Beruflich Dokumente
Kultur Dokumente
Distribución Continuas:
a) Distribución Uniforme
b) Distribución de Exponencial
d) Distribución Normal
Algunas Distribuciones Estadísticas Teóricas
a) Distribución de Bernoulli
b) Distribución de Binomial
c) Distribución de Poisson
Características:
Mide el número de éxitos en una secuencia de n ensayos
independientes de Bernoulli con una probabilidad fija p de ocurrencia del
éxito entre los ensayos.
Esperanza: E X np
Varianza: Var X np 1 p
Forma de la Distribución Binomial
Simétrica
Si p=0.5 la distribución
binomial será simétrica
independientemente
del tamaño de la
muestra.
Forma de la Distribución Binomial
Sesgada a derecha
Si p0 la distribución binomial tendrá un sesgo hacia la derecha.
Forma de la Distribución Binomial
Sesgada a izquierda
Si p1 la distribución binomial tendrá un sesgo hacia la izquierda.
Distribución de Hipergeométrica
Definición: Se dice que X es una variable aleatoria hipergeométrica con parámetros
N, n y k, si su distribución de probabilidades está dada por:
Donde:
AN - A
n: Tamaño de la muestra.
P( X k )
k n - k
N N: Tamaño de la población
n A: número de éxitos en la
población.
E( X ) np N-A: número de fracasos en la
población.
K: número de éxitos en la
N n
V ( x ) np 1 p muestra.
N 1
Distribución de Poisson
X es una variable aleatoria con distribución de Poisson si su distribución de
probabilidades está dada por:
k e 0
P X k k 0,1, 2, , n,
k!
donde representa el número promedio de eventos por unidad.
Esperanza E X
Varianza Var X
Forma de la Distribución de Poisson
1
4
10
El eje horizontal es el índice k. La función solamente está definida en valores enteros de k. Las
líneas que conectan los puntos son solo guías para el ojo y no indican continuidad.
Distribución de Poisson
Consideremos :
El número de coches que circulan por una rotonda en el lapso de una hora.
Las v.a. definidas en los ejemplos anteriores comparten las siguientes características:
La probabilidad de que dicho suceso ocurra es la misma a lo largo del tiempo. (si la
unidad de tiempo es un día, la probabilidad de que el suceso en cuestión ocurra es la
misma para hoy, para mañana, etc.)
Sea X una variable aleatoria que cuenta el número de veces que un determinado
suceso ocurre en una unidad (normalmente de tiempo o de espacio). Si verifica
que :
P X 4 1 P X 0 P X 1 P X 2 P X 3
e0 .50 e1.51 e2 .52 e3 .53
P X 4 1 0.734974
0! 1! 2! 3!
c) ¿Cuántas infracciones se espera expedir durante un período de 45 minutos?
Solución:
Y: número de infracciones en 45 minutos. Y P
3.75 E Y 3.75
La distribución de Poisson como una aproximación a
la distribución Binomial
n k
P X k p 1 p
nk
k 0,1, 2,3, 4, ,n
k
n k k e
P X k p 1 p
nk
k k!
Haciendo coincidir los valores medios de ambas distribuciones. Tenemos:
np
Conclusión
“Gráficamente” podemos concluir que a medida que n aumentamos y p
disminuye, la distribución de Poisson se aproxima a la distribución Binomial.
La distribución de Poisson como una aproximación a
la distribución Binomial
n ; 0 y np
n
nk
n
k
P X k 1
k n n
n n 1 n k 1 n k ! k n k
1 1
k ! n k ! n n n
k n n 1 n k 1 1 k 1 n
k ! nk n n
k n
k
1 k 1
11 1 1 1
k ! n n n n
k 1 k 1 e
k n k
lim 11 1 1 1
k ! n n n
n n k!
La distribución de Poisson como una aproximación a
la distribución Binomial
E X np
X~P(α)
Está caracterizada por un único valor . El cual representa el número promedio de
eventos por unidad:
EX
np
Ejemplo de aplicación
Una máquina envasadora daña una pieza de cada 10000 que envasa. Las piezas
envasadas se comercializan en lotes de 40000. ¿Cuál es la probabilidad de que un
lote tenga a lo sumo 2 elementos defectuosos?
La función solamente está definida en valores enteros de k. La línea continua sólo es una guías para el ojo
y no indican continuidad.
Distribución de Uniforme
1
si a x b
f (x) b - a
0 en otro caso
ba
Esperanza E X
2
b a
2
Varianza V X
12
Distribución de Uniforme
0 si x < a
x a
F(x)= si a x b
b a
1 si x > b
Distribución de Uniforme
f(x) 1
1
ba
a b x a b x
Distribución de Uniforme
1
si 0 x 30
f(x)= 30
0 en otro caso
e- x si x 0
f(x)
0 si x < 0
2.0
1.8 2.0
1.0
1.6
1.4
1.2
1.0
0.5
0.8
0.6
0.4 (en la distribución de Poisson)
0.2
0.0
0 1 2 3 4 5 6 7 8
Distribución de Exponencial
1 1
E( x ) V(x)=
2
Distribución de Exponencial
Sea X una v.a distribuida exponencialmente, con parámetro 0 , su
función de distribución acumulativa (FDA) está dada por:
1 1
E(T ) 360 360
360
1 e t si t 0
Usamos la FDA: F (t )
0 si t < 0
1
.180
a) P(T<180)= F(180)=1-e 360
0.3935
Distribución de Exponencial
El tiempo que un dispositivo funciona eficazmente, es decir, el tiempo en
horas de duración hasta la primera falla, se distribuye de manera
exponencial con una vida media de 360 hs. ¿Cuál es la probabilidad de que
un dispositivo funcione eficazmente:
a) Menos de 180 hs? b) Más de 720 hs?
T: El tiempo que un dispositivo funciona eficazmente
1 1
E(T ) 360 360
360
1 e t si t 0
Usamos la FDA: F (t )
0 si t < 0
1
.720
720
b) P(T>720)=1-P(T 720)=1-F(720)=1- 1 e 360 e 360 0,1353
Propiedad fundamental de la Distribuciones Exponencial
P( s x s t ) F ( s t ) F ( s )
P( x s t / x s )
P( x s ) 1 F ( s)
1 e t F (t ) P( x t )
Relación entre la Distribuciones de Poisson y Exponencial
Sea X el número de partículas emitidas por una fuente radioactiva. Si se sabe que
el número esperado de demisiones en una hora es de 30 partículas: ¿Cuál es la
probabilidad de que sean emitidas al menos 2 partículas en un lapso de 1 minuto?
Solución/
X : n º de partìculas en 1min
k .e
P( X k )
k!
30.1
0.5 P( X 2)01 P( X 2) 1 P( X 0) P( X 1
60
1 0,91 0,09
Relación entre la Distribuciones de Poisson y Exponencial
Sea X el número de partículas emitidas por una fuente radioactiva. Si se
sabe que el número esperado de demisiones en una hora es de 30
partículas: Cuál es la probabilidad de que el tiempo entre emisiones
sucesivas sea mayor a 3 minutos?
Solución/
1 x
2
1
2
f(x) e
con - < x <
2
E( x ) y V (x) 2
Distribución Normal: Principales Características:
1.La función tiene un máximo en x = .
2.La curva es simétrica alrededor del eje vertical x=μ, donde coinciden la
mediana (Me) y la moda (Mo ).
Puntos
de
inflexión
+
- +
=Mo=Me
Distribución normal con =0 para varios valores
1.6
0.25
1.2 0.5
1
p(x) 0.8
0.4
0
-2.50 -1.50 -0.50 0.50 1.50 2.50
5 5
10
• La media se puede
interpretar como un factor
de traslación.
x
Si X N , 2
Z=
,Z N 0,1
Estandarización de la Distribución Normal
2
2
e dt
P(Z<z)
Estandarización de la Distribución Normal
x
Si X
N , 2
y Z=
Z N 0,1
a x b
P a x b P
Si X
N , 2
P x P x P x
1
2. 1
Regla de las tres sigmas
Si = 3 P x 3 P 3 x 3 P 3 x 3
3 3
3 3
3 1 3 2. 3 1 0,9974
Esto significa que el suceso x 3
x 3
P x 2 0,9545
P x 3 0,9974
Para ilustrar el uso de las Tablas, calculemos la probabilidad de que Z sea menor
que 1.64. Primero localizamos un valor de z igual a 1.6 en la primera columna
(izquierda), después nos “movemos” a lo largo de la fila hasta encontrar la columna
correspondiente a 0.04, donde leemos 0.9594. Por lo tanto P(Z<1.64)=0.9495.
Para encontrar un valor de z que corresponda a una probabilidad dada, el proceso se
invierte. Po ejemplo, el valor de z que deja un área de 0.9 bajo la curva a la izquierda
de z es de 1.28.