Professional Documents
Culture Documents
Las distribuciones discretas son aquellas en las que la variable puede pude tomar un nmero determinado de valores:
Ejemplo: si se lanza una moneda al aire puede salir cara o cruz; si se tira un dado puede salir un nmero de 1 al 6; en una ruleta el nmero
puede tomar un valor del 1 al 32.
Las distribuciones continuas son aquellas que presentan un nmero infinito de posibles soluciones:
Ejemplo: El peso medio de los alumnos de una clase puede tomar infinitos valores dentro de cierto intervalo (42,37 kg, 42,3764 kg,
42,376541kg, etc); la esperanza media de vida de una poblacin (72,5 aos, 72,513 aos, 72,51234 aos).
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede tener dos soluciones: acierto o fracaso:
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale); probabilidad de ser admitido en una universidad (o te
admiten o no te admiten); probabilidad de acertar una quiniela (o aciertas o no aciertas)
Verificndose que:
p+q=1
p + q = 0,5 + 0,5 = 1
p + q = 0,25 + 0,75 = 1
p + q = 0,00001 + 0,99999 = 1
Distribucin de Bernoulli y Distribucin Binomial
La distribucin de Bernoulli (o distribucin dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es una distribucin
de probabilidad discreta, que toma valor 1 para la probabilidad de xito ( ) y valor 0 para la probabilidad de fracaso ( ).
Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico experimento con dos posibles resultados (xito o fracaso), se
dice que la variable aleatoria X se distribuye como una Bernoulli de parmetro P.
Su formula es:
La distribucin Binomial es una distribucin de probabilidad discreta que mide el nmero de xitos en una secuencia de n ensayos
de Bernoulli independientes entre s, con una Probabilidad fija p de ocurrencia del xito entre los ensayos.
Un experimento de Bernoulli se caracteriza por ser dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina xito y
tiene una probabilidad de ocurrencia p y al otro, fracaso, con una probabilidad Q = 1 - p. En la distribucin Binomial el anterior experimento se
repite n veces, de forma independiente, y se trata de calcular la probabilidad de un determinado nmero de xitos. Para N = 1, la Binomial se
convierte, de hecho, en una distribucin de Bernoulli.
N= Numero de eventos.
X= Numero de xitos.
P= Probabilidad de xito.
Q= probabilidad de fracaso.
Media: n.p
Varianza: n.p.q
N= 50
X= 10
P= 15.8% 0.158%
Q= 84.2% 0.842%
(50-10)! 10!
Los basureros nos ayudan a mejorar el ambiente de la ciudad disminuyendo las emisiones de CO2 directo a la atmosfera
Cuando en un proceso del tipo Bernoulli se desea saber la probabilidad de obtener exactamente x xitos en un intervalo de tiempo, con un
promedio de eventos esperados l , se puede aplicar la frmula de la probabilidad de Poisson:
X = 0, 1, 2, ., n
e = 2.71828 (es una constante, la base de los logaritmos naturales)
Veamos el siguiente ejemplo:
Supongamos que estamos investigando la seguridad de una peligrosa inteleccin de calles, los registros policacos indican una media de 5
accidentes mensuales en esta interseccin.
El departamento de seguridad vial desea que calculemos la probabilidad de que en cualquier mes ocurran exactamente 3 accidentes.
Analizando el problema, este situacin se ajusta a un proceso de Poisson, hay una secuencia de llegada (por mas que exista un choque
mltiple, siempre hay uno que choca primero). Tenemos la siguiente informacin:
l = 5 accidentes por mes
x = 3 accidentes por mes
Aplicando la formula de la probabilidad de Poisson:
Autor:
Mayra Elizabeth Avila Beltran
Distribucin uniforme
La distribucin uniforme es la que corresponde a una variable que toma todos sus valores, x1, x2... , xk, con igual
probabilidad; el espacio muestral debe ser finito.
donde k es el parmetro de la distribucin (un parmetro es un valor que sirve para determinar la funcin de probabilidad o
densidad de una variable aleatoria)
El histograma de la funcin toma el aspecto de un rectngulo, por ello, a la distribucin uniforme se le suele llamar
distribucin rectangular.
Distribucin binomial
La distribucin binomial es tpica de las variables que proceden de un experimento que cumple las siguientes
condiciones:
2) Cada prueba resulta en un suceso que cumple las propiedades de la variable binmica o de Bernouilli, es decir, slo
existen dos posibles resultados, mutuamente excluyentes, que se denominan generalmente como xito y fracaso.
3) La probabilidad del xito (o del fracaso) es constante en todas las pruebas. P(xito) = p ; P(fracaso) = 1 - p = q
En estas condiciones, la variable aleatoria X que cuenta el nmero de xitos en las n pruebas se llama variable
binomial. Evidentemente, el espacio muestral estar compuesto por los nmeros enteros del 0 al n. Se suele decir que una
variable binmica cuenta objetos de un tipo determinado en un muestreo de n elementos con reemplazamiento.
La funcin de probabilidad de la variable binomial se representa como b(x,n,p) siendo n el nmero de pruebas y p la
probabilidad del xito. n y p son los parmetros de la distribucin.
La manera ms fcil de calcular de valor de nmeros combinatorios, como los incluidos en la expresin anterior, es
utilizando el tringulo de Tartaglia
Varianza = 2 = n p q
Grficamente el aspecto de la distribucin depende de que sea o no simtrica Por ejemplo, el caso en que n = 4:
Distribucin multinomial
La distribucin multinomial es esencialmente igual a la binomial con la nica diferencia de que cada prueba tiene ms
de dos posibles resultados mutuamente excluyentes.
Si tenemos K resultados posibles (Ei , i = 1, ... , K) con probabilidades fijas (pi , i = 1, ... , K), la variable que expresa el
nmero de resultados de cada tipo obtenidos en n pruebas independientes tiene distribucin multinomial.
Una variable tiene distribucin hipergeomtrica si procede de un experimento que cumple las siguientes condiciones:
X cuenta el nmero de xitos obtenidos en la muestra. El espacio muestral es el conjunto de los nmeros enteros de 0
a n, de 0 a K si K < n.
En este caso, la probabilidad del xito en pruebas sucesivas no es constante pues depende del resultado de las
pruebas anteriores. Por tanto, las pruebas no son independientes entre s.
Si n es pequeo, con relacin a N (n << N), la probabilidad de un xito variar muy poco de una prueba a otra, as
pues, la variable, en este caso, es esencialmente binomial; en esta situacin, N suele ser muy grande y los nmeros
combinatorios se vuelven prcticamente inmanejables, as pues, la probabilidades se calculan ms cmodamente aproximando
por las ecuaciones de una binomial con p = K / N.
el factor por el que difieren ser siempre menor que 1 y tan prximo a 1 como cierto sea que n << N.
El aspecto de la distribucin es bastante similar al de la binomial. Como ejemplo, mostramos los casos anlogos a los
de las binomiales del apartado anterior (p inicial = 0,25 y n = 4)
Distribucin multihipergeomtrica
Este variable se define igual que la hipergeomtrica con la nica diferencia de que se supone que el conjunto de
objetos sobre el que se muestrea se divide en R grupos de A1, A2,..., AR objetos y la variable describe el nmero de objetos de
cada tipo que se han obtenido (x1, x2,..., xR)
Esta situacin es anloga a la planteada en el caso de la distribucin multinomial. La funcin de probabilidad es:
Distribucin de poisson
Una variable de tipo poisson cuenta xitos (es decir, objetos de un tipo determinado) que ocurren en una regin del
espacio o del tiempo.
El experimento que la genera debe cumplir las siguientes condiciones:
1. El nmero de xitos que ocurren en cada regin del tiempo o del espacio es independiente de lo que ocurra
en cualquier otro tiempo o espacio disjunto del anterior.
2. La probabilidad de un xito en un tiempo o espacio pequeo es proporcional al tamao de este y no
depende de lo que ocurra fuera de l.
3. La probabilidad de encontrar uno o ms xitos en una regin del tiempo o del espacio tiende a cero a
medida que se reducen las dimensiones de la regin en estudio.
Como consecuencia de estas condiciones, las variables Poisson tpicas son variables en las que se cuentan sucesos
raros.
Esta caracterstica puede servirnos para identificar a una variable Poisson en casos en que se presenten serias
dificultades para verificar los postulados de definicin.
La distribucin de Poisson se puede considerar como el lmite al que tiende la distribucin binomial cuando n tiende
a y p tiende a 0, siendo np constante (y menor que 7); en esta situacin sera difcil calcular probabilidades en una variable
binomial y, por tanto, se utiliza una aproximacin a travs de una variable Poisson con media l = n p.
Las variables Poisson cumplen la propiedad de que la suma de variables Poisson independientes es otra Poisson con
media igual a la suma las medias.
El aspecto de la distribucin depende muchsimo de la magnitud de la media. Como ejemplo, mostramos tres casos
con = 0,5 (arriba a la izquierda), = 1,5 (arriba a la derecha) y = 5 (abajo) Obsrvese que la asimetra de la distribucin
disminuye al crecer y que, en paralelo, la grfica empieza a tener un aspecto acampanado.
Variables aleatorias continuas
La distribucin normal fue definida por De Moivre en 1733 y es la distribucin de mayor importancia en el campo de la
estadstica.
Una variable es normal cuando se ajusta a la ley de los grandes nmeros, es decir, cuando sus valores son el
resultado de medir reiteradamente una magnitud sobre la que influyen infinitas causas de efecto infinitesimal.
Las variables normales tienen una funcin de densidad con forma de campana a la que se llama campana de Gauss.
3) La curva tiene dos puntos de inflexin situados a una desviacin tpica de la media. Es convexa entre ambos puntos
de inflexin y cncava en ambas colas.
Afortunadamente, cualquier que sea la variable normal, X, se puede establecer una correspondencia de sus valores
con los de otra variable con distribucin normal, media 0 y varianza 1, a la que se llama variable normal tipificada o Z. La
equivalencia entre ambas variables se obtiene mediante la ecuacin:
La funcin de distribucin de la variable normal tipificada est tabulada y, simplemente, consultando en las tablas se
pueden calcular probabilidades en cualquier intervalo que nos interese.
De forma anloga a lo pasaba con las variables Poisson, la suma de variables normales independientes es otra
normal.
Histograma de una normal idealizada Histograma de una muestra de una variable normal
Distribucin Gamma ()
La distribucin gamma se define a partir de la funcin gamma, cuya ecuacin es:
Su parmetro es .
Distribucin Chi-cuadrado
Es otro caso particular de la distribucin gamma para el caso = 2 y = n / 2, siendo n un nmero natural.
Otra forma de definir la distribucin es la siguiente: Supongamos que tenemos n variables aleatorias normales
independientes, X1,..., Xn, con media i y varianza (i = 1 ... n), la variable definida como
tiene distribucin con n grados de libertad y se le denomina n.
Distribucin T de Student
Supongamos dos variables aleatorias independientes, una normal tipificada, Z , y otra con distribucin con grados
de libertad, la variable definida segn la ecuacin:
Esta distribucin es simtrica respecto al eje Y y sus colas se aproximan asintticamente al eje X. Es similar a la
distribucin Z salvo que es platicrtica y, por tanto, ms aplanada.
Cuando n tiende a infinito, t tiende asintticamente a Z y se pueden considerar prcticamente iguales para valores de
n mayores o iguales que 30..
Sean U y V dos variables aleatorias independientes con distribucin con 1 y 2 grados de libertad, respectivamente.
La variable definida segn la ecuacin:
Las distribuciones F tienen una propiedad que se utiliza en la construccin de tablas que es la siguiente:
Llamemos f1,2 al valor de una distribucin F con 1 y 2 grados de libertad que cumple la condicin, P(F > f1,2) = ;
llamemos f1,2 al valor de una distribucin F con 1 y 2 grados de libertad que cumple la condicin, P(F > f1,2) = 1- .
Ambos valores estn relacionados de modo que uno es el inverso del otro.
Variables F con distintos valores de 1 , 2