Mtodos Estadsticos

de la Ingeniera.

Trabajo 2
Variables aleatorias

Jon Ander Gonzalez

Julio Montero
Dei Royo
Erasmo Seebold

1.- Medidas de asimetra estadstica

Permite saber el grado de simetra o asimetra que presenta una distribucin de probabilidad de una
variable aleatoria sin necesidad de hacer un grfico.
La manera de realizar esto sin recurrir a dibujar una grfica mediante el coeficiente de asimetra de
Fischer seria:
3 es momento respecto de la media. Se hace tomando el valor de la variable en ese momento
menos la media, ese es el valor que har que la simetra sea negativa o positiva.
3 es la desviacin tpica. Es la raz cuadrada de la varianza.
Si >0, la distribucin es asimtrica positiva o a la derecha.
Si <0, la distribucin es asimtrica negativa o a la izquierda.
Si =0, la distribucin seria simtrica.

Mirando las grficas se puede observar rpidamente que son representaciones grficas de lo
explicado anteriormente. Cuando hay mas cola a la derecha del eje estaramos hablando de
asimetra positiva, y si hay mas cola a la izquierda seria asimtrica negativa. Una forma de no
confundirnos cuando es positiva y negativa seria coger la media como un eje de coordenadas,
cuando hay mas cola a la izquierda, en un eje de coordenadas seria un numero negativo pero en las
asimetras es positivo, seria al revs en el caso de que haya mas cola al lado derecho en un eje de
coordenadas seria positivo pero en simetras resulta ser negativo.

Simetra en R
Hemos preparado un archivo con datos y hemos ejecutado los siguientes comandos:
simetria<-read.table("C://Users/julio/Desktop/simetria.txt",header=T)
names(simetria)
a<-simetria$estatura.de.mujeres
b<-table(simetria$edades.casamiento.mujeres)
c<-table(simetria$edades.fallecimiento.mujeres)
d<-table(simetria$latas.maquina.cocacola)
plot(table(a), type= "h", main="Estaturas de mujeres", asp=0.2)

6 10
2
-2

table(a)

Estaturas de mujeres

59 60 61 62 63 64 65 66 67 68 69 70 71
a

Distribucin mesocrtica. Normal.

plot(b, type= "h", main="Edades de casamiento de mujeres", asp=1)

2
-4

Edades de casamiento de mujeres

19 25 31

38

46

55

63

75

Distribucin sesgada a la derecha. Asimetra positiva.

85

plot(c, type= "h", main="Edades de fallecimiento de mujeres", asp=1.3)

-5

10

Edades de fallecimiento de mujeres

10

25

35 44

55 63 71 79 87 95 104

Distribucin sesgada a la izquierda. Asimetra negativa.

plot(d, type= "h", main="Latas de cocacola vendidas al da en una mquina",asp=0)

3
0

Latas de cocacola vendidas al da en una mquina

11.6 11.7 11.8 11.9 12 12.1 12.2 12.3 12.4 12.5

Distribucin platicrtica. Uniforme.

2.- Distribucin Binomial Negativa

Calcula la probabilidad de que el r-simo xito ocurra en el k-simo ensayo.
La X representa el nmero de ensayos necesario para producir r xitos de probabilidad p.
Definicin
En un experimento cuyos ensayos son repetidos e independientes, produciendo un xito con
probabilidad p y un fracaso con probabilidad 1-p, la distribucin de la probabilidad est dado por:
1
(kr1
)

P(X = k) =

pr .

q kr

donde k = r, r+1, r+2,...

X = nmero de veces que repites el experimento

r = xitos
k-r = i = fracasos
si i= 0 son todo xitos P(x=r) =
si i= 1, 1 fracaso y r xitos

Media, y varianza de una distribucin Binomial Negativa vienen dadas por:

= E(X) =

r
p

2x =

r (1 p)
=
p2

rq
p2

Ejemplo
Supngase que el 15% de Licuadoras en determinada lnea de ensamblaje tienen defectos. Si se
seleccionan al azar las Licuadoras, una tras otra y se someten a prueba para luego devolverlas a la
lnea.
a) Calcular la probabilidad de que se encuentre la segunda Licuadora defectuosa en el cuarto
ensayo.
b) Calcular la media, varianza y desviacin estndar.
Solucin: Sea X el nmero de ensayos en el cual hay dos Licuadoras defectuosas.
a) De la definicin tenemos que:
p= 0,15 q= 1-p = 0,85
r= 2 , significa la segunda Licuadora defectuosa.
X= 4, significa el cuarto ensayo en el cual se encuentra la segunda Licuadora defectuosa
4 BN(2,(0,15)) =

(31 )

. (0,15)2 . (0,85) 4 2 = 0,049

b)
= 2 / 0,15 = 13,3

2 =

2 .(10,15)
(0,15)

= 7,56

7,56 = 8,69

Este resultado significa que se deben efectuar un promedio de 13,3 ensayos con una desviacin
estndar de 8,69 para lograr 2 Licuadoras defectuosas.
Cculo en R
#2 defectuosa en el 4 ensayo, con probabilidad de defectuosa del 15%.
dnbinom(x=4-2,2,0.15)*100
[1] 4.876875
#Encontrar la segunda defectuosa en el 4 ensayo o antes. (<=4)
pnbinom(q=4-2,2,0.15)
[1] 10.95188
#Encontrar la segunda defectuosa despus del 4 ensayo. (>4)
pnbinom(q=4-2,2,0.15, lower.tail=FALSE)
[1] 89.04812

3.- Distribucin Logstica (Verhulst, 1845)

Es un tipo de de probabilidad continua. Se parece a la distribucin normal pero tiene colas ms
pesadas. Aparece como curva adecuada para describir el crecimiento de poblaciones y, en general,
en los procesos de crecimiento que experimentan estados de saturacin, como por ejemplo, estudios
de mortalidad, de crecimiento poblacional, etc. En biologa se ha aplicado, por ejemplo, para
modelar el crecimiento de clulas de levadura.
Su anotacin tiene el siguiente parmetro Logi(a,b)
a es el parmetro de posicin, - < a < .
b es el parmetro de escala y tiene que ser mayor que 0 b>0.
Su funcin de densidad es simtrica respecto al parmetro a y presenta un perfil ms apuntado que
el de la distribucin normal con la misma media y desviacin estndar (distribucin leptocrtica).

Ejemplo con R.
Funcin de densidad de Logstica(1,2)
curve(dlogis(x,1,2), from=-10, to=10, main=Funcin de densidad de Logstica(1,2))

0.08
0.06
0.00

0.02

0.04

dlogis(x, 1, 2)

0.10

0.12

Funcion de densidad de logistica 1,2

-10

-5

10

Funcin de distribucin de Logstica(1,2)

curve(plogis(x,1,2), from=-10, to=10, main=Funcin de distribucin de Logstica(1,2))

0.6
0.4
0.2
0.0

plogis(x, 1, 2)

0.8

1.0

Funcion de distribucin de logistica 1,2

-10

-5

0
x

10