Distribuciones de Probabilidad: Bernoulli, Binomial, Poisson y Normal

Enviado por Chuletator online y clasificado en Matemáticas

Escrito el en español con un tamaño de 112,3 KB

Distribuciones de Probabilidad Discretas

Prueba de Bernoulli

Un experimento o prueba aleatoria es de Bernoulli cuando solo se pueden dar dos posibles resultados: éxito o fracaso (A, 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC ). A∪2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC = E; A ∩ 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC = ∅.

Variable de Bernoulli

Una variable aleatoria es de Bernoulli si toma los valores 0 o 1: 0 si al realizar el experimento se obtiene fracaso (2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC = ∅) ; 1 si se obtiene éxito (A). Sea p = P(A). Entonces 1-p = P(2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC = ∅) = q; p+q = 1.

Definición: Sea X una variable aleatoria de Bernoulli. Su función de cuantía se puede expresar por SAF1BEnMfLBudfS1KBJAQ9H05RaU63FZsTbHSW2o . Diremos que X sigue una distribución de Bernoulli de parámetro p, se representa por X 2wECAwQZEIAUhATuAEbasJvgGAvgEU6hNMjlBQQQ B(p).

Función de cuantía

Sea X 2wECAwQZEIAUhATuAEbasJvgGAvgEU6hNMjlBQQQ B(p). Su función de cuantía o de probabilidad se puede expresar como FDTFkUnaoddgcfjRUSVWUVnIBVlqSZRyz7FJRZB3 RrjB+vO3ReceF+qxZ8U63nUnxTZRsJaPRs8M0Qsq 91sjxUCbnQzwNHohZtFMAhoSMjMCEgu8f1CMaoza AycITjVsEM9sAIul3KoCoExXGXEI24ZAuSg07Abh

Propiedad: Sea RV+A3ZnGKNCpNBatCHkDT1emI5gaDPkW0JOdPzCT , entonces 2wECAwECAwECAwECAwECAwECAwECAwVJIHAlwQAA = p. Demostración: 2wECAwECAwECAwECAwECAwECAwECAwVJIHAlwQAA = E 2wECAwVo4BYEgwWcaKpOY7GVaiwDkwvPAGcUV4Cg = 2p41tduV30n31b0MfgOEJZpQZm17glgUBjULhNYh

Distribución Binomial

Consideramos n repeticiones independientes de una prueba de Bernoulli. Sea X la variable aleatoria que representa el número de éxitos entre las n repeticiones. En este caso, X = bHHDkMGOVQBYfBAEAOw== zZ5gsEIqCQS3RaqYDgNwui0N537hlRYH9FPfjXQf .

Definición: Se dice que la variable X sigue una distribución binomial de parámetros n y p (n ∈ ℕ, p LXg6cUxMfD1+CoCLglh5e25jinNbBogjg2yVfSxT ) si cuenta el número de éxitos que se obtienen al realizar n pruebas independientes de un experimento de Bernoulli con probabilidad de éxito p. Se representa por w4VheUZkCEQTX0hDgrp+TOoSY8qKfhSuSeRpkr+A

Demostración: ¿Es P(X=x) una función de cuantía? Sea X una distribución binomial: G05q4qVmG4dBAAA7 ; OXt7EdisrtQuLMMiOSHNABQOvzlYQj3nhSKwbXql
i) hy0V+T9kJs8slFUIqHCuVumcyilCI1ycoo12zzzf
ii) Zh+6DguPz8ddffxAAOw== r4gbJoUGBGbEuMnWlAzeNHi0ieCaDAUNpDk0fEnI (Binomio de Newton)

Definición: Binomial (Distribución)

Se dice que la variable aleatoria X sigue una distribución binomial de parámetros n (n oIVT+8mJtki33kVZuwRdmrxLxyFZUOGYki+MgLKZ ) y se representa por G05q4qVmG4dBAAA7 tgQjEMiFpGzFypQ14FYyMB7wGJlDBGzrCso3lmf3 . Su función de masa es OXt7EdisrtQuLMMiOSHNABQOvzlYQj3nhSKwbXql

Observación: Si y+XUZ9qWqXnwkBNmr8iGUvAi5VniD86vNAc1gdqn => smOMzDLwgAOw== ; RcEmz8wHSGikANXIq1+MjowAISYKCB0bQ7YDGqLN x=0,1. Si x=0, P(X=0)=q; si x=1, P(X=1)=p.

Propiedades:

Sea IjPGrZOmZqyg6hzr1RNcRDMafnTWCsYWeFqrrR7Q

Función de distribución: f(x)=P(x DGS+YozJIno7z4ahEEADs= . Simetría: Sea Jw8fdaoF6AmWZx5y6cGny9WaeFjEbJSyKo28Im1q y sea Y la variable que cuenta el número de fracasos en el experimento que modeliza BvNqE07qIxGKtoL8sCLCSIqoLA98pULkh9SGUrfq ; P(X=x)=P(Y=n-x).

Distribución de Poisson

Proceso de Recuento

Un proceso es de recuento si cuenta el número de ocurrencias de un fenómeno en un ámbito geográfico o temporal determinado. Se realiza a través de la distribución de Poisson.

Características:
1) El número de sucesos en un periodo de tiempo o lugar es independiente de los demás periodos o lugares.
2) La probabilidad de que ocurra un suceso es proporcional al tamaño del periodo o lugar considerado.
3) La probabilidad de ocurrencia en un periodo o lugar pequeño es prácticamente nula.

Definición: Se dice que la v.a. X sigue una distribución de Poisson de parámetro s8yXNtHDF9DgSvyEAOw== y se representa por fM3KggAOw== si su función de cuantía es: P(X=x) = 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC , x = 0,1,2,3...

Comprobación de que es una función de cuantía:
1) P(X=x) = z6CfFQQgGCDRcuXUtXhMCJddUWmgsCADs= > 0
2) QoeTnwFri5oOop3OY5CSREu33mCB2kmmq0PEBHjl = fgwHVjpr+mb4y8Wujjt4SSKwMrZDnJuA6JS0Q3II = QaZC8V9HL7rrdBAAA7

Características:
1) Función de distribución: f(x) =P(X cOzrQuSjAo9asxlzg5JR6caaDhA4QIySuqSrfmXz kwCeighIpEkkkoAUhmoYxSkqZQ9iiaRxAAOw==
Esperanza: KkxHAEWrI0o1nrGjsyY8bY0vIQA7 = DhhRl1UGWPUAFwt4JD1jgKC3TGt3gNNFWg34gCCI
Varianza: Sea KHygdRwpaqNFIUEAADs= , entonces Var(2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC )

Propiedades:
Reproductiva: Sea r25OedQ5LcB+CBf3hFRlMKImgEg9oFAQA7 , entonces X1 + X2 0sWEZomRRQRAAOw==
2) Teorema de Raikov: Si q3VF3pN6vI4IIqeLkYRsAgeb2gCGGJJmpJGIwzJF , entonces se puede descomponer como suma de dos variables de Poisson q3VF3pN6vI4IIqeLkYRsAgeb2gCGGJJmpJGIwzJF y GK3GHmD2AFgbgKPnNggYuVbkr29Qrj7Buaihguas , de tal forma que FEmdA4q4wyujdMgMyigXqpMAxzvJzUq51zIXMN9f
3) Distribución de Poisson como límite de la Binomial: Sea QIBwSCwaj8gNoYNsEjEFp3RaDEEUVKlnoBlaA9yP con n2wECAwECAwECAwECAwECAwECAwECAwUvIHAlwSAB , p→0 y n·p = 2wECAwECAwECAwECAwECAwECAwECAwUsIABgTYCI constante. Entonces se puede aproximar X a través de la distribución de Poisson de parámetro gTMZMpUSQzY7+8LuWKhRAwhDRMifH4GREdCGAUSY , y se escribe Iz72iKNGy6AoSjhgyfR8TPJoz9er+7rMLZWLBOoU . En la práctica, la aproximación es válida si n>30; p Mil2gF5gYnE1eGdpNhE5JEdYcn01kjeUbSOPDpKB ; np 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC

Distribuciones de Probabilidad Continuas

Distribución Uniforme (o Rectangular)

Sea X una variable aleatoria que toma valores en un intervalo finito de la recta real. X sigue una distribución uniforme si asigna la misma probabilidad a subintervalos de la misma longitud.

Función de densidad

Supongamos que X sigue una función en el intervalo (a,b). Su función de densidad sería 1 = qK7BKHmWdDqGc9qhlRA4wqcRSQBGMApcQ5XjNGUX ; f(x) = ksIY8BFeg3449TkFdCEAA7 . Se dice que X sigue una distribución uniforme de parámetros a y b (DOeiAP3N0TtLaGCeEj618zS32EnTOWBB8HffzqEU ) y se representa por X iYiPB2ZWKubH2cNBRCIsKrJho2OmRWp04QADs= si su función de densidad es: f(x) jf4sPMwKzAfhYvDdfS2RIjNhYthavj4N+E6wSBLu
i) f(x) ABrTsVtnkAjJKRng4Bs2zQKFUZ6UPm1ZlW0PIwca

Características:
1) Función de distribución: f(x) = PhSVaGYKy8avMqr7kZ8vsKTsh1gGK86W84rcELol
2) Esperanza: E(X) = eddyebrPdysacGMrTckAcpFhW8Rh2512lHrvnmY+ b2a2 / 2(b-a) = a+b/2 = A+B/2
Varianza: Var(x) = E(X2)-E(X)2 ; E(X2) = HIs8G6FkEAADs= = b3-a3/3(b-a)
E(X2) = b3-a3/3(b-a)
Var(x) = (b-a)2/12

Distribución Normal o de Gauss

Se dice que la variable aleatoria X sigue una distribución normal de parámetros µ (µ Havr+j82hIjXusxGS5JilQrZFy7kYtzLFpLSS1OE ) y 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwXE si su función de densidad es f(x) = 2wECAwWdICCO5LgJV6muaqcMR8rOLBfTeGnLeb73 . xE1jaCoANt5UpGSs371SDmJ2RxAgcEshhEIoEkQm . Método abreviado: X MTWAJOkMBDiLpspWBhaRAKF0+UiEdsTX7N4FIbbq

Comprobar que es función de densidad:
i) f(x) 2wQh8KFggL14BZGwl8HAeJhTdJ4SjlcTBAcGEmRt 0
ii) 1GjSHeFxJGbhywqyBtOvJFmSyMvsmijEWbd2FsQA dx = 1 => 9VJhVPgFNhDFUjS4WMRCQIhIUkBwECT2xXI3tRk4

Representación gráfica de la función de densidad f(x)

1) Es continua y su dominio es todo ℝ.
2) Es simétrica respecto de µ. E(X) = µ.
3) Tiene asíntota horizontal en y=0.
4) Es creciente en (6RpmHssPkLYKt8AdIXfCCUh5xq1GdnEYuZySU3U+ )
5) Tiene un máximo en x=µ y el valor en el máximo es f(µ) = 2wECAwWdICCO5LgJV6muaqcMR8rOLBfTeGnLeb73
6) Tiene dos puntos de inflexión en µ - 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC y en µ + 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC

Características:
1) Función de distribución: f(x) = P(x k5xiJBaBImRmZzg+HAwXBxIUYAApVg6HiCQTMWRH 1GjSHeFxJGbhywqyBtOvJFmSyMvsmijEWbd2FsQA dx
2) Esperanza: E(X) = µ
3) Varianza: Var(x) = 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC

Observación: A veces la definición de la normal es N(µ, 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC )

Tipificación

Si X qQBPyccyIM0UYGgwjUJAuOSNYamr1ZeS5VhuHkJN , entonces la variable Z = X-µ / 2wECAwQgEMgUagWt2CocCsOiBAdWhMBoAEywAlSZ sigue una distribución N(0,1). Se la denomina distribución normal estándar. Su función de densidad será: f(z) = 1/ 2wECAwECAwECAwWRICCOYhacaKqqJHlBbSzPnGTN . 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC

Proposición: Si Z 6Ax5LTxrjMjtGXd+Ky6m0LXlqRObeDMV7hrmrmuG . Áreas bajo la curva normal (0,1): Z AhPobgcGmWiSaaXUD2vMApFjZMKWA+GB9gBUExwr dz

