You are on page 1of 38

DANIEL CASTILLO QUINTO ELECTRNICA

CONSULTA N 01
TEMA: DISTRIBUCIONES DE PROBABILIDAD
1. DISTRIBUCION NORMAL
Esta distribucin es frecuentemente utilizada en las aplicaciones estadsticas. Su propio nombre indica su
extendida utilizacin, justificada por la frecuencia o normalidad con la que ciertos fenmenos tienden a
parecerse en su comportamiento a esta distribucin.

Muchas variables aleatorias continuas presentan una funcin de densidad cuya grfica tiene forma de
campana.

En otras ocasiones, al considerar distribuciones binomiales, tipo B (n,p), para un mismo valor de p y valores
de n cada vez mayores, se ve que sus polgonos de frecuencias se aproximan a una curva en "forma de
campana".

En resumen, la importancia de la distribucin normal se debe principalmente a que hay muchas variables
asociadas a fenmenos naturales que siguen el modelo de la normal.
- Caracteres morfolgicos de individuos (personas, animales, plantas,) de una especie, p. ejm.
Tallas, pesos, envergaduras, dimetros, permetros
- Caracteres fisiolgicos, por ejemplo; efecto de una misma dosis de un frmaco, o de una misma
cantidad de abono.
- Caracteres sociolgicos, por ejemplo: consumo de cierto producto por un mismo grupo de
individuos, puntuaciones de examen.
- Caracteres psicolgicos, por ejemplo: cociente intelectual, grado de adaptacin a un medio.
- Errores cometidos al medir ciertas magnitudes.
- Valores estadsticos maestrales, por ejemplo: la media.
- Otras distribuciones como la binomial o la de Poisson son aproximaciones normales.
Y en general cualquier caracterstica que se obtenga como suma de muchos factores.
Una variable aleatoria continua, X, sigue una distribucin normal de media y desviacin tpica , y se
designa por N (, ), si se cumplen las siguientes condiciones:





DANIEL CASTILLO QUINTO ELECTRNICA
1. La variable puede tomar cualquier valor: (-, +)
2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de la curva de Gauss:


CURVA DE LA DISTRIBUCION NORMAL

El campo de existencia es cualquier valor real, es decir, (-, +).
Es simtrica respecto a la media .
Tiene un mximo en la media .
Crece hasta la media y decrece a partir de ella.
En los puntos y + presenta puntos de inflexin.
El eje de abscisas es una asntota de la curva.
El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad.
Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra igual a
0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva.
p( - < X + ) = 0.6826 = 68.26 %
p( - 2 < X + 2) = 0.954 = 95.4 %
p( - 3 < X + 3) = 0.997 = 99.7 %






DANIEL CASTILLO QUINTO ELECTRNICA
Funcin distribucin de probabilidad

Funcin densidad de probabilidad









DANIEL CASTILLO QUINTO ELECTRNICA
FUNCION DE DISTRIBUCION ACUMULADA
Definicin. La funcin de distribucin acumulada de la distribucin normal es:


Desafortunadamente no existe una solucin exacta para la integral, por lo que su evaluacin solamente
puede obtenerse utilizando mtodos de aproximacin (numricos), y aun as la evaluacin tendra que
realizarse para cada par (m, s).
Tomando en cuenta lo anterior y que y que las medidas a las que se aplica la distribucin normal son de
ndoles muy diversas, como comportamiento de pesos, estaturas, longitudes, coeficiente de inteligencia,
sueldos, producciones, vida de productos, etc., la solucin para cada par de datos sera muy laboriosa y
complicada.
Para que todos los conceptos se puedan reducir a un solo esquema, es necesario que la media y desviacin
estndar de la distribucin normal estn fijos, de modo que la distribucin permanezca invariable. Esto se
logra mediante un cambio de escala, transformando los valores reales de la distribucin (x) a valores de
desviacin estndar, los cuales reciben el nombre de valores estandarizados.
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el valor cero,
= 0, y por desviacin tpica la unidad, =1.
Su funcin de densidad es:

Su grfica es:






DANIEL CASTILLO QUINTO ELECTRNICA
La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y para calcularla
utilizaremos una tabla.
Tipificacin de la variable
Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribucin N(, ) en
otra variable Z que siga una distribucin N(0, 1).


z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015





DANIEL CASTILLO QUINTO ELECTRNICA
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
3 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993





DANIEL CASTILLO QUINTO ELECTRNICA
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998
3.6 0.9998 0.9998 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.7 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.8 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999 0.9999
3.9 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000


EJERCICIO
Tras un test de cultura general se observa que las puntuaciones obtenidas siguen una distribucin una
distribucin N(65, 18). Se desea clasificar a los examinados en tres grupos (de baja cultura general, de
cultura general aceptable, de excelente cultura general) de modo que hay en el primero un 20% la poblacin,
un 65% el segundo y un 15% en el tercero. Cules han de ser las puntuaciones que marcan el paso de un
grupo al otro?









DANIEL CASTILLO QUINTO ELECTRNICA


Baja cultura hasta 49 puntos.
Cultura aceptable entre 50 y 83.
Excelente cultura a partir de 84 puntos.


2. DISTRIBUCION DE POISSON
En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad
discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un
determinado nmero de eventos durante cierto perodo de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeas, o sucesos "raros".

El eje horizontal es el ndice k. La funcin solamente est
definida en valores enteros de k. Las lneas que conectan los
puntos son solo guas para el ojo y no indican continuidad.
Funcin de probabilidad





DANIEL CASTILLO QUINTO ELECTRNICA

El eje horizontal es el ndice k.
Funcin de distribucin de probabilidad

Tanto el valor esperado como la varianza de una variable aleatoria con distribucin de Poisson son iguales
a . Los momentos de orden superior son polinomios de Touchard en cuyos coeficientes tienen una
interpretacin combinatorio. De hecho, cuando el valor esperado de la distribucin de Poisson es 1,
entonces segn la frmula de Dobinski, el n-simo momento iguala al nmero de particiones de tamao n.
En este tipo de experimentos los xitos buscados son expresados por unidad de rea, tiempo, pieza, etc, etc:
- # de defectos de una tela por m
2

- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o producto, la frmula
a utilizar sera:







DANIEL CASTILLO QUINTO ELECTRNICA
donde:
p(x, l) = probabilidad de que ocurran x xitos, cuando el nmero promedio de ocurrencia de ellos es l
l = media o promedio de xitos por unidad de tiempo, rea o producto
e = 2.718
x = variable que nos denota el nmero de xitos que se desea que ocurra

FUNCION ACUMULATIVA DE POISSON
Si X es una variable aleatoria que tiene distribucin de Posson con parmetro l, entonces:
La funcin de distribucin acumulada correspondiente es:

En muchos casos el clculo de probabilidades de variables aleatorias que se apegan a una distribucin
de Poisson es largo y tedioso. En donde sea posible, al igual que en la distribucin Binomial, se puede hacer
uso de las tablas que vienen en el apndice, las cuales se basan en la funcin de distribucin acumulada y
tan slo hay que aplicar las propiedades ya vistas para esta funcin para simplificar los clculos.

Para efectos de representacin y un mayor control de los datos que intervienen en la tabla, haremos
que

EJERCICIO
Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las probabilidades de que reciba,
a) cuatro cheques sin fondo en un da dado, b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
a) x = variable que nos define el nmero de cheques sin fondo que llegan al banco en un da cualquiera
= 0, 1, 2, 3, ....., etc, etc.
l = 6 cheques sin fondo por da
e = 2.718





DANIEL CASTILLO QUINTO ELECTRNICA



b)
x= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos das consecutivos =
0, 1, 2, 3, ......, etc., etc.
l = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das consecutivos
Nota: l siempre debe de estar en funcin de x siempre o dicho de otra forma, debe hablar de lo mismo
que x.




3. DISTRIBUCION DE CAUCHY

Se dice que una variable aleatoria sigue una distribucin de Cauchy de parmetros y , y se denota
por , si su funcin de densidad viene dada por la siguiente expresin:


La variable aleatoria verifica que
, es decir, tiene como funcin de densidad





DANIEL CASTILLO QUINTO ELECTRNICA



La distribucin Cauchy es utilizada en teora de estadsticos ordenados y como distribucin a priori de leyes
de probabilidad en modelos bayesianos. Modela tambin las duraciones de actividades sobre las que no
existe suficiente informacin en el anlisis de mtodos Pert de secuenciacin de actividades.






Cauchy-Lorentz

La lnea verde es la distribucin estndar de Cauchy
Funcin de densidad de probabilidad





DANIEL CASTILLO QUINTO ELECTRNICA

Leyenda de colores para la PDF de la imagen superior
Funcin de distribucin de probabilidad
Parmetros (real)
escala (real)
Funcin de
densidad (pdf)

Funcin de
distribucin (cdf)

Media no definida
Mediana

Moda

Varianza no definida
Curtosis no definida





DANIEL CASTILLO QUINTO ELECTRNICA
Entropa

Funcin generadora de
momentos (mgf)
no definida
Funcin caracterstica


Funcin de distribucin
La funcin de distribucin acumulativa (CDF) es:

y la funcin inversa de distribucin acumulativa para la distribucin Cauchy es


















DANIEL CASTILLO QUINTO ELECTRNICA
4. DISTRIBUCION DE LAPLACE
Es tambin conocida como distribucin doble exponencial puesto que puede ser considerada como la
relacin las densidades de dos distribuciones exponenciales adyacentes. La distribucin de Laplace resulta
de la diferencia de dos variables exponenciales aleatorias, independientes e idnticamente distribuidas.
Laplace

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad





DANIEL CASTILLO QUINTO ELECTRNICA
Parmetros Parmetro de localizacin
(real)
Parmetro de escala
(real)
Dominio

Funcin de densidad(pdf)

Funcin de
distribucin(cdf)
ver texto
Media

Mediana

Moda

Varianza

Coeficiente de simetra

Curtosis

Entropa

Funcin generadora de
momentos (mgf)
for





DANIEL CASTILLO QUINTO ELECTRNICA
Funcin caracterstica









DANIEL CASTILLO QUINTO ELECTRNICA




5. DISTRIBUCION DE ERLANG
En estadstica, la distribucin Erlang, es una distribucin de probabilidad continua con dos
parmetros y cuyafuncin de densidad para valores es






DANIEL CASTILLO QUINTO ELECTRNICA
La distribucin Erlang es el equivalente de la distribucin gamma con el
parmetro y . Para eso es la distribucin exponencial. Se utiliza la
distribucin Erlang para describir el tiempo de espera hasta el suceso nmero en un proceso de Poisson.
Distribucin de Erlang

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros


alt.:
Dominio

Funcin de
densidad(pdf)






DANIEL CASTILLO QUINTO ELECTRNICA
Funcin de
distribucin(cdf)

Media

Mediana
Moda
for
Varianza

Coeficiente de
simetra

Curtosis

Entropa

Funcin
generadora de
momentos(mgf)
for
Funcin
caracterstica









DANIEL CASTILLO QUINTO ELECTRNICA
EJERCICIO







DANIEL CASTILLO QUINTO ELECTRNICA
6. DISTRIBUCION DE RICE
La distribucin de Nakagami-Rice se deduce tambin de la distribucin gaussiana, y generaliza la
distribucin de Rayleigh. Puede considerarse como la distribucin de la longitud de un vector que es la
suma de un vector fijo y de un vector cuya longitud tiene una distribucin de Rayleigh. De forma alternativa,
dada una distribucin gaussiana bidimensional con dos variables independientes x e y y con la misma
desviacin tpica o, la longitud de un vector que une un punto de la distribucin con un punto fijo, diferente
del centro de la distribucin, tiene una distribucin de Nakagami-Rice.
Si se designa por a la longitud del vector fijo, y o la longitud ms probable del vector de Rayleigh, la
densidad de probabilidad vendr dada por:

|
|
.
|

\
|
o
|
|
.
|

\
|
o
+

o
=
2
0
2
2 2
2
2
exp ) (
x a
I
a x x
x p

donde I0 es la funcin de Bessel modificada de primera especie y de orden cero.
Esta distribucin depende de dos parmetros, pero para las aplicaciones a los problemas de propagacin, se
deber elegir una relacin entre la amplitud a del vector fijo y la amplitud cuadrtica media
2 o
del vector
aleatorio. Esta relacin depende de la aplicacin considerada. Las dos aplicaciones principales son las
siguientes:
a) La potencia del vector fijo es constante, pero vara la potencia total de las componentes fija y
aleatoria
Si se estudia la influencia de un rayo reflejado por una superficie rugosa, o si se consideran las componentes
por trayectos mltiples adems de la componente fija, la potencia media viene dada por
) 2 (
2 2
o + a
. Esta
distribucin suele definirse en trminos de un parmetro K:

