Marco comparativo

Una distribución de probabilidad queda definida y caracterizada por:

1.- la especificación de la variable aleatoria y su campo de variación.

2.- la especificación de su asignación de probabilidades, mediante la función de

distribución.(Alternativamente mediante la f.cuantía o densidad,la F.C. o la F.G.M.
(si existe).(Estas son las FUNCIONES DE DEFINICIÓN)

Si un conjunto dado de distribuciones tiene sus funciones de distribución con la

misma ESTRUCTURA FUNCIONAL, diremos que pertenece a la misma FAMILIA
DE DISTRIBUCIONES, al mismo MODELO DE PROBABILIDAD o a la misma
DISTRIBUCIÓN-TIPO.

p.ej : Todas las distribuciones que están definidas sobre una v.a. continua de
modo que para x³ 0 la función de densidad es : f(x)= a e-ax siendo a un real
positivo (alternativamente: F(x)= 1- e-ax; f (t) = (1-t/a )-1; son equivalentes la tres
caracterizaciones), pertenecen a la misma familia, modelo o tipo (el exponencial).

La estructura matemática de las funciones de definición que caracterizan un

modelo de probabilidad suelen depender de uno o más parámetros.Estos
parámetros son los PARÁMETROS DE LA DISTRIBUCIÓN(TIPO), y tienen un
importancia fundamental, en Estadística matemática y sobre todo en INFERENCIA
ESTADÍSTICA.

MODELOS DISCRETOS

Aunque en adelante hablemos de distribución "tal", nos estaremos refiriendo al

modelo tal.

Los modelos discretos, son modelos de probabilidad de variable aleatoria

discreta.Los más importante son los modelos de BERNOUILLI (especialmente "la
distribución binomial") y la "distribución de Poisson".

1.- DISTRIBUCIÓN DICOTÓMICA.(Bernoulli).

El campo de variación de la variable es : {0,1}. y la función de cuantía es :

P(X=0) = q = 1-p
P(X=1)= p .

Si una variable aleatoria X sigue o tiene una distribución dicotómica de parámetro

p se expresa como X ~ D(p).

Modeliza situaciones en las que :

· Se realiza una prueba

· Que sólo puede dar dos resultados posibles: A y A

· La probabilidad del resultado A es P(A) = p y la del resultado A es P(A)= q=1-p.

· En estas circunstancias la variable aleatoria X significa "nº de resultados A que

se obtienen.

La media de la distribución será: m = å x P(x) = 0.q + 1.p = p

La varianza de la distribución: s2 = a2- m2

con : a2 = S x2.P(x) = 0.q +1.p= p

s2 = a2- m2 = p - p2 = p (1-p) = p.q

Y la F.G.M.:

f (t) = E(etx) = S etx P(x) = e0 q + et p = (pet +q)

Es fácil comprobar que todos los momentos ordinarios de orden mayor o igual a 1
son iguales a p.

2.- DISTRIBUCIÓN BINOMIAL.

El campo de variación de la variable es {0,1,2,3,..., n} y la función de cuantía es:

 para valores de x= 0,1,2,...n siendo nΠN , p Î [0,1] y q=1-p

Si una variable aleatoria, X, sigue una distribución binomial de parámetros n y p se

expresa como: X ~ B(n,p).

Situaciones que modeliza:

· Se realiza un número n de pruebas (separadas o separables).

· Cada prueba puede dar dos únicos resultados A y Ã

· La probabilidad de obtener un resultado A es p y la de obtener un resultado Ã es

q, con q= 1-p, en todas las pruebas.Esto implica que las pruebas se realizan
exactamente en las mismas condiciones.Si se trata de extracciones, (muestreo),
las extracciones deberán ser con devolución (reemplazamiento) (M.A.S).

· En estas circunstancias se aleatoriza de forma que variable aleatoria signifique:

X = nº de resultados A que se obtienen en las n pruebas

Es fácil comprobar que considerando estas condiciones la función de cuantía de la

variable es precisamente la que se ha especificado arriba.

La función de distribución quedará como F(x) = S P(x), sin una expresión analítica
concreta.

Los indicadores-momentos (media y varianza) pueden obtenerse a partir de la

función de cuantía (operador esperanza) o a a partir de F.G.M.:

F.G.M.: f (t) = E(etx) = S etx P(x) =

(desarrollo del Binomio de

Newton)
f (t) =(pet + q)n

A partir de aquí :

la media m = a1= f '(t=0) :

f '(t)= n (pet + q)n-1pet ¾ ¾ ® f '(t=0) = n(p+q)n-1 p = n.1.p= np

la varianza s2 = a2- m2 y a2 =f ''(t=0)

f ''(t) = n.(n-1) (pet + q)n-2pet pet+ n (pet + q)n-1 p ¾ ¾ ®

¾ ¾ ® f ''(t=0) = n.(n-1) (p + q)n-2p2 +n (p+q)n-1 p =

=n.(n-1)p2 + np = n2p2 -np2 + np

a2 =n2p2 -np2 + np

de donde : la varianza s2 = a2- m2 =n2p2 -np2 + np -(np)2 =-np2 + np =

s2 =np(1-p)= npq

Análogamente se pueden obtener los coeficientes de Asimetría y de Curtosis.

