Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIVERSIDAD / Definición
DE ACONCAGUA
PROBABILIDAD Y ESTADÍSTICA
Se dice que una variable X sigue una distribución uniforme en el intervalo 57
Esta v.a. queda definida por los extremos del intervalo, es decir, a y b son sus
parámetros.
Propiedades
a+b (b−a)2
E (X ) = 2 , var (X ) = 12 .
58
Distribución uniforme
58
Distribución uniforme
el tiempo.
Se dice que una v.a. X sigue una distribución exponencial de parámetro λ,59y
se denota por X ∼ exp(λ), si su función de densidad es
Distribución exponencial
f (x) = λ e −λx , para x ≥ 0.
Descripción / Definición
La distribución
Observad que X exponencial es en
toma valores aquella que modela
el conjunto S =el[0,tiempo
+∞).transcurrido entre
dos sucesos que se producen de forma independiente, separada y uniforme en
el tiempo.
Ejemplos
Se dice que una v.a. X sigue una distribución exponencial de parámetro λ, y
• Tiempo entre llegadas de camiones al punto de descarga.
se denota por X ∼ exp(λ), si su función de densidad es
• Tiempo entre llamadas de emergencia.
f (x) = λ e −λx , para x ≥ 0.
• Tiempo de vida de una bombilla.
Observad que X toma valores en el conjunto S = [0, +∞).
Ejemplos 60
60
Distribución exponencial
61
Distribución exponencial
Propiedades
• E (X ) = λ1
• var (X ) = λ12
• Función de distribución:
!
1 − e −λx , si x ≥ 0,
F (x) =
0, si x < 0.
62
Distribución exponencial
62
Distribución exponencial
Ejemplo
Hemos observado que en cierta provincia se producen, en promedio, 50
incendios serios cada año. Suponemos que estos incendios se producen de
forma independiente y decidimos modelar el número de incendios por año
mediante una distribución Poisson.
2·7
• Dos semanas, en años son:
Teorema 365 = 0.03836,
Central del Lı́mite (TCL)
• P[X > 0.03836] = 1 − P[X ≤ 0.03836] = 1 − (1 − e −50·0.03836 ) = 0.147.
El siguiente teorema nos habla de la distribución de la media de un conjunto 73
de v.a. independientes e idénticamente distribuidas (i.i.d.), es decir, todas con
la misma ley deTeorema Central del Lı́mite (TCL)
probabilidad,
n
El siguiente teorema nos habla de la distribución de la media de un conjunto
1!
X̄ = X
de v.a. independientes e idénticamente ndistribuidas (i.i.d.), es decir, todas con
i
la misma ley de probabilidad, i=1
y nos dice que, para n grande, la ley de! n media de v.a. independientes e
la
igualmente distribuidas es normal, 1
sea cual Xsea la ley de las v.a.
X̄ = i
n
De aquı́ el papel “central” que juega la i=1
ley normal o de Gauss.
y Teorema
nos dice que, para n grande, la ley de la media de v.a. independientes e
igualmente
Sean X1 , Xdistribuidas es normal, sea cual sea la ley de las v.a.
2 , . . . , Xn v.a. i.i.d. con media µ y desviación tı́pica σ (ambas
Definitas).
aquı́ elSipapel
n es “central” que juega
suficientemente la leysenormal
grande, o de Gauss.
tiene que
Teorema X̄ − µ
√ ∼ N (0, 1)
Sean X1 , X2 , . . . , Xn v.a. i.i.d. con
σ/ media
n µ y desviación tı́pica σ (ambas
finitas). Si n es suficientemente grande, se tiene que
X̄ − µ
√ ∼ N (0, 1)
σ/ n 74
Aproximaciones
74
Aproximaciones
Binomial (Teorema de De Moivre-Laplace)
Si X ∼ B(n, p) con n suficientemente grande
X − np
∼ N (0, 1)
Binomial (Teorema de De Moivre-Laplace)
"
np(1 − p)
Si X ∼ B(n, p) con n suficientemente grande
Poisson
X − np
Si X ∼ Pois(λ) con λ suficientemente
" grande
∼ N (0, 1)
np(1 − p)
X −λ
√ ∼ N (0, 1)
Poisson λ
Si X ∼ Pois(λ) con λ suficientemente grande
X −λ
√ ∼ N (0, 1)
75
X − 33.3̇ 40 − 33.3̇
" #
P(X < 40) = P <
4.714 4.714
≈ P (Z < 1.414) ≈ 0.921,
donde Z ∼ N(0, 1).
76
t de Student
Sean Y , X1 , X2 , . . . , Xn v.a. i.i.d. con ley N (0, 1). La distribución de
Y
tn = $%
n
i=1 Xi2 /n