Professional Documents
Culture Documents
Investigación
INTRODUCCIÓN 2
DISTRIBUCIÓN DISCRETA
DISTRIBUCIÓN GEOMÉTRICA 3
DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN NORMAL 5
DISTRIBUCIÓN GAMMA 11
DISTRIBUCIÓN BETA 15
DISTRIBUCIÓN WEIBULL 17
DISTRIBUCIONES MUESTRALES
DISTRIBUCIÓN CHI CUADRADA 21
DISTRIBUCIÓN T DE STUDENT 24
DISTRIBUCIÓN F DE FISHER 27
CONCLUSIÓN 30
REFERENCIAS 31
1
Introducción
2
Distribución Geométrica
3
En la siguiente representación gráfica de la función geométrica puede apreciarse
este tipo de aleatorización.
Ejemplo.
Calcular la probabilidad de que en lanzamientos sucesivos de un dado se obtenga
un 3 por primera vez en el quinto lanzamiento si la probabilidad de no obtener un 3
en el primer lanzamiento es 5/6; de manera similar, la probabilidad de no obtener
un 3 en los cuatro primeros lanzamientos es (5/6)4 .
Empleando la distribución geométrica.
p = 1/6
q = 5/6
x=5
Entonces la probabilidad que buscamos es:
1 5 4 625
( )( ) = = 0.0804 = 8.04%
6 6 7776
4
Distribución Normal
5
En la siguiente figura se muestra una gráfica de la función de densidad (2) que suele
llamarse curva normal estándar. En esta gráfica se han indicado que no se
encuentran a más de 1, 2 y 3 desviaciones están estándar de la media (es decir,
entre z+-1 y z =+1, z = -2 y z = +2 y z = -3 y z = +3), las cuales son, respectivamente,
iguales a 68.27%, 95.45% y 99.73% del área total, que es uno. Esto significa que;
𝑃(−1 ≤ 𝑍 ≤ 1) = 0.6827, 𝑃(−2 ≤ 𝑍 ≤ 2) = 0.9545, 𝑃(−3 ≤ 𝑍 ≤ 3) = 0.9973
La siguiente tabla da las áreas bajo la curva que están limitadas por las ordenadas
z = 0 y cualquier valor positivo de z. Con esta tabla pueden encontrarse las áreas
entres cualesquiera de las dos ordenadas aprovechando la simetría de la curva
respecto a z = 0.
6
20/5/2019 study viewer
7
Ejemplos
Encontrar el área bajo la curva normal estándar que se muestra en la figura, entre
z = 0 y z = 1.2. Con base en la tabla anteriores, bajamos por la columna marcada
con z hasta la entrada 1.2. Después avanzamos hacia la derecha hasta la
columna marcada 0. El resultado es 0.3849, que es el área que buscamos,
representa la probabilidad de que Z esté entre 0 y 1.2 por lo tanto,
1.2
1 2 /2
𝑃(0 ≤ 𝑍 ≤ 1.2) = ∫ 𝑒 −𝜇 𝑑𝑢 = 0.3849
√2𝜋 0
8
Distribución Logarítmica Normal
En probabilidad y estadística, la distribución logarítmica normal es la distribución
de probabilidades de cualquier variable aleatoria con su registro de una
distribución normal.
Si X es una variable aleatoria con una distribución normal, entonces exp(X ) tienen
una distribución log-normal.
Una variable se puede modelar como log-normal si se puede considerar como
producto multiplicativo de muchos factores independientes pequeños.
Un ejemplo típico es el rendimiento a largo plazo de una inversión en una acción:
se puede considerar como el producto de los rendimientos diarios. La distribución
log-normal tienen la función de densidad de probabilidad.
La distribución se aplica en casos en donde una transformación logarítmica natural
tiene como resultado una distribución normal. También es conocida como Ley de
Galton-Mac. Aliester o ley del efecto proporcional, según Calot (1988).
La variable aleatoria continua X tiene una distribución logarítmica normal si la
variable aleatoria Y = ln(X) tiene una distribución normal con media 𝜇 y desviación
estándar 𝜎.
La función de densidad de X que resulta es;
1 −
1
[ln(𝑥)−𝜇]2
𝑒 2𝜎2 𝑥 ≥ 0, 𝑥 < 0.
√2𝜋𝜎𝑥
9
Ejemplos
a) El promedio y la varianza.
σ2
μx = eμ+ 2 = e10+2 = e12 = 162754.7914
2 2
σ2x = (eσ − 1)e2μ+σ = (e4 − 1)e20+4 = (e4 − 1)e24 = 1.419767942 x 1012
b) P(X ≤ 1000)
1 2 ⁄2σ2 ] x>0
e−[(log(x)−μ) ;
σ>0
Con la función de densidad → f(x) = {xσ√2π
0 ; otro caso
2 ⁄8]
e−[(log(x)−10) −∞<x<∞
; −∞ < μ < ∞
μ = 10 x2√2π
Sustituyendo valores: → f(x) = σ>0
σ2 = 4
{ 0 ; otro caso
10
Distribución Gamma
11
Funciones de densidad gamma para distintos pares de parámetros α, β.
Media μ = αβ
Varianza σ2 = αβ2
1
Función generatriz de momentos mx (t) = (1 − tβ)−α , t <
β
12
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una
distribución gamma con parámetro de forma α = 3 y β = 3. Encontrar:
a) La media y la varianza de X
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor
que 15 kilowatts – hora.
c) La probabilidad de que el consumo diario de electricidad sea de cuando
menos 20 kilowatts – hora.
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts –
hora.
a) La media y la varianza de X
μ = αβ = (3)(3) = 9
σ2 = αβ2 = 3(3)2 = 27
13
α = 3 y β = 3.
x α−1 e−(x⁄β) x>0
;
βα Γ(α) α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
x 2 e−(x⁄3) x>0
;
α, β > 0
Sustituyendo valores: α = 3 y β = 3 → f(x) = 27(2)!
{ 0 ; otro caso
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos
20 kilowatts/hora.
∞ ∞
x 2 e−(x⁄3)
P(X ≥ 20) = ∫ f(x) dx = ∫ dx = 0.03804
20 20 54
14
Distribución Beta
La distribución de probabilidad beta es una función de densidad con dos parámetros
definida en el intervalo cerrado 0 <= 0 y <= 1. Se utiliza frecuentemente como
modelo para fracciones, tal como la proporción de impurezzas en un producto
químico o la fracción de tiempo que una maquina está en reparación.
Se dice que una variable aleatoria Y tiene una distribución de probabilidad beta con
parámetros α > 0 y β > 0 si y solo si la función de densidad de Y esta representada
por
0<𝑥<1
15
Función de distribución de probabilidad
Ejemplo.
El porcentaje de impurezas por lote en un producto químico es una variable
aleatoria Y. con una función de densidad
12𝑦 2 (1 − 𝑦) , 0 ≤ 𝑦 ≤ 1
𝐹(𝑦) = {
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
́ l es la probabi-
Un lote con mas de 40 % de impurezas no puede venderse. ¿Cu a
́ n,
lidad de que un lote elegido aleatoriamente no pueda venderse?. Halle, tambi e
la media y la varianza del porcentaje de impurezas en un lote elegido al azar.
Solución
Es claro que Y ∼ Beta(3, 2). Verifiquemos que la constante es efectivamente 12.
17
Funciones de densidad weibull para distintos pares de
parámetros α, β.
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Función de densidad f(x) =
{ 0 ; otro caso
1
Media μ = Γ ( + 1)
α
2
2
2 1
Varianza σ = Γ ( + 1) − [Γ ( + 1)]
α α
18
Ejemplo:
Sea X una variable aleatoria con función de distribución acumulada Weibull con
parámetros: α =20 y β = 100. Calcular:
a) P(X ≤ 105)
b) P(98 ≤ X ≤ 102)
Solución:
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
{ 0 ; otro caso
20
105 105
20x19 e−(x⁄100)
a) P(X ≤ 105) = ∫ f(x) dx = ∫ dx = 0.9296
0 0 (100)20
Solución:
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
{ 0 ; otro caso
20
102 102
20x19 e−(x⁄100)
b) P(98 ≤ X ≤ 102) = ∫ f(x) dx = ∫ dx = 0.2866
98 98 (100)20
19
Preguntas acerca del riesgo de diferentes fallas:
1. Cuantos ascensores podrían fallar antes de 15 horas?.
15 1, 43
-( )
F (15) = 1 - e 76 , 31
= 1 - 0.9069 = 0.0930
0,15*26= 4 ascensores
84 1, 43
-( )
F (84) = 1 - e 76 , 31
= 0.6825
20
Distribución Chi Cuadrada
21
Sea Z1 , Z2 , Z3 , … , Zk variables aleatorias independientes con distribución normal
estándar, entonces la variable aleatoria dada por:
X = Z12 , Z22 , Z32 , … , Zk2
tiene una distribución conocida como ji-cuadrada con υ = k grados de libertad.
Sea X la variable aleatoria ji-cuadrada con υ = k grados de libertad = n − 1;
donde: n es el tamaño de la muestra; entonces su función de densidad es:
1
x (k⁄2)−1 e−(x⁄2) ; x≥0
k
fk (x) = 2k⁄2 Γ (2)
{ 0 ; otro caso
Resumen Variable aleatoria ji-cuadrada
1
x (k⁄2)−1 e−(x⁄2) ; x≥0
k
Función de densidad fk (x) = 2k⁄2 Γ ( )2
{ 0 ; otro caso
Media μ=k
Varianza σ2 = 2k
Función generatriz de 1
mx (t) = (1 − 2t)−(k⁄2) ; t < 2
momentos
Valores del percentil X2p para la distribución ji cuadrada con grados de libertad. 22
Ejemplo:
Sea X una variable aleatoria ji-cuadrada con 9 grados de libertad, encontrar el
valor de k tal que:
a) P(X > k) = 0.025
b) P(X < k) = 0.025
Solución:
a) P(X > k) = 0.025
En la tabla de la distribución ji-cuadrada se busca el valor de α = 0.025
En la columna de grados de libertad se localiza el 9.
23
Distribución t de Student
24
25/5/2019 study viewer
25
https://studylib.es/doc/5712989/tabla-de-la-distribucion-t-student-con-n-grados-de---u 1/1
Ejemplo:
Sea X una variable aleatoria distribuida como t de Student con 10 grados de
libertad, encontrar la probabilidad:
a) P(X < k) = 0.95
b) P(X > k) = 0.05
26
Distribución F de Fisher
27
Distribución F 0.05
En las columnas se encuentran los valores F que corresponden al área 0.05 a la derecha
En las columnas se encuentran los grados de libertad del numerador
En los renglones se encuentran los grados de libertad del denominador.
1 2 3 4 5 6 7 8 9 10 11 12 15 20 24 30 40 60 120
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.0 243.9 245.9 248.0 249.1 250.1 251.1 252.2 253.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.57 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.34 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.28 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.26 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.24 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.22 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.20 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.17 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.15 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.14 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.87 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35
Para calcular el valor F en excel, se utiliza la función de la distribución F inversa
=distr.f.inv(0.05; gl num; gl den) © Ing. Jesús Alberto Mellado Bosque
28
Función de densidad de probabilidad
Ejemplo:
Encontrar el valor de k en: P(X > k) = 0.05 para v1 = 6 y v2 = 10:
Solución:
v1 = 6
Grados de libertad: {
v2 = 10
α = 0.05
29
Conclusión
30
Referencias
https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/geometrica.htm
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_geom%C3%A9trica
https://www.academia.edu/17309221/DISTRIBUCI_N_LOG
Irwin Miller, John E. Freund, Richard Johnson, Probabilidad y estadistica para ingenieros
(2000) Prentice Hall Inc
William W. Hines., Douglas Montgomery, Probabilidad y Estadística para ingeniería (2004)
Grupo Patria Cultural
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_gamma
https://gl.wikipedia.org/wiki/Distribuci%C3%B3n_lognormal
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_beta
http://gredos.usal.es/jspui/handle/10366/83459
http://www.coini.com.ar/COINI%202009/COINI%202008/Trabajos/TC3.pdf
http://departamentos.unican.es/macc/asignaturas/informatica/estadistica/pdf/Cap4.pdf
http://unbarquero.blogspot.com/2009/06/r-distribucion-gamma.html
http://www.suratep.com/articulos/27/accidentalidad_vial.pdf
http://upcommons.upc.edu/pfc/bitstream/2099.1/8321/1/Memoria%20PFC.pdf
http://www.aiaccess.net/English/Glossaries/GlosMod/e_gm_gamma_distri.htm
http://upcommons.upc.edu/revistes/bitstream/2099/5616/1/Article03a.pdf
http://office.microsoft.com/es-mx/excel-help/distr-gamma-HP005209101.aspx
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
Probabilidad y estadística Murray R. Spiegel – John Schiller – R. Alu Srinivasan, Schaum, Mc
Graw Hill Education.
http://labocientifica1-2203.blogspot.com/2012/02/importancia-de-la-investigacion-en-
la.html
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_F
https://estadisticaorquestainstrumento.wordpress.com/2013/01/07/la-distribucion-f-de-
fisher/
31