Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROBABILIDAD Y ESTADSTICA
VARIABLES ALEATORIA:
Formalmente, una variable aleatoria es una funcin, que asigna eventos a nmeros reales (p.e., su suma). Una
variable aleatoria o variable estocstica es una variable estadstica cuyos valores se obtienen de mediciones en
experimento aleatorio.
Las variables aleatorias suelen tomar valores reales, pero se pueden considerar valores aleatorios como
valores lgicos
Una variable aleatoria (v.a.) X es una funcin real definida en el espacio muestral, , asociado a un
experimento aleatorio.
VARIABLE ALEATORIA DISCRETA: una v.a. es discreta si su recorrido es un conjunto discreto. Sus
probabilidades se recogen en la funcin de cuanta.
Las variables discretas sern aquellas que pueden tomar solo un nmero limitado de valores separados y no
continuos; son aquellas que solo toman un determinado nmeros de valores, porque entre dos valores
consecutivos no pueden tomar ningn otro;
MODELOS PROBABILIDAD
En esta seccin, presentaremos los modelos de probabilidad ms interesantes desde el punto de vista de las
aplicaciones.
1.
DISTRIBUCIN BERNOULLI
Definicin.- Una prueba de Bernoulli es un experimento aleatorio cuyos posibles resultados son agrupados en
dos conjuntos excluyentes que llamaremos xito (E) y fracaso (F), con P(E)= p y P(F) = 1 p.
PROBABILIDAD Y ESTADSTICA
Definicin.- Realizamos una prueba de Bernoulli con P(E) = p. El modelo de Bernoulli de parmetro p, que
representaremos abreviadamente por Bern(p), es el modelo de probabilidad de la variable aleatoria que
obtenemos al codificar el xito con uno y el fracaso con cero:
Modeliza situaciones en las que:
2.
DISTRIBUCIN BINOMIAL
PROBABILIDAD Y ESTADSTICA
tx
Anlogamente se pueden obtener los coeficientes de Asimetra y de Curtosis. Que acaban siendo:
Es interesante hacer ver que si p=q= 0.5 la distribucin es SIMTRICA Y TIENE VARIANZA MXIMA
Puede determinarse la moda de una distribucin binomial como el (los) valor(es) de la variable (nmero entero
del 0 a n) que verifica:
pn - q Mo pn + p
3.
DISTRIBUCIN HIPERGEOMTRICA
De forma que la probabilidad de extraer un individuo A () en una de las extracciones depende de los
resultados de las pruebas anteriores.
PROBABILIDAD Y ESTADSTICA
4.
DISTRIBUCIN DE POISSON
siendo l un parmetro positivo diremos que X sigue una distribucin de Poisson de parmetro l ,
X ~ P(l ).
Situaciones que modeliza:
Si en estas circunstancias la variable aleatoria X = n de hechos que se producen en un intervalo unitario sigue
una distribucin de Poisson , que cmo veremos tendr por parmetro lel nmero medio de hechos que
pueden producirse en el intervalo unitario.
PROBABILIDAD Y ESTADSTICA
tx
tx
Derivando sucesivamente podremos obtener los distintos momentos ordinarios y, a partir de ellos media,
varianza y otros indicadores:
t
l(et - 1)
f ' (t) = l e e
t
f '' (t) = l e e
l(et - 1)
+( l e ) e
l(et - 1)
DISTRIBUCIN EXPONENCIAL
Dada una variable aleatoria continua, X , definida para valores reales positivos. diremos que X tiene una
-a x
distribucin exponencial de parmetro a cuando su funcin de densidad sea: f(x) = a e para x 0 ( siendo el
parmetro a positivo)
PROBABILIDAD Y ESTADSTICA
F.G.M.
DISTRIBUCIN NORMAL
PROBABILIDAD Y ESTADSTICA
Una variable aleatoria continua, X, definida en [- , ] seguir una distribucin normal de parmetros m y s , (
X ~ N(m ; s ) ) , si su funcin de densidad es :
7.
Este modelo se puede ver como una generalizacin del Binomial en el que, en lugar de tener dos posibles
resultados, tenemos r resultados posibles.
Supongamos que el resultado de una determinada experiencia puede ser r valores distintos: A1, A2,..., Ar cada
uno de ellos con probabilidad p1, p2,..., pr, respectivamente.
Al modelo estadstico que nos da dicha probabilidad se le denomina Multinomial, y su funcin de densidad
viene dada por:
PROBABILIDAD Y ESTADSTICA
Como se ve, el modelo Multinomial queda definido por los parmetros (n, p1, p2, ..., pr). La frmula anterior
puede deducirse de forma anloga al caso Binomial. En realidad, si tomamos r = 2 tenemos exactamente el
modelo Binomial.
8.
ESTIMACIONES DE PARMETROS
El proceso de estimacin en inferencia estadstica puede ser descrito como el proceso de estimar un
parmetro a partir del estadstico correspondiente, tal como usar una media muestral (Estadstico) para
estimar la media poblacional, (parmetro).
La estimacin de parmetros puede ser:
Inestabilidad
Eficiencia
Consistencia
Suficiencia