Distribuciones de Probabilidad Continuas

Distribuciones de Probabilidad
Continuas
Profesor: Danilo Gómez Correa
25 de junio de 2021
Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Contenidos
1 Distribuciones de Probabilidad

Denición
Una variable aleatoria X se dice tener una distribución Uniforme en intervalo
(a, b) de la recta real. Si

1
, a<x<b

f (x) = b−a
 0, e.o.c.
En este caso anotaremos X ∼ U nif orme(a, b).
Teorema
Sea X una variable aleatoria y tiene una distribución, entonces:
a+b
E(X) =
2
(a + b)2
V ar(X) =
12

Ejemplo
Suponga que una sala de conferencias grande se puede reservar pa ra cierta compañía
por no más de cuatro horas. Sin embargo, el uso de la sala de conferencias es tal que
muy a menudo tienen conferencias largas y cortas. De hecho, se puede suponer que
la duración X de una conferencia tiene una distribu ción uniforme en el intervalo
[0, 4].
1 ¾Cuál es la función de densidad de la probabilidad?
2 ¾Cuál es la probabilidad de que cualquier conferencia dada dure al menos 3
horas?
Ejemplo
En un estudio se ha determinado que el tiempo, en minutos, que demora diariamente
una persona en realizar un viaje entre dos ciudades se distribuye aproximadamente
uniforme en el intervalo [15, 40]
1 Calcule la probabilidad que en un día esta persona demore más de 25 minutos.
2 Si se eligen 5 días al azar, ¾cuál es la probabilidad que en a lo más tres de ellos
se demore al menos 30 minutos sabiendo que demora a lo más 35 minutos?

Denición
Una variable aleatoria X se dice tener una distribución exponencial con pará-
metro λ con λ > 0. Si
−λx

λe , x≥0
f (x) =
0, x<0
En este caso anotaremos X ∼ Exponencial(λ).

Donde
FX (x) = 1 − e−λx ; x>0
Teorema
Sea X una variable aleatoria y tiene una distribución Poisson, entonces:
1
E(X) =
λ
1
V ar(X) =
λ2

Observación
La distribución exponencial, al igual que la geométrica, tiene la propiedad de ser
desmemoria, esto es; si X es una v.a. exponencial de parámetro λ, y a, b > 0,
entonces:
P (X > a + b | X > a) = P (X > b)
FALTA DE MEMORIA
La característica de FALTA DE MEMORIA: La probabilidad de que un individuo
de edad t sobreviva x años más, hasta la edad t+x, es la misma que tiene un recién
nacido de sobrevivir hasta la edad x.

Ejemplos
Ejemplo
La longitud de tiempo para que un individuo sea atendido en una cafetería es
una variable aleatoria que tiene una distribución exponencial con una media de 4
minutos. ¾Cuál es la probabilidad de que una persona sea atendida en menos de 3
minutos en, al menos, 4 de los siguientes 6 días?
Ejemplo
El tiempo de espera en una institución de salud se distribuye exponencial con un
tiempo medio de espera de 10 minutos.
Si una persona debe realizar un trámite en esta institución, ¾cuál es la pro-
babilidad de que deba esperar menos de 5 minutos?
Obtenga e interprete la desviación estándar del tiempo de espera.
Suponga que el costo de espera, en unidades monetarias, está representada
por la función C(T ) = 30 + 4T . Obtenga e interprete la desviación estándar
del costo

Relación entre la Distribución Exponencial y Poisson
Recuerde que la distribución de Poisson se utiliza para calcular la probabilidad

de números especícos de eventos, durante un periodo o espacio particulares. En
muchas aplicaciones, el tiempo o la cantidad de espacio es la variable aleatoria. Por
ejemplo, un ingeniero industrial se puede interesar en modelar el tiempo T entre
llegadas a una intersección congestionada durante las horas de mayor auencia en
una ciudad grande. Una llegada representa el evento de Poisson. La relación entre la
distribución exponencial y el proceso de Poisson es bastante simple. La distribución
de Poisson se desarrollo como una distribución de un solo parámetro con parámetro
λ, que corresponde a la tasa.
Considere ahora la variable aleatoria descrita por el tiempo que se requiere para
que ocurra el primer evento. Usando la distribución de Poisson, encontramos que la
probabilidad de que no ocurra algún evento, en el periodo hasta el tiempo t, está
dada por
e−λt (λt)0
P (0 | λt) =
0!

Relación entre la Distribución Exponencial y Poisson
Ahora podemos utilizar lo anterior y hacer que X sea el tiempo para el primer
evento de Poisson. La probabilidad de que la duración del tiempo hasta el primer
evento exceda x es la misma que la probabilidad de que no ocurra algún evento de
Poisson en x. Esto ultimo, por supuesto, esta dado por e−λt . Como resultado,
P (X > x) = e−λx
Así, la función de distribución acumulada para X está dada por
P (0 ≤ X ≤ x) = 1 − e−λx
Entonces, con la nalidad de que reconozcamos la presencia de la distribución ex-
ponencial, podemos diferenciar la función de distribución acumulada anterior para
obtener la función de densidad
f (x) = λe−λx , x>0

Ejemplo
Ejemplo
El número de automóviles que llegan a cierta intersección por minuto tiene una
distribución de Poisson con una media de 5. El interés se centra alrededor del tiempo
que transcurre antes de que 10 automóviles aparezcan en la intersección.
¾Cuál es la probabilidad de que más de 10 automóviles aparezcan en la inter-
sección durante cualquier minuto dado?
¾Cuál es la probabilidad de que se requieran más de 2 minutos antes de que
lleguen 10 automóviles?

Familia Gamma
Denición
Considere la función de densidad
λk xk−1 e−λx
f (x | k, λ) = , x>0 (1)
Γ(k)
Los parámetros k y λ son positivos y Γ(k) se dene la función gamma, como la

integral impropia:
Z∞
Γ(k) = e−t tk−1 dt, k>0
0
Observación
1 Γ(1) = Γ(2) = 1. 3 Con k > 0, Γ(k + 1) = kΓ(k).
√

1
2 Γ = π . (Use t = u2 ). 4 Dado n ∈ N, Γ(n + 1) = n!
2

La familia de distribuciones con densidades dada por (1) se denomina la familia de

distribuciones gamma, que se denota por Γ(k, λ)
Observaciones
Si Γ(k = 1, λ), entonces Γ(k = 1, λ) = Exp(λ)
n 1 n 1
Si Γ(k = , λ = ), entonces Γ(k = , λ = ) = χ2(n) (familia chi cuadrado
2 2 2 2
con n grados de libertad)
λ
Si X ∼ Γ(k, λ), si y solo si aX ∼ Γ(k, )
a

Teorema
Sea X una variable aleatoria y tiene una distribución Gamma, entonces:
k
E(X) =
λ
k
V ar(X) =
λ2
Teorema
Si X1 , X2 , . . . , Xn son variables independientes tal que Xi tiene distribución
n n
!
X X
Γ(ki , λ), i = 1, 2, . . . , n. Entonces, Xi tiene distribución Γ ki , λ .
i=1 i=1

Erlang
La distribución Erlang es una generalización natural de una distribución exponen-

cial. Ahora queremos determinar la distribución del tiempo hasta que un evento
ocurra un número determinado de veces.
Denición
Una variable aleatoria X se dice tener una distribución Erlang con parámetro
λ > 0 y con k ∈ N. Si
(λx)k−1
f (x) = λe−λx , x>0
(k − 1)!
En este caso anotaremos X ∼ Erlang(k, λ).

Erlang
Teorema
Si X1 , X2 , . . . , Xk son variables independientes que se distribuyen exponencial con
k
X
parámetro λ . Entonces, Y = Xi tiene distribución Y ∼ Erlang (k, λ).
i=1
Teorema
Sea X una variable aleatoria y tiene una distribución Erlang, entonces:
k k
E(X) = V ar(X) =
λ λ2

Ejemplo
Ejemplo
La distribución exponencial se aplica con frecuencia a los tiempos de espera entre
éxitos en un proceso de Poisson. Si el numero de llamadas que se reciben por hora
en un servicio de contestación telefónica es una variable aleatoria de Poisson con
parámetro λP = 6, sabemos que el tiempo, en horas, entre llamadas sucesivas tiene
una distribución exponencial con parámetro λE = 6. ¾Cuál es la probabilidad de
esperar mas de 15 minutos entre cualesquiera dos llamadas sucesivas?
Cuando k es un entero positivo, la distribución gamma, también se conoce como
distribución de Erlang. Se puede mostrar que si los tiempos entre eventos sucesivos
son independientes, y cada uno tiene una distribución exponencial con parámetro λ,
entonces el tiempo de espera total X transcurrido hasta que ocurran k eventos tiene
la distribución de Erlang. Con referencia al ejercicio de repaso anterior, ¾cuál es la
probabilidad de que las siguientes 3 llamadas se reciban dentro de los siguientes 30
minutos?

Weibull
La tecnología actual nos permite diseñar muchos sistemas complicados cuya opera-
ción, o quizá seguridad, depende de la conabilidad de los diversos componentes
que conforman los sistemas. Por ejemplo, un fusible puede quemarse, una columna
de acero puede torcerse o un dispositivo sensor de calor puede fallar. Componentes
idénticos sujetos a idénticas condiciones ambientales fallarán en momentos diferentes
e impredecibles. Ya examinamos el papel que las distribuciones Gamma y exponen-
cial juegan en estos tipos de problemas. Otra distribución que se ha utilizado con
amplitud en años recientes para tratar con tales problemas es la distribución de
Weibull, que presentó el físico sueco Waloddi Weibull en 1939.
Denición
La variable aleatoria continua X , tiene distribución Weibull de parámetros α > 0 y
β > 0 si su función de densidad es:
α−1 α
α x − x
f (x | α, β) = e β , x>0
β β
En este caso anotaremos X ∼ W eibull(α, β).

Weibull
Teorema
Si X ∼ W eibull(α, β), entonces Y = X α ∼ Γ(1, λ) o Y = X α ∼ Exp(λ):
Teorema
Sea X una variable aleatoria y tiene una distribución Weibull, entonces:

1
E(X) = βΓ 1 +
α
( 2 )
2 1
V ar(X) = β2 Γ 1+ − Γ 1+
α α
Teorema
Sea X una variable aleatoria y tiene una distribución Weibull, entonces:
α
x
− β
FX (x) = 1 − e ; x>0

Tasa de falla
Se sabe que la tasa de falla en el tiempo t para la distribución de Weibull está dada
por:
α−1
α x
h(t) = , t>0
β β
sólo si la distribución del tiempo de operación antes del fallo es la distribución de
Weibull α−1 α
α x x − β
f (x | α, β) = e , x>0
β β
La cantidad h(t) es bien llamada tasa de falla porque en verdad cuantica la tasa de
cambio con el tiempo de la probabilidad condicional de que el componente dure una
∆t adicional dado que ha durado el tiempo t. Es importante la tasa de disminución
(o crecimiento) con el tiempo. Los siguientes puntos son fundamentales.
1 Si α = 1, la tasa de falla = β1 , una constante. Esto, como se indico
anteriormente, es el caso especial de la distribución exponencial en que
predomina la falta de memoria.
2 Si α > 1, h(t) es una función creciente de t que indica que el componente se
desgasta con el tiempo.
3 Si α < 1, h(t) es una función decreciente de tiempo y, por lo tanto, el
componente se fortalece o endurece con el paso del tiempo.
Ejemplo
Ejemplo 1.
El periodo de vida, en horas, de una broca en una operación mecánica tiene una
distribución de Weibull con α = 2 y β = 50. Encuentre la probabilidad de que la
broca fallara antes de 10 horas de uso.
Ejemplo 2.
Las vidas de ciertas juntas para automóvil tienen la distribución de Weibull con
tasa de falla
1
h(t) = √
t
Encuentre la probabilidad de que tal junta aún esté en uso después de 4 años.

Familia Beta
Esta familia está caracterizada por una función de densidad de la forma
Denición
Γ(α + β) α−1
f (x|α, β) = x (1 − x)β−1 , 0<x<1
Γ(α)Γ(β)
Con α > 0, β > 0 y denotaremos por B(α, β) .
α
E(X) =
α+β
αβ
V ar(X) =
(α + β)2 (α + β + 1)

Familia Beta
Teorema
Si X1 y X2 son variables independientes con distribución Γ(p, λ) y Γ(q, λ)
X1
respectivamente, entonces Y = X1 + X2 e Y = son variables
(X1 + X2 )
independientes con distribuciones Γ(p + q, λ) y β(p, q) respectivamente.
Corolario
Si X1 , X2 , . . . , Xn son variables independientes tal que Xi tienePdistribución
Γ(pi , λ) i = 1, 2, . . . , n, entonces ni=1 Xi tiene distribución Γ( i=1 pi , λ).
n
P

Beta
Aplicaciones en el campo de la ingeniería: Los gerentes de proyectos utilizan
por lo general un método llamado PERT (Program Evoluation and Review Techni-
que) para coordinar las diversas actividades que conforman un gran proyecto (Una
aplicación exitosa fue la construcción de la nave espacial Apolo). Una suposición
estándar en el análisis PERT, es que el tiempo necesario para completar cualquier
actividad particular, una vez que se haya iniciado, tiene una distribución Beta con
α : tiempo optimista (Si todo va bien) y β : Tiempo pesimista (Si todo sale mal).
La distribucion beta estandar se utiliza por lo comun para modelar la variación en
la proporcion o porcentaje de una cantidad que se presenta en muestras diferentes,
tales como la proporción de horas que duerme un individuo o la proporcion de cierto
elemento de un compuesto químico.
Ejemplo
Un distribuidor mayorista de gasolina tiene tanques de almacenamiento de gran
capacidad con un abastecimiento jo, los cuales se llenan cada lunes. Él, desea saber
el porcentaje de gasolina vendido durante la semana. Después de varias semanas de
observación, el mayorista descubre que este porcentaje podría describirse mediante
una distribución beta con α = 4 y β = 2. Calcule la probabilidad de que venda:
1 Al menos, el 90 % de sus existencias en una semana.
2 Menos del 50 % de sus existencias en una semana.
3 P (X < x) = 1/5 y P (X > x) = 2/5.

Pareto
Es muy utilizada en economía, ya que la distribución de las rentas personales supe-
riores a una cierta renta m.
X ∼ P areto(α, m)
El parámetro m puede interpretarse como un ingreso mínimo de la población, tra-

tándose de un indicador de posición. Si la población fuera el conjunto de salarios
una nación que trabaja ocho horas al día, el parámetro m sería el salario mínimo
nacional.
El parámetro α se determina generalmente a partir de la media muestral. Normal-
mente, toma valores próximos a 2. A mayores valores de α se obtienen densidades de
Pareto más concentradas en las proximidades del mínimo, esto es, menos dispersas.
Denición
Una variable aleatoria X se dice tener una distribución Pareto con parámetro
(α, m) . Si
( αmα
, x≥m>0
f (x) = xα+1
0, x<0
donde con α > 0, m > 0 y x ≥ m

Pareto
Denición
La distribución acumulada es:
( m α
1− , x≥m
F (x) = x
0, x<0
Teorema
Sea X una variable aleatoria y tiene una distribución Pareto, entonces:
α·m
E(X) = ; si α>1
α−1
α · m2
V ar(X) = ; si α>2
(α − 1)2 (α − 2)

Pareto
Ejemplo
Las rentas salariales anuales en cierto sector económico (X , en miles de euros) es
una magnitud aleatoria distribuida según un modelo de Pareto con salario mínimo
9 y α = 2, 04. Se desea conocer el salario esperado en el sector y la proporción de
asalariados que percibe más de 18.000 euros/año. Resp: 15,43 y 0,19.
Ejemplo
Los salarios mensuales, en euros, de una determinada empresa siguen una
distribución de Pareto de parámetros α = 2, 75 y m = 900 ¾Qué porcentaje de
individuos tienen un salario superior a 2.000 euros? ¾Y a 3.000 euros?

Normal
La distribución continua de probabilidad más importante en todo el campo de la

estadística es la distribución normal. la cual describe aproximadamente muchos
fenómenos que ocurren en la naturaleza, la industria y la investigación. Las me-
diciones físicas en áreas como los experimentos meteorológicos, estudios de lluvia
y mediciones de partes fabricadas a menudo se explican más que adecuadamente
con una distribución normal. En 1733, Abraham DeMoivre desarrolló la ecuación
matemática de la curva normal. Ésta ofrece una base sobre la que se fundamenta
gran parte de la teoría de la estadística inductiva. La función de densidad de
una distribución N (µ, σ 2 ) tiene propiedades muy interesantes:
Su gráca es simétrica respecto a la media µ:
Distribución N (µ, σ 2 )
µ
de manera que: P (X < µ − a) = P (X > µ + a), para todo a > 0.

Denición
Una variable aleatoria X se dice tener una distribución normal con parámetro
µ ∈ R con σ 2 > 0. Si
1 1 x−µ 2
f (x) = √ e− 2 ( σ )
σ 2π
En este caso anotaremos X ∼ N (µ, σ 2 ).
Teorema
Sea X una variable aleatoria y tiene una distribución Normal, entonces:
E(X) = µ V ar(X) = σ 2

X −µ
Si X ∼ N (µ, σ 2 ) y Z = entonces Z ∼ N (0, 1). En esta situación, nos
σ
X −µ
referiremos al cambio de variable Z = , como estandarización de la va-
σ
riable X ∼ N (µ, σ 2 ), y a la correspondiente Z ∼ N (0, 1) como la distribución
normal estándar. La estandarización de cualquier normal, X ∼ N (µ, σ 2 ), nos
permitirá calcular la probabilidad de un suceso correspondiente a ella a partir
de la tabla de la distribución normal estandarizada N (0, 1). Asi, por ejemplo,
si X ∼ N (µ, σ 2 ) entonces:

X −µ
σ
X −µ
σ

a−µ b−µ b−µ a−µ
P (a < X < b) = P <Z< =Φ −Φ
σ σ σ σ

X −µ
σ
X −µ
σ

a−µ b−µ b−µ a−µ
P (a < X < b) = P <Z< =Φ −Φ
σ σ σ σ
donde Z ∼ N (0, 1) y Φ(z) = P (Z < z) es su función de distribución acumu-

lada, cuyos valores vienen dados por una tabla.

Sea X ∼ N (µ, σ 2 ) se puede estimar el

porcentaje de individuos asociados a un
intervalo de valores. µ = 10, 5 y σ = 3, 0,
se puede decir que el 68, 3 % de los datos
obtenidos se encuentran en el intervalo
[µ − σ, µ − σ]; esto es, en [7, 5, 13, 5].


[µ − σ, µ − σ]; esto es, en [7, 5, 13, 5].
Del mismo modo, se puede decir que el
95, 5 % de los datos obtenidos se encuen-
tran en el intervalo [µ − 2σ, µ − 2σ]; esto
es, en [4, 5, 16, 5].


[µ − σ, µ − σ]; esto es, en [7, 5, 13, 5].
es, en [4, 5, 16, 5].
Y que el 99, 7 % de los datos obtenidos se
encuentran en el intervalo [µ−3σ, µ−3σ];
esto es, en [1, 5, 19, 5].


[µ − σ, µ − σ]; esto es, en [7, 5, 13, 5].
es, en [4, 5, 16, 5].
Y que el 99, 7 % de los datos obtenidos se
encuentran en el intervalo [µ−3σ, µ−3σ];
esto es, en [1, 5, 19, 5].

Ejemplo
Las estaturas de los recién nacidos en un hospital se distribuyen N (46, 4) en cm.
Calcula la probabilidad de que:
un recién nacido mida menos de 44 cm.
un recién nacido mida más de 50 cm.
Ejemplo
De una universidad egresaron 210 varones y 225 damas. Las edades de los varones
se distribuyen N (24, 8; 0, 16), y las de las damas, N(24,2; 0,36).
¾Cuántos varones tenían más de 24 años?
¾Cuántas damas tenían más de 23 años?
Si se selecciona un alumno varón al azar, ¾cuál es la probabilidad de que
tenga a lo menos 24,8 años?

Propiedades
Si X ∼ Binomial(n, p), X tiende a una distribuirse normal cuando n → ∞
y p es jo. Asi si estamos con una distribución binomial con n grande, la
podremos aproximar por una normal N (µ, σ 2 ) con parámetros:
µ = np, σ 2 = np(1 − p)
A modo de orientación es aconsejable realizar esta sustitución cuando n > 30

y 0, 1 < p < 0, 9.
Si X1 ∼ N (µ1 , σ12 ), X2 ∼ N (µ2 , σ22 ), . . . , Xn ∼ N (µn , σn2 ), son variables inde-
pendientes entonces:
X ∼ N (µ1 + µ2 + . . . + µn , σ12 + σ22 + . . . + σn

2
)
donde: X1 + X2 + . . . + Xn = X

Ejemplos
Ejemplo
Calcular las probabilidades y percentiles de las siguientes distribuciones binomiales
mediante aproximación a la normal.
1 X ∼ B(100; 0,1). Calcular P (X = 10), P (X < 2) y P (5 < X < 15).
2 X ∼ B(50; 0,9). Calcular P (X > 45) y P (X ≤ 15).
3 X ∼ B(50; 0,4). Calcular P (k3 < X) = 0, 1.
Ejemplo
Supongamos que se tienen 3 variables independientes con las siguientes
características:
• X1 ∼ N (1; 1).
• X2 ∼ N (3; 4).
• X3 ∼ N (4; 9).
Denamos una nueva variable aleatoria como Y = 3X1 + X2 − 2X3 . Calcule:
1 E(Y ) y V(Y ).
2 Determinar la probabilidad P (Y > A), donde A = E(Y ) − 7.

Ejemplos
Ejercicio de Certamen
Los costos en que incurre una pequeña empresa, expresados en unidades
monetarias, para producir tres tipos de productos, son variables aleatorias
independientes y distribuidas normalmente con medias de 80, 100 y 120; y, con
varianzas de 36, 64 y 125 respectivamente.
1 Si W representa el costo total por producir los tres tipos de productos,
muestre, mediante propiedades de esperanza y varianza, que la variable
aleatoria W sigue una distribución normal. Indique cuáles son sus
parámetros fundamentando su respuesta.
2 Obtenga e interprete la desviación estándar del costo total de producción.
3 Calcule la probabilidad de que el costo total sea de 280 U.M. sabiendo que el
costo total ha uctuado entre 270 y 290 U.M.
4 Si se seleccionan registros de costos totales en forma independiente, calcule
la probabilidad de que en al menos dos de ellos aparezca por primera vez
uno con un costo total de al menos 300 U.M.
5 Si los costos de cada producto disminuyen en 10 U.M., calcule la
probabilidad de que el costo total sea a lo más 290 U.M.

Distribuciones de Probabilidad Continuas

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

Distribuciones de Probabilidad Continuas

Cargado por

Copyright:

Formatos disponibles

Distribuciones de Probabilidad

Profesor: Danilo Gómez Correa

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

En este caso anotaremos X ∼ U nif orme(a, b).

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

En este caso anotaremos X ∼ Exponencial(λ).

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

P (X > a + b | X > a) = P (X > b)

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Relación entre la Distribución Exponencial y Poisson

Recuerde que la distribución de Poisson se utiliza para calcular la probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Relación entre la Distribución Exponencial y Poisson

f (x) = λe−λx , x>0

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Los parámetros k y λ son positivos y Γ(k) se dene la función gamma, como la

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

La familia de distribuciones con densidades dada por (1) se denomina la familia de

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

La distribución Erlang es una generalización natural de una distribución exponen-

En este caso anotaremos X ∼ Erlang(k, λ).

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

En este caso anotaremos X ∼ W eibull(α, β).

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

El parámetro m puede interpretarse como un ingreso mínimo de la población, tra-

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

La distribución continua de probabilidad más importante en todo el campo de la

Su gráca es simétrica respecto a la media µ:

de manera que: P (X < µ − a) = P (X > µ + a), para todo a > 0.

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

donde Z ∼ N (0, 1) y Φ(z) = P (Z < z) es su función de distribución acumu-

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Sea X ∼ N (µ, σ 2 ) se puede estimar el

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Sea X ∼ N (µ, σ 2 ) se puede estimar el

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Sea X ∼ N (µ, σ 2 ) se puede estimar el

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Sea X ∼ N (µ, σ 2 ) se puede estimar el

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

A modo de orientación es aconsejable realizar esta sustitución cuando n > 30

X ∼ N (µ1 + µ2 + . . . + µn , σ12 + σ22 + . . . + σn

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

Profesor: Danilo Gómez C. Distribuciones de Probabilidad

También podría gustarte

Los parámetros k y λ son positivos y Γ(k) se dene la función gamma, como la

Su gráca es simétrica respecto a la media µ: