Documentos de Académico
Documentos de Profesional
Documentos de Cultura
AUTORES:
JENNIFER CARTAGENA YEPES (T00058562)
CRISTIAN DAVID BOHORQUEZ MARTINEZ (T00058933)
KEVIN ARTURO FIGUEROA FIGUEROA (T00057863)
MELANIE OJEDA DIX (T00058203)
PROFESOR:
CARLOS RAFAEL PAYARES GUEVARA
CÁLCULO INTEGRAL
GRUPO H
DISTRIBUCIÓN NORMAL
Es la más importante y la de mayor uso en la Teoría de la Probabilidad y la
Estadística Matemática, ya que multitud de fenómenos se comportan según una
distribución normal.
Esta distribución es la piedra angular en la aplicación de la Inferencia Estadística
en el análisis de datos, puesto que las distribuciones de muchos estadísticos
muestrales tienden a la distribución normal cuando el tamaño de la muestra crece.
Además, la distribución normal proporciona una adecuada representación de las
distribuciones de una gran cantidad de variables físicas (de hecho, el nombre de
normal tiene carácter histórico, ya que, en un principio se creyó que la mayoría de
las distribuciones eran de este tipo).
Algunos ejemplos son:
Datos meteorológicos como la temperatura, lluvias, etc.
Mediciones efectuadas en organismos vivos: altura, peso, etc.
Calificaciones en pruebas de aptitud.
Medidas físicas de productos manufacturados, etc.
Su forma es de campana y de ahí que usualmente se le conozca como “campana
de Gauss”, debido a que los valores se distribuyen en torno a un valor central que
coincide con el valor medio de la distribución.
Sea X una variable aleatoria continua, se dice que se distribuye como una normal:
X → N (μ σ); μ ∈ R; σ > 0
Donde se verifica que -∞ < X < +∞, μ corresponde al máximo y al centro de la
distribución, y σ influye en la apertura y aplastamiento o apuntamiento de la curva,
es cualquier valor entre –∞ y +∞, si su función de densidad viene dada por:
Propiedades:
Tiene un parámetro que es la media, E[X] = μ.
Tiene otro parámetro que nos da la dispersión, V[X] = σ².
La media, la moda y la mediana coinciden.
Es una función simétrica respecto a la media, como se puede ver en el
gráfico:
Si definimos la variable Y = a X + b, donde X se distribuye como una normal
de parámetros X → N (μ σ); entonces:
Y → N (aμ + b,aσ)
Sean dos variables aleatorias normales que se distribuyen X₁ → N(μ₁, σ₁),
y X₂ → N(μ₂, σ₂), se define una nueva variable de la forma Y = X1 + X2,
entonces esta nueva variable se distribuye como:
Y → N (μ₁ + μ₂, √ (σ₁² + σ₂)).
DISTRIBUCIÓN NORMAL TIPIFICADA O ESTANDARIZADA.
Cuando la media de la distribución es 0 y la varianza es 1, se denomina "normal
tipificada", y su ventaja reside en que hay tablas, o rutinas de cálculo que permiten
obtener esos mismos valores, donde se recoge la probabilidad acumulada para
cada punto de la curva de esta distribución.
Este es un caso particular de una variable aleatoria continua X que se distribuye
como una Normal de parámetros (0,1); por lo que su función de densidad viene
dada por:
Propiedades:
E(x) = 0
V(x) = 1
Su ventaja es que las probabilidades para cada valor de la curva se encuentran
recogidas en una tabla. Así, lo que se hará es transformar cualquier variable que
se distribuya como una normal en una normal tipificada. Para hacer este cambio,
se crea una nueva variable Z que será igual a la anterior X menos su media y
dividida por su desviación típica (que es la raíz cuadrada de la varianza).
Esta nueva variable se distribuye como una normal tipificada, permitiéndonos, por
tanto, conocer la probabilidad acumulada en cada valor, es decir,
X → N (μ σ); al definir la nueva variable siempre se verifica
que Z → N (0,1);
DISTRIBUCIÓN EXPONENCIAL
Mientras que la distribución de Poisson describe las llegadas por unidad de
tiempo, la distribución exponencial estudia el tiempo entre cada una de estas
llegadas. Si las llegadas son de Poisson el tiempo entre estas llegadas es
exponencial. Mientras que la distribución de Poisson es discreta la distribución
exponencial es continua porque el tiempo entre llegadas no tiene que ser un
número entero. Esta distribución se utiliza mucho para describir el tiempo entre
eventos. Más específicamente la variable aleatoria que representa al tiempo
necesario para servir a la llegada.
Ejemplos típicos de esta situación son el tiempo que un medico dedica a una
exploración, el tiempo de servir una medicina en una farmacia, o el tiempo de
atender a una urgencia.
El uso de la distribución exponencial supone que los tiempos de servicio son
aleatorios, es decir, que un tiempo de servicio determinado no depende de otro
servicio realizado anteriormente ni de la posible cola que pueda estar formándose.
Otra característica de este tipo de distribución es que no tienen "edad" o en otras
palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atención de un
paciente en una sala quirúrgica sigue una distribución exponencial. Si el paciente
ya lleva 5 horas siendo operado, la probabilidad de que esté una hora más es la
misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es debido a
que la distribución exponencial supone que los tiempos de servicio tienen una gran
variabilidad. A lo mejor el próximo paciente operado tarda 1 hora porque su cirugía
era mucho más simple que la anterior.
Su gráfica es un modelo apropiado a vida útil de objetos.
Propiedades del modelo Exponencial
Su esperanza es α.
Su varianza es α2.
En estadística la distribución exponencial es una distribución de probabilidad
continua con un parámetro cuya función de densidad es:
x x
λ x
ⅆx=−∫ ⅇu du=[−e− λx ]0 =1−ⅇ−λx
−λx
Demostración: F(x) = P(X ≤ x) = ∫ λ ⅇ
0 0 λ
De forma adicional esta distribución presenta una función adicional que es función
Supervivencia (S), que representa el complemento de Función de distribución.
DISTRIBUCIÓN GAMMA
Antes de estudiar la distribución gamma, es pertinente observar y/o examinar
algunos detalles de la función a la que debe su nombre, la función gamma.
Función Gamma Γ(α)
Es una función que extiende el concepto de factorial a los números complejos. Fue
presentada, en primera instancia, por Leonard Euler entre los años 1730 y 1731.
∞
α −1 −x
La función gamma Γ(α) se define, sea Γ:(0, ∞) →R, donde Γ(α) = ∫ x e ⅆx para
0
α>0.
Con el fin de observar algunos resultados o propiedades de esta función,
procederemos a integrar por partes. Tomando u=x α−1 y dv=ⅇ−1 dx, obtenemos
∞ ∞
∞
Γ ( α )=−ⅇ−x x α −1|0 +∫ ⅇ−x ( α −1 ) x α−2 ⅆx=( α −1 )∫ x α −2 ⅇ−x ⅆx
0 0
Sin embargo, por la definición de Γ(a), Γ(1)= ∫ ⅇ−x ⅆx = 1, y de aquí Γ(n) =(n-1)!
0
De esta manera,
Por tanto,
P(X-6.2≥16.3)=P(X-6.2≥16.3)≥ 1-0.9534=0.0466
Esta probabilidad se basa en el supuesto de que la distribución de los tiempos de
mantenimiento no es diferente de lo establecido. Por consiguiente, si observamos
que P(X≥ 22.5) es pequeña, debemos concluir que nuestro nuevo técnico en
mantenimiento generó por azar un período de mantenimiento prolongado, que
tiene baja probabilidad de ocurrir, o que es más lento que los anteriores. Si
tomamos en cuenta la baja probabilidad de P(X ≥22.5), optamos por la última
probabilidad.
DISTRIBUCIÓN UNIFORME
Supongamos que una variable X puede tomar valores al azar en un rango(a,b) y
que la probabilidad de que X tome valores en cualquier intervalo de longitud fija en
(a,b) sea la misma.
En este caso, se dice que X tiene una distribución uniforme entre a y b se escribe.
X – U(a,b).
La función de distribución NOTA: |X Y |A ES EL SIMBOLO DE LA
INTEGRAL DESDE A HASTA X
Si X-U(a,b), luego, si a < x <=b.
x x
1 u
F(x)=Pr(X <= X) = ∫
a
( )
b−a
. du=
b−a a [ ]
=¿( x−a)/(b−a) ¿
DEMOSTRACIÓN:
b
1
E(X)= ∫
a
[ ( b−a ) ] x
xdx dx = [ x 2 /2 ( b−a ) ]a
= b2 – a2 / 2(b-a) = (A+b) / 2
90−0 1
Pr(X <= 90) = =
360−0 4
BIBLIOGRAFIAS
DISTRIBUCIÓN NORMAL
https://www.ugr.es/~eues/webgrupo/Docencia/MonteroAlonso/estadisticaII/t
ema3.pdf
https://www.ugr.es/~proman/ProbI/2016_2017/PDF/DistribucionesContinuas
.pdf
DISTRIBUCIÓN EXPONENCIAL
Cesar Gonzales Q., monografías.com, “Distribución exponencial”, 2010,
Universidad Nacional, online, disponible en:
https://www.monografias.com/trabajos84/distribucion-
exponencial/distribucion-exponencial.shtml
Wikipedia.com, “Distribución exponencial”, Online, disponible en:
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial
DISTRIBUCIÓN GAMMA
Walpole R. E., Myers R. H., Myers S. L. Probabilidad y Estadística Para
Ingenieros. Traducción de Ricardo Cruz. Prentice-Hall, Inc. México, 1999.
Ecos de la economía. Distribución Gamma. Tomado desde:
http://ecosdelaeconomia.files.wordpress.com/2011/05/distribucion-
gamma.pdf, [Acceso el 5 de agosto de 2013]
Distribución poisson y gamma: una discreta y continua relación. Junio
14/2014. Estudiantes y docentes de la universidad del norte