AGUIAGA SALAZAR

CRHISTIAN ALEJANDRO
170851

[DISTRIBUCIONES DE
PROBABLILIDAD]
En teora de la probabilidad y estadstica, la distribucin de probabilidad de
una variable aleatoria es una funcin que asigna a cada suceso definido
sobre la variable aleatoria, la probabilidad de que dicho suceso ocurra.

Distribucin beta

(a , b, p, q)
La distribucin beta,
, se utiliza como modelo probabilstico en un gran nmero de problemas
econmicos: fidelidad a una marca, anlisis de inversiones , valoracin, duracin de un trabajo complejo,
etc..., debido, entre otras cosas, a su tremenda maleabilidad para representar situaciones harto diferentes. As

p q 1
la distribucin uniforme o rectangular es un caso particular de distribucin beta (

p 1
obtienen las distribuciones triangulares (

q2
y

p2

q 1
y

), la distribucin parablica con

pq

pq2
mximo en el punto (0,5; 1,5) se obtiene para
distribucin que tiene una densidad tipo baera,

), tambin se

y en el caso de que

5
6

resulta una

En estadstica la distribucin beta es una distribucin de probabilidad continua con dos parmetros
cuya funcin de densidad para valores

Aqu

es

es la funcin gamma.

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

.
Un caso especial de la distribucin beta es cuando
la distribucin uniforme en el intervalo

que coincide con

Distribucin binomial

Una distribucin binomial o de Bernoulli tiene las siguientes caractersticas:

1. En cada prueba del experimento slo son posibles dos
resultados: xito y fracaso.
2. La probabilidad de xito es constante, es decir, que no vara de una prueba a
otra. Se representa por p.
3. La probabilidad de fracaso tambin es constante, Se representa por q,
q=1p
4. El resultado obtenido en cada prueba es independiente de los resultados
obtenidos anteriormente.
5. La variable aleatoria binomial, X, expresa el nmero de xitos obtenidos en
las n pruebas. Por tanto, los valores que puede tomar X son: 0, 1, 2, 3, 4, ..., n.
La distribucin binomial se expresa por B(n, p)
Clculo de probabilidades en una distribucin binomial

n es el nmero de pruebas.
k es el nmero de xitos.
p es la probabilidad de xito.
q es la probabilidad de fracaso.

El nmero combinatorio
En las empresas tenemos muchas situaciones donde se espera que ocurra o no
un evento especfico. ste puede ser de xito o fracaso sin dar paso a un punto
medio. Por ejemplo, en la produccin de un artculo, ste puede salir bueno o
malo. Para situaciones como stas se utiliza la distribucin binomial.

Distribucin k-erlang
En estadstica, la distribucin Erlang, es una distribucin de probabilidad continua con dos
parmetros

cuya funcin de densidad para valores

es

La distribucin Erlang es el equivalente de la distribucin gamma con el

parmetro

. Para

eso es la distribucin exponencial. Se

utiliza la distribucin Erlang para describir el tiempo de espera hasta el suceso nmero en
un proceso de Poisson.
Esta funcin recibe su nombre del matemtico e ingeniero dans Agner Krarup Erlang que la
introdujo en 1909.

Su esperanza viene dada por:

Su varianza viene dada por:

La funcin generadora de momentos responde a la expresin:

Un pionero en la aplicacin de mtodos estadsticos para el anlisis de las redes telefnicas.

Distribucin exponencial
A pesar de que la distribucin Normal puede utilizarse para resolver muchos problemas en
ingeniera y ciencias, existen an numerosas situaciones que requieren diferentes tipos de
funciones de densidad, tales como la exponencial y la gamma y algunas otras como la
weibull, etc., etc., de momento solo trataremos sobre el uso de la 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
Relacin con el proceso de Poisson.

s2 = b2

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:
;

Distribucin de Pearson V y VI
La distribucin de Pearson en una familia de distribuciones probabilsticas
continas. Fue publicada por primera vez por Karl Pearson en 1895 y
subsecuentemente extendida por l en 1901 y 1916 en una serie de artculos
de bioestadstica.
El sistema Pearson fue originalmente ideado en un esfuerzo para modelar
observaciones visiblemente asimtricas. Era bien conocido en aquel tiempo
cmo ajustar un modelo terico para acomodar los primeros dos cumulantes o
los momentos de observados datos. Los ejemplos de Pearson incluyen datos de
supervivencia, cules son usualmente asimtricos. En su escrito original,
Pearson (1895, p. 360) identific cuatro tipos de distribuciones (numeradas del
I al IV) adems de la distribucin normal (la cual era originalmente conocida
como tipo V). La clasificacin dependi en si las distribuciones estaban
definidas en un intervalo definido, en una semirrecta, o en los reales y si
estaban potencialmente asimtricas o necesariamente simtricas. Un segundo
escrito (Pearson 1901) arregl dos omisiones: Redefini la distribucin de tipo V
(originalmente inclua la distribucin normal, ahora incorporaba la distribucin
gamma inversa) e introdujo la distribucin de tipo VI. Conjuntamente los
primeros dos documentos de identificacin cubren los cinco tipos principales
del sistema Pearson (I, III, VI, V y IV). En un tercer escrito, Pearson (1916)
introdujo an ms casos especiales y subtipos (del VII al XII).

Distribucin de Pearson tipo V

Definiendo nuevos parmetros:

Sigue una
La distribucin de Pearson tipo V es una distribucin gamma inversa.

Distribucin de Pearson tipo VI

sigue una :
La distribucin de Pearson tipo VI es una distribucin beta prima o
una Distribucin F.

Distribucin triangular

Se emplea bsicamente en Economa y en aquellos problemas en los cuales se

conocen muy pocos o ningn dato.

Para la simulacin de esta distribucin se puede la generacin a travs de los

mtodos de aceptacin y rechazo y del mtodo de composicin.

Distribucin uniforme

Es una funcin constante sobre el intervalo que va de a a b :

Una de las formas para simular una distribucin Uniforme sobre el intervalo
que va de a a b es usar la transformacin inversa de la funcin de densidad.
La distribucin uniforme se utiliza al modelar las concentraciones de un gas en
un modelo de simulacin o del tiempo entre accidentes en una interseccin,
como tambin para ubicar los puntos en la herramienta Crear puntos
aleatorios.
Con frecuencia, la distribucin uniforme se utiliza para modelar eventos
aleatorios cuando cada instancia o resultado potencial tiene la misma
probabilidad de ocurrencia.

Distribucin de weibull

Se trata de un modelo continuo asociado a variables del tipo tiempo de vida,

tiempo hasta que un mecanismo falla, etc. La funcin de densidad de este
modelo viene dada por:

Que, como vemos, depende de dos parmetros: > 0 y > 0, donde es un

parmetro de escala y es un parmetro de forma (lo que proporciona una
gran flexibilidad a este modelo).
La funcin de distribucin se obtiene por la integracin de la funcin de
densidad y vale:

La distribucin de Weibull se utiliza en:

Anlisis de la supervivencia

Reliability engineering

En ingeniera, para modelar procesos estocsticos relacionados con el

tiempo de fabricacin y distribucin de bienes

Teora de valores extremos

Meteorologa

Para modelar la distribucin de la velocidad del viento

En telecomunicaciones

En sistemas de radar para simular la dispersin de la seal recibida

En seguros, para modelar el tamao de las prdidas

Distribucin gamma
En estadstica la distribucin

gamma es

probabilidad continua con dos parmetros

valores

Aqu

una distribucin

de

cuya funcin de densidad para

es

es el nmero e y

gamma es

es la funcin gamma. Para valores

(el factorial de

la funcin

). En este caso - por ejemplo

para describir un proceso de Poisson - se llaman la distribucin Erlang con un

parmetro

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

gamma son

Distribucin geomtrica
Esta distribucin sirve para calcular la probabilidad de que ocurra un xito por
primera y nica vez en el ltimo ensayo que se realiza del experimento.
Funcin de densidad:
Sea A un suceso de probabilidad P(A)=p, y sea X la variable aleatoria que
expresa el nmero de fracasos que tiene lugar en las repeticiones
independientes de pruebas de Benouili, hasta que ocurre A por primera vez. La
variable X toma los valores de 0, 1,2,. (Nmero de fracasos). Decimos que
una variable aleatoria X sigue una distribucin geomtrica de parmetros p si
su funcin de probabilidad es

Dnde:
P= probabilidad de xito en cada ensayo
x= ensayos que sean necesarios para obtener un xito, para x = 1, 2, 3,..
Lo anterior solo se cumple si y solo si:
Las pruebas son idnticas e independientes entre s.

 La probabilidad de xito es p y se mantiene constante de prueba en prueba

Funcin de distribucin:

Esperanza:

Varianza:

Distribucin Lognormal

En probabilidades y estadsticas, la distribucin log-normal es una distribucin

de probabilidad de una variable aleatoria cuyo logaritmo est normalmente
distribuido. Es decir, si X es una variable aleatoria con una distribucin normal,
entonces exp(X) tiene una distribucin log-normal.
La base de una funcin logartmica no es importante, ya que loga X est
distribuida normalmente si y slo si logb X est distribuida normalmente, slo
se diferencian en un factor constante.
Log-normal tambin se escribe log normal o lognormal.
Una variable puede ser modelada como log-normal si puede ser considerada
como un producto multiplicativo de muchos pequeos factores independientes.
Un ejemplo tpico es un retorno a largo plazo de una inversin: puede
considerarse como un producto de muchos retornos diarios.

La distribucin log-normal tiende a la funcin densidad de probabilidad

para

, donde

son la media y la desviacin estndar del

logaritmo de variable. El valor esperado es

y la varianza es
.

Distribucin normal
Una variable aleatoria continua, X, sigue una distribucin
normal de media y desviacin tpica , y se designa por N(, ), si
se cumplen las siguientes condiciones:
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin
matemtica de la curva de Gauss:

El campo de existencia es cualquier valor real, es decir, (-, +).

Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la
unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la
izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %

Distribucin de poisson

Caractersticas:
En este tipo de experimentos los xitos buscados son expresados por unidad
de rea, tiempo, pieza, etc, etc,:
- # de defectos de una tela por m2
- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm2 de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,
rea, o producto, la frmula a utilizar sera:

Dnde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra
Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren
por unidad de tiempo, rea o producto es totalmente al azar y que cada
intervalo de tiempo es independiente de otro intervalo dado, as como cada
rea es independiente de otra rea dada y cada producto es independiente de
otro producto dado.