Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Distribuciones Especiales de Probabilidad
Distribuciones Especiales de Probabilidad
ESTADÍSTICA
La distribución log-normal
La distribución normal logarítmica es una distribución de probabilidad continua de una
variable aleatoria cuyo logaritmo está normalmente distribuida. Es decir, si X es una variable
aleatoria con distribución normal, entonces Y = e X tiene una distribución log-normal, o
recíprocamente, si Y tiene distribución log-normal, entonces X = ln (Y ) tiene distribución
normal.
Observación. A esta distribución de probabilidad también se la conoce como distribución de
Galton (en honor a Francis Galton), también se le han asociado otros nombres, tales como
McAlister, Gibrat y Cobb-Douglas
Una variable puede ser modelada como log-normal si puede ser considerada como un
producto multiplicativo de muchos pequeños factores independientes. Un ejemplo típico es
un retorno a largo plazo de una inversión: puede considerarse como un retorno de muchos
retornos diarios.
La función de densidad de la distribución log-normal es:
( ln y − )2
1 −
f ( y) = e 2 2
, y0
y 2
, V Y = ( e − 1) e2 +
2
+
E Y = e
2 2
2
Ejemplo. Se analiza la proporción de empleados que tienen un ingreso anual superior a los
$18.000 para un sector económico cuya distribución salarial medida en miles de dólares,
sigue un modelo logarítmico normal con parámetros = 2 y = 1.2
De donde:
2.89 − 2
P (Y 18 ) = P ( e X 18 ) = P ( X 2.89 ) = 1 − P ( X 2.89 ) = 1 − = 0.2296
1.2
La distribución Gamma
Este modelo es una generalización del modelo exponencial ya que, en ocasiones, se utiliza
para modelar variables que describen en el tiempo hasta que se produce veces un
determinado suceso.
Su función de densidad es de la forma:
1 −
x
e x −1 , x 0
f ( x ) = ( )
0 , x0
Gráfico de algunas funciones de densidad con = k = 1, 2,3,5,9; = = 2, 2, 2,1, 0.5
Que cumple:
( x + 1) = x ( x )
( n + 1) = n!
( 12 ) =
Entonces:
B = 5 − ( KX + 1)
De donde:
E B = E 5 − ( KX + 1) = 4 − K E X = 4 − K 2 2 = 3
Distribución Beta
Es una distribución que se utiliza para modelizar variables que toman valores en un
intervalo finito A, B , se la denota de la siguiente manera:
X ( A, B, p, q )
( x − A) ( B − x )
p −1 q −1
f ( x) = , A x B
( p, q )( B − A)
p + q −1
1
( p) (q)
Donde la función Beta es: ( p, q ) = t p −1 (1 − t )q −1 dt =
0 ( p + q)
x p −1 (1 − x )
q −1
f ( x) = , 0 x 1
( p, q )
p pq
Sus parámetros son: = E X = , 2 =V X =
p+q ( p + q + 1)( p + q )
2
Ejemplo.
La proporción media de tubos defectuosos es del 20%. Dicha proporción se modeliza
como una Distribución Beta: X ( p,8) . Calcular p
Solución.
p
Se conoce del problema que = E X = 0.20 =
p +8
De donde: p=2
Distribución de Weibull
La distribución de Weibull es una distribución de probabilidad continua se utiliza en la
modelización de fallos (en sistemas) cuando la tasa de fallos es proporcional a una
potencia del tiempo.
La función de densidad es:
x −1 −( x )
, x0
f ( x, , ) =
e
0 , x0
F ( x, , ) = 1 − e
− x
1
La media de esta distribución es: E X = 1 +
2 1
La varianza es: V X = 2 1 + − 2 1 +
Calcular:
a) Tiempo medio que se tardará en conectarse en ambos tipos de día
b) Probabilidad de tardar más de 10 segundos en realizar la conexión, en ambos tipos de
día
c) Si se lleva ya 5 segundos esperando a que se efectúe la conexión, ¿cuál es la
probabilidad de que la conexión se demore aún 10 segundos más?
d) ¿Era de esperar el resultado que se obtiene en c)?
Solución.
Sea L = laborable, F = fin de semana
Distribución t de Student
Sean X N ( 0,1) y Y n2 dos variables aleatorias, entonces la variable aleatoria definida
por:
X
T= sigue una distribución llamada t_Student con n grados de libertad que se denota
Y
n
con t n
2 x2 2
f ( x) = 1 + , − x
n n
n
2
X
F= n
Y
m
Sigue una distribución F de Snedecor con n y m grados de libertad que se denota Fn.m
n+m
m n
m 2 n2 m
f ( x) = 2 x 2 −1 n + mx − n +2m , x 0
( )
m n
2 2
Para esta variable se tiene:
m m 2 ( 2m + 2n − 4 )
EX = , m 2 ; V X = ,m4
m−2 n ( m − 2) ( m − 4)
2
Propiedad:
1
Si X Fn, m entonces Fm, n
X
Si X tn entonces X 2 F1,n
Distribución multinomial
La distribución multinomial es una generalización de la binomial, en la que el
experimento que la genera arroja k 2 resultados distintos en cada realización -la
binomial es una distribución dicotómica- donde, las probabilidades de cada uno de los
resultados permanece constante a lo largo de todo el proceso. La distribución multinomial
se obtiene al realizar, de forma independiente, n pruebas individuales y contar el número
de veces que aparece cada resultado. Si se llama Ai al i-ésimo resultado, siendo P ( Ai ) = pi
y X i al número de veces que se obtiene Ai en las n pruebas, X i será la componente i-
ésima de la variable k-dimensional X .
La distribución de probabilidades de la variable multinomial es:
n!
P ( X1 = n1 , X 2 = n2 ,..., X k = nk ) = p1n1 p2n2 ... pknk donde: n1 + n2 + ... + nk = n
n1 !n2 !...nk !
1!2!0!2!0!0! 6 6 6
Ejercicio. En una gasolinera se ofrecen tres servicios: suministrar gasolina, lavar autos y
comprobar la presión de los neumáticos. Estos servicios son demandados con una
probabilidad de 0.90, 0.05 y 0.05 respectivamente. ¿Cuál es la probabilidad de que de
diez autos que lleguen, seis vaya a cargar gasolina, tres vayan a lavado y uno a comprobar
la presión?
Ejercicio. Una máquina produce piezas que según su peso pueden clasificarse en
“pesadas”, “normales” y “ligeras”. Por experiencia se ha estimado que el 30% son
pesadas y el 60% normales. De cinco piezas extraídas, ¿cuál es la probabilidad de que
dos sean pesadas y dos normales?