Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fernandez Quispe Cisthian Kevin. Probabilidades
Fernandez Quispe Cisthian Kevin. Probabilidades
TRABAJO DE INVESTIGACION
1ra Investigación
“Tipos de Distribuciones Continuas”
Materia: Probabilidades
Semestre: Tercero
Universitarios: Fernández Quispe Cristhian Kevin
LA PAZ – BOLIVIA
2022
Modelos de
Distribución continua
Los modelos continuos, son modelos de probabilidad de variable aleatoria continua. Ya
que la función de distribución de una variable aleatoria X esta dada por Fx (x) =P(X<x).
En las distribuciones de probabilidad continuas, la distribución de probabilidad es la
integral de la función de densidad, por lo que tenemos entonces que:
𝑥
𝐹 (𝑥 ) = 𝑃 (𝑋 ≤ 𝑥 ) = ∫ 𝑓 (𝑡)𝑑𝑡
−∞
Donde:
𝛼: 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎
𝛽 = 𝐹𝑎𝑐𝑡𝑜𝑟 𝑑𝑒 𝑒𝑠𝑐𝑎𝑙𝑎
Y por otro lado tenemos que la media de la distribución gamma es:
𝜇 = 𝛼𝛽
Y es nuestra media para la distribución gamma.
También tenemos la varianza de la distribución gamma, lo cual es:
𝜎 2 = 𝛼𝛽2
La distribución gamma es una distribución continua que se define por sus parámetros
de forma y escala. La distribución gamma de 3 parámetros se define por sus
parámetros de forma, escala y valor umbral. Por ejemplo, en la siguiente gráfica, la
distribución gamma se define según valores de forma y escala diferentes cuando el
valor umbral se establece en 0.0. Note que la mayoría de los valores en una
distribución gamma ocurren cercanos entre sí, pero algunos valores quedan al final de
la cola superior.
Distribucion exponencial
La distribución exponencial estudia el tiempo entre cada una de estas llegadas. Si las
llegadas son de Poisson el tiempo entre estas llegadas es exponencial. Mientras que la
distribución de Poisson es discreta la distribución exponencial es continua porque el
tiempo entre llegadas no tiene que ser un número entero. Esta distribución se utiliza
mucho para describir el tiempo entre eventos. Más específicamente la variable
aleatoria que representa al tiempo necesario para servir a la llegada.
𝛽𝑒 −𝛽𝑥 , 𝑥≥0
𝑓 (𝑥 ) = {
0, 𝑥<0
El tiempo durante el cual cierta marca de batería trabaja en forma efectiva hasta que
falle, se distribuye según el modelo exponencial con un tiempo promedio de fallas
igual a 360 días.
• a) ¿qué probabilidad hay que el tiempo de falla sea mayor que 400 días?.
• b) Si una de estas baterías ha trabajado ya 400 días, ¿qué probabilidad hay que
trabaja más de 200 días más?
Solución
Sea X=el tiempo que trabaja la batería hasta que falle. El tiempo promedio de falla es
de 360 días. Entonces, X ~Exp (ß=1/360) y su función de densidad es:
Distribucion de Erlang
Es una distribución continua, que tiene un valor positivo para todos los números reales
mayores que cero, y esta dada por dos parámetros: la forma k, que es un entero no
negativo, y la tasa Landa, que es un numero real no negativo, la distribución a veces se
define utilizando el inverso del parámetro de tasa, la escala. Se utiliza la distribución
Erlang para describir el tiempo de espera hasta el suceso numero K en un proceso de
poisson.
Modelo de distribución beta
La distribución beta es continua. A menudo se utiliza para representar la variabilidad
dentro de un cierto rango. Puede reflejar incertidumbre sobre la probabilidad de un
evento. También se utiliza para describir el comportamiento aleatorio de los datos
empíricos y los porcentajes y tasas previstos, y se puede utilizar para representar la
fiabilidad de los equipos de una empresa. notas:
Los modelos que utilizan la distribución beta se ejecutarán más lentamente debido a los
parámetros alternativos y los cálculos CDF inversos que se producen cuando se tratan
números aleatorios como parte de la distribución beta.
Condicionales
La distribución beta se utiliza cuando se dan las siguientes condiciones:
REEMPLAZAMOS
Este valor de Z nos dice que la edad de 30 años está a 1,29 desviaciones estándar
sobre el promedio.
con la edad 30 años, vemos que el valor Z = 1,29 tiene una probabilidad asociada de
0,9014. Entonces, la probabilidad de encontrar una persona con edad de 30 años o
menos, en este grupo humano, es 0,9014.
Sabemos que
Pero esta variable hay que tipificarla y convertirla en una nueva
variable , es decir, en una Normal estándar.
Para ello, restamos a el valor de la media (en este caso ), así tendremos una
nueva variable con media (16.5-16.5=0) y luego dividimos entre la desviación
típica (en este caso ) y obtendremos otra nueva variable con desviación
típica (2/2=1).
Distribucion de Ji cuadrada