UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE INGENIERÍA INDUSTRIAL

CARRERA INGENIERÍA INDUSTRIAL

Asignatura: Estadística II

Integrantes:

 Viracocha Chilán Cristhian Tomas.

 Huilca Lucio Melanie Alejandra

 Alcivar Gonzalez Mariela Esther.

 Benitez Macias Carlos Eduardo.

 Lucin Yagual Alfredo Javier

Docente: Taranto Vera Gilda Judith

Curso: IND-S-CO-4-3

Ciclo académico: Cll 2023-2024

 Función de probabilidad continua
Distribuciones continuas
Una distribución continua describe las probabilidades de los posibles valores
de una variable 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.
Las distribuciones continúas incluidas en el módulo de “Cálculo de
probabilidades” 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). 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).

Campo de variación:
a<x<b
Parámetros:
a: mínimo, - < a < 
b: máximo, - < b <  con a < b

Función de densidad:
1
f ( x )= , a< x <b
b−a
Valores característicos:

Media = Mediana:
a+b
2
Moda: intervalo (a, b)
Varianza:
2
(b−a)
12
Asimetría: 0
 Curtosis: -6/5
Ejemplo 1
Supóngase una variable que se distribuye uniformemente entre 380 y 1.200.
Determínese:
1. La probabilidad de que el valor de la variable sea superior a mil.
2. La media y la desviación estándar de dicha variable.
A Epidat se le proporcionará el límite superior e inferior del campo de variación de la
variable [380, 1.200] y, además, el punto a partir del cual se quiere calcular la
probabilidad.
DATOS:
Distribución uniforme o rectangular (a, b)
Parámetro
a: mínimo 380
b: máximo 1.200
Resultado:

Punto x Cola izquierda Pr[X<=X] Cola derecha Pr[X>=X]

1.000 0.7561 0.2439

Media Mediana Moda Varianza Asimetría Curtosis

790 790 (380, 1200) 56.033,3333 0 -1,2

La probabilidad de que la variable sea superior a mil se sitúa en un entorno de 0,24, la media es 790 y la
desviación estándar, raíz cuadrada de la varianza, es aproximadamente 237.

Ejemplo 2
Un contratista A está preparando una oferta sobre un nuevo proyecto de construcción.
La oferta sigue una distribución uniforme entre 55 y 75 miles de euros. Determínese:
1. La probabilidad de que la oferta sea superior a 60 mil euros.
2. La media y la desviación estándar de la oferta.
A Epidat se le proporcionará el límite superior e inferior del campo de variación de la
variable [55, 75] y, además, el punto a partir del cual se quiere calcular la probabilidad.
DATOS:
Distribución uniforme o rectangular (a, b)
Parámetro
a: mínimo 55
b: máximo 75
Resultado:

Punto x Cola izquierda Pr[X<=X] Cola derecha Pr[X>=X]

60 0.25 0.75

Media Mediana Moda Varianza Asimetría Curtosis

65 65 (55, 75) 33,3333 0 -1,2

La probabilidad de que la oferta sea superior a 60 mil euros se sitúa en un entorno de 0,75, y la media es
65.
 Distribución normal (, )
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.
Campo de variación:
- < x < 
Parámetros:
: media, - <  < 
: desviación estándar,  > 0
Función de densidad:
1
f ( x )= exp ¿ ¿
√2 π
Valores característicos:
Media = Mediana = Moda: 
Varianza: 2
Asimetría: 0
Curtosis: 0

Ejemplo 1
Se supone que el nivel de colesterol de los enfermos de un hospital sigue una
distribución normal con una media de 179,1 mg/dL y una desviación estándar de 28,2
mg/dL.
1. ¿Cuál es el porcentaje de enfermos con un nivel de colesterol inferior a 169
mg/dL?

DATOS:
Distribución normal (, )
Parámetro
a: media 179.1
b: desviación estándar 28.2
Resultado:

Punto x Cola izquierda Pr[X<=X] Cola derecha Pr[X>X] Dos colas 1-Pr[|X|<=x]
169 0,3601 0,6399 0,7202

Media Mediana Moda Varianza Asimetría Curtosis

179,1 179,1 179,1 795,24 0 0

El porcentaje de enfermos con un nivel de colesterol inferior a 169 mg/dL es 36%.

Ejemplo 2
Se supone que el nivel de colesterol de los enfermos de un hospital sigue una
distribución normal con una media de 179,1 mg/dL y una desviación estándar de 28,2
mg/dL.
2. ¿Cuál será el valor del nivel de colesterol a partir del cual se encuentra el 10%
de los enfermos del hospital con los niveles más altos?

DATOS:
Distribución normal (, )
Parámetro
: media 179,1
: desviación estándar 28,2
Cola izquierda Pr[X<=X] 0,9
Cola derecha Pr[X>X] 0,1
Dos colas 1-Pr[|X|<=x] 0,2
Resultado:

Punto x
215,2398

Media Mediana Moda Varianza Asimetría Curtosis

179,1 179,1 179,1 795,24 0 0

A partir de 215,24 mg/dL se encuentran los valores de colesterol del 10% de los enfermos que tienen los

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.
Campo de variación:
Campo de variación: 0 < x < 
Parámetros:
: escala, - <  < 
: forma,  > 0
Función de densidad:
1
f ( x )= exp ¿ ¿
√2 π
Valores característicos:
2
+σ
Media: e 2
❑
Mediana: e
2
Moda: e−σ
 2 2

Varianza: e 2+σ (e σ −1)

√ (e −1 )( e + 2 )
2 2
Asimetría: σ σ
2 2 2
Curtosis: e 4 σ +2 e3 σ +3 e2 σ −6

Ejemplo 1
Supóngase que la supervivencia, en años, luego de una intervención quirúrgica
(tiempo que pasa hasta que ocurre la muerte del enfermo) en una cierta población
sigue una distribución lognormal de parámetro de escala 2,32 y de forma 0,20.
Calcular la probabilidad de supervivencia a los 12 años y la mediana de
supervivencia.
DATOS:
Distribución lognormal (, )
Parámetro:
: media 2,32
: desviación estándar 0,2
Resultado:

Punto x Cola izquierda Cola derecha Pr[X>X]

Pr[X<=X]
12 0,7952 0,2048

Media Mediana Moda Varianza Asimetría Curtosis

10,3812 10,1757 9,7767 4,3982 0,6143 0,6784

La probabilidad de supervivencia a los 12 años es próxima a 0,20. A la vista de los

resultados también se puede decir que el número medio de años de supervivencia de
un paciente tras una intervención quirúrgica es de, aproximadamente, 10 años y
medio.

Distribución logística (a, b)

La distribución logística se utiliza en el estudio del crecimiento temporal de
variables, en particular, demográficas. 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 (0,1), entonces la variable X =ln ⁡
U
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.
Campo de variación:
- < x < 
Parámetros:
a: situación, - < a < 
b: escala, b > 0
Función de densidad:
−( x− a)/ b
1 e
f ( x )= − x−a
,−¿ x <¿
b b 2
[1−e ]
Valores característicos:
Media=Mediana=Moda:a
2
π 2
Varianza: b
3
Asimetría: 0
Curtosis: 6/5

Ejemplo
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
DATOS:
Distribución lognormal (, )
Parámetro:
a: Situación 1
b: Escala 2
Resultado:

Punto x Cola izquierda Cola derecha Dos colas 1-Pr[|X|

Pr[X<=X] Pr[X>X] <=x]
5 0,8808 0,1192 0,2384

Media Mediana Moda Varianza Asimetría Curtosis

1 1 1 13,1595 0 1,2

La probabilidad de que la población tenga un crecimiento superior al 5% es del orden de 0,12.

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)
Campo de variación:
0<x<
Parámetros:
a: escala, a > 0
p: forma, p > 0
Función de densidad:
p
a −ax p−1
f ( x )= e x , x> 0
(p)
Valores característicos:
P
Media:
a
Mediana: no tiene expresión explícita
p−1
Moda: para p>1
a
p
Varianza: 2
a
2
Asimetría:
√p
6
Curtosis:
p
Ejemplo 1
El número de pacientes que llegan a la consulta de un médico sigue una
distribución de Poisson de media 3 pacientes por hora. Calcular la probabilidad de
que transcurra menos de una hora hasta la llegada del segundo paciente.
Debe tenerse en cuenta que la variable aleatoria “tiempo que transcurre hasta la
llegada del segundo paciente” sigue una distribución Gamma (6, 2).
DATOS:
Distribución gamma (a, p)
Parámetro
a: escala 6
b: forma 2
Resultado:

Punto x Cola izquierda Cola derecha Pr[X>=X]

Pr[X<=X]
1 0,9826 0,0174

Media Mediana Moda Varianza Asimetría Curtosis

0,3333 0,2797 0,1667 0,0556 1,4142 3
Ejemplo 2
Suponiendo que el tiempo de supervivencia, en años, de pacientes que son
sometidos a una cierta intervención quirúrgica en un hospital sigue una distribución
gamma con parámetros a = 0,81 y p = 7,81, interesa saber:
1. El tiempo medio de supervivencia.
2. Los años a partir de los cuales la probabilidad de supervivencia es menor que 0,1.
DATOS:
Distribución gamma (a, p)
Parámetro
a: escala 0,81
b: forma 7,81
cola izquierda 0,9
cola derecha 0,1
Resultado:

Punto x
14,2429

Media Mediana Moda Varianza Asimetría Curtosis

9,642 9,2337 8,4074 11,9037 0,7157 0,7682

El tiempo medio de supervivencia es de, aproximadamente, 10 años, y a partir de

14,2 años, la probabilidad de supervivencia es menor de 0,1.

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.
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.

Campo de variación:
 0<x<
Parámetros:
: tasa,  > 0
Función de densidad:
f ( x )=e−x , x >0
Valores característicos:
1
Media:
❑
ln 2
Mediana:
❑
Moda: no definida
1
Varianza: 2
❑
Asimetría: 2
Curtosis: 6

Ejemplo
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una
distribución exponencial con media de 14 años. ¿Cuál es la probabilidad de que a
una persona a la que se le ha implantado este marcapasos se le deba reimplantar
otro antes de 20 años? Si el marcapasos lleva funcionando correctamente 5 años
en un paciente, ¿cuál es la probabilidad de que haya que cambiarlo antes de 25
años? La variable aleatoria “tiempo de vida del marcapasos” sigue una distribución
exponencial de parámetro  = 1/14  0,07
DATOS:
Distribución gamma ( )
Parámetro
: escala 0,07
Resultado:

Punto x Cola izquierda Cola derecha Pr[X>=X]

Pr[X<=X]
20 0,7534 0,246

Media Mediana Moda Varianza Asimetría Curtosis

14,2857 9,9021 No 204,0816 2 6
definida

La probabilidad de que se le tenga que implantar otro marcapasos antes de los 20

años se sitúa en un entorno de 0,75.

Distribución Pareto (, x0)

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.

Campo de variación:
x0  x < 
Parámetros:
: forma,  > 0
x0: situación, x0 > 0
Función de densidad:
∝
∝ x0
f ( x )= ∝+1
, x ≥ x0
x
Valores característicos:
∝ X0
Media: para ∝>1
X−1
Mediana= x 0 2 1/∝
Moda= x 0
2
∝ x0
Varianza: 2
para ∝> 2
(∝−2)(∝−1)

Asimetría:
∝−3 √
2(1+∝) ∝−2
∝
6(∝3 + ∝2 −6 ∝−2)
para ∝>3

Curtosis: para ∝> 4

∝(∝−3)(∝−4)

Ejemplo
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?
DATOS:
Distribución Pareto (, x0)
Parámetro
: forma 2,75
x0: situación 900
Resultado:

Punto x Cola izquierda Cola derecha Pr[X>=X]

Pr[X<=X]
2,000 0,8887 0,1113
3,000 0,9635 0,0365

Media Mediana Moda Varianza Asimetría Curtosis

1.414,285 1.157,9984 900 969.795,918 No No
7 4 definida definida

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.
Campo de variación:
axb
Parámetros:
a: mínimo, -∞ < a < ∞
c: moda, -∞ < c < ∞ con a  c  b
b: máximo, -∞ < b < ∞ con a < b
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 ) ( c−a ) a +b
b− si c ≤
2 2
Mediana:
a+
√
(b−a)(b−c )
2
sic ≤
a+ b
2

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

√2(a+b−2 c)(b+c +2 a)(2 b−c−a)

Asimetría: 2 3/ 2
5[ ( b−a ) −(c−a)(b−c)]
Curtosis: -3/5
Ejemplo
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?
DATOS:
Distribución Pareto (a, c, b)
Parámetro
a: mínimo 12,2
c: moda 19,8
 La probabilidad de que la
temperatura supere los 30
grados es de 0,089.