DISTRIBUCIONES DISCRETAS

DISTRIBUCIN DE PROBABILIDADES DISCRETAS

Distribucin de Bernoulli

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

Para una v.a. de Bernouilli, tenemos que su funcin de probabilidad es:

y su funcin de distribucin:

Su funcin caracterstica es:

Los principales momentos de la X los podemos calcular directamente

o bien usando la funcin caracterstica:

Distribucin binomial , si es la suma

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

En la Figura 1 se representa la funcin de probabilidad de una variable binomial.

Funcin de probabilidad de una variable binomial cunado n es pequeo.

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:

Los principales momentos de X los calculamos ms fcilmente a partir de definicin:

que de su propia

Distribucin binomial negativa

Sobre una sucesin de v.a. de Bernouilli independientes,

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:

De nuevo, el conjunto de posibles valores de esta v.a. discreta es Su funcin caracterstica es

y sus momentos ms importantes los obtenemos derivando esta ltima:

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

Distribucin de Poisson (o de los sucesos raros)

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 ).

La demostracin de esto consiste en

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

de lo que se deduce que valor esperado y varianza coinciden

DISTRIBUCIN DE PROBABILIDADES CONTINUAS

Distribucin Normal y Estndar o D. Normal Una variable aleatoria continua, X, sigue una distribucin normal de media y desviacin tpica , y se designa por N(, ), si se cumplen las siguientes condiciones: 1. La variable puede tomar cualquier valor: (-, +) 2. La funcin de densidad, es la expresin en trminos de ecuacin matemtica de la curva de Gauss:

Curva de la distribucin normal

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

es una variable tal que F F(n, m). y

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)

Si ambas muestras provienen de poblaciones independientes, entonces

es tal que

F F(n1 1, n2 1) Distribucin t de student

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

4. Si las variables Z y V son independientes con

entonces la variable aleatoria