Proba y Modelos de Estadistica General

TEORA de la PROBABILIDAD Y MODELOS DE
ESTADSTICA GENERAL

Ing. Sergio Anbal Dopazo

UADE Facultad de Ingeniera Pgina 1 de 28

CLCULO DE PROBABILIDADES (Teora de la Probabilidad)

En nuestra vida nos enfrentamos a situaciones de toma de decisiones cuando interviene la
incertidumbre (incapacidad de predecir con certeza lo que va a ocurrir). Cualquier enfoque
analtico de este tipo de problemas, supone la evaluacin de la medida en que es posible que
ciertos sucesos hayan ocurrido o vayan a ocurrir. El clculo de probabilidades dar como resultado
esta medida.

CONCEPTOS PREVIOS IMPORTANTES

EXPERIMENTO ALEATORIO: Es cualquier desarrollo fsico observable que pueda dar
lugar a dos o ms resultados, sin que sea posible enunciar con certeza cul de estos
resultados va a ser observado. Por ejemplo, en el experimento aleatorio de arrojar un dado
se pueden obtener seis resultados diferentes: as, dos, tres, cuatro, cinco y seis, pero, de
antemano, no se puede decir que nmero va a salir. Los experimentos son situaciones que
pueden ser repetidas bajo condiciones esencialmente estables. Las repeticiones pueden
ser factibles y de realizacin efectiva (como el caso del dado), o abstractas y tericamente
concebibles (como por ejemplo analizar si la inversin en la bolsa da tal o cual utilidad).

SUCESO, EVENTO O ACONTECIMIENTO ALEATORIO: Es cada uno de los diferentes
resultados a los que puede dar lugar un experimento aleatorio. Cada uno de los resultados
posibles, constituye un suceso aleatorio. A los sucesos se los pueden definir como los
subconjuntos de un "espacio muestral". El suceso o evento es simple si est formado
exactamente por un resultado, o es compuesto si consta de ms de un resultado.

ESPACIO MUESTRAL: Es el conjunto de todos los resultados diferentes (o aquellos que
deseamos considerar diferentes) a que da lugar un experimento aleatorio.

DEFINICIONES DE PROBABILIDAD

Se puede especificar que una probabilidad es un nmero comprendido entre 0 y 1, que
indica cun posible es la ocurrencia de un suceso. Se mueve dentro de tres campos: ocurrencia
imposible (si un suceso tiene probabilidad 0); ocurrencia segura o certera (si tiene probabilidad 1);
y ocurrencia incierta, posible o probable (si tiene otro resultado). Hay un punto llamado de
indiferencia o ignorancia (si la probabilidad toma el valor 0,5).

Desde un enfoque matemtico cientfico se intent definir a la probabilidad como la rama de
las matemticas que interpreta y predice las frecuencias con que ocurrirn los hechos o sucesos
en el futuro. Pero esta definicin parece descartar que el concepto de probabilidad es intuitivo, por
lo tanto se hace difcil elaborar una definicin que englobe en conjunto todos los aspectos posibles
de ella. Hay tres criterios parciales que permitiran dar una definicin acabada:

DEFINICIN CLSICA O CANNICA (DE LAPLACE): El matemtico francs Pedro
Simn "marqus de Laplace" (1749-1827), como consecuencia del estudio de los
juegos de azar, la ha definido como el nmero de casos favorables a un suceso ( c )
divido el nmero de casos posibles o nmero total de casos ( n ). Esta definicin
tiene restricciones y condiciones para que se cumpla: por una parte los casos
Pgina 2 de 28 Ing. Sergio A. Dopazo UADE Facultad de Ingeniera

favorables deben ser todos los casos que quiero que ocurran; y por otra parte los
casos posibles deben ser equiprobables (que tengan igual probabilidad de
ocurrencia). Si por ejemplo queremos calcular la probabilidad de que ocurra un
suceso A, tenemos:
n
c
) A ( P = == =

Pese a ser una definicin circular (se basa en el concepto que se quiere definir, al
mencionar la equiprobabilidad de los casos posibles), esta definicin permiti el
desarrollo inicial de la teora de las probabilidades.

DEFINICIN BASADA EN LA FRECUENCIA: Trata sobre sucesos indefinidamente
repetibles bajo las mismas condiciones. Si en n pruebas el suceso A se present
una cierta cantidad de veces ) A ( f
a
(frecuencia absoluta de aparicin del suceso A),
definimos a la frecuencia relativa de aparicin del suceso como:
n
) A ( f
) A ( f
a
= == =
La escuela alemana, basada en la frecuencia (R. Von Misses), define a la
probabilidad del suceso A, como la frecuencia relativa de ocurrencia del suceso
cuando el nmero de pruebas tiende a infinito:
) A ( f lm ) A ( P
n
= == =
No se trata de un lmite rigurosamente matemtico sino conceptual, ya que indica
que cuanto mayor sea el tamao de la muestra, ms cerca estar la frecuencia
relativa del valor de la probabilidad. El mayor mrito de esta definicin es que nos
permite relacionar probabilidades tericas (casi siempre desconocidas) con
frecuencias relativas (sacadas de la experimentacin); y esto es el principio de la
inferencia estadstica que desarrollaremos con mayor detalle en el momento
oportuno.

DEFINICIN AXIOMTICA (Nicolaevich KOLMOGOROFF): En vista de la
parcialidad de las definiciones vistas, se concluy por definir a la probabilidad en
forma axiomtica. sta se basa en la teora de conjuntos, para ello debemos
desarrollar algunos conceptos. Los diferentes sucesos y el espacio muestral se
visualizan mediante los idiogramas o diagramas de Venn. Los sucesos se pueden
clasificar en:

o INCOMPATIBLES (EXCLUYENTES o MUTUAMENTE EXCLUYENTES):
En un mismo espacio muestral, la ocurrencia de uno de los sucesos excluye
de que ocurra otro (si uno se est dando el otro no puede ocurrir);
= == = ) B A (
o COMPATIBLES: ) B A ( . Estos a su vez, se los puede dividir en:
COMPATIBLES CONDICIONADOS: La ocurrencia de uno de los sucesos
condiciona la ocurrencia del otro suceso. Si uno de los dos se est dando,
esto modifica y condiciona a que el otro suceso tambin se d.
COMPATIBLES INDEPENDIENTES: Cada suceso posee su propio espacio
muestral. La ocurrencia de uno no modifica la ocurrencia del otro. Que uno
de los sucesos se est dando, no modifica ni influye en la ocurrencia o no
del otro suceso.

ESTADSTICA GENERAL



Dado un experimento, "E" (el espacio muestral de referencia o estudio) y "A y B" (eventos
o posibles sucesos dentro del espacio muestral); el objetivo de la probabilidad es asignar a cada
evento un nmero, que es una funcin "P" (funcin de probabilidad de los sucesos). Se define a
P(A) como la probabilidad de que ocurra el suceso o evento A en la realizacin de un experimento,
cuyo resultado ser una medida precisa de la probabilidad de que A ocurra (tambin se la
denomina probabilidad marginal). Esta probabilidad se visualiza en el espacio muestral de
referencia como el porcentaje de ocupacin que tiene el conjunto del evento posible dentro de ese
espacio.

AXIOMAS DE LA PROBABILIDAD

Para asegurarse de que las asignaciones de probabilidad sean consistentes con nuestras
nociones intuitivas de probabilidad, todas las asignaciones debern satisfacer los siguientes
axiomas (propiedades bsicas):

AXIOMA 1: La probabilidad de que ocurra un suceso A es un nmero real no
negativo que es posible asignar a un universo o espacio muestral E y a cada uno de los
subconjuntos de ese universo. 0 ) A ( P

AXIOMA 2: La probabilidad de un suceso cierto es igual a la unidad (tomando como
suceso cierto a todo lo que es posible asignar dentro de un espacio muestral). 1 ) E ( P = == =

AXIOMA 3: La probabilidad del suceso suma de dos sucesos excluyentes, es igual a
la suma de las probabilidades de cada uno de ellos. ) B ( P ) A ( P ) B A ( P B A Si + ++ + = == = = == =

REGLAS DE LA PROBABILIDAD: De estos axiomas se desprenden las siguientes reglas:

REGLA de la SUMA: ( (( ( ) )) ) o = == =
Sucesos Incompatibles: ) B ( P ) A ( P ) B A ( P + ++ + = == =
Sucesos Compatibles: ) B A ( P ) B ( P ) A ( P ) B A ( P + ++ + = == =

REGLA de la MULTIPLICACIN: ( (( ( ) )) ) y = == =
Sucesos Compatibles Independientes: ) B ( P ) A ( P ) B A ( P = == =
Sucesos Compatibles Condicionados: ) B A ( P ) B ( P ) A B ( P ) A ( P ) B A ( P = == = = == =

OTRAS REGLAS:
Probabilidad Condicional: ( (( ( ) )) )
) B ( P
) B A ( P
B
A
P

= == =
) A ( P 1 ) A ( P = == =
Lema de Morgan: ) B A ( P 1 ) B A ( P = == = (se generaliza para la unin de ms de 2)
( (( ( ) )) )
| || |
. .. .
| || |

\ \\ \
| || |
= == =
B
A
P 1
B
A
P
) B A ( P ) B A ( P ) A ( P + ++ + = == =
) B A ( P ) B A ( P ) B ( P + ++ + = == =


Veamos algunas generalidades que se derivan de las reglas bsicas:

Sucesos Incompatibles: ... ) C ( P ) B ( P ) A ( P ...) C B A ( P + ++ + + ++ + + ++ + = == =

Sucesos Independientes: ... ) C ( P ) B ( P ) A ( P ...) C B A ( P = == =

Sucesos Condicionados:
...) C B A / (... P ) B A / C ( P ) A B ( P ) A ( P ...) C B A ( P = == =

Sucesos Compatibles:
) C B A ( P ) C B ( P ) C A ( P ) B A ( P ) C ( P ) B ( P ) A ( P ) C B A ( P + ++ + + ++ + + ++ + = == =
Para la unin de ms de 3 sucesos compatibles hay que seguir la lgica planteada, lo
cual si la cantidad de sucesos es considerable, la regla resulta engorrosa; por ello, en
estas circunstancias se recomienda utilizar el Lema de Morgan. Veamos un ejemplo
para la unin de 5 sucesos compatibles:
) E D C B A ( P ) E D C B ( P
) E D C A ( P ) E D B A ( P ) E C B A ( P ) D C B A ( P
) E D C ( P ) E D B ( P ) E C B ( P ) D C B ( P ) E D A ( P
) E C A ( P ) D C A ( P ) E B A ( P ) D B A ( P ) C B A ( P
) E D ( P ) E C ( P ) D C ( P ) E B ( P ) D B ( P ) C B ( P ) E A ( P ) D A ( P
) C A ( P ) B A ( P ) E ( P ) D ( P ) C ( P ) B ( P ) A ( P ) E D C B A ( P
+ ++ +

+ ++ + + ++ + + ++ + + ++ + + ++ +
+ ++ + + ++ + + ++ + + ++ + + ++ + + ++ +
+ ++ +
+ ++ + + ++ + + ++ + + ++ + = == =

TEOREMA DE BAYES: (Es un caso particular de la Probabilidad Condicional):

( (( ( ) )) )
( (( ( ) )) )

( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

| || |
. .. .
| || |

\ \\ \
| || |

= == =
| || |
. .. .
| || |

\ \\ \
| || |
I
I
I
I
I
A
S
P A P
A
S
P A P
S
A
P

Siendo: A
i
,Sucesos (incompatibles entre si) Causa o Causales del Suceso S, el cual es
conocido u bien es un suceso ocurrido.

( (( ( ) )) )
I
A P : Probabilidad de la Causa, A priori a la ocurrencia del Suceso S.

| || |
. .. .
| || |

\ \\ \
| || |
I
A
S
P : Probabilidad Condicional del Suceso S como condicin de la Causa
(probabilidad de que el suceso S se de, si la causa A
i
es la responsable).

| || |
. .. .
| || |

\ \\ \
| || |
S
A
P
I
: Probabilidad de la Causa A posteriori a la ocurrencia del Suceso S
(probabilidad de que la causa sea responsable habiendo ocurrido el suceso S.

ESTADSTICA GENERAL



CONSIDERACIONES FINALES

Es necesario realizar algunas observaciones adicionales sobre la asignacin de
probabilidades:

a) Asignar probabilidades, es hacer corresponder a cada punto o subconjunto (A) del
espacio muestral un valor P(A) que cumple con las condiciones axiomticas
enunciadas.
b) En la prctica se asignan probabilidades a algunos sucesos cuidadosamente
seleccionados y luego se lo compara con un modelo terico previamente elegido. La
estadstica provee herramientas para comparar los datos obtenidos con el modelo y si
la coincidencia es satisfactoria, definiremos que el modelo ajusta bien con los datos. A
este procedimiento se lo denomina Modelizacin de una variable a partir de datos
obtenidos.
c) La ley de asignacin de probabilidades (la ley que siguen las P(A)) en funcin de los
valores de A (el MODELO), es un tema que trataremos en las siguientes pginas. Sin
embargo, es necesario destacar que, cuando se menciona un valor de probabilidad, ese
valor puede ser el resultado de una asignacin puramente arbitraria y/o subjetiva, de un
clculo sencillo o provenir de una funcin matemtica (la cual definimos como Modelo
Estadstico de Probabilidad o simplemente Funcin de Probabilidad); en cualquier
caso de asignacin de la ley de probabilidad, las frmulas bsicas que se han visto en
las pginas anteriores se cumplen en toda su extensin.


VARIABLES ALEATORIAS y DISTRIBUCIONES DE PROBABILIDAD

El concepto de una variable aleatoria nos permite pasar de los resultados experimentales a
una funcin numrica de los resultados. Una Variable Aleatoria (VA.) "X" es una regla bien
definida para asignar valores numricos a todos los resultados posibles de un experimento (regla
mediante la cual a cada uno de los resultados de un experimento se le asocia un nmero).
Tambin se la puede definir como una descripcin numrica del resultado de un experimento (la
VA. asocia un valor numrico con cada resultado posible, por lo tanto es una regla de asociacin).
El valor numrico de la VA. depende del resultado del experimento.

"X" es variable porque son posibles diferentes valores numricos. Es aleatoria porque el
valor observado depende de cul de los posibles resultados experimentales aparezca, y, adems,
porque involucra la probabilidad de los resultados del espacio muestral. "X" es una funcin de valor
real definida sobre el espacio muestral, de manera que transforma todos los posibles resultados
del espacio muestral en cantidades numricas.

Se pueden definir VA. cuyos nmeros de posibles valores es finito, o VA. cuyos valores son
infinitos (sean contables o no), ya que una VA. es una caracterizacin cuantitativa de los
resultados de un espacio muestral. Dependiendo de los valores numricos que asume, las VA. se
pueden clasificar en VA. Discretas y VA. Continuas.

VARIABLES ALEATORIAS DISCRETAS

"X", es una VA. discreta si el nmero de valores que puede tomar es contable (ya sea finito
o infinito), y si stos pueden arreglarse en una secuencia que corresponde con los enteros
positivos. En general, todo lo que se quiere expresar de manera contable (cantidad de unidades
defectuosas, cantidad de vehculos que arriban o parten, etc.), es una VA. discreta.

En resumen, una VA. es discreta si su conjunto de valores posibles es un conjunto discreto.
Un conjunto es discreto si est formado por un nmero finito de elementos, o si sus elementos se
pueden enumerar en secuencia de modo que haya un primer elemento, un segundo elemento, un
tercer elemento, y as sucesivamente, en la lista.

DOMINIO de la VARIABLE: V.A. = r ; Mx r mn

) r ( P ) r VA ( P = == = ; ( (( ( ) )) ) [ [[ [ ] ]] ] 1 r P
Mx
mn i
i
= == =

= == =

= == =
r
mn
) r ( P ) r ( F ) r VA ( P ;

= == =
Mx
r
) r ( P ) r ( G ) r VA ( P

) r ( P 1 ) r ( G ) r ( F + ++ + = == = + ++ + ; ) 1 r ( G ) r ( G ) 1 r ( F ) r ( F ) r ( P + ++ + = == = = == =

) 1 r ( G 1 ) r ( F + ++ + = == = ; ) 1 r ( F 1 ) r ( G = == =

ESTADSTICA GENERAL



) 1 B ( G ) A ( G ) 1 A ( F ) B ( F ) r ( P ) B r A ( P
B
A r
+ ++ + = == = = == = = == =

= == =

Moda o Modo: ( (( ( ) )) ) Mximo r P r Mo
o o
= == = = == =

Mediana: ( (( ( ) )) ) ( (( ( ) )) ) 5 , 0 r F y 5 , 0 r F r Me
e 1 e e
= == =

Esperanza Matemtica Total: [ [[ [ ] ]] ]

= == =
= == = = == =
Mx
mn r
) r ( P r ) r ( E

Expectativa Parcial Izquierda: [ [[ [ ] ]] ]

= == =
r
mn
) r ( P r ) r ( H

Expectativa Parcial Derecha: [ [[ [ ] ]] ]

= == =
Mx
r
) r ( P r ) r ( J

) 1 r ( H ) r ( J ) 1 r ( J ) r ( H + ++ + = == = + ++ + + ++ + = == = , se demuestra que una expectativa se puede obtener
a partir de la otra.

Promedios Truncados:
) r ( G
) r ( J
;
) r ( F
) r ( H
) r VA ( T ) r VA ( T
= == = = == =

) 1 B ( G ) A ( G
) 1 B ( J ) A ( J
) 1 A ( F ) B ( F
) 1 A ( H ) B ( H
) B r A ( T
+ ++ +
+ ++ +
= == =

= == =

[ [[ [ ] ]] ] ( (( ( ) )) )
2
Mx
mn r
2 2
) r ( P r ) r ( V
) )) )
` `` `

= == = = == =

= == =
;
2
) r ( D = == = = == =

[ [[ [ ] ]] ]
3
Mx
mn r
3
3
) r ( ) r ( P
As

= == = = == =

= == =
;
[ [[ [ ] ]] ]
4
Mx
mn r
4
4
) r ( ) r ( P
Ku

= == = = == =

= == =

Propiedades Matemticas de la Esperanza Matemtica y de la Varianza. Sean x e
y dos Variables Aleatorias, y a y b dos constantes, se demuestran las siguientes
propiedades en la combinacin algebraica de dichos elementos:

2
y
2
x
2 2
R y x R
a ; b a b y ax R + ++ + = == = = == = = == =
2
x
2
y
2
y
2
x
2
y
2
x
2
R y x R
; y x R + ++ + + ++ + = == = = == = = == =


PROCESO DE BERNOULLI (Jacques Bernoulli, 1654 1705):

Parmetro: Probabilidad de xito (p)

Es un proceso fsico de repeticiones de un determinado experimento en el cual observamos la
ocurrencia o no de un determinado evento. Estos experimentos dan lugar a ensayos
independientes repetidos, cada uno de los cuales tiene slo dos resultados posibles: xito (ocurre
el evento deseado) o fracaso (no ocurre el evento deseado). Las condiciones en las que se
realizan todas las pruebas deben ser iguales.

Ejemplos de procesos de Bernoulli: tirar un dado equilibrado, sacar elementos con reposicin
de una caja, sacar muestras de elementos finitos de un proceso productivo o un proceso de la
naturaleza (muestreo para el control de procesos), sacar una muestra de un lote de tamao
infinito, todo proceso de experimentacin dnde la probabilidad del xito buscado sea constante,
etc.

A. MODELO BINOMIAL: Variable Aleatoria: r = Cantidad de xitos en n
Dominio: n r 0 ; Parmetros: n y p

( (( ( ) )) )
) r n ( r
b
p 1 p
r
n
) p ; n / r ( P ) r VA ( P

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == = = == =

= == =

( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
r
0 x
) x n ( x
b
) p 1 ( p
x
n
) p ; n / r ( F ) r VA ( P

= == =

( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
n
r x
) x n ( x
b
) p 1 ( p
x
n
) p ; n / r ( G ) r VA ( P

Esperanza Matemtica: p n = == = ; Varianza: ) p 1 ( p n
2
= == =

) p ; 1 n / 1 r ( F p n ) r ( H
b b
= == =

Moda: ( (( ( ) )) ) ( (( ( ) )) ) p p n Mo ) p 1 ( p n + ++ + < << < < << <

Asimetra:
) p 1 ( p n
p ) p 1 (
3

= == = ; Curtosis:
) p 1 ( p n
) p 1 ( p 6 1
4

= == =

Ver Aproximaciones al final del apunte!

ESTADSTICA GENERAL



B. MODELO PASCAL(Blaise Pascal, 1623 1662):

Variable Aleatoria: n = Cantidad de pruebas para obtener r
Dominio: n r ; Parmetros: r y p

( (( ( ) )) ) ) p ; n / r ( P
n
r
p 1 p
1 r
1 n
) p ; r / n ( P ) n VA ( P
b
) r n ( r
pa
= == =
| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == = = == =

) p ; n / r ( G ) p 1 ( p
1 r
1 x
) p ; r / n ( F ) n VA ( P
b
n
r x
) r x ( r
pa
= == =
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =

= == =

) p ; 1 n / 1 r ( F ) p 1 ( p
1 r
1 x
) p ; r / n ( G ) n VA ( P
b
n x
) r x ( r
pa
= == =
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =

= == =

Esperanza Matemtica:
p
r
= == = ; Varianza:
2
2
p
) p 1 ( r
= == =

) p ; 1 r / 1 n ( F
p
r
) n ( H
pa pa
+ ++ + + ++ + = == =

Asimetra:
) p 1 ( r
p 2
3

= == = ; Curtosis:
p r
6 p 6 p
2
4

+ ++ + + ++ +
= == =

C. MODELO GEOMTRICO: dem al Modelo de Pascal, pero se realizan pruebas hasta el
primer xito encontrado.

Variable Aleatoria: n = Cantidad de pruebas para obtener el
primer xito
Dominio: n 1 ; Parmetro: p

( (( ( ) )) )
) 1 n (
geo
p 1 p ) p ; 1 / n ( P ) n VA ( P

= == = = == =

[ [[ [ ] ]] ] ) p ; n / 1 ( G ) p 1 ( p ) p ; 1 / n ( F ) n VA ( P
b
n
1 x
) 1 x (
geo
= == = = == =

= == =

[ [[ [ ] ]] ]
1 n
n x
) 1 x (
geo
) p 1 ( ) p 1 ( p ) p ; 1 / n ( G ) n VA ( P

= == =

= == = = == =

p
1
= == = ; Varianza:
2
2
p
) p 1 (
= == =


) p ; 2 / 1 n ( F
p
1
) n ( H
geo geo
+ ++ + = == =

Asimetra:
) p 1 (
p 2
3

= == = ; Curtosis:
) p 1 (
6 p 6 p
2
4

+ ++ + + ++ +
= == =

D. MODELO MULTINOMIAL: dem al Modelo Binomial, pero se realizan pruebas con ms de
dos resultados posibles.

Variables Aleatorias: r
1
; r
2
; ; r
k
; n r
k
1 r
i
= == =

= == =

Parmetros: n y p
1
; p
2
; ; p
k
; 1 p
k
1 p
i
= == =

= == =

= == = = == = = == = = == = ) p ,..., p , p ; n / r ;...; r ; r ( P ) r VA ;...; r VA ; r VA ( P
k 2 1 k 2 1 mu k k 2 2 1 1

= == =
( (( (

( (( (

= == =
k
1 i i
r
i
! r
p
! n
i

i r i
p n ) r ( E
i
= == = = == = ; Varianza: ) p 1 ( p n ) r ( V
i i
2
r i
i
= == = = == =

PROCESO HIPERGEOMTRICO

Parmetros: Total de elementos, posibles, que intervienen en el
experimento a realizar, o tamao del lote a examinar
(N).
Cantidad total de xitos en el total de elementos
posibles o en el lote a examinar (R).

Es un proceso fsico de repeticiones de un determinado experimento en el cual observamos la
ocurrencia o no de un determinado evento. Estos experimentos dan lugar a ensayos repetidos, los
cuales no son independientes entre s, y, tambin tienen cada uno slo dos resultados posibles:
xito (ocurre el evento deseado) o fracaso (no ocurre el evento deseado). Las condiciones en las
que se realizan todas las pruebas no son iguales, porque a medida que ocurre un resultado de una
prueba, ste condiciona el resultado de la siguiente prueba.

Ejemplos de procesos Hipergeomtricos: nmeros salidos en una lotera, sacar elementos sin
reposicin de una caja, sacar una muestra de un lote de tamao finito (muestreo para aceptacin
de un lote), todo proceso de experimentacin dnde la probabilidad del xito buscado en cada
experimento condicione a la probabilidad del xito del siguiente experimento (o sea que la
probabilidad del xito no es constante), etc.

ESTADSTICA GENERAL



A. MODELO HIPERGEOMTRICO

Variable Aleatoria: r = Cantidad de xitos en n extracciones
Dominio: [ [[ [ ] ]] ] [ [[ [ ] ]] ] R ; n Mn r ) R N ( n ; 0 Mx ; Parmetros:
n ; N y R

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == = = == =
n
N
r n
R N
r
R
) R ; N ; n / r ( P ) r VA ( P
h

= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
r
mn x
h
n
N
x n
R N
x
R
) R ; N ; n / r ( F ) r VA ( P

= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
Mx
r x
h
n
N
x n
R N
x
R
) R ; N ; n / r ( G ) r VA ( P

N
R
n = == =

) 1 R ; 1 N ; 1 n / 1 r ( F
N
R
n ) r ( H
h h
= == =

Varianza: | || |
. .. .
| || |

\ \\ \
| || |

| || |
. .. .
| || |

\ \\ \
| || |
= == =
1 N
n N
N
R
1
N
R
n
2

Moda:
( (( ( ) )) )
( (( ( ) )) )
( (( ( ) )) )
( (( ( ) )) )
( (( (

( (( (

+ ++ +
+ ++ + + ++ + + ++ +
< << < < << <
( (( (

( (( (

+ ++ +
+ ++ + + ++ +
2 N
1 n R nR
Mo
2 N
1 n R N nR

Aproximacin por Distribucin Binomial: Condicin N de le despreciab n ; bien o ; N
01 , 0
N
n
: bien o < << <

( (( ( ) )) )
N
R
p ; n / r P ) R ; N ; n / r ( P
b h
= == =

( (( ( ) )) )
N
R
p ; n / r F ) R ; N ; n / r ( F
b h
= == =

( (( ( ) )) )
N
R
p ; n / r G ) R ; N ; n / r ( G
b h
= == =

B. MODELO PASCAL HIPERGEOMTRICO (siendo R r )

Variable Aleatoria: n = Cantidad de extracciones para obtener
r xitos
Dominio: ( (( ( ) )) ) r R N n r + ++ + ; Parmetros: n ; N y R.

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == = = == =
n
N
r n
R N
r
R
n
r
) R ; N ; r / n ( P ) n VA ( P
pah

) R ; N ; n / r ( G
x
N
r x
R N
r
R
x
r
) R ; N ; r / n ( F ) n VA ( P
h
R
r n
pah
= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =

= == =

) R ; N ; 1 n / 1 r ( F
x
N
r x
R N
r
R
x
r
) R ; N ; r / n ( G ) n VA ( P
h
Mx
n x
pah
= == =
( (( (
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =

= == =

) 1 R (
) 1 N ( r
+ ++ +
+ ++ +
= == =

) 1 R ; 1 N ; 1 r / 1 n ( F
) 1 R (
) 1 N ( r
) r ( H
pah pah
+ ++ + + ++ + + ++ + + ++ +
+ ++ +
+ ++ +
= == =

Varianza:
2 2
1
) 2 R (
) 2 N ( ) 1 r (

) )) )
` `` `

( (( (

( (( (

+ ++ +
+ ++ + + ++ +
= == =

ESTADSTICA GENERAL



VARIABLES ALEATORIAS CONTINUAS

"X", es una VA. continua si sus valores consisten en uno o ms intervalos de la recta de los
reales. Es continua, si puede tomar cualquier valor numrico en un intervalo o conjuntos de
intervalos. En general, todos los resultados experimentales que se basan en escalas de medicin
(tiempo, peso, distancia, temperatura, etc.), son variables aleatorias continuas.

Una VA. es continua si su conjunto de posibles valores es todo un intervalo de nmeros,
esto es, si para algn intervalo "A; B" (siendo A < B), cualquier nmero "x" entre A y B es posible.
La escala de medicin de "X" se puede subdividir en cualquier grado deseado.

DOMINIO de la VARIABLE: V.A. = x ; x

1 dx ) x ( f = == =
} }} }

} }} }

= == =
x
dx ) x ( f ) x ( F ) x VA ( P ;
} }} }

= == =
x
dx ) x ( f ) x ( G ) x VA ( P

1 ) x ( G ) x ( F = == = + ++ +

) x ( G 1 ) x ( F = == = ; ) x ( F 1 ) x ( G = == =

) B ( G ) A ( G ) A ( F ) B ( F dx ) x ( f ) B r A ( P
B
A
= == = = == = = == =
} }} }

Moda o Modo: ( (( ( ) )) ) Mximo x f x Mo
o o
= == = = == =

Mediana: ( (( ( ) )) ) ( (( ( ) )) )
e e e
x G 5 , 0 x F x Me = == = = == = = == =

Esperanza Matemtica Total:
} }} }

= == = = == = dx ) x ( f x ) x ( E

Expectativa Parcial Izquierda:
} }} }

= == =
x
dx ) x ( f x ) x ( H

Expectativa Parcial Derecha:
} }} }

= == =
x
dx ) x ( f x ) x ( J

) x ( J ) x ( H + ++ + = == = , se demuestra que una expectativa se puede obtener a partir de la otra.

Promedios Truncados:
) x ( G
) x ( J
;
) x ( F
) x ( H
) x VA ( T ) x VA ( T
= == = = == =

) B ( G ) A ( G
) B ( J ) A ( J
) A ( F ) B ( F
) A ( H ) B ( H
) B x A ( T

= == =

= == =


{ {{ { } }} } ( (( ( ) )) )
2 2 2
dx ) x ( f x ) r ( V = == = = == =
} }} }

;
2
) r ( D = == = = == =

( (( ( ) )) )
3
3
3
dx ) x ( f x
As

= == = = == =
} }} }

;
( (( ( ) )) )
4
4
4
dx ) x ( f x
Ku

= == = = == =
} }} }

Propiedades Matemticas de la Esperanza Matemtica y de la Varianza. Sean x e
y dos Variables Aleatorias, y a y b dos constantes, se demuestran las siguientes
propiedades en la combinacin algebraica de dichos elementos:

2
y
2
x
2 2
R y x R
a ; b a b y ax R + ++ + = == = = == = = == =
2
x
2
y
2
y
2
x
2
y
2
x
2
R y x R
; y x R + ++ + + ++ + = == = = == = = == =

MODELOS RELACIONADOS con los FENMENOS de VIDA

La Variable Aleatoria x mide la duracin hasta la falla del elemento; o bien, segn el
Modelo en cuestin, la Variable Aleatoria mide la resistencia hasta la rotura del elemento.

A. MODELO EXPONENCIAL: Dominio: 0 X ; Parmetro:

Este modelo rige fundamentalmente para la duracin de elementos que fallan a la Poisson.
La variable es la extensin de continuo entre fallas consecutivas de un proceso de Poisson (el
mismo se puede estudiar como un caso particular de los modelos: GAMMA y WEIBULL).

Esta VA. estudia el tiempo de vida de un elemento, es decir, que la misma proporciona un
modelo til para observar el tiempo de falla del elemento. Este modelo es utilizado en la llamada
funcin de confiabilidad, donde la tasa de falla del elemento en cuestin es constante. Si la tasa de
falla no es constante, deberamos utilizar al modelo de Weibull general. Debemos aclarar que en el
modelo Exponencial, las fallas de los elementos se producen exclusivamente por el azar, no as,
en el modelo de Weibull, donde en las causas de las fallas de los elementos interviene el desgaste
y la fatiga. Se demuestra que el modelo EXPONENCIAL, no tiene memoria. Esta propiedad,
"carencia de memoria", se explica porque la probabilidad de ocurrencia de eventos presentes o
futuros no depende de los eventos que hayan ocurrido en el pasado. De esta forma, la
probabilidad de que una unidad falle en un lapso especfico depende, nada ms, de la duracin de
este lapso, y no del tiempo en que la unidad ha estado funcionando o en operacin.

Funcin de densidad de Probabilidad:
X
EXP
e ) x ( f

= == =

X
EXP
e ) x ( G ) x VA ( P

= == =

Esperanza Matemtica (En fenmenos de vida: MTBF = MTTF):

= == =
1

ESTADSTICA GENERAL



Varianza:
2
2
1

= == = ; 0 Mo = == = ;

= == =
2 ln
Me

) ; 2 / x ( F
1
) x ( H
g EXP

= == =

Asimetra: 2
3
= == = ; Curtosis: 9
4
= == =

Grfica de la funcin de densidad de probabilidad:

x
f(x)

B. MODELO de WEIBULL (Wallodi Weibull, 1887 1979): Dominio: 0 X ;
Parmetros: y

Es un modelo que ajusta mejor a los problemas de tiempo de vida, sobre todo, si la tasa de
falla de los elementos, no permanece constante a causa del desgaste o fatiga de ellos; podemos
resumir que este modelo es una generalizacin del modelo exponencial para causas variadas.
Debemos aclarar, que este modelo, no descarta la posibilidad de que la muerte del elemento en
cuestin (que se desgasta con el tiempo) se produzca por el mero azar. El origen de este modelo,
se debe al estudio y demostracin de que el esfuerzo al que se someten los materiales puede
modelarse de manera adecuada mediante el empleo de esta distribucin.

El parmetro se puede considerar para algunas aplicaciones como la inversa de
(denominado en la teora de la confiabilidad como MTBF). Dependiendo del valor que toma el
parmetro de forma , la f.d.p. tiene diferntes propiedades. Si el parmetro = 1, este es un caso
particular donde la distribucin de Weibull se resume al modelo Exponencial (donde la nica causa
de la falla del elemento es el azar). Si < 3,6, tiene una forma con sesgo positivo o a la derecha
(en este caso predominan las causas del azar frente al desgaste en la falla del elemento). Si >
3,6, la forma es con sesgo negativo o a la izquierda (la causa predominante es el desgaste frente

al azar en la falla del elemento). Y, si = 3,6, la distribucin tiene una forma simtrica
(predominan con igual intensidad tanto el azar como el desgaste, en la falla del elemento).

Ejemplos de uso: bsicamente se usa en problemas de confiabilidad, esfuerzo al
que se someten los materiales, etc..


| || |
. .. .
| || |

\ \\ \
| || |

| || |
. .. .
| || |

\ \\ \
| || |

= == =
X
1
W
e X
1
) x ( f

| || |
. .. .
| || |

\ \\ \
| || |

= == =
X
W
e ) x ( G ) x VA ( P

Esperanza Matemtica (En fenmenos de vida: MTTF):
( (( (
( (( (

( (( (

= == =
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ +
1
1

Varianza:
( (( (
( (( (

( (( (

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ +
2
1
1
2
1
2 2

( (( ( ) )) )
) )) )
` `` `

= == = | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + = == =
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

= == =

+ ++ +
1 ;
1
1 r /
x
F ) x ( H
g 1 1 w

La funcin Gamma de r se define:
( (( ( ) )) )
( (( ( ) )) )
} }} }

= == = = == =
0
X 1 r
r
dx e X ! 1 r

0 Mo = == = ( si 1 ) ;

| || |
. .. .
| || |

\ \\ \
| || |

= == =
1
1 Mo ; ( si 1 ) ; ( (( ( ) )) )

= == =
1
2 ln Me

Asimetra:
2
3
2
1
1
2
1
3
1
1
1
1
2
1
3
1
3
2 3
( (( (
( (( (

( (( (

( (( (
( (( (

( (( (

+ ++ +
= == =
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ +
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ +

Curtosis:
2
2
1
1
2
1
4
1
1
2
1
1
2
1
1
1
3
1
4
1
4
3 6 4
( (( (
( (( (

( (( (

( (( (
( (( (

( (( (

+ ++ +
= == =
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ +
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |

+ ++ +


ESTADSTICA GENERAL



x
f(x)
w =1
w < 3,6
w = 3,6
w > 3,6

C. MODELO GUMBEL del MNIMO (Emil Julius Gumbel, 1891 1966):
Dominio: X
Parmetros: y

Estos modelos aparecieron como resultado del estudio de la variable vida de seres
vivientes de una misma especie, y para el estudio del alargamiento hasta la rotura de ciertos
elementos. Para cada caso en particular, se originaron las distribuciones Gumbel del mnimo y
Gumbel del mximo respectivamente.

Se origin en el estudio de la vida de seres vivientes de una misma especie. Se observan
conjuntos de valores y de cada uno de ellos se extraen los valores mnimos, formando un nuevo
conjunto de valores, que forma una distribucin de VA. modelada mediante la funcin Gumbel del
mnimo. Se puede resumir que, su aplicacin est orientada a fenmenos de vida cuya nica
causa de falla es el desgaste.

Ejemplos de uso: primas de los seguros de vida, vida de animales de una misma especie,
etc..

| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =
x
e
x
Gm
e e
1
) x ( f

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =
x
e
Gm
e ) x ( G ) x VA ( P

Esperanza Matemtica: C = == = ; (C = 0,5772156649 es la constante de EULER)

( (( ( ) )) )
[ [[ [ ] ]] ] ) t ( Z e 1 ) x ( H
t
Gm
+ ++ + = == =

; tener en cuenta que:


( (( ( ) )) )
[ [[ [ ] ]] ]
t
3
8
t 3
e 1 C e
3
5
2
t
2
1
) t ( Z
2
3
1
2
1
3
1

( (( (
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

) )) )

` `` `

| || |
| || |
. .. .
| || |

\ \\ \
| || |

y
( (( ( ) )) )
( (( (

( (( (

= == =
x
e t

Varianza:
6
2
2 2

= == = ; = == = Mo ; ( (( ( ) )) ) [ [[ [ ] ]] ] 2 ln ln Me + ++ + = == =

Asimetra: 14 , 1
3
= == = ; Curtosis: 4 , 5
4
= == =


OTROS MODELOS

A. MODELO GUMBEL del MXIMO (Emil Julius Gumbel, 1891 1966):
Dominio: X
Parmetros: y

Se observan conjuntos de valores y de cada uno de ellos se extraen los valores mximos,
formando un nuevo conjunto de valores, que forma una distribucin de VA. modelada mediante la
funcin Gumbel del mximo. Se puede resumir que, su aplicacin est orientada a fenmenos
donde interesa estudiar los lmites de los valores mximos.

Ejemplos de uso: elongacin mxima hasta la rotura de los materiales, caudal mximo de
los ros, precipitaciones mximas en un perodo, etc..

x
f(x)
ESTADSTICA GENERAL



| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =
x
e
x
GM
e e
1
) x ( f

| || |
| || |
. .. .
| || |

\ \\ \
| || |

= == =
x
e
GM
e ) x ( F ) x VA ( P

Esperanza Matemtica: C + ++ + = == = ; (C = 0,5772156649 es la constante de EULER)

( (( ( ) )) )
) t ( Z C e ) x ( H
t
GM
+ ++ + + ++ + = == =

; tener en cuenta que:

( (( ( ) )) )
[ [[ [ ] ]] ]
t
3
8
t 3
e 1 C e
3
5
2
t
2
1
) t ( Z
2
3
1
2
1
3
1

( (( (
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

) )) )

` `` `

| || |
| || |
. .. .
| || |

\ \\ \
| || |

y
( (( ( ) )) )
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

= == =
x
e t

Varianza:
6
2
2 2

= == = ; = == = Mo ; ( (( ( ) )) ) [ [[ [ ] ]] ] 2 ln ln Me = == =

Asimetra: 14 , 1
3
= == = ; Curtosis: 4 , 5
4
= == =


B. MODELO de PARETO (Vilfredo Pareto, 1848 1923):
Dominio: X ; Parmetros: b y

Este modelo tuvo su origen en la descripcin de unidades econmicas segn su extensin.
Debemos destacar que en los casos de observacin fija en el tiempo o de seccin trasversal, se
ajusta mejor el modelo log-normal (que estudiaremos ms adelante).
x
f(x)

Esta distribucin permite modelar variables en donde se tiene un valor mnimo de
frecuencia mxima (que es el modo o moda de la distribucin). Se observar, luego, que la
distribucin log-normal, admite valores por debajo de su modo o moda. Esta VA. no admite valores
por debajo del valor modal "".

Ejemplos de uso: estudio de la distribucin salarial de una empresa, distribucin de ventas,
rentas, clasificacin de empresas segn sus ventas o su nmero de empleados, etc..

b
P
X X
b
) x ( f | || |
. .. .
| || |

\ \\ \
| || |
= == =

b
P
X
) x ( G ) x VA ( P | || |
. .. .
| || |

\ \\ \
| || |
= == =

1 b
b

= == = ; Varianza:
( (( ( ) )) ) ( (( ( ) )) ) 2 b 1 b
b
2
2
2

= == =

( (( ( ) )) )
( (( ( ) )) )
( (( (
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

= == =
1 b
p
x
1
1 b
b
) x ( H

= == = Mo ; ( (( ( ) )) )
b
1
2 Me = == = ; Asimetra:
( (( ( ) )) )
b
2
1
3 b
1 b 2
3

+ ++ +
= == =

Curtosis:
( (( ( ) )) ) ( (( ( ) )) )
( (( ( ) )) ) ( (( ( ) )) ) 4 b 3 b b
2 b 2 b b 3 3
2
4

+ ++ + + ++ +
= == =

x
f(x)

ESTADSTICA GENERAL



C. MODELO UNIFORME (o RECTANGULAR):
Dominio: b X a ; Parmetros: a y b

En el intervalo comprendido entre a y b, todos los valores posibles son igualmente
probables

Ejemplos de uso: En el estudio de simulacin para la aplicacin de la transformada inversa
de la funcin de densidad de probabilidad correspondiente al modelo en cuestin.

) a b (
1
) x ( f
U

= == =

a b
a x
) x ( F ) x VA ( P
U

= == =

Esperanza Matemtica: Me
2
b a
= == =
+ ++ +
= == = ; Varianza:
12
) a b (
2
2

= == =

( (( ( ) )) ) a b 2
) a x ( ) a x (
) x ( H
U

+ ++ +
= == =

al mod a Mo = == = ; Asimetra: 0
3
= == =

Curtosis: 6 , 3
4
= == =


D. MODELO NORMAL (Abraham De Moivre, 1667 1754 ; Karl Friedrich Gauss, 1777
1855):

Variable Aleatoria x ; Dominio: x
Parmetros: y


Muchas VA. responden a este modelo, tales como variables tecnolgicas, antropomtricas,
y muchas que provienen de procesos controlados. Podemos resumir, en general, cualquier VA.
que presente una distribucin simtrica en forma de campana, se ajusta a este modelo. Cabe
aclarar que, por este motivo, muchas VA., que no siguen un comportamiento normal, han sido
tratadas, errneamente, como VA. normales.

Esta distribucin es indudablemente la ms importante y la de mayor uso. Es la piedra
angular en la aplicacin de la inferencia estadstica en el anlisis de datos, puesto que las
distribuciones de muchas estadsticas muestrales tienden hacia la distribucin normal conforme
crece el tamao de la muestra. La apariencia grfica de la distribucin es una curva simtrica con
forma de campana, que se extiende sin lmite tanto en la direccin positiva como en la negativa.

Esta distribucin es de vital importancia por tres razones principales:

Numerosos fenmenos continuos parecen seguirla o se pueden aproximar mediante
ella.
Se puede utilizar como aproximacin de otras distribuciones, tanto discretas como
continuas.
Proporciona la base para la inferencia estadstica clsica por su relacin con el
Teorema Central del Lmite (que estudiaremos ms adelante).

Ejemplos de uso: datos meteorolgicos tales como la temperatura y la precipitacin pluvial,
mediciones efectuadas en organismos vivos, calificaciones en pruebas de actitud, mediciones
fsicas de partes manufacturadas, errores de instrumentacin y de otras desviaciones de la norma
establecidas, etc.

2
x
2
1
N
e
2
1
) x ( f
| || |
. .. .
| || |

\ \\ \
| || |

= == =

} }} }

= == =
x
N N
dx ) x ( f ) x ( F ) x VA ( P

} }} }

= == =
x
N N
dx ) x ( f ) x ( G ) x VA ( P

Me Mo = == = = == =

) )) )

` `` `

| || |
. .. .
| || |

\ \\ \
| || |

= == =
( (( (
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

2
2
1
x
N
e
2
x
) x ( H

Asimetra: 0
3
= == = ; Curtosis: 3
4
= == =


ESTADSTICA GENERAL



x
f(x)

E. MODELO NORMAL STD (Pierre Simon Laplace, 1749 1827):

Variable Aleatoria Z ; Dominio: Z
Parmetros: = 0 y = 1

Esta distribucin sirve para facilitar el clculo de probabilidades de la distribucin normal
general. La VA. de esta distribucin "Z", es una transformacin de la variable "x" normal general.

De modo que tenemos:

= == =
x
Z

) x ( F
x
) Z ( ) Z ( F ) Z VA ( P
N NS
| || |
. .. .
| || |

\ \\ \
| || |

= == = = == = ; Est tabulada.

) x ( G
x
1 ) Z ( 1 ) Z ( G ) Z VA ( P
N NS
| || |
. .. .
| || |

\ \\ \
| || |

= == = = == =

0 Me Mo = == = = == = = == = ; 1
2
= == =

( (( ( ) )) ) [ [[ [ ] ]] ]
{ {{ { } }} }
2
2
1
Z
N
e
2
1
) x ( H

= == =



x
f(x)

F. MODELO LOGNORMAL: Dominio: 0 X ; Parmetros: m y D

Una VA. sigue la distribucin log - normal, si su logaritmo sigue la distribucin normal. Esta
distribucin rige cuando las variaciones de la variable se observan entre distintos individuos o
unidades experimentales en un momento fijo del tiempo, y no sobre un individuo a travs del
tiempo. Por eso, se la define como variable trasversal o de seccin trasversal.

El ln x = y, y la VA. y tiene un comportamiento normal.

Ejemplos de uso: los ingresos de grandes grupos de individuos, en general cualquier
variable econmica o financiera de corte trasversal, consumos, salarios (donde se admite valores
por debajo del modo), saldos de cuenta corriente, disolucin de gases en gases, etc..

2
D
m X ln
2
1
LN
e
2 D X
1
) x ( f
| || |
. .. .
| || |

\ \\ \
| || |

= == =

| || |
. .. .
| || |

\ \\ \
| || |
= == =
D
m X ln
) x ( F ) x VA ( P
LN

| || |
| || |
. .. .
| || |

\ \\ \
| || |
+ ++ +
= == =
2
D
m
2
e ; Varianza:
( (( ( ) )) ) ( (( ( ) )) )
[ [[ [ ] ]] ] 1 e e
2 2
D D m 2 2
= == =
+ ++ +

| || |
. .. .
| || |

\ \\ \
| || |

= == = D
D
m x ln
) x ( H
LN

ESTADSTICA GENERAL



( (( ( ) )) )
2
D m
e Mo

= == = ;
m
e Me = == = ;
( (( (
( (( (
( (( (
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

+ ++ +

= == =
2
1
ln m ;
( (( (

( (( (

| || |
. .. .
| || |

\ \\ \
| || |

+ ++ + = == =
2
2
1 ln D

Asimetra:
( (( ( ) )) )
[ [[ [ ] ]] ]
( (( ( ) )) )
1 e e 2
2 2
D D
3
+ ++ + = == =

Curtosis:
( (( ( ) )) ) ( (( ( ) )) ) ( (( ( ) )) )
3 e 3 e 2 e
2 2 2
D 2 D 3 D 4
4
+ ++ + + ++ + = == =


x
f(x)

PROCESO DE POISSON (Simen Denis Poisson, 1781 1840):

Parmetro: Nmero de fallas promedio por unidad de continuo ()

Es un proceso donde los sucesos, acontecimientos puntuales o fallas, se generan al azar en
un medio continuo de observacin (t). La probabilidad de que ocurra el suceso o acontecimiento en
un intervalo prefijado del medio continuo, slo depende de la porcin del intervalo y no de su
ubicacin dentro del medio observado. Ser tan probable que el acontecimiento se produzca en la
primera porcin del medio observado como en la ltima porcin, como en cualquier porcin
elegida.

Ejemplos de procesos de Poisson: fallas o roturas accidentales en el tiempo, fallas puntuales
en medios continuos, llegadas a un puesto o unidad de servicio, llamadas recibidas, clientes
atendidos, arribos a un aeropuerto o estacin Terminal, pedidos, etc.


A. MODELO de POISSON: Variable Aleatoria: r = Cantidad de fallas en t
Dominio: r 0 ; Parmetros: t y
Se trabaja con Parmetro m = . t

! r
m e
) m / r ( P ) r VA ( P
r m
po

= == = = == =

= == =

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
r
0 x
x m
po
! x
m e
) m / r ( F ) r VA ( P

= == =

| || |
| || |
. .. .
| || |

\ \\ \
| || |
= == =
r x
x m
po
! x
m e
) m / r ( G ) r VA ( P

Esperanza Matemtica: t m = == = = == = ; Varianza: t m
2
= == = = == =

) m / 1 r ( F m ) r ( H
po po
= == =

Moda: ( (( ( ) )) ) ( (( ( ) )) ) m Mo 1 m < << < < << <

Asimetra:
m
1
3
= == = ; Curtosis:
m
1
4
= == =

Aproximacin por Distribucin Normal: Condicin 15 m > >> >

| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || | + ++ +

m
m 5 , 0 r
m
m 5 , 0 r
) m / r ( P
po

| || |
| || |
. .. .
| || |

\ \\ \
| || | + ++ +

m
m 5 , 0 r
) m / r ( F
po

| || |
| || |
. .. .
| || |

\ \\ \
| || |

m
m 5 , 0 r
1 ) m / r ( G
po

B. MODELO GAMMA o de ERLANG (E. Molina, 1915 ; A. Erlang, 1920):
Dominio: 0 X ; Parmetros: r y

Este modelo tiene un anlisis similar que el modelo de Pascal en el proceso de Bernoulli.
As como en el modelo de Poisson, la VA. es el nmero de acontecimientos puntuales "r" y sus
parmetros son "" y la unidad de continuo "t", en este modelo el objetivo de estudio es el continuo
necesario para que se den ciertos acontecimientos puntuales.

ESTADSTICA GENERAL



Ejemplos de uso de este modelo: trfico en lneas telefnicas, los metros de tela que
contengan cierto nmero de fallas, tiempo necesario para la falla de cierto nmero de elementos,
tiempo necesario para que se produzcan cierto nmero de arribos, precipitaciones en un
determinado lapso de tiempo, etc..

Funcin de densidad de Probabilidad: ( (( ( ) )) )
( (( ( ) )) ) X 1 r
) r (
g
e X ) x ( f

= == =

) )) )

` `` `

( (( (
( (( (

( (( (

+ ++ + | || |
. .. .
| || |

\ \\ \
| || |
= == = = == = 1
r 9
1
r
X
r 3 ) X m / r ( G ) ; r / x ( F ) x VA ( P
3
1
po g


= == =
r
; Varianza:
2
2
r

= == =

) ; 1 r / x ( F
r
) x ( H
g g
+ ++ +

= == =

= == =
1 r
Mo ;
3
r 9
1
1
r
Me | || |
. .. .
| || |

\ \\ \
| || |

= == =

Asimetra:
r
2
3
= == = ; Curtosis:
r
6
3
4
+ ++ + = == =


x
f(x)


C. MODELO EXPONENCIAL: Modelo ya desarrollado en pginas 14 y 15

) x m / 0 r ( P e ) x ( G ) x VA ( P
po
X
EXP
= == = = == = = == = = == =

APROXIMACIONES DEL MODELO BINOMIAL

Aproximacin por Distribucin Normal: Condicin ( (( ( ) )) ) [ [[ [ ] ]] ] 10 ) p 1 ( n y 10 p n > >> > > >> >

| || |
| || |
. .. .
| || |

\ \\ \
| || |

| || |
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ +

) p 1 ( np
np 5 , 0 r
) p 1 ( np
np 5 , 0 r
) p ; n / r ( P
b

| || |
| || |
. .. .
| || |

\ \\ \
| || |

+ ++ +

) p 1 ( np
np 5 , 0 r
) p ; n / r ( F
b

| || |
| || |
. .. .
| || |

\ \\ \
| || |

) p 1 ( np
np 5 , 0 r
1 ) p ; n / r ( G
b

Aproximacin por Distribucin de Poisson: Condicin 1 , 0 p

) np m / r ( P ) p ; n / r ( P
po b
= == =

) np m / r ( F ) p ; n / r ( F
po b
= == =

) np m / r ( G ) p ; n / r ( G
po b
= == =

Aproximacin por Criterio de Mermoz: (Se aplica cuando se cumplen las 2 condiciones anteriores o
cuando no se cumplen ninguna de las 2 condiciones
anteriores)

Condicin [ [[ [ ] ]] ] 5 , 0 ; p 1 ; p Mn siendo ;
) 1 ( 23 , 0
n
3
2
o
= == =

= == =

Si se cumple que: n aproximaci como Poisson uso n n
o
< << <
Si se cumple que: n aproximaci como Normal uso n n
o
> >> >

Proba y Modelos de Estadistica General

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Proba y Modelos de Estadistica General

Cargado por

Copyright:

Formatos disponibles

TEORA de la PROBABILIDAD Y MODELOS DE

También podría gustarte