Beruflich Dokumente
Kultur Dokumente
• Donde:
i: Número de orden que ocupa el valor “x” en la serie de datos
ordenada en orden creciente.
N: Número total de datos. La probabilidad correspondiente al 20,
40, 50, 60 ó 80 por ciento se obtienen por interpolación lineal,
considerando las probabilidades asignadas a cada dato
ordenado.
III. DISTRIBUCIONES TEORICAS
• Función que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra.
• Muestra todos los resultados posibles de un experimento y la
probabilidad de cada resultado.
VARIABLE ALEATORIA
• Toda distribución de probabilidad es generada por una variable
aleatoria x, la que puede ser de dos tipos:
FUNCION DE DISTRIBUCION
• La Función de Distribución se define como la
probabilidad de que "x" tome valores menores o iguales a
un valor determinado (xk). Es decir acumula hasta un
valor determinado:
• Función de distribución para variable aleatoria discreta:
Distribución
Binomial
Variables
Aleatorias Distribución
Discretas Hipergeometrica
Distribución de
Poisson
Distribución
Geométrica
DISTRIBUCION DE BERNULLI
• Un experimento aleatorio se dice que es de Bernoulli cuando únicamente
puede tener dos resultados mutuamente excluyentes; uno de ellos se
denomina “éxito” y el otro “fracaso”.
Ejemplos:
• Los resultados “cara” o “cruz” en el lanzamiento de una moneda.
• Las piezas “defectuosa” o “no defectuosa” en el control de calidad de un
producto.
• Resultado “exitoso” o “fallido” de la petición a un servidor.
• Sea X una v. a. asociada a un
experimento de Bernoulli y que X(éxito) = 1 X(fracaso) = 0
toma los valores:
Propiedades:
1. µ = E(X) = 0 × q + 1 × p = p
2. σ 2 = Var(X) = E(X2 ) − E2 (X) = p − p 2 = pq
DISTRIBUCION BINOMIAL
• Una sucesión de “n” pruebas se dice que es de Bernoulli cuando los
experimentos individuales verifican las siguientes condiciones:
1. Las n pruebas son independientes.
2. Cada prueba es de Bernoulli.
3. La probabilidad “p” de éxito es igual en todas las pruebas.
Propiedades:
1. X = X1 + X2 + · · · + Xn, donde: X1, . .,
Xn son v.a. independientes todas ellas
con distribución B(1, p).
2. µ = E(X) = np.
3. σ2 = Var(X) = n p q.
4. Dadas: X1 ≡ B(n1, p) y X2 ≡ B(n2, p), v.a. independientes, entonces
X1 + X2 ≡ B(n1 + n2, p).
DISTRIBUCION HIPERGEOMETRICA
• En teoría de la probabilidad la distribución hipergeométrica es una
distribución discreta relacionada con muestreos aleatorios y sin
reemplazo.
• Suponga que se tiene una población de N elementos de los cuales, d
pertenecen a la categoría A y N-d a la B.
• La distribución hipergeométrica mide la probabilidad de obtener
elementos elementos de la categoría A en una muestra sin reemplazo de
n elementos de la población original.
• Propiedades
• La función de probabilidad de una variable aleatoria con distribución
hipergeométrica puede deducirse a través de razonamientos
combinatorios y es igual a:
• Donde:
N: es el tamaño de población.
n: es el tamaño de la muestra extraída.
d: es el número de elementos en la población original que pertenecen a la categoría
deseada.
x: es el número de elementos en la muestra que pertenecen a dicha categoría.
: La notación hace referencia al coeficiente binomial, es decir, el número de
combinaciones posibles al seleccionar x elementos de un total a.
• El valor esperado de una variable aleatoria X
que sigue la distribución hipergeométrica es:
• La varianza es:
• Se obtiene:
• Ejemplos:
• El numero de partículas emitidas por una substancia radiactiva en una
hora.
• El numero de mensajes que llegan a un servidor de correo durante una
hora.
• Propiedades:
• 1. µ = E(X) = λ. 3. Sean: X1 ≡ P(λ1) y X2 ≡ P(λ2) v.a.
independientes, entonces X1 + X2 ≡ P(λ1 + λ2).
• 2. σ2 = Var(X) = λ.
DISTRIBUCION GEOMETRICA
• Sea X la variable aleatoria definida como el numero de
pruebas realizadas hasta que aparece por primera vez el
resultado éxito, en pruebas de Bernoulli; entonces se dice
que X ≡ G(p) sigue una distribución geométrica de
parámetro p.
• Los valores que puede tomar esta variable son {1, 2, . . . ,
k, . . . } con probabilidades:
Ejemplos:
• Numero de veces que ha sido necesario ejecutar un programa hasta que
falla por primera vez.
• Numero de veces que ha sido necesario enviar un mensaje hasta que fue
recibido por el destinatario.
Propiedades:
• 1. µ = E(X) = 1/p, si: p > 0
• 2. σ2 = Var(X) = q/p2
Distribución Normal
Función de distribución:
DISTRIBUCION EXPONENCIAL
• Tiene una gran utilidad en:
• Distribución del tiempo de espera entre sucesos de un proceso de
Poisson.
• Distribución del tiempo que transcurre hasta que se produce un fallo.
• Aplicaciones en fiabilidad y teoría de la supervivencia.
Donde
f (x) = función densidad normal de la variable x
X = variable independiente
µ = parámetro de localización, igual a la media aritmética de x.
S = parámetro de escala, igual a la desviación estándar de x.
DISTRIBUCION LOG NORMAL 2 PARAMETROS
Donde:
• X y S son los parámetros de la distribución.
• Si la variable x de la ecuación se reemplaza por una función
y = f(x), tal que y = log(x), la función puede normalizarse,
transformándose en una ley de probabilidades denominada log –
normal, N(Y, Sy).
• Los valores originales de la variable aleatoria x, deben ser
transformados a y = log x, de tal manera que:
• Para x > x0
Donde:
• X0: parámetro de posición
• Uy: parámetro de escala o media
• Sy²: parámetro de forma o varianza
DISTRIBUCION GAMMA 2 PARAMETROS
• La función de densidad es:
Válido para:
0≤x<∞
0<γ<∞
0<β<∞
Donde:
γ : parámetro de forma
β : parámetro de escala
DISTRIBUCION GAMMA 3 PARAMETROS
• La función de densidad es:
Válido para:
x0 ≤ x < ∞
-∞ < x0 < ∞
0<β<∞
0<γ<∞
Donde:
x0: origen de la variable x, parámetro de posición
γ : parámetro de forma
β : parámetro de escala
DISTRIBUCION LOG PEARSON TIPO III
• La función de densidad es:
Donde:
α : Parámetro de concentración.
β : Parámetro de localización. Según Ven Te Chow, la distribución puede
expresarse de la siguiente forma:
Donde:
x : Valor con una probabilidad dada, x : Media de la serie.
k : Factor de frecuencia.
DISTRIBUCION LOG GUMBELL
• La variable aleatoria reducida Log Gumbel, se define como:
a) FUNCION DE DENSIDAD
• La función de densidad está dada por:
• b) ESTIMACION DE PARAMETROS
c) FACTOR FRECUENCIA
• Si se trabaja con los X sin transformar el K se calcula
como.
a) FUNCION DE DENSIDAD
• La función de densidad está dada por:
• b) ESTIMACION DE PARAMETROS
V. FUNCION DE DENSIDAD LOGARITMICO NORMAL
• La distribución logarítmico normal es continua.
• Se suele utilizar a menudo en situaciones en las que los valores se
sesgan positivamente.
• Ejemplo: Determinación de precios de acciones, precios de
propiedades inmobiliarias, escalas salariales y tamaños de depósitos
de aceite.
• Parámetros: Ubicación, Media, Desviación estándar
• Condicionales:
20/04/2017
42