|
|
.
|

\
|
o
=
2
2
2
log 10
a
K
dB
que es la relacin entre las potencias del vector fijo y de la componente aleatoria.
b) La potencia total de las componentes fija y aleatoria es constante, pero varan ambas componentes
Si se estudia la propagacin por trayectos mltiples a travs de la atmsfera, se puede considerar que la
suma de la potencia transportada por el vector fijo y de la potencia media transportada por el vector aleatorio
es constante, puesto que la potencia transportada por el vector aleatorio proviene de la del vector fijo.
Tomando la potencia total como unidad, se obtiene, pues:





DANIEL CASTILLO QUINTO ELECTRNICA

1 2
2 2
= o + a

y la fraccin de la potencia total transportada por el vector aleatorio es, pues, igual a
. 2
2
o
Igualmente, si
se designa por X la amplitud instantnea del vector resultante y por x un valor numrico de esta amplitud,
la probabilidad de obtener un nivel instantneo superior a x viene dada por:
Prob (X > x) = 1 F(x) = ( ) v |
.
|

\
|
o
v
v v
|
|
.
|

\
|
o

o
d
2
2
exp
2
exp 2
2 /
0
2
2
2
x
a
I
a

La Fig. 4 muestra esta distribucin para diferentes valores de la fraccin de potencia transportada por el
vector aleatorio.





DANIEL CASTILLO QUINTO ELECTRNICA

1057-04
1
10
0
10
20
30
40
50
1 10 50 80 90 99 95 98
5 8 5 8 8 5
A
m
p
l
i
t
u
d

(
d
B
)
Probabilidad de que se rebase el valor en ordenadas, (1 F(x)) 100 (%)
FIGURA 4
Distribucin de Nakagami-Rice para una potencia total constante (con la fraccin
de potencia transportada por el vector aleatorio como parmetro)
99,9 99,99 99,999
0,001
0,01
0,1
0,025
0,05
0,075
0,125
0,15
0,1
0,2
0,3
0,4
0,5





DANIEL CASTILLO QUINTO ELECTRNICA
Para las aplicaciones prcticas, se ha utilizado para las amplitudes una escala en decibelios y, para las
probabilidades, una escala tal que una distribucin de Rayleigh se representa mediante una recta. Se observa
que para los valores de la fraccin de potencia del vector aleatorio superior a 0,5 aproximadamente, las
curvas se acercan a un lmite, que corresponde a una distribucin de Rayleigh. Esto se debe a que, en ese
caso, el vector fijo tiene una amplitud del mismo orden de magnitud que la del vector aleatorio y
prcticamente ya no se distingue de ste. En cambio, para pequeos valores de esta fraccin, se puede
demostrar que la distribucin de la amplitud tiende hacia una distribucin gaussiana.

7. DISTRIBUCION MULTINOMIAL
La distribucin multinomial es similar a la distribucin binomial, con la diferencia de que en lugar de dos
posibles resultados en cada ensayo, puede haber mltiples resultados:
La distribucin multinomial sigue el siguiente modelo:

Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido POPO lo hayan votado
3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1
Multinomial
Parmetros nmero de pruebas (entero)
probabilidad de un suceso
concreto ( )
Dominio







DANIEL CASTILLO QUINTO ELECTRNICA
Funcin de
densidad(pdf)

Media

Varianza


Funcin
generadora de
momentos(mgf)


FUNCION DE DISTRIBUCION ACUMULADA
La funcin de probabilidad de la distribucin multinomial es como sigue:

Para enteros no negativos x1, ..., xk.

EJERCICIO
En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italiano y el 10%
portugueses. En un pequeo grupo se han reunido 4 invitados: cual es la probabilidad de que 2 sean
espaoles y 2 italianos?
Aplicamos el modelo:





DANIEL CASTILLO QUINTO ELECTRNICA

Luego
P = 0,0384
Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases es tan slo del
3,84%.

8. DISTRIBUCION DE RAYLEIGH

La distribucin de Rayleigh se aplica a una variable continua positiva no limitada. Est ligada a la
distribucin gaussiana del modo siguiente. Dada una distribucin gaussiana bidimensional con dos
variables independientes y y z de media cero y con la misma desviacin tpica o, la variable aleatoria:

2 2
z y x + =

tiene una distribucin de Rayleigh, y el valor ms probable de x es igual a o. Como x representa la longitud
de un vector que une un punto de una distribucin gaussiana bidimensional con el centro de esta
distribucin, se puede deducir que la distribucin de Rayleigh representa la distribucin de la longitud de
un vector que es la suma de un gran nmero de vectores de pequea amplitud y cuyas fases tienen una
distribucin uniforme.
La densidad de probabilidad y la distribucin acumulativa vienen dadas por:

|
|
.
|

\
|
o

o
=
2
2
2
2
exp ) (
x x
x p


|
|
.
|

\
|
o
=
2
2
2
exp 1 ) (
x
x F

La Fig. 2 representa las funciones p(x) y F(x).





DANIEL CASTILLO QUINTO ELECTRNICA


Los valores caractersticos de la variable son los siguientes:
el valor ms probable: o
el valor mediano:
o = o 18 , 1 2 ln 2

el valor medio:
o =
t
o 25 , 1
2

el valor cuadrtico medio:
o = o 41 , 1 2

1057-02
0 1 2 3
0
p(x)
F(x)
1,0
0,8
0,6
0,4
0,2
0,5 1,5 2,5 3,5
P
r
o
b
a
b
i
l
i
d
a
d
M
o
d
a
M
e
d
i
a
n
a
M
e
d
i
a
FIGURA 2
Distribucin de Rayleigh
Variable x





DANIEL CASTILLO QUINTO ELECTRNICA
la desviacin tpica:
o =
t
o 655 , 0
2
2

Obsrvese que o es la desviacin tpica de la distribucin gaussiana asociada a la distribucin Rayleigh.
La distribucin de Rayleigh suele utilizarse nicamente en las inmediaciones del origen, es decir, para
valores bajos de x. En ese caso, se tiene:

2
2
2
) (
o
~
x
x F

Lo que se interpreta de la siguiente manera: la probabilidad de que la variable aleatoria X tenga un valor
inferior a x es proporcional al cuadrado de este valor. Si la variable considerada es una tensin, su cuadrado
representa la potencia de la seal. En otros trminos, en una escala en decibelios, la potencia disminuye 10
dB por cada dcada de probabilidad. Esta propiedad permite a menudo saber si un nivel recibido tiene una
distribucin de Rayleigh, al menos asintticamente. Sin embargo, cabe observar que otras distribuciones
pueden tener el mismo comportamiento.
En particular, la distribucin de Rayleigh se produce en los fenmenos de dispersin.
EJERCICIO
La amplitud de una seal de radar retrodifundida desde la superficie del mar sigue la distribucin =
( = 1/2)Encontrar el valor de la amplitud mnima x0 y que ocurre el 1 % de las veces.


9. DISTRIBUCION DE BERNOULLI

Consiste en realizar un experimento aleatorio una sla vez y observar si cierto suceso ocurre o no,
siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se
trata ms que de una variable dicotmica, es decir que nicamente puede tomar dos modalidades, es por
ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas obedece ms una tradicin
literaria o histrica, en el estudio de las v.a., que a la situacin real que pueda derivarse del resultado.
Podramos por tanto definir este experimento mediante una v.a. discreta Xque toma los valores X=0 si el
suceso no ocurre, y X=1 en caso contrario, y que se denota





DANIEL CASTILLO QUINTO ELECTRNICA


Un ejemplo tpico de este tipo de variables aleatorias consiste en lanzar una moneda al aire y considerar la
v.a.




Para una v.a. de Bernouilli, tenemos que su funcin de probabilidad es:




y su funcin de distribucin:







DANIEL CASTILLO QUINTO ELECTRNICA


Su funcin caracterstica es:




Los principales momentos de la X los podemos calcular directamente



o bien usando la funcin caracterstica y la proposicin de la pgina :






DANIEL CASTILLO QUINTO ELECTRNICA






EJERCICIO
Experimento Lanzar un dado y que salga 5
X = # de veces que sale un 5.
Al lanzar un dado tenemos 6 posibilidades resultados el espacio muestral es de
S=(1,2,3,4,5,6)
Se considera xito sacar un 5 entonces la probabilidad es de P=1/6
Se considera fracaso a no sacar un 5 entonces q= 1-P = 1-(1/6) = 5/6
La probabilidad de que salga un 5 viene definida en que x =1 (xito)
P(x=1) = (1/6)
1
* (5/6)
1-1
= 1/6 = 0.16
Y x=0 (fracaso)
P(x=0) = (1/6)
0
* (5/6)
1-0
= 5/6 = 0.83











DANIEL CASTILLO QUINTO ELECTRNICA
10. DISTRIBUCION JI CUADRADA
En realidad la distribucin ji-cuadrada es la distribucin muestral de s
2
. 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.
Para estimar la varianza poblacional o la desviacin estndar, se necesita conocer el estadstico X
2
. 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
X
2
(X es la minscula de la letra griega ji). El estadstico ji-cuadrada esta dado por:

donde n es el tamao de la muestra, s
2
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:

Distribucin (ji-cuadrado)






DANIEL CASTILLO QUINTO ELECTRNICA

Funcin de densidad de probabilidad

Funcin de distribucin de probabilidad
Parmetros grados de libertad
Dominio

Funcin de
densidad(pdf)

Funcin de
distribucin(cdf)

Media

Mediana
aproximadamente
Moda
if
Varianza






DANIEL CASTILLO QUINTO ELECTRNICA
Coeficiente de
simetra
Curtosis

Entropa

Funcin
generadora de
momentos(mgf)
for
Funcin
caracterstica


Propiedades de las distribuciones ji-cuadrada
1. Los valores de X
2
son mayores o iguales que 0.
2. La forma de una distribucin X
2
depende del gl=n-1. En consecuencia, hay un nmero infinito de
distribuciones X
2
.
3. El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X
2
no son simtricas. Tienen colas estrechas que se extienden a la derecha; esto
es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X
2
es n-1 y la varianza es 2(n-1).
6. El valor modal de una distribucin X
2
se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X
2
. Note que el valor modal aparece en el valor (n-3) = (gl-
2).





DANIEL CASTILLO QUINTO ELECTRNICA

La funcin de densidad de la distribucin X
2
esta dada por:
para x>0
El valor esperado y la varianza de una variable aleatoria X con distribucin son,
respectivamente, k y 2k.

Para denotar el valor crtico de una distribucin X
2
con gl grados de libertad se usa el smbolo (gl);
este valor crtico determina a su derecha un rea de bajo la curva X
2
y sobre el eje horizontal. Por
ejemplo para encontrar X
2
0.05(6) en la tabla se localiza 6 gl en el lado izquierdo y a o largo
del lado superior de la misma tabla.

Clculo de Probabilidad





DANIEL CASTILLO QUINTO ELECTRNICA
El clculo de probabilidad en una distribucin muestral de varianzas nos sirve para saber como se va a
comportar la varianza o desviacin estndar en una muestra que proviene de una distribucin normal.
EJERCICIO
Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus destinos en una ciudad
grande forman una distribucin normal con una desviacin estndar =1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea mayor que 2.

Primero se encontrar el valor de ji-cuadrada correspondiente a s
2
=2 como sigue:

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad y se encuentra que a este
valor le corresponde un rea a la derecha de 0.01. En consecuencia, el valor de la probabilidad es P(s
2
>2)



BIBLIOGRAFIA:
- http://www.monografias.com/trabajos10/dino/dino.shtml
- http://www.vitutor.com/pro/5/a_1.html
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
- http://www.itch.edu.mx/academic/industrial/sabaticorita/_private/05Distr%20Poisson.htm
- http://148.204.211.134/polilibros../portal/Polilibros/P_terminados/Probabilidad/doc/Unidad%202/
2.9.htm
- http://carleos.epv.uniovi.es/~carleos/docencia/teloydisren/descriptiva+probabilidad/l_edyp/lib_ed
yp_html/node56.html
- http://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Cauchy
- http://www.uv.es/~lejarza/mcaf/eaaT5-b.pdf





DANIEL CASTILLO QUINTO ELECTRNICA
- file:///D:/descargas/distribuciones_estadisticas.PDF
- http://www.aulafacil.com/CursoEstadistica/Lecc-31-est.htm
- http://www.bioestadistica.uma.es/libro/node69.htm
- http://www.slideshare.net/danycori/savedfiles?s_title=distribucin-bernoulli-y-distribucin-
binomial&user_login=sonyelockheart
- http://www.itch.edu.mx/academic/industrial/estadistica1/cap03b.html