Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EAA6 B PDF
EAA6 B PDF
MODELOS DE PROBABILIDAD II
APÉNDICE MATEMÁTICO ( FUNCIÓN GAMMA Y BETA)
DISTRIBUCIÓN GAMMA ( VARIABLES ALEATORIAS GAMMA)
DISTRIBUCIÓN GAMMA DE UN PARÁMETRO
MEDIA Y VARIANZA DE LA DISTRIBUCIÓN
FUNCIÓN GENERATRIZ DE MOMENTOS
ADITIVIDAD DE LA DISTRIBUCIÓN GAMMA
DISTRIBUCIÓN GAMMA DE DOS PARÁMETROS
FUNCIÓN GENERATRIZ DE MOMENTOS
ADITIVIDAD DE LA DISTRIBUCIÓN GAMMA
MEDIA Y VARIANZA DE LA DISTRIBUCIÓN
LA DISTRIBUCIÓN GA(1/2,1/2) Y LA NORMAL
DISTRIBUCIÓN DE ERLANG.
DISTRIBUCIÓN EXPONENCIAL (COMO GAMMA)
DISTRIBUCIÓN DE WEIBULL
DISTRIBUCIÓN DE MAXWELL
DISTRIBUCIÓN DE RAYLEIGH
RELACIONES ENTRE DISTRIBUCIONES GAMMA
DISTRIBUCIÓN LOGNORMAL
DISTRIBUCIÓN DE PARETO
DISTRIBUCIÓN DE BURR
DISTRIBUCIÓN DE CAUCHY
DISTRIBUCIÓN DE LAPLACE
DISTRIBUCIÓN LOGÍSTICA
DISTRIBUCIÓN DE GUMBEL
DISTRIBUCIÓN BETA
MEDIA VARIANZA Y MODA DE LA DISTRIBUCIÓN BETA
DISTRIBUCIÓN BETA(1,1)
FUNCIÓN GENERATRIZ DE PROBABILIDAD
FUNCIÓN GENERATRIZ DEL MODELO DE POISSON
FUNCIÓN GENERATRIZ DEL MODELO BINOMIAL
DISTRIBUCIONES COMPUESTAS : BINOMIAL-POISSON
1
lejarza&lejarza
Función Gamma de Euler:
o equivalentemente
2
lejarza&lejarza
Distribución Gamma ( variables aleatorias gamma)
Dada una variable aleatoria x no negativa diremos que sigue una distribución Gamma
de parámetro m ( distribución gamma degenerada de un sólo parámetro, m) cuando su
función de densidad obedezca a la expresión:
Para
3
lejarza&lejarza
Es fácil comprobar que f(x) es no negativa y que si se integra para toda el campo de
variación el resultado es 1.
La media será:
Siendo :
de forma que :
4
lejarza&lejarza
como la función gamma también se puede re-escribir como
5
lejarza&lejarza
Distribución Gamma de dos parámetros
Obviamente f(x) así definida es no negativa, para todo valor de x, y su integral para el
todo el campo de variación, es fácil comprobar, que resulta la unidad basándonos en las
propiedades de la función Gamma (en su definición alternativa)
Representación gráfica
6
lejarza&lejarza
Función generatriz de momentos F.G.M.
Aditividad de la Ga(p,m)
Dadas dos o más variables aleatorias independientes con sendas distribuciones Gamma
de dos parámetros pero con idéntico parámetro p ,la suma de ellas será una variable
aleatoria con una distribución Gamma de ese mismo parámetro p y cuyo segundo
parámetro (m) será la suma de los segundos parámetros de las originales.
7
lejarza&lejarza
Media y varianza de la distribución Ga(p,m)
Para obtener la media que es el momento ordinario de primer orden, bastará obtener la
primera derivada en el punto t=0:
siendo fácil ver que la media toma el valor del cociente de ambos parámetros m/p:
8
lejarza&lejarza
Por otro lado si consideramos una variable Z tal que Z siga una N(0,1) tendremos que :
que es la función de densidad de una Ga(1/2,1/2) por lo que podemos concluir que el
cuadrado de una variable normal tipificada sigue una distribución Ga(1/2,1/2).
Distribución de Erlang.
Dada una Gamma de dos parámetros Ga(p, m) donde m es un número entero y p m·
siendo de una distribución de Poisson . Si esto ocurre a dicha distribución
Gamma se la conoce como distribución de Erlang. Su utilidad radica en el calculo de
probabilidades del tiempo transcurrido hasta que aparecen m sucesos que siguen una
distribución de Poisson de parámetro . Las funciones de densidad y distribución para
diversos valores de los parámetros serán gráficamente
9
lejarza&lejarza
Ejemplo:
10
lejarza&lejarza
Ga( m, m) donde m=2 ( segunda llamada) y =3 ( =3)
62 ·x 21·e 6 x
1
P ( x 1) P(Ga (6, 2) 1)
0
(2)
tendremos
62 ·x 21·e 6 x
1
P ( x 1) P(Ga(6, 2) 1) w
0
(2)
(2) (r 1)! 1! 1
1
luego : w 36 xe 6 x dx haciendo un cambio de variable tendremos
0
6 x t luego dx 1/ 6dt
6
6 t t 1
36 ·e · dt t·e t dt
0 6 6 0
u t du dt
dv e t dt v e t
6 6
t 6
6
0 0 0 e dt
t t
t·e dt udv te
0
te t e t
6 6
0 0
6
e t (t 1) 0,9827
0
11
lejarza&lejarza
gráficamente:
Distribución exponencial
p m ·e px ·x m 1
f ( x)
( m)
p m ·e px ·x m 1 p·e px ·x11
haciendo m=1 tendremos f ( x) pe px
( m) 1
Distribución de Weibull
Y x1/ r x Y r para r o
12
lejarza&lejarza
H ( y ) P(Y y ) P( x1/ r y ) P( x y r ) F ( y r )
r
dado que F ( y r ) 1 e qy ya que x era una exponencial
1
Es habitual que se utilice como segundo parámetro el valor de con q
r
r
1
xr x
1 r
Siendo así la función de densidad: f ( x) r x r 1e xr 1e
r
r
r
r
1
xr r 1 x
1 r x
O bien : f ( x) r x r 1e r
e
r
1
La media de la distribución vendrá dada por · 1
r
13
lejarza&lejarza
Si r = 1 La distribución Wiebull de tendría de función de densidad
r
r 1 x 1
r x 1 x
f ( x) e r 1 e es decir
una exp(1/) , así la distribución exponencial puede considerarse un caso particular de
una Wiebull cuando el parámetro forma es 1 ( r=1)
Ejemplo: El tiempo que tarda en fallar un transistor de un sistema eléctrico sigue una
distribución de Weibull con vida característica 5000 horas y parámetro de forma ½.
r
t
1/ 2
6000
P (t 6000) F (t 6000) 1 e
1 e 5000
1 0,33 0, 66
de manera gráfica :
1
E t · 1 5000· 1 2 5000 (3-1)!=10000 horas
r
14
lejarza&lejarza
Distribución de Maxwell
3
3 1
q 2 e qx x 2 q3 1
f ( x) 2 ·x 2 ·e qx
3
2
Distribución de Rayleigh
Entonces:
Si Z X 2 Y 2 Z Rayleigh sigma A
2
x
2
2
xe
f ( x) para x 0
2
siendo su función de distribución :
2
x 2
2
F ( x) 1 e
para x 0;
La media viene dada por : E x mientras que la varianza será:
2
4 2
Var x D 2 x siendo la moda igual a su parámetro sigma
2
15
lejarza&lejarza
Si Si X R 1 entonces X 2 gl
2
2
r
r 1 x
r x
f ( x) e
r 1 y b 2
2 2
21 x x 2
2 x b 2 x 2b
f ( x)
e
e
b 2 b 2 b2
X W b 2 : 2 entonces X R b .
Valor mínimo (a) será uno que de él hacia arriba( mayor) sólo ocurre el 20% de las
veces , por tanto con probabilidad 0,2 luego:
Si X = amplitud de señal y X R 1/ 2
16
lejarza&lejarza
P( X a) 0, 2 P( X a) 0,8
2
x
2 2
x 2 2 1
2
2
0,8 F ( x a) 1 e 1 e
2
1 e x
2 2
0, 2 e x 5 e x ln 5 x 2 ln e 1, 6 a 1, 2
17
lejarza&lejarza
18
lejarza&lejarza
Distribución Lognormal
Tiene la ventaja que X>0 y que la transformación Log tiende a reducir la asimetría
positiva ya que al sacar logaritmos se reducen en mayor proporción los datos mayores
que los menores.
Función de densidad:
1 ( y y )
1 2 y2
f ( x) e x0
x 2
donde y = ln x
donde, y : media de los logaritmos de la población (parámetro escalar), estimado y
y : Desviación estándar de los logaritmos de la población, estimado sy.
La distribución lognormal tiene por tanto dos parámetros: y (media aritmética del
logaritmo de los datos o tasa de fallos) y y (desviación estándar del logaritmo de los
datos o tasa de fallos).
1 n
y ln( xi )
n i 1
1
1 n 2
sy
n 1 i 1
(ln( xi ) y ) 2
19
lejarza&lejarza
y 1 y
E x x e 2
media y varianza serán :
e y 1·e2 y y
2 2
Var x x2
20
lejarza&lejarza
+ Representa la evolución con el tiempo de la tasa de fallos, en la primera fase de vida
de un componente, entendiéndose como tasa de fallos la probabilidad de que un
componente que ha funcionado hasta el instante t, falle entre t y t + dt.
2
ln x y
x2 1
1 2 y
P ( x1 x x2 )
x x y 2
e dx resolviendo
1
ln( x) y
mediante t y dx x y dt pasando los límites de integración a
y
ln( x1 ) y ln( x2 ) y
x1 z1 y para x2 z2
y y
2
ln x y
x2 1 t2 2
1 2 y 1 t2
lo que nos daría: P ( x1 x x2 ) x y
x1 2
e dx
t1 2
e dt
21
lejarza&lejarza
Ejemplo(1) general reducido: La variable X supone los tiempos en segundos de
reparación de un componente. Presuponemos que X seguirá un modelo Log-Normal .
Con sólo diez datos y para abreviar . Tomamos los logaritmos neperianos de la variable
X (lnx). Contrastamos que dichos valores siguen una distribución normal de media 3.02
y desviación típica 1,92 mediante un test no paramétrico.
x lnx En este caso podemos decir que X LN (3, 02 ; 1,92)
1 0
2,52725328 0,92713305
5,2122986 1,65102095
9,29390485 2,22935879
15,6219583 2,74867751
25,82447 3,25132249
43,4078894 3,77064121
77,3994018 4,34897905
159,631327 5,07286695
538,995354 6,28970695
Ejemplo(2):
Conocemos que los rendimientos monetarios, en miles de euros, a largo plazo de los
futuros que maneja nuestra empresa se distribuyen como una Log-Normal de media 3 y
desviación típica 2.
a)
ln 78 ln x ln120 ln x
P (78 x 120) P t
ln x ln x
4,356 3 4, 787 3
P t P 0, 678 t 0,8937
2 2
F (0,8937) F (0, 678) 0,814 0, 751 0, 063
22
lejarza&lejarza
b) el valor esperado vendrá dado por
y 1 y
E x x e 2
x LN (3; 2)
1
3 2
E x x e 2
e 4 54,59
Distribución de Pareto
·x
x0
f ( x) · 01 donde x x0 ; x0 0 ; 0
x x x
x
F ( x) 1 0 si x x0
x
La varianza será :
x02
var x si 2
2 1
2
Si 2 no existe ya que :
x 2 x0 2 x0
E x 2
x0
x 1
dx
2
y dicha integral no es convergente , siendo el
23
lejarza&lejarza
x
0,5 P( x M e ) F ( M e ) 1 0
Me
x x
0,5 1 0 0,5 0
Me Me
x 1 M
0,5 0 e 2 x0 M e M e x0 21/
Me 0,5 x0
24
lejarza&lejarza
en muchas ocasiones es conveniente que el valor inicial sea cero, lo que da lugar a la
distribución de Pareto tipo II.
de manera que X Y y0
De manera que :
y
F ( x) P( X x) P(Y y0 x) P(Y x y0 ) 1 0
x y0
Distribución de Burr
Que Z X 1/
1/ 1
F ( z ) P( Z z ) P( X z ) P( X z ) 1
z
1
con lo que la la función de distribución quedaría: F (Y ) 1
con parámetros
1 y
k
F ( x) 1 1 xc
25
lejarza&lejarza
siendo su función de densidad: f ( x) Kcx c 1 (1 x c ) ( k 1)
E X r
k k r
c
· r 1
c
k 1
Distribución de Cauchy
1 1
f ( x) 2
x
2
x 2
1
1 1
La f ( x) que corresponde a la C ( 1; 0) conocida como Cauchy
1 x
2
estándar.
·t t
(t ) e que no es diferenciable en t=0 por lo que la distribución no tiene
momentos respecto al origen lo que conlleva que no tiene media y varianza.
26
lejarza&lejarza
1 x 1
F ( x) arctan
2
z x1 x2 x3 ...xn
Así: siendo xi C (i ; i )
n n
Z C ( i ; i )
i 1 i 1
Si x tgl 1
si n=1
11 11
2 1
2 x 2 1 x2
f ( x) 1 1 1 1
1
1
2
1 1
· C (1;0)
1 x2
27
lejarza&lejarza
Distribución de Laplace
x 1
f ( x) e siendo 0 y , y siendo S el parámetro
2 S
de escala y alfa el de ubicación ( más adelante media) .
x
1
f ( x) e s
2s
1 x
x e s si x
1 2s
f ( x) e s
2s x
1 s
e si x
2s
28
lejarza&lejarza
1 x
e s si x
2
F ( x)
x
1 s
1 e si x
2
1
En la que el parámetro de escala es S siendo
S
2
será Var x 2
2
29
lejarza&lejarza
Distribución logística
x L( ; )
x
e
f ( x) 2
x
1 e
1
F ( x) x
1 e
x
Si se lleva a cabo el cambio de variable y
30
lejarza&lejarza
Obsérvese en el gráfico que a los parámetros se les denomina , media y desviación
x L ; E x
2
x L ; Var x 2
3
en otros aspectos podemos aportar que la distribución logística es simétrica , por lo que
su coeficiente de simetría es 0 , además es leptocúrtica pues su coeficiente de curtosis es
1,2. La función de densidad es parecida a la de la distribución normal:
31
lejarza&lejarza
en el gráfico anterior de la función de densidad puede constatarse que la distribución
tiene de moda y mediana el valor del parámetro alfa , es decir , la media
La variable aleatoria está definida para todo el eje real. Tiene dos parámetros :
x
x e
f ( x)
1e e
para x ;
su función de distribución es:
x
e
F ( x) e
2
en cuanto a su varianza es: Var x 2
6
32
lejarza&lejarza
obsérvese como las curvas tienden al extremo superior
Distribución Beta
Diremos que una variable aleatoria x con campo de variación [0,1] sigue una
distribución Beta ( de primera especie) de parámetros , (positivos ambos)
cuando su función de densidad obezca a la expresión:
33
lejarza&lejarza
La media , varianza y moda de una distribución de Beta son respectivamente:
Ya que:
34
lejarza&lejarza
La moda puede obtenerse maximizando la función de densidad: derivando su
denominador e igualando esta derivada a cero:
35
lejarza&lejarza
Función generatriz de probabilidad (FGP)
Sea una variable aleatoria discreta que toma valores en |N. la Función generatriz de
probabilidades se define como:
G ( z ) E z x z xi ·P( xi )
x 0
Como propiedad fundamental de la FGP , se establece que derivada sucesivamente da
lugar a los diversos momentos de la distribución cuando z tiende a 1 de manera:
así:
Gz 1 ( z ) 1 Gz´ 1 ( z ) E x Gz´´1 ( z ) E x( x 1) E x 2 E x
e · x
Sea x ( ) por tanto P( x)
x!
e · xi
z xi · xi
G ( z ) E z z ·
x xi
e ·
x 0 xi ! x 0 xi !
z 1 z 2 z 3 z
e 1 .. e ·e e ( z 1)
1 2! 3!
e1 e 2
ya que e x 1 ....
1! 2!
si la FGP de una Poisson es la anterior
36
lejarza&lejarza
G´ ( z ) ·e ( z 1) Gz´ 1 ( z ) ·e (11) E x
2 E x 2 E x 2 2
2
n
Sea x B(n, p ) luego P( x) p x q n x
x
G ( z ) E z x z xi ·P ( xi ) z xi
x 0 x 0
·p
n
xi
xi
q n xi
G´ ( z ) n( pz q ) n 1·( p ) Gz´´1 ( z ) n( p1 q ) n 1 p np E x
G´´ ( z ) np·(n 1)( pz q )n 2 · p Gz´´1 (n 2 p np ) p
n 2 p 2 np 2 E x 2 E x E x 2 n 2 p 2 np 2 np
luego la varianza sería:
2 E x 2 ( E x ) 2 n 2 p 2 np 2 np n 2 p 2 np np 2 np(1 p) npq
como ya sabíamos
37
lejarza&lejarza
La probabilidad para un determinado valor (k) de x vendrá condicionada por el
valor(m) que tome n que es aleatorio.
Así:
donde :
e m
P ( n m) m 0,1, 2,3,... y
m!
n
P( x k ) p k q nk
k
dado que no conocemos el valor de n este tomará un valor cualquiera m así
m e m
P( x k ) p k q mk ·
mk k m!
m! m
m! mk
e p k q m k · e · k p k q mk ·
m k k !( m k )! m! m k k !( m k )! m!
e ( p ) k
q m k m k e ( p ) k
( q ) m
k!
m k ( m k )!
k!
m!
m0
e ( p ) k q e p ( p ) k
e
k! k!
la Binomial compuesta de Poisson ( la Binomial cuyo parámetro n viene dado por una
Poisson ) .
Tendrá de función de cuantía la de una distribución de Poisson de parámetro p .
Ejemplo: La proporción de clientes que compra al día en una tienda es del 25% de los
que entran. Por término medio entran 10 clientes al día. Calcular la probabilidad de que
compren dos clientes en un día.
X= número de clientes compran de los que entran
x B(n;0, 25) donde n es desconocido y depende de un modelo de Poisson
n ( 10)
e p ( p ) k e4 ·42 0, 0183·16
P ( x k 2) 0,146
k! 2! 2
38
lejarza&lejarza
39
lejarza&lejarza