ESCUELA SUPERIOR POLITÉCNICA DE

CHIMBORAZO

FACULTAD DE MECÁNICA
ESCUELA DE INGENIERÍA INDUSTRIAL

NOMBRE: CÓDIGO:
Aguirre Manzaba Yeliber Alfredo 2193

FECHA DE ENTREGA:
2020-06-19

CURSO:
8Vo “1”

MATERIA:
INGENIERÍA ECONÓMICA
DOCENTE:
Ing. García Alcides

PERIODO:
ESPECIAL ABRIL - SEPTIEMBRE 2020, RESOLUCIÓN 221. CP.2020,
RESOLUCIÓN 240. CP.2020

Riobamba-Ecuador
 TIPOS DE DISTRIBUCIONES
DISTRIBUCIÓN NORMAL

La distribución normal es una distribución con forma de campana donde las

desviaciones estándar sucesivas con respecto a la media establecen valores de referencia
para estimar el porcentaje de observaciones de los datos. Estos valores de referencia son
la base de muchas pruebas de hipótesis, como las pruebas Z y t.

Histograma de una distribución normal hipotética

Puesto que la distribución de estos datos es normal, usted puede determinar exactamente
qué porcentaje de los valores está dentro de cualquier rango específico. Por ejemplo:

 Alrededor del 95% de las observaciones está dentro de 2 desviaciones estándar

de la media, indicado por el área sombreada en azul. El 95% de los valores se ubicará
dentro de 1.96 desviaciones estándar con respecto a la media (entre −1.96 y +1.96). Por
lo tanto, menos del 5% (0.05) de las observaciones estará fuera de este rango. Este
rango es la base del nivel de significancia de 0.05 que se utiliza para muchas pruebas de
hipótesis.

 Aproximadamente el 68% de las observaciones está dentro de una 1 desviación

estándar de la media (-1 a +1), y alrededor del 99.7% de las observaciones estarían
dentro de 3 desviaciones estándar con respecto a la media (-3 a +3).[ CITATION Min19
\l 12298 ]

DISTRIBUCIÓN EXPONENCIAL

Mientras que la distribución de Poisson describe las llegadas por unidad de tiempo, 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.
Ejemplos típicos de esta situación son el tiempo que un médico dedica a una
exploración, el tiempo de servir una medicina en una farmacia, o el tiempo de atender a
una urgencia.

El uso de la distribución exponencial supone que los tiempos de servicio son aleatorios,
es decir, que un tiempo de servicio determinado no depende de otro servicio realizado
anteriormente ni de la posible cola que pueda estar formándose. Otra característica de
este tipo de distribución es que no tienen "edad" o en otras palabras, "memoria".
[ CITATION Gon11 \l 12298 ]

DISTRIBUCIÓN LOGÍSTICA
Utilice la distribución logística para modelar distribuciones de datos que tengan colas
más grandes y curtosis más alta que la distribución normal.

La distribución logística es una distribución continua que se define por sus parámetros
de escala y ubicación. La distribución logística no tiene parámetro de forma, lo que
significa que la función de densidad de probabilidad solo tiene una forma. La forma de
la distribución logística es similar a la forma de la distribución normal. Sin embargo, la
distribución logística tiene colas más grandes.
Efecto del parámetro de escala
La siguiente gráfica muestra el efecto de los diferentes valores del parámetro de
escala en la distribución logística.
 Efecto del parámetro de ubicación
La siguiente gráfica muestra el efecto de los diferentes valores del parámetro de
ubicación en la distribución logística.

[ CITATION Min191 \l
12298 ]

DISTRIBUCIÓN DE WEIBULL

La distribución de Weibull es una distribución versátil que se puede utilizar para

modelar una amplia gama de aplicaciones en ingeniería, investigación médica, control
de calidad, finanzas y climatología. Por ejemplo, la distribución se utiliza
frecuentemente con análisis de fiabilidad para modelar datos de tiempo antes de falla.
La distribución de Weibull también se utiliza para modelar datos asimétricos del
proceso en el análisis de capacidad.

La distribución de Weibull se describe según los parámetros de forma, escala y valor

umbral y también se conoce como la distribución de Weibull de 3 parámetros. El caso
en el que el parámetro de valor umbral es cero se conoce como la distribución de
Weibull de 2 parámetros. La distribución de Weibull de 2 parámetros se define solo
para variables positivas. Una distribución de Weibull de 3 parámetros puede funcionar
con ceros y datos negativos, pero todos los datos para una distribución de Weibull de 2
parámetros deben ser mayores que cero.

Dependiendo de los valores de sus parámetros, la distribución de Weibull puede adoptar

varias formas.

Efecto del parámetro de forma

El parámetro de forma describe la manera en que se distribuyen los datos. Una
forma de 3 se aproxima a una curva normal. Un valor de forma bajo, por
ejemplo 1, da una curva con asimetría hacia la derecha. Un valor de forma alto,
por ejemplo 10, da una curva con asimetría hacia la izquierda.

Efecto del parámetro de escala

La escala, o vida característica, es el percentil 63.2 de los datos. La escala define
la posición de la curva de Weibull respecto del valor de umbral, lo cual es
similar a la manera en que la media define la posición de una curva normal. Una
escala de 20, por ejemplo, indica que el 63.2% de los equipos fallará en las
primeras 20 horas después del tiempo umbral.

Efecto del parámetro de valor umbral

 El parámetro de valor umbral describe un desplazamiento de la distribución
alejándose del 0. Un valor umbral negativo desplaza la distribución hacia la
izquierda, mientras que un valor umbral positivo desplaza la distribución hacia
la derecha. Todos los datos deben ser mayores que el valor umbral. La
distribución de Weibull de 2 parámetros es igual a la distribución de Weibull de
3 parámetros con un valor umbral de 0. Por ejemplo, la distribución de Weibull
de 3 parámetros (3,100,50) tiene la misma forma y dispersión que la distribución
de Weibull de 2 parámetros (3,100), pero está desplazada 50 unidades hacia la

derecha. [ CITATION
Min192 \l 12298 ]

DISTRIBUCIÓN DE POISSON

La distribución de Poisson se especifica por un parámetro: lambda (λ). Este parámetro

es igual a la media y la varianza. Cuando lambda aumente a valores lo suficientemente
grandes, la distribución normal (λ, λ) podría utilizarse para aproximar la distribución de
Poisson.

Utilice la distribución de Poisson para describir el número de veces que un evento

ocurre en un espacio finito de observación. Por ejemplo, una distribución de Poisson
puede describir el número de defectos en el sistema mecánico de un avión o el número
de llamadas a un centro de llamadas en una hora. La distribución de Poisson se utiliza
con frecuencia en el control de calidad, los estudios de fiabilidad/supervivencia y los
seguros.

Una variable sigue una distribución de Poisson si se cumplen las siguientes condiciones:

 Los datos son conteos de eventos (enteros no negativos, sin límite superior).

 Todos los eventos son independientes.

 La tasa promedio no cambia durante el período de interés.

Las siguientes gráficas representan distribuciones de Poisson con valores diferentes de
lambda.

Lambda = 3

Lambda = 10

¿Qué es tasa de ocurrencia?

La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión del espacio de
observación. Es útil para comparar conteos de Poisson recolectados en diferentes
espacios de observación. Por ejemplo, la central telefónica A recibe 50 llamadas
telefónicas en 5 horas y la central telefónica B recibe 80 llamadas en 10 horas. Usted no
puede comparar directamente estos valores, porque sus espacios de observación son
diferentes. Debe calcular la tasa de ocurrencia para comparar estos conteos. La tasa de
la central telefónica A es (50 llamadas / 5 horas) = 10 llamadas/hora. La tasa de la
central telefónica B es (80 llamadas / 10 horas) = 8 llamadas/hora.[ CITATION Min193
\l 12298 ]

DISTRIBUCIÓN TRIANGULAR
Utilice la distribución triangular para describir una población sobre la cual existen datos
de muestra limitados. Por ejemplo, en la industria petrolera es costoso recolectar datos y
es casi imposible modelar la población.

La distribución triangular se utiliza generalmente para modelar procesos estocásticos o

de riesgo comercial. Por ejemplo, la recolección de datos para determinar el costo de
construcción de un edificio nuevo resulta difícil. Sin embargo, usted puede estimar los
costos de construcción mínimos, máximos y más probables (moda). Es fácil definir y
explicar estos valores, que son una representación razonable de los datos.

Una distribución triangular es una distribución continua que se describe por sus valores
mínimos, máximos y su moda. La distribución tiene una forma triangular. Comienza en
el valor mínimo, aumenta de manera lineal hasta alcanzar el valor pico en la moda y
luego disminuye de manera lineal hasta alcanzar el valor máximo. La forma del
triángulo puede ser simétrica o asimétrica. Por ejemplo, la siguiente gráfica ilustra una
distribución triangular con parámetros mínimo = 10, moda = 50 y máximo = 150.

[ CITATION Min194 \l 12298 ]

DISTRIBUCIÓN UNIFORME

Utilice la distribución uniforme para describir variables continuas que tienen una
probabilidad constante. Por ejemplo, una población de partes varía de 0.5 a 0.6 cm de
largo. Si cada valor entre 0.5 y 0.6 cm tiene la misma probabilidad de ocurrir, estos
datos siguen una distribución uniforme.

La distribución uniforme es una distribución continua que modela un rango de valores

con igual probabilidad. La distribución uniforme se especifica mediante cotas inferior y
superior. Por ejemplo, la siguiente gráfica ilustra una distribución uniforme.

La distribución uniforme no suele ocurrir en la naturaleza, pero es importante como una

distribución de referencia. La distribución uniforme también se conoce como la
distribución rectangular.[ CITATION Min195 \l 12298 ]
EJEMPLO DE DISTRIBUCIÓN NORMAL EN R

Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:

 x, q: Vector de cuantiles.

 p: Vector de probabilidades.

 n: Números de observaciones.

 mean: Vector de medias. Por defecto, su valor es 0.

 sd: Vector de desviación estándar. Por defecto, su valor es 1.

 log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas como

log (p).

 lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X
≤ x], de lo contrario, P [X > x].

EJEMPLO:
Sea Z una variable aleatoria normal con una media de 0 y una desviación estándar igual
a 1. Determinar:

a) P(Z > 2).

b) P(-2 ≤ Z ≤ 2).

c) P(0 ≤ Z ≤ 1.73).

d) P(Z ≤ a) = 0.5793.

e) P(Z > 200). Siendo la media 100 y la desviación estándar 50.

La variable aleatoria continua Z, sigue una distribución estándar Normal: Z ~ N(0, 1)

Apartado a)

Para resolver este apartado, necesitamos resolver: P( Z > 2), por lo tanto, usamos la
función acumulada de distribución indicando que la probabilidad de cola es hacia la
derecha:
> pnorm(2, mean = 0, sd = 1, lower.tail = F)
[1] 0.02275013

Apartado b)

Necesitamos resolver: P(-2 ≤ z ≤ 2), volvemos a emplear la función de densidad

acumulada, esta vez, con la probabilidad de cola por defecto, hacia la izquierda:

> pnorm(c(2), mean = 0, sd = 1) - pnorm(c(-2), mean = 0, sd = 1)

[1] 0.9544997

Apartado c)

Necesitamos resolver: P(0 ≤ z ≤ 1.73), este ejercicio se resuelve con el mismo

procedimiento que el apartado anterior, por lo tanto, volvemos a emplear la función de
densidad acumulada:

> pnorm(c(1.73), mean = 0, sd = 1) - pnorm(c(0), mean = 0, sd = 1)

[1] 0.4581849

Apartado d)

En este apartado, debemos obtener el valor de a para que se cumpla la probabilidad, es

decir: P(Z ≤ a) = 0.5793. Para ello, debemos usar la función de quantiles:

> qnorm(0.5793, mean = 0, sd = 1)

[1] 0.2001030

Por lo tanto, el valor a para que satisfazga la probabilidad de 0.5793 es: 0.2001030,
aproximádamente, 0.20.

Lo vamos a demostrar: Teniendo en cuenta las tablas que dispone Aqueronte,

adecuamos el dato:
0.5793 - 0.5 = 0.0793

Buscamos en las tablas de la Normal el valor de Z que tenga la probabilidad 0.0793, y

dicho valor, es Z = 0.20.

Apartado e)

La curiosidad de este apartado es que no tenemos una normal estándar, pero no hay
problema, simplemente, debemos especificar los valores de la media y desviación
estándar en los argumentos de la función de distribución acumulada para que la
tipificación la realice automáticamente la función de R.
Otra cosa importante a tener en cuenta, es que debemos indicar que la probabilidad de
cola es hacia la derecha.

> pnorm(c(200), mean = 100, sd = 50, lower.tail = F)

[1] 0.02275013 [ CITATION BAR09 \l 12298 ]

EJEMPLO DE DISTRIBUCIÓN EXPONENCIAL EN R

Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:

 x, q: Vector de cuantiles.

 p: Vector de probabilidades.

 n: Números de observaciones.

 rate: Vector de tasas. Hay que tener en cuenta que: rate = 1/β

 log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas

como log (p).

 lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son

P[X ≤ x], de lo contrario, P [X > x].

EJEMPLO:

La magnitud de los terremotos registrados en una región de Estados Unidos puede

representarse mediante una función exponencial con media 2.4, de acuerdo con la escala
de Richter, calcule la probabilidad de:

a) Rebase los 3.0 grados en la escala Richter.

b) Sea inferior a los 2.0 grados en la escala de Richter.

c) P(X <. x) = 1/5.

d) P(X > x) = 2/5.

Sea la variable aleatoria discreta X, magnitud, en grados, de la escala Richter.

Dicha variable aleatoria, sigue una distribución Exponencial: X ~ Exp(2.4)

Apartado a)

Para resolver este apartado, necesitamos resolver: P( X > 3.0), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:

> pexp(3.0, rate=1/2.4, lower.tail = F)

[1] 0.2865048

Por lo tanto, la probabilidad de rebase los 3.0 grados en la escala Richter, es: 0.2865048.

Apartado b)

Para resolver este apartado, necesitamos resolver: P(X <. 2.0), empleamos para tal
propósito, la función de distribución con el área de cola hacia la izquierda:

> pexp(2.0, rate=1/2.4, lower.tail = T)

[1] 0.5654018

Por lo tanto, la probabilidad de que sea inferior a los 2.0 grados en la escala Richter, es:
0.5654018.

Apartado c)

Necesitamos obtener el valor de x (magnitud en grados en la escala Richter) para

satisfacer: P( X <. x) = 1/5, empleamos para tal propósito, la función de cuantiles con el
área de cola hacia la izquierda:

> qexp(1/5, rate=1/2.4, lower.tail = F)

[1] 3.862651

Por lo tanto, la magnitud, en grados, en la escala Richter que sea inferior para obtener
una probabilidad de 1/5 es: 3.862651.

Apartado d)
Necesitamos obtener el valor de x (magnitud en grados en la escala Richter) para
satisfacer: P( X > x) = 2/5, empleamos para tal propósito, la función de cuantiles con el
área de cola hacia la derecha:

> qexp(2/5, rate=1/2.4, lower.tail = T)

[1] 1.225981

Por lo tanto, la magnitud, en grados, en la escala Richter que se debe rebasar para
obtener una probabilidad de 2/5 es: 1.225981.
[ CITATION BAR091 \l 12298 ]

EJEMPLO DE DISTRIBUCIÓN LOGÍSTICA

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. Resultados con Epidat 4:
La probabilidad de que la población tenga un crecimiento superior al 5% es del orden de
0,12.
EJEMPLO DE DISTRIBUCIÓN WEIBULL EN R

Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:

 x, q: Vector de cuantiles.

 p: Vector de probabilidades.

 n: Números de observaciones.

 shape, scale: Parámetros de la Distribución Weibull. Shape = a y Scale = b. Por

defecto, scale tiene valor 1.

 log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas

como log (p).
  lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son
P[X ≤ x], de lo contrario, P [X > x].

Para comprobar el funcionamiento de estas funciones, usaremos un ejemplo de

aplicación.

Ejemplo:
Una cierta pieza de vida útil, en horas, de un automóvil sigue una distribución de
Weibull con parámetros: α = 4.5 y β = 4.

Determinar:

a) La fiabilidad a las 0.75 horas.

b) ¿En que instante se mantiene una fiabilidad del 95%?.

Sea la variable aleatoria discreta X, tiempo, en horas, a que se produzca un fallo.

Dicha variable aleatoria, sigue una distribución Weibull, adaptando los parámetros a R:
X ~ W(4.5, 4.5√4)

Apartado a)

Para resolver este apartado, necesitamos resolver: P( X > 0.75), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:

> pweibull(0.75, 4.5, scale = 4^(1/4.5), lower.tail = F)

[1] 0.9337898

Por lo tanto, la fiabilidad a las 0.75 horas es de: 0.9337898, bastante alta.

Apartado b)

Necesitamos obtener el valor de x (horas) para satisfacer: P( X >. x) = 0.95, empleamos

para tal propósito, la función de cuantiles con el área de cola hacia la derecha:

> qweibull(0.95, 4.5, scale = 4^(1/4.5), lower.tail = F)

[1] 0.7032956

Por lo tanto, las horas que son necesarias para una fiabilidad del 95% son: 0.7032956.

[ CITATION BAR092 \l 12298 ]

EJEMPLO DE DISTRIBUCIÓN POISSON EN R

Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla, son:
x: Vector de cuantiles (valor entero positivo).
q: Vector de cuantiles.
p: Vector de probabilidades.
n: Números de valores aleatorios a devolver.
prob: Probabilidad de éxito en cada ensayo.
lambda: Vector de medias (valor no negativo).
log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas como
log (p).
lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X ≤
x], de lo contrario, P [X > x].

Para comprobar el funcionamiento de estas funciones, usaremos un ejemplo de

aplicación.

Ejemplo:

Imaginemos el siguiente problema: La centralita telefónica de un hostal, recibe un

número de llamadas por minuto que sigue una distribución de Poisson con parámetro ʎ
= 0.5. Determinar:

a) La probabilidad de que en un minuto al azar, se reciba una única llamada.

b) La probabilidad de que, en un minuto al azar, se reciban un máximo de dos llamadas.
c) La probabilidad de que, en un minuto al azar, se reciban más de tres llamadas por
minuto.
d) Se reciban cinco llamadas en dos minutos.
e) El número de llamadas por minuto, mínimo que debe recibir la centralita para que
exista una probabilidad del 98.5%.

Sea la variable aleatoria discreta X, el número de llamadas por minuto que recibe una
centralita telefónica de un hostal.
Dicha variable aleatoria, sigue una distribución de Poisson: X ~ P(0.5)

Apartado a)

Para resolver este apartado, necesitamos resolver: P( X = 1), por lo tanto, sólo
necesitamos el valor que toma X en el punto 1 de la función de densidad:
> dpois(c(1), 0.5)
[1] 0.3032653
Por lo tanto, la probabilidad de que en un minuto al azar, se reciba una única llamada es:
0.3032653.

Apartado b)

Para resolver este apartado, necesitamos resolver: P( X ≤ 2), por lo tanto, necesitamos
obtener la suma de las probabilidades: P(X = 0) + P(X = 1) + P(X = 2), y para obtenerlo
de forma automática, usamos la función de distribución acumulada:

> ppois(c(2), 0.5)

[1] 0.9856123

Por lo tanto, la probabilidad de que en un minuto al azar, se reciban un máximo de dos

llamadas: 0.9856123.

Apartado c)

Para resolver este apartado, necesitamos resolver: P( X > 3), operando la desigualdad,
es lo mismo que: 1 - P( X ≤ 3). Pero realmente, la función ppois() dispone del
argumento tower.tail para definir la cola de probabilidad:

> ppois(c(3), 0.5, lower.tail=F)

[1] 0.001751623

Por lo tanto, la probabilidad de que en un minuto al azar, se reciban más de tres

llamadas es: 0.001751623.

Apartado d)

Si en un minuto la media es ʎ = 0.5, en dos minutos, será el doble: ʎ = 0.5 · 2 = 1, por lo

tanto:

> dpois(c(5), 1)
[1] 0.003065662

Por lo tanto, la probabilidad de que en dos minuto al azar, se reciban cinco llamadas es:
0.003065662.

Apartado e)

En este apartado debemos obtener el valor de la variable aleatoria X, dada la

probabilidad 0.985:

> qpois(0.985, 0.5)

[1] 2
[ CITATION BAR093 \l 12298 ]

Esto quiere decir, que el número de llamadas por minuto mínimas que se necesitan para
obtener una probabilidad del 98.5% es de dos llamadas por minuto.

EJEMPLO DE DISTRIBUCIÓN UNIFORME EN R

Los argumentos que podemos pasar a las funciones expuestas en la anterior tabla son:
x, q: Vector de cuantiles.
p: Vector de probabilidades.
n: Números de observaciones.
min, max: Límites inferior y superior respectivamente de la distribución. Ambos deben
ser finitos.
log, log.p: Parámetro booleano, si es TRUE, las probabilidades p son devueltas como
log (p).
lower.tail: Parámetro booleano, si es TRUE (por defecto), las probabilidades son P[X ≤
x], de lo contrario, P [X > x].

Para comprobar el funcionamiento de estas funciones, usaremos un ejemplo de

aplicación.
EJEMPLO:
Al estudiar licitaciones de embarque, una empresa dedicada a la fabricación de circuitos
impresos encuentra que los contratos nacionales tienen licitaciones bajas distribuidas
uniformemente entre 20 y 25 unidades (en miles de dólares).

Calcule la probabilidad de que la baja licitación de embarque del próximo contrato

nacional:

a) Sea inferior a 22 000 dólares.

b) Rebase los 24 000 dólares.
c) P(X <. x) = 1/5.
d) P(X > x) = 2/5.

Sea la variable aleatoria discreta X, la baja licitación de embarque del próximo contrato
nacional.
Dicha variable aleatoria, sigue una distribución Uniforme: X ~ U(20, 25)

Apartado a)

Para resolver este apartado, necesitamos resolver: P( X <. 22), empleamos para tal
propósito, la función de distribución con el área de cola hacia la izquierda:

> punif(22, min=20, max=25, lower.tail=T)

[1] 0.4

Por lo tanto, la probabilidad de que la baja licitación de embarque del próximo contrato
nacional sea inferior a 20 000 dólares es: 0.4.

Apartado b)

Para resolver este apartado, necesitamos resolver: P( X > 24), empleamos para tal
propósito, la función de distribución con el área de cola hacia la derecha:

> punif(24, min=20, max=25, lower.tail=F)

[1] 0.2

Por lo tanto, la probabilidad de que la baja licitación de embarque del próximo contrato
nacional rebase los 24 000 dólares es: 0.2.

Apartado c)

Necesitamos obtener el valor de x (Dólares) para satisfacer: P( X <. x) = 1/5,

empleamos para tal propósito, la función de cuantiles con el área de cola hacia la
izquierda:

> qunif(1/5, min=20, max=25, lower.tail=T)

[1] 21

Por lo tanto, la cantidad de dólares que sea inferior para obtener una probabilidad de 1/5
son: 21 000 dólares.
Apartado d)

Necesitamos obtener el valor de x (Dólares) para satisfacer: P( X > x) = 2/5, empleamos

para tal propósito, la función de cuantiles con el área de cola hacia la derecha:

> qunif(2/5, min=20, max=25, lower.tail=F)

[1] 23

Por lo tanto, la cantidad de dólares que se debe rebasar para obtener una probabilidad de
2/5 son: 23 000 dólares.

NOTA: El resultado de la función de densidad de la distribución uniforme entre los

intervalos mínimo y máximo, será constante. Siguiendo con el ejemplo anterior, se
demuestra para cualquier valor del intervalo: [20, 25]:

> dunif(21,min=20, max=25)

[1] 0.2

> dunif(23,min=20, max=25)

[1] 0.2

[ CITATION BAR094 \l 12298 ]

Bibliografía
1. MiniTab. soporte de minitab . [En línea] 2019. [Citado el: 18 de 06 de 2020.]
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/normality/what-is-the-normal-distribution/.

2. Augusto, Gonzales Quiñones César. https://www.monografias.com. [En línea] 11 de 07 de

2011. [Citado el: 18 de 06 de 2020.] https://www.monografias.com/trabajos84/distribucion-
exponencial/distribucion-exponencial.shtml.
3. MiniTab. soporte de minitab. [En línea] 2019. [Citado el: 18 de 06 de 2020.]
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-
and-random-data/supporting-topics/distributions/logistic-distribution/.

4. —. SoportedeMiniTab.com. [En línea] 2019. [Citado el: 18 de 06 de 2020.]

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-
and-random-data/supporting-topics/distributions/weibull-distribution/.

5. —. SoportedeMiniTab.com. [En línea] 2019. [Citado el: 18 de 06 de 2020.]

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-
and-random-data/supporting-topics/distributions/poisson-distribution/.

6. —. SoportedeMiniTab.com. [En línea] 2019. [Citado el: 18 de 06 de 2020.]

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-
and-random-data/supporting-topics/distributions/triangular-distribution/.

7. —. SoportedeMiniTab.com. [En línea] 2019. [Citado el: 18 de 06 de 2020.]

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distributions-
and-random-data/supporting-topics/distributions/uniform-distribution/.

8. BARQUERO. AQUERONTE.com. [En línea] 18 de 03 de 2009. [Citado el: 19 de 06 de 2020.]

http://unbarquero.blogspot.com/2009/05/r-distribucion-normal.html.

9. —. AQUERONTE. [En línea] 28 de 03 de 2009. [Citado el: 19 de 06 de 2020.]

https://unbarquero.blogspot.com/2009/05/r-distribucion-exponencial.html#:~:text=Para
%20obtener%20valores%20que%20se,R%3A%20Distribuci%C3%B3n
%20Exponencial.&text=Devuelve%20resultados%20de%20la%20funci%C3%B3n%20de
%20densidad.&text=Devuelve%20resultados%20d.

10. —. AQUERONTE.COM. [En línea] 13 de 06 de 2009. [Citado el: 19 de 06 de 2020.]

https://unbarquero.blogspot.com/2009/06/r-distribucion-weibull.html.

11. —. AQUERONTE.COM. [En línea] 10 de 05 de 2009. [Citado el: 19 de 06 de 2020.]

https://unbarquero.blogspot.com/2009/05/r-distribucion-de-poisson.html.

12. —. ARQUERONTE.COM. [En línea] 28 de 05 de 2009. [Citado el: 19 de 06 de 2020.]

https://unbarquero.blogspot.com/2009/05/r-distribucion-uniforme.html.