Documentos de Académico
Documentos de Profesional
Documentos de Cultura
08 Tema5 Teoria
08 Tema5 Teoria
08 Tema5 Teoria
SX = {x1 , x2 , . . . , xn }
1
p(X = xi ) = , para cada i = 1, 2, . . . , n.
n
(b) Distribuciones definidas sobre un experimento de Bernouilli
Un experimento aleatorio se denomina de Bernouilli si verifica las tres condiciones siguientes:
1 El experimento consiste en observar elementos de una población y clasificarlos en dos categorı́as:
éxito y fracaso (que denominaremos E y F).
2 Llamaremos p a la probabilidad de que un elemento esté en E y q = 1 − p a la probabilidad
de que esté en F.
3 Las observaciones son independientes.
Sobre los experimentos de Bernouilli se pueden definir varios modelos de variables aleatorias:
• Distribución de Bernouilli.
La variable aleatoria X que modeliza la clasificación de un elemento observado en un experimento
de Bernouilli como E ó F, tiene una distribución que llamaremos Bernouilli de parámetro p.
Lo denotaremos por X ; B(p). Su ley de probabilidad viene dada por:
SX = {0, 1}
p(X = 1) = p, p(X = 0) = 1 − p
• Distribución binomial.
La variable aleatoria X que modeliza el número de elementos, entre n observados que tienen
la caracterı́stica E, tiene una distribución que llamaremos binomial de parámetros n y p. Lo
denotaremos por X ; B(n, p); su ley de probabilidad viene dada por:
SX = {0, 1, . . . , n}
Estadı́stica 53
!
n
p(X = k) = pk (1 − p)n−k
k
Sus medidas principales son:
1 1−p
E(X) = p V ar(X) = p2
SX = {r, r + 1, . . .}
Estadı́stica 54
!
k−1
p(X = k) = pr (1 − p)k−r
r−1
Sus medidas principales son:
r r(1−p)
E(X) = p V ar(X) = p2
Observación 3 EL siguiente cuadro seãla las diferencias entre las variables binomial y binnomial
negativa, indicando qué es lo que permanece fijo y cuáles son los valores (aleatorios) de la variable:
No de ensayos No de éxitos
Binomial fijo aleatorio
Binomial negativa aleatorio fijo
nQ nQ Q N −n
E(X) = N V ar(X) = N 1− N N −1
SX = {0, 1 . . .}
(λ)k e−λ
p(X = k) =
k!
Sus medidas principales son:
E(X) = λ V ar(X) = λ.
Observación 5 Este último resultado se utiliza en la práctica para aproximar las probabilidades
relativas a una variable B(n, p) con n grande y p peque o por probabilidades relativas a una
variable de Poisson de parámetro λ = np. Utilizaremos esta aproximación cuando n ≥ 25 y
p < 0.01.
Estadı́stica 56
SX = (0, ∞)
(
0 si t < 0
f (t) = −λt
λe si t ≥ 0
Su función de distribución viene dada por:
F (t) = 1 − e−λt
1 1
E(X) = λ V ar(X) = λ2
.
Demostración
Para cada x > 0 y cada h ≥ 0,
p(X ≥ x + h)
p(X ≥ x + h/(X > x)) = =
p(X > x)
e−λ(t+h)
= = e−λh = p(X ≥ h)
e−λt
(b) Distribución uniforme continua
La variable aleatoria X tiene una distribución uniforme continua de parámetros a y b, que
denotaremos por U(a, b), si su ley de probabilidades es:
SX = [a, b] (ó (a, b], [a, b), (a, b); denotaremos al intervalo por I)
(
1
b−a si x ∈ I
f (x) =
0 en otro caso
Sus medidas principales son:
a+b (b − a)2
E(X) = V ar(X) = .
2 12
Estadı́stica 57
Propiedades 2 i. E(X) = µ
ii. V ar(X) = σ2
iii. Es simétrica respecto de media, mediana y moda, que coinciden con µ.
iv. La función de densidad tiene puntos de inflexión en µ ± σ.
v. La función de densidad tiende asintóticamente a 0 en ±∞.
vi. Q1 = µ − 0.675σ, Q3 = µ + 0.675σ y por tanto, el IRQ es 1.35σ.
vii. En µ ± 2σ se encuentra el 95.5% de la distribución y en µ ± 3σ se encuentra el 99.7% de la
misma.
X−µ
viii. Si X ; N (µ, σ), entonces la variable estandarizada, Z = σ tiene distribución N (0, 1).
ix. Dos distribuciones normales cualesquiera están relacionadas mediante una transformación
lineal.
que Xi ; N (µi , σi ), i =
x. Si X1 , X2 , . . . , Xn son variables aleatorias independientes, tales s
n n n
Xi tiene distribución N ( σi2 ).
P P P
1, . . . , n, entonces la v.a. X = µi ,
i=1 i=1 i=1
Teorema 2 Sea {Xn }∞ n=1 una sucesión de variables aleatorias independientes con E(Xi ) = µi y
2
V ar(Xi ) = σi . Entonces la sucesión de variables aleatorias definida por:
n n
Xi −
P P
µi
Zn = i=1 i=1
1/2
n
σi2
P
i=1
converge asintóticamente a una variable aleatoria con distribución N (0, 1), es decir, si Fn es la función
de distribución de la variable Zn , n = 1, 2, . . ., y φ es la función de distribución de una variable N (0, 1),
entonces para cada x ∈ IR,
lim Fn (x) = φ(x).
n7→∞
Estadı́stica 58
s
n n n
Xi es asintóticamente una variable N ( σi2 )
P P P
También se dice que µi ,
i=1 i=1 i=1
Si aplicamos el teorema anterior a una sucesión de variables con distribución B(p) (Bernouilli de
parámetro p), se obtiene el siguiente resultado:
α α
E(X) = β V ar(X) = β2
.
En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes.
En el caso particular de que α = 1, entonces la distribución gamma es una exponencial de
parámetro β.
En el caso particular de que α sea un número natural, la variable X es suma de α v. a.
independientes con distribución exponencial, de parámetro β
(b) Distribución de Weibull.
La variable aleatoria X tiene una distribución de Weibull de parámetros α y β (ambos positivos)
si su ley de probabilidad es:
SX = (0, ∞)
0 si x ≤ 0
f (x) = h α i
αα exp − x si x > 0
β β
2
1 2 1
E(X) = βΓ 1 + α V ar(X) = β 2 Γ 1 + α −Γ 1+ α
En general, esta variable se utiliza para modelizar el tiempo hasta el fallo en distintos componentes.