Está en la página 1de 30

HATTEM OLIVERA KAREN IVETH.

08070795 10/ABRIL/2012

VARIABLES ALEATORIAS DISCRETAS.

- Distribucin uniforme
- Distribucin binomial
- Distribucin multinomial
- Distribucin hipergeomtrica
- Distribucin multihipergeomtrica
- Distribucin de poisson
Funcin de probabilidad.
Se llama funcin de probabilidad de una variable aleatoria discreta X a
la aplicacin que asocia a cada valor de xi de la variable su
probabilidad pi.
0 pi 1 p1 + p2 + p3 + + pn = pi = 1
Ejemplo: Calcular la distribucin de probabilidad de la variable
aleatoria puntuaciones obtenidas al lanzar un dado.
Valor x 1 2 3 4 5 6
Prob p 1/6 1/6 1/6 1/6 1/6 1/6
Representacin: La representacin de una distribucin discreta de
probabilidad es un diagrama de barras.

Funcin de distribucin de probabilidad de una variable aleatoria.

Sea X una variable aleatoria discreta cuyos valores suponemos
ordenados de menor a mayor. Llamaremos funcin de distribucin de la
variable X, y escribiremos F(x) a la funcin
F(x) = p(X x)
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

La funcin de distribucin asocia a cada valor de la variable aleatoria la
probabilidad acumulada hasta ese valor.
Ejemplo:alcular la funcin de distribucin de probabilidad de las
puntuaciones obtenidas al lanzar un dado.
Valor x <1 1 x <
2
2 x <
3
3 x <
4
4 x < 5 6 x <
6
6 x
Prob p 0 1/6 2/6 3/6 4/6 5/6 1
Representacin
La representacin de un funcin de distribucin de probabilidad es una
grfica escalonada.

Media de una variable aleatoria discreta
Esperanza matemtica o media

Calcular la esperanza matemtica de la distribucin de probabilidad de
las puntuaciones obtenidas al lanzar un dado.
X p i x p i x
2
pi
1

2

3

4

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

5

6

1 6






Ejemplo
Sea la v.a discreta terica que tiene como funcin de probabilidad la
siguiente tabla:

X=xi -1 0 1 2
f(xi)=P(xi) 0,1 0,3 0,2 0,4

Para calcular su funcin de distribucin F(xi) =P(X xi) :







9 , 0 4 , 0 . 2 2 , 0 . 1 3 , 0 . 0 1 , 0 ). 1 ( ) ( . ) (
1
= + + + = = =

=
n
i
i i
x f x X E
09 , 1 81 , 0 9 , 1 ) 9 , 0 ( 4 , 0 2 2 , 0 . 1 3 , 0 . 0 1 , 0 . ) 1 ( ) ( ] [
2 2 2 2 2 2 2 2
= = + + + = = =

o
i
i
x f x X V
04 , 1 09 , 1 = = o
UNA APLICACIN PRCTICA: LA JUSTICIA DE LOS JUEGOS DE AZAR.
Se tiran tres monedas. Si se sacan tres caras se ganan 5 Euros . Si no se
sacan se pierde el euro apostado. Es el juego justo?
La variable aleatoria {ganancia neta del jugador} se define a partir de
la siguiente tabla.
x
i
f(x
i
)=P
i
X
i
. f(x
i
) X
i
2
. f(x
i
)
-1 0,1 -0,1 0,1
0 0,3 0 0
1 0,2 0,2 0,2
2 0,4 0,8 1,6
1 0,9 1,9
Estos parmetros se pueden
calcular ms fcilmente organizando
los datos en forma de tabla


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Resultado Valor numerico asociado
C,C,C +4
Otros -1
Funcin de probabilidad:
Valor de VA Valor numerico asociado
+4 1/6
-1 5/6
Esperanza matemtica E(x)=4*(1/6) + (-1)*5/6 =-1/6

Por tanto cada vez que se realiza el juego el jugador pierde de media
1/6 de Euro y por tanto puede calificarse como injusto para l.
Este efecto de prdida de dinero se pone muy claramente de
manifiesto cuando se repite muchas veces el juego. Si jugamos 600
veces, la ganancia esperada que esperar obtener el organizador del
juego es de 600*1/6=100.

Para que el juego fuera justo la Esperanza matemtica tendra que valer
cero. El valor del premio debera ser V tal que (V-1)*(1/6) = (1)*5/6 que
resulta ser igual a 6

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.
Si la variable tiene k posibles valores, su funcin de probabilidad
sera:

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)
La media y la varianza de la variable uniforme se calculan por las
expresiones:


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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 o de Bernoulli
Un experimento sigue el modelo binomial o de Bernoulli si:
1. En cada prueba del experimento slo son posibles dos resultados: el
suceso A (xito) y su contrario .
2.La probabilidad del suceso A es constante, es decir, que no vara de
una prueba a otra. Se representa por p.
3.El resultado obtenido en cada prueba es independiente de los
resultados obtenidos anteriormente.
Variable aleatoria binomial
Para un experimento que sigue el modelo binomial se define la variable
aleatoria X que expresa el nmero de xitos obtenidos en cada prueba
del experimento. A esa variable se la denomina variable aleatoria
binomial.
La variable aleatoria binomial es una variable aleatoria discreta, slo
puede tomar los valores 0, 1, 2, 3, 4, ..., n suponiendo que se han
realizado n pruebas.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Ejemplo:Lanzamos una moneda 10 veces. El experimento se ajusta al
modelo binomial. La variable aleatoria nmero de caras es una
variable aleaoria binomial que puede tomar los valores 0,1,2,3,4,.,10.
Distribucin binomial
Un experimento que se ajusta al modelo binomial se suele representar
por B(n, p), donde n es el nmero de pruebas de que consta el
experimento y p es la probabilidad del suceso A (xito).La probabilidad
de es 1 p, y la representamos por q.
Funcin de probabilidad de una variable aleatoria binomial
La funcin de probabilidad de la distribucin binomial, tambin
denominada funcin de la distribucin de Bernoulli, es:

n es el nmero de pruebas. k es el nmero de xitos. p es la
probabilidad de xito. q es la probabilidad de fracaso.
Ejemplo:La ltima novela de un autor ha tenido un gran xito, hasta el
punto de que el 80% de los lectores ya la han leido. Un grupo de 4
amigos son aficionados a la lectura:
1. Cul es la probabilidad de que el grupo hayan leido la novela 2
personas?
n = 4 p = 0.8 q = 0.2 B(4, 0.2)

2.Y al menos 2?


Media y varianza de la distribucin binomial
Media
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


Ejemplo :La probabilidad de que un artculo producido por una fabrica
sea defectuoso es p 0.002. Se envi un cargamento de 10.000 artculos a
unos almacenes. Hallar el nmero esperado de artculos defectuosos.


Ejemplo 4:Supongamos el experimento aleatorio consistente en el
lanzamiento de cuatro monedas trucadas con triple de probabilidad de
obtener cara que cruz.
Consideramos el suceso A= {obtener cara} con el siguiente espacio
muestral.
Definimos la variable X = n de caras obtenido en cada lanzamiento.

El lanzamiento de cuatro monedas:
- El experimento consiste en cuatro lanzamientos iguales n= 4

- Cada lanzamiento slo tiene dos resultados posibles: A= obtener
cara y A
c
= no obtener cara = obtener cruz.


- La probabilidad p de obtener cara no vara de una moneda a
otra: p= 0,75, y por tanto q = 1-p= 0,25 tampoco.

- El resultado de cada lanzamiento es independiente de los
resultados obtenidos en los lanzamientos anteriores.

Por tanto, se trata de un experimento binomial y X es una V. a. discreta
que sigue una distribucin B(4, 0,75) y por lo tanto su funcin de

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

probabilidad es
x x
x
x X P x f

|
|
.
|

\
|
= = =
4
25 , 0 . 75 , 0 .
4
) ( ) ( con X= 0, 1, 2 , 3 y 4 viene
dada en la tabla:
xi 0 1 2 3 4
f(xi)=pi
4
25 , 0
0
75 , 0
0
4
|
.
|

\
|

3
25 , 0
1
75 , 0
1
4
|
.
|

\
|

2
25 , 0
2
75 , 0
2
4
|
.
|

\
|

1
25 , 0
3
75 , 0
3
4
|
.
|

\
|

0
25 , 0
4
75 , 0
4
4
|
.
|

\
|



El nmero de caras que por trmino medio esperamos obtener es:

E[X] = = n . p = 4 . 0,75 = 3 caras con una desviacin de
8660 , 0 25 , 0 . 75 , 0 . 4 ] [ = = = = npq X v o
QUINIELAS Y MODELO BINOMIAL.
Indica porqu el juego de las quinielas se adapta al modelo binomial.

El estudio de una quiniela puede hacerse a partir una variable aleatoria
binomial puesto que se cumplen todas las condiciones para ello:En
principio la probabilidad de acertar el resultado de cada apuesta es
1/3.Esta se mantiene invariable en el resto de las apuestas e
independiente (el resultado de un partido no influye en principio sobre
otros). En total se apuesta sobre catorce partidos.La variable aleatoria
se debera llamar nmero de aciertos.
Tenemos por tanto una distribucin binomial de parmetros 14 y 3 cuya
funcin de probabilidad y de distribucin se muestran a continuacin.


Tambin se muestra una representacin grfica de la primera.
A partir de la tabla anterior se puede calcular la probabilidad de que un
boleto resulte premiado (12, 13 14 aciertos)
Distribucin binomial
La distribucin binomial es tpica de las variables que proceden
de un experimento que cumple las siguientes condiciones:
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

1) El experimento est compuesto de n pruebas iguales, siendo n
un nmero natural fijo.
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
4) Las pruebas son estadsticamente independientes,
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
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


La media y la varianza de la variable binomial se calculan
como:
Media = = n p
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:


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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.

La probabilidad de obtener x1 resultados E1, x2 resultados E2, etc.
se representa como:


Los parmetros de la distribucin son p1,..., pK y n.

Distribucin hipergeomtrica
Una variable tiene distribucin hipergeomtrica si procede de un
experimento que cumple las siguientes condiciones:
1) Se toma una muestra de tamao n, sin reemplazamiento, de un
conjunto finito de N objetos.
2) K de los N objetos se pueden clasificar como xitos y N - K
como fracasos.
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.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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.
La funcin de probabilidad de la variable hipergeomtrica es:


Los parmetros de la distribucin son n, N y K.
Los valores de la media y la varianza se calculan segn las
ecuaciones:


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.
La media de la variable aproximada ( = n p = n (K / N)) es la
misma que la de la variable antes de la aproximacin; sin embargo, la
varianza de la variable binomial es ligeramente superior a la de la
hipergeomtrica.


el factor por el que difieren ser siempre menor que 1 y tan prximo a 1
como cierto sea que n << N.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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,..., ARobjetos 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:
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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.
La funcin de probabilidad de una variable Poisson es:


El parmetro de la distribucin es que es igual a la media y a la
varianza de la variable.

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.
La varianza de la variable aproximada es ligeramente superior a
la de la variable binomial.


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.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

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.




LA DISTRIBUCION DE PROBABILIDAD DE POISSON.
La distribucin de Poisson es una distribucin de probabilidad discreta.
Expresa la probabilidad de un nmero k de eventos ocurriendo en un
tiempo fijo si estos eventos ocurren con una tasa media conocida, y son
independientes del tiempo desde el ltimo evento.La distribucin fue
descubierta por Simon-Denis Poisson (17811840)
Funcin de probabilidad: Si el nmero esperado de ocurrencias de un
determinado fenmeno en un intervalo (espacial o temporal, segn
sea el caso) es , entonces la probabilidad de que haya exactamente k
ocurrencias (siendo k un entero no negativo, k = 0, 1, 2, ...) es igual a:
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


Dnde: e es el base del logaritmo natural (e = 2.71828...), k! es el
factorial de k, k es el nmero de ocurrencias de un evento, y es un
nmero real positivo, equivalente al nmero esperado de ocurrencias
durante un intervalo dado. Por ejemplo, si los eventos ocurren de media
cada 4 minutos, y se est interesado en el nmero de eventos
ocurriendo en un intervalo de 10 minutos, se usara como modelo una
distribucin de Poisson con = 2.5.
Generalmente para pequeos valores de la distribucin no es
simtrica. La distribucin se hace ms simtrica cuando la media es ms
grande. Una propiedad de esta distribucin es que la media es igual a
la varianza: ambas toman el valor de .
Ejemplo: El 2% de los libros encuadernados en cierto taller tiene
encuadernacin defectuosa, obtener la probabilidad de que 5 de 400
libros encuadernados en este taller tengan encuadernaciones
defectuosas. Haciendo

La distribucin de Poisson puede ser vista como un caso limite de la
distribucin binomial, es decir, que una distribucin binomial en la que
y se puede aproximar por una distribucin de Poisson de
valor


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Variables aleatorias continuas.
- Distribucin normal o de Gauss
- Distribucin Gamma ()
- Distribucin exponencial
- Distribucin Chi-cuadrado
- Distribucin T de Student
- Distribucin F de Snedecor

Sea una variable aleatoria con valores en y una densidad de
probabilidad sobre . Se dice que es una variable aleatoria continua de
densidad si para todo intervalo de se tiene:

La ley de la variable aleatoria es la ley continua sobre , de densidad.
Para determinar la ley de una variable aleatoria continua, hay que
calcular su densidad. De manera equivalente, la ley de una variable
continua se determina dando la probabilidad de que ella pertenezca a
un intervalo cualquiera. Es lo que hemos hecho para nuestro ejemplo
de base, el llamado a Random, que es una variable aleatoria continua,
de densidad . Una variable aleatoria continua de densidad , cae entre
y con una probabilidad igual a :
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012




Mientras ms grande sea la densidad en un segmento, mayores sern
las probabilidades de que caiga en ese segmento, lo cual justifica el
trmino ``densidad''.

Como ya hemos observado para Random, la probabilidad de que una
variable aleatoria continua caiga en un punto cualquiera es nula.


En consecuencia:


Observemos tambin que el modificar una densidad en un nmero finito
o numerable de puntos, no cambia de las integrales sobre los
segmentos y en consecuencia la ley de probabilidad asociada
tampoco cambia. El valor que toma la densidad en un punto particular,
no es importante. Por ejemplo Random tiene como densidad a pero da
lo mismo usar . Como en los casos discretos, debemos conocer algunos
ejemplos bsicos. Las densidades se dan en un punto cualquiera de .

Ley uniforme.

La ley uniforme sobre un intervalo es la ley de ``sorteos al azar'' en un
intervalo. Si son dos nmeros reales, la ley uniforme sobre el intervalo
se denota por . Ella tiene por densidad a la funcin:


Random es una variable aleatoria de ley uniforme .
Ley exponencial.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


Las leyes exponenciales modelan intervalos de tiempo o duraciones
aleatorias, como la vida de una partcula en fsica. La ley exponencial
de parmetro se denota por . Ella tiene por densidad a la funcin:



Ley normal.

La ley normal, ley de Gauss o Laplace-Gauss es la ms clebre de las
leyes de probabilidad. Su xito y su omnipresencia en las ciencias de la
vida vienen del Teorema del Lmite Centrado que estudiaremos ms
adelante. La ley normal de parmetros y se denota por . Ella tiene por
densidad a la funcin:



Las leyes exponenciales y normales constituyen el ncleo de las familias
de leyes clsicas que se encuentran mas frecuentemente en
estadstica.

Ley de Weibull.

La ley de Weibull de parmetros y , denotada por , tiene por densidad:


Se la emplea como modelo de duracin aleatoria, principalmente en
fiabilidad (duracin de funcionamiento sin roturas, duracin de
reparacin). La ley es la ley .
Ley gamma.

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

La ley gamma de parmetros y , denotada por tiene por densidad:


donde es la ``funcin gamma'', definida por . Para entero, y , la ley
es llamada ley de chi cuadrado con grados de libertad y se denota por
. Esta es la ley de la suma de los cuadrados de variables aleatorias
independientes de ley , se emplea para las varianzas empricas de
muestras gaussianas. La ley es la ley exponencial .
Ley beta.

La ley beta de parmetros y , denotada por tiene por densidad:



Esta familia de leyes nos provee de modelos no uniformes para variables
aleatorias acotadas. Si unas variables aleatorias independientes siguen
la ley uniforme , sus estadgrafos de orden (valores reordenadas) siguen
leyes beta.

Ley log-normal.

La ley log-normal es la ley de una variable aleatoria, de valores
positivos, cuyo logaritmo sigue la ley . Ella tiene por densidad a la
funcin:


En medicina, numerosos parmetros fisiolgicos son modelados
empleando leyes log-normales.
Ley de Student.

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

La ley de Student con grados de libertad, , es la ley de la relacin ,
donde las variables aleatorias e son independientes, de ley , de ley .
Ella tiene por densidad a la funcin:


Se la utiliza para estudiar la media emprica de una muestra gaussiana.
Ley de Fisher.

La ley de Fisher de parmetros y (enteros positivos) es la ley de la
relacin , donde e son dos variables aleatorias independientes de
leyes y respectivamente. Ella tiene por densidad a la funcin:


Se la emplea para comparar las varianzas de muestras gaussianas.
Distribucin normal o de Gauss
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.
Su funcin de densidad es la siguiente:


Los parmetros de la distribucin son la media y la desviacin
tpica, y , respectivamente. Como consecuencia, en una variable
normal, media y desviacin tpica no deben estar correlacionadas en
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

ningn caso (como desgraciadamente ocurre en la inmensa mayora
de las variables aleatorias reales que se asemejan a la normal.
La curva normal cumple las siguientes propiedades:
1) El mximo de la curva coincide con la media.
2) Es perfectamente simtrica respecto a la media (g1 = 0).
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.

4) Sus colas son asintticas al eje X.

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Para calcular probabilidades en intervalos de valores de la
variable, habra que integrar la funcin de densidad entre los extremos
del intervalo. Por desgracia (o por suerte), la funcin de densidad
normal no tiene primitiva, es decir, no se puede integrar. Por ello la nica
solucin es referirse a tablas de la funcin de distribucin de la variable
(calculadas por integracin numrica) Estas tablas tendran que ser de
triple entrada (, , valor) y el asunto tendra una complejidad enorme.
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

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012





Distribucin Gamma ()
La distribucin gamma se define a partir de la funcin gamma,
cuya ecuacin es:


La funcin de densidad de la distribucin gamma es:


y son los parmetros de la distribucin.
La media y la varianza de la variable gamma son:


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012




Distribucin exponencial
Es un caso particular de la distribucin gamma cuando = 1. Su
funcin de densidad es:


Su parmetro es .
La media y la varianza de la distribucin exponencial son:



Distribucin Chi-cuadrado (c2)
Es otro caso particular de la distribucin gamma para el caso =
2 y = n / 2, siendo n un nmero natural.
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Su funcin de densidad es:


El parmetro de la distribucin c2 es n y su media y su varianza
son, respectivamente:

Otra forma de definir la distribucin c2 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 c2 con n grados de libertad y se le denomina c2n.

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Variables chi-cuadrado con valores de progresivamente
mayores son cada vez menos asimtricas.

Distribucin T de Student
Supongamos dos variables aleatorias independientes, una
normal tipificada, Z , y otra con distribucin c2 con n grados de libertad,
la variable definida segn la ecuacin:


tiene distribucin t con n grados de libertad.
La funcin de densidad de la distribucin t es:


El parmetro de la distribucin t es n, su nmero de grados de
libertad.
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..
HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


Variables T con valores de n progresivamente mayores
son cada vez menos platicrticas

Comparacin entre la variable T y la normal tipificado.

Distribucin F de Snedecor
Sean U y V dos variables aleatorias independientes con
distribucin c2 con n1 y n2 grados de libertad, respectivamente. La
variable definida segn la ecuacin:

HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012


tiene distribucin F con n1, n2 grados de libertad.
La funcin de densidad de la distribucin F es:


Los parmetros de la variable F son sus grados de libertad n1 y n2.
Las distribuciones F tienen una propiedad que se utiliza en la
construccin de tablas que es la siguiente:
Llamemos fa,n1,n2 al valor de una distribucin F con n1 y n2 grados
de libertad que cumple la condicin, P(F > fa,n1,n2) = ; llamemos f1-
a,n1,n2 al valor de una distribucin F con n1 yn2 grados de libertad que
cumple la condicin, P(F > f1-a,n1,n2) = 1- . Ambos valores estn
relacionados de modo que uno es el inverso del otro.



Variables F con distintos valores de 1, 2


HATTEM OLIVERA KAREN IVETH. 08070795 10/ABRIL/2012

Bibliografa:

http://pendientedemigracion.ucm.es/info/genetica/Estadistica/estadisti
ca_basica%201.htm#Distribucin de poisson

http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node12.html

http://www.dm.uba.ar/materias/probabilidades_estadistica_C/2011/1/P
yEC04.pdf

http://ljk.imag.fr/membres/Bernard.Ycart/emel/cours/mp/node13.html

http://www.itapizaco.edu.mx/~joseluis/apuntes/estadistica/distribucione
s%20discretas.pdf