1

ndice

Bibliografa ...................................................................................................... 9

Continuas ........................................................................................................ 2

Discretas ......................................................................................................... 2
Distribucin Binomial ....................................................................................... 3
Distribucin de Gumbel ................................................................................... 6
Distribucin de Poisson ................................................................................... 5
Distribucin de Probabilidades ........................................................................ 2
Distribucin Normal ......................................................................................... 4

ndice ............................................................................................................... 1

















2


Distribucin de Probabilidades

- Discretas
Si una variable X puede tomar un conjunto discreto de valores X,X,..Xk,
con probabilidades respectivas p,p,pk , donde p + p + . + pk = 1 ,
decimos que tenemos definida una distribucin de probabilidad discreta para
X. La Funcinp(X), que tiene valores p,p,pk para X = X,X,..Xk, se
llama funcin de probabilidad o funcin de frecuencia de X. Como X puede
tomar ciertos valores con ciertas probabilidades, se le llama una variable
aleatoria discreta. Una Variable aleatoria se conoce como variable
estocstica.

- Continuas
Las ideas anteriores se extienden avariables X que pueden tomar un
conjunto continuo de valores. El polgono de frecuencias relativas de una
muestra se convierte, en el caso terico o lmite de poblacin, en una curva
continua (como la siguiente figura) de ecuacin Y = p(X). El rea total bajo
esa curva y sobre el eje X es 1, y el rea entre X = a y X = b (sombreada
en la figura) da la probabilidad de que X est entre a y b, que se denota por
Pr(a < X < b). Llamamos a p(X) una funcin densidad de probabilidad, o
brevemente una funcin densidad, y cuando tal funcin es dada decimos que
se ha definido una distribucin de probabilidad continua para X. La variable X
se llama entonces una variable aleatoria continua.


3


a) Distribucin Binomial
Si p es la probabilidad de que ocurra un seceso en un solo intento (llamada
probabilidad de xito) y q = 1 p es la probabilidad de que no ocurra en un
solo intento (llamada probabilidad de fracaso), entonces la probabilidad de
que el suceso ocurra exactamente X veces en N intentos (o sea, X xitos y N
X fracasos) viene dado por:

Donde X = 0, 1, 2,..,N; N! = N(N-1)(N-2)..1 y 0! = 1 por definicion.
Ejemplo:Obtengala Probabilidad de obtener exactamente 2 caras en 6
tiradas de una moneda.

N=6, X=2, p=q=1/2, Por lo Tanto:

b) Distribucin Normal
Uno de los ms importantes ejemplos de una distribucin de probabilidad
continua es la distribucin normal, curva normas o distribucin gaussiana,
definida por la ecuacin:

4

Distribucion Binominal
Media
Varianza
Desviacin Tpica

Coeficiente de Sesgo

Coeficiente de
Curtosis

Donde meuia , uesviacion tipica , = 3,14159 y e = 2,71828 . El
rea total limitada por la curva (3) y el eje X es 1, por tanto, el rea bajo la
curva entre X = a y X = b, con a < b, representa la probabilidad de que X
este entre a y b. Esta probabilidad se denota por Pr (a < X <b ).Cuando
se expresa la variable X en unidades estndar ( z = ( X - ) / ,
la ecuacin (3) es remplazada por la llamada forma cannica.

En tal caso, decimos que z estn normalmente distribuida con media 0 y
varianza 1.
Ejemplo: La siguiente figura es un grfico de esta forma cannica. Muestra
que las reas comprendidas entre z = -1 y +1, z = -2 y +2, z = -3 y +3,
son iguales, respectivamente, a 68,27%, 95,45% y 99,73% del rea total, que
es 1. La siguiente tabla muestra las reas bajo esta curva acotadas por las
ordenadas z = 0 y cualquier valor positivo de z. De esa tabla se puede
deducir el rea entre todo par de coordenadas usando la simetra de la curva
respecto de z = 0.
5


Algunas de las propiedades de la distribucin normal se muestran en la
siguiente tabla:
Media
Varianza
Desviacin Tpica
Coeficiente de Sesgo

Coeficiente de
Curtosis

Desviacin Media

c) Distribucin de Poisson
La Distribucin de probabilidad directa:

X = 0, 1, 2,.
Donde e = 2,71828..e = 2,71828..y es una constante dada, se llama la
distribucin de Poisson en honor de Simen-Denis Poisson. Algunas
propiedades de la distribucin de Poisson se recogen en la siguiente tabla:
6

Media
Varianza
Desviacin Tpica

Coeficiente de Sesgo

Coeficiente de Curtosis

Ejemplo: Un 10% de las herramientas producidas en una fbrica son
defectuosas. Hallar la probabilidad de que en una muestra de 10
herramientas tomadas al azar exactamente 2 sean defectuosas.
La probabilidad de una herramienta defectuosa es p = 0.1
Con y usando e = 2,718,
Pr (2 objetos defectuosos en 10)

o
sea 0,18
En general, la aproximacin de Poisson es buena si y

d) Distribucin de Gumbel
Si la funcin de distribucin inicial converge hacia una exponencial para X
teniendo a infinito, es aplicada la ley de valores extremos de gumbel, cuya
expresin es la siguiente:

Siendo Y la variable reducida de Gumbel, que es a su vez, funcin lineal de
la variable aleatoria original de X.
7


El campo de la variacin de X se extiende entre . Las constantes
y se determinan a partir de los datos para lograr su optimo ajuste. El
valor medio y la desviacin estndar de la variable reducida son fijos e
independientes de la muestra.

Siendo la constante de Euler, definida por la expresin siguiente:
lim

ln
Teniendo de cuenta la relacin lineal que existe entre las variables X e Y
pueden calcularse fcilmente el valor medio y la desviacin estndar para la
variable aleatoria original. Tambin es sencillo comprobar la validez de la
siguiente igualdad:

Esto indica que despejando Y de la ecuacin

puede hallarse
la relacin K T para una distribucin de Gumbel. Si se tiene en cuenta,
adems, la vinculacin existe entre la funcin de distribucin y el periodo de
retorno dadas en las expresiones anteriores, por lo tanto se llega a obtener lo
siguiente:

lnln



Otro aspecto interesante a consideracin es la tendencia asntota de la
funcin de Gumbel cuando el periodo de retorno tiende a infinito. Este punto
8

reviste particular importancia debido principalmente a que el objetivo principal
del mtodo estadstico es precisamente predecir el comportamiento de la
variable bajo estudio para grandes periodos de retorno, razn por la cual se
llega a la siguiente igualdad:
ln

ln

Por otra parte desarrollando en serie la funcin

, resulta que para T

tendiendo a infinito, se llega a la siguiente aproximacin:

O lo que es igual:

ln



Entonces si remplazo esta ecuacin en la anterior, se obtiene la siguiente
expresin valido para grandes periodos de ocurrencia:
ln
Es decir que el valor predicho por Gumbel para la variable de inters crece,
aproximadamente con el logaritmo de periodo de retorno. Para T=10 el error
cometido es el orden del 2%, en tanto para que T=100 alcanza apenas el
0,1%.
Por ultimo las ecuaciones

y ln

permiten
completar la siguiente tabla que relaciona probabilidades, periodos de
retorno y valores de la variable reducida:

9

Funcin de Gumbel
Probabilidad (p) Periodo de Retorno
(T)
Variable Reducida (y)
0,500 2 0,367
0,200 5 1,500
0,100 10 2,250
0,050 20 2,970
0,020 50 3,902
0,010 100 4,600
0,005 200 5,296
0,002 500 6,214
0,001 100 6,907

Bibliografa

Monografias. (s.f.). Monografias. Recuperado el Viernes de Junio de 2011,
de www.monografias.com
Schaum. (s.f.). Estadistica de Schaum. En M. R. Spiegel.
Wikipedia. (s.f.). Wikipedia. Recuperado el Viernes de Junio de 2011, de
www.wikipedia.org