DISTIBUCIN DE PROBABILIDAD DE

VARIABLES ALEATORIAS CONTINUAS

CAROL YESSENIA CARDONA ADRIANA MARIA MEDINA DANIEL FELIPE SEGURA DANIEL MAURICIO PALACIOS

INTRODUCCIN
Estas distribuciones son usadas para el estudio de fenmenos aleatorios en disciplinas como la ingeniera, las ciencias, la economa y los negocios. A continuacin veremos los mtodos para determinar la distribucin de una funcin de variable aleatoria , analizaremos 9 tipos de distribuciones, normal, normal estndar, uniforme, Tstudent, F-Snedecor, beta, gama, Weibull y Chi-Cuadrado, abordaremos su definicin, caractersticas y algunos ejemplos de aplicacin .

DISTRIBUCIN NORMAL
La distribucin normal o Gausiana es la mas importante y la de mayor uso en todas las distribuciones continuas de probabilidad. En estadstica es de mucha aplicabilidad en el anlisis de datos, ya que las distribuciones de estadsticas mustrales tienden a la distribucin normal conforme crece el tamao de la muestra. Su forma grafica es una curva simtrica a manera de campana, que se extiende sin limite en la direccin positiva como en la negativa.

CARACTERSTICAS
Tiene forma de campana y posee una sola cima en el centro de la distribucin la media aritmtica, la mediana y la moda son iguales, y se localizan en el centro de la distribucin. El rea total bajo la curva es de 1.00. La mitad del rea bajo la curva normal se localiza a la derecha de este punto central, y la otra mitad, a la izquierda. Es simtrica respecto de la media. Si hace un corte vertical, por el valor central, a la curva normal, las dos mitades son imgenes especulares. Desciende suavemente en ambas direcciones del valor central. Es decir, la distribucin es asinttica. La curva se aproxima mas y mas al eje X, sin tocarlo en realidad. En otras palabras, las colas de la curva se extienden indefinidamente en ambas direcciones. La localizacin de una distribucin normal se determina a travs de la media, . La dispersin o propagacin de la distribucin se determina por medio de la desviacin estndar, .

 Funcin de densidad de probabilidad de la distribucin normal:

P(x)=

1 2

()2 (2)2

Donde: = Desviacin estndar 2 =Varianza =3,141592654 =2,7182818 x =Valor de la variable aleatoria y =Altura de la curva para cualquier valor de x =Media

Graficas de la funcin de densidad normal para diferentes valores de y .

 Una distribucin normal es simtrica al rededor de su media . Si el valor mximo de la funcin de densidad de probabilidad normal ocurre cuando x=, es la media, la mediana y la moda de cualquier variable aleatoria distribuida normalmente. Para la varianza la formula es:

El coeficiente de asimetra es La curtosis es

Ejemplo:
Sea X una variable aleatoria que representa la inteligencia medida por medio de los resultados obtenidos de una prueba. X=(100,10) se pide obtener las probabilidades de que X sea mayor que 100, menor que 85, menor o igual 112, mayor a 108. Dado que la distribucin de probabilidad de X es simtrica alrededor de su media, la probabilidad de que X sea mayor a 100 por definicin es 0,5. Para (X < 85)

Para (X 112)

Para (X 108)

Para (X > 90)

DISTRIBUCIN DE PROBABILIDAD NORMAL ESTNDAR

Para determinar las probabilidades de todas las distribuciones de probabilidad normal, se utiliza la distribucin de probabilidad normal estndar, pues tiene una media de 0 y una desviacin estndar de 1. Cualquier probabilidad de distribucin normal puede convertirse en una distribucin normal estndar, de la siguiente manera, al restar la media de cada observacin y dividir esta diferencia entre la desviacin estndar. Los resultados reciben el nombre de valores z o valores tipificados. Valor z: La distancia con signo entre el valor seleccionado, designado con x, y la media, , dividida entre la desviacin estndar, .

Valor normal estndar:

=
;

Donde : X: Es el valor de cualquier observacin y medicin. : Es la media de la distribucin. : Es la desviacin estndar de la distribucin. El valor Z expresa la distancia o diferencia entre un valor particular de X y la media , en unidades de desviacin estndar.

Ejemplo: Una empresa productora de azcar, desea saber cual es la probabilidad de que las cajas de azcar pesen entre 283 y 285.4 gramos. El peso de la caja de azcar tiene una distribucin normal de 1,6 gramos. P( 283<peso<285,4). Para hallar las probabilidades es necesario convertir los valores dados en gramos a valores z.

(283;283) = 1,6

Z=

(285,4;283) = 1,6

1,5

El rea bajo la curva entre 0.00 y 1.50 es de 0.4332. Tal es la probabilidad de que una caja seleccionada al azar de azcar pese entre 283 y 285.4 gramos. Esto se ilustra en la siguiente grafica.

DISTRIBUCIN DE PROBABILIDAD UNIFORME

Estas distribuciones describen la probabilidad de que una variable aleatoria continua con una infinidad de valores posibles caiga dentro de un intervalo especfico. Por ejemplo: El tiempo de vuelo de una aerolnea comercial de Orlando - Florida a Atlanta - Georgia, varia de 60 a 120 minutos. La variable aleatoria es el tiempo de vuelo dentro de este intervalo. La variable de inters, es el tiempo de vuelo en minutos, que se mide un una escala continua.

Distribucin uniforme
La distribucin tiene forma rectangular y queda definida por valores mnimos a y mximos b, observamos en la grafica que la altura de la distribucin es constante o uniforme para todos los valores entre a y b.

Las reas dentro de la distribucin representan probabilidades. En el caso de la distribucin uniforme, su forma rectangular permite aplicar la formula del rea de un rectngulo. La altura del rectngulo es P(x), que es 1/(b a). La longitud de la base de la distribucin es b a. veamos que, si multiplicamos la altura de la distribucin por todo su intervalo para determinar el rea, el resultado siempre es 1.00: rea = (altura)(base) =
1 ;

= 1.00

De este modo, si una distribucin uniforme va de 10 a 15, la altura es de 0.20, que se determina mediante 1/(15 10). La base es de 5, que se calcula al restar 15 10. El area total es: rea = (altura)(base) =
1 15;10

15 10 = 1.00

LA DISTRIBUCION UNIFORME

si a x b y 0 en cualquier otro lugar LA MEDIA DE UNA DISTRIBUCION UNIFORME

LA DESVIACIN ESTNDAR DE LA DISTRIBUCIN UNIFORME

Ejemplo: La universidad de Arizona proporciona servicio de transporte para sus estudiantes. El autobs llega a la parada de la calle norte cada 30 minutos, entre las 6 de la maana y las 11 de la noche entre semana. Los estudiantes llegan a la parada en tiempos aleatorios, el tiempo que espera un estudiante tiene una distribucin uniforme de 0 a 30 minutos. a) Trace una grafica de distribucin b) Demuestre que el rea de distribucin es 1 c) Cul es la media de tiempo de espera? d) Cual es la desviacin estndar? e) Cual es la probabilidad de que un estudiante espere mas de 25 min?

DISTRIBUCIN DE PROBABILIDAD T-STUDENT

Es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin distribuida normalmente cuando el tamao de la muestra es pequeo. Al realizar la prueba T student para la determinacin de las diferencias entre dos medias mustrales y para la construccin de intervalo de confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin tpica y esta debe ser estimada a partir de los datos de la muestra. La formula para la distribucin t, es T=
(;) /

Ejemplo: La longitud de los tornillos producidos en una fabrica tienen media =10 mm, y desviacin estndar S=1 mm, calcular la probabilidad de que en una muestra de tamao n=25, la longitud media del tornillo sea inferior a 20,5 mm. Siguiendo una distribucin t de n-1 grados de libertad.

P(<20,5)

T=

(;) /

T=

(20,5;20) 0,5 = =2,5 1/ 25 0,2

P(<20,5) P(T<2,5) t(24) P(T<2,5)= 0,9902 P(<20,5)= 0,9902 La probabilidad que la longitud de la muestra de 25 tornillos sea inferior a 20,5 mm es del 99,02%

DISTRIBUCIN DE PROBABILIDAD F
Es una distribucin de gran aplicacin en la inferencia estadstica, fundamentalmente en la contrastacin de la igualdad de varianza de dos poblaciones normales, y , en el anlisis de la varianza. Tcnica que permite detectar la existencia o inexistencia de diferencias significativas entre muestras diferentes, en todos aquellos casos en los que se quiere investigar la relevancia de un factor en el desarrollo y naturaleza de una caracterstica.

