Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Trabajo Estadistica
Trabajo Estadistica
Integrantes:
Buitrago Anyeli CI 18565723
Gallardo Ruth CI 17677976
García Alisson CI 18588748
Hernandez Leonardo CI 18991061
Martinez Maria de los A. CI 19359425
Rivera Luis CI 17812015
Profesor:
Enrique Darghan
San Cristóbal – Estado Tachira
Se denomina distribución discreta a aquella cuya
función de probabilidad sólo toma valores positivos
en un conjunto de valores de X finito o infinito
numerable
Donde:
Esperanza:
𝑛 𝑥
Demostración: 𝑃 𝑋 = 𝑃 1−𝑝 𝑛−𝑥
= σ𝑛𝑥=0 𝑥𝑃ሺ𝑋 =
𝑥
Relaciones con otras variables aleatorias:
Si n tiende a infinito y p es tal que producto entre ambos
parámetros tiende a λ, entonces la distribución binomial
tiende a una distribución de Poisson.
se cumple que cuando n es muy grande n≥ 30, la distribución
binomial puede aproximarse mediante la distribución normal
Aplicaciones:
♦ Esperanza: E(X) = p
Solución:
E(X) = p
E(X) = 0.6
Var(X) = p.q
Var(X) = 0.6*0.4=0.24
Sea A un suceso de probabilidad P(A)= p , y sea X la variable
aleatoria que es expresa el numero de fracasos que tiene lugar
en la repeticiones independientes de prueba de Bernoulli, hasta
que ocurre A por primera vez. La variable X toma los valores 0 ,
1 , 2 , . . . . . . (Números de fracasos). Decimos que una
variable aleatoria X sigue una distribución geométrica de
parámetro p si su función de probabilidad es
𝑥
𝑓 𝑥 = 1−𝑝 𝑝, 𝑥 = 0 , 1, … .
Función Generatriz: 𝐹 𝑋 = 𝑃 𝑋 ≤ 𝑥 =
0 𝑠𝑖 𝑥 < 0
ቐ
σ𝑥𝑖=0 1 − 𝑝 𝑖 𝑝 𝑠𝑖 ≥ 0
1−𝑃
Esperanza: 𝐸 𝑋 =
𝑃
𝑑𝑔ሺ𝑡) 𝑝𝑞 𝑒 𝑡
Demostración: =
𝑑𝑡 1− 𝑞 𝑒 𝑡 2
𝑑𝑔ሺ𝑡) 𝑝𝑞 𝑝𝑞 𝑝 1− 𝑝
𝐸 𝑋 = ቤ = 2
= = =
𝑑𝑡 𝑡=0 1− 𝑞 𝑝2 𝑞 𝑝
1−𝑝
Varianza: 𝑉𝑎𝑟 𝑋 =
𝑝2
Demostración:
Por Tanto:
2 𝑝𝑞+2 𝑞2 1−𝑝 2 𝑝𝑞+2 𝑞2 − 𝑞2
𝑉𝑎𝑟 𝑋 = 𝛼2 − 𝐸 𝑋 = − =
𝑝2 𝑝 𝑝2
=
𝑝𝑞 + 𝑞 2 1 − 𝑞 𝑞 + 𝑞2 𝑞 1− 𝑝
= = = =
𝑝2 𝑝2 𝑝2 𝑝2
Aplicaciones:
Ejercicio:
3
19 1
𝑃 = 0,0428
20 20
Es una distribución discreta relacionada con muestreos
aleatorios y sin reemplazo
Demostración: 𝐸 𝑋 = σ𝑥 𝑃ሺ𝑋 =
Aplicaciones:
♦ se aplica con cierta frecuencia en el control estadístico de
calidad de una fabricación en serie. Así pues, es
especialmente útil en todos aquellos casos en los que se
extraigan muestras o se realizan experiencias repetidas sin
devolución del elemento extraído o sin retornar a la situación
experimental inicial,.
♦ modeliza situaciones en las que se repite un número
determinado de veces una prueba dicotómica de manera que
con cada sucesivo resultado se ve alterada la probabilidad de
obtener en la siguiente prueba uno u otro resultado.
♦ Es una distribución .fundamental en el estudio de muestras
pequeñas de poblaciones .pequeñas y en el cálculo de
probabilidades de, juegos de azar y tiene grandes
aplicaciones en el control de calidad en otros procesos
experimentales en los que no es posible retornar a la situación
de partida.
Nota:
La distribución Hipergeométrica puede derivarse de un proceso
experimental puro o de Bernouilli
la varianza de la Hipergeométrica se aproximaba a la de la
binomial debido al llamado coeficiente de exhaustividad o Factor
Corrector de Poblaciones Finitas (F.C.P.F.)
Ejercicio:
26 tiene falla
N= 52 carros
26 no tienen falla
3 con fallas
n=5
2 sin fallas
26 26
3 2
𝑃 𝑋 = 52 = 0,325 = 33% de cada 100 de un lote de 52 con
5
muestra de 5 encontraremos 3 con fallas
Expresa la probabilidad de un número x de eventos ocurriendo
en un tiempo fijo si estos eventos ocurren con una frecuencia
media conocida y son independientes del tiempo discurrido desde
el último evento. Es muy útil cuando el fenómeno involucrado
comprende tasas, razones.
Esperanza:
Demostración:
Varianza: Demostración:
Por lo tanto la varianza vale:
Aplicaciones:
♦ Una importante aplicación del proceso Poisson se
encuentra en la probabilidad de ruina de una compañía
aseguradora.
♦ En la cantidad de clientes que entran a una tienda E
♦ l número de coches que pasan por una autopista,
♦ La llegada de personas a una fila de espera,
♦ El número de llamadas que llegan a una central
telefónica,
♦ El número de errores de ortografía que uno comete al
escribir una única página
Ejemplo:
Si un banco recibe en promedio 6 cheques sin fondo por día,
¿cuáles son las probabilidades de que reciba, a) cuatro
cheques sin fondo en un día dado, b) 10 cheques sin fondos en
cualquiera de dos días consecutivos?
Solución:
a) x = variable que nos define el número de cheques sin
fondo que llegan al banco en un día cualquiera = 0, 1, 2, 3,…
l = 6 cheques sin fondo por día
e = 2.718
1/n para i = 1, 2 ,. . . . . n
f (xi )=P (X = xi )=
0 en otro casos
1
Esperanza: 𝐸 𝑋 = σ𝑛𝑖=1 𝑥𝑖
𝑛
Demostración
𝑛 𝑛 𝑛
1 1 1
𝐸 𝑋 = 𝑥𝑖 . 𝑃 𝑋 = 𝑥𝑖 = 𝑥𝑖 . = 𝑥𝑖
𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 2
Varianza: 1 1
𝑉𝑎𝑟 𝑋 = 𝑥𝑖 2 − 𝑥𝑖
𝑛 𝑛
𝑖=1 𝑖=1
Demostración:
𝑛 𝑛 2
2 1
𝑉𝑎𝑟 𝑋 = 𝐸 𝑋 2 − 𝐸 𝑋 = 𝑥𝑖 2 𝑃 𝑋 = 𝑥𝑖 − 𝑥𝑖
𝑛
𝑖=1 𝑖=1
𝑛 𝑛 2 𝑛 𝑛 2
1 1 1 1
𝑥𝑖 2 . − 𝑥𝑖 = 𝑥𝑖 2 − 𝑥𝑖
𝑛 𝑛 𝑛 𝑛
𝑖=1 𝑖=1 𝑖=1 𝑖=1
Aplicaciones:
𝑎+𝑏
Esperanza: 𝐸 𝑋 =
2
Demostración:
+∞ 𝑎 𝑏
1 1 𝑥3 1 𝑏 2 − 𝑎2 𝑎 + 𝑏
𝐸 𝑋 =න 𝑋𝐹 𝑋 𝑑𝑥 = න 𝑥 𝑑𝑥 = = =
−∞ 𝑏 𝑏−𝑎 𝑏−𝑎 2 𝑎
2 𝑏−𝑎 2
𝑏−𝑎 2
Varianza: 𝑉 𝑋 =
12
demostración:
+∞ 𝑏 𝑏
2 2
1 2
1 𝑥3 1 𝑏 3 − 𝑎3 1 2
𝐸 𝑥 =න 𝑥 𝑓 𝑥 𝑑𝑥 = න 𝑥 𝑑𝑥 = = = 𝑏 + 𝑎𝑏 − 𝑎2
−∞ 𝑎 𝑏−𝑎 𝑏−𝑎 3 𝑎
3 𝑏−𝑎 3
Por lo tanto
2
2
1 2
𝑎+𝑏
𝑉𝑎𝑟 𝑥 = 𝐸 𝑥 − 𝐸 𝑥 = 𝑏 2 + 𝑎𝑏 − 𝑎2 −
3 2
2 2 2 2 2 2 2
𝑏 + 𝑎𝑏 − 𝑎 𝑎 + 2𝑎𝑏 − 𝑎 𝑏 − 2𝑎𝑏 − 𝑎 𝑏−𝑎
= − = =
3 4 12 12
Aplicaciones:
En estadística, cuando se utiliza un p-value a modo de prueba
estadística para una hipótesis nula simple, y la distribución de la
prueba estadística es continua, entonces la prueba estadística
esta uniformemente distribuida entre 0 y 1 si la hipótesis nula es
verdadera.
La distribución exponencial es el caso particular de la
distribución gamma en la que el parámetro es igual a 1
Y su función Distribución es
La Distribución Exponencial posee las siguientes propiedades
1
Esperanza: 𝐸 𝑋 =
𝜆
demostración:
Derivando:
Varianza:
Aplicaciones:
La distribución exponencial tiene aplicaciones importantes.
Por ejemplo, puede demostrarse que si una variable aleatoria
tiene distribución de Poisson con parámetro, entonces, el
tiempo de espera entre dos ‘éxitos’ consecutivos es una
variable aleatoria con distribución exponencial y parámetro
= 1/
Ejercicio:
La llegada de los camiones a una bodega tiene distribución
de Poisson con media de 4 por hora. Calcule la probabilidad
que el tiempo transcurrido entre la llegada de dos camiones
consecutivos sea menor a 10 minutos.
4e
P(X<1/6) = 4x = 0.4866 = 48.66%
dx
0
La densidad de Pareto se introduce para modelizar la
distribución del ingreso cuando ésta es fuertemente
inequitativa. La forma funcional de la densidad se presenta a
continuación
Esperanza:
Varianza:
Aplicaciones:
♦ Una de las aplicaciones más conocidas es su uso para
análisis de ventas o comercial. Las compañías que realizan
un análisis de facturación respecto al número de clientes
constatan que, aproximadamente, el 80% de la facturación
depende del 20% de los clientes. Casi nunca se observa
una relación 80-20 exacta, pero la desproporción entre
ventas y número de clientes suele ser cierta. Con esta
información se puede decidir qué clientes son estratégicos
(hay que cuidar) y cuáles tienen menor importancia.
♦ El principio de Pareto también se utiliza para analizar el
surtido o gama de productos que vende una empresa
comercial. El 80% de la facturación proviene del 20% del
catálogo de productos. En general, el principio de Pareto
permite analizar una situación y facilitar la toma de
decisiones estratégicas trabajando con datos reales.
♦ En control de calidad
No obstante, el principio de Pareto permite utilizar
herramientas de gestión, como el diagrama de Pareto, que
se usa ampliamente en temas de control de calidad (el 80%
de los defectos radican en el 20% de los procesos). Así, de
forma relativamente sencilla, aparecen los distintos elementos
que participan en un fallo y se pueden identificar los
problemas realmente relevantes, que acarrean el mayor
porcentaje de errores.
La distribución Gompertz cambiado es la distribución de los
mayores estadístico de orden de dos variables aleatorias
independientes que se distribuyen exponencial y Gompertz con
b y los parámetros η, respectivamente. Se ha utilizado como
un modelo de adopción de la innovación. Fue propuesto por
Bemmaor (1994).
Su función densidad esta dada por
Donde y
Aplicaciones
Un modelo de uso frecuente en el análisis de la mortalidad y la
previsión es el modelo de Gompertz. El modelo es atractivo debido
a que la especificación matemática es consistente con las teorías
del envejecimiento.
dgሺt)
Demostración E(X) =
dt
t=0
𝑑𝑔ሺ𝑡) 𝑡 1 𝑝 𝑡
= −𝑝 (1 - )−𝑝−1 - ( )= (1 - )−𝑝−1
𝑑𝑡 𝑎 𝑎 𝑎 𝑎
𝑑𝑔ሺ𝑡) 𝑝
Entonces E(X) = =𝑎
𝑑𝑡
t=0
Su varianza esta dada por:
𝑝
Var(X) = 2
𝑎
Demostración: como
𝑑 2 𝑔ሺ𝑡) 𝑝 𝑡 1
Var(X) = = ( p –1 ) (1 - )−𝑝−2 ( - )
𝑑𝑡 2 𝑎 𝑎 𝑎
𝑝ሺ𝑝+1)
=
𝑎2
Por lo tanto,
𝑝ሺ𝑝+1) 𝑝 𝑝
Var(X) = E (𝑋 2 ) – [E(X)]2 = − =
𝑎2 𝑎 𝑎2
Aplicaciones:
♦ se emplea como modelo para la distribución de frecuencias
relativa del tiempo entre llegadas a un mostrador de
servicio (centros de cómputo, caja de súper mercado,
clínica hospitalaria, etc.).
♦ tambiénse utiliza como modelo para la duración de equipos
o productos industriales cuando la probabilidad de que un
componente viejo opere por lo menos t unidades de tiempo
adicionales, dado que esta funcionando ahora.
Ejercicio:
El tiempo en horas que semanalmente requiere una máquina
para mantenimiento es una variable aleatoria con distribución
gamma con parámetros =3, =2
a) Encuentre la probabilidad que en alguna semana el tiempo
de mantenimiento sea mayor a 8 horas
b) Si el costo de mantenimiento en dólares es C = 30X + 2X2,
siendo X el tiempo de mantenimiento, encuentre el costo
promedio de mantenimiento
Solución
f(x) =
1 1 1 2 x / 2
x 1e x / 3 x 3 1e x / 2 xe
( ) 2 (3 ) 16
P(X>8) = 1 – P(X8) = 1 - 1
8
16 0
x 2e x / 2dx
Resolviendo x e
2 x / 2
dx
u = x2 du = 2x dx
dv = e-x/2 dx v = -2 e-x/2
= -2x2 e-x/2 + 4 x e
x / 2
dx
x e
x / 2
dx haciendo cambio de variable
u = x du = dx
dv = e-x/2dx v = -2 e-x/2
= -2x e-x/2 + 2 e
x/ 2
dx
P(X>8) = 1 -
1 - 2x e 2 - x/2
4(-2x e- x/2 2(-2 e- x/2 )) 80 = 0.2381
16
E[X] = = 3(2) = 6
1 2 x / 2 1
E [X2] = x f ( x)dx
2
= x
2
16
xe dx =
16 0
x 4e x / 2 dx
0
Finalmente se obtiene
Esperanza
=
Demostración
se suma y se resta
Varianza:
Demostración:
Aplicaciones:
Ejemplo:
En una empresa de refrescos se sabe que el consumo medio
anual de estos refrescos de los habitantes de un país es de 59
litros, con una varianza de 36. Se supone que se distribuye
según una distribución normal.
a)¿cuántos litros de refresco tendría que beber al año una
persona para pertenecer al 5% de la población que más bebe?.
Esperanza:
Demostración:
Entonces la varianza es
Aplicaciones:
Ejercicio:
En el presupuesto familiar, la porción que se dedica a salud sigue
una distribución Beta (2,2).
¿Cuál es la probabilidad de que se gaste más del 25% del
presupuesto familiar en salud?
¿Cuál será el porcentaje medio que las familias dedican a la
compra de productos y servicio de salud?
Beta (p,q)
p=2,00
q=2,00
X=0,25
Media= 0,50
Varianza=0,050
Teniendo en cuenta la distribución beta, la probabilidad de que se
gaste mas de la cuarta parte del presupuesto en salud será 0,84
y el porcentaje medio que las familias dedican a la compra de
productos y servicios de salud será el 50%.
Llamada en honor a Augustin Cauchy y Hendrik Lorentz, es una
distribución de probabilidad continua. En estadística llamada
distribución de Cauchy (a veces también distribución de
Lorentz) es una distribución de probabilidad continua cuya
función de densidad es
Esperanza:
Varianza:
La distribución se denomina distribución de Student o
distribución “t”.Esta Distribución es simétrica con respecto del
origen, es más achatada que la normal y adopta diferentes
formas, según el número de grados de libertad.
La variable t se extiende desde -a +, y medida que aumenta
los (n -1) grados de libertad la distribución “t” se aproxima en
su forma a una distribución normal.
𝐗 𝐗
𝐓= =
𝐘 𝟏 𝐧
σ 𝐗𝐢𝟐
𝐧 𝐢=𝟏
𝐧+𝟏 − 𝐧+𝟏 /𝟐
𝚪 𝐭𝟐
𝐟 𝐭 = 𝟐 𝟏+
𝟏 𝐧
𝐧𝛑𝚪
𝟐
Con -<t<+
Como propiedades posee las siguientes:
Esperanza: E(T)= 0
Varianza:
Aplicación:
Demostración:
t=0t=0 t=0
𝑟𝑝𝑟 𝑞 𝑟𝑞
= =
𝑝𝑟+1 𝑝
𝑟𝑞
Varianza: Var(X) =
𝑝2
Demostración:
𝑑 2 𝑔ሺ𝑡) 𝑑 𝑟𝑝𝑟 𝑞𝑒 𝑡
E (𝑋 2 ) = = ( )
𝑑𝑡 2 𝑑𝑡 ሺ 1−𝑞𝑒 𝑡 )𝑟+1
t=0 t=0
𝑟𝑝𝑟 𝑞𝑒 𝑡 ሺ 1−𝑞𝑒 𝑡 )𝑟+1 − 𝑟𝑝𝑟 𝑞𝑒 𝑡 𝑟 + 1 ሺ 1−𝑞𝑒 𝑡 )𝑟 ሺ−𝑞𝑒 𝑡 )
=
ሺ 1−𝑞𝑒 𝑡 )2𝑟+2
t=0
𝑟𝑝𝑟+1 𝑞+ 𝑟𝑝𝑟 𝑞2 𝑟2 𝑞2 𝑟2 𝑞2
Var (X) = E(𝑋 ) - (E(X)) =
2 2
+ -
𝑝𝑟+2 𝑝2 𝑝2
𝑟𝑝𝑟 𝑞+ 𝑝+𝑞 𝑟 𝑝𝑟 𝑞 𝑟𝑞
= = =
𝑝𝑟+2 𝑝𝑟+2 𝑝2
Aplicaciones:
La solución es:
Dadas las variables X1, X2 , X3 , . . . . . . . ,Xn de tipo N(0,1) e
independientes, se llama variables X2 de pearson con n
grados de libertad a la variable definida por:
1 𝑛 −𝑥
𝑛 𝑥 2 −1 𝑒2 𝑠𝑖 𝑥 > 0
𝑛
𝑓 𝑥 = 22 𝑇
2
0 𝑠𝑖 𝑥 ≤ 0
𝑛 1
𝑥𝑛2 = 𝛾 ,
2 2
Esta Distribución posee las siguientes propiedades
Esperanza: 𝑬ሺ𝑿) = 𝒏
𝒏/𝟐
𝑬 𝑿 = =𝒏
𝟏/𝟐
Varianza: 𝜌2 = 𝑉𝑎𝑟 𝑋 = 2𝑛
𝑛/2
𝑉𝑎𝑟 𝑋 = = 2𝑛.
1/2 2
Aplicaciones:
Esperanza: E (𝑥𝑖 ) = n 𝑝𝑖
ð𝑔ሺ 𝑡1 ,…,𝑡𝑘 ) ð𝑔
Demostración: E (𝑥𝑖 ) = = ሺ𝑝𝑗 𝑒 𝑡𝑗 )𝑛
ð𝑡𝑖 ð𝑡𝑖
tk=0 tk=0
ð2 𝑔ሺ 𝑡1 ,…,𝑡𝑘 )
Demostración: E (𝑋𝑖2 ) = =𝑛2 𝑝𝑖2 -𝑛𝑝𝑖2 + 𝑛𝑝𝑖
ð𝑡𝑖2
tk=0
Var (𝑥𝑖 ) = E (𝑋𝑖2 ) – E (𝑥𝑖 ))2 = 𝑛2 𝑝𝑖2 - 𝑛𝑝𝑖2 + 𝑛𝑝𝑖 − 𝑛2 𝑝𝑖2
= n 𝑝𝑖 ሺ1 − 𝑝𝑖 )
Aplicaciones:
Ejercicio:
Las probabilidades son de 0.40, 0.20, 0.30 y 0.10,
respectivamente, de que un delegado de una importante empresa
Venezolana llegue por aire a una cierta convención, llegue en
autobús, en automóvil o en tren. ¿Cuál es la probabilidad de que
entre 9 delegados seleccionados aleatoriamente en esta
convención a) 3 hayan llegado por aire, 3 en autobús, 1 en auto y
2 en tren?, b) 4 hayan llegado por aire, 1 en autobús y 2 en auto?,
Solución:
a) n = 9
x1= # de delegados que llegan por aire = 3
x2= # de delegados que llegan en autobús = 3
x3= # de delegados que llegan en auto = 1
x4= # de delegados que llegan en tren = 2
9!
p( x1 3, x2 3, x3 1, x4 2; n 9 ) ( 0.40 )3 ( 0.20 )3 ( 0.30 )1( 0.10 )2 0.0077414
3!3!1!2!
b) n=9
x1 = 4 por aire; p1 = 0.40
x2 = 1 en autobús; p2 = 0.20
x3 = 2 en auto; p3 = 0.30
x4 = 2 en tren; p4 = 0.10
9!
p( x1 4, x2 1, x3 2, x4 2; n 9 ) ( 0.40 )4 ( 0.20 )1( 0.30 )2 ( 0.30 )2 0.15676
4!1!2!2!
Una variable con distribución F es siempre positiva por lo tanto
su campo de variación es 0 " F " "
La distribución de la variable es asimétrica, pero su asimetría
disminuye cuando aumentan los grados de libertad del
numerador y denominador.
Hay una distribución F por cada par de grados de libertad.
Parámetros: Grados de libertad asociados al numerador y
denominador
1 𝑚
σ𝑖=1 𝑋𝑖 2
𝐹=𝑚
1 𝑛
σ 𝑌𝑖 2
𝑛 𝑖=1
𝐧
𝐄 𝐗 =
𝐧−𝟐
Aplicaciones:
Esperanza:
Varianza:
Espeanza:
Aplicaciones:
1
Entonces ∼ 𝑁𝑃 ሺ𝜇, Г ) y V ∼ 𝑊𝑝 ሺ𝑛 − 1, Г)
𝑛
𝑢𝑡 𝐷𝑢
Demostración como 𝑢𝑡 Du ∼ 𝑊1 ሺ𝑛, 𝑢𝑡 Г𝑢) , ∼ 𝑊1 𝑛, 1 = 𝑥𝑛2
𝑢𝑡 Г𝑢
se
𝑢𝑡 Г−1 𝑢 2
puede demostrar también que ∼ 𝑋𝑛−𝑝+1 .
𝑢𝑡 𝐷−1 𝑢
Aplicaciones:
Esperanza:
Sustituyendo:
Nótese que para la función impar
Aplicación:
Esperanza:
Varianza:
La distribución de Weibull es una distribución de
probabilidad continua. Recibe su nombre de Waloddi Weibull,
que la describió detalladamente en 1951, aunque fue
descubierta inicialmente por Fréchet (1927) y aplicada por
primera vez por Rosin y Rammler (1933) para describir la
distribucion de los tamaños de determinadas partículas.
Demostración:
1 x
= E[X] =
xf ( x)dx xx
0
e dx
Mediante la sustitución
se obtiene 1
e dy
1/ y
y
0
Y finalmente = -1/(1+1/)
Aplicaciones:
♦ Análisis de la supervivencia
♦ En ingeniería, para modelar procesos estocásticos
relacionados con el tiempo de fabricación y distribución de
bienes
♦ Teoría de valores extremos
♦ Para modelar la distribución de la velocidad del viento
♦ En telecomunicaciones
♦ En sistemas de radar para simular la dispersión de la
señal recibida
♦ En seguros, para modelar el tamaño de las pérdidas
La distribución Erlang es una distribución continua, que tiene un
valor positivo para todos los números reales mayores que cero,
y está dada por dos parámetros: la forma k, que es un entero
no negativo, y la tasa λ, que es un número real no negativo. La
distribución a veces se definen utilizando el inverso del
parámetro de tasa, la escala θ. Se utiliza la distribución Erlang
para describir el tiempo de espera hasta el suceso número k en
un proceso de Poisson. El parámetro de escala θ es
equivalente a la media de una distribución exponencial, y el
parámetro de forma k es equivalente al numero de eventos
distribuidos exponencialmente. Cuando el parámetro de forma k
es igual a 1, la distribución se reduce a la distribución
exponencial.
ParaX >0
Esperanza, E(X) = k / λ
Varianza, V(X) = k / λ2
𝛌𝐞−𝛌𝐱 𝛌𝐱 𝐤−𝟏 ∞
Esperanza: 𝐅 𝐱
𝐤−𝟏 !
= 𝑬 𝒙 = 𝑭𝒙 𝟎ሺ𝑿) 𝒅𝒙 = 𝑬 𝒙 =
∞ 𝝀𝒆−𝝀𝒙 ሺ𝝀𝒙)𝒌−𝟏 ∞ 𝑿𝝀𝒆−𝝀𝒙 𝝀𝑲−𝟏 𝑿𝑲−𝟏
𝒙 𝟎 𝒅𝒙 𝑬 𝒙 = 𝟎 𝒅𝒙 = 𝑬 𝒙 =
𝒌−𝟏 ! 𝒌−𝟏 !
∞ 𝒆−𝝀𝒙 𝝀𝑲 𝑿𝑲 𝝀 ∞ −𝝀𝒙 𝑲 𝝀𝒌 ∞ 𝒕 𝒅𝒕
𝟎 𝒅𝒙=𝑬 𝑿 = 𝒆 𝑿 𝒅𝒙 𝑬 𝒙 = 𝒆 −𝒕 ሺ )𝒌 =𝑬 𝒙 =
𝒌−𝟏 ! 𝑲−𝟏 ! 𝟎 𝑲−𝟏 ! 𝟎 𝝀 𝝀
𝟏 𝟏 𝟏 𝟏 𝟏
𝚪ሺ𝒏)=𝑬 𝒙 = 𝚪ሺ𝒌 + 𝟏)=𝚪 𝒏 + 𝟏 = 𝒏𝚪ሺ𝒏)=𝑬 𝒙 = 𝒌𝚪ሺ𝒌)=𝑬 𝒙 =
𝑲−𝟏 ! 𝝀 𝑲−𝟏 ! 𝝀 𝑲−𝟏 !
𝟏 𝒌
𝐤 𝒌 − 𝟏 !=𝑬 𝒙 =𝝀
𝑲−𝟏 ! 𝝀
V
∞ ∞ 𝝀𝒆−𝝀𝒙 ሺ𝝀𝒙)𝒌−𝟏 ∞ 𝒙𝟐 𝝀𝒆−𝝀𝒙 𝝀𝑲−𝟏 𝑿𝑲−𝟏
Varianza: 𝑬 𝒙𝟐 = 𝑭 𝟐𝒙 𝟎ሺ𝑿) 𝒅𝒙 = 𝟐𝒙 𝟎 𝒌−𝟏 !
𝒅𝒙 = 𝟎 𝒌−𝟏 !
𝒅𝒙
∞ −𝝀𝒙 ∞
𝟐
𝒆 𝝀𝑲 𝑿𝑲+𝟏 𝝀𝒌
−𝝀𝒙 𝑲+𝟏
𝑬 𝒙 =න 𝒅𝒙 = න 𝒆 𝑿 𝒅𝒙
𝟎 𝒌−𝟏 ! 𝑲−𝟏 ! 𝟎
𝑬 𝒙𝟐
𝝀𝒌 𝟏 ∞ −𝒕 𝒌+𝟏 𝝀𝒌 ∞
−𝒕 𝒏−𝟏
𝝀𝒌
= න 𝒆 𝒕 𝒅𝒕 = න 𝒆 𝒕 𝒅𝒕 = 𝚪ሺ𝒏)
𝑲 − 𝟏 ! 𝝀𝒌+𝟏 𝝀 𝟎 𝑲 − 𝟏 ! 𝝀𝒌 𝝀𝝀 𝟎 𝑲 − 𝟏 ! 𝝀𝟐
𝟏 𝟏 𝟏
𝑬 𝒙𝟐 = 𝚪 𝒌 + 𝟐 = 𝒌 + 𝟐 − 𝟏 ! = 𝒌+𝟏
𝑲 − 𝟏 ! 𝝀𝟐 𝑲 − 𝟏 ! 𝝀𝟐 𝑲 − 𝟏 ! 𝝀𝟐
𝒌+𝟏 𝒌 𝒌 𝒌𝟐 +𝒌 𝒌𝟐 𝒌𝟐 +𝒌−𝒌𝟐 𝒌
Var(x)= E (𝒙𝟐 ) − ሺ𝑬 𝒙 )𝟐 = – ሺ 𝝀 )𝟐 = − = = 𝝀𝟐
𝝀𝟐 𝝀𝟐 𝝀𝟐 𝝀𝟐
Aplicaciones:
Solución:
X: Lapso que ocurre hasta que la pieza sufre el segundo ciclo
de esfuerzo, en horas.
k=2
l=2 ciclos/100 horas → l=0.02
P(X)=