“AÑO DE LA LUCHA CONTRA LA CORRUPCIÓN Y LA IMPUNIDAD”

UNIVERSIDAD NACIONAL SAN LUIS GONZAGA DE ICA

ESCUELA DE POSGRADO

MAESTRÍA
INGENIERÍA CIVIL

MENCIÓN
GESTIÓN Y GERENCIA DE LA CONSTRUCCIÓN

TEMA:
DISTRIBUCIÓN BETA, DISTRIBUCIÓN ELANG, DISTRIBUCIÓN JI CUADRADO Y DISTRIBUCIÓN
EMPÍRICA ACUMULADA

CURSO:
GESTIÓN DE LA INNOVACIÓN Y MATERIALES DE LA CONSTRUCCIÓN

DOCENTE : Dr. ALDRIN APARCANA

INTEGRANTES : LLAMOCCA HUARCAYA JONATHAN
MACHADO URIBE, PEDRO EDWIN
MALDONADO SÁENZ, PEDRO ÁNGEL
OCHOA SOTELO, JORGE SAMIR
TIPTE GARCÍA, GIANCARLOS FERNANDO

CICLO: I
SECCION: B
 Las distribuciones de probabilidad continuas son aquellas en las que la variable
aleatoria puede asumir un número infinito de valores, que son resultado de una
medición.
 Por ejemplo, el valor de la temperatura media del aire en intervalos dados de
tiempo. Por supuesto que las variables aleatorias continuas dependen de la
exactitud del instrumento de medición en este caso el termómetro.
 Existen varios tipos de distribuciones continuas de probabilidad:
 Distribución uniforme continua.
 Distribución normal.
 Distribución gamma.
 Distribución exponencial.
 Distribución beta.
 Distribución de erlang.
 Distribución ji cuadrado.
 Distribución empírica acumulada.
 Las distribuciones continuas son imposibles de tabular y por lo tanto se
representan con curvas.
 La distribución beta es una familia de
distribuciones de probabilidad continua
definidas en el intervalo (0,1) con dos
parámetros positivos que determinan la forma,
típicamente notados como α y β.
 La distribución beta puede tomar muchas
formas según los valores de α y β.
 La distribución beta se usa generalmente para
estudiar las variaciones a través de varias
muestras de un porcentaje que representa
algún fenómeno, por ejemplo; el tiempo que
dedicamos diariamente hacer deporte, el
porcentaje de tiempo que realmente trabaja un
empleado en su horario de trabajo, la
distribución del intervalo de tiempo necesario
para completar una fase de proyecto PERT,
etc.
 Se emplea para la variables aleatorias
continuas que no son negativas, por lo que su
gráfica esta sesgada a la derecha.
 La distribución beta se puede deducir a partir de la función Beta, definida de la
siguiente manera:

1
𝛼−1 𝛽−1
𝛤(𝛼) × 𝛤(𝛽)
𝐵 𝛼, 𝛽 = න 𝑥 (1 − 𝑥) 𝑑𝑥 = , 𝑝𝑎𝑟𝑎 𝛼, 𝛽 > 0
0 𝛤(𝛼 + 𝛽)

 Donde Γ(α) es la función gamma.

Γ(n)=(n-1)!

 Distribución Beta
Este modelo tiene aplicaciones importantes por la variedad de formas
diferentes que puede tomar su función de densidad eligiendo valores para sus
parámetros.
La variable aleatoria continua X tiene una distribución beta con los parámetros
α>0 y β>0, si su función de densidad es dada por:

1
𝑥 𝛼−1 (1 − 𝑥)𝛽−1 , 0 < 𝑥 < 1,
𝑓 𝑥 = ൞𝐵 𝛼, 𝛽
0 , 𝑝𝑎𝑟𝑎 𝑜𝑡𝑟𝑜 𝑥
 Media y Varianza de la Distribución Beta
La media de una distribución beta en la que los parámetros α y β, está definida
por:
𝛼
𝜇=
𝛼+𝛽

La varianza de una distribución beta en la que los parámetros α y β, está

definida por:
𝛼𝛽
𝜎2 =
𝛼 + 𝛽 2 × (𝛼 + 𝛽 + 1)
 Ejemplo:
Un distribuidor de gasolina llena los tanques del depósito cada lunes. Se ha
observado que la cantidad que vende cada semana se puede modelar con la
Distribución Beta con α=4 y β=2.
a) Determine la el valor esperado de la venta semanal.
b) La probabilidad que en alguna semana venda al menos el 90%.
Hallando al función f(x): Hallando el valor esperado de la venta
semanal (media):
𝛼
𝛤(𝛼 + 𝛽) 𝛼−1 𝜇=
𝑓 𝑥 = 𝑥 (1 − 𝑥)𝛽−1 𝛼+𝛽
𝛤(𝛼) × 𝛤(𝛽)
4
𝛤(4 + 2) 4−1 𝜇=
𝑓 𝑥 = 𝑥 (1 − 𝑥)2−1 4+2
𝛤(4) × 𝛤(2)
2
𝜇=
𝛤(6) 3
𝑓 𝑥 = 𝑥 3 (1 − 𝑥)1
𝛤(4) × 𝛤(2)
𝜇 = 66.67%
5!
𝑓 𝑥 = 𝑥 3 (1 − 𝑥)
3! × 1!

𝑓 𝑥 = 20𝑥 3 (1 − 𝑥); 0 < 𝑥 < 1

Hallando la probabilidad que en alguna
semana venda al menos el 90%:
1
1 1
𝑃 𝑥 > 0.90 = න 𝑥 𝛼−1 (1 − 𝑥)𝛽−1 𝑑𝑥 𝑥4 𝑥5
0.90 𝐵 𝛼, 𝛽 𝑃 𝑥 > 0.90 = 20 න −
0.90 4 5
1
𝑃 𝑥 > 0.90 = න 20𝑥 3 (1 − 𝑥)𝑑𝑥 14 15 0.94 0.95
0.90 𝑃 𝑥 > 0.90 = 20 − − −
4 4 4 4
1
𝑃 𝑥 > 0.90 = 20 න 𝑥 3 1 − 𝑥 𝑑𝑥 𝑃 𝑥 > 0.90 = 8.146%
0.90

1 1
𝑃 𝑥 > 0.90 = 20 න 𝑥 3 𝑑𝑥 −න 𝑥 4 𝑑𝑥
0.90 0.90

𝑛+1
𝑥
𝑎𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑙𝑎 𝑟𝑒𝑔𝑙𝑎 න 𝑥 𝑛 𝑑𝑥 =
𝑛+1
La distribución de ji-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.
Se utiliza la distribución de ji-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 ji-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).
Cuando los grados de libertad son 30 o más, la distribución de ji-cuadrada puede aproximarse
razonablemente con una distribución normal, como se ilustra en las siguientes gráficas:
Ji- cuadrado como prueba de asociación
Supongamos que un investigador está interesado en evaluar la asociación entre uso de
cinturón de seguridad en vehículos particulares y el nivel socioeconómico del conductor del
vehículo. Con este objeto se toma una muestra de conductores a quienes se clasifica en una
tabla de asociación, encontrando los siguientes resultados:

Tabla I. Tabla de asociación, valores observados.

¿Permiten estos datos afirmar que el uso del cinturón de seguridad depende del
nivel socioeconómico? Usaremos un nivel de significación alfa=0,05.
Los pasos del análisis estadístico en este caso son los siguientes:
1. En primer lugar se debe plantear las hipótesis que someteremos a prueba

H0: “El uso de cinturón de seguridad es independiente del nivel socioeconómico”.

H1: “El uso de cinturón de seguridad depende del nivel socioeconómico”.
En esta prueba estadística siempre la hipótesis nula plantea que las variables
analizadas son independientes.
2. En segundo lugar, obtener (calcular) las frecuencias esperadas
Estas son las frecuencias que debieran darse si las variables fueran independientes,
es decir, si fuera cierta la hipótesis nula.
Las frecuencias esperadas se obtendrán de la distribución de frecuencias del total
de los casos, 51 personas de un total de 94 usan el cinturón y 43 de 94 no lo usan.
Esa misma proporción se debería dar al interior de los tres grupos de nivel
socioeconómico, de manera que el cálculo responde al siguiente razonamiento: si
de 94 personas 51 usan cinturón; de 21 personas, ¿cuántas debieran usarlo?
La respuesta a esta pregunta se obtiene aplicando la “regla de tres” y es 11,4. Este
procedimiento debe repetirse con todas las frecuencias del interior de la tabla.
El detalle de los cálculos es el siguiente:
Nivel bajo: (21x51/94)=11,4-(21x43/94)=9,6
Nivel medio: (31x51/94)=16,8-(31x43/94)=14,2
Nivel alto: (42x51/94)=22,8-(42x43/94)=19,2
Estas son las frecuencias que debieran presentarse si la hipótesis nula fuera
verdadera y, por consiguiente, las variables fueran independientes.
Estos valores los anotamos en una tabla con las mismas celdas que la anterior; así
tendremos una tabla con los valores observados y una tabla con los valores
esperados, que anotaremos en cursiva, para identificarlos bien.

Tabla II. Tabla de asociación, valores esperados.