Descripción breve del tema

1. Distribuciones discretas
„ Bernoulli
„ Binomial
Distribuciones habituales „ Geométrica
„ Poisson
Tema 5 2. Distribuciones continuas
„ Uniforme
„ Exponencial
„ Normal
¾ Teorema Central del Límite
„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 1 Ignacio Cascos Depto. Estadística, Universidad Carlos III 2

Objetivos Descripción breve del tema

† Adquirir soltura con el manejo de funciones 1. Distribuciones discretas
„ Bernoulli
de distribución, probabilidad y densidad. „ Binomial
† Reconocer los modelos básicos de „ Geométrica
„ Poisson
distribución: Binomial, Geométrica, etc.
2. Distribuciones continuas
† Reconocer el papel central que juega la „ Uniforme
distribución Normal. „ Exponencial
„ Normal
† Aplicar con soltura el Teorema Central del ¾ Teorema Central del Límite
„ Distribuciones derivadas de la normal
Límite.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 3 Ignacio Cascos Depto. Estadística, Universidad Carlos III 4
Distribución de Bernoulli Distribución de Bernoulli
Una variable aleatoria que describe el número de † Función de probabilidad:
éxitos en 1 realización de un experimento, en el P(X = 1) = p ; P(X = 0) = 1−p
que la probabilidad de éxito es p decimos que † Función de distribución:
sigue distribución de Bernoulli de parámetro p. ⎧ 0 si x<0
⎪
F ( x) = ⎨1 − p si 0 ≤ x < 1
X ~ B(1, p) ⎪ 1 x ≥1
⎩ si
X≡ “número de éxitos en 1 realización” † Parámetros: E[X] = p ; Var[X] = p(1−p)
Ignacio Cascos Depto. Estadística, Universidad Carlos III 5 Ignacio Cascos Depto. Estadística, Universidad Carlos III 6

Distribución de Bernoulli Descripción breve del tema

Bernoulli(0'8) Bernoulli(0'8) 1. Distribuciones discretas
„
0.8

Bernoulli
1.0

„ Binomial
„
0.8

Geométrica
0.6

„ Poisson
0.6

2. Distribuciones continuas
0.4

0.4

„ Uniforme
„
0.2

Exponencial
0.2

„ Normal
¾
0.0

Teorema Central del Límite

0.0

0 1 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 7 Ignacio Cascos Depto. Estadística, Universidad Carlos III 8
Distribución Binomial Distribución Binomial
Una variable aleatoria que describe el número de † Función de probabilidad:
éxitos en n realizaciones independientes de un ⎛ n⎞
P( X = k ) = ⎜⎜ ⎟⎟ p k (1 − p ) n − k , k ∈ {0,1, K , n}.
experimento, en el que la probabilidad de éxito ⎝k⎠
en cada realización es p decimos que sigue Podemos escribir X=X1+…+Xn donde las Xi son variables
de Bernoulli e independientes.
distribución binomial de parámetros n y p.
† Parámetros: E[X] = np ; Var[X] = np(1−p)
X ~ B(n, p)
Si X~B(n1, p) e Y~B(n2, p) son independientes, entonces
X≡ “número de éxitos en los n intentos indep.”
X+Y~B(n1+n2, p)
Ignacio Cascos Depto. Estadística, Universidad Carlos III 9 Ignacio Cascos Depto. Estadística, Universidad Carlos III 10

Distribución Binomial Descripción breve del tema

B(5,0'7) B(50,0'7) 1. Distribuciones discretas
„ Bernoulli
0.12
0.35

„ Binomial
0.30

0.10

„ Geométrica
0.25

0.08

„ Poisson
0.20

2. Distribuciones continuas
0.06
0.15

„ Uniforme
0.04
0.10

„ Exponencial
0.02
0.05

„ Normal
¾
0.00

0.00

Teorema Central del Límite

0 1 2 3 4 5 0 3 6 9 13 17 21 25 29 33 37 41 45 49
„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 11 Ignacio Cascos Depto. Estadística, Universidad Carlos III 12
Distribución Geométrica Distribución Geométrica
Una variable aleatoria que describe el número de † Función de probabilidad:
realizaciones independientes de un experimento para el
que la probabilidad de obtener éxito en cada realización P( X = k ) = (1 − p ) k −1 p, k ∈ {1,2,3,K}.
es p hasta obtener el primer éxito, sigue distribución
Geométrica o de Pascal de parámetro p. † Parámetros: E[X] = 1/p ; Var[X] = (1−p)/p2
X ~ G(p)
X≡ “número de veces que hay que repetir el
experimento hasta conseguir el primer éxito”
Ignacio Cascos Depto. Estadística, Universidad Carlos III 13 Ignacio Cascos Depto. Estadística, Universidad Carlos III 14

Distribución Geométrica Descripción breve del tema

G(0'5) G(0'3) 1. Distribuciones discretas
„
0.30
0.5

Bernoulli
„ Binomial
0.25
0.4

„ Geométrica
0.20

„ Poisson
0.3

0.15

2. Distribuciones continuas
0.2

„ Uniforme
0.10

„ Exponencial
0.1

0.05

„ Normal
¾
0.00

Teorema Central del Límite

0.0

1 2 3 4 5 6 7 8 9 10 12 14 1 2 3 4 5 6 7 8 9 10 12 14
„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 15 Ignacio Cascos Depto. Estadística, Universidad Carlos III 16
Distribución de Poisson Distribución de Poisson
Una variable aleatoria que describe el número de † Función de probabilidad:
sucesos ocurridos en una región, de tal modo que λk
−λ
dichos sucesos ocurren independientemente y P( X = k ) = e , k ∈ {0,1,2, K}.
k!
con una tasa constante decimos que sigue
† Parámetros: E[X] = λ ; Var[X] = λ
distribución de Poisson de parámetro λ.
X ~ ℘(λ) Si X~℘(λ1) e Y~℘(λ2) son independientes,
X≡ “número de sucesos ocurridos en una región” entonces X+Y~℘(λ1+λ2)
Ignacio Cascos Depto. Estadística, Universidad Carlos III 17 Ignacio Cascos Depto. Estadística, Universidad Carlos III 18

Distribución de Poisson Descripción breve del tema

P(1) P(3) 1. Distribuciones discretas
„ Bernoulli
0.35

0.20

„ Binomial
0.30

„ Geométrica
0.25

0.15

„ Poisson
0.20

2. Distribuciones continuas
0.10
0.15

„ Uniforme
0.10

„ Exponencial
0.05

„
0.05

Normal
¾
0.00

0.00

Teorema Central del Límite

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 19 Ignacio Cascos Depto. Estadística, Universidad Carlos III 20
 Distribución Uniforme (continua) Distribución Uniforme (continua)
Una variable aleatoria X con distribución † Función de densidad:
⎧ b −1 a si x ∈ ( a, b)
uniforme entre a y b (a<b) representa un número f ( x) = ⎨
⎩ 0 si x ∉ ( a, b)
elegido al azar entre los valores a y b, de tal
modo que la probabilidad de que dicho número † Función de distribución:
⎧0 si x≤a
esté en cualquier subconjunto del intervalo (a,b) ⎪
F ( x) = ⎨ bx −−aa si a < x < b
depende exclusivamente del tamaño de dicho ⎪1 x≥b
⎩ si
conjunto, X~U(a,b) † Parámetros: E[X] = (a+b)/2 ; Var[X] = (b−a)2/12
Ignacio Cascos Depto. Estadística, Universidad Carlos III 21 Ignacio Cascos Depto. Estadística, Universidad Carlos III 22

Distribución Uniforme (continua) Descripción breve del tema

1. Distribuciones discretas
„ Bernoulli
Uniform Distribution Uniform Distribution „ Binomial
„
Lower limit,Upper limit

Geométrica
cumulative probability

1 Lower limit,Upper limit 1 1,3

0,9
„
1,3

0,8 0,8 Poisson

0,7
density

0,6
0,5
0,6
2. Distribuciones continuas
0,4
0,3
0,4
„ Uniforme
0,2
0,1
0,2
„ Exponencial
0
0 0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4
0
0 0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4 „ Normal
x x ¾ Teorema Central del Límite
„ Distribuciones derivadas de la normal
Ignacio Cascos Depto. Estadística, Universidad Carlos III 23 Ignacio Cascos Depto. Estadística, Universidad Carlos III 24
 Distribución Exponencial Distribución Exponencial
Si el número de sucesos que ocurren en un † Función de densidad:
⎧λe − λx si x>0
tiempo t sigue distribución de Poisson f ( x) = ⎨
⎩ 0 si x≤0
proporcional a dicho tiempo ℘(λt), entonces la
variable aleatoria † Función de distribución:

X≡ “tiempo entre sucesos” ⎧1 − e − λx si x>0

F ( x) = ⎨
sigue distribución exponencial de parámetro λ. ⎩ 0 si x≤0

X ~ Exp(λ) † Parámetros: E[X] = λ−1 ; Var[X] = λ−2

Ignacio Cascos Depto. Estadística, Universidad Carlos III 25 Ignacio Cascos Depto. Estadística, Universidad Carlos III 26

Distribución Exponencial Distribución Exponencial

La distribución exponencial no tiene memoria.
Exponential Distribution
Exponential Distribution
Dados t1,t2>0 y una variable aleatoria T con
0,1 Mean
cumulative probability

0,08
10 1

0,8
Mean
10 distribución exponencial
density

0,06
0,6
0,04

0,02
0,4

0,2
P(T > t1+t2 | T > t1) = P(T > t2)
0 0
0 10 20 30 40 50 60 -10 0 10 20 30 40 50 60 70
x x

Ignacio Cascos Depto. Estadística, Universidad Carlos III 27 Ignacio Cascos Depto. Estadística, Universidad Carlos III 28
Descripción breve del tema Distribución Normal
1. Distribuciones discretas La distribución Normal o de Gauss es el modelo
„ Bernoulli
„ Binomial
probabilístico más importante. Se utiliza para
„ Geométrica modelar gran número de fenómenos aleatorios,
„ Poisson
entre ellos el ruido y los errores en la medida.
2. Distribuciones continuas
„ Uniforme Aparece además como distribución límite en el
„ Exponencial Teorema Central del Límite. Sus parámetros son
„ Normal
¾ Teorema Central del Límite la media µ y la desviación típica σ ,
„ Distribuciones derivadas de la normal
X ~ N(µ,σ)
Ignacio Cascos Depto. Estadística, Universidad Carlos III 29 Ignacio Cascos Depto. Estadística, Universidad Carlos III 30

Distribución Normal Distribución Normal

† Función de densidad normal estándar N(0,1):
1 ⎧ x2 ⎫
f ( x) = exp⎨− ⎬ Normal Distribution Normal Distribution
2π ⎩ 2⎭

cumulative probability
0,4 Mean,Std. dev1 Mean,Std. dev
0,1 0,1
0,3 0,8

† Función de densidad N(µ,σ):

density
0,6
0,2
0,4

1 ⎧ ( x − µ )2 ⎫ 0,1

f ( x) = exp⎨−
0,2

⎬
σ 2π 2σ 2 ⎭
0 0

⎩ -5 -3 -1
x
1 3 5 -5 -3 -1
x
1 3 5

† Parámetros: E[X] = µ ; Var[X] = σ2

Ignacio Cascos Depto. Estadística, Universidad Carlos III 31 Ignacio Cascos Depto. Estadística, Universidad Carlos III 32
Distribución Normal Distribución Normal
N(0,0'5) rojo, N(0,1) negro, N(0,2) azul N(0,1) negro, N(2,1) rojo † Propiedades de la Normal.

0.4
0.8

1. Si X ~ N(µ,σ) , para cualesquiera a y b,

aX+b ~ N(aµ+b , |a|σ)

0.3
0.6

2. Si X ~ N(µ1,σ1) e Y ~ N(µ2,σ2) indep, para a, b

0.4

0.2
aX+bY ~ N(aµ1+bµ2 , (a2σ12+b2σ22)1/2)
0.2

0.1
† Tipificación. Dada X~N(µ,σ), la variable
0.0

0.0 aleatoria (X−µ)/σ sigue distribución N(0,1).

-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6

r r A esta transformación se le llama tipificación

Ignacio Cascos Depto. Estadística, Universidad Carlos III 33 Ignacio Cascos Depto. Estadística, Universidad Carlos III 34

Tabla de la normal Teorema Central de Límite

Dada X1,X2,…,Xn n variables aleatorias independientes,
con medias y varianzas finitas E[Xi]=µi y Var[Xi]=σi2,
su suma sigue aproximadamente distribución normal

X1+X2+…+Xn≈N(Σi=1,nµi , (Σi=1,nσi2)1/2)
Buena aproximación si n > 30.
Si las variables son discretas, para aproximar su suma
por una continua, realizamos corrección por continuidad.
Ignacio Cascos Depto. Estadística, Universidad Carlos III 35 Ignacio Cascos Depto. Estadística, Universidad Carlos III 36
Aproximaciones con la Normal Aproximaciones con la Normal
† Aproximación Binomial-Normal. Una binomial † Aproximación Poisson-Normal.
B(n,p) puede construirse como suma de n variables de Una Poisson ℘(λ) con λ > 5 puede aproximarse por
Bernoulli independientes. Aplicando el TCL, si n > 30 una normal
y np(1−p) > 5, aproximamos una B(n,p) por una N(λ, λ1/2)
(
N np , np (1 − p ) ) P (4 9 ) y N (4 9 ,7 )

B (5 0 ,0 '7 ) y N (3 5 ,3 '2 4 )

0.04
0.12

0.02
0.08

0.00
0.04

0 6 13 21 29 37 45 53 61 69 77 85 93
0.00

0 3 6 9 1 3 1 7 2 1 2 5 2 9 3 3 3 7 4 1 4 5 4 9
Ignacio Cascos Depto. Estadística, Universidad Carlos III 37 Ignacio Cascos Depto. Estadística, Universidad Carlos III 38

Descripción breve del tema Chi cuadrado

1. Distribuciones discretas Si X1,X2,…,Xn son n variables aleatorias
„ Bernoulli
„ Binomial independientes con distribución N(0,1), entonces
„ Geométrica
„ Poisson
Y=X12+X22+…+ Xn2 es una variable aleatoria con
2. Distribuciones continuas distribución chi cuadrado con n grados de
„ Uniforme
„ Exponencial
libertad,
„ Normal
¾ Teorema Central del Límite
Y ~ χn2
„ Distribuciones derivadas de la normal E[Y] = n ; Var[Y] = 2n
Ignacio Cascos Depto. Estadística, Universidad Carlos III 39 Ignacio Cascos Depto. Estadística, Universidad Carlos III 40
 Chi cuadrado t de Student
Si X es una variable aleatoria normal estándar e
Chi-Square Distribution Chi-Square Distribution Y es independiente de ella con distribución chi

cumulative probability
0,1 Deg. of freedo1 Deg. of freedo

0,08
10
0,8
10 cuadrado con n grados de libertad, entonces
density

0,06

0,04
0,6
X/(Y/n)1/2 sigue distribución t con n grados de
0,4

0,02 0,2 libertad X

0
0 10 20 30 40
0
0 10 20 30 40 Z= ~ tn
x x Y /n
E[Z] = 0 si n ≥ 2 ; Var[Z] = n/(n−2) si n ≥ 3
Ignacio Cascos Depto. Estadística, Universidad Carlos III 41 Ignacio Cascos Depto. Estadística, Universidad Carlos III 42

t de Student F de Fisher
Si X es una variable aleatoria chi cuadrado con n1
Student's t Distribution Student's t Distribution grados de libertad e Y es independiente de ella
cumulative probability

0,4 Deg. of freedo

1 Deg. of freedo
10
0,8
10 con distribución chi cuadrado con n2 grados de
0,3
density

0,2
0,6

0,4
libertad, entonces (X/n1)/(Y/n2) sigue
0,1
0,2
distribución F con n1 y n2 grados de libertad
0 0
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
x x X / n1
Z= ~ Fn1 ,n2
Y / n2
Ignacio Cascos Depto. Estadística, Universidad Carlos III 43 Ignacio Cascos Depto. Estadística, Universidad Carlos III 44
 F de Fisher

F (variance ratio) Distribution

cumulative probability
0,8 Numerator d.f,Denominator d.f. 1 Numerator d.f,Denominator d.f.

10,10 10,10

0,6 0,8
density

0,6
0,4
0,4
0,2
0,2

0 0
0 1 2 3 4 5 0 1 2 3 4 5
x

Ignacio Cascos Depto. Estadística, Universidad Carlos III 45