UNIDAD 4 PARTE 2

INTEGRANTES: Juan Manuel Jaramillo Hdz Valeria A. Salazar Salazar Isay Alfaro Vera Alejandro I. Mendo Dimas Magaly Rosales Perez Karely Garcia Mancillas

ING.INDUSTRIAL / GPO.A / 2DO.SEMESTRE

4.6 Distribucin Gamma Erlang

Es una distribucin adecuada para modelizar el comportamiento de variables aleatorias continuas con asimetra positiva. Es decir, variables que presentan una mayor densidad de sucesos a la izquierda de la media que a la derecha. En su expresin se encuentran dos parmetros, siempre positivos, () y () de los que depende su forma y alcance por la derecha, y tambin la funcin Gamma (), responsable de la convergencia de la distribucin.

Los parmetros de la distribucin

*El primer parmetro () sita la mxima intensidad de probabilidad y por este motivo en algunas fuentes se denomina la forma de la distribucin: cuando se toman valores prximos a cero aparece entonces un dibujo muy similar al de la distribucin exponencial. * Es el segundo parmetro () el que determina la forma o alcance de esta asimetra positiva desplazando la densidad de probabilidad en la cola de la derecha. Para valores elevados de () la distribucin acumula ms densidad de probabilidad en el extremo derecho de la cola, alargando mucho su dibujo y dispersando la probabilidad a lo largo del plano.

Relacin con otras distribuciones

Si se tiene un parmetro de valores elevados y pequea, entonces la funcin Gamma converge con la distribucin normal. De media , y varianza . Cuando y la distribucin Gamma es exactamente la distribucin exponencial con parmetro (=1).

Donde puede ser aplicada esta distribucin?

- -Nmero de individuos involucrados en accidentes de trfico en el rea urbana: es ms habitual que la mayora de partes abiertos den la proporcin de 1 herido por vehculo, que otras proporciones superiores. - - Altura a la que se inician las precipitaciones; sucede de forma ms habitual precipitaciones iniciadas a una altura baja, que iniciadas a gran altitud.

- Tiempo o espacio necesarios para observar X sucesos que siguen una distribucin de Poisson. Distribucin de la finura de fibras de lana: la mayora presentan una menor finura que unas pocas fibras ms gruesas.

Ejemplos de distribucin Gamma

Ejemplo 1. En un estudio de la guardia urbana de Barcelona se toma una distribucin gamma para modelizar el nmero de vctimas en accidentes de trfico. Como es ms habitual la proporcin de 1 ocupante por vehculo siniestrado, y es ms rara la probabilidad de 4 5 ocupantes por vehculo siniestrado, se crea una distribucin gamma para modelizar el nmero de vctimas por accidente de trfico. El 38% de la distribucin lo acumula la proporcin 1 accidentado por accidente, el 36% 2:1, 16% la 3:1, 6% el 4:1 y finalmente un 3% para 5:1. La media del modelo es 1,5 vctimas por accidente, pero no indican el valor de los parmetros y tomados en cuenta.

4.7 Distribucin Normal

Se le llama distribucin normal o distribucin de Gauss,a una de las distribuciones de probabilidad de variable continua que con ms frecuencia aparece aproximada en fenmenos reales.

La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss y es el grfico de una funcin gaussiana.

Hay varios modos de definir formalmente una distribucin de probabilidad. La forma ms visual es mediante su FUNCION DE DENSIDAD.
Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros y y se denota X~N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin estndar (2 es la varianza).

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Algunas PROPIEDADES de la distribucin normal son: Es simtrica respecto de su media, ; Distribucin de probabilidad alrededor de la media en una distribucin N(, ). La moda y la mediana son ambas iguales a la media, ; Los puntos de inflexin de la curva se dan para x = y x = + .

Una distribucin binomial variable discreta la podemos aproximar a una normal, variable continua cuando n es grande.

Ejemplo
En este caso se estarn calculando probabilidades de experimentos Binomiales de una forma muy aproximada con la distribucin Normal, esto puede llevarse a cabo si n y p = p(xito) no es muy cercana a 0 y 1, o cuando n es pequeo y p tiene un valor muy cercano a ; esto es,

Donde:
x = variable de tipo discreto; solo toma valores enteros m = np = media de la distribucin Binomial s= = desviacin estndar de la distribucin Binomial Cuando ocurren las condiciones anteriores, la grfica de la distribucin Binomial, es muy parecida a la distribucin Normal, por lo que es adecuado calcular probabilidades con la Normal en lugar de con la Binomial y de una forma ms rpida.

En resumen, se utiliza la aproximacin Normal para evaluar probabilidades Binomiales siempre que p no est cercano a 0 o 1. La aproximacin es excelente cuando n es grande y bastante buena para valores pequeos de n si p est razonablemente cercana a . Una posible gua para determinar cuando puede utilizarse la aproximacin Normal es tener en cuenta el clculo de np y nq. S ambos, np y nq son mayores o iguales a 5, la aproximacin ser buena.

Nota:
Antes de empezar a resolver problemas con la aproximacin Normal, es bueno aclarar que se estn evaluando probabilidades asociadas a una variable discreta x, con una distribucin que evala variables de tipo continuo como es la Normal.

4.8 Teorema de Chebyshev

Para demostrar cmo la desviacin estndar es indicadora de la dispersin de la distribucin de una variable aleatoria, el matemtico ruso Pafnuty Lvovich Chbyshev desarroll un teorema en el que ofrece una garanta mnima acerca de la probabilidad de que una variable aleatoria asuma un valor dentro de k desviaciones estndar alrededor de la media.

 Para cualquier variable aleatoria X con media y desviacin estndar , la probabilidad de que X tome un valor contenido en k desviaciones estndar de la media, siendo k una constante positiva cualquiera es cuando menos 1 - 1/k

 La desigualdad de Chbyshev es muy importante, ya que permite determinar los lmites de las probabilidades de variables aleatorias discretas o continas sin tener que especificar sus funciones de probabilidad. Este teorema asegura que la probabilidad de que una variable aleatoria se aleje de la media no ms de k desviaciones estndar, es menor o igual a 1/k2 para algn valor de k >1. Aunque la garanta no siempre es muy precisa, la ventaja sobre este teorema es su gran generalidad por cuanto es aplicable a cualquier variable aleatoria con cualquier distribucin de probabilidad, ya sea discreta o continua.

 En probabilidad, la desigualdad de Chebyshev es un resultado estadstico que ofrece una cota inferior a la probabilidad de que el valor de una variable aleatoria con varianza finita est a una cierta distancia de su esperanza matemtica o de su media; equivalentemente, el teorema proporciona una cota superior a la probabilidad de que los valores caigan fuera de esa distancia respecto de la media. El teorema es aplicable incluso en distribuciones que no tienen forma de "curva de campana" y acota la cantidad de datos que estn o no "en medio".

Bibliografa www.mitutor.com