Bonilla Flores Guadalupe Daniela

DISTRIBUCIN GAMMA
La distribucin gamma (Laplace, 1836) es una distribucin biparamtrica, que se designa abreviadamente
como (a,p), donde a y p son valores positivos. Su funcin de densidad vale

donde .
Esperanza
Varianza
Moda
Mediana

si p>1
carece de expresin
explcita

Coeficiente de
simetra
Coeficiente de
Kurtosis
En particular: Dos distribuciones gamma son especialmente utilizadas: la denominada chi-2 con n grados de
libertad ((1/2 , n/2)), y la exponencial negativa ((a,1)).

La suma de variables gamma (a,p) independientes es una variable gamma de primer parmetro a y
de segundo parmetro la suma de todos los segundos parmetros.

Si X es una (a,p), entonces k X es una (a / k , p)

Bonilla Flores Guadalupe Daniela

EJEMPLO:
Supongamos que la experiencia demuestra que el tiempo (en minutos) necesario para dar mantenimiento
peridico a un dictfono sigue una distribucin gamma con y . A un nuevo tcnico en mantenimiento le toma
22.5 minutos revisar la mquina. Concuerda este tiempo utilizado en el mantenimiento al dictfono con el
perodo anterior?
Solucin
La media y varianza de los tiempos de mantenimiento (con base en la experiencia anterior) son:

Se deduce

que Advierta que x=22.5 supera a la esperanza E(X)=6.2 por 16.3 minutos

o, k= 16.3/3.52 = 4.63. As segn la regla de Tchebychev.

Por tanto,

Esta probabilidad se basa en el supuesto de que la distribucin de los tiempos de mantenimiento no es

diferente de lo establecido. Por consiguiente, si observamos que es pequea, debemos concluir que nuestro
nuevo tcnico en mantenimiento gener por azar un perodo de mantenimiento prolongado, que tiene baja
probabilidad de ocurrir, o que es ms lento que los anteriores. Si tomamos en cuenta la baja probabilidad de,
optamos por la ltima probabilidad.

DISTRIBUCIN EXPONENCIAL
Este modelo suele utilizarse para variables que describen el tiempo hasta que se produce un determinado
suceso.
Su funcin de densidad es de la forma:

Bonilla Flores Guadalupe Daniela

Como vemos este modelo depende de un nico parmetro que debe ser positivo: > 0. A continuacin se
muestra un programa que nos permite ver cmo cambia la forma de la funcin de densidad segn el
parmetro .
Propiedades del modelo Exponencial
1. Su esperanza es .
2. Su varianza es 2.
3. Una propiedad importante es la denominada carencia de memoria, que podemos definir as: si la
variable X mide el tiempo de vida y sigue una distribucin Exponencial, significar que la probabilidad
de que siga con vida dentro de 20 aos es la misma para un individuo que a fecha de hoy tiene 25
aos que para otro que tenga 60 aos.
4. Cuando el nmero de sucesos por unidad de tiempo sigue una distribucin de Poisson de parmetro
(proceso de Poisson), el tiempo entre dos sucesos consecutivos sigue una distribucin Exponencial de
parmetro = 1/
EJEMPLO:
El tiempo que transcurre antes de que una persona sea atendida en una cafetera es una variable aleatoria
que tiene una distribucin exponencial con una media de 4 minutos. Cul es la probabilidad de que una
persona sea atendida antes de que transcurran 3 minutos en al menos 4 de los 6 das siguientes?
Solucin:
x = nmero de das en que un cliente es atendido antes de que transcurran 3 minutos
x = 0, 1, 2,...,6 das

p = probabilidad de que un cliente sea atendido antes de que transcurran 3 minutos en un da cualquiera =
0.5276
q = probabilidad de que un cliente no sea atendido antes de que transcurran 3 minutos en un da cualquiera =
1- p = 0.4724
0.11587 + 0.02157 =
0.13744

DISTRIBUCIN BETA.
Sea la funcin

Puede definirse la distribucin beta de parmetros (p, q) como:

Bonilla Flores Guadalupe Daniela

Sea X una variable aleatoria evaluada en el intervalo (0,1), se dice que se distribuye segn una distribucin, lo
que se notara por
s y solo si, su funcin de densidad responde a la siguiente expresin:

Se comprueba fcilmente que la expresin es una verdadera funcin de densidad, ya que verifica:

Las funciones

estn relacionadas mediante la expresin:

Que es vlida para todo p y para todo q reales positivos.

La representacin grafica de la funcin de densidad varia sensiblemente segn el valor de sus parmetros,
dando lugar a figuras con forma de L, J, U, y campana, a continuacin podemos observar algunos
ejemplos.

La distribucin Beta sirve para el estudio de variaciones, a travs de varias muestras, de un porcentaje que
representa algn fenmeno, es una distribucin de probabilidad continua con dos parmetros a y b cuya
funcin de densidad para valores 0 < x < 1 es:

Bonilla Flores Guadalupe Daniela

Donde es la funcin gamma.

El valor esperado y la varianza de una variable aleatoria X con distribucin beta son:

Media:

Varianza:

DISTRIBUCIN DE WEIBULL
La distribucin de Weibull (Weibull, 1939) es una distribucin triparamtrica, abreviadamente descrita
como W(x0,), con funcin de densidad

y de distribucin

Propuesta inicialmente para estudiar la resistencia de los materiales a la rotura, hoy da se emplea en Control de
calidad y en fiabilidad de sistemas.

Bonilla Flores Guadalupe Daniela

es una exponencial negativa de parmetro 1, (1).

La variable

Existe una distribucin de Weibull estndar, W(0,1,).

Los momentos de X se obtienen sin dificultad a partir de los de Y.
EJEMPLO:
Suponga que la vida til de cierto elemento es una variable aleatoria que tiene distribucin Weibull con?
=0.5 y =0.01 Calcular:
a. La vida media til de ese artculo.
b. La variacin de la vida til.
c. La probabilidad de que el elemento dure ms de 300 horas.
Solucin:

DISTRIBUCIN CHI CUADRADA

La distribucin de Pearson, llamada tambin ji cuadrada(o) o chi cuadrado(a) (), es una distribucin de
probabilidad continua con un parmetro que representa los grados de libertad de la variable aleatoria

Donde

son variables aleatorias normales independientes de media cero y varianza uno. El que la variable

aleatoria

tenga sta distribucin se representa habitualmente as:

Propiedades:
Funcin de densidad
Su funcin de densidad es:

donde

es la funcin gamma.

Bonilla Flores Guadalupe Daniela

Funcin de distribucin acumula
Su funcin de distribucin es

donde

es la funcin gamma incompleta.

El valor esperado y la varianza de una variable aleatoria X con distribucin son, respectivamente, k y
2k.

Propiedades:
Parmetros

grados de libertad

Dominio
Funcin de
densidad(pdf)
Funcin de
distribucin(cdf)
Media
Mediana
Moda

aproximadamente
if

Varianza
Coeficiente de simetra
Curtosis
Entropa
Funcin generadora de
momentos(mgf)
Funcin caracterstica

for

Bonilla Flores Guadalupe Daniela

EJEMPLO:
1. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una poblacin normal
con varianza

, tenga una varianza muestral:

a. Mayor que 9.1

b. Entre 3.462 y 10.745
Solucin.
a. Primero se proceder a calcular el valor de la ji-cuadrada:

Al buscar este nmero en el rengln de 24

grados de libertad nos da un rea a la derecha
de 0.05. Por lo que la P(s2 >9.1) = 0.05
1. Se calcularn dos valores de jicuadrada:

Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad. Al buscar el valor de 13.846
se encuentra un rea a la derecha de 0.95. El valor de 42.98 da un rea a la derecha de 0.01. Como se est
pidiendo la probabilidad entre dos valores se resta el rea de 0.95 menos 0.01 quedando 0.94.
Por lo tanto la P (3.462

s2

10.745) = 0.94

Referencias:
http://www5.uva.es/estadmed/probvar/d_univar/d_univar9.htm

Bonilla Flores Guadalupe Daniela

http://www.uac.edu.co/images/stories/publicaciones/revistas_cientificas/prospectiva/volumen-12-no-1/12.pdf
http://www.virtual.unal.edu.co/cursos/sedes/manizales/4030011/lecciones/cap3/cap_3_pag_14.html
http://www.itch.edu.mx/academic/industrial/estadistica1/cap03b.html