Introduccin

Hay una diferencia esencial entre variables discretas y continuas: mientras que la probabilidad de que una variable discreta un valor concreto del espacio muestral es mayor que 0, la probabilidad de que una variable aleatoria continua tome un valor concreto es siempre 0. Una distribucin de probabilidad indica toda la gama de valores que pueden representarse como resultado de un experimento. Una distribucin de probabilidad es similar al distribucin de frecuencias relativas .Si embargo, en vez de describir el pasado, describe la probabilidad que un evento se realice en el futuro, constituye una herramienta fundamental para la prospectiva, puesto que se puede disear un escenario de acontecimientos futuros considerando las tendencias actuales de diversos fenmenos naturales. VARIABLE ALEATORIA Dado un experimento aleatorio cualquiera cuyos sucesos elementales posibles pueden identificarse fcilmente mediante un nmero real, se denomina Variable Aleatoria, X, al conjunto de estos nmeros. Tambin se le llama variable de azar o variable estocstica, y significa cantidad que puede tomar varios valores imprevistos. Ejemplo 1.- Sea el experimento aleatorio de lanzar un dado al aire. Los posibles resultados del experimento (sucesos elementales) son los siguientes: <<que salga 1>>, <<que salga 2>>, <<que salga 3>>, <<que salga 4>>, <<que salga 5>> y <<que salga 6>>. Resulta sencillo asociar a cada suceso elemental el nmero correspondiente a la cara del dado que haya salido. Por tanto, la variable aleatoria, X, ser: X= 1,2,3,4,5,6 Por el contrario, si dado un experimento aleatorio cualquiera no resulta inmediata la asociacin de un nmero para cada uno de los posibles sucesos elementales, se establece una correspondencia entre el conjunto de los posibles sucesos elementales y el conjunto de los nmeros reales, de manera que a cada suceso elemental le corresponda un nmero real arbitrario y que a sucesos elementales distintos les correspondan nmeros distintos. Se denomina variable aleatoria al conjunto imagen de esta correspondencia, es decir, al conjunto de los nmeros reales que se hayan hecho corresponder a cada uno de los sucesos elementales. Ejemplo 2.- Sea el experimento aleatorio de averiguar la marca de tabaco que preferir un individuo entre las posibles marcas: <<X>>, <<Y>>, <<Z>>. En este caso la asociacin de un nmero para cada suceso elemental posible del experimento no es inmediata. En consecuencia, se establece una correspondencia entre el

15

conjunto de los sucesos elementales posibles y el conjunto de los nmeros reales, del modo siguiente: Al suceso elemental <<preferir la marca X>> se le hace corresponder el nmero 1; al suceso elemental <<preferir la marca Y>> se le hace corresponder el nmero 2; al suceso elemental <<preferir la marca Z>> se le hace corresponder el nmero 3. La variable aleatoria X ser: X = (1,2,3). El nmero asociado a cada suceso elemental puede ser cualquiera dentro del conjunto de los nmeros reales, con la condicin nica de que a sucesos elementales distintos le correspondan nmeros tambin distintos. Se comprueba fcilmente que la correspondencia as definida entre el conjunto de los posibles sucesos elementales de un experimento aleatorio y el conjunto de los nmeros reales es una aplicacin inyectiva.

Distribucion de probabilidad de una variable aleatoria continua

La distribucin de probabilidad para una VAC se pude entender como una funcin de densidad de probabilidades. Esta funcin de densidad es una medida de la concentracin de la probabilidad dentro de un intervalo.

Una diferencia fundamental separa a las variables aleatorias discretas de las variables aleatorias continuas en trminos de cmo de calculan sus probabilidades. Para una variable aleatoria discreta, la funcin de probabilidad f(x) proporciona la probabilidad de que la variable aleatoria tome un valor particular. Con las variables aleatorias continuas, la contraparte de la funcin de probabilidad es la funcin de densidad de probabilidad, que tambin se denota como f(x). La diferencia es que la funcin de densidad de probabilidad no da directamente las probabilidades, sino que da la probabilidad de que la variable aleatoria continua tome un valor dentro de un intervalo determinado. Otra cosa importante a notar es que para las funciones de densidad de variables aleatorias continuas, la probabilidad de cualquier valor particular de la variable aleatoria es cero, porque el rea de cualquier punto determinado en la grfica es cero. La funcin de densidad de probabilidad uniforme se expresa como sigue:

1 f ( X) = b a 0

pr a aa

X b

e c a u ror p re n u lq ie t a at

Valor esperado y varianza de una VAC.

15

El clculo de la varianza y del valor esperado para una variable aleatoria continua es anlogo al de una variable aleatoria discreta. Sin embargo, como en el proceso de determinacin interviene el clculo integral, no se entrar en detalles con respecto a la deduccin de las ecuaciones. Para una distribucin continua de probabilidad uniforme, las ecuaciones para el valor esperado (media) y para la varianza son:

VALOR ESPERADO DE UNA DISTRIBUCIN DE PROBABILIDAD CONTINUA VARIANZA DE UNA DISTRIBUCIN DE PROBABILIDAD CONTINUA
DESVIACIN ESTNDAR

E (x)=

a +b 2

2=

(b - a)2 12 = 2

DE UNA DISTRIBUCIN DE PROBABILIDAD

Distribucin t de Student
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de probabilidad que surge del problema de estimar la media de una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo. sta es la base de la popular prueba t de Student para la determinacin de las diferencias entre dos medias muestrales y para la construccin del intervalo de confianza para la diferencia entre las medias de dos poblaciones. La distribucin t surge, en la mayora de los estudios estadsticos prcticos, cuando la desviacin tpica de una poblacin se desconoce y debe ser estimada a partir de los datos de una muestra.

Parmetros

grados de libertad (real)

15

Dominio Funcin de densidad (pdf) Funcin de distribucin (cdf) Media Mediana Moda Varianza Coeficiente de simetra

donde es la funcin hipergeomtrica 0 para > 1, indefinida para otros valores 0 0 para > 2, indefinida para otros valores 0 para > 3

Aplicaciones de la dist de probabilidad t-student La prueba t-Student se utiliza para contrastar hiptesis sobre medias en poblaciones con distribucin normal. Tambin proporciona resultados aproximados para los contrastes de medias en muestras suficientemente grandes cuando estas poblaciones no se distribuyen normalmente (aunque en este ltimo caso es preferible realizar una prueba no paramtrica).

Distribucin gamma

15

. En estadstica la distribucin gamma es una distribucin de probabilidad continua con dos parmetros k y cuya funcin de densidad para valores x > 0 es

Aqu e es el nmero e y es la funcin gamma. Para valores enteros la funcin gamma queda como (k) = (k 1)! (siendo ! la funcin factorial). En este caso por ejemplo para describir un proceso de Poisson - se llama distribucin Erlang con un parmetro = 1 / . El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son E[X] = k / = k V(X) = k / 2 = k2 Relaciones El tiempo hasta que el suceso nmero k ocurre en un Proceso de Poisson de intensidad es una variable aleatoria con distribucin gamma. Eso es la suma de k variables aleatorias independientes de distribucin exponencial con parmetro .

Aplicacin de la dist de probabilidad gamma

15

Los tiempos que tardan en revisar un motor de un automvil avin tienen una distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas variables aleatorias frecuentemente tienen distribuciones que se pueden modelar adecuadamente por la funcin de densidad tipo gamma. Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:

En donde:

La cantidad de la de la funcin alfa se conoce como la funcin gamma. La integracin directa nos da que la funcin uno igual a uno. La integracin por partes nos da que la funcin de alfa menos uno alfa menos uno por la funcin alfa menos uno para cualquier intervalo de alfa mayor o igual a uno y que la funcin de n sea igual a n menos uno factorial, para un nmero entero n. En el caso especial cuando alfa es un nmero entero, se puede expresar la funcin de distribucin de una variable aleatoria tipo gamma como una suma de ciertas variables aleatorias de Poisson. Si alfa no es un nmero entero, es imposible encontrar la antiderivada del integrando de la expresin:

donde

Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo gamma mediante integracin directa. Hay dos casos especiales de las variables aleatorias tipo gamma que merece consideracin particular:

15

Una variable aleatoria tipo gamma que tiene una funcin de densidad con parmetros alfa igual a v entre dos y beta igual a dos se denomina variable aleatoria ji - cuadrada. Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El parmetro v se denomina nmero de grados de libertad asociado a la variable aleatoria ji - cuadrada. La funcin de densidad gamma para el caso especial v = 1 se denomina funcin de densidad exponencial.

En cualquier punto. La funcin de densidad exponencial muchas veces es til en los modelos de duracin de componentes elctricos.

Distribucin de probabilidad Beta

Beta Funcin de densidad de probabilidad

Parmetros Dominio

> 0 forma > 0 forma (real)

(real)

15

Funcin densidad (pdf)

de

Funcin de distribucin (cdf) Media Mediana

Moda 1 Varianza

para > 1, >

La distribucin de probabilidad beta es una funcin de densidad con dos parmetros definida en el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como modelo para fracciones, tal como la proporcin de impurezas en un producto qumico o la fraccin de tiempo que una maquina est en reparacin. Funcin de densidad probabilidad:

Modelo matematico

15

En cualquier otro punto donde

Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si c<= y <= d, y = (y- c) / (d- c) definir una nueva variable en el intervalo 0<= y <= 1. As la funcin de densidad beta se puede aplicar a una variable aleatoria definida en el intervalo c<= y <= d mediante una traslacin y una medicin en la escala. La funcin de distribucin acumulativa para la variable aleatoria beta se llama comnmente funcin beta y esta dada por

Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la funcin de probabilidad binomial. Cuando y = p, se puede demostrar que

En donde 0< p < 1 y n igual a alfa ms beta menos uno. Aplicaciones Se utiliza frecuentemente como modelo para fracciones, tal como la proporcin de impurezas en un producto qumico o la fraccin de tiempo que una maquina est en reparacin.

DISTRIBUCION JI-CUADRADA (X2) En realidad la distribucin ji-cuadrada es la distribucin muestral de s2. O sea que si se extraen todas las muestras posibles de una poblacin normal y a cada muestra se le calcula su varianza, se obtendr la distribucin muestral de varianzas.

15

Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico X2. Si se elige una muestra de tamao n de una poblacin normal con varianza , el estadstico:

tiene una distribucin muestral que es una distribucin ji-cuadrada con gl=n-1 grados de libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta dado por:

donde n es el tamao de la muestra, s2 la varianza muestral y la varianza de la poblacin de donde se extrajo la muestra. El estadstico ji-cuadrada tambin se puede dar con la siguiente expresin:

Propiedades de las distribuciones ji-cuadrada

1. Los valores de X2 son mayores o iguales que 0. 2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un

3.
4. 5. 6.

nmero infinito de distribuciones X2. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la derecha; esto es, estn sesgadas a la derecha. Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1). El valor modal de una distribucin X2 se da en el valor (n-3).

La siguiente figura ilustra tres distribuciones X2. Note que el valor modal aparece en el valor (n-3) = (gl-2).

15

La funcin de densidad de la distribucin X2 esta dada por: Modelo matemtico

para x>0 La tabla que se utilizar para estos apuntes es la del libro de probabilidad y estadstica de Walpole, la cual da valores crticos (gl) para veinte valores especiales de . Para 2 denotar el valor crtico de una distribucin X con gl grados de libertad se usa el smbolo (gl); este valor crtico determina a su derecha un rea de bajo la curva X2 y sobre el eje horizontal. Por ejemplo para encontrar X20.05(6) en la tabla se localiza 6 gl en el lado izquierdo y a o largo del lado superior de la misma tabla.

Parmetros Dominio Funcin densidad (pdf) de

grados de libertad

Funcin de distribucin (cdf) Media Mediana aproximadamente

15

Moda Varianza Coeficiente simetra de

if

Distribucin f de Fisher
Usada en teora de probabilidad y estadstica, la distribucin F es una distribucin de probabilidad continua. Tambin se la conoce como distribucin F de Snedecor o como distribucin F de Fisher-Snedecor. Una variable aleatoria de distribucin F se construye como el siguiente cociente:

donde

U1 y U2 siguen una distribucin ji-cuadrada con d1 y d2 grados de libertad respectivamente, y U1 y U2 son estadsticamente independientes.

La distribucin F aparece frecuentemente como la distribucin nula de una prueba estadstica, especialmente en el anlisis de varianza. Vase el test F. La funcin de densidad de una F(d1, d2) viene dada por

para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es la funcin beta.

15

La funcin de distribucin es

Moda

para d1 > 2

Varianza

para d2 > 4

Media

para d2 > 2

Aplicaciones distribucin Fisher Recibi este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la estadstica moderna. Esta distribucin de probabilidad se usa como estadstica prueba en varias situaciones. Se emplea para probar si dos muestras provienen de poblaciones que poseen varianzas iguales. Esta prueba es til para determinar si una poblacin normal tiene una mayor variacin que la otra y tambin se aplica cuando se trata de comparar simultneamente varias medias poblacionales. La comparacin simultnea de varias medias poblacionales se conoce como anlisis de varianza (ANOVA). En ambas situaciones, las poblaciones deben ser normales y los datos tener al menos la escala de intervalos. Caractersticas de la distribucin F

15

1. 1. Existe una "familia" de distribuciones F. Un miembro especfico de la familia se determina por dos parmetros: los grados de libertad en el numerador y en el denominador . Existe una distribucin F para la combinacin de 29 grados de libertad en el numerador y 28 grados en el denominador. Existe otra distribucin F para 19 grados en el numerador y 6 en el denominador. 2. 2. 3. 3. 4. 4. La distribucin F es una distribucin continua. F no puede ser negativa La distribucin F tiene un sesgo positivo

5. 5. A medida que aumentan los valores, la curva se aproxima al eje x, pero nunca lo toca S12 2 2 La distribucin F esta relacionada con el cociente de varianzas S 2 . En donde S1 y S 2 2 son las varianzas muestrales tienen una distribucin con grados de libertad (n - 1). Entonces podemos decir que:

como S 2 ( n 1) = 2
2

S12 (n 1) 12 (n 1) S12 F= 2 S 2 (n 1) 12 2 2 2 S2 2 (n 1) = 2

15

Distribucin de Weibull
La variable aleatoria X tiene distribucin de Weibull de parmetros a > 0 y b > 0 si su funcin de densidad es

La funcin de distribucin, o de probabilidad acumulada, es

Igual que en el caso de la distribucin exponencial, la de Weibull se suele utilizar como modelo paramtrico en problemas de anlisis de supervivencia. En este mbito, es de inters la probabilidad de que se presente el fallo o muerte despus de transcurrido un tiempo x; de ah que se defina la funcin de supervivencia

Por ltimo, la esperanza y la varianza de esta distribucin son, respectivamente,

donde

es la funcin gamma de Euler, con p > 0. Aplicaciones de la dist Weibull El anlisis de fallos de Weibull es una herramienta importante para mejorar la fiabilidad. Este documento ofrece al lector los conceptos Weibull y le ensea la aplicacin prctica de

15

las tcnicas de Weibull para determinar las estrategias de mantenimiento. El lector aprender cmo utilizar Weibull para identificar los mecanismos de fallos presentes en sus instalaciones y qu estrategias de mantenimiento son adecuadas para abordar los mecanismos de fallos.

Bibliografa

De Wikipedia, la enciclopedia libre

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_gamma

De Wiki peda, la enciclopedia libre

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_beta

http://html.rincondelvago.com/distribuciones-estadisticas.html

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_F

http://www.itchihuahuaii.edu.mx/academico/CB/MEG/documentos/1.9.htm http://www.skf.com/portal/skf/home/aptitudexchange? contentId=0.339127.339128.339129.339141.345424

15

http://es.wikipedia.org/wiki/Distribuci%C3%B3n_F

15