La distribucin se plantea partiendo de dos variables X e Y tales que : X 2 es decir una chi2 con m grados de libertad Y 2 es decir una chi2 con n grados de libertad de manera que si establecemos el cociente F=

es decir el

cociente entre ambas chi2 divididas a su vez, por sus correspondientes grados de libertad tendremos que la funcin F corresponde a una distribucin F de Snedecor con m y n grados de libertad ; es decir una , . Queda claro que la distribucin F tiene dos parmetros, que son m y n grados de libertad del numerador y grados de libertad del denominador. Dado que se trata de un cociente entre dos chi2 su forma ser parecida a la de sta distribucin , por lo que estar slo definida para el campo positivo de la variable y su apariencia variar segn los grados de libertad

LA FUNCIN DE DENSIDAD DE LA F

siendo m y n los parmetros de la funcin(distribucin) y la funcin gamma de Euler.

LA MEDIA DE LA DISTRIBUCIN si n > 2 siendo la varianza cuando n> 4 LA VARIANZA DE DISTRIBUCION

Entonces si Si

su inversa ser y nos interesa el clculo de ser

. dicho resultado

es 0,13 y luego

Ejemplo: Las tablas nos dan, para m = 10 y n = 6, el percentil 90

=2,94; el percentil 95 = 4,06. Calcular los valores de la distribucin F de 6 y 10 grados de libertad que dejan a su izquierda una masa de probabilidad de 0.1 y 0.05 respectivamente.
P( 10,6 2,94) = 0,9 P( 10,6 4,06) = 0,95
1 = 0.34 2.94 1 = 0.25 4.06

P( 6,10 0,34) = 0,1 P( 6,10 0,25) = 0,05

DISTRIBUCIN BETA
La distribucin beta, es una distribucin de probabilidad continua, se a utilizado para representar variables fsicas cuyos valores se encuentran restringidos a un intervalo de longitud infinita. Tambin se a utilizado para encontrar ciertas cantidades que se conocen como limites de tolerancia , sin la necesidad de utilizar la hiptesis de distribucin normal.

Se dice que una variable aleatoria X posee una distribucin beta si su funcin de densidad esta dada por dos parmetros a y b , cuya funcin de densidad es para valores.

El valor esperado de una variable aleatoria distribucin beta son

X con

La varianza de una variable aleatoria X con distribucin beta es:

EJEMPLO: Un distribuidor de gasolina llena los tanques del deposito cada lunes , se ha observado que la cantidad que vende cada semana se puede moldear con la distribucin beta ,con a=4 y b=2. 1. Encuentre el valor esperado de la venta semanal 2. encontrar la probabilidad que en alguna semana venda al menos 90

DISTRIBUCIN GAMMA
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.

Se dice que la variable aleatoria X tiene una distribucin gamma si su funcin de densidad de probabilidad esta dada por

Mediante el empleo de la funcin gamma , puede demostrarse que tiene una funcin de probabilidad dada por

El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son

Ejemplo: En una ciudad se observa que el consumo diario de energa ( en millones de kilowatt-hora) es una variable aleatoria que sigue una distribucin gamma, con parmetros a=3 y b=2, si la planta de energa que suministra a la cuidad tiene una capacidad diaria de generar un mximo de 12 Cual es la probabilidad de que haya un da donde no se puede satisfacer la demanda.?

DISTRIBUCIN CHI-CUADRADO
Es una distribucin de probabilidad continua, de suma importancia porque es la base de varios procedimientos de inferencia estadstica, entre ellas la inferencia de su relacin con las distribuciones normales, intervalos de confianza y pruebas de hiptesis.

 Como se define la variable ?

Si v es un numero entero positivo (n } Se dice que una variable aleatoria tiene una distribucin chi-cuadrado con parmetro si la funcin de densidad de probabilidad de X es la densidad gamma con = y =2. por lo tanto la funcin de 2 densidad es: 1 2 ;1 ;/2 , 0 ; = 22 ( ) 2 0, < 0 Donde = es el numero de grados de libertad (gl) de = es la funcin gamma

Definicin de la variable
X = Z1+Z2+Z donde Zi son variables de distribucin normal, de media cero y varianza uno. El que la variable aleatoria X tenga esta distribucin se representa habitualmente as: X ~ X Una variable Chi cuadrada se define como la suma de n variables normales estandarizadas elevadas al cuadrado. Algunas de sus caractersticas: La distribucin es asimtrica positiva. A medida que aumenta el tamao de la muestra la curva es menos asimtrica, aproximndose a una curva normal. Para cada tamao muestral, se tendr una distribucin 2 diferente. El parmetro que caracteriza a una distribucin 2 son sus grados de libertad (n-1), originado una distribucin para cada grado de libertad.

Grados de libertad
Es un estimador del numero de categoras independientes en una prueba particular o experimento estadstico. Se encuentran mediante la formula , donde : es el numero de sujetos en la muestra, tambin pueden ser representados por . Donde : numero de grupos, cuando se realizan operaciones con grupos y no con sujetos individuales y : numero de sujetos o grupos estadsticamente dependientes.

Media y varianza
Si es una variable aleatoria continua con distribucin 2 . Media: = = Varianza: 2 = = 2 *se obtienen directamente de la distribucin gama con =/2, =2.

APLICACIONES
La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms conocida es la de la denominada prueba utilizada como prueba de independencia y como prueba de bondad de ajuste y en la estimacin de varianzas. Por otro lado para determinar si la muestra se ajusta o no se ajusta a una distribucin terica. Para saber si la(s) poblaciones(s) son homognea(s) o no lo son. Para determinar la dependencia e independencia de la(s) variable(s) a analizar

PRUEBA DE CHI-CUADRADO
Prueba de

Dos variables

Una variable

Prueba de independencia

Prueba de homogeneidad

Prueba de bondad de ajuste

Prueba de bondad de ajuste

Esta prueba de una variable, se utiliza para la comparacin de la distribucin de una muestra con alguna distribucin terica que se supone describe ala poblacin de la cual se extrajo. : la variable tiene comportamiento normal se distribuye de manera uniforme 1 : la variable no tiene comportamiento normal, no se distribuye de manera uniforme. (;)2 2 =

Ejemplo:
Un gerente de ventas que tiene su mercado divido en cuatro zonas les indica a sus vendedores que las zonas tienen el mismo potencial de ventas. Ante la duda los vendedores sobre el potencial de sus zonas el gerente hace el siguiente procedimiento: se extrae una muestra de los archivos de la empresa de 40 ventas realizadas el ao pasado y encuentra que el numero de ventas por zona son: zona 1=6, Zona 2=12, Zona 3=14 y Zona 4= 8. en vista de esos resultados se realiza una prueba de bondad de ajuste.

Solucin: Planteamiento de hiptesis : . 1 :

Nivel de significancia = 5%=0.05 Entonces: Gl: k-1= 4-1=3+0.05=3.05 El 2 critico = 7.81 (segn la tabla) esta se busca asi : con 3 grados de libertad y el 0.05 corresponde al nivel de significancia que se encuentra en la parte horizontal de la tabla. Para hallar el 2 observado se realiza una tabla de datos con la zona la frecuencia observada y la frecuencia esperada, donde la frecuencia esperada corresponde a la hiptesis nula : donde = entonces: 40 que corresponde al nmero de ventas, se divide en el nmero de zonas que son 4 (A, B, C y D). Entonces 40/4= 10 que son las ventas igualmente distribuidas entre las 4 zonas. Tabla:
FRECUENCIA OBSERVADA () FRECUENCIA ESPERADA ( ) Z A 6 O B 12 N C 14 A D 8 S SUMATORIA 40

10

10

10

10

40

1.6

0.4

1.6

0.4

 Para hallar los 2 individuales se aplica en la frmula de: 2 =

()2

Entonces:

2 = = 4 este nmero corresponde al chi-cuadrado 10 observado Ahora de acuerdo a las hiptesis y a los datos obtenidos tomamos una decisin: 2 < 2 4 < 7.81 Entonces no rechazamos la hiptesis nula . Es decir que la hiptesis nula de que las ventas se encuentran igualmente distribuidas en las 4 zonas no se puede rechazar para un nivel de significancia del 5%.

16:4:16:4

(6;10)2 :(12;10)2 :(14;10)2 :(8;10)2 10

 Ejemplo: En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la variabilidad de los resultados que producen muestras estndar. En un estudio de la cantidad de calcio en el agua potable, el cual se efecta como parte del control de calidad, se analiz seis veces la misma muestra en el laboratorio en intervalos aleatorios. Los seis resultados en partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26. Estimar la varianza de los resultados de la poblacin para este estndar, usando un nivel de confianza del 90%.

6 1 (0.0285) = = 0.1246 1.145 (6 1)(0.0285) 2 = = 0.0129 11.07

2

Solucin: Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285. Se busca en la tabla los valores correspondientes con 5 grados de libertad, obtenindose dos resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07. Entonces el intervalo de confianza esta dado por:

DISTRIBUCIN WEIBULL
Lleva el nombre de su creador, Waloddi Weibull (1951) fue quien la descubri detalladamente. Demostr empricamente que el esfuerzo al que pueden someterse los materiales, puede modelarse adecuadamente por esta distribucin.

DEFINICIN
Se dice que una variable aleatoria X tiene una distribucin de Weibull si su funcin de densidad de probabilidad esta dada por:

En donde: = parmetro de forma. = parmetro de escala. X= variable aleatoria de Weibull. X- = parmetro de localizacin. Exp= funcin de supervivencia exponencial

La distribucin de Weibull es una distribucin de probabilidad continua, en la cual se modela las situaciones de tiempo-falla y el objetivo de lograr una amplia variedad de componentes mecnicos y elctricos tambin puede indicar la vida til de cierto artculo, planta o animal, confiabilidad de un componente. Como por ejemplo : el cambio de la velocidad del viento, fallas en un componente mecnico o elctrico, tiempo de garanta de un articulo, vida til y depreciacin de un producto, investigacin clnica para analizar datos de supervivencia, entre otros.
Funcin acumulativa de weibull

 Integrando la funcin acumulativa tenemos que:

El valor cuantil de

Medidas de tendencia central y de variabilidad para la distribucin Weibull

Mediana:

Media:

Varianza:

Ejemplo: Sea X la prdida de peso por corrosin de una pequea placa de aleacin de magnesio cuadrada sumergida durante 7 das en una solucin inhibida acuosa al 20% de MgBr2 . Suponga que la prdida de peso mnima posible es =3 y que el exceso X-3 sobre esta mnima tiene una distribucin Weibull con =2 y =4. La funcin de distribucin acumulativa de X es entonces: 0 < 3 2 ; , , = ; 2,4,3 = 1 ; (;3)/4 , 3 Por consiguiente:
> 3.5 = 1 3.5; 2,4,3 = =0.9844964370.985 ; (3.5;3)/4
2

7 9 = 1 =0.895-0.632=0.263

; (9;3)/4

-[1

; (7;3)/4

Un fabricante de lavadoras garantiza sus productos contra cualquier defecto el primer ao de uso normal. El fabricante ha estimado un costo por reparacin de $75 durante el periodo de garanta. Con base en la experiencia, se sabe que el tiempo en que ocurre la primera falla es una variable aleatoria de weibull con parmetros de forma y escala iguales a 2 y 40, respectivamente. Si el fabricante espera vender 100000 unidades y si para una misma unidad, se descuenta el valor de las reparaciones, se determina el costo esperado de la garanta para el fabricante. Sea X la variable aleatoria que representa el tiempo que transcurre hasta que se presenta la primera descompostura. Por hiptesis la funcin de densidad de probabilidad de x es: 2 12 ; 2; 40 = 40 2 x exp[;(402)], X>0 La probabilidad de que la primera descompostura ocurra durante el periodo de garanta es igual a la probabilidad de que X sea menor o igual a 12.Mediante el empleo de la ecuacin: 12 12 = 1 exp 402 ,
12

12

12 = 1 exp 402 =0,0861 Por lo tanto, si se supone que la operacin de las lavadoras es independiente entre si, se puede esperar que: 100000*0,0861=8610 de fallas durante el tiempo de garanta con un costo total de $645750