Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema5 2324
Tema5 2324
Distribuciones discretas
Distribuciones continuas
Teorema central del lı́mite
Distribuciones obtenidas de la normal
Bibliografı́a
Grupos D107-DM107
Curso 2023-2024
Experimento de Bernoulli:
1 El experimento tiene dos posibles resultados: éxito, (A), y fracaso
(A).
2 La proporción de elementos de A y A es constante y no se modifica
cualquiera que sea la cantidad observada.
P(A) = p, P(A) = 1 − p = q
A −→ 1
A −→ 0
xi 1 0
pi p 1−p
Entonces,
P(X = x) = px (1 − p)1−x , x = 0, 1.
µ = E(X) = p.
σ2 = Var(X) = E(X2 ) − (E(X))2 = p − p2 = p(1 − p) = pq.
| .{z
P(A . . A} A . . A}) = pk (1 − p)n−k
| .{z
k n−k
Entonces,
n k
P(X = k) = p (1 − p)n−k , k = 0, 1, . . . , n
k
X = X1 + X2 + · · · + Xn
donde Xi son variables aleatorias con distribución de Bernoulli, es decir,
Xi ∼ B(1, p), i = 1, 2, . . . , n
de donde,
E(X) = E(X1 + X2 + · · · + Xn ) = np.
Xn
Var(X) = Var(X1 + X2 + · · · + Xn ) =
|{z} Var(Xi ) = npq.
i=1
Independencia
D107-DM107 5. Estadı́stica 7/52
Índice
Distribuciones discretas
Distribución binomial
Distribuciones continuas
Distribución geométrica
Teorema central del lı́mite
Distribución de Poisson
Distribuciones obtenidas de la normal
Bibliografı́a
Ejemplo
B(8,0.2) B(8,0.8)
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
B(8,0.5)
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8
X ∼ B(n, p) Y = n − X ∼ B(n, 1 − p)
X = k equivale a que Y = n − k, entonces,
P(X = k) = P(Y = n − k)
n k n−k n
p (1 − p) = pk · (1 − p)n−k
k n−k
Ejemplo
| .{z
P(A . . A} A) = P(X = n) =
|{z} (1 − p)n−1 p
n−1 Independencia
X
+∞
1
E(X) = k(1 − p)k−1 p = .
p
k=1
1−p q
Var(X) = E(X2 ) − (E(X))2 = 2
= 2.
p p
D107-DM107 5. Estadı́stica 12/52
Índice
Distribuciones discretas
Distribución binomial
Distribuciones continuas
Distribución geométrica
Teorema central del lı́mite
Distribución de Poisson
Distribuciones obtenidas de la normal
Bibliografı́a
G(0.2)
0.2
0.1
0
1 2 3 4 5 6 7 8 9 10 11
G(0.5)
0.5
0
1 2 3 4 5 6 7
G(0.8)
0.5
0
1 2 3 4 5 6 7
Ejemplo
Ejemplo
Distribución de Poisson:
1 Se considera un experimento en el que se observa el número de
veces que aparece un mismo suceso sobre un soporte continuo.
2 El número medio de sucesos es constante por unidad de observación
(tiempo, área, . . . ), es decir el proceso es estable.
3 Los sucesos aparecen de forma independiente.
X = número de veces que ocurre el suceso A por unidad de observación
X ∼ P(λ), λ > 0
La variable X puede tomar los valores 0, 1, 2, . . . , n, . . . y la probabilidad
del suceso X = k es
λk
P(X = k) = e−λ k = 0, 1, 2 . . .
k!
Ejemplos:
1 Número de erratas en una página de una publicación.
2 Número de glóbulos rojos por unidad de volumen.
3 Número de llamadas en un centro de atención al cliente en una
franja horaria determinada.
4 Número de vehı́culos que repostan en una determinada gasolinera
diariamente.
5 Número de asegurados de una compañı́a que han declarado algún
siniestro en el último año
Se puede probar que:
E(X) = Var(X) = λ
La distribución de Poisson está tabulada.
Ejemplo
0.4 0.15
0.2
0.3
0.15
0.1
0.2
0.1
0.05
0.1 0.05
0 0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8
X ∼ B(n, p)
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
0 10 20 30 40 50 0 10 20 30 40 50
Ejemplo
a+b (b − a)2
E(X) = , Var(X) = .
2 12
Esperanza y varianza:
1
si a < x < b
X ∼ U(a, b), f(x) =
b−a
0 en otro caso
Z∞ Zb b
x 1 1 2
E(X) = xf(x) dx = dx = x =
−∞ a b−a b−a2 a
1 (b − a)(b + a) a+b
= (b2 − a2 ) = =
2(b − a) 2(b − a) 2
Z∞
(a + b)2
Var(X) = E(X2 ) − (E(X))2 = x2 f(x) dx − =
−∞ 4
Zb
x2 (a + b)2 (b − a)2
= dx − =
a b−a 4 12
Ejemplo
ae−ax si x ⩾ 0
f(x) = , a > 0, X ∼ Exp(a)
0 si x < 0
a es el parámetro de la función de densidad.
Función de distribución:
0
Zx Zx si x < 0
F(X) = P(X ⩽ x) =
ae−at dt = ae−at dt = 1 − e−ax si x ⩾ 0
−∞ 0
1 1
E(X) = , Var(X) = .
a a2
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12 14 16 18 20
x
D107-DM107 5. Estadı́stica 27/52
Índice
Distribuciones discretas
Distribución uniforme
Distribuciones continuas
Distribución exponencial
Teorema central del lı́mite
Distribución normal
Distribuciones obtenidas de la normal
Bibliografı́a
Z∞ Z∞ Zb
E(X) = xf(x) dx = xae−ax dx = lı́m xae−ax dx =
b→+∞ 0
−∞ 0
Zb b
−ax b
−ax −1 −ax
= lı́m −xe 0
+ lı́m e dx = lı́m e =
b→+∞ b→+∞ 0 b→+∞ a 0
1
=
a
Z∞
1
Var(X) = E(X2 ) − (E(X))2 = x2 f(x) dx − 2 =
a
Zb −∞
2 −ax 1 2 1 1
= lı́m x ae dx − 2 = 2 − 2 = 2 .
b→+∞ 0 a a a a
La distribución exponencial se utiliza fundamentalmente para modelar
duraciones de vida, como la longevidad de seres vivos, o la duración de
un objeto hasta que se averı́a.
Ejemplo
Ejemplo
Se supone que el número de bajas por enfermedad semanales entre los empleados de
unos grandes almacenes sigue una distribución de Poisson de parámetro λ = 2. Se
pide:
1 Calcular la probabilidad de que en una semana haya más de tres bajas.
2 Calcular la probabilidad de que en una semana haya una sola baja.
3 Determinar la función de densidad del tiempo entre dos bajas.
4 Calcular la probabilidad de que el tiempo entre dos bajas sea superior a tres
semanas.
Durante el siglo XIX se empleó por cientı́ficos que habı́an observado que, en
mediciones fı́sicas, los errores seguı́an un patrón similar a una distribución normal.
N( µ , σ )
0.3
N(-2,1.5)
0.2 N(0,1.5)
N(2,1.5)
f(x)
0.1
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
N( µ , σ )
0.8
N(0,3)
0.6 N(0,1)
N(0,0.5)
f(x)
0.4
0.2
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
D107-DM107 5. Estadı́stica 33/52
Índice
Distribuciones discretas
Distribución uniforme
Distribuciones continuas
Distribución exponencial
Teorema central del lı́mite
Distribución normal
Distribuciones obtenidas de la normal
Bibliografı́a
X−µ x−µ X−µ
Tipificación: P(X ⩽ x) = P ⩽ = P(Z ⩽ z) donde Z = y
σ σ σ
x−µ
z= . Entonces, FX (x) = FZ (z) siendo FZ la función de distribución de la
σ
normal estándar.
Ejemplo
Ejemplo
X
n
Y= Xi
i=1
tiende hacia una distribución normal cuando el número de sumandos
tiende a infinito.
X
n Xn
Los parámetros de la variable Y son µY = µi y σ2Y = σ2i .
i=1 i=1
Si n es suficientemente grande, (n > 30),
X
n
Y− µi
i=1
v ∼ N(0, 1) aproximadamente
uX
u n 2
t σi
i=1
X
n
Y= Xi
i=1
tiene como parámetros:
X
n X
n
µY = µ = nµ, σ2Y = σ2 = nσ2
i=1 i=1
Si n es suficientemente grande, (n > 30),
Y − nµ
√ ∼ N(0, 1) aproximadamente
σ n
X
n
Si las variables Xi son normales, Y = Xi es normal, n ∈ N.
i=1
D107-DM107 5. Estadı́stica 40/52
Índice
Distribuciones discretas
Distribuciones continuas
Relación entre B(n, p), P(λ) y N(0, 1)
Teorema central del lı́mite
Distribuciones obtenidas de la normal
Bibliografı́a
Ejemplo
El tiempo que pasa un cliente en el mostrador de una caja tiene una
media de cuatro minutos y una desviación tı́pica de dos miunutos.
1 ¿Cuál es la probabilidad de que el tiempo total para una muestra
aleatoria de 50 clientes sea menor que 180 minutos?
2 Calcula el percentil 0.3 del tiempo total que tardaron 50 clientes.
0.1
0.08
0.06
0.04
0.02
0
0 10 20 30 40 50 60 70 80 90 100
0.1
0.08
0.06
0.04
0.02
0
0 10 20 30 40 50 60 70 80 90 100
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30 35 40 45 50
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30 35 40 45 50
Ejemplo
En un proceso que fabrica rodamientos, el 90 % de ellos cumple con una
especificación de espesor. Un envı́o contiene 500 rodamientos y es
aceptable si al menos 440 cumplen la especificación. Se supone que cada
envı́o contienen una muestra aleatoria de rodamientos.
1 ¿Cuál es la probabilidad de que un envı́o determinado sea aceptable?
2 ¿Cuál es la probabilidad de que más de 285 de 300 envı́os sean
aceptables?
3 ¿Qué proporción de rodamientos debe cumplir la especificación para
que el 99 % de los envı́os sean aceptables?
Ejemplo
La concentración media de partı́culas en una suspensión es de 50 por ml.
Se extrae un volumen de 5 ml de suspensión. ¿Cuál es la probabilidad de
que el número de partı́culas extraı́do esté entre 235 y 265?
D107-DM107 5. Estadı́stica 45/52
Índice
Distribuciones discretas
Distribución χ2 de Pearson
Distribuciones continuas
Distribución t de Student
Teorema central del lı́mite
Distribución F de Snedecor
Distribuciones obtenidas de la normal
Bibliografı́a
Distribución χ2 de Pearson
Sean Xi ∼ N(0, 1), i = 1, 2, . . . , n variables aleatorias independientes. La
variable
Xn
χ2n = X2i
i=1
χ 2n
0.5
χ 22
0.45
χ 23
0.4 χ 42
0.35 χ 62
0.3
f(x)
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15
x
Distribución t de Student
Si X ∼ N(0, 1) independiente de χ2n , el cociente
X
tn = q
χ2n
n
0.25
f(x)
0.2
0.15
0.1
0.05
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x
Distribución F de Snedecor
Se define la distribución F con (m, n) grados de libertad como el cociente
χ2m /m
Fm,n =
χ2n /n
donde χ2m y χ2n son variables independientes.
F(m,n)
1
F(10,6)
0.9 F(50,12)
0.8
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x
Bibliografı́a