Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dis Tri Buci Ones
Dis Tri Buci Ones
Notas
Indice
INDICE ................................................................................................................................................................. 1
1. OBJETIVOS ...................................................................................................................................................... 1
2 FUNCIN DE DISTRIBUCIN DE PROBABILIDAD, FUNCIN DE DENSIDAD Y FUNCIN CARACTERSTICA DE UNA
VARIABLE ALEATORIA ............................................................................................................................................ 1
1. Objetivos
Estimar la esperanza matemtica y la varianza de una variable aleatoria discreta
Conocer las principales distribuciones de probabilidad discretas y continuas, saber sus condiciones de
aplicacin
Saber estimar probabilidades con las distribuciones ms frecuentes
Conocer las distribuciones derivadas de la Normal: 2 (ji) cuadrado de Pearson, t de Student y F de
Snedecor
1
2.1. Funcin de probabilidad (variables discretas)
40%
35%
30%
25%
20%
15%
10%
5%
0%
0 1 2 3
As pues, La funcin de densidad (f.d.) es una funcin f ( x ) definida en ( , ) que debe verificar:
2
f ( x) 0
y
f ( x ) dx = 1
Su representacin grfica es una funcin positiva (sobre el eje de abscisas) que encierra un rea de 1 con
el eje de abscisas.
Se usa para calcular probabilidades:
Pr ( X A ) = f ( x ) dx
Pr ( a X b ) = Pr ( X [ a, b ]) = f ( x ) dx
b
En variables aleatorias continuas toda probabilidad puntual siempre vale cero, es decir
b
Pr ( X = a ) = f ( x ) dx = 0
a
3
(b) F ( x ) es continua y creciente
(c) Pasar de F ( x ) a f ( x ) :
dF ( x )
f ( x ) = F ( x ) =
dx
f ( x )
F( x)
integrar
derivar
b
(d) Pr ( a < X < b ) = Pr ( a X b ) = Pr ( a < X b ) = Pr ( a X < b ) = f ( x ) dx = F ( b ) F ( a )
a
(e) La funcin caracterstica es, salvo por un signo, la transformada de Fourier de la funcin densidad de
probabilidad. Se define
( w ) = E ( e j X ) = f ( x ) dx
+
( w ) = E ( e j X ) = e j X Pr ( X = xi )
i
3.3. Observaciones
La funcin caracterstica existe siempre, es decir, siempre se puede calcular la integral o la serie.
(a) (0) = 1
(b) ( ) 1
(c) Si Y = a X + b , entonces Y ( ) = e jb X ( a )
(d) Si f ( x ) es par, entonces ( ) es par y real
La funcin caracterstica identifica de modo nico una variable aleatoria debido a la frmula de inversin:
1 +
f ( x) = e j X ( x ) dx
2
La frmula de inversin, derivada de la transformada inversa de Fourier, permite identificar de forma nica la
funcin densidad de probabilidad de una variable aleatoria. Es decir, dos variables aleatorias con funciones
caractersticas iguales, tienen funciones de densidad iguales.
4
p ( x ) = p x (1 p )
1 x
x = 0, 1
Cuando el resultado es dicotmico, la distribucin queda caracterizada con el parmetro p .
Si se repite un nmero fijo de veces, n , un experimento de Bernoulli con parmetro p , el nmero de xitos
sigue una distribucin binomial de parmetros ( n, p ) .
La repeticin del experimento no altera las probabilidades de xito o fracaso.
Este modelo se puede aplicar a:
Poblaciones finitas: se toman elementos al azar con remplazamiento (urna con bolas, encuestas);
Poblaciones infinitas: se observan elementos al azar en un proceso generador estable (constante) y
sin memoria (observaciones independientes). (sexo de un recin nacido, produccin de una
mquina).
Media: E( X ) = p
Varianza: var ( X ) = p (1 p )
Funcin de probabilidad:
n
Pr ( X = k ) = p k q n k 0 k n
k
Problemas de clculo si n es grande y/o p cercano a 0 1.
Media: E( X ) = n p
Varianza: var ( X ) = n p (1 p )
Ejemplo: sea X el nmero de varones en una familia de tres hijos y sea V el evento ser varn, con
Pr (V ) = p y el evento M ser mujer, con Pr ( M ) = 1 p = q . Calcular Pr ( X = 2 ) .
Solucin intuitiva
X =2 VV M o V MV o MVV
Pr ( X = 2 ) = p p q + p q p + q p p = 3 p2 q
Solucin utilizando el modelo binomial:
Cumple las hiptesis del modelo binomial (dos casos; se asume que la probabilidad no se altera,
n = 3)
5
3
Pr ( X = 2 ) = p 2 (1 p )
3 2
= 3 p2 q
2
Pr ( x ) = Pr (1 p )
x 1
x = 1, 2,
Tambin se puede definir como el nmero de fracasos que ocurren hasta obtener el primer xito:
Pr ( y ) = Pr (1 p )
y
y = 1, 2,
Nota: y = x 1
donde: x es el nmero de repeticiones hasta conseguir el primer xito.
Funcin de distribucin:
F ( x ) = Pr ( X x ) = 1 (1 p )
x
x = 1, 2,
1
Media: E( X ) =
p
1 p
Varianza: var ( X ) =
p2
A su vez, siendo Y el nmero de fracasos hasta conseguir el primer xito.
Funcin de distribucin:
F ( y ) = 1 (1 p )
y +1
y = 1, 2,
1 p
Media: E (Y ) =
p
1 p
Varianza: var (Y ) =
p2
Ejemplo: calcular la probabilidad de que al lanzar una moneda al aire salga cara por primera vez en el tercer
lanzamiento
Pr ( ) = p
Pr (
) = 1 p
(a) solucin intuitiva: Pr ( pedida ) = q q p = q 2 p
(b) modelo geomtrico:
cumple las hiptesis del modelo geomtrico (dos casos; se asume que la
probabilidad no se altera hasta que ocurra xito por primera vez en el tercer
lanzamiento)
Pr ( X = 3) = (1 p ) p = (1 p ) p = q 2 p
3 1 2
6
Un conjunto de N objetos contiene: k objetos clasificados como xitos y N k como fracasos. Se toma
Funcin de probabilidad:
k
Pr ( X = k ) = e k k = 1, 2,
k!
Media y varianza: E ( X ) = var ( X ) =
7
4. Propiedades de las diferentes distribuciones de probabilidad continua
Una variable aleatoria continua X se caracteriza por su funcin de densidad de probabilidad f ( x ) que
cumple:
(a) f X ( t ) 0
(b)
X
f ( t ) dt = 1
b
(c) Pr ( a X b ) = f X ( t ) dt
a
Cualquier funcin positiva e integrable puede ser la funcin de densidad de alguna variable aleatoria.
1
x2
A partir de la funcin e 2
podemos obtener la familia de densidades normales o gaussianas.
Funcin de densidad
1
f ( x) = a xb
ba
Fuera de ese intervalo, la funcin de densidad toma valor 0
Funcin de distribucin:
xa
F( x) = a xb
ba
a +b
Media: E( X ) =
2
8
(b a )
2
Varianza: var ( X ) =
12
Poisson P ( ) .
Funcin de densidad:
x x>0
1
f ( x) = e
1
=
Funcin de distribucin:
1
F ( x ) = 1 e
x>0
Media: E( X ) =
Varianza: var ( X ) = 2
La distribucin exponencial tiene la propiedad de carencia o prdida de memoria, esto es:
Propiedades:
9
(a) ( ) = ( 1) ( 1) >1
(b) (1) = 1
(c) ( n ) = ( n 1)! n
1
(d) =
2
(e) mediante el cambio de variable x = y en la integral que define la funcin gamma se obtiene un
parmetro ms en la expresin de las curvas
+
( ) = y 1 e y d y
0
Si X ( , )
Media: E( X ) =
Varianza: var ( X ) =
2
10
En el caso particular de = 1 , X (1, ) entonces la distribucin resultante es una exponencial:
X ( )
Ejemplo: Si X t mide la cantidad de ocurrencias en un proceso de Poisson de parmetro :
(a) El tiempo de espera hasta la primera ocurrencia es una variable aleatoria con distribucin
( ) = (1, )
(b) El tiempo de espera hasta la a -sima primera ocurrencia es una variable aleatoria con
distribucin ( , )
11
a distancia 2 , se tiene una probabilidad del 95 %;
a distancia 2,5 se tiene una probabilidad del 99 %:
escala , como N ( 0,1) . Esta distribucin especial se llama distribucin normal tipificada o reducida.
Justifica la tcnica de tipificacin, cuando se intenta comparar individuos diferentes obtenidos de sendas
poblaciones normales.
Funcin de densidad:
1
1 z
f ( z) = e 2 < z<
2
x
donde: z z=
Funcin de distribucin:
F ( x ) = Pr ( Z = z ) = ( z )
En la prctica:
X x x x
F ( x ) = Pr ( X x ) = Pr = Pr Z =
Si Y = b x + a , siendo X N ( , ) , entonces: Y N ( b + a, b ) .
2 2 2
12
4.4. Distribucin de 2 de Pearson [X2(,p)]
Este modelo de probabilidad puede ser introducido como caso particular de la familia de distribuciones
gamma de parmetros y p , constantes positivos, cuya funcin de densidad se ha visto anteriormente y
responde a la siguiente forma
p e x x p 1
f ( x) = x>0
( p)
donde: ( p ) = e x x p 1 dx
0
Propiedades:
Tiene un slo parmetro denominado grados de libertad;
13
La funcin de densidad es asimtrica positiva. Slo tienen densidad los valores positivos;
La funcin de densidad se hace ms simtrica incluso casi gaussiana cuando aumenta el nmero de
grados de libertad.
Habitualmente, se considerarn anmalos aquellos valores de la variable en la cola de la derecha.
La grfica de esta funcin de densidad es simtrica respecto del eje de ordenadas con independencia del
valor de k , y de forma algo semejante a la de una distribucin normal:
As,
x
s
n
( xi x ) 2
donde: s2 = es la varianza muestral, y
i =1 n 1
n
xi
x = es la media muestral.
i =1 n
se distribuye como una variable t de Student con ( n 1) grados de libertad
Propiedades:
Cuando aumentan los grados de libertad, se acerca a N ( 0,1) ;
14
Es simtrica con respecto al cero;
Se consideran valores anmalos los que se alejan de cero (positivos o negativos).
f ( x) = 2 n x>0
m+n
m n m 2
1 + x
2 2 n
+
donde: ( p ) = e x x p 1 dx
y2 sx2
As,
x2 s y2
( xi x ) 2
m n
( yi y ) 2
donde: s =
2
x y sy =
2
son las varianzas muestrales,
i =1 m 1 j =1 n 1
sigue una ley de probabilidad F de Fisher con ( m 1, n 1) grados de libertad
Propiedades:
Tiene dos parmetros denominados grados de libertad;
Slo toma valores positivos. Es asimtrica;
15
Apndice 1. Condiciones de convergencia entre algunas distribuciones
Be ( p ) = B (1, p )
Exp ( ) = (1, )
Normal
n 30 N ( , 2 )
n p 5, p 1
2
=np =
n q > 5, p > 1 = n p (1 p )
2
2 = 10
2
N > 50
n
0,1
N
Hipergeomtrica
H ( N , k, n)
16
Apndice 2. Tabla resumen de las medias y varianzas de las principales
distribuciones
Binomial n, p {0,1, 2, , n} np n p (1 p )
Poisson {0,1, 2, }
1 (1 p )
Geomtrica p {0,1, 2, }
p p2
(b a )
2
a +b
Uniforme a, b ( a, b )
2 12
Normal , 2 ( , ) 2
1 1
Exponencial ( 0, )
2
4
Rayleigh ( 0, ) 2
2 2
17