Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Gráficamente:
La función de distribución se obtiene integrando la función de densidad y viene dada por:
Gráficamente:
Su función de densidad, aquella que nos permite conocer la probabilidad que tiene cada
punto del intervalo, viene definida por:
Donde:
Es decir, que el valor final esté entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad,
que esté entre 141 y 142, otro 5%, etc.
En el ejemplo:
Por lo tanto, el precio medio esperado de la gasolina para el próximo año es de 150 ptas.
Es decir, que el volumen de precipitaciones esté entre 400 y 401 litros tiene un 1% de
probabilidades; que esté entre 401 y 402 litros, otro 1%, etc.
Es decir, la precipitación media estimada en Sevilla para el próximo año es de 450 litros.
La distribución Exponencial
Este modelo suele utilizarse para variables que describen el tiempo hasta que se produce
un determinado suceso.
Como vemos este modelo depende de un único parámetro α que debe ser
positivo: α > 0. A continuación se muestra un programa que nos permite ver cómo cambia
la forma de la función de densidad según el parámetro α.
1. Su esperanza es α.
2. Su varianza es α2.
Solución:
La probabilidad de que un determinado componente esté funcionando aún
después de 8 años es:
2. El tiempo que transcurre antes de que una persona sea atendida en una
cafetería es una variable aleatoria que tiene una distribución exponencial con
una media de 4 minutos. ¿Cuál es la probabilidad de que una persona sea
atendida antes de que transcurran 3 minutos en al menos 4 de los 6 días
siguientes?
Solución:
La distribución Gamma
Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que se
produce p veces un determinado suceso.
Como vemos, este modelo depende de dos parámetros positivos: α y p. La función Γ(p) es
la denominada función Gamma de Euler que representa la siguiente integral:
que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero positivo, Γ(p + 1) = p!
El siguiente programa permite visualizar la forma de la función de densidad de este
modelo (para simplificar, se ha restringido al caso en que p es un número entero).
1. Su esperanza es pα.
2. Su varianza es pα2
X + Y ~ G (α, p1 + p2).
Ejemplo 1
Será una gamma ( 8, 1/12) se toma como escala 1/12 y ratio de escala 12
> pgamma(0.5,8,scale=1/12,lower.tail=T)
[1] 0.2560202
> pgamma(0.5,8,rate=12,lower.tail=T)
[1] 0.2560202
Ejemplo 2
Si se produce un parte de accidente cada 5 horas. Calcular el tiempo medio que transcurre
hasta que se producen dos partes.
> pchisq(0.2,df=1)
[1] 0.3452792
> pgamma(0.2,1/2,rate=2,lower.tail=T)
[1] 0.6289066
> pgamma(0.2,1/2,rate=1/2,lower.tail=T)
[1] 0.3452792
> pgamma(0.2,1/2,scale=2,lower.tail=T)
[1] 0.3452792
Chi 2
Ejemplos
S i X es un a v ar i ab l e a l ea t ori a d e u n a d is tr i bu c i ón N( µ, σ ), h a l lar : p( µ− 3 σ ≤
X ≤ µ + 3 σ)
Es d ec ir , q u e a pr ox im ad am en te el 99 .7 4 % d e l os v a lo res d e X es t án
a m en os d e tr es des v i ac io n es tí p ic as d e l a m edi a.
2 En u n a d is tr i b uc i ó n n or m al d e m e di a 4 y d e s v i ac i ó n tí p ic a 2, c a lc u lar e l
v a lor d e a par a q u e: P ( 4 −a ≤ x ≤ 4 + a) = 0. 5 9 34
E n un a d is tr ib uc ió n n o r m al de m ed ia 4 y d es v i ac i ó n tí p ic a 2, c a lc u l ar e l
v a lor d e a par a q u e: P ( 4 −a ≤ x ≤ 4 + a) = 0. 5 9 34
Aproximación de la binomial a la
normal
Teorema de Movire Laplace, corrección de continuidad o de Yates , ejercicios y
problemas resueltos con solución en vídeo, estadística 1 , 2 bachillerato
y universidad
Antes de empezar este tema tenéis que repasar la distribución binomial , y Normal
Aquí tenéis el enlaceDistribución Binomial Distribución normal
resulta una aproximación bastante buena suponer que la variable X’ que se aproxima a la
variable normal ver explicación
Ejemplos
Trabajo: Unidad 6