246|Cap.

11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

CAPTULO11
PARMETROSDELASDISTRIBUCIONESDEPROBABILIDAD

11.1Introduccin

Tanto para las variables aleatorias discretas como continuas, en la teora de la

probabilidadseestudiandosclasesdedistribuciones:
Las funciones de distribucin de las variables aleatorias que se llamarn
distribuciones de las poblaciones, y las distribuciones muestrales que, a mi juicio
constituyen es eslabn entre la teora de la probabilidad y el anlisis estadstico;
mientrasqueporelladodelaestadsticageneralmenteseestudianlasdistribuciones
delasmuestras,conocidascomodistribucionesdefrecuencia.
Es muy frecuente que se confundan, incluso en la notacin, los valores que
caracterizanaestasdistribuciones;porlocualelpresentecaptulotienecomoobjetivo
estudiarlosparmetrosdelasdistribucionesdelapoblacin,enelcaptulofinaldela
parte concerniente a la teora de la probabilidad se estudiarn las distribuciones
muestrales tambin conocidas como las distribuciones de las muestras; y, en los
captulosinicialesdelanlisisestadstico,seestudiarlaestadsticadescriptivadonde
se introducen las distribuciones de frecuencia. La Figura 11.1 representa a las tres
distribucionesmencionadas.
Enesteyloscaptulosdedicadosalosmodelosdeprobabilidad,nosenfocaremosa
lasdistribucionesdelaspoblacionesdelasvariablesaleatoriasdiscretasycontinuasy,
enparticular,elpresentecaptuloestdedicadoalosparmetrosdelasdistribuciones,
aplicando el valor esperado y sus propiedades, as como los momentos que
estudiamosenelcaptuloanterior.Dichosmodelossolamentelosensuciaremosylos
utilizaremos como ejemplos, pero en los captulos siguientes los estudiaremos a
profundidad.

Figura11.1Lastresdistribucionesdelaprobabilidadylaestadstica

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |247

11.2.Parmetros

Hasta ahora hemos definido las caractersticas probabilsticas de la variable

aleatoria,atravsdedelasdistribucionesdeprobabilidaddelasvariablesaleatorias;
yaseamediantelaFuncinMasadeProbabilidadFMPofmpparaelcasodelasVAs
discretas;oatravsdelasFuncindeDensidaddeProbabilidadFDPofdpparalas
VAs continuas; sin embargo, es sumamente til representar tal comportamiento
utilizando un conjunto de descriptores a los cules se les llamar parmetros
generales de la distribucin; y, mediante ellos, es posible determinar dichas
caractersticas probabilsticas de la variable aleatoria en trminos de descriptores
generalesquedescribensulocalizacinotendenciacentral,ladispersindelosvalores
delavariable,susesgoysuaplanamiento.
Por otro lado, puesto que trabajaremos con familias de distribuciones, tales
parmetros generales son funciones de otros parmetros propios de la distribucin
bajoestudioaloscualesselesasignanvaloresnumricosquesirvenparaidentificaral
miembrodelafamiliadelasdistribucionesquenosinteresaestudiar.Ensuma,existen
dos tipos de parmetros, los generales que permiten encontrar las medidas de
localizacin, dispersin, sesgo y aplanamiento; y los parmetros particulares que
permiten seleccionar a un miembro de la familia. Como se ver adelante, los
parmetrosgeneralessonfuncionesdelosparmetrosparticularesdeladistribucin
bajoestudio.
ComoseobservaenlaFigura11.1,losparmetrosgeneralesserepresentanpor
mediodeletrasgriegasminsculasycaracterizanaladistribucindelapoblacin;los
parmetros particulares se simbolizan con letras del alfabeto espaol; ms an, las
distribucionesmuestralesodistribucionesdelasmuestras,tambintienenparmetros
que se designan con letras griegas minsculas puesto que emergen de las muestras
aleatorias contenidas en la poblacin como se ver ms adelante; en tanto que las
medidas de localizacin, dispersin, sesgo y aplanamiento de las distribuciones de
frecuenciaNOtienenparmetros,sinovaloresdelosestadsticosquesedenotancon
letrasdelabecedariooalfabetoespaolocastellano.

Ejemplo 11.1 Si el tiempo de vida de un sistema elctrico de potencia se

distribuyeuniformementesobreelintervalo , cuyafuncindedensidades:

Determinemoselvalorde :

, y la funcin de densidad ser

entonces:

(11.1)

Donde a y b son los parmetros particulares de esta funcin de densidad

uniforme.

248|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Ahora,unodelosparmetrosgeneralesdeestafuncineslamediaoelvalor
esperadodeX,cuyaexpresingenerales:

(11.2)

Debemosobservarlosiguiente:

esunparmetrogeneraldelocalizacindelavariablealeatoria;
,
esunafuncindelosparmetrosparticulares a, b dela

distribucin.
Obsrveseque representaunafamiliadedistribucionesuniformesquetiene
dosparmetrosa y b yaldarlevalores identificaralosmiembrosdelafamiliaque
nosinteresan;as,
80,120
100
Si
80
120setiene

Si
130
170setiene
130,170
150

Quecorrespondenalasmediasdedosmiembrosdelafamiliadedistribuciones
conmediasomedidasdelocalizacindiferentescomoseobservaenlafigura11.2

Figura11.2DosmiembrosdelafamiliadeladistribucinUniforme

En resumen, las medias

son parmetros de localizacin, en tanto que
son parmetros particulares de la distribucin Uniforme; sin embargo nos
referiremosaelloscomoparmetrossolamente.

11.3Parmetrosdetendenciacentralomedidasdelocalizacin

Como su nombre lo indica, estos parmetros nos dan el valor de la variable

aleatoriaenelcualselocalizaoseconsideraqueestconcentradasudistribucin.
Losprincipalesparmetrosdelocalizacinson:

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |249

Parmetrosdelocalizacin

11.3.1LamediaProbabilsticaoMedia

La media probabilstica de una distribucin de probabilidades de una variable

aleatoria se define como el valor esperado de la variable aleatoria , es igual a la
suma ponderada de los valores de la variable aleatoria pesados por sus
probabilidades correspondientes, es el primer momento respecto al origen que
estudiamos en el captulo anterior y, como es de uso comn en la teora de la
probabilidad, suele eliminarse el apstrofo por lo que se simboliza mediante
, envezde .Porlovistoenelcapituloanterior:

(11.3)
paralasvariablesaleatoriasdiscretas;y,

(11.4)

paralasvariablesaleatoriascontinuas.

Lainterpretacinfsicade
eselcentrodegravedaddeladistribucindelas
masasloquejustificasuusocomounamedidadelcentrodeladistribucinomedida
de localizacin; ms an, como los valores
son los primeros momentos de
seaelprimermomentorespectoal
inerciarespectoalorigen,sejustificaque
origen.

Ejemplo 11.2 Con referencia al ejercicio anterior, si se observa la figura 11.2,

100
150 son los valores de las variables aleatorias donde estn
centradaslasdistribuciones.

Ejemplo 11.3 Una empresa constructora adquiere 3 gras que necesita para la
construccindeunaobradeinfraestructuraporrealizarse,yelvendedorafirmaque,
conformesusregistroshistricos,porlomenosel80%desusgraspermanecensin
falla durante cuatro aos; la FMP se muestra en la tabla 11.1 y su representacin
grficaenlafigura11.3.Sedeseaconocerelnmeroesperadodegrasquenofallan
duranteloscuatroaosquedurarlaobra;osealamedia parmetrogeneralde
nmerodegrasxqueefectivamentealoscuatroaoscontinuarnenbuenestado.
Cabe observar que el clculo de las probabilidades de la FMP se efecta
modelando el problema mediante una distribucin Binomial, como se ver en los
siguientescaptulos.
Enestecaso,losparmetrosparticularesquecaracterizanaladistribucinson
0.8 y
4; que corresponden a la probabilidad de que las gras operen

250|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

satisfactoriamente por lo menos cuatro aos, dictada por el vendedor, y el nmero

posibledegrasqueefectivamenteaperarndurantedichoperiodo,respectivamente.
Aplicando(11.1)tenemos:

0 0.008
1 0.096
2 0.386
3 0.512
2.4

Cabeobservarque:

1. Lamediaes
2.4,eselvalordelocalizacinoelcentrodelaFMP,se
representaenlafigura11.3conunaflechaylosclculosconExcelenla
tabla11.1;

2. lamediaesunvalordelavariablealeatoria,queNOestcontenidoenlos
valoresdeX, comosuelesucederconlasvariablesaleatoriasdiscretas;
3. mueve a reflexin la interpretacin fsica de la media, para este y otros
problemas de variables discretas; pues en realidad puede haber 2.4
grasoperandodespusdeloscuatroaos?Estasituacinnosllevaala
necesidaddedefinirotrasmedidasdetendenciacentralapropiadaspara
estassituaciones.

Tabla11.1ClculodelamediaylavarianzadelaFMPpara

0
1
2
3

0
1
4
9

Media=
Varianza

px

0.8
0.8
0.8
0.8

2.4
0.48

0.8y

0.008
0.096
0.384
0.512
1

0
0.096
0.768
1.536
2.4

0
0.096
1.536
4.608
6.24

Figura 2.FMP de x, con parmetros n = 4, p = 0.8

0.6

0.5

0.4

p(x)

0.3

0.2

0.1

0.0

-0.1
0

4.

x = Nmero de mquinas en operacin

Figura11.3FMPdelaDistribucinBinomialcon

0.8y

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |251

Ejemplo11.4Seleccionemosotromiembrodelafamiliadeestasdistribuciones
cambiando el parmetro particular de
0.8 a
0.90, lo que indica que el
proveedordelasgrasgarantizaqueel90%destassemantienenoperandoalmenos
cuatroaos.
Elparmetrogeneralmediaoelvalordelocalizacinresulta:

0 0.001
1 0.027
2 0.243
3 0.729
2.7

Cuyovalorestrepresentadoenlafigura11.4conunaflechaenlapartebajay
losclculosenExcel,enlatabla11.2.

4.
Tabla11.2.ClculodelamediaylavarianzadelaFMPpara
0.9y

0
1
2
3

0
1
4
9

Media=
Varianza=

px

0.9
0.9
0.9
0.9

2.7
0.27

0.001
0.027
0.243
0.729
1

0
0.027
0.486
2.187
2.7

0
0.027
0.972
6.561
7.56

Figura3FMPdexconparmetrosn=4,p(x)=0.9
0.8
0.7
0.6

p(x)

0.5
0.4
0.3
0.2
0.1
0.0
-0.1
-1

x=Nmerodemquinasenoperacin

Figura11.4FMPdelaDistribucinBinomialcon
.

0.9y

Ejemplo11.5Siladuracindelaobraenaosqueserealizarconlasgrasdel
ejercicio3puedemodelarseconlavariablealeatoria TcuyafuncindeDistribucin
AcumulativaFDAesverfigura11.5(a):
0
1
2
1
1
2
1
2

Paracalcularlamediadeladistribucinde T, determinemosprimerolafuncin
dedensidad:

252|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

0
2

1
2

Enefecto:

2verfigura11.5(b)

1.

Aplicando(11.2):
2
2
|
1.66

Cabeobservarque,adiferenciadelosejemplos3y4,elvalordelamediaSI
pertenecealadistribucindelavariablealeatoria;loqueescomnenelcasodelas
variablesaleatoriascontinuas.

F(t)

f(t)

Duracindelaobra

(a)

(b)
Figura11.5Lasfuncionesdedistribucinacumuladaydedensidaddela
duracindelaobra

11.3.2Lamediaaritmticaopromedio

Tambin se conoce como el promedio, se aplica a los valores de las variables

aleatorias discretas de poblaciones finitas y se define como la suma de todos sus
valoresdivididaentreelnmerovalores:

(11.5)

Obsrvesequeestaexpresinesunavariantedeladefinicindemediageneral
dadaenlaexpresin(11.1)loquesignificaqueladistribucinesuniformecon
;
estamediaaritmticaresumelainformacindeladistribucinsuponiendoquecada
observacintendralamismacantidaddelavariable,y,aligualquelamedia,seafecta
considerablemente por los valores extremos de la distribucin en sentido directo; es
decir, los valores muy altos tienden a aumentarla mientras que valores muy bajos
tienden a disminuirla, lo que implica que puede dejar de ser representativa de la
poblacin.

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |253

Ejemplo11.6Conrelacinalosejemplos3y4,delaempresaconstructoraque
adquiere 3 gras, los valores de la variables aleatoria del nmero de gras que
permanecensinfalladespusdecustroaosson:0, 1, 2,y3; lasmediasaritmticas
soniguales:
0 1 2 3
1.5
4
Cabe observar que esta media aritmtica calculada considera
y est
afectadaporelvalorde
0.

Ejemplo11.7UnviajerodeseairdelaciudadAalaB. LaFMPdeTeltiempode
viaje en hrs. se presenta en la tabla 11.3, se desea calcular la media y la media
aritmtica.

Tabla11.3Funcinmasadeprobabilidaddeltiempodeviaje

t
1
2
3
4
p(t)
0.2
0.4
0.3
0.1
LamediadeTes:
1 0.2
2 0.4
3 0.3
4 0.1
2.3

LamediadeTes:
2.5

11.3.3Lamediageomtrica

Estamediatambinseaplicaavariablesaleatoriasdiscretassiempreycuando
nocontenganelvalor0,contestaalapregunta:sitodaslascantidadesfueraniguales,
culseraesacantidaddeformaqueelproductofueraelmismo?,ysedefinelaraz
nsimadelproductodelosvaloresdedichavariable.

(11.6)

El logaritmo de la media geomtrica es igual a la media aritmtica de los

logaritmosdelosvaloresdelavariable.
Lamediageomtricatienelasventajasdequeconsideratodoslosvaloresdela
distribucin y es menos sensible que la media y media aritmtica a los valores
extremos; en cambio, sus principales desventajas son que su significado estadstico
menosintuitivodelamediaaritmtica,elclculoesmsdifcil,noestdeterminada
para
0,
y
sloesrelevantesitodoslosnmerossonpositivos.Suprincipalutilidadconsisteena
su trasformacin en el manejo estadstico de variables con distribucin no normal y
cuandovariascantidadessonmultiplicadasparaproduciruntotal.

Ejemplo11.8LamediageomtricadelosvaloresdeTdelejemploanteriores

1 2 3 4 2.21.

254|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Obsrvesequeparaelejemplo3delnmerodegras,sumediageomtricaes
cero.
Con base en los dos ejemplos anteriores se desprende y en lo general puede
demostrarse que la media aritmtica siempre es igual o superior a media
geomtrica:

11.3.4Lamediaarmnica

Aligualquelaanterior,seutilizaparavariablesaleatoriasdiscretasfinitasqueno
contengan el 0 y es igual al recproco, o inverso, de la media aritmtica de los
recprocosdelosvaloresdelaVA:
(11.7)

Lasprincipalesventajasquetieneestamediasonqueresultapocoinfluidaporla
existenciadevaloresmuchomsgrandesqueelconjuntodelosrestantes,considera
todos los valores de la distribucin y en ciertos casos es ms representativa que la
mediaaritmtica;encambio,lasprincipalesdesventajasconsistenenlainfluenciade
losvalorespequeos,noestdeterminadaenlasdistribucionesconvaloresigualesa
cero; por eso no es aconsejable su empleo en distribuciones en existan valores muy
pequeos.Sueleutilizarseparapromediarvelocidadesytiempos.

Ejemplo11.9Paraelejemplo7.delviajeroquedeseairdelaciudadAalaB, la
media armnica es :
4
48
1.92
1 1 1 1
25
1 2 3 4

Obsrvese que para el ejemplo 3 del nmero de gras, su media armnica no

estdeterminada.

11.3.5MediaCuadrtica,valorcuadrticomediooRMS

Es una medida de localizacin de la magnitud de una cantidad variable que

puede calcularse para variables aleatorias discretas que incluyen el cero o valores
negativos,ocontinuas;ysedefinecomolarazcuadradadelamediaaritmticadelos
cuadradosdelosvalores:

paravariablesaleatoriasdiscretas (11.8)

paravariablesaleatoriascontinuas(11.9)

Cuando la variable toma valores positivos y negativos como ocurre en los

erroresdelasmedicioneslamediacuadrticanorecogelosefectosdelsignoporque

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |255

los signos negativos desaparecen; esta media proporciona la unidad de medida

original.

Ejemplo11.10Conreferenciaalejercicio7,lamediacuadrticaes:

2.74

Y, con referencia al ejercicio 3, del nmero de gras que permanecen en

operacindespusdecuatroaos:

1.87

Ejemplo11.11ParaladuracindelaobraEjemplo5lafuncindedensidadla
variablealeatoriaTes:
0
1
2
2
1
2

1
2

Cuyamediacuadrticaser:

2
2
4
4
4
4
4
4 |
1.33.

11.3.6LaMediaGeneralizada

La expresin general que sintetiza las expresiones particulares de las medias

aritmtica,armnicaycuadrtica,entrminosdelparmetromes:

Endondeelparmetromdefinea:
Lamediaaritmtica si
1
Lamediageomtricasi
0
Lamediaarmnica si
1
Lamediacuadrtica si
2
Obsrvese que para valores de
0 la expresiones generales slo tiene
sentidosilos
0.

11.3.7MediaTruncada

Envirtuddequelamedia ponderadaporlasprobabilidadesesmuysensible
a los valores extremos de la variable aleatoria, entonces se tiene otra medida de
localizacinconocidacomolamediatruncada.Paraestudiarladefinamospreviamente
aloscuantilesofractilesdeunadistribucindeprobabilidades.

256|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

11.3.7.1Cuantilesofractiles

Si

(11.10)

Entonces es un fractil o cuantil de la distribucin de que, hasta esevalor

acumulalacantidaddeprobabilidad Cabeobservarqueelfractil esunvalordela
variable aleatoria y es una probabilidad. La notacin que seguiremos para los
fractilesser ysignificaelvalordelavariablealeatorialaprobabilidad .As, . es
el valor de la variable aleatoria que hasta ese punto acumula la probabilidad 0.25;
. eselvalordelavariablealeatoriaquehastaesepuntoacumulalaprobabilidad
0.95.
Enotrostrminos,losfractilessonvaloresdelavariablealeatoriaquefraccionan
probabilsticamente a la distribucin de manera tal que, a la izquierda del fractil se
tienelaprobabilidadacumuladadictadapor ;as,setienesolamenteunfractilque
fraccionaendosaladistribucin,quesellamalamedianayseestudiarmsabajo;
lostresfractilesquedividenencuatroaladistribucinsellamancuartiles,losquela
dividen en 10 son nueve y se llaman deciles; y los que la fraccionan en 100 se
denominanpercentilesyson99.
La figura 11.6 ilustra los tres cuartiles de la distribucin normal estndar, en
dondelasfuncionesdedensidadindicanelvalordelcuartilylasprobabilidadesasu
izquierdayasuderecha;as,enlagrfica11.6(a) .
0.674queesunvalorde
lavariablealeatoria,alaizquierdadeestepuntosetienelaprobabilidadacumulada
0.25yasuderechalaprobabilidad1 0.25
0.75.Porotroladoenlagrfica11.6
0.674.
(b)aparecelaFDAenlaquepara (0.25)correspondiente .

(a)

(c)

(b)

(d)

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |257

(e)

(f)

Figura11.6.Lostrescuartilesdeladistribucinnormalestndar

Ejemplo 11.12 Para el Ejemplo 5 de la duracin de la obra, la Distribucin

AcumulativaFDAes:
0
1
2
1
1
2
1
2

Entonces,elfractil0.25eselvalordeT paraelcual se satisface:

0.25

0.25

0.75

0.25O

0.75

Al resolver esta ecuacin cuadrtica se obtienen los valores de t 0.5 y 1.5; sin
embargo,elprimeronoesaplicableporquenosatisfaceladefinicin,situacinqueno
sucede con el valor de 1.5, como puede constatarse en la figura 11.7, trazando una
rectahorizontalen
0.25yunaverticaldondeinterceptaalafuncin
.De
igual forma, para el fractil 0.75 se tiene
2
1 0.55 o
2
0.25 0,
quealresolverlaseobtienenlosvaloresde t 0.13y1.87;porloquelosfractilesson
1.5y .
1.87.
.

Figura11.7LaFDAdeladuracindelaobraTconlosfractiles0.25,0.5y0.75

Para el caso de las variables aleatorias continuas si hay correspondencia uno a

uno entre los valores de X y los fractiles; situacin que puede no suceder con las
variablesaleatoriasdiscretascomoseilustraenelsiguienteejemplo.

Ejemplo 11.13 Considrese la FDA de una variable aleatoria discreta que se

ilustra en la figura 11.8, si se observa, los cuartiles .
2.5
3 estn
.
perfectamente definidos; por su parte, el cuartil . tomo una infinidad de valores

258|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

entre4y5.Paratenerunvalorquecaractericeestecuartil,aunqueexisteelmtodo
deinterpolacinmsprecisoqueseestudiarmsadelante,esprcticacomntomar
elpuntomedioconlocual .
4.5,queseilustraendichafigura.

Figura11.8.FDAdeunavariablealeatoriadiscretaconlosfractiles0.25,0.5y
0.75

Con estos antecedentes acerca de los fractiles, definimos la media truncada

como el promedio de los valores que no toman en cuenta a los que estn antes del
primer cuartil y despus del tercero, lo que requiere calcular nuevas FMP o la FDP,
ajustadas por la prdida de las probabilidades de los valores eliminados como se
muestraenelsiguienteejemplo.

Ejemplo 11.14 La FMP de T el tiempo de viaje en hrs. que se presenta en la

tablacorrespondealejemplodelviajeroquedeseairdelaciudadAalaB.

t
1
2
3
4
p(t)
0.2
0.4
0.3
0.1

Obsrvese que al eliminar los valores 1 y 4, que estn fuera del rango
intercuartiltico,ycalculamoslamedia:

2 .4
3 .3
1.7, valor que est fuera de dicho rango, donde debe
estarlamediatruncada;estosucedeaquelasprobabilidadesde2y4Noconforman
unaFMP,porloquesedeberedefinir.
Paratalefecto,sumamoslasprobabilidadesalaizquierdaconelcuartilinferiory
las probabilidades a la derecha con el cuartil superior, dando por resultado la nueva
FMP:

t
2
3
p(t)
0.6
0.4

Conlacualsipodemoscalcularlamediatruncadacorrecta:

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |259

2 .6
3 .4
2.4.

Estevalorestcomprendidoenelrangointercuartilticoy,alcompararseconlas
mediasvistashastaaqu,resultansemejantes:

LamediadeTes:
1 0.2
2 0.4
3 0.3
4 0.1
2.3
LamediatruncadadeTes:
2.4
LamediaaritmticadeTes:
2.5
LamediageomtricadeTes:
2.21
LamediacuadrticadeTes:
2.74
1.92
LamediaarmnicadeTes:

Ejemplo11.15Paraencontrarlamediatruncadadeejemplo5,seajustarlaFDA
aligualquecomosehizoenelejemploanterior.Dichafuncinoriginales:

0
1
2
1
1
2
1
2

El ajuste se hace calculando los valores de las constantes y de la funcin

para los fractiles .
. y .
. calculados en el
ejemplo10igualandoa0y1lafuncin,respectivamente,conlocual

1.5
0
1.5
1.5

1.87
1.87
1.87
1
Resolviendo el sistema de ecuaciones para y se obtiene
0.68 y
1.23,concuyosvaloreslaFDAes:

0
1.5

0.68
1.23
1.5
1.87
1
1.87

Enefecto,si
1.5setiene 1.5
0ypara
1.87setiene 1.87
1.
respectoa :
Paraencontrarlamediatruncada derivamosa

0.68
1.23
2
0.68

Probemosque
esunaFDP:

.
2
0.68
0.68 |
.

Ylamediatruncada es:

.
.

1.0

260|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

2
.

0.68

2
3

0.68
2

1.87
1.5

1.69

Obsrvese que esta media est comprendida en el rango intercuartiltico

[1.5, 1.87 y,adems,suvaloresmuysemejantealamediacalculadaenelejemplo5,
1.66.

Debidoalamultituddemediasqueexisten,debetenersecuidadoyseleccionar
aquella que mejor se ajuste a las necesidades concretas del problema que se est
resolviendo; pues bien se dice desconfiemos de las medias. En la parte de
probabilidaddeestelibrosalvoqueseindiquelocontrariousaremoslasdefiniciones
dado por las expresiones (11.1) y (11.2) ya que consideran
de la media
explcitamente a las probabilidades y a las variables aleatorias; adems que es la
comnmenteutilizadaenestaramadelasmatemticas.
Finalmente, es importante tener cuidado con la notacin utilizada para las
diferentes medias estudiadas en esta seccin; pues la mayora de las complicaciones
queocurrenenlaprobabilidadylaestadsticasederivandelaconfusinoeldescuido
dedichanotacin;as,enelejemploanterior hacealusinalavariablealeatoria T
entantoque eslanotacinqueseutilizaenestelibroparalamediatruncada.

11.3.8Lamediana

Otradelasmedidascentralesdelasdistribucioneseslamedianacuyanotacin
ser
quesedefinecomoaquelvalorcomprendidoentrelosquepuedetomarla
variablealeatoriaquedivideendospartesigualesaladistribucin,demaneratala
cadaladodelamedianasetiene0.5deprobabilidad;esdecir:

0.50

(11.11)

Formalementesedefinecomo:

0.50paralasvariablesaleatoriascontinuas.

0.5paralasvariablesaleatoriasdiscretas.

En otros trminos, la mediana es el segundo cuartil de la distribucin o sea

.

Ejemplo11.16Conrelacinaltiempodevidadeunsistemaelctricodepotencia
del ejemplo 1, que se distribuye uniformemente sobre el intervalo 80, 120 ; su
medianaes:

1
1
1
|
80
0.50
40
40 80 40
Despejandoa :
20 80 100

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |261

Si se observa la figura 11.1 en este caso la media es igual a la mediana, que

fraccionanen2aladistribucinyqueacadaladosetiene0.5delreatotalquees1
debido a que la distribucin es simtrica; lo que ocurre en todas las distribuciones
simtricas.
Otra forma alternativa de determinar la mediana, consiste en referirse a la
grfica de la FDA como puede verse en la figura 11.9 y, partiendo de 0.50 en el eje
verticalquecorrespondea
trazarunarectahorizontaly,enlainterseccincon
lacurva,trazarunarectaverticalhaciaelejexdondeselocalizaelvalordelamediana.

Figura11.9LamedianaapartirdelaFDAdeunavariablealeatoriacontinua

Paraelcasodelasvariablesaleatoriasdiscretas,lamediananosiemprecoincide
unoaunoconunvalordeladistribucinaligualqueconlamediaporloqueparasu
clculoseprocedededosformasdistintascomosemuestraenelsiguienteejemplo.

Ejemplo11.17Conrelacinalaempresaconstructoraqueadquiere3graspara
laconstruccindeunaobradeinfraestructuradelejemplo3;consideremoselcasoen
que
0.80.LaFDAsedaenlatablayserepresentaenlafigura11.10.

0
1
2
3

0.8
0.8
0.8
0.8
Suma

px
0.008
0.096
0.384
0.512
1

0.008
0.104
0.488
1

262|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Figura11.10LaFuncindeDistribucinAcumuladadelasGras

Si se observa, hasta dos gras se tiene la probabilidad acumulada de 0.488 y

hastatresyasetiene1.00;porloque estcomprendidaentrelosvalores2y3.La
forma presisa de cacularla es mediante una interpolacin lineal; para lo cual, con
apoyoenlafigura11.11yportringulossemejantes:

Figura11.11Apoyodeinterpolacinparaelclculodelamediana

0.012
0.023
1 0.512
Quesumadoa2setiene:

2 0.023 2.023.

Otraalternativamssencilla,aunquemenosprecisaquelaanterior,consisteen
sacarelpromedioentreloslmitesdondeseubicalamediana,queparanuestrocaso
es:
2.5.

CabeobservarquesiseutilizalagrficadelaFDAverfigura11.11seobtendra
unnmeroinfinitodemedianasentre2y3.

11.3.9Lamoda

Eslamedidadetendenciacentralmsfcildeencontrareinterpretarysedefine
comoelvalordelavariablealeatoriaparaelcuallaFMPtienelamximaprobabilidad
olaFDPtienesupuntomximo.

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |263

SilaFMPestenformatabular,elvalordeXquetienelamximaprobabilidad
serlaModa
encambio,paralasvariablesaleatoriascontinuascuyaFDPdaen
forma de una funcin se calcula el mximo aplicando los conceptos de mximos y
mnimosestudiadosenelclculodiferencial.

Ejemplo 11.18 La FMP de los ingresos moneda nacional del personal de una
compaaes

x
p(x)
6,500
0.10
8,500
0.40
12,000
0.30
15,000
0.10
25,000
0.05
50,000
0.05

Alinspeccionarlatablaanteriorencontramosque
8,500.

Ejemplo 11.19 El volumen horario de trfico para el diseo de una

supercarretera est distribuido como se muestra en la figura 11.12 El ingeniero de
trnsitopuededisearlacapacidaddetrnsitodelasupercarreteraigualalamoda,la
mediax,lamedianaoelvalordelpercentil0.90de X.Determinemoslacapacidadde
diseo de la supercarretera y la correspondiente la capacidad de excedencia la
capacidaddediseoesmenorqueelvolumendetrnsitoparacadaunodeloscuatro
casos.

Figura 11.12 Distribucin horaria del volumen horaria de trnsito de la

supercarretera

Pararesolverelproblema,primerodeterminemoslaFDPylaFDAdeX.
Sabemosque
1

300
100
1
150
50
1;

2
2
200

; que sumadas dan 1.0, que comprueba

Con lo cual
geomtricamentequelasrectassiconstituyenunaFDP.

264|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Con las ecuaciones de la recta

se puede

demostrarquelafuncindedensidades:

0
0

0
300

300

400

f x
0

400

Es conveniente que probar que la expresin anterior si es una funcin de

densidad:

3 1
1
1
4 4
60,000
20,000 50

AhoracalculemoslaFDA.

300:

Para300

400:

Para

300,

300

Quepuedeverificarsecalculando

400
300
1

Comoyasehabavisto

LaFDAes,entonces:

0
0

120,000
40,000
1

3.

300

50

300

400

400
Ahora:

a) ParalamodadeXlacapacidaddediseoes
300, que corresponde al valor de X donde la FDPtoma
i.
sumximo.
ii. La probabilidad de capacidad de excedencia es
300
,quecorrepondea .

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |265

b) ParalamediadeX,necesitamoscalcularla:
i.

233.33
ii. La probabilidad de capacidad de excedencia es
233.33

233.33

0.57.

c) ParalamedianadeX,necesitamoscalcularla:
0.5

0.5

245

d) Laprobabilidaddecapacidaddeexcedenciaes

esperarse.
e) Finalmente,paraelfractil

245
.

0.50

como

era

de

i. Elvalordelfractil0.90es

0.90 lo

queda
800 .
156,000 0. Resolviendo esta ecuacin se
obtiene .
336.75 ~ 367 que corresponde a la capacidad
dediseo.
iii. La probabilidad de capacidad de excedencia es
.
1 0.90=0.10
ii.

11.4Parmetrosdedispersindelavariablealeatoria

Adems de los parmetros de localizacin, los de dispersin de la variable

aleatoria son los siguientes en importancia, que es una cantidad que indica que tan
cerca o que tan alejados o dispersos estn los valores de dicha variable respecto al
parmetro de localizacin que se elija. En particular, aqu se usar la media de la
variablealeatoria osimplemente porsersta,comoyaseadvirti,unasumao
integralponderadadelosvaloresdeXporsusprobabilidadescorrespondientes.
Enlafigura11.13muestraunafamiliadedistribucionesnormalesdondeen(a)
se ha variado la media
0, 3 3 y se ha mantenido constante la desviacin
estndar
2,quecomosevereslaraizcuadradadelavarianza;mientrasen
0 pero se ha variado la
1,2 3. Observe que el
(b) se ha mantenido
cambiodelamediaprovocauncorrimientosolamenteyqueelcambiodelavarianza
ocasionauncambiodeescala.

11.4.1LaVarianza
,

Enlaseccindelosmomentoscentralesdelcaptulo10definimosalavarianza
deunavariablealeatoriacomo

(11.12)

Tambindemostramosque

266|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

(11.13)

Tambin demostramos que es el valor ms pequeo que se obtiene en

comparacinconotrosvaloresdelocalizacin.Enadelante,usaremoslasdosprimeras
notaciones.

(a)

(b)
Figura11.13Distribucionescondiferentesmediasyvarianzas

En la tabla 1 del captulo citado aparecen las expresiones para calcular los
momentosrespectoalorigen ;as,

Momentodeorden

para variables aleatorias discretas

11.14

para variables aleatorias continuas

11.15

11.4.2Ladesviacinestndar

En virtud de que la varianza tiene las unidades de al cuadrado, entonces se

utilizaladesviacinestndarquesedefinecomolarazcuadradadelavarianzapara
obtenerlasunidadesoriginales.

(11.16)

11.4.3Elrango

Tieneladesventajaquenotomaencuentalasdistribucionessinosolamentelos
valoresextremosdelavariablealeatoriaysedefinecomo

Donde eselvalormximoy eselvalormnimodelavariablealeatoria,

respectivamente.

11.4.3.1Elrangointercuartiltico

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |267

El rango intercuartiltico se define como el conjunto de valores de la variable

aleatoriacomprendidosentreelprimeroyeltercercuartil;esdecir,queexcluyealos
valoresqueestnantesdelprimercuartilydespusdeltercero.

11.4.4Elcoeficientedevariacin

Sobre las bases de la varianza y la desviacin estndar solamente, es difcil

discernirsiladispersinespequeaogrande;porlocualsedefinealcoeficientede
variacincomoladispersinrelativaalvalorcentralmedia.

(11.17)

Ademsdequeelcoeficientedevariacinproporcionaunamedidasignificativa
de si la dispersin es pequea o grande, tiene la ventaja que es una medida
adimensionalypermitelacomparacinentrelasdistribucionesdemaneraexpedita.
Conelpropsitodealigerarlalectura,lossubndicesdetodosestosparmetros
sepuedenomitircuandonohayaconfusinsobrelavariablealeatoriaenqueoperan.

Ejemplo 11.20 Con relacin a la La FMP de los ingresos del personal de una
compaa Ejemplo 16 calculemos su varianza, desviacin estndar, el rango y su
coeficientedevariacin.Losdatosaparecenenlatabladeabajo.

x
p(x)
6,500
0.10
8,500
0.40
12,000
0.30
15,000
0.10
25,000
0.05
50,000
0.05

a)clculodelavarianza

Conforme 4

6,500 0.1 8,500 0.4

50,000
0.05 12,900
6,500

0.1

8,500

0.4

50,000

0.05

255,075,000

Conlocual

255,075,000
88,655,000

b)Ladesviacinestndares

12,900

268|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

88,665,000

9,416.3

c)Elrangoes

50,000 6,500

d)Elcoeficientedevariacines

.
,

43,500

0.73

11.5LaVariableAleatoriaEstandarizada

Conlamediayladesviacinestndaresposibleestablecerunatransformacin
de la variable aleatoria original X a otra variable aleatoria conocida como la
variable aleatoria estandarizada Z para mostrar el estado relativo de los valores
posibles de X; por lo cual es ms fcil de utilizar en la estadstica; por ejemplo, si
damosunainformacinde8,500alsalariodeunempleado,sabemosmuypocodesu
significadoesalto,bajoomedio?Encambio,siconocemoslamediayladesviacin
estndardeladistribucindelascalificaciones,entoncespodemostenerunjuicioms
certerodelalocalizacindelsalarioenladistribucin.

Si X es una variable aleatoria, la correspondiente variable aleatoria

estandarizada,denotadacon sedefinecomo

(11.18)

La variable aleatoria estandarizada es entonces una desviacin del valor

esperadorelativaaladesviacinestndar.Paracualquiervalordelavariablealeatoria
,elcorrespondientevalorde nosinformaquetantasdesviacionesestndarelvalor
deX estalejadodelamedia .

Ejemplo11.21Paracalcularladistribucinestandarizadadelosingresosdel
ejemploanteriorsabemosque
12,900y
9,416.3

Conlocual

,
,
,
,
,
,
0.68,
0.47, ,
,

3.94 ;de

maneratalqueladistribucindeZes

z
0.68

p(z)
0.10

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |269

0.47
0.10
0.22
1.29
3.94

0.40
0.30
0.10
0.05
0.05

Ahorapodemosdecirqueelingresode$8,500estubicadoa0.47pordebajo
delamedia.

Otraspropiedadesdeladistribucindelavariableestandarizada consistenen
quea)laformageneraldeladistribucinnocambiaconlatransformacinde Xa Zy
0 ysuvarianza
1.0comosedemuestraacontinuacin:
b)lamedia

1
0

Seproponeallectorquecalculeestosparmetrosdelejemploanteriorconlas
expresionescorrespondientesvistasarriba.

Ejemplo11.22SilavariablealeatoriaXtienecomocomoFDP

Aplicandolatransformacin
seobtienelaFDPestandarizadade quees

(11.19)

11.6LadesigualdaddeChebychev

Con base en la variable aleatoria estandarizada, esta desigualdad es til para

determinar probabilidades cuando se conoce la media y la desviacin estndar de la
variable aleatoria X, an cuando no se conozca la forma de la distribucin. Esta
desigualdadllevaelnombredelmatemticorusoyseestablececomo

(11.20)

Lo que significa que la probabilidad que una variable aleatoria estandarizada

tenga una magnitud absoluta mayor o igual a algn nmero positivo es siempre
menor o igual 1 . As, si conocida la media y la varianza de una distribucin, sin
conocersuforma,laprobabilidaddesacaruncasoquetengaunvalorestandarizado
de2oms,envalorabsoluto,esalosumo14.

270|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Ejemplo11.23Si representaladuracinendas,quetomaunembarquede
crudopetrolerodeMxicoaEspaayporexperienciasesabequelamediaesde50
dasconunadesviacinestndarde10,comosedesconocelaFDPde noesposible
tener probabilidades exactas, pero aplicando la desigualdad de Chebychev podemos
tener probabilidades aproximadas; as para
60 y, conforme a la desigualdad de
Chebychev,laprobabilidadque estealejadodelamediaencualquierdireccines

1 y | | 1
11 1; lo que significa que la probabilidad
queembarquearribeaEspaasaliendodeMxicoenelperiodode40a60dasesalo
ms1.0

2y | | 2
12 0.5;oseaquealo
Si
70setiene
mshayunaprobabilidadde0.5dequeladuracinestcomprendidaentre30y70
das.

Si
80 se tiene
3 y | | 3
13 0.333; que
corresponde a la mxima probabilidad que el embarque de crudo petrolero saliendo
deMxicoarribeaEspaaentre20y80das.

Cabe observar que a medida que nos alejamos de la media en valor absoluto,
paralamismadesviacinestndar,lasprobabilidadesacumuladasdisminuyen.

11.7Parmetrodesesgo,primerfactordeformaotercermomentoestndar

Otrosdosparmetrosdelasdistribucionescorrespondenalosparmetrosque
midenlaformadelasdistribucionesdeprobabilidad,elprimerparmetrodeformaes
el de sesgo y el segundo es el de aplanamiento de la distribucin conocido como
curtosisqueestudiaremosenlasiguienteseccin.Laricavariedaddeformasdelas
distribuciones van desde sesgadas a la izquierda, simtricas, hasta sesgadas a la
derecha.Comoseilustraenlasfigurasprevias11.1a11.9,la11.1,11.6(a),11.6(c),
11.6(e),9(a)y9(b)correspondenadistribucionessimtricas;entantoquelasfiguras
2, 3, 4(b) y 8 pertenecen a distribuciones no simtricas, asimtricas o sesgadas. Ms
an,comoseapreciaenlafigura11,14losmiembrosdeunafamiliadedistribuciones
cambian su forma, su sesgo o su simetra, cuando se varan los parmetros; as, al
aumentarelparmetrodeladistribucindelafigura10(a),vadisminuyendoelsesgo
quepresentaaladerechayvatendiendoalasimetra,encambioenlafigura10(b)
sucede lo contrario, al disminuir los parmetros, en este caso n, los miembros de la
familiapierdensuasimetraizquierdaytiendenalasimetra.

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |271

(a)

(b)

Figura11.14.Distribucionessesgadasaladerecha(a)yalaizquierda(b)

Sedicequeunadistribucinessimtricasipuededesplegarseconreferenciaa
unejeverticaldemaneratalquelosdosladosseanigualescomopuedeverificarse
enlasdistribucionesdela11.1,cuyasimetraseestablececonrespectoalasrectas
verticalesquepasanporsusmedias,oenladistribucincentraldelafigura11.13(a)
queessimtricaconrespectoalejeverticalquecontienealcero.
Las distribuciones que carecen de simetra con respecto a un eje vertical se
llamandistribucionessesgadas,comopuedeverseenlasfiguras2y8.Sedicequeuna
distribucin est sesgada a la derecha si su cola est en esta direccin ver figura
11.14(a),porelcontrario,ladistribucinestsesgadaalaizquierdasisucolaest
enestadireccinverfigura11.14(b).

ElparmetrodesesgodeunadistribucindeX sedefinecomo

(11.21)

Donde esunvalorsindimensiones.

siempre est conforme al signo de y el valor puede ser negativo, cero o

positivo.

0,

Si

0,

Ejemplo11.24.Laresistencialateral Rdelmarcodeedificioesaleatoriacon
FDP
10 20
10
20

Calculemos

272|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

a) elvalormediodeR

Ladensidades

30

200 conlacual

3
500

30

200

3
500

30

200

15

b) LamedianadeR

30

Entonces

200

200

0.5

15

c) Lamodaseencuentraaplicandolosconceptosdemximosymnimos

30

0,resolviendopara

15

d) Ladesviacinestndar

Recordemosque

30

200

200

30

230

Porlotanto

230

15

e) Elcoeficientedevariacin

0.149

f) Elprimerfactordeformaocoeficientedesesgo

Comosedemostrenelcaptuloanterior,eltercermomentocentrales

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |273

15,

Donde

200
30

230,
30

cuyovalores

200

600,000

3,600

Conelcual

3,600

3 15 230

2 15

0y

Lo que indica que la forma de la distribucin de R es simtrica, lo que ya se

sospechabaalverquelamedia,lamedianaylamodaeranigualesa 15; ysepuede
atestiguaralverlasgrficasdelaFDPydelaFDAde Rquesepresentanenlafigura
11.15.

F(r)

Figura11.15GrficasdelaFDPyFDAdelaresistencialateraldelmarco

Ejemplo 11.25 La FMP del tiempo de retardo T de un proyecto de

construccin de un sistema electrnico y el costo de la penalizacin C
correspondientesedaenlasiguientetabla.

(enmeses)
Funcindepenalizacin
c(
$
,

1
0.5
5
2
0.3
6
3
0.1
7
4
0.1
7

Determinemoslapenalizacinmediadeproyecto

5 0.5
6 0.3
7 0.1
7 0.1
5.7
570,000

274|Cap.11P a r m e t r o s d e l a s d i s t r i b u c i o n e s

Ladesviacinestndardelapenalizacines

5 0.5

33.1 5.7
0.61

Elcoeficientedevariacin

6 0.3

7 0.1

0.78

7 0.1

33.1

78,000

78,000
570,000

Elprimerfactordeforma:

Recordemosque
donde

0.14

,necesitamoscalcular

5 0.5

Conlocual

195.9

6 0.3

7 0.1

3 5.7 33.1
0.076
0.78

7 0.1

2 5.7

195.9

0.076

0.16

LoqueseinterpretacomounaFMPsesgadaaladerechacomopuedeversesise
graficalafuncindedistribucindelasmultas.

11.8Parmetrodeaplanamientoocurtosis,segundofactordeformaocuarto
momentoestndar

Una indicacin del aplanamiento o que tan picuda est una distribucin se
4
obtiene con el cuarto momento central
6
3 . Como en el primer factor de forma, el cuarto momento estndar se
definecomo

(11.22)

Para determinar el aplanamiento de una distribucin, se usa la distribucin

3;as,paracualquierotra
normalestndarcomoestndarpuestoqueparaella
distribucin de la variable aleatoria X decimos que es menos picuda o que tiene
mayor curtosis que la distribucin normal si su
3 y que es ms picuda o tiene
menoscurtosissisu
3.

C a p . 1 1 P a r m e t r o s d e l a s d i s t r i b u c i o n e s |275

Ejemplo 11.26 Para el ejemplo 21 relacionado con la resistencia lateral del

marco de edificio es aleatoria con FDP calculemos su segundo factor de forma
parmetrodecurtosis.

Ya encontramos que
15,
230,
3,600.Paracalcular necesitamosdeterminar .

3
30
200
500
3
30
200
67000000/7
500

4
6
3

67000000
4 15 3,600
6 15 230
3 15
66999573/7
7

Y
66999573/7 66999573
328,855
175
5
En conclusin, el conocimiento de los parmetros de localizacin, dispersin,
sesgoycurtosis,analizadosenestecaptulo;constituyenelconjuntodevalorestilesy
necesarios para caracterizar a la distribucin de la variable aleatoria y suelen
agruparse con la notacin D ( , , ,
donde D representa la distribucin. En
adelante, se pondr nfasis en la media, la varianza y la desviacin estndar y se
representarconD( , ,salvoqueseindiquelocontrario.

11.9Bibliografayreferencias

http://es.wikipedia.org/wiki/Media_aritm%C3%A9tica, consultada en agosto de

2009.
http://es.wikipedia.org/wiki/Media_geom%C3%A9trica, consultada en agosto de
2009.
http://es.wikipedia.org/wiki/Media_armonica,consultadaenagostode2009.
http://es.wikipedia.org/wiki/Media_generalizada,consultadaenagostode2009.
Bhattacharyya G. Johnson R (1977), STATISTICAL, CONCEPTS AND METHODS, John
Wiley&Sons,USA.
Olkin I, Gleser L. Derman C (1980), PROBABILITY, MODELS AND APPLICATIONS,
MacmillanPublishing,USA.
Winkler R. Hays W. (1975) Statistics: Probability, Inference and Decision, Second
Edition,Holt,RinehartandWinston,USA.
Ang A. Tang W. (1975) Probability Concepts in Engineering Planning and Design,
JohnWiley&Sons,USA.

Nombredearchivo:
cap11parmetrosdelasDistribucionesdeProbabilidad
def.docx
Directorio:
C:\DocumentsandSettings\bfc\Misdocumentos\g1)
CaptulosdemilibrodeProbabilidadyestadstica20072009
Plantilla:
C:\DocumentsandSettings\bfc\Datosde
programa\Microsoft\Plantillas\Normal.dotm
Ttulo:

Asunto:

Autor:
BernardoFrontanadelaCruz
Palabrasclave:

Comentarios:

Fechadecreacin:
24/08/200913:06:00
Cambionmero:
150
Guardadoel:
08/02/201023:07:00
Guardadopor:
fACULTADDEINGENIERA
Tiempodeedicin:
5,315minutos
Impresoel:
30/08/201013:06:00
ltimaimpresincompleta
Nmerodepginas:
30
Nmerodepalabras:
8,140(aprox.)
Nmerodecaracteres:
44,776(aprox.)