Escolar Documentos
Profissional Documentos
Cultura Documentos
juliocesaresquivel@gmail.com
Universidad de Cordoba
Pregrado en Estadstica
Montera
19 de marzo de 2017
Indice
1. Introduccion 4
2. Asimetra 5
2.1.2. Simetrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
ii
4.5. Distribucion Weibull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
5. Conclusiones 24
Apendice 25
A. Codigo R 25
Bibliografa 29
iii
Resumen
1. Introduccion
En el texto se definen medidas para identificar y diferenciar las distribuciones de
frecuencias.
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.
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.
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
Figura 2: Simetrica.
= Md = Mo
7
la derecha, es decir, la distribucion de los datos tiene a la derecha una cola mas larga
que a la izquierda. Graficamente,
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
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.
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
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.
(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
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.
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.
X Mo
Ap =
a) Ap = 0, la distribucion es simetrica.
11
c) Ap < 0, la distribucion es asimetrica a la izquierda, negativa.
X Mo = 3(X Me )
3(X Me )
Ap =
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.
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
13
Figura 4: Gamma(3,1).
Observacion:
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)
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
16
que entran a una central telefonica, etc.
ex si x > 0
f (x) =
0 si x 0
Figura 5: Exp(3/2).
17
Observacion:
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
18
Figura 6: Beta(, ).
Observacion:
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)
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:
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
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
Figura 8: Weibull(1,5).
Observacion:
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.
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
Figura 5: Exp(3/2)
25
> segments(media, 0, media, dexp(media, lambda), lty = 5)
> abline(h = 0)
> text(media 0,2, 0,25, expression(mu))
Figura 6: Beta(, )
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))
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)
28
Bibliografa
[1] Blanco Castaneda, Liliana, Probabilidad / Liliana Blanco Castaneda - 2a. ed. -
Bogota: Universidad Nacional de Colombia / Facultad de Ciencias, 2010.
[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