Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Estadstica
Universidad Carlos III de Madrid
1.
Distribuciones discretas
1.1.
1.1.1.
Proceso de Bernoulli
Modelos principales asociados al proceso de Bernoulli
Distribuci
on de Bernoulli, B(1, p). Una variable aleatoria X sigue distribucion de Bernoulli de parametro p (0, 1) y se denota X B(1, p) si
describe el n
umero de exitos en una realizacion de un experimento que tiene probabilidad de exito p (probabilidad de fracaso 1 p). Toma valores en
{0, 1}.
P (X = 1) = p ; P (X = 0) = 1 p ;
E[X] = p ;
Distribuci
on Binomial, B(n, p). Una variable aleatoria X sigue distribucion Binomial de parametros n N y p (0, 1) y se denota X B(n, p)
si describe el n
umero de exitos en n realizaciones independientes de un experimento que tiene probabilidad de exito p (probabilidad de fracaso 1 p).
Puede tomar cualquier valor en {0, 1, . . . , n}.
Si k {0, 1, . . . , n}, se cumple
n k
P (X = k) =
p (1 p)nk ;
k
E[X] = np ;
1
;
p
var[X] =
1p
.
p2
Distribuci
on Binomial Negativa, BN(r, p). Una variable aleatoria X
sigue distribucion Binomial Negativa de parametros r N y p (0, 1) y se
denota X BN(r, p) si describe el n
umero de fracasos de un experimento
antes del r-esimo exito, siendo las realizaciones del experimento independientes y en cada una de ellas p la probabilidad de exito (probabilidad de
2
fracaso 1 p). Puede tomar cualquier valor entero mayor o igual que cero,
{0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple
r+k1 r
P (X = k) =
p (1 p)k ;
r1
E[X] =
r(1 p)
;
p
var[X] =
r(1 p)
.
p2
Distribuci
on Hipergeom
etrica, H(N, n, D/N ). Una variable aleatoria
X sigue distribucion Hipergeometrica de parametros N N, n N con
n N y D/N con D N, D N y se denota X H(N, n, D/N ) si
describe el n
umero de individuos que tienen una cierta caracterstica en n
observaciones sin reemplazamiento en una poblacion de N individuos de entre
los que D tienen la caracterstica (N D no tienen la caracterstica). Puede
tomar cualquier valor entero mayor o igual que max{0, n + D N } y menor
o igual que mn{n, D}.
Si max{0, n + D N } k mn{n, D}, se cumple
D N D
k
P (X = k) =
E[X] = n
1.2.
D
;
N
var[X] = n
nk
N
n
D N D N n
.
N
N
N 1
Proceso de Poisson
Distribuci
on de Poisson, P(). Una variable aleatoria X sigue distribucion de Poisson de parametro > 0 y se denota X P() si representa el
n
umero de eventos ocurridos independientemente y a velocidad constante o
con intensidad constante en un tiempo o region fija. Puede tomar cualquier
valor entero mayor o igual que cero, {0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple
k
e ;
k!
var[X] = .
P (X = k) =
E[X] = ;
Propiedad. Las distribuciones de Poisson son reproductivas, es decir, dadas X P(1 ) e Y P(2 ) independientes, se cumple X + Y P(1 + 2 ).
3
2.
Distribuciones continuas
1
si x < a
0
si x (a, b)
xa
ba
si a x < b ;
fX (x) =
; FX (x) =
0
si x
/ (a, b)
ba
1
si x b
E[X] =
2.1.
a+b
;
2
var[X] =
(b a)2
.
12
Proceso de Poisson
Distribuci
on Exponencial, Exp(). Una variable aleatoria X sigue distribucion exponencial de parametro > 0 y se denota X Exp() si toma
valores positivos seg
un la siguiente funcion de densidad,
x
e
si x > 0
0
si x < 0
fX (x) =
; FX (x) =
;
x
0
si x 0
1e
si x 0
E[X] =
1
;
var[X] =
1
.
2
2.2.
Distribuci
on Normal
Distribuci
on Normal, N(, ). Una variable aleatoria X sigue distribucion normal de media y desviacion tpica y se denota X N(, ) si
toma valores en toda la recta real, seg
un la siguiente funcion de densidad,
(x)2
1
fX (x) = e 22 .
2
n), equivai
i=1
Pn
Correcci
on por continuidad. Si aplicamos el Teorema Central del Lmite
a variables aleatorias discretas con valores enteros, mientras que X1 + X2 +
. . . + Xn es discreta (y toma valores enteros), la normal es continua. As,
para aproximar la probabilidad de X1 + X2 + . . . + Xn a donde a N,
calculamos FN(n,n) (a + 1/2).
Aproximaci
on Binomial-Normal. Si n 30 y np(1
p p) > 5, podemos
aproximar una binomial B(n, p) por una normal N(np, np(1 p)). Observa
que una binomial se puede construir como suma de variables de Bernoulli
independientes.
Aproximaci
on Poisson-Normal. La distribucion de Poisson surge como
lmite e la Binomail cuando el n
umero de experimentos tiende a infinito.
Por tanto,
si > 5, podemos aproximar una Poisson P() por una normal
N(, ).
2.3.
Distribuci
on 2 de Pearson, 2n . Si X1 , X2 , . . . , Xn son n variables aleatorias independientes con distribucion N(0, 1), entonces
Y = X12 + X22 + . . . + Xn2
sigue distribucion chi-cuadrado de Pearson con n grados de libertad, Y
2n . Una variable aleatoria con distribucion chi-cuadrado solo toma valores
positivos.
E[Y ] = n ; var[Y ] = 2n.
Distribuci
on t de Student, tn . Si X e Y son dos variables aleatorias
independientes, de tal modo que X sigue una distribucion normal estandar
e Y sigue distribucion chi-cuadrado con n grados de libertad, entonces
X
Z=p
Y /n
sigue distribucion t con n grados de libertad, Z tn . Una variable aleatoria
con distribucion t toma valores en toda la recta real.
n
E[X] = 0 ; var[X] =
si n 3.
n2
6
Distribuci
on F de Fisher-Snedecor, Fn1 ,n2 . Si X e Y son dos variables
aleatorias independientes, de tal modo que X sigue una distribucion chicuadrado con n1 grados de libertad e Y sigue distribucion chi-cuadrado con
n2 grados de libertad, entonces
Z=
X/n1
Y /n2