Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISTRIBUCIONES BIDIMENSIONALES.
Por ejemplo, nos dan las notas de las últimas diez evaluaciones de física y matemática:
Matemática 3 4 5 6 6 7 7 8 10
Física 2 5 5 6 7 6 7 9 10
N° Alum. 4 4 2 4 3 4 2 1 1
A partir de aquella tabla podemos hallar la Media, Desviación Típica, Mediana, Varianza,
Covarianza, Coeficiente de Correlación de Pearson, etc. En este ejemplo vamos a elegir una nota de
Matemática al azar y hallaremos qué nota se podría esperar en una próxima evaluación de Física en
base a la nota de Matemática elegida. También haremos la nube de puntos y hallaremos la recta de
relación.
Así es que:
Matemática 4,5
Física ¿?
σ XY
Y −Y = 2
(X −X )
σX
incógnitas primero:
Σ(X i .Y i . f i )
σ XY = −X . Y
Σ(f i )
2
2 Σ( X i . f i ) 2
σX = −X
Σ(f i )
DISTRIBUCIÓN BINOMIAL.
Se trata de una serie de pruebas o ensayos en la que solo podemos tener 2 resultados (éxito
o fracaso), siendo el éxito nuestra variable aleatoria.
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que la
moneda no cambia en cada experimento y las probabilidades de sacar cara son constantes.
La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la letra q
= 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q, podemos
obtener la que nos falte.
El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda salga
cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de ocurrir.
Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad de
éxito.
Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
q = Probabilidad de fracaso (1-p)
Por tanto, nuestro resultado final sería 0,4096. Si multiplicamos por 100 tenemos que hay
una probabilidad del 40,96% de que 3 de los 4 amigos haya visto el partido de la final del mundial.
DISTRIBUCIÓN DE POISSON.
Dada una variable aleatoria discreta X decimos que su frecuencia se puede aproximar
satisfactoriamente a una distribución de Poisson, tal que:
Tanto la media como la varianza de esta distribución son (), estrictamente positiva.
Esta función se entiende como la probabilidad de que la variable aleatoria X tome un valor
concreto x. Es la exponencial de la media negativa multiplicada por la media elevada a la
observación y todo dividido por la factorial de la observación.
Como está indicado, para conocer la probabilidad de cada observación, tendremos que
sustituir en la función todas las observaciones. En otras palabras, x es un vector de dimensión n que
contiene todas las observaciones de la variable aleatoria X. La media también sería un vector pero
de una dimensión, tal que:
Una vez ya tenemos las probabilidades calculadas, junto con las observaciones ya podemos
dibujar la distribución de densidad de probabilidad.
Entonces, la estación más cercana tiene una probabilidad de 14,62% de que abra antes de
diciembre.
DISTRIBUCIÓN NORMAL.
Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y los
errores estándar son variables aleatorias continuas.
Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número de
estudiantes en una universidad.
Para que una variable aleatoria se considere que sigue una distribución normal, tiene que
cumplir las siguientes propiedades:
Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que:
Donde los parámetros de la distribución son precisamente la media o valor central () y la
desviación típica ()
Una función de densidad de probabilidad de una variable aleatoria que sigue una
distribución normal se representa de la siguiente forma:
Un ejemplo viene bien para refrescar todas las definiciones expuestas con anterioridad:
suponemos que queremos saber si los resultados de un examen pueden aproximarse
satisfactoriamente a una distribución normal. Sabemos que en este examen participan 476
estudiantes y que los resultados podrán oscilar entre 0 y 10. Calculamos la media y la desviación
típica a partir de las observaciones.
Entonces, definimos la variable aleatoria X como los resultados del examen que depende de
cada resultado individual.
El resultado de cada estudiante se anota en una tabla. De esta forma, obtendremos una
visión global de los resultados y de su frecuencia.
Resultados Frecuencia
0 20
1 31
2 44
3 56
4 64
5 66
6 62
7 51
8 39
9 26
10 16
TOTAL 475
Una vez hecha la tabla, representamos los resultados del examen y las frecuencias. Si el
gráfico se parece a la imagen anterior y cumple con las propiedades, entonces, la variable resultados
del examen puede aproximarse satisfactoriamente a una distribución normal de media 4,86 y
desviación típica de 2,56.
DISTRIBUCIÓN GAMMA.
El primer parámetro (α) sitúa la máxima intensidad de probabilidad y por este motivo en
algunas fuentes se denomina “la forma” de la distribución:
Cuando se toman valores próximos a cero aparece entonces un dibujo muy similar al de la
distribución exponencial.
Cuando se toman valores más grandes de (α) el centro de la distribución se desplaza a la
derecha y va apareciendo la forma de una campana de Gauss con asimetría positiva.
Es el segundo parámetro (β) el que determina la forma o alcance de esta asimetría positiva
desplazando la densidad de probabilidad en la cola de la derecha.
La expresión β−1 también será necesaria más adelante para poder llevar a cabo el desarrollo
matemático.
Γ ( α )=( α −1 ) !
La Varianza es:
DISTRIBUCIÓN BETA.
Notación y parámetros:
Función de densidad:
Función de distribución:
Media y varianza:
Propiedad de simetría: