DISTRIBUCIONES DE PROBABILIDAD

Una distribucin de probabilidad ayuda a describir un experimento o predecir futuros

resultados cuadro de efecta un determinado nmero de repeticiones.
Una distribucin de probabilidad corresponde a una distribucin de frecuencias relativas
de la poblacin: son distribuciones tericas que se emplean como patrones de referencia
para analizar distribuciones empricas (reales), interpretndose como se distribuye la
poblacin en cada punto P( X =x) o conjunto de puntos P( X x)
DISTRIBUCIONES DISCRETAS
Las distribuciones discretas incluidas en el mdulo de Clculo de probabilidades son:

Uniforme discreta
Binomial
Hipergeomtrica
Geomtrica
Binomial Negativa
Poisson

Distribucin Uniforme discreta (a,b)

Describe el comportamiento de una variable discreta que puede tomar n valores
distintos con la misma probabilidad cada uno de ellos. Esta distribucin asigna igual
probabilidad a todos los valores enteros entre el lmite inferior y el lmite superior que
definen el recorrido de la variable. Si la variable puede tomar valores entre a y b, debe
ocurrir que b sea mayor que a, y la variable toma los valores enteros empezando por a,
a+1, a+2, etc. hasta el valor mximo b. Por ejemplo, cuando se observa el nmero
obtenido tras el lanzamiento de un dado perfecto, los valores posibles 4 siguen una
distribucin uniforme discreta en {1, 2, 3, 4, 5, 6}, y la probabilidad de cada cara es 1/6.
Valores:
x :a ,a+ 1,a+ 2,... , b , Nmeros enteros
Parmetros:
a :m nimo , a entero

b :m ximo , b entero con a< b

Ejercicio 1
El temario de un examen para un proceso selectivo contiene 50 temas, de los cuales se
elegir uno por sorteo. Si una persona no ha estudiado los 15 ltimos temas Cul es la
probabilidad de que apruebe el examen?

Solucin
La variable que representa el nmero del tema seleccionado para el examen sigue una
distribucin uniforme con parmetros a=1 y b=50. La persona aprueba el examen si le
toca un tema del 1 al 35; por tanto, la probabilidad que se pide es la cola a la izquierda
de 35.
Uniforme discreta (a,b)
a=Valor mnimo 1
b=Valor mximo 50
Punto K 35 estudio
Punto N 15 no estudio
Probabilidad Pr [ X=k ] =

Valor m nimo a 1
= = =0.02
Valor m ximo b 50

Probabilidad que aprueve Pr [ X k ] =

Punto K
K 35
= = =0. 7
Valor m ximo b 50

Pprobabilidad que desaprueve Pr [ X > k ] =

Punto N
N 15
= = =0.3
Valor m ximo b 50

DISTRIBUCIN BINOMIAL (X, np, npq)

Esta distribucin aparece de forma natural al realizar repeticiones independientes de un
experimento que tenga respuesta binaria, generalmente se clasificada como xito o
fracaso.
La posibilidad de obtener x triunfos en n pruebas independientes.
Este modelo se aplica a poblaciones finitas de las que se toma elementos al azar con
reemplazo, y tambin a poblaciones conceptualmente infinitas, como por ejemplo las
piezas que produce una mquina, siempre que el proceso de produccin sea estable.
n

P(x)=C x p q

nx

Donde:
x :0, 1, 2,... , n , x significa numero de triunfos

Parmetros:
n :n mero de pruebas , n>0 entero

p: probabilidad de xito , 0< p<1

Cnx =

n!
( nx ) ! x !

n !=n ( n1 ) ( n2 ) 2 1 , 0!=1
Caractersticas:
Media=esperanza matematica==np
Varianza= = npq
Ejercicio 1
Si la prueba es el lanzamiento de una moneda se tiene
P (cara) = 1/2 = P y P (sello) = 1/2 = q
La probabilidad de obtener 2 caras en 4 lanzamientos ser:
x=2, n=4, p=1/2, q=1 /2

P ( x=2 )=C 42

1
2

1 2
=6 (1/2)4 =0.375
2

( )( )

Ejercicio 2
Un tratamiento de cierta enfermedad tiene una posibilidad de 0.6 de aliviar todos los
signos y sntomas; determinar la probabilidad que de 6 pacientes tratados, curen
exactamente 2.
P=0.6, q=2/6=0.3 0.4
6

P ( x=2 )=C 2 ( 0.6 ) ( 0.4 ) =15 ( 0.009216 )=0.138

La posibilidad que a lo ms 2 pacientes se mejoren esta dado por:

P ( x 2 ) =p ( x=0 ) + p ( x =1 )+ p ( x=2 )
6

P ( x 2 ) =C0 ( 0.6 ) ( 0.4 ) + C1 ( 0.6 ) ( 0.4 ) +C 2 ( 0.6 ) ( 0.4 )

P ( x 2 ) =( 0.4 )6 +6 ( 0.6 ) ( 0.4 )5 +15 ( 0.6 )2 ( 0.4 )4

P ( x 2 ) =0.17
Para 100 pacientes se espera que mejoren:
=np=100 ( 0.6 ) =60 pacientes con varienza
= npq=100 ( 0.6 )( 0.4 )=4.89 5 pacientes

Distribucin Hipergeomtrica (N,R,n)

La distribucin hipergeomtrica suele aparecer en procesos muestrales sin reemplazo,
en los que se investiga la presencia o ausencia de cierta caracterstica. Pinsese, por
ejemplo, en un procedimiento de control de calidad en una empresa farmacutica,
durante el cual se extraen muestras de las cpsulas fabricadas y se someten a anlisis
para determinar su composicin.
Por tanto, esta distribucin es la equivalente a la binomial, pero cuando el muestreo se
hace sin reemplazo.
El nmero de xitos en una muestra aleatoria de tamao n, extrada sin reemplazo de
la poblacin, es una variable aleatoria con distribucin hipergeomtrica de parmetros
N, R y n.
Cuando el tamao de la poblacin es tan grande la distribucin hipergeomtrica se
aproxima en tal caso a la binomial.
Valores:
x: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor mximo entre 0
y n-(N-R) y min{R,n} indica el valor mnimo entre R y n.
Parmetros:
N >0 entero
R: nmero de xitos en la poblacin, R 0
N: tamao de la poblacin,

n: nmero de pruebas, n>0

entero

entero

C
R

( k )(C
C

N
n

N R
nk

, k=exitos en lamuestra

p ( x=k ) =
Ejercicio 1
En una florera hay 20 variedades de flores, de las cuales 8 son diferentes clases de
rosas. Que probabilidad hay de que al extraer una muestra al azar de12 flores, se

incluyan 3 clases de rosas? Es una distribucin hipergeomtrica, con los siguientes

parmetros:
N=tamao de poblacin=20 n=tamao de muestra=12
R=xitos en la poblacin=rosas=8

k =xitos en la muestra=rosas=3

la probabilidad es:
R

( k )(C
C

N R
nk

N
n

8
3

208
123
20
12

(C )(C
C

C
) ( 56 ) (220)
=
=0.09780109375=0 .0978
125970
P ( x=3 ) =

Distribucin Geomtrica (p)

Si una variable aleatoria discreta X definida en un espacio de probabilidad representa el
nmero de repeticiones necesarias de un experimento de Bernoulli para obtener el
primer xito, entonces tiene por funcin de densidad: X-1
La distribucin geomtrica se utiliza en la distribucin de tiempos de espera, de manera
que si los ensayos se realizan a intervalos regulares de tiempo, esta variable aleatoria
proporciona el tiempo transcurrido hasta el primer xito.
Esta distribucin presenta la denominada propiedad de Harkov o de falta de memoria,
que implica que la probabilidad de tener que esperar un tiempo t no depende del tiempo
que ya haya transcurrido.
Valores:
x :0, 1, 2,...
Parmetros:
P ( X=x )=q x1 p
P( x=x)=variable aleatoriacon distribuci n geom trica .
X =Numero de experimentos hasta que aparece el 1 er xito .

p= probabilidad de xito
q= probabilidad de fracaso(1 p)

Ejemplo 1
Del salon el 60% de los alumnos son hombres, calcular probabilidad de extraer el 1er
hombre a la cuarta ocasin que extraemos un alumno.

Definir xito: sea hombre.

x=4
p=0.60

q=0.40
P ( X=4 ) =( 0.40 )41 ( 0.60 )=( 0.40 )3 ( 0.60 )=0.0384
Ejemplo 2
Una maquina detecta fallas en los productos que elabora una fabrica. Si los productos
tienen una probabilidad de falla del 5%, calcular la probabilidad de que la maquina
encuentre su primer producto defectuoso en la octava ocasin que selecciona un
producto para su inspeccin.
Definir xito: salga defectuoso el producto.
X=8
p = 0.05
q = 1 - 0.05 = 0.95
P(X=8) = (0.95)7(0.05) = 0.0349
Ejemplo 3
En el saln hay 8 alumnos de ojos cafs, 9 de ojos azules, 7 de ojos negros, y 10 de ojos
verdes; si extraemos 6 alumnos, calcular la probabilidad de que este ltimo tenga los
ojos claros.
Definir xito: tenga ojos claros.
X =6
p=0.5588
q=10.5588=0.4412
P ( X=6 )=( 0.4412 ) 5 ( 0.5588 )=0.0093
Distribucin Binomial negativa (r,p)

Una generalizacin obvia de la distribucin geomtrica aparece si se supone que un

experimento se contina hasta que un determinado suceso, de probabilidad p, ocurre por
r-sima vez. La variable aleatoria que proporciona la probabilidad de que se produzcan
k fracasos antes de obtener el r-simo xito sigue una distribucin binomial negativa de
parmetros r y p, BN(r,p). La distribucin geomtrica corresponde al caso particular en
que r=1. Un ejemplo es el nmero de lanzamientos fallidos de un dado antes de obtener
un 6 en tres ocasiones, que sigue una BN (3,1/6).
La distribucin binomial negativa fue propuesta, originalmente, como una alternativa a
la distribucin de Poisson para modelar el nmero de ocurrencias de un suceso cuando
los datos presentan lo que se conoce como variacin extra-Poisson o sobredispersin.
Valores:
x :0, 1, 2,... Numero de internos

Parmetros
p: probabilidad de xito , 0< p<1
q: posibilidad de fracaso

k :nmero de xitos , r 0
P ( X=x )= k + r1 pr q k ,
k 1

P ( X=x )= x1 pk (1 p) xk
k 1

( )

Ejercicio 1
Si la probabilidad de que un nio expuesto a una enfermedad contagiosa la contraiga es 0,40,
Cul es la probabilidad de que el dcimo nio expuesto a la enfermedad sea el tercero en
contraerla?
Solucin
103
7
P ( X=10 ) = 101 0.4 3 ( 10.4 ) = 9 0.43 ( 0.6 ) =0.0645
31
2

()

Ejercicio 2
En un proceso de manufactura se sabe que un promedio de 1 en cada 10 productos es
defectuoso, cual es la probabilidad que el quinto (5) articulo examinado sea el primero (1) en
estar defectuoso?

X =artculos defectuosos P=1/10=0,1 q=10,1=0,9 x=5 ensayos K =1

0.1 ( 0.9) =0.066=6.6

1
51
P ( X=x )= 51 0.1 (1o .1) = 4
11
0

( )

()

Distribucin Poisson (lambda)

La distribucin de Poisson, que debe su nombre al matemtico francs Simen Denis
Poisson (1781-1840), ya haba sido introducida en 1718 por Abraham De Moivre como
una forma lmite de la distribucin binomial que surge cuando se observa un evento raro
despus de un nmero grande de repeticiones10. En general, la distribucin de Poisson
se puede utilizar como una aproximacin de la binomial, Bin(n, p), si el nmero de
pruebas n es grande, pero la probabilidad de xito p es pequea; una regla es que la
aproximacin Poisson-binomial es buena si n 20 y p 0,05 y muy buena si
n 100

p 0,01 .

La distribucin de Poisson tambin surge cuando un evento o suceso raro ocurre

aleatoriamente en el espacio o el tiempo.
El concepto de evento raro o poco frecuente debe ser entendido en el sentido de que la
probabilidad de observar k eventos decrece rpidamente a medida que k aumenta.
Supngase, por ejemplo, que el nmero de reacciones adversas tras la administracin de
un frmaco sigue una distribucin de Poisson de media lambda=2.
La distribucin de Poisson tiene iguales la media y la varianza. Si la variacin de los
casos observados en una poblacin excede a la variacin esperada por la Poisson, se
est ante la presencia de un problema conocido como sobredispersin y, en tal caso, la
distribucin binomial negativa es ms adecuada.
Valores:

x :0, 1, 2,...
Parmetros:
Lambda: media de la distribucin, lambda > 0
e = 2.71821
( np )

p ( x )=

(np)
x!

Ejemplo 1
Una compaa de seguros contra incendios, asegura 10,000 casa dispersas por todo lima
suponiendo la probabilidad de que una cosa cualquiera sea destruida por el juego,

durante un ao cualquiera sea

P=1/5000 , cual es la probabilidad de que es fuego

destruya 0, 1,2, de las 10,000 durante un ao determinado?

Si

n=10,000 P=

1
entonces np=2
5000

Tenemos
e(2) (2)0
p ( x=0 )=
=0.1353
0!
( 2)

p ( x=1 )=
p ( x=2 )=

(2)
=0.2706
1!

e( 2) (2)x
=0.2706
2!

Ejemplo 2
La posibilidad que un individuo sufra una reaccin por una inyeccin de un
determinado suero es 0.001, determine la probabilidad de que un total de 2000
individuos.
a) Exactamente 2 individuos sufran reaccin
b) Mas de 2 individuos tengan reaccin
n=2000, p=0.001,np=2
e2 22
(
)
a P x=2 =
=0.2706
2!
b P ( x >2 ) =1[ P ( x =0 ) + P ( x =1 )+ P ( x=2 ) ]

P ( x >2 )=1[

e2 20 e2 21 e2 22
+
+
]
0!
1!
2!

P ( x >2 )=10.6765=0.3235
La distribucin de poissn tiene muchas aplicaciones que no se relaciona con la
binomial, en este caso np= y se calcula la probabilidad de obtener x xitos por:
e x
(
)
P x=
con x=0,1,2,3,4 n ,
x!

Caractersticas:
Media=esperanza matemtica== ( promedio de exitos )
2

varianza= =
desviacion estandar=
Ejemplo 2
Uma empresa recibe un promedio de trez cheques sin fondos por dia, la probabilidad de
que reciba exctamente uno, un dia determinado es:
como =3 ( promedio )
3 1
3 1
e e 3
(
)
p x=1 =
=
=0.1493
1!
1!

DISTRIBUCION CONTINUAS
Las distribuciones continuas incluidas en el mdulo de Clculo de
probabilidades son:
Uniforme
Normal
Lognormal
Logstica
Beta
Gamma
Exponencial
Ji-cuadrado

Distribucin Uniforme

(a , b)

La distribucin uniforme es til para describir una variable aleatoria con

probabilidad constante sobre el intervalo

[a ,b ] en el que est definida.

Esta distribucin presenta una peculiaridad importante: la probabilidad de

un suceso depender exclusivamente de la amplitud del intervalo
considerado y no de su posicin en el campo de variacin de la variable.
Cualquiera sea la distribucin F de cierta variable X, la variable
transformada

[0,1].

Y =F ( X )

sigue una distribucin uniforme en el intervalo

Esta propiedad es fundamental por ser la base para la generacin

de nmeros aleatorios de cualquier distribucin en las tcnicas de

simulacin.

Campo de variacin:

ax b
Parmetros:

a :mnimo del recorrido

b :mximo del recorrido

f ( x )=

1
ba

Ejemplo 1
El precio medio del litro de gasolina durante el prximo ao se estima que puede oscilar
entre 140 y 160 ptas.
Donde:
b :es el extremo superior (en el ejemplo , 160 ptas .)
a :es el extremoinferior (en el ejemplo , 140 ptas .)
Por lo tanto, la funcin de distribucin del ejemplo sera:
f ( x )=

1
=0.05
160140

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad,
que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:
E ( x )=

a+b
2

En el ejemplo:
E ( x )=

140+160
=150
2

Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de 150 ptas.

Ejemplo 2
El volumen de precipitaciones estimado para el prximo ao en la ciudad de Sevilla va
a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin de distribucin y
la precipitacin media esperada:
f ( x )=

1
=0.01
500400

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de
probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:
E ( x )=

400+500
=450
2

Es decir, la precipitacin media estimada en Sevilla para el prximo ao es de 450

litros.
2
Distribucin Normal (X , , )

La distribucin normal es, sin duda, la distribucin de probabilidad ms

importante del
Clculo de probabilidades y de la Estadstica. Fue descubierta por De Moivre
(1773), como aproximacin de la distribucin binomial. De todas formas, la
importancia de la distribucin normal queda totalmente consolidada por ser
la distribucin lmite de numerosas variables aleatorias, discretas y
continuas, como se demuestra a travs de los teoremas centrales del lmite.
Las consecuencias de estos teoremas implican la casi universal presencia de
la distribucin normal en todos los campos de las ciencias empricas:
biologa, medicina, psicologa, fsica, economa, etc. En particular, muchas
medidas de datos continuos en medicina y en biologa (talla, presin
arterial, etc.) se aproximan a la distribucin normal.
Junto a lo anterior, no es menos importante el inters que supone la
simplicidad de sus caractersticas y de que de ella derivan, entre otras, tres
distribuciones (Ji-cuadrado, t y F) que se mencionarn ms adelante, de
importancia clave en el campo de la contrastacin de hiptesis estadsticas.
La distribucin normal que da definida por:
Valores para la variable

< x <

1
P ( x )=
e
2

(x )
2
2

funcion frobablidad

e=2.7182

=3.14159
Distribucin normal estandarizada
N ( X , , 2)

Todas las variables de distribucin normal

=0

distribucin normal ms simple con

pueden transformarse en otra

2=1 ,

N ( z , 0.1 )

a esta

distribucin se llama normal estandarizada o normal reducida:

Distribucin normal estandarizada esta definida por:
3.9< Z <3.9
Z
2

1
P ( Z )=
e
2

dode Z=

Caractersticas
Media==0
Varianaza= 2=1
Desviacion estandr= =1

Ejercicio 1
Las notas de 188 estudiantes de magister de la universidad catlica del Per segn sus
notas en el siclo de verano 1988
DISTRIBUCION DE LOS ETTUDIANTES DE MAGISTER DE LA UNIVERSIDAD
CATOLICA SUS NOTAS VERANO 1988
N

Notas

Promedio intervalico Frecuencia (ni)

(xi)

Frecuencia relativa
(hi)

1.

055 060

57.5

07

0.037

2.

060 065

62.5

11

0.059

3.

065 070

67.5

15

0.080

4.

070 075

72.5

20

0.106

5.

075 080

77.5

26

0.138

6.

080 085

82.5

30

0.160

7.

085 090

87.5

26

0.138

8.

090 095

92.5

20

0.106

9.

065 100

97.5

15

0.080

10.

100 105

102.5

11

0.059

11.

105 110

107.5

07

0.037

1. Las notas de los 188 estudiantes de la universidad catlica se distribuyen en

forma normal como se ve en el cuadro, la media 82.5
=

x i n i = 15510 =82.5
N

188

(X i)2 ni = n X 2i ( Xi ni )
=
2

2=

188 ( 1309175 )(15510)2

=157.4468
(188)2

= 157.4468=12.55
a) Determine la probabilidad de que:
i)
ii)
iii)

Un estudiante elegido al azar tenga una nota ente 85 y 90.

Un estudiante tenga una nota mayor que 100.
Tenga exactamente una nota de 70.

b)
i)
ii)
iii)

Cuantos estudiantes tienen una nota de entre 85 y 90?

Cuantos tienen una nota mayor que 100?
La nota por debajo de la cual esta el 75% de la poblacin.

Solucin.
a:
i)

P ( 85 X 90 )= probabilidad de que la nota del estudiante este

entre 85 y 90

Estandarizando las notas 85 y 90:

Z 1=

X 1 8582.5
=
=0.19

12.55

Z 2=

1
P ( Z=0.19 )=
2.72
2(3.1416)
1
P ( Z=0.9 )=
2.72
2 ( 3.1416 )

X 2 9082.5
=
=0.59

12.55

0.19
2

0.59
2

=0.0754

=0.2224

P ( Z=0.9 )P ( Z=0.19 )=0.147

ii)

P( x >100) .-los estudiantes con natas mayores que 100 deben tener al
menos una nota de 100.5
Z=

X 100.582.5
=
=1.43

12.55

1
P ( Z=1.43 ) =
2.72
2 ( 3.1416 )

1.43
2

=0.4236

P ( Z >1.43 )=0.5P ( Z=1.43 )=0.50.4236=0.0764

iii)

P( X =70) .- los alumnos con nota de exactamente 70, realmente deben

tener un calificativo de ente 69.5 y 70.5

P (69.5 X 70.5 ) :

Z 1=

X 1 69.582.5
=
=1.03

12.55

Z 2=

X 1 70.582.5
=
=0.95

12.55

1
P ( Z=1.03 )
2.72
2 ( 3.1416 )

1.03
2

1
P ( Z=0.95 )=
2.72
2 ( 3.1416 )

=0.3485

0.95
2

=0.3289

P (0.95 Z 1.03 )=P ( Z=1.03 )P ( Z=0.95 )

0.3480.3289=0.0196

b:
i)

Conociendo la probabilidad p y el numero de elementos de la

poblacin N, el numero de estudiantes con nota entre 85 y 90
esta dada por; NP=188 ( 0.147 )=27.6=28 estudiantes.

ii)

Los estudiantes con nota mayor de 100 sera:

N=NP=188 ( 0.0764 )=14.3=15

iii)

El

75 =es elarea ( probabilidad ) con Z =1.15 porque

0.75
=0.375
2

luego la

nota que esta por debajo de cual esta el 75% de la poblacin

ser:
1.15=

X 82.5
12.55

X =( 12.55 )( 1.15 ) +82.5

X =96.93 Puntos
Distribucin Beta (p,q)
La distribucin beta es posible para una variable aleatoria continua que
toma valores en el intervalo [0,1], lo que la hace muy apropiada para
modelar proporciones. En la inferencia bayesiana, por ejemplo, es muy
utilizada como distribucin a priori cuando las observaciones tienen una
distribucin binomial.

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros

definida en el intervalo cerrado 0 y 1 . Se utiliza frecuentemente como modelo
para fracciones, tal como la proporcin de impurezas en un producto qumico o la
fraccin de tiempo que una maquina estn en reparacin.
Uno de los principales recursos de esta distribucin es el ajuste a una gran
variedad de distribuciones empricas, pues adopta formas muy diversas
dependiendo de cules sean los valores de los parmetros de forma a y b,
mediante los que viene definida la distribucin.

y=interbalo , valor menor que uno

Funcin de densidad
b1

1 y

a 1
y
f ( x )=

( a+b ) a1
b1
x (1x ) o tambien f ( y )=
( a) ( b)

Media=

p
p +q

Varianza=

pq
( p +q+1 ) ( p+ q)2

Ejemplo 1
Un distribuidor de gasolina llena los tanques de depsito cada lunes. Se ha
observado que la cantidad que vende cada semana se puede modelar con la
distribucin beta con

a=4, b=2 .

Encuentre la probabilidad que al menos en una semana venda al menos un

90%
Solucin
Sea x porcin de combustible que vende semanalmente (variable aleatoria
continua con valor entre 0 y 1) su densidad de probabilidad

f ( x )=f ( x ) =

( 4 +2 ) 41
x ( 1x )21
( 4) ( 2)

f ( x )=

(6 )
x 4 1 ( 1x )21
( 4 ) ( 2)

f ( x )=

5!
x 3 (1x )1
3! x1!

f ( x )=

5 x4 x3! 3
1
x ( 1x )
3! x1!
3

f ( x )=20 x ( 1x )

20 x3 ( 1x ) dx=20
0.9

5 x 44 x 5
=5 x 4 4 x 5
20

Reemplazamos en el punto (1,0.9) luego restamos

1
5
5( 4)4 ( 1 )
=1
para x=1
0.9
5
pra x =0.9 5( 4)4( 0.9 )= 0.91854

10.91854=0.08146
La probabilidad que Venda al menos el 90% del la gasolina es

0.08148 x 100=8.146

Distribucin Gamma (a,p)

Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias
continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de
sucesos a la izquierda de la media que a la derecha. En su expresin se encuentran dos
parmetros, siempre positivos, () y () de los que depende su forma y alcance por la derecha, y
tambin la funcin Gamma (), responsable de la convergencia de la distribucin.

Una forma de interpretar () es tiempo promedio entre ocurrencia de un suceso.

Relacionndose con el parmetro de la Poisson como =1/. Alternativamente ser el
ratio de ocurrencia: =1/. La expresin tambin ser necesaria ms adelante para
poder llevar a cabo el desarrollo matemtico.
1
f ( x )=
x 1 e
( )

, x >0

Si =1, entonces se tiene la distribucin exponencial negativa de

1
=
parmetro

Ejercicio2
Si un componente elctrico falla una vez cada 5 horas, cul es el tiempo medio que
transcurre hasta que fallan dos componentes? Cul es la probabilidad de que
transcurran 12 horas antes de que fallen los dos componentes?
=2

1 1 fallo
1 1
= =
entonces , = = =5 horas /1 fallo
5 horas
1 1
5
E ( x )= =2 5=10 horas
x

f ( x )=

1
x 21 e 5 , x> 0
2
5 ( 2)

f ( x )=

1 1 5
x e , x> 0
25

uv=

1
5 xe 5 5 e
25
12

1
x1 e
25 0

uv=

x
5

x
5

)]

12

1
dx
25 0
x

1
5 xe 5 25 e
25
12
1

25 0
x

xe 5

e
5

x
5

x
5

u=x

du=1
x

dv=e 5 v= e 5 dx=5 e

x
5

Reemplazamos

12e
5

12
5

12
5

)(

0
5

0e

e
5

0
5

=10.31=0.69

Distribucin Exponencial
Resulta que la exponencial es un caso especial de la distribucin gamma, ambas
tienen un gran nmero de aplicaciones. Las distribuciones exponencial y gamma
juegan un papel importante tanto en teora de colas como en problemas de
confiabilidad. El tiempo entre las llegadas en las instalaciones de servicio y el
tiempo de falla de los componentes y sistemas elctricos, frecuentemente involucran
la distribucin exponencial. La relacin entre la gamma y la exponencial permite
que la distribucin gamma se utilice en tipos similares de problemas.
La variable aleatoria x tiene una distribucin exponencial, con parmetro b, si su
funcin de densidad es:

,x>0

; f(x) = 0 en cualquier otro caso

donde b > 0
La media y la variancia de la distribucin exponencial son:
m=b y s 2=b 2
Relacin con el proceso de Poisson.
Las aplicaciones ms importantes de la distribucin exponencial son aquellas
situaciones en donde se aplica el proceso de Poisson , es necesario recordar que un
proceso de Poisson permite el uso de la distribucin de Poisson. Recurdese
tambin que la distribucin de Poisson se utiliza para calcular la probabilidad de
nmeros especficos de eventos durante un perodo o espacio particular. En
muchas aplicaciones, el perodo o la cantidad de espacio es la variable aleatoria. Por
ejemplo un ingeniero industrial puede interesarse en el tiempo T entre llegadas en
una interseccin congestionada durante la hora de salida de trabajo en una gran
ciudad. Una llegada representa el evento de Poisson.
La relacin entre la distribucin exponencial (con frecuencia llamada exponencial
negativa) y el proceso llamado de Poisson es bastante simple. La distribucin de
Poisson se desarroll como una distribucin de un solo parmetro l, donde l puede
interpretarse como el nmero promedio de eventos por unidad de tiempo .
Considrese ahora la variable aleatoria descrita por el tiempo que se requiere para
que ocurra el primer evento. Mediante la distribucin de Poisson, se encuentra que
la probabilidad de que no ocurran en el espacio hasta el tiempo t est dada por:
;

Ahora puede utilizarse lo anterior y hacer que X sea el tiempo para el primer evento
de Poisson. La probabilidad de que el perodo hasta que ocurre el primer evento de
Poisson exceda x es la misma que la probabilidad de que no ocurra un evento de
Poisson en x. Esto ltimo por supuesto est dado por

. Como resultado,

P(X x) =
Entonces, la funcin de distribucin acumulada para x es:
P(0 X x) = 1 Ahora, con objeto de que se reconozca la presencia de la distribucin exponencial,
puede derivarse la distribucin acumulada anterior para obtener la funcin de
densidad:

f(x) =

La cual es la funcin de densidad de la distribucin exponencial con

Ntese que la media de la distribucin exponencial es el parmetro , el recproco

del parmetro en la distribucin de Poisson. El lector debe recordar que con
frecuencia se dice que la distribucin de Poisson no tiene memoria, lo cul implica
que las ocurrencias en perodos de tiempo sucesivos son independientes. Aqu el
parmetro importante

es el tiempo promedio entre eventos. En teora de la

confiabilidad, donde la falla de un equipo concuerda con el proceso de Poisson,

recibe el nombre de tiempo promedio entre fallas. Muchas descomposturas de
equipo siguen el proceso de Poisson, y entonces la distribucin exponencial es
aplicable.
En el siguiente ejemplo se muestra una aplicacin simple de la distribucin
exponencial en un problema de confiabilidad. La distribucin binomial tambin
juega un papel importante en la solucin.
Ejercicio 1
En un experimento de laboratorio se utilizan 10 gramos de
. Sabiendo que la
duracin media de un tomo de esta materia es de 140 das, cuantas idas transcurrirn
hasta que haya desaparecido el

de este material?

Solucin: El tiempo T de desintegracin de un tomo de

distribucin exponencial:

es una v.a. de

Como el nmero de tomos de

existentes en una muestra de 10 gramos es
enorme, el histograma de frecuencias relativas formado por los tiempos de
desintegracin de cada uno de estos tomos debe ser extremadamente aproximado a la
curva de densidad, f. Del mismo modo, el polgono de frecuencias relativas acumuladas
debe ser muy aproximado a la curva de su funcin de distribucin F. Entonces el tiempo
que transcurre hasta que el
del material radiactivo se desintegra es el percentil
90, t90, de la distribucin exponencial, es decir

Ejemplo2
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue
una distribucin exponencial con media de 16 aos. Cul es la probabilidad
de que a una persona a la que se le ha implantado este marcapasos se le deba
reimplantar otro antes de 20 aos? Si el marcapasos lleva funcionando
correctamente 5 aos en un paciente, cul es la probabilidad de que haya que
cambiarlo antes de
aos?
Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos
en una persona. Tenemos que

Entonces

En segundo lugar

Luego como era de esperar, por ser propio a un mecanismo exponencial,

o sea, en la duracin que se espera que tenga el objeto, no influye en nada el

tiempo que en la actualidad lleva funcionando. Es por ello que se dice que ``la
distribucin exponencial no tiene memoria".

Distribucin Ji-cuadrado
Un caso especial, muy importante, de la distribucin Gamma se obtiene cuando a=1/2 y
p=n/2. La distribucin resultante se conoce con el nombre de Ji-cuadrado con n grados
de libertad. Es la distribucin que sigue la suma de los cuadrados de n variables
independientes N(0,1).
La Ji-cuadrado es una distribucin fundamental en inferencia estadstica y en los tests
estadsticos de bondad de ajuste. Se emplea, entre muchas otras aplicaciones, para
determinar los lmites de confianza de la varianza de una poblacin normal, para
contrastar la hiptesis de homogeneidad o de independencia en una tabla de
contingencia y para pruebas de bondad de ajuste.
La distribucin Ji-cuadrado queda totalmente definida mediante sus grados de libertad
n.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el
estadstico X2. Si se elige una muestra de tamao n de una poblacin normal con
varianza

, el estadstico:

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados
de libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico jicuadrada esta dado por:

Donde n es el tamao de la muestra, s2 la varianza muestral y

la varianza de la
poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede
dar con la siguiente expresin:

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un
nmero infinito de distribuciones X2.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden
a la derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin X2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece en el
valor (n-3) = (gl-2).

La funcin de densidad de la distribucin X2 esta dada por:

para x>0

Elemplo 1
Los siguientes son los pesos, en decagramos, de 10 paquetes de
semillas de pasto distribuidas por cierta compaa: 46.4, 46.1, 45.8,
47.0, 46.1, 45.9, 45.8, 46.9, 45.2 y 46. Encuentre un intervalo de
confianza de 95% para la varianza de todos los paquetes de semillas
de pasto que distribuye esta compaa, suponga una poblacin
normal.
Solucin:
Primero se calcula la desviacin estndar de la muestra:

al elevar este resultado al cuadrado se obtiene la varianza de la

muestra s2= 0.286.
Para obtener un intervalo de confianza de 95% se elige un
= 0.05.
Despus con el uso de la tabla con 9 grados de libertad se obtienen
los valores de X2.

Se puede observar en la grfica anterior que el valor de X2 corre en

forma normal, esto es de izquierda a derecha.
Por lo tanto, el intervalo de confianza de 95% para la varianza es:

Graficamente:

Se observa que la varianza corre en sentido contrario, pero esto es

slo en la grfica. La interpretacin quedara similar a nuestros temas
anteriores referentes a estimacin. Con un nivel de confianza del 95%
se sabe que la varianza de la poblacin de los pesos de los paquetes
de semillas de pasto esta entre 0.135 y 0.935 decagramos al
cuadrado.