Propiedades

1) Sean X1, X2... Xn independientes tales que cada una de ellas Xi Zm0iyKAD3QeqAQUBpSgTjo7Fz1KMsVEgEwheUkCd . Entonces, la suma de ellas (2wWHYBaM5GgA3WFwQbEBcCwD3jJg8QedlaZ6jtds ) o una combinación lineal de todas ellas son variables normales: a1x1 + a2x2 + ... + anxn + b HiJzTKIMtRAwlDMF4AfdiBSWR1lem4WHwwZQhcEQ a1µ1 + ... anµn, c4uwkBGWch41xbtG0iSHSLgNc6v3kpusA1DFsQmx .
E(a1x1 + ... anxn + b) = a1E(x1) + ... + anE(xn) + b
Var(a1x1 + ... anxn + b) = a12Var(x1) + ... an2Var(xn) = sydTUdNsIyEAOw== Wtiu7yPAoiGyw8fmcYg1ZxB3BXgDwcCEqHMlaQRj
2) Sean X1, X2... Xn variables aleatorias independientes tales que Xi gunoE1itIlygfiIVJAntsUGdTKxN6QmYAKX5FiIo 2wECAwECAwECAwECAwVHIFQAJKkpT4kNVQlYY6kl . Entonces: sOKDAghqUNSj2qFjwBFWVQe0s9WNhIZ6Ua1PK5Au µ1 + ... µn, 0ad1thy2JKUSXvPJ9S8oKBFo4RMSUz3oASThoYEX )
3) Sean X1, X2... Xn variables aleatorias independientes tales que Xi AhwNrAolMklnOn4fppn0Idzq7u4vtGQQAOw== = X1 + ... Xn
4) Sean X1, X2... Xn variables aleatorias independientes tales que Xi QIBwSCwaiyNC6chsOosfw3NaTGEc1KzWNBBpPwEl todas iguales. Entonces 2wECAwECAwECAwECAwECAwUrIABoTGAGYqquKWYQ = X1 + X2 + ... Xn / n, combinación lineal de variables normales. 2wECAwECAwECAwECAwECAwUrIABoTGAGYqquKWYQ = X1 + X2 + ... Xn / n png;base64,R0lGODlhFAAKAHcAMSH+GlNvZnR3Y t7ox9NEAA7 ); (µ, 8fPb7IlRIEAA7 ) = N(µ, HA9fRSEAOw== ). Error estándar de la media (2wECAwECAwVOICCO4lSQYucEbFBoQ4XOgEZkNKk2 ).

Distribución Normal: Teorema de Moivre

Sea G05q4qVmG4dBAAA7 . Si n2wECAwECAwECAwECAwECAwECAwECAwUvIHAlwSAB , entonces Y = X - np / O4EGSgVyBUHYAiEhcRDwUhCxCEhohvYHyAH3pTZE ZlEj4AFkgVKRlNfhsMbw5NhQASNZMTGH4AcgEIdS N(0,1). Requisitos: n aIk9FhgJEsWpLYpBIAw0LdSoicIXMFM2QYdiBDx2

Proceso de corrección por continuidad de Fisher

Sea X una variable aleatoria discreta que se puede aproximar mediante la normal. Es preciso establecer correspondencia entre los valores discretos que toma X y los intervalos en la distribución normal: P(X=x) = P(A8gnRnzxETf3QJumsogKJt5pyj4iCAwRkUdtys2l , continuo, discreto.

Teorema del Límite Central (Lindeberg-Levy)

Sea X1, X2... Xn una colección de variables aleatorias independientes e idénticamente distribuidas, con media µ y desviación típica σ conocidas. Entonces, si n es grande (100, 50, 30, etc.), la suma de estas variables sigue una distribución normal: Y = X1 + ... + Xn ZlEj4AFkgVKRlNfhsMbw5NhQASNZMTGH4AcgEIdS N(nµ, 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC ). De forma alternativa: Y - nµ / 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC IyQqPPoYsmTJDYBcwmwXBAA7
E(Y) = E(X1 + ... + Xn) = QQA7
Var(Y) = Var(X1 + ... + Xn) = n 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC

Versión de la Media

Sean X1, X2... Xn variables aleatorias independientes e idénticamente distribuidas con media µ y varianza 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC . Si n es grande, se tiene: X = X1 + ... + Xn / n QaHRJrVqTIcx1y+1SRSCveMxtacLktPrIkpTWcDh ) = N(µ; BBoBgyoPATIbDAAUGAUEHAppewcZgCQvPUwTDYUi ). Alternativamente: 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwU6 - µ / dnBD9lNcQAYgkMfDVlsAhdKA14YZEMeBmFTRR4HX ) 2wECAwECAwVvICCOZClySlVuR+AGQqS9tGHeJqri N(0,1).
E(X) = E(X1 + X2 + ... Xn / n) = nµ / n = µ
Var(x) = Var(X1 + X2 + ... Xn / n) = (1/n2n· 2wECAwECAwECAwECAwECAwECAwECAwECAwECAwEC = OGsrIiY7pgGoSCN9srUaDIq1SJRIIQA7

Entradas relacionadas: