Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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
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
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
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
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
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
Geométrica
cumulative probability
0,9
1,3
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:
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
cumulative probability
0,4 Mean,Std. dev1 Mean,Std. dev
0,1 0,1
0,3 0,8
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
0.4
0.8
0.3
0.6
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
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
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
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
0,2
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
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