Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
T1
FUNCIÓN DE CUANTÍA/DENSIDAD.
PARÁMETROS.
2
Discretas: Distribución Binomial
Distribución de Bernoulli o Binomial (0,1) o (1,p)
Ejemplos:
Lanzar una moneda y que salga cara.
p=1/2
T1
Elegir una persona de la población y que esté enfermo.
p=1/1000 = prevalencia de la enfermedad
Aplicar un tratamiento a un enfermo y que éste se cure.
p=95%, probabilidad de que el individuo se cure
Cuantía Distribución
𝑃 𝑋 = 𝑥 = 𝑝 𝑥 (1 − 𝑝)1−𝑥 𝑝𝑎𝑟𝑎 𝑋 = 0 𝑦 𝑋 = 1
0 𝑠𝑖 𝑥 < 0
Éxito: P(X =1) = p1(1-p)1-1 = p 𝑃 𝑋≤𝑥 = ቐ𝑞 𝑠𝑖 0 ≤ 𝑥 < 1
1 𝑠𝑖 𝑥 ≥ 1
Fracaso: P(X=0) = p0(1-p)1-0 = q
T1
Características básicas
4
Discretas: Distribución Binomial
Distribución de Bernoulli o Binomial (0,1) o (1,p)
Parámetros
Aplicaciones
5
Discretas: Distribución Binomial
Distribución Binomial (n,p)
Una variable aleatoria X tiene una distribución binomial (n,p) y se denota
como B(n,p) cuando:
X = X1 + … + Xn
Siendo todas las Xi independientes y con la misma distribución B(0,1), es decir
independientes e idénticamente distribuidas.
Descripción del fenómeno
Conceptualmente, la distribución B(n,p) describe situaciones que se pueden presentar
si un suceso dicotómico se presenta o se repite n veces, y si las repeticiones son
independientes.
T1
Dado que cada variable aleatoria toma los valores 0,1, el menor valor que puede tomar
la variable aleatoria suma (X), será también 0 si todas las variables aleatorias Xi toman
el valor 0, y el máximo será “n” cuando cada una de las variables aleatorias Xi toma el
valor 1. Por tanto, X podrá tomar todos los valores naturales de “0” a “n”.
𝑋 = 0,1,2,3, … , 𝑛
La variable aleatoria X aparece, por tanto, como una variable “CONTADOR” del
número de veces que se presenta el resultado codificado como éxito (X=1) en las “n” 6
veces que se repite el experimento. Esto es, la B(n,p) describe un experimento
dicotómico o de Bernoulli cuando éste se repite “n” veces.
Discretas: Distribución Binomial
Distribución Binomial (n,p)
Función de cuantía
n x n− x
P[ X = x] = p q , 0 x n
x
Problemas de cálculo si n es muy grande
y/o p cercano a 0 o 1.
T1
Características básicas
Demostradlo…
Discretas: Distribución Binomial
Distribución Binomial (n,p)
Parámetros
Una variable aleatoria que siga una distribución B(n,p) estará completamente
definida cuando conozcamos la probabilidad de éxito y el número de veces que se
repite el experimento.
Aplicaciones
T1
Propiedades
X1 + X2~ B(n1+n2,p)
8
Discretas: Distribución Binomial
Distribución Binomial (n,p)
Parecidos razonables
T1
9
Discretas: Distribución de Poisson
Una V.A. X con distribución de Poisson expresa el número de sucesos “raros” que
ocurren en una zona fija de espacio o de tiempo. La intensidad con que acaecen
dichos sucesos se representa mediante el parámetro positivo λ. Algunos ejemplos
de experimentos aleatorios para los que se utiliza como modelo la distribución de
Poisson son los siguientes:
T1
Descripción del fenómeno
x
F ( x) = P[ X x] = e −
x
−
P[ X = x] = e , x = 0,1,2,...
x! xi x x!
Donde λ es el número medio de resultados que ocurren en el intervalo
Propiedades
T1
variables:
Si X1 ~ P(λ1) y X2 ~ P(λ2) y además son independientes entre sí, la variable aleatoria
suma Y=X1 + X2 ~ P(λ1+ λ2)
T1
Función de densidad y distribución
x2
1 −
f ( x) = e 2
2
x2
1 x −
12
F ( x) = P( X x) = e 2
dx
2 −
Continuas: Normal
Distribución N(μ, σ)
Una V.A. sigue una distribución N(μ,σ) si Y = μ+σx, siendo -∞< μ <+∞ , σ>0 y X~
N(0,1).
Idéntico a los descritos para la N(0,1), pero para variables cuya media es distinta
de cero y cuya desviación típica es distinta de 1. Por ejemplo, Y: renta de los
hogares españoles ~ N(μ=10.000 €, σ=3500 €) ; o por ejemplo, Y : gasto medio en
pan durante una semana~ N(11,2 €;5€).
1 1 y
2
f (Y ) = e F (Y ) = P(Y y ) = e 2
dy
2 2 −
13
Continuas: Normal
Distribución N(μ, σ)
Interpretación geométrica
Podéis interpretar la
media como un factor de
traslación.
14
Continuas: Normal
Distribución N(μ, σ)
Características
Parámetros
Propiedades
T1
Propiedad aditiva o reproductiva
Sean n variables independientes xj~N(μj;σj). Si definimos una combinación lineal de las
anteriores:
Y=b+a1x1+a2x2+…+anxn=b+σ𝑛𝑗=1 𝑎𝑗 𝑥𝑗
No siendo todos los aj=0, la nueva variable Y~
𝑛 𝑛
Propiedades
Tipificación
Dada una variable de media μ y desviación típica σ, se denomina valor tipificado,z,
de una observación x, a la distancia (con signo) con respecto a la media, medido en
desviaciones típicas, es decir
x−
z=
T1
En el caso de variable X normal, la interpretación es clara: Asigna a todo valor de
N(μ, σ), un valor de N(0,1) que deja exáctamente la misma probabilidad por
debajo.
Nos permite así comparar entre dos valores de dos distribuciones normales
diferentes, para saber cuál de los dos es más extremo
16
Continuas: Normal
Distribución N(μ, σ)
Manejo de tablas
Z es normal tipificada.
Calcular P[Z<1,85]
T1
Solución: 0,968 = 96,8%
17
Continuas: Normal
Distribución N(μ, σ)
Manejo de tablas Z es normal tipificada.
Calcular P[Z<-0,54]
T1
18
Z es normal tipificada.
Calcular P[-0,54<Z<1,85]
T1
Definición
Función de densidad
T1
1
x
(n 2 −1)
e
x
2
x0
n n
f(x, n) = 2 2
2
0 x0
20
Continuas: Funciones derivadas de la Normal
Características
Manejo de tablas
Esta distribución está tabulada. La forma en que vienen dispuestas las tablas
permiten determinar de forma directa la P(𝝌2𝑛 ≥a).
Otras cuestiones
T1
Tiene un sólo parámetro denominado grados de libertad.
La función de densidad es asimétrica positiva. Sólo tienen densidad los valores
positivos.
La función de densidad se hace más simétrica incluso casi gausiana cuando
aumenta el número de grados de libertad.
Normalmente consideraremos anómalos aquellos valores de la variable de la “cola
de la derecha”.
21
Continuas: Funciones derivadas de la Normal
t de Student (𝒕)
Definición
Sean X1….Xn V.A independientes N(0,σ) y sea U una V.A N(0,σ) independiente de las
Xi, se define la t-Student con n grados de libertad como:
𝑈 𝑈ൗ 𝑁(0,1)
𝜎
𝑡𝑛 = = =
𝑥12 + 𝑥22 + ⋯+ 𝑥𝑛2 𝑥12 + 𝑥22 + ⋯ + 𝑥𝑛2 𝝌2𝑛
𝑛 𝑛𝜎 2 𝑛
T1
Su representación gráfica es parecida a la
campana de Gauss. Es simétrica respecto al eje
de ordenadas y tiene asíntotas en ±∞, sólo que
es más achatada y con mayor probabilidad en
las colas.
Manejo de tablas
Esta distribución está tabulada. La forma en que vienen dispuestas las tablas
permiten determinar de forma directa la P(𝑡𝑛 ≥a).
T1
Otras cuestiones
T1
Si σ = 1, la variable aleatoria sigue una distribución F de Snedecor con m y n grados de
libertad, la variable es el cociente de dos χ2 independientes de m y n grados de libertad,
corregidas por sus respectivos grados de libertad.
𝜒2
𝑚
𝑚
𝐹= 𝜒2
𝑛
𝑛
T1
25
Teorema Central del Límite (TCL)
TEOREMA CENTRAL DEL LÍMITE DE LINDEBERG-LÉVY
O lo que es lo mismo,
𝑌𝑛 − 𝑛𝜇
𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒 𝑎 𝑢𝑛𝑎 𝑁(0,1)
T1
𝜎 𝑛