Modelos Asimetricos

Julio Cesar Esquivel Rhenals

juliocesaresquivel@gmail.com

Profesor: Javier Ramires Montoya

Curso: Metodologa Estadstica

Universidad de Cordoba

Departamento de Matematicas y Estadsticas

Pregrado en Estadstica

Montera

19 de marzo de 2017
Indice

1. Introduccion 4

2. Asimetra 5

2.1. Tipos de Asimetra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.1.1. Asimetra Negativa o a la Izquierda . . . . . . . . . . . . . . . . . . . 6

2.1.2. Simetrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.3. Asimetra Positiva o a la Derecha . . . . . . . . . . . . . . . . . . . . 7

3. Medidas de Asimetra o Sesgo 8

3.1. Coeficiente de asimetra de Fisher . . . . . . . . . . . . . . . . . . . . . . . . 10

3.2. Coeficiente de asimetra de Pearson . . . . . . . . . . . . . . . . . . . . . . . 11

3.3. Coeficiente de asimetra de Bowley . . . . . . . . . . . . . . . . . . . . . . . 12

4. Distribuciones mas usadas 13

4.1. Distribucion Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

4.1.1. Coeficiente de asimetra de la distribucion Gamma. . . . . . . . . . . 14

4.2. Distribucion Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4.3. Distribucion Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

4.3.1. Coeficiente de asimetria de la distribucion Beta . . . . . . . . . . . . 19

4.4. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

4.4.1. Coeficiente de asimetra de la distribucion Normal. . . . . . . . . . . 21

ii
 4.5. Distribucion Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

4.5.1. Coeficiente de asimetra de la distribucion Weibull. . . . . . . . . . . 23

5. Conclusiones 24

Apendice 25

A. Codigo R 25

A.1. Distribucion Gamma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

A.2. Distribucion Exponencial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

A.3. Distribucion Beta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

A.4. Distribucion Normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

A.5. Distribucion Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

Bibliografa 29

iii
 Resumen

En el presente documento se describen algunos metodos para encon-

trar el coeficiente de asimetra de diferentes modelos de probabilidad.
Tambien se muestra graficamente el tipo de asimetra que presentan
dichos modelos.

1. Introduccion
En el texto se definen medidas para identificar y diferenciar las distribuciones de
frecuencias.

En primer lugar, se estudiara graficamente los diferentes tipos de asimetra. Como

eje de simetra consideramos una recta paralela al eje de ordenadas que pasa por la
media de la distribucion. Si una distribucion es simetrica, existe el mismo numero de
valores a la derecha que a la izquierda de la media, por tanto, el mismo numero de
desviaciones con signo positivo que con signo negativo. Decimos que hay asimetra po-
sitiva o a la derecha si la cola a la derecha de la media es mas larga que la de la
izquierda, es decir, si hay valores mas separados de la media a la derecha. Diremos que
hay asimetra negativa o a la izquierda si la cola a la izquierda de la media es mas lar-
ga que la de la derecha, es decir, si hay valores mas separados de la media a la izquierda.

En segundo lugar, se estudiaran las diversas medidas de asimetra, las cuales no

son mas que indicadores que permiten establecer el grado de simetra que presenta una
distribucion de probabilidad de una variable aleatoria sin tener que hacer su represen-
tacion grafica.

Por ultimo, se estudiaran algunas distribuciones de probabilidad, analizando grafi-

camente el comportamiento de su f.d.p. para as determinar el tipo de asimetra que
presentan.

4
2. Asimetra
Es una medida de forma de una distribucion que permite identificar y describir
la manera como los datos tiende a reunirse de acuerdo con la frecuencia con que se
hallen dentro de la distribucion. Igualmente permite identificar las caractersticas de la
distribucion de datos sin necesidad de generar el grafico.

2.1. Tipos de Asimetra

Una medida de posicion proporciona un valor que representa al conjunto de todos
los valores observados y el grado de representatividad de esta medida se obtiene me-
diante una medida de dispersion. Al sustituir los valores observados por estas medidas
representativas, se pierde no solo la individualidad de los diferentes elementos de la
distribucion sino, tambien, la propia estructura de la distribucion que esta determina-
da por su representacion grafica. Esta perdida del conocimiento de la estructura de la
distribucion se puede disminuir utilizando unas medidas que identifiquen la forma de
su representacion grafica.

La estructura de una distribucion esta determinada por la forma de su diagrama de

barras o su histograma. En estos graficos se puede ver si las observaciones estan o no
muy concentradas en pocos valores de la variable, o si la concentracion se presenta en
el centro p en uno de sus extremos, etc.

El histograma se suele sustituir por una lnea curva que ajustandose a los rectangulos
del histograma los suaviza. la razon de suavizar el histograma se debe a que, generalmen-
te, se trabaja con muestras, por lo que el histograma es solamente una representacion
aproximada de la poblacion, que en el lmite, cuando la amplitud de los intervalos tiende
a cero, sera una lnea curva sin cambios bruscos. Por lo tanto, al realizar el suaviza-
miento del histograma estamos simulando el lmite.

5
 El area comprendida entre la curva y el eje de abcisas debe ser igual a la suma de
las areas de todos los rectangulos del histograma, que a su vez es igual al numero total
de observaciones.

Las distribuciones en forma de campana, campaniformes, son las mas habituales en

la estadstica practica. Estas distribuciones se caracterizan porque el mayor numero de
observaciones se agrupan en valores de la variable mas o menos centrales, siendo raros
los valores extremos.

Las distribuciones campaniformes pueden tener diversas formas:

2.1.1. Asimetra Negativa o a la Izquierda

Se da cuando en una distribucion la minora de los datos esta en la parte izquierda de

la media. Este tipo de distribucion presenta un alargamiento o sesgo hacia la izquierda,
es decir, la distribucion de los datos tiene a la izquierda una cola mas larga que a la
derecha. Graficamente,

Figura 1: Asimetra Negativa o a la Izquierda.

Tambien se dice que una distribucion es simetrica a la izquierda o tiene sesgo nega-
tivo cuando el valor de la media aritmetica es menor que la mediana y este valor de la

6
mediana a su vez es menor que la moda, esto es,

< Md < Mo

2.1.2. Simetrica

Se da cuando en una distribucion se distribuyen aproximadamente la misma canti-

dad de los datos a ambos lados de la media aritmetica. No tiene alargamiento o sesgo.
Se representa por una curva normal en forma de campana llamada campana de Gauss
o tambien conocida como de Laplace. Graficamente,

Figura 2: Simetrica.

Tambien se dice que una distribucion es simetrica cuando su media aritmetica, su

mediana y su moda son iguales, esto es,

= Md = Mo

2.1.3. Asimetra Positiva o a la Derecha

Se da cuando en una distribucion la minora de los datos esta en la parte derecha de

la media aritmetica. Este tipo de distribucion presenta un alargamiento o sesgo hacia

7
la derecha, es decir, la distribucion de los datos tiene a la derecha una cola mas larga
que a la izquierda. Graficamente,

Figura 3: Asimetra Positiva o a la Derecha.

Tambien se dice que una distribucion es simetrica a la derecha o tiene sesgo positivo
cuando el valor de la media aritmetica es mayor que la mediana y este a valor de la
mediana a su vez es mayor que la moda, esto es,

> Md > Mo

3. Medidas de Asimetra o Sesgo

Estas medidad miden el grado de asimetria de una distribucion con respecto a un
valor central, normalmente la media aritmetica o la mediana.

Cuando la variable es continua, la mediana divide al histograma de frecuencias en

dos partes de igual area, luego este valor permitira definir simetra: se dira que existe
simetra cuando se cumpla que las dos partes del histograma son simetricas con respecto
a este valor.

8
 El criterio de simetra en las distribuciones continuas es el mismo tanto si se toma
con respecto a la mediana como si se toma con respecto a la media. De hecho la me-
dia y la mediana tienen el mismo valor en las distribuciones continuas simetricas. si
la distribucion de la variable es continua, simetrica y unimodal, coinciden la media, la
mediana y la moda.

En el caso de que la variable sea discreta, la simetra queda determinada por la

media, de tal forma que el lado derecho de la media es la imagen especular del lado
izquierdo. Si la distribucion es discreta y simetrica y el numero de observaciones es
impar, coincidiran los valores de la media y de la mediana.

La simetra existe cuando al trazar por el punto que representa el valor de la media
o de la mediana en el eje de las x una perpendicular a este eje, la distribucion queda
dividida en dos partes iguales, es decir, que existen el mismo numero de valores, con la
misma frecuencia, equidistantes dos a dos, a ambos lados de la perpendicular. Si esto
no sucede no hay asimetra.

La asimetra se puede medir sumando las desviaciones de los valores con respecto a
la media, pero este valor es cero:
X
(xi X) = 0

Tampoco, conviene utilizar las potencias pares por desaparecer el signo que tiene cada
valor. Por este motivo en las medidas de asimetra se utiliza la potencia de grado tres:

(xi X)3 ni
P
m3 =
N

De la expresion deducimos que:

a) m3 = 0, la forma de la distribucion es simetrica.

9
 b) m3 > 0, significa que los valores superiores a la media son mas grandes que los
menores que es lo mismo que decir que es asimetrica positiva o a la derecha.

c) m3 < 0, es asimetrica negativa o a la izquierda, ya que los valores superiores a la

media son mas pequenos que los menores.

Este coeficiente m3 se le conoce como momento de tercer orden con respecto a la

media.

3.1. Coeficiente de asimetra de Fisher

El coeficiente m3 tiene el inconveniente que viene en la misma unidad que la variable
pero elevada al cubo. Para hacer este valor adimensional se recurre a una medida relativa
que permite comparar distribuciones, esta medida es el coeficiente de asimetra de Fisher
que viene dado por la siguiente expresion:

(xi X)3 ni
P
E(x )3 E(x )3 x 3
 
p Sni
B1 =   3 = V 3/2 (x) = =E
2 3
(xi X)2 ni
P
Sni

donde 3 es el tercer momento en torno a la media y es la desviacion tpica.

Este coeficiente de asimetra que es el mas utilizado, proporciona unos valores que
tienen las mismas caractersticas que los de m3 , ya que simplemente esta dividido por
3 que siempre es positivo, por lo que si:

a) Si la distribucion es simetrica, entonces sabemos que B1 = 0. El recproco no

es cierto: es un error comun asegurar que si B1 = 0 entonces la distribucion es
simetrica (lo cual es falso)

b) B1 > 0, la distribucion es asimetrica positiva o a la derecha.

10

c) B1 < 0, la distribucion es asimetrica negativa o a la izquierda.

3.2. Coeficiente de asimetra de Pearson

Si la distribucion es campaniforme y simetretrica los valores de la media aritmetica
y la moda coinciden, pero si es asimetrica estos dos promedios no coincidiran, la media
correspondera al centro de gravedad de la figura y la moda a la maxima ordenada. La
mediana se situa entre ambas cuando son moderadamente simetricas.

Si la diferencia entre la media y la moda es positiva se dice que hay asimetra po-
sitiva o a la derecha;si la diferencia es negativa se dice que hay asimetra negativa o
a la izquierda; si la diferencia es igual a cero, la distribucion es simetrica. Pero para
el calculo de la asimetra es mas importante tener una medida relativa que permita
comparar distribuciones.

Este coeficiente solo se puede utilizar en distribuciones uniformes, unimodales y

moderadamente asimetricas. Se basa en que en distribuciones simetricas la media de la
distribucion es igual a la moda.

El coeficiente de asimetra de Person, se define por:

X Mo
Ap =

X =Media Aritmetica; Mo =moda; =Desviacion tpica.

En este coeficiente de asimetra si:

a) Ap = 0, la distribucion es simetrica.

b) Ap > 0, la distribucion es asimetrica a la derecha, positiva.

11
 c) Ap < 0, la distribucion es asimetrica a la izquierda, negativa.

Para evitar el empleo de la moda, Pearson comprobo empricamente que:

X Mo = 3(X Me )

lo que dio lugar al segundo coeficiente de sesgo de Pearson:

3(X Me )
Ap =

X =Media Aritmetica; Me =mediana; =Desviacion tpica.

3.3. Coeficiente de asimetra de Bowley

Tambien se conoce como coeficiente de asimetra cuartlico por estar basado en la
posicion de los cuartiles y la mediana.

El coeficiente de asimetra de Bowley, se define por:

(Q3/4 Me ) (Me Q1/4 )

AB =
Q3/4 Q1/4

Q1/4 y Q3/4 , son los cuartiles de la distribucion; Me =mediana.

En este coeficiente de asimetra si:

a) Q3/4 Me = Me Q1/4 , la distribucion es simetra.

b) Q3/4 Me > Me Q1/4 , la distribucion sera asimetrica a la derecha, positiva.

c) Q3/4 Me < Me Q1/4 , la distribucion sera asimetrica a la izquierda, negativa.

12
4. Distribuciones mas usadas
En este captulo se presentan algunas de las distribuciones de uso mas frecuente, se
estudiara graficamente su funcion de densidad de probabilidad, observando que tipo de
asimetria presenta; ademas se calculara su coeficiente de asimetria.

4.1. Distribucion Gamma

Algunas variables aleatorias son no negativas siempre y tienen distribuciones que
son sesgadas a la derecha, es decir, la mayor parte del area bajo la grafica, de la fun-
cion de densidad, se encuentra cerca del origen y los valores de la funcion de densidad
disminuyen gradualmente cuando x aumenta. Un ejemplo de tales distribuciones es la
distribucion gamma.

La distribucion gamma se emplea, de manera extensa, en una gran diversidad de

areas, como por ejemplo, para describir los intervalos de tiempo entre dos fallas conse-
cutivas del motor de un avion, o los intervalos de tiempo entre las llegadas de clientes
a la cola del punto de pago en un supermercado.

Definicion 4.1.1 (distribucion Gamma). Se dice que una variable aleatoria X tiene
distribucion Gamma de parametros > 0 y > 0, si su funcion de densidad esta dada
por:
1 x
() x e si x > 0

f (x) =
0 si x 0

donde () es la funcion gamma, esto es,

Z +
(r) := tr1 et dt
0

La grafica siguiente muestra la forma de la funcion de densidad Gamma.

13
 Figura 4: Gamma(3,1).

Observacion:

Se puede observar que la funcion de densidad gamma tiene la minora de

los datos en la parte derecha de la media aritmetica, es decir presenta un
alargamiento hacia la derecha, lo cual indica que es asimetrica positiva o a la
derecha.

4.1.1. Coeficiente de asimetra de la distribucion Gamma.

Para calcular el coeficiente de asimetra utilicemos el metodo de Pearson, el cual

se calcula as:

Mo
Ap = (1)

Encontremos la media
Z +
E(x) = xf (x) dx

14
entonces,
Z +
n
E(x ) = xn f (x) dx

+
1 x
Z
= xn x e dx
0 ()
+
+n1 x
Z
= x e dx
0 ()
( + n) + +n
Z
= n x(+n)1 ex dx
() ( + n)
| 0 {z }
Gamma(+n,)
( + n)
= n
()

luego,

( + 1) ()
E(x) = = =
() ()

as,

= E(x) = (2)

Encontremos la desviacion estandar

V ar(x) = E(x2 ) E 2 (x)

entonces,

( + 2) ( + 1)() ( + 1)
E(x2 ) = 2
= 2
=
() () 2

as,

( + 1) 2
V ar(x) = 2
2 = 2

luego,
r
p
= V ar(x) = = (3)
2

15
 Encontremos la moda

df (x) 
Mo = =0
dx x=Mo

entonces,

d 1 x
 
df (x)
= x e (Derivando)
dx dx ()

 
2 x 1 x
= ( 1)x e x e
()
x 1 ( 1)
 
= e x
() x

as,

df (x) 1
=0 =0 (Resolviendo para x)
dx x
1
=
x
1
x=

luego,

1
Mo = (4)

Reemplazando (2), (3) y (4) en (1) tenemos que el coeficiente de asimetra de la
distribucion gamma es:

(1)

+1
1
Ap = q =

=

2 2

4.2. Distribucion Exponencial

La distribucion exponencial se usa con frecuencia como modelo para la descripcion
de la distribucion del tiempo transcurrido entre las ocurrencias sucesivas de un determi-
nado suceso, como es el caso de los clientes que llegan a una entidad bancaria, llamadas

16
que entran a una central telefonica, etc.

Tambien se usa, la distribucion exponencial, para modelar la distribucion de la

duracion de componentes que ni se deterioran ni mejoran con la edad, esto es, aquellos
para los cuales la distribucion de la duracion restante del componente es independiente
de la edad actual. Por lo tanto, este modelo se ajusta a la realidad solo si la distribucion
del tiempo de vida que le queda al elemento en cuestion no depende de su edad.

Definicion 4.2.1 (distribucion Exponencial). En el caso particular de la distribucion

gamma, cuando = 1, se dice que la variable aleatoria X tiene distribucion exponencial
de parametros > 0 si su funcion de densidad esta dada por:

ex si x > 0
f (x) =
0 si x 0

La grafica siguiente muestra la forma de la funcion de densidad Exponencial.

Figura 5: Exp(3/2).

17
 Observacion:

La distribucion Exponencial tiene sesgo positivo; es decir, tiene una cola a la

derecha respecto a la media, entonces decimos que es asimetrica positiva o a
la derecha.

Es facil probar que el coeficiente de asimetria de la distribucion Exponencial

es: B1 = 2

4.3. Distribucion Beta

La distribucion que se presenta a continuacion se utiliza frecuentemente como un
modelo matematico para representar variables fsicas cuyos valores se encuentran res-
tringidos en un intervalo de longitud finita, o como modelo fracciones, tales como la
proporcion de impurezas en un producto qumico o la fraccion de tiempo que dura la
reparacion de una maquina.

Definicion 4.3.1 (distribucion Beta). Se dice que la variable aleatoria X tiene distri-
bucion beta de parametros > 0 y > 0 si su funcion de densidad esta dada por:

1
(,) x
1 (1 x)1 si 0 < x < 1
f (x) =
0 otro caso

donde B(, ) es la funcion beta, esto es,

Z 1
B(, ) := x1 (1 x)1 dx
0

La grafica siguiente muestra la forma de la funcion de densidad Beta.

18
 Figura 6: Beta(, ).

Observacion:

En el grafico vemos que para Beta(3, 8) la funcion de densidad tiene sesgo

positivo, es decir, tiene asimetria positiva o a la derecha. Caso contrario ocurre
para Beta(8, 3) en la que la minora de los datos estan en la parte izquierda
de la media, esto es, presenta asimetria negativa o a la izquierda.

Para el caso cuando es igual a notamos que los datos se distribuyen

aproximadamente en la misma cantidad a ambos lados de la media, entonces
decimos que es simetrica.

4.3.1. Coeficiente de asimetria de la distribucion Beta

Con el desarrollo del coeficiente de Fisher, llegamos a que el coeficiente de asimetria

de la distribucion beta es:

x 3
p  
B1 = E

19
 entonces,

x 3 1
Z 1 
p 1
B1 = x 1 x1 dx
(, ) 0
3

1
Z 1 x +
= x1 1 x1 dx
(, ) 0
(+) ++1
Z 1 3
1 + + 1(x( + ) )
= x1 1 x1 dx
(, ) 0
3Z 1
++1
= 3 (x( + ) )3 x1 1 x1 dx
(, ) 0
..
.

2 ( ) + + 1
=
( + + 2)

as,

p 2 ( ) + + 1
B1 =
( + + 2)

4.4. Distribucion Normal

La distribucion normal es una de las mas importantes y de mayor uso tanto en la
teoria de probabilidad, como en la teora estadstica.
A la distribucion normal tambien se le conoce como distribucion gaussiana, en honor a
Gauss, a quien se concidera el padrede esta distribucion.

Definicion 4.4.1 (distribucion Normal). Se dice que la variable aleatoria X tiene

distribucion normal de parametros y , donde es un numero real y es un numero
real positivo, si su funcion de densidad esta dada por:

1 1 x 2
f (x) = e 2 ( )
2
La grafica siguiente muestra la forma de la funcion de densidad normal.

20
 Figura 7: Normal(0,1).

Observacion:

Se puede observar que la funcion de densidad normal, se distribuyen aproxi-

madamente la misma cantidad de los datos a ambos lados de la media. No se
prensenta alargamientos o sesgos.

La distribucion normal es simetrica, es decir, su media, mediana y moda son

iguales.
= Md = Mo

4.4.1. Coeficiente de asimetra de la distribucion Normal.

Para calcular el coeficiente de asimetra utilicemos el metodo de Fisher, el cual se

calcula as:

x 3
p  
B1 = E

21
 entonces,

x 3 1 ( x )2
Z +  
p 1
B1 = e 2 dx
2
x
z= = dz = dx

Z +
1 1 2
= z 3 e 2 z dz (Sustituyendo)
2
Z 0 Z + 
1 3 12 z 2 3 12 z 2
= z e dz + z e dz
2 0

y = z = dy = dz
Z 0 Z + 
1 3 21 y 2 3 12 z 2
= y e dy + z e dz (Sustituyendo)
2 + 0
 Z + Z + 
1 3 21 y 2 3 12 z 2
= y e dy + z e dz
2 0 0
1
= (0)
2
=0

as,

p
B1 = 0

por tanto, como la distribucion normal es simetrica, hemos comprobado que su

coeficiente de asimetra es cero.

4.5. Distribucion Weibull

La distribucion Weibull es ampliamente usada en la ingeniera como modelo para la
descripcion del tiempo de duracion de un componente. Esta distribucion fue introducida
por el cientfico sueco Waloddi Weibull, quien demostro que el esfuerzo al que se someten
los materiales puede modelarse mediante el empleo de esta distribucion.

22
Definicion 4.5.1 (distribucion Weibull). Se dice que una variable aleatoria X tiene
distribucion Weibull de parametros y , si su funcion de densidad esta dada por:

k x k1 e(x/)k x 0



f (x) =

0 x<0

La grafica siguiente muestra la forma de la funcion de densidad Weibull.

Figura 8: Weibull(1,5).

Observacion:

Podemos observar que la distribucion presenta un alargamiento o sesgo hacia

la derecha, es decir, la distribucion de los datos tiene a la derecha una cola
mas larga que a la izquierda, entonces decimos que es asimetrica positiva o a
la derecha.

4.5.1. Coeficiente de asimetra de la distribucion Weibull.

Para calcular el coeficiente de asimetra utilicemos el metodo de Fisher, el cual se

calcula as:

23
 x 3
p  
B1 = E

entonces,

+  3
x
Z
p k  x k1 (x/)k
B1 = e dx
0
1 +
Z
k  x k1 (x/)k
= 3 (x )3 e dx
0
1 +
Z
k  x k1 (x/)k
= 3 (x (ln(2))1/k )3 e dx
0
..
.
(1 + k3 )3 3 2 3
=
3

as,

p (1 + k3 )3 3 2 3
B1 =
3

5. Conclusiones
Las medidas de forma permiten identificar como estan distribuidos los modelos
de probabilidad sin necesidad de graficarlos.

Los diferentes coeficientes de asimetria se utilizan con el fin de determinar el grado

en que los datos tienen a reunirse de acuerdo con la frecuencia con que se hallen
dentro de la distribucion.

24
Apendice
A. Codigo R
A continuacion se mostrara el codigo implementado en R para el desarrollo de las
graficas de las diferentes distribuciones de probabilidad

A.1. Distribucion Gamma

Figura 4: Gamma(3,1)

> alpha < 3

> beta < 1
> x < seq(0,001, 8, 0,01)
> plot(x, dgamma(x, alpha, beta), l, ylab = , xlab = ,
+ xlim = c(0, 8), ylim = c(0, 0,3))
> media < alpha/beta
> segments(media, 0, media, dgamma(media, alpha, beta), lty = 5)
> abline(h = 0)
> text(media 0,1, 0,15, expression(mu))

A.2. Distribucion Exponencial

Figura 5: Exp(3/2)

> lambda < 3/2

> x < seq(0, 5, 0,01)
> y < dexp(x, lambda)
> plot(x, y, l, ylab = , xlab = , )
> media < 1/lambda

25
 > segments(media, 0, media, dexp(media, lambda), lty = 5)
> abline(h = 0)
> text(media 0,2, 0,25, expression(mu))

A.3. Distribucion Beta

Figura 6: Beta(, )

> par(mf row = c(2, 2))

> alpha < 3
> beta < 8
> x < seq(0,001, 1, 0,01)
> plot(x, dbeta(x, alpha, beta), l, xlab = Beta(3, 8), ylab = )
> media < alpha/(alpha + beta)
> segments(media, 0, media, dbeta(media, alpha, beta), lty = 5)
> abline(h = 0)
> text(media 0,02, 1,5, expression(mu))
>
> alpha < 8
> beta < 3
> x < seq(0,001, 1, 0,01)
> plot(x, dbeta(x, alpha, beta), l, xlab = Beta(8, 3), ylab = )
> media < alpha/(alpha + beta)
> segments(media, 0, media, dbeta(media, alpha, beta), lty = 5)
> abline(h = 0)
> text(media 0,02, 1,5, expression(mu))
>
> alpha < 2,5
> beta < 2,5

26
 > x < seq(0,001, 1, 0,01) > plot(x, dbeta(x, alpha, beta), l, xlab =
Beta(2,5, 2, 5), ylab = , ylim = c(0, 2))
> media < alpha/(alpha + beta)
> segments(media, 0, media, dbeta(media, alpha, beta), lty = 5)
> abline(h = 0)
> text(media 0,02, 1,5, expression(mu))
>
> alpha < 0,5
> beta < 0,5
> x < seq(0,001, 1, 0,01)
> plot(x, dbeta(x, alpha, beta), l, xlab = Beta(0,5, 0,5), ylab =
, ylim = c(0, 3))
> media < alpha/(alpha + beta)
> segments(media, 0, media, dbeta(media, alpha, beta), lty = 5)
> abline(h = 0)
> text(media 0,05, 0,5, expression(mu))

A.4. Distribucion Normal

Figura 7: Normal(0,1)

> mu < 0
> sigma < 1
> x < seq(5, 5, 0,01)
> y < dnorm(x, mu, sigma)
> plot(x, y, l, ylab = , xlab = , xlim = c(4, 4))
> segments(mu, 0, mu, dnorm(mu, mu, sigma), lty = 5)
> abline(h = 0)
> text(0,1, 0,2, expression(mu))

27
A.5. Distribucion Weibull

Figura 8: Weibull(1,5)

> alpha < 1

> beta < 5
> x = seq(0,001, 5, 0,01)
> plot(x, dweibull(x, scale = 1, shape = 5), l, ylab = , xlab = ,
+ ylim = c(0, 2), xlim = c(0, 4))
> media < (1/alpha)( 1/beta) gamma(1/beta + 1)
> segments(media, 0,05, media, dweibull(media, scale = 1,
+ shape = 5), lty = 5)
> abline(h = 0,05)
> text(media 0,05, 1, expression(mu))

28
Bibliografa
[1] Blanco Castaneda, Liliana, Probabilidad / Liliana Blanco Castaneda - 2a. ed. -
Bogota: Universidad Nacional de Colombia / Facultad de Ciencias, 2010.

[2] Introduccion a la Estadstica Economica y Empresarial. Teora y Practica. Javier

Martn-Pliego Lopez, Editorial Thomson, 2007 (Madrid).

[3] Estadstica Descriptiva. Santiago Fernandez, Alejandro Cordoba, Jose Cordero,

Editorial ESIC, 2002 (Madrid).

[4] Becker, R. A., Chambers, J. M. and Wilks, A. R. (1988) The New S Language.
Wadsworth and Brooks/Cole. (For gamma and lgamma.)

29