que acaban siendo:

Es interesante hacer ver que si p=q= 0.5 la distribución es SIMÉTRICA Y TIENE

VARIANZA MÁXIMA

Puede determinarse la moda de una distribución binomial como el (los) valor(es)

de la variable (número entero del 0 a n) que verifica:

pn - q £ Mo £ pn + p

Generalmente será un único valor ( la parte entera de la media), y podrán ser dos
valores modales cuando pn +p ( ó pn-q) sea un número entero[p.ej. B(5,0.5)]

3. DISTRIBUCIÓN HIPERGEOMÉTRICA

Dada la siguiente situación:

  Una población constituida por N individuos en total.
 De los cuales Np individuos son del tipo A , y Nq individuos son del tipo Ã.

De forma que la proporción de individuos A que hay en la población es p, y la

proporción de individuos de tipo Ã , es q (p+q=1).

 Se realizan n (pruebas) extracciones sin reemplazamiento

De forma que la probabilidad de extraer un individuo A ( Ã) en una de las

extracciones depende de los resultados de las pruebas anteriores.

 Si consideramos la variable aleatoria X = nº de resultados A obtenidos en

las n extracciones , X seguirá una distribución hipergeométrica. X~H(N,n,p)

Puede comprobarse que la función de cuantía es, entonces:

La distribución hipergeométrica es semejante a la binomial, excepto en el hecho

de que las pruebas no mantienen constantes las probabilidades de A y Ã

 La media de la distribución hipergeométrica es m = np

 La varianza de la distribución es s2 = npq (N-1/(N-n))

al término (N-1/(N-n)) se le llama coeficiente de exhaustividad ,o también, factor

corrector de poblaciones finitas :

Puede observarse que este factor es siempre inferior a 1 y que cuando la

población es muy grande (N® ¥ ) tiende a 1(por tanto si la población es muy
grande la media y la varianza coinciden con las de la D. Binomial).

De hecho, si la población es muy grande (resulta irrelevante la existencia o no de

reposición) la función de cuantía de la Hipergeométrica tiende a la f. de cuantía de
la distribución Binomial y se puede prescindir del hecho de que haya o no
reemplazamiento.

4. DISTRIBUCIÓN DE POISSON

Formalmente : dada una variable aleatoria X con campo de variación

X Î {0,1,2,..., ¥ }, es decir X Î N cuya función de cuantía sea:

 siendo l un parámetro positivo

diremos que X sigue una distribución de Poisson de parámetro l , X ~ P(l ).

Situaciones que modeliza:

 Se observa la ocurrencia de hechos de cierto tipo durante un período de

tiempo o a lo largo de un espacio, considerados unitarios
 El tiempo (o el espacio) pueden considerarse homogéneos, respecto al tipo
de hechos estudiados, al menos durante el período experimental; es decir,
que no hay razones para suponer que en ciertos momentos los hechos
sean más probables que otros.
 En un instante (infinitesimal) sólo puede producirse como mucho un hecho
(se podrá producir o uno o ninguno).
 La probabilidad de que se produzca un hecho en un intervalo infinitesimal
es prácticamente proporcional a la amplitud del intervalo infinitesimal.

Si en estas circunstancias la variable aleatoria X = nº de hechos que se producen

en un intervalo unitario sigue una distribución de Poisson , que cómo veremos
tendrá por parámetro l el número medio de hechos que pueden producirse en el
intervalo unitario.

F.G.M. de una distribución de Poisson:

f (t) = E(etx) = S etx P(x) =  =  =

Derivando sucesivamente podremos obtener los distintos momentos ordinarios y,

a partir de ellos media, varianza y otros indicadores:

f ' (t) = l et el(et - 1) ¾ ¾ ¾ ® f ' (t =0) = a1= m = l

f '' (t) = l et el(et - 1) +( l et )2 el(et - 1) ¾ ¾ ¾ ®

¾ ¾ ¾ ® f ' (t =0) = a2= l + l2

de forma que la varianza será: s2 = a2- m2 = l + l2 - l2 = l

La moda de una distribución de Poisson puede determinarse como el valor de la

variable (el número natural) que verifica que:

l - 1 £ Mo £ l

Habitualmente la moda será la "parte entera de la l (de la media)" , pero habrá dos
modas (l - 1 y l ) cuando l sea un número entero.

PROPIEDAD IMPORTANTE: CONVERGENCIA BINOMIAL-POISSON.

Dada una variable aleatoria X que siga una distribución Binomial si el parámetro n
es muy grande (n ® ¥ ) y el parámetro p es muy pequeño (p ® 0 ) su distribución
puede aproximarse por la de una de Poisson con parámetro l = np.

la f. de cuantía de una variable X / X ~ B(n,p) cuando n ® ¥ y p ® 0 tiende a:

de forma que haciendo l = np tiende a la f. de cuantía de una distribución de

Poisson con l = np.

MODELOS CONTINUOS

1. DISTRIBUCIÓN UNIFORME (DE V.CONTINUA)

Dada una variable aleatoria continua, X , definida en el intervalo [a,b] de la recta

real, diremos que X tiene una distribución uniforme en el intervalo [a,b] cuando su
función de densidad sea: X ~ U([a,b])

f(x)= 1/(b-a) para x Î [a,b].

De manera que la función de distribución resultará:

0 para x < a

1 para x ³ b

Es fácil comprobar que m =(b+a)/2 y que s2 = (b-a)2/12

2. DISTRIBUCIÓN EXPONENCIAL

Dada una variable aleatoria continua, X , definida para valores reales positivos.

diremos que X tiene una distribución exponencial de parámetro a cuando su

función de densidad sea: f(x) = a e-a x para x ³ 0 ( siendo el parámetro a positivo)
 

La función de distribución será

=0 para x < 0
F(x) = {

F.G.M.

Si derivamos la F.G.M. en el punto t=0 obtendremos que m = 1/a

Y derivando por segunda vez en t= 0 obtendremos el momento ordinario de

segundo orden, y a partir de él la varianza: s 2= 1 /a2

la moda es 0 y la mediana ln2/a

3. DISTRIBUCIÓN NORMAL (ir a distribución normal)

La distribución normal es la más importante de todas las distribuciones de

probabilidad. Es una distribución de variable continua con campo de variación [-¥ ,
¥ ], que queda especificada a través de dos parámetros ( que acaban siendo la
media y la desviación típica de la distribución).

Una variable aleatoria continua, X, definida en [-¥ ,¥ ] seguirá una distribución

normal de parámetros m y s , ( X ~ N(m ; s ) ) , si su función de densidad es :

 para x Î [-¥ ,¥ ]

cuya representación gráfica es:

Importancia de la distribución Normal.

a) Enorme número de fenómenos que puede modelizar: Casi todas las

características cuantitativas de las poblaciones muy grades tienden a aproximar su
distribución a una distribución normal.

b) Muchas de las demás distribuciones de uso frecuente, tienden a distribuirse

según una Normal, bajo ciertas condiciones.

c) (En virtud del teorema central del límite).Todas aquellas variables que pueden
considerarse causadas por un gran número de pequeños efectos (como pueden
ser los errores de medida) tienden a distribuirse según una distribución normal.

La probabilidad de cualquier intervalo se calcularía integrando la función de

densidad a lo largo de ese de intervalo, pero no es necesario nunca resolver
la integral pues existen tablas que nos evitan este problema.

F.G.M.:puede probarse que la función generatriz de momentos de una distribución

N(m ; s ) es:

f (t) = E(etx) = e(m t + ½ s2t2)

A partir de ella es fácil comprobar como efectivamente la media de la distribución
es el parámetro m y, cómo su varianza es el parámetro s .

Igualmente puede comprobarse que la distribución es simétrica y que su curtósis

es nula.

Propiedad importante: "CUALQUIER TRANSFORMACIÓN LINEAL DE UNA

VARIABLE ALEATORIA NORMAL TIENE TAMBIÉN UNA DISTRIBUCIÓN
NORMAL DONDE LA MEDIA DE LA NUEVA VARIABLE ES LA MISMA
TRANSFORMACIÓN LINEAL DE LA MEDIA DE LA ANTIGUA Y DONDE LA
DESVIACIÓN TÍPICA ES LA DESVIACIÓN TÍPICA ANTIGUA MULTIPLICADA
POR EL COEFICIENTE ANGULAR DE LA TRANSFORMACIÓN":

Dada una variable X ~ N(m ; s ) si la nueva variable Y es Y = a+bX

Y~ N(a+bm ; bs ) :

en efecto: la F.G.M de la distribución de X será:

E(etx) = e(m t + ½ s2t2)

y la F.G.M. de la distribución de Y será:

fy(t)= eat.fx(bt) = eat .e(m bt + ½ s2b2t2) = e((a+bm )t + (bs )2t2)

que es la F.G.M de una distribución N(a+bm ; bs ) //*q.e.d.*//

Consecuencia importante de esto es que si se tipifica una variable X / X ~ N(m ; s )

la nueva variable Z = tendrá una distribución N(0,1).

La distribución N(0,1) se conoce con el nombre de Normal tipificada o reducida y

tiene una importancia teórica y práctica fundamental.Su Función de distribución
está tabulada y ello nos permite calcular directamente cualquier probabilidad de
cualquier intervalo de cualquier distribución normal ( X ~ N(m ; s )), sin necesidad
de integrar.

En efecto: si X ~ N(m ; s ) y queremos calcular P(XΠ[a,b])==P(a£ X £ b) =

donde F es la F. de distribución de una Normal tipificada, que puede evaluarse a

través de las tablas.