Materia

Probabilidad

Resumen.
Modelos Probabilísticos de
fenómenos aleatorios continuos

Nombre del profesor:

Act. Kenya Verónica Espinosa Hurtado

Grupo: 18

Alumno:
Gilberto Fragoso Sorcia

Fecha de realización: 7 de Diciembre del 2021.

Calificación: _____________________________
Primero debemos saber ¿qué es una probabilidad?

Es un valor entre cero y uno, que describe la posibilidad relativa (oportunidad o

casualidad) de que ocurra un evento.

En el estudio de la probabilidad se utilizan tres palabras claves: Experimento,

resultado y evento. Dichos términos son empleados en el lenguaje de la vida cotidiana,
pero en estadística adquieren significados específicos como:

 Experimento: proceso que induce a que ocurra una y solo una de varias posibles
observaciones.
 Resultado: resultado particular de un experimento.
 Evento: conjunto de uno o más resultados de un evento.

Modelos Probabilísticos de fenómenos aleatorios continuos

Distribución continua.

Describe las probabilidades de los posibles valores de una variable aleatoria continua.
Una variable aleatoria continua es una variable aleatoria con un conjunto de valores
posibles (conocido como el rango) que es infinito y no se puede contar.

Solo los rangos de valores pueden tener una probabilidad diferente de cero. La
probabilidad de que una variable aleatoria continua equivalga a algún valor siempre es
cero.

Ejemplo de la distribución de pesos

La distribución normal continua puede describir la distribución del peso de hombres

adultos. Por ejemplo, usted puede calcular la probabilidad de que un hombre pese
entre 160 y 170 libras.

Gráfica de distribución del peso de hombres adultos

El área sombreada debajo de la curva en este ejemplo representa el rango de 160 a
170 libras. El área de este rango es 0.136; por lo tanto, la probabilidad de que un
hombre seleccionado aleatoriamente pese entre 160 y 170 libras es de 13.6%. Toda el
área por debajo de la curva equivale a 1.0.

Sin embargo, la probabilidad de que X sea exactamente igual a algún valor siempre es
cero, porque el área por debajo de la curva en un punto individual, que no tiene
anchura, es cero. Por ejemplo, la probabilidad de que un hombre pese exactamente 190
libras es cero. Podría calcular una probabilidad diferente de cero de que un hombre
pese más de 190 libras, menos de 190 libras o entre 189.9 y 190.1 libras, pero la
probabilidad de que pese exactamente 190 libras es cero.

Distribución uniforme continua

O rectangular a aquella distribución que surge al considerar una variable aleatoria que
toma valores equiparables en un intervalo finito. Su nombre se debe al hecho de que la
densidad de probabilidad de esta variable es uniforme sobre todo su intervalo de
definición.

Es aquella que puede tomar cualquier valor dentro de un intervalo, todos ellos con la
misma probabilidad.

Cálculo de la media

En una variable se define como el punto para el cual la función de distribución alcance
el valor 0.5; en una muestra la mediana es el valor central. Para calcularla se ordenan
las observaciones de menor a mayor. Si n es impar, la mediana es la observación
central

Si n es par, la mediana se define como la media de las dos observaciones centrales

En resumen, podríamos decir que la mediana es el valor que es mayor o igual que el
50% de las observaciones de la muestra y menor o igual que el otro 50%. No tiene por
qué ser igual a una de las observaciones de la muestra. Es más fácil de calcular que la
media aritmética y apenas se afecta por observaciones extremas; sin embargo tiene
mayor varianza que X y sólo toma en cuenta la información de los valores centrales de
la muestra.

La varianza

Es la desviación cuadrática media de las observaciones a la media muestral.

Su concepto es análogo al de la varianza poblacional. No obstante esta expresión de

cálculo de la varianza muestral no se utiliza mucho pues sus valores tienden a ser
menores que el de la auténtica varianza de la variable (debido a que la propia media
muestral tiene una varianza que vale un enésimo de la de las observaciones) Para
compensar esta deficiencia y obtener valores que no subestimen la varianza
poblacional (cuando estamos interesados en ella y no en la varianza muestral)
utilizaremos una expresión, esencialmente igual que la anterior salvo que el
denominador está disminuido en una unidad.

Normalmente, estaremos interesados en saber cosas acerca de la varianza poblacional

y no de la varianza muestral. Por tanto, en adelante, cuando hablemos de varianza
muestral, salvo indicación expresa, nos referiremos a la segunda. Es el estadístico de
dispersión más usado por las propiedades de su distribución. Si la población de la que
procede la muestra es normal:

Además, utiliza toda la información de la muestra.

Su mayor inconveniente consiste en que se expresa en unidades cuadráticas. Por ello,

para muchos propósitos se utiliza otro estadístico de dispersión que la desviación
típica. Si no disponemos de una calculadora, el cálculo de la varianza puede ser
complicado porque, habitualmente, los valores de las desviaciones de las observaciones
a la media resultan ser números con varias cifras decimales. Por ello, se suele utilizar
una ecuación que deriva directamente de la anterior:

o, alternativamente, la equivalente a aquella de "la media de los cuadrados menos el

cuadrado de la media".

Distribución gamma

Utilice la distribución gamma para modelar valores de datos positivos que sean
asimétricos a la derecha y mayores que 0. La distribución gamma se utiliza
comúnmente en estudios de supervivencia de fiabilidad. Por ejemplo, la distribución
gamma puede describir el tiempo que transcurre para que falle un componente
eléctrico. La mayoría de los componentes eléctricos de un tipo particular fallará
aproximadamente en el mismo momento, pero unos pocos tardarán más en fallar.

La distribución gamma es una distribución continua que se define por sus parámetros
de forma y escala. La distribución gamma de 3 parámetros se define por sus
parámetros de forma, escala y valor umbral. Por ejemplo, en la siguiente gráfica, la
distribución gamma se define según valores de forma y escala diferentes cuando el
valor umbral se establece en 0.0. La mayoría de los valores en una distribución gamma
ocurren cercanos entre sí, pero algunos valores quedan al final de la cola superior.
Hay dos diferentes parametrizaciones que suelen usarse

Notación
Distribución Exponencial

La distribución exponencial es el equivalente continuo de la distribución geométrica

discreta. Esta ley de distribución describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que,

El tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en
un instante tf, no depende del tiempo transcurrido anteriormente en el que no ha
pasado nada.

Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partícula radiactiva en desintegrarse. El conocimiento de la

ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la datación de fósiles
o cualquier materia orgánica mediante la técnica del carbono 14, C14;

El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un

paciente;

En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos

de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos
consecutivos sigue un modelo probabilístico exponencial. Por ejemplo, el tiempo que
transcurre entre que sufrimos dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de, es tal que su función de

densidad es
Distribución Chi-Cuadrada

Tiene un solo parámetro “v” que es denominado grados de libertad y están

relacionados con la teoría del muestreo pequeño n<30.

Esta cumple un papel fundamental en la estadística inferencial, tiene una aplicación

considerable en las metodologías inferenciales, tales como intervalos de confianza y
pruebas de hipótesis.

En los temas como distribución de muestreo, análisis de varianza, implican el uso

extenso de esta distribución.

La media y la varianza de la distribución chi-cuadrada son:

Se utiliza para determinar si la muestra se ajusta o no a una distribución teórica. Para

ver si las poblaciones, son similares o no. Para determinar la relación e independencia
de las variables a analizar.

Distribución t de Student

Esta distribución fue propuesta y tabulada por William Sealy Gosset (1876-1937), más
conocido por el seudónimo de Student, como resultado de un estudio sobre la
estimación de la media cuando el tamaño de muestra es pequeño. La distribución t de
Student queda completamente definida por medio de sus grados de libertad, n, y se
denota por tn. Surge cuando se plantea estudiar el cociente entre una variable
aleatoria con distribución normal estándar y la raíz cuadrada del cociente entre una
variable aleatoria con distribución ji-cuadrado y sus grados de libertad (n), siendo las
dos variables independientes. Esta distribución desempeña un papel muy importante en
la inferencia estadística asociada a la teoría de muestras pequeñas y es usada
habitualmente en el contraste de hipótesis para la media de una población o para
comparar medias de dos poblaciones.

En cuanto a la forma que presenta su función de densidad cabe destacar las

similitudes que mantiene con la función de densidad de la distribución normal
estándar: forma acampanada, simétrica y centrada en el origen; la única diferencia
existente entre ambas distribuciones es que la función de densidad de la t de Student
presenta unas colas más pesadas (mayor dispersión) que la normal.

Cabe destacar que el programa sólo permite realizar el cálculo para una distribución t
de Student con 150 grados de libertad o menos. Esto no supone una limitación ya que,
a medida que aumentan los grados de libertad, esta distribución se va aproximando a
la normal estándar, de forma que a partir de ese valor de n pueden considerarse
prácticamente idénticas.

La distribución t de Student con 1 grado de libertad coincide con la distribución de

Cauchy estándar

Ejemplo

La distribución t de Student se aproxima a la normal a medida que aumentan los

grados de libertad.

1. Calcular, para una distribución N(0,1), el punto que deja a la derecha una cola de
probabilidad 0,05.

2. Calcular, para una distribución t de Student, la probabilidad de que la variable tome

un valor a la derecha de ese punto. Tomar como grados de libertad sucesivamente n =
10 y n = 150.

Para el primer apartado hay que seleccionar en la lista de distribuciones la normal de

parámetros
1. Resultados con Epidat 4:

En el segundo apartado se ejecutará dos veces Epidat 4: la primera vez para una
distribución t de Student con 10 grados de libertad y la segunda vez con 150 grados
de libertad.

2. Resultados con Epidat 4:

Se aprecia claramente que, al aumentar los grados de libertad de la t de Student, la
probabilidad se acerca a la calculada con la distribución normal.

Distribución de F de Fisher

Recibió este nombre en honor a Sir Ronald Fisher, uno de los fundadores de la
estadística moderna. Se emplea para probar si dos muestras provienen de poblaciones
que poseen varianzas iguales. La cual es útil para determinar si una población normal
tiene una mayor variación que la otra.

También se aplica cuando se trata de comparar simultáneamente varias medias

poblacionales.

Características de la distribución F.

 Existe una familia de distribuciones F. Un miembro específico de la familia se

determina por dos parámetros.
 Los grados de libertad en el numerador y en el denominador.
 La distribución F es una distribución continua.
 La distribución F tiene un sesgo positivo F, no puede ser negativa.
 A medida que aumentan los valores, la curva se aproxima al eje x, pero nunca lo
toca.
 Está relacionada con el cociente de varianzas.

Distribución Weibull

Esta distribución debe su nombre al físico sueco Waloddi Weibull (1887-1979) quien la
usó en un artículo publicado en 1939 sobre resistencia de los materiales (A Statistical
Theory of the Strength of Materials), aunque ya era conocida de años antes.

Esta distribución se utiliza para modelar situaciones del tipo tiempo-fallo, modelar
tiempos de vida o en el análisis de supervivencia, a parte de otros usos como, por
ejemplo, caracterizar el comportamiento climático de la lluvia en un año determinado.

La distribución Weibull queda totalmente definida mediante dos parámetros, forma

(a) y escala (b). En el caso particular de que a=1, se tiene la distribución exponencial, y
si a = 2 y b = recibe el nombre de distribución de Rayleigh.

El perfil de la función de densidad presenta formas muy variadas dependiendo del

valor que tome su parámetro de forma, a. Si a es menor o igual que 1, la función de
densidad es siempre decreciente; en caso de tomar valores mayores que la unidad su
función de densidad muestra una forma más acampanada, pero no simétrica, de forma
que crece hasta alcanzar el máximo y luego decrece.
En este caso, Epidat 4 limita ambos parámetros inferiormente por el valor 0,2 y
superiormente por 200.

Ejemplo

La vida útil, en años, de cierto tipo de instrumental médico quirúrgico sigue una
distribución de Weibull con parámetros a= 2 y b= 1,75.

1. ¿Cuál es la probabilidad de que el instrumental dure menos de 3 años?

2. Representar la función de densidad y de distribución de su vida útil.

1. Resultados con Epidat 4

La probabilidad de que el instrumental dure menos de 3 años, es decir que dure 2 años
o menos, es 0,73.

2. Resultados con Epidat 4:

Las funciones de densidad y distribución de la vida útil del instrumental médico son:
 Bibliografía

WALPOLE, R. Probability and Statistics for Engineers and Scientistics, 9a edición

Boston, MA, Pearson, 2011 recuperado de la página
https://www.dropbox.com/s/k8doyhq46rd3win/walpole-mayers.pdf?dl=0

Referencias

Estadística Básica, recuperado de la página

https://www.ucm.es/data/cont/media/www/pag-54183/APUNTES%20ESTAD
%C3%8DSTICA%203.pdf

Distribuciones de Probabilidad (2014) recuperado de la página

https://www.sergas.es/Saude-publica/Documents/1899/Ayuda_Epidat_4_Dist
ribuciones_de_probabilidad_Octubre2014.pdf

Wikipedia, la Enciclopedia libre, recuperado del sitio

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