UNIVERSIDAD MAYOR DE SAN ANDRÉS

FACULTAD DE CIENCIAS ECONÓMICAS Y FINANCIERAS

CARRERA DE ECONOMIA

TRABAJO DE INVESTIGACION
1ra Investigación
“Tipos de Distribuciones Continuas”

Materia: Probabilidades
Semestre: Tercero
Universitarios: Fernández Quispe Cristhian Kevin

Docente: Lic. Aldo Fernando Reyes Reyes

Fecha De Entrega: 24/11/2022

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
−∞

Modelo de distribución Gamma.

Distribución Gamma, también se denomina generalización de la distribución
exponencial más allá de la distribución de Erlang y la distribución de chi-cuadrado. La
distribución gamma es una distribución continua y se define por sus parámetros de
forma, escala y valor umbral.
La variable aleatoria continua X tiene una distribución Gamma, con parámetros ∝ y 𝛽
y su función de densidad está dada por:
𝑥
1 𝛼−1 𝑒 𝛽 ,
𝑓(𝑥; 𝛼; 𝛽 ) = {𝛽𝑥𝑟(𝑥) 𝑥 𝑥 >0𝑦𝛽 > 0
0

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.

Cuando el parámetro de forma es un entero, la distribución gamma a veces se menciona

como distribución de Erlang. La distribución de Erlang se utiliza frecuentemente en
aplicaciones de teorías de colas.
Distribucion de Poisson

La distribución de Poisson es una distribución de probabilidad discreta y se emplea para

describir procesos que pueden ser descritos con una variable aleatoria
discreta. Describe situaciones en las cuales los clientes llegan de manera independiente
durante un cierto intervalo de tiempo y el número de llegadas depende de la magnitud
del intervalo. La distribución de Poisson juega un rol importante en complementar la
distribución exponencial en la teoría de colas o modelo de líneas de espera.

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.

La función de densidad de la distribución exponencial es la siguiente:

Se dice que la variable aleatoria continua X tiene distribución exponencial con

parámetro: 𝛽(𝛽 > 0)

𝛽𝑒 −𝛽𝑥 , 𝑥≥0
𝑓 (𝑥 ) = {
0, 𝑥<0

Su gráfica es un modelo apropiado a vida útil de objetos.

Par calcular la esperanza matemática y la varianza, se hallara primero el momento de
orden r respecto del origen:
EJEMPLO

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?

• c) Si se están usando 5 de tales baterías calcular la probabilidad de que más de

dos de ellas continúen trabajando después de 360 días.

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:

• El rango mínimo y máximo debe estar comprendido entre 0 y un valor positivo.

• La forma se puede especificar con dos valores positivos, alfa y beta. Si los
parámetros son iguales, la distribución es simétrica. Si alguno de los parámetros
es 1 y el otro parámetro es mayor que 1, la distribución tiene forma de J. Si alfa
es menor que beta, se dice que la distribución está sesgada positivamente (la
mayoría de los valores se aproximan al valor mínimo). Si alfa es superior a beta,
la distribución está sesgada negativamente (la mayoría de los valores se
aproximan al valor máximo). Dado que la distribución beta es compleja, los
métodos para determinar los parámetros de distribución van más allá del
alcance de este manual. Para obtener más información acerca de la distribución
beta y estadísticas bayesianas, consulte los textos en la bibliografía.

Modelo de distribución continua Curva normal.

La curva normal tiene forma de campana, por este motivo también es conocida como
la campana de Gauss. Y es asintótica, es decir sus extremos nunca tocan el eje
horizontal, cuyos valores tienden a infinito. La media es también la moda y la mediana,
es simétrica. Por ende, las tres medidas de centralización la media, la mediana y la
moda coinciden en el punto superior de la curva.
La tabla de la distribución normal presenta los valores de probabilidad para una variable
estándar Z, con media igual a 0 y varianza igual a 1.
En general, el valor de Z se interpreta como el número de desviaciones estándar que
están comprendidas entre el promedio y un cierto valor de variable x. En otras palabras,
se puede decir que es la diferencia entre un valor de la variable y el promedio, expresada
esta diferencia en cantidad de desviaciones estándar.

Supongamos un conjunto de personas con edad promedio 25 años y desviación estándar

3,86. Nuestro valor de interés (x) es 30 años. El valor de Z correspondiente será:

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.

El precio del kilogramo de carne frescas en el mercado Rodriguez sigue una

distribución Normal de media 16.5 bs y desviación típica 2 bs.
¿Cuál es la probabilidad de que un kilo de carne nos cueste menos de 15 bs?
Llamemos = "precio del kg de carne fresca (en bs)"

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).

Así, a partir de , obtendremos la variable que sigue una distribución.

Por tanto, para dar respuesta a la cuestión hacemos esta transformación tanto a la
variable como al valor del que queremos determinar su probabilidad. Vamos
estableciendo una cadena de igualdades hasta llegar a la probabilidad buscada.

La la hemos obtenido de la tabla de la .

Por tanto, la probabilidad de que un kilo de carne frescas nos cueste menos de 15 bs
es 0.2266
(RESPUESTA: Hay un 22.66 % de probabilidad que 1 kg de carne nos cueste menos de 15
bs)
Distribucion T de student:
la distribución-t o distribución t de Student es una distribución de probabilidad que
surge del problema de estimar la media de una población normalmente distribuida
cuando el tamaño de la muestra es pequeño. A la teoría de pequeñas muestras
también se le llama teoría exacta del muestreo, ya que también la podemos utilizar
con muestras aleatorias de tamaño grande. Veremos un nuevo concepto necesario
para poder entender la distribución t Student. Este concepto es "grados de libertad".
Para definir grados de libertad se hará referencia a la varianza maestral:
Distribucion F de Fischer.

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

distribución que aparece, con frecuencia, como distribución de un estadístico de test,
en muchos contrastes de hipótesis bajo las suposiciones de normalidad.

Su tabla es compleja porque al depender de dos parámetros complica su diseño. Se

acostumbran, pues, a publicar tantas tablas como niveles de significación interese
manejar. Aquí adjunto la del 0.05, la del 0.01 y la del 0.001:

Distribucion de Ji cuadrada

La distribución de chi-cuadrada es una distribución continua que se especifica por los

grados de libertad y el parámetro de no centralidad. La distribución es positivamente
asimétrica, pero la asimetría disminuye al aumentar los grados de libertad.

Minitab utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia

estadística para:
• Comprobar qué tan bien se ajusta una muestra a una distribución teórica. Por
ejemplo, puede utilizar una prueba de bondad de ajuste de chi-cuadrada para
determinar si los datos de la muestra se ajustan a una distribución de Poisson.
• Comprobar la independencia de las variables categóricas. Por ejemplo, un
fabricante desea saber si la ocurrencia de cuatro tipos de defectos (espárrago
faltante, abrazadera rota, sujetador flojo y sello con fugas) está relacionada con
los turnos (diurno, vespertino, nocturno).