Professional Documents
Culture Documents
Consiste en realizar un experimento aleatorio una sla vez y observar si cierto suceso ocurre o no, siendo p la probabilidad de que esto sea as (xito) y q=1-p el que no lo sea (fracaso). En realidad no se trata ms que de una variable dicotmica, es decir que nicamente puede tomar dos modalidades, es por ello que el hecho de llamar xito o fracaso a los posibles resultados de las pruebas obedece ms una tradicin literaria o histrica, en el estudio de las v.a., que a la situacin real que pueda derivarse del resultado. Podramos por tanto definir este experimento mediante una v.a. discreta Xque toma los valores X=0 si el suceso no ocurre, y X=1 en caso contrario, y que se denota
y su funcin de distribucin:
Se dice que una v.a. X sigue una ley binomial de parmetros n y p, de n v.a. independientes de Bernouilli con el mismo parmetro, p:
Esta definicin puede interpretarse en el siguiente sentido: Supongamos que realizamos n pruebas de Bernouilli, Xi, donde en todas ellas, la probabilidad de xito es la misma (p), y queremos calcular el nmero de xitos, X, obtenidos el el total de las n pruebas. Su ley de probabilidad es
Funcin de probabilidad de una variable binomial cuando n es grande. Por tanto, su funcin de distribucin es
El modo ms simple de calcular la funcin caracterstica nos lo da el teorema que afirma que la funcin caracterstica de la suma de variables independientes es el producto de las funciones caractersticas de estas:
que de su propia
se define la v.a. X como el nmero de fracasos obtenidos hasta la aparicin de r xitos en la sucesin { } . En este caso se dice que X sigue una ley de distribucin binomial negativa de parmetros r y p y se denota del modo: . Su ley de probabilidad es:
La distribucin binomial negativa tambin se puede definir como el nmero de pruebas hasta la aparicin de r xitos. Como el nmero de pruebas contabiliza tanto los xitos como los fracasos se tendra segn sta definicin que
Una v.a. X posee una ley de distribucin de probabilidades del tipo Poisson cuando
Este tipo de leyes se aplican a sucesos con probabilidad muy baja de ocurrir, obtenindose como la distribucin lmite de una sucesin de variable binomiales, B(n,p), donde ,y (por tanto ).
En general utilizaremos la distribucin de Poisson como aproximacin de experimentos binomiales donde el nmero de pruebas es muy alto, pero la probabilidad de xito muy baja. A veces se suele utilizar como criterio de aproximacin:
La funcin caracterstica de
es
El campo de existencia es cualquier valor real, es decir, (-, +). Es simtrica respecto a la media . Tiene un mximo en la media . Crece hasta la media y decrece a partir de ella. En los puntos y + presenta puntos de inflexin. El eje de abscisas es una asntota de la curva. El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad. Al ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha.
La probabilidad equivale al rea encerrada bajo la curva. p( - < X + ) = 0.6826 = 68.26 % p( - 2 < X + 2) = 0.954 = 95.4 % p( - 3 < X + 3) = 0.997 = 99.7 % o D. Normal Estndar
La distribucin normal estndar, o tipificada o reducida, es aquella que tiene por media el valor cero, = 0, y pordesviacin tpica la unidad, =1. Su funcin de densidad es:
Su grfica es:
La probabilidad de la variable X depender del rea del recinto sombreado en la figura. Y para calcularla utilizaremos una tabla. Tipificacin de la variable Para poder utilizar la tabla tenemos que transformar la variable X que sigue una distribucin N(, ) en otra variable Z que siga una distribucin N(0, 1).
Distribucin Chi-cuadrado
Recordemos que si la variable aleatoria continua X tiene una distribucin Gamma, entonces su funcin de densidad de probabilidad es
con parmetros a > 0 y r > 0. Donde E(X) = r/a y V(X) = r/ Definicin Sea X una variable aleatoria continua. Diremos que X tiene una distribucin Chi cuadrado con m grados de libertad si su funcin de densidad de probabilidad est dada por
Esta funcin es un caso especial de la funcin de distribucin Gamma en el cual hacemos a = 1/2 y r = v/2. Observaciones. 1. es la notacin que emplearemos para afirmar que X tiene una distribucin Chi-
cuadrado 2. v representa el nmero de grados de libertad con el cual se evala los valores de esta distribucin. 3. El valor esperado de X es E(X) = v. Su varianza es V(X) = 2v 4. La mayora de libros presentan una tabla de la Distribucin usando el complemento de la distribucin acumulada, es decir, ( . ) Distribucin F Fisher
Sea X una variable aleatoria. Diremos que X tiene una Distribucin F de Fisher con n grados en el numerador y m grados en el denominador, si su funcin de densidad de probabilidad viene dada por
lo que escribiremos como F F(n, m) Propiedades 1. Sean U y V dos variables aleatorias independientes tal que
, entonces
2. Si X F(n, m) entonces
3. Distribucin de la razn de dos varianzas muestrales Sea Sea es una m.a.i. de una poblacin N(1, 1) es una m.a.i. de una poblacin N(2, 2)
es tal que
Diremos que la variable aleatoria X tiene distribucin t de Student, con v grados de libertad, si su funcin de densidad de probabilidad viene dada por v1, entero. Observaciones 1. Si X t(v) entonces E(X) = 0 con v > 1 y 2. Sea X una variable aleatoria con distribucin N(0, 1) y sea V una variable aleatoria con . Si X y V son independientes, entonces la variable aleatoria es tal que T t(v) 3. Como en el caso de la distribucin Chi Cuadrado, cuando los valores de t0 o el valor de la probabilidad no estuvieran en la tabla, se deber interpolar para encontrar su valor.
( ) ( )
, para todo x y