Estadstica matemtica Tarea 1

Carlos Alberto Rodrguez Garca 1. Modelos de probabilidad.

Normal Esta distribucin se caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central que coincide con el valor medio de la distribucin: Sea X una variable aleatoria contina, se dice que se distribuye como una normal X N (, ); R > 0 donde se verica que < x < , , que es el valor medio de la distribucin y es precisamente donde se sita el centro de la curva (de la campana de Gauss), y de es cualquier valor entre y +, si su funcin de densidad viene dada por: f ( x) =
x 1 e 2 2 2

Propiedades: Tiene un parmetro que es la media E[X]=. Tiene otro parmetro que nos da la dispersin. V[X]= 2 . La media, la moda y la mediana coinciden. Es una funcin simtrica respecto a la media, como se puede ver en el grco.

Exponencial Su funcin de densidad es: f (x) = ex x 0 y 0 en otro caso. Y su funcion de distribucin es: F (x)=P(Xx)=1 ex ) con x 0, y cero con x < 0. El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son: 1 1 E [X ] = , V (X ) = 2 . Binomial Es una extensin de la distribucin de Bernouilli. Supongamos que se repite un experimento n veces de forma idntica e independiente. Los resultados de cada realizacin del experimento se clasican en dos categoras (como en el caso de Bernouilli), una ser la probabilidad de xito p, y otra q=1-p, la de fracaso. As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye como una

distribucin binomial de parmetros (n,p). Siempre se debe de vericar que n>1 y que p tome valores entre 0 y 1. La funcin de probabilidad viene dada por la expresin: n P ( X = x) = x pxi (1 p)nx , x = 1, 2, ..., n. i Propiedades 1. La distribucin Binomial se puede obtener como suma de n variables aleatorias independientes Bernouilli con el mismo parmetro p. 2. Si tenemos dos variables aleatorias que se distribuyen segn una Binomial con el mismo parmetro p, es decir, con la misma probabilidad de xito, X B (np) e Y B (mp) , entonces siempre se verica X + Y B (n + m, p) Si no tienen la misma probabilidad no se pueden sumar. 3. Sea X una variable aleatoria e Y otra variable aleatoria que verican que X B (np) e Y X/n, entonces se verica Y B (1, p/n) y adems su esperanza y varianza son E [Y ] = p y V [Y ] = Poisson Esta es una distribucin discreta de gran utilidad sobre todo en procesos biolgicos, donde X suele representar el nmero de eventos independientes que ocurren a velocidad constante en un intervalo de tiempo o en un espacio. As, por tanto, sea X una variable aleatoria discreta, se dice que se distribuye como una distribucin de Poisson, X P () con > 0, si su funcin o distribucin de probabilidad viene dada por: P [X = xi ] = x e xi ! pq n

En esta distribucin representa el nmero promedio de ocurrencias en un intervalo de tiempo o en un espacio. Por lo tanto, para esta distribucin se verica que su esperanza y su varianza son: E [X ] = V [X ] = Gamma Es una distribucin de probabilidad continua con dos parmetros k y cuya funcin de densidad )k1 para valores x > 0 es f (x) = ex (x Aqu e es el nmero e y es la funcin gamma. Para (k) valores k N la funcin gamma es (k ) = (k 1)! (el factorial de k-1). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribicin distribucin Erlang con un parmetro = 1/ . El valor esperado y la varianza de una variable aleatoria X de distribucin gamma son E [X ] = k/ = k V [X ] = k/2 = k2

Chi cuadrado Sea X1 , X2 , X3 ....Xn variables aleatorias que se distribuyen como normales N(0,1), y se dene una 2 2 2 2 + X3 + ... + Xn entonces se dice que X se distribuye como una Chinueva variable X = X1 + X2 Cuadrado o Ji-cuadrado con n grados de libertad, donde n es el nmero de variables aleatorias normales independientes elevadas al cuadrado que se han sumado. Esta se representa como X 2 n y su funcion de densidad es de la forma n 2 2 X n 1 con x > 0 f ( x) = e 2X2 ( n 2) Propiedades Es una funcin asimtrica. E(x)= n. V(x)=2n. 2 Sean dos variables aleatorias chi-cuadrado que se distribuyen X1 2 n y X2 m , se dene una nueva variable de la forma Y = X1 + X2 , entonces esta nueva variable se distribuye como: Y = 2 n+m Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.

T-Student Sea X una variable aleatoria que se distribuye como X N (0, 1) y sea Y otra variable aleatