) Matemático alemán, Hijo de Ge-

bhard Dietrich Gauss, un albañil, su madre, Dorothea Gauss era analfabeta. nació
el 30 de abril de 1777 en Braunschweig. Antes de cumplir los tres años aprendió a
leer y hacer cálculos aritméticos mentales con tanta habilidad que descubrió un
error en los cálculos que hizo su padre para pagar unos sueldos. Inicia sus estu-
dios Básicos. Ingresó a la escuela primaria antes de cumplir los siete años y cuan-
do tenía diez, su maestro solicitó a la clase que encontrará la suma de todos los
números comprendidos entre uno y cien pensando que con ello la clase estaría
ocupada algún tiempo, quedó asombrado cuando Gauss, levantó en seguida la
mano y dio la respuesta correcta.

Cuando tenía doce años, criticó los fundamentos de la geometría euclidiana; a los

trece le interesaba las posibilidades de la geometría no euclidiana. A los quince,
entendía la convergencia y probó el binomio de Newton. Su genio y precocidad lla-
maron la atención del duque de Brunswick, quien dispuso, cuando el muchacho te-
nía catorce años, costear tanto su educación secundaria como universitaria.
Carl Gauss cursó estudios en lenguas antiguas, aunque a los diecisiete años se
interesó definitivamente por las matemáticas. Intentó encontrar la solución del pro-
blema clásico de la construcción de un heptágono regular, o figura de siete lados,
con una regla y un compás. Probó que era imposible y continuó aportando méto-
dos para construir figuras de 17, 257 y 65.537 lados. En 1796 demostró que se
puede dibujar un polígono regular de 17 lados con regla y compás.

Por su aporte a la: Teoría de números, Magnetismo, Construcción del Heptadecá-

gono, Función gaussiana, Eliminación de Gauss-Jordan, Cuando tan sólo tenía
veinticuatro años, Gauss tuvo una destacada participación en el nacimiento de la
astrofísica. Estudió la teoría de los errores y dedujo la curva normal de la probabili-
dad, llamada también curva de Gauss, que todavía se usa en los cálculos estadís-
ticos.

Además desarrollo el Teorema fundamental de álgebra. Probó que la construc-

ción, con regla y compás, de un polígono regular con un número de lados impar
solo era posible cuando el número de lados era un número primo de la serie 3, 5,
17, 257 y 65.537 o un producto de dos o más de estos números.

El diagrama normal de la probabilidad se sigue llamando curva de Gauss. Teore-

ma de Gauss El teorema de la divergencia de Gauss, de 1835 pero publicado en
1867, es fundamental para la teoría del potencial y la física.  Relaciona la diver-
gencia matemática de un campo vectorial con el valor de la integral de superficie
del flujo definido por este campo.

Realizó estudios geodésicos y aplicó las matemáticas a la geodesia. Junto con el

físico alemán Wilhelm Eduard Weber, investigó sobre el magnetismo y la electrici-
dad; una unidad de inducción magnética recibe su nombre. También investigó los
sistemas de lentes y se interesó por la astronomía. El asteroide Ceres había sido
descubierto en 1801 y Gauss calculó su posición exacta, de forma que fue fácil su
redescubrimiento. También ideó un nuevo sistema para calcular las órbitas de los
cuerpos celestes.
 1) DISTRIBUCIONES CONTINUAS

Las probabilidades de las variables aleatorias continuas (X) se definen como el

área por debajo de la curva. Por lo tanto, solo los rangos de valores pueden tener
una probabilidad diferente de cero. La probabilidad de que una variable aleatoria
continua equivalga a algún valor siempre es cero.

Una distribución continua describe las probabilidades de los valores de una varia -
ble aleatoria continua. Una variable aleatoria continua es una variable aleatoria
con un conjunto de valores posibles (conocido como el rango) que es infinito y no
se puede contar.

Ejemplo

La distribución normal continua puede describir la distribución del peso de las per-
sonas. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 70kg y 85 kg.

Propiedades de Distribución Continua

 Los resultados se miden, no se cuentan.

 Toda el área debajo de la curva y sobre el eje x es igual a uno.
 La probabilidad se calcula para intervalos de valores de x en vez de para
valores individuales de x.
 P(c < x < d) es la probabilidad de que la variable aleatoria X se calcule en
el intervalo entre los valores c y d. P(c < x < d) es el área debajo de la cur-
va, por encima del eje x, a la derecha de c y a la izquierda de d.
 P(x = c) = 0 significa que es la probabilidad de que x tome cualquier valor
individual es cero. El área por debajo de la curva, por encima del eje x y en-
tre x = c y x = c no tiene ancho, y por tanto no tiene área (área = 0). Como
la probabilidad es igual al área, la probabilidad también es cero.
  P(c < x < d) es lo mismo que P(c ≤ x ≤ d) porque la probabilidad es igual al
área.

Aplicaciones en el campo de la ingeniería

Las distribuciones continuas de probabilidad pueden ser vistas como herramientas
para tratar con la incertidumbre de eventos aleatorios y son útiles para llevar a
cabo cálculos específicos sobre modelos válidos que muestran estos procesos.

LAS DISTRIBUCIONES CONTINUAS MÁS COMUNES SON

a) Distribución Uniforme
La distribución de probabilidad uniforme es un ejemplo de una distribución de pro-
babilidad es continua. Una distribución de probabilidad es continua cuando los re-
sultados posibles del experimento son obtenidos de variables aleatorias continuas,
es decir, de variables cuantitativas que pueden tomar cualquier valor, y que resul-
tan principalmente del proceso de medición.

Ejemplos de variables aleatorias continuas son:

 La estatura de un grupo de personas

 El tiempo dedicado a estudiar
 La temperatura en una ciudad
Es una distribución en el intervalo [a,b] en la cual las probabilidades son las mis-
mas para todos los posibles resultados, desde el mínimo valor a hasta el máximo
de b.

Ejemplo
El experimento de lanzar un dado, cumple la distribución uniforme, ya que todos
los 6 los sucesos o resultados posibles tienen 1/6 de probabilidad de ocurrencia.
 b) Distribución Normal

Esta distribución es utilizada en las aplicaciones estadísticas. Su utilización, está

justificada por la frecuencia o normalidad con la que ciertos fenómenos tienden a
parecerse en su comportamiento a esta distribución.
Las variables aleatorias continuas presentan una función de densidad cuya gráfica
tiene forma de campana.

La importancia de la distribución normal se debe a que muchas variables asocia-

das a fenómenos siguen el modelo de la normal. Por lo que muchos fenómenos se
distribuyen normalmente.

Esto significa, si se toma al azar un número suficientemente grande de casos y se

grafica un polígono de frecuencias con alguna variable continua.
Por ejemplo:
Peso, talla, presión arterial o temperatura, se obtendrá una curva de característi-
cas particulares, llamada distribución normal. Es la base del análisis estadístico,
ya que en ella se sustenta casi toda la inferencia estadística.
 
La función de densidad de probabilidad para la variable aleatoria continúa 
Descubierta por Carl Gauss al estudiar el comportamiento de los procesos aleato-
rios. Es ampliamente utilizada en estadística y teoría de las probabilidades. Cono-
cida como distribución normal tiene la forma de una campana, por este motivo
también es conocida como la campana de Gauss.

Sus características son las siguientes:

•       Es una distribución simétrica.

•       Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos va-
lores tienden a infinito.
•       En el centro de la curva se encuentran la media, la mediana y la moda.
•       El área total bajo la curva representa el 100% de los casos.
•       Los elementos centrales del modelo son la media y la varianza.
 
Esta distribución es un modelo matemático que permite determinar probabilidades
de ocurrencia para distintos valores de la variable.
 
Esta función tiene un comportamiento muy similar a la función  , cuya ta-
bulación y gráfica son las siguientes:
 

-2 0.018315
-1 0.367879
-0.8 0.527292
-0.6 0.697676
-0.4 0.852143
-0.2 0.960789
0 1
0.2 0.960789
0.4 0.852143
0.6 0.697676
0.8 0.527292
1 0.367879
2 0.018315
 
Se aprecian las siguientes características:
1. Su dominio es   
2. Es continua.
3. Su rango es 
4. 
5. Su derivada es: 
6. El máximo de la función se ubica en el punto  
 
La distribución normal sirve para conocer la probabilidad de encontrar un valor de
la variable que sea igual o inferior a un cierto valor X, conociendo la media, la des-
viación estándar, y la varianza de un conjunto de datos en sustituyéndolos en la
función que describe el modelo. El cálculo resulta bastante complejo pero, afortu-
nadamente, existen tablas estandarizadas que permiten eludir este procedimiento.
 
Su aplicación más importante es que en la gráfica, el área sombreada correspon -
de a la probabilidad de encontrar un valor de la variable que sea igual o inferior a
un valor dado. Esa probabilidad se determina usando una tabla estandarizada.
 
 

c) Distribución Exponencial
Se refiere a la cantidad de tiempo que transcurre hasta que se produce algún
evento específico.
La variable aleatoria de la distribución exponencial es continua y suele medir el
paso del tiempo, aunque puede utilizarse en otras aplicaciones. Las preguntas típi-
cas pueden ser: "¿cuál es la probabilidad de que algún evento ocurra en los próxi -
mos x horas o días, o cuál es la probabilidad de que algún evento ocurra en-
tre x1 horas y x2 horas, o cuál es la probabilidad de que el evento dure más
de x1x1 horas para llevarse a cabo"

Por ejemplo,
La cantidad de tiempo (que comienza ahora) hasta que se produzca un terremoto
tiene una distribución exponencial.

d) Distribución Cauchy

La distribución de Cauchy, es una distribución de probabilidad continua. También

se conoce, como distribución de Lorentz, es la distribución de la intersección con
el eje x de un rayo que sale de(x_ {0}, \ gamma) con un ángulo uniformemente dis-
tribuido. También es la distribución de la razón de dos variables aleatorias inde-
pendientes distribuidas normalmente con media cero.
Esta distribución (Cauchy) se utiliza en estadística como el ejemplo canónico de
una distribución " patológica ", ya que tanto su valor esperado como su varianza
no están definidos (pero consulte la sección Explicación de momentos indefinidos
a continuación). La distribución no tiene momentos finitos de orden mayor o igual a
uno; sólo existen momentos absolutos fraccionarios, ni una función generadora de
momento.

e) Distribución Chi-Cuadrado

La distribución chi cuadrada es un caso especial de la distribución gamma y es

una de las distribuciones de probabilidad más usadas en Inferencia Estadística,
principalmente en pruebas de hipótesis y en la construcción de intervalos de con -
fianza. Cada distribución se define por los grados de libertad. (Los grados de liber-
tad se comentan en mayor detalle en las páginas sobre la prueba de bondad de
ajuste y la prueba de independencia).

f) Distribución t-Student

La distribución t de Student es un modelo teórico utilizado para aproximar el mo-

mento de primer orden de una población normalmente distribuida cuando el tama-
ño de la muestra es pequeño y se desconoce la desviación típica, es una distribu-
ción de probabilidad que estima el valor de la media de una muestra pequeña ex -
traída de una población que sigue una distribución normal y de la cual no conoce-
mos su desviación típica.

Fórmula de la distribución t de Student

La distribución t se utiliza cuando:

Para estimar la media de una población normalmente distribuida a partir de una
muestra pequeña. Por ejemplo el Tamaño de la muestra es inferior a 30 elemen -
tos, es decir, n < 30.
A partir de 30 observaciones, la distribución t se parece mucho a la distribución
normal y, por tanto, utilizaremos la distribución normal.

No se conoce la desviación típica o estándar de una población y su varianza debe

ser homogénea y tiene que ser estimada a partir de las observaciones de la mues-
tra.

g) Distribución F de Snedecor

La distribución F de Fisher es una distribución que depende de dos parámetros.

Es una distribución que aparece, con frecuencia, como distribución de un estadísti-
co de test, en muchos contrastes de hipótesis bajo las suposiciones de normali-
dad. Por ejemplo, todos los contrastes ANOVA (Ver Herbario de técnicas).

La distribución F, conocida como distribución de Fisher-Snedecor, en honor a los

estadísticos Ronald Fisher y George Snedecor. Ambos trabajaron en el desarrollo
del análisis de varianza, a principios del siglo XX, sentando las bases de la esta-
dística moderna.

La distribución F sirve para demostrar las variaciones de una población, se usa

una distribución F cuando se busca estudiar la razón de las varianzas de dos po-
blaciones distribuidas normalmente. también se utiliza en un análisis de varianza
de un factor (ANOVA). El análisis de varianza se encarga de comparar la variación
entre varios grupos o poblaciones y la variación que hay dentro de cada una de
ellas. Para lograrlo, se usa una proporción de variaciones. La distribución F permi-
te analizar la relación entre las varianzas.

Características de la distribución F
La distribución F presenta características definidas que la diferencian de otras dis-
tribuciones. Algunas de ellas son:
Las distribuciones F incluyen varios métodos estadísticos.
La distribución F particularmente se utiliza dependiendo del número de grado de
libertad que tiene la muestra. Esta característica de la distribución F también está
presente en otras distribuciones, como la distribución T y la distribución chi-cua-
drado. El valor de la distribución F es nulo, es decir, cero o positivo. No tiene valo-
res negativos.

La distribución F posee una leve inclinación hacia la derecha. Por lo tanto, se trata
de una distribución de probabilidad que no es simétrica.

Propiedades de las distribuciones F

Las distribuciones F tienen grados de libertad. Esta es una característica que tam-
bién poseen las distribuciones T y chi-cuadrado. En el caso de una distribución T,
el número de grados de libertad es uno menos que el tamaño de muestra.

La distribución F proviene de una relación entre dos poblaciones. Generalmente,

se toma una muestra de ambas poblaciones, por lo tanto hay dos grados de liber -
tad.
Para determinar los dos números de grados de libertad, se calcula de diferencia
uno a ambos tamaños de muestra. Después, las estadísticas de estas poblaciones
se combinan en una fracción. Tanto el numerador como el denominador tienen
grados de libertad. En lugar de combinar estos dos números en otro número, se
conservan ambos. Por lo tanto, el uso de una tabla de distribución F requiere que
haya dos grados de libertad diferentes.

Usos y ejemplos de la distribución F

La distribución F se utiliza en diversos estudios de muestras en diferentes campos,
desde la industria hasta el sector educativo, científico o estadístico.
Por ejemplo, si se desean comparar las calificaciones de un maestro con otro, la
precisión de un instrumento con otro, dos máquinas similares, el espesor de dos
materiales y cualquier otra variable de interés.
2) DISTRIBUCIÓN BETA

La distribución beta es referente a la generalización del soporte, concepto diferen-

te de la generalización presentada por Cordeiro (2012).
“En la teoría de probabilidad y estadística, la distribución beta
representa una familia de distribuciones de probabilidad continuas
con soporte en el intervalo (0,1). La densidad beta es caracterizada
por dos parámetros positivos, indicados generalmente por (α y β) o
(u y v), que son parámetros de localización y de escala”

La distribución beta es una distribución de probabilidad continua que se puede uti-

lizar para representar resultados proporcionales o de probabilidad. 

Por ejemplo,
Determinar la probabilidad de que su candidato preferido a la alcaldía reciba el x%
de los votos.
Para usar una distribución de probabilidad continua para encontrar probabilidades
P(x ) se usa la siguiente fórmula general:
b

P(a ≤ X ≤ b) = ∫ f ( x ) dx
a

De esta manera se calcula la probabilidad de que la variable aleatoria X cae den-

tro del intervalo entre  [a,b] dada la función de densidad f ( x ). Cada distribución
de probabilidad continua tiene su propia función de densidad asociada, y la de la
distribución beta es la siguiente:
En esta función de densidad, 
a) Los dos primeros, α y β , se conocen como parámetros de la distribución
beta. Su forma de la distribución beta depende de estos dos parámetros y va-
ría mucho según sus valores. 
b) La segunda es la función beta (Β), está definida por las siguientes fórmulas

La primera de estas fórmulas es la definición integral formal, pero es común traba-

jar con la segunda. 

La segunda fórmula utiliza la función gamma (Γ) y, es más fácil trabajar con ella,
ya que se representa mediante factoriales.

Aplicaciones en el campo de la ingeniería

Se utilizan por lo general un método llamado PERT (Program Evoluation and Re-
view Technique) para coordinar las diversas actividades que conforman un gran
proyecto (Una aplicacion exitosa fue la construcción de la nave espacial Apolo).

Una suposición estándar en el análisis PERT, es que el tiempo necesario para

completar cualquier actividad particular, una vez que se haya iniciado, tiene una
distribucion Beta con A= tiempo optimista (todo va bien) y B= Tiempo pesimista
(todo sale mal).
La distribucion beta estándar se utiliza por lo común para modelar la variación en
la proporción o porcentaje de una cantidad que se presenta en muestras diferen-
tes, tales como la proporción de horas que duerme un individuo o la proporción de
cierto elemento de un compuesto químico.

DISTRIBUCIÓN GAMMA
. La distribución gamma es una distribución con dos parámetros que pertenece a
las distribuciones de probabilidad continuas. La distribución exponencial, distribu-
ción de Erlang y la distribución χ² son casos particulares de la distribución gamma.
Función Gamma {Γ(α)}

La distribución Gamma se define como una familia de dos parámetros de distribu-

ciones de probabilidad continuas que se utiliza en la distribución exponencial, la
distribución Erlang y la distribución chi-cuadrado.

Es una función que extiende el concepto de factorial a los números complejos. La

función gamma Γ se define: Γ: (0, ∞)→ R, donde Γ(α)= ∫∞o xa-1 e-x dx, para α > 0

Con el fin de observar algunos resultados o propiedades de esta función, procede-

remos a integrar por partes. Tomando u = x"'1 y dv = e∼xdx, obtenemos

Para α>, lo cual ocasiona la fórmula Γ(α) = ( α-l ) Γ( α-l )

Al aplicar reiteradamente la fórmula anterior tendríamos, Γ(α) = (α -l) (α- 2)Γ(α- 2) =

(α - l)(α- 2)(α-3) Γ(α- 3), y así sucesivamente. Se evidencia que cuando α = n, don -
de n es un entero positivo,

Γ( n ) = ( n-l )( n-2 )...Γ( l ).

Sin embargo, por la definición de Γ( a ), Γ ( 1 )= ∫∞0 e -x dx= 1, y de aquí Γ (n )!

Algunas propiedades adicionales de Γ(α) son:

Γ(n+ 1 ) si n!es un entero positivo

Γ(n+ 1 ) n Γ ( n ), n > 0

Γ (1/2 )=

Distribución gamma

Se le conoce, como una generalización de la distribución exponencial, además de

la distribución de Erlang y la distribución Ji-cuadrada. Es una distribución de pro-
babilidad continua adecuada para modelizar el comportamiento de variables alea -
torias con asimetría positiva y/o los experimentos en donde está involucrado el
tiempo.

Una variable aleatoria X tiene una distribución gamma si su función de densidad

está dada por:

La función de distribución acumulativa de gamma F(x), la cual permite determinar

la probabilidad de que una variable aleatoria de gamma X sea menor a un valor

2.3 Propiedades de la distribución gamma

es una distribución adecuada para modelizar el comportamiento de variables alea -

torias continuas con asimetría positiva. Es decir, variables que presentan una ma-
yor densidad de sucesos a la izquierda de la media que a la derecha. se encuen -
tran dos parámetros, siempre positivos, α y βde los que depende su forma y alcan-
ce por la derecha, y también la función gamma Γ (α), responsable de la conver -
gencia de la distribución.

Los valores de la esperanza E(X) y varianza Var(X), se determinan mediante

Esperanza Matemática: E(X) = αβ

Varianza: Var(X) = αβ2

La verificación y/o demostración de estas fórmulas se presentan más adelante en

esta sección.

Los factores de forma de la distribución gamma son:

- Coeficiente de asimetría:
- Curtosis relativa:

La distribución gamma es leptocúrtica y tiene un sesgo positivo. También obser-

vamos que conforme el parámetro α crece, el sesgo se hace menos pronunciado y
la curtosis relativa tiende a 3.
La función generadora de momentos de la variable aleatoria gamma X está dada
por mx(t)= (l-βt)-a, con 0≤ t < 1; /β.

El primer parámetro, α, sitúa la máxima intensidad de probabilidad y por este mo-

tivo es denominada 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 grandes de α, el centro de la distribución se desplaza a
la derecha, por lo que va apareciendo la forma de la campana de Gauss con asi-
metría positiva.

El segundo parámetro, α, es el que determina la forma o alcance de la asimetría

positiva desplazando la densidad de probabilidad en la cola de la derecha. Para
valores elevados de α la distribución acumula más densidad de probabilidad en el
extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabili -
dad 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 α, conducen a una figura más simétrica y concentrada, con un
pico de densidad de probabilidad más elevado. Una forma de interpretar α es
"tiempo promedio entre ocurrencia de un suceso".

Dadas dos variables aleatorias X y Y con distribución gamma y parámetro αco-

mún. Esto es

X: γ(α, β1) y Y: γ(α,β2)

Se cumplirá que la suma también sigue una distribución Gamma

X+Y : γ(α,β1+β2)

Relación con otras distribuciones:

a) Si se tiene un parámetro α de valores elevados y β pequeña, entonces la fun-

ción gamma converge con la distribución normal. De media µ= αβ, y varianza σ2 =
αβ2.
b) Cuando la proporción entre parámetros es [Α = v/2:β=] entonces la variable
aleatoria se distribuye como una Chi-cuadrado con v grados de libertad.

- Si α= 1, entonces se tiene la distribución exponencial de parámetro λ= 1/β.

De esta forma, la distribución gamma es una distribución flexible para modelizar

las formas de la asimetría positiva, de las más concentradas y puntiagudas, a las
más dispersas y achatadas.

Para valorar la evolución de la distribución al variar los parámetros se tienen los si-
guientes gráficos. Primero se comprueba que para α =1 la distribución tiene simili-
tudes con la exponencial.

.Aplicación de La distribución Gamma

Esta distribución tiene su aplicación en industria automotriz por ejemplo: En los in-
tervalos de tiempos entre el fallo de un motor, tiempo de vida de un sistema elec -
trico, en estudios de supervivencia de fiabilidad.

1.- Usando la tabla de área de la curva normal estándar, calcule el valor de Z que verifica cada con -
dición. Ilustre con la proporción del área bajo la curva normal relevante en cada caso (3pts).

Solución Parte (a)

a) P( Z ≤ z ) = 0.35

a.1) Se busca en la tabla de área de la curva normal estándar

Área: 0,3500 el área más próximo es 0,3500 en la intersección entre horizontal y vertical es
Z= -0,38
Gráfica
Solución Parte (b)

b) P( Z > z )=0.69

b.1) Se busca en la tabla de área de la curva normal estándar

Área: 0,6900 el área más próximo es

en la intersección entre horizontal y
vertical es
Z= 0,49
Gráfica P( Z ≤ z ) = 0,6900

P( Z > z )=0.69

1 - P( Z ≤ 0,49 )=0.69

1 – 0,6900

0,3100

Solución C

.c) P( -z < Z ≤ z ) = 0.60

c) P( -a < Z ≤ b ) = P( Z ≤ b ) - [ 1 –p( Z ≤ a)]

C1) Se busca en la tabla de área de la curva normal estándar

Área: 0,6000 el área más próximo es 0,3500 en la intersección entre horizontal y vertical es
Z= 0,25

Gráfica
 2.- Se sabe que la capacidad de los envases que fabrica una empresa si-
gue una distribución normal de media 3Lt y desviación típica 0.019Lt. La empresa
desecha todos los envases que tengan una capacidad inferior a 1.86 Lt o superior
a 2,5 Lt. Escriba la variable aleatoria del problema y determine el porcentaje de
envases que será rechazado.

μ=3lts

σ=0,019 lts para Z < 1,86

P(Z<1,86) o P(Z>2,5)

P( 1,86>Z>2,5)
Porcentaje de envases rechazados
La variable aleatoria:
Numero de envases producidos por una empresa

3.- La directora de una pequeña subestación postal está tratando de cuantificar la

variación en la demanda semanal de cilindros postales. Ha decidido suponer que
esta demanda está distribuida normalmente. Ella sabe que en promedio se ad-
quieren 115 cilindros semanalmente y que 80% de las veces la demanda semanal
está por debajo de 120 .Escriba la variable aleatoria del problema y determine,
cuál es la desviación estándar de esta distribución. (2pts)

μ=115 cilindros
X−μ
Z = 80% ⟹ Z = 0,80 Z= σ

120−115 120−115
P(X<120) 0,8= σ
⟹ σ= 0,8

5
σ=? σ = 0,8 ⟹ σ = 6.25

Variable Aleatoria
Demanda de semanal de cilindro de una sub estación postal

4) Use la distribución normal para encontrar una aproximación de la probabilidad

de que como mínimo 150 de 400 personas que tienen televisión por cable vean
cierta película, si la probabilidad de que cualquier persona que tiene televisión
por cable vea la película es 0.34. (3pts)
N = 400
n = 150 μ = n*p μ = 400*0,34 μ = 136
p=0,34
q = 0,66
σ=√ n . p . q σ=√ 400.0,34 .0,66

σ=√ 89,76 σ=9,47

X−μ (159+0,5)−136 (159+0,5)−136

Z= σ
Z= Z=
9,47 9,47

(159,5)−136 23,4
Z= Z = 9,47 Z = 1,53
9,47

Área : 0,9370 = 93,7 %

BIBLIOGRAFIA
Material didáctico utilizado y recomendado por el docente

www.sergas.es/Saudepublica/Documents/1899/
Ayuda_Epidat_4_Distribuciones_de_probabilidad_Octubre2014.pdf

https://rstudio-pubs- static.s3.amazonaws.com/166233_44a100 ae858948c89b6e

20ae657088e9.html

https://www.monografias.com/trabajos94/distribucion-gamma/distribucion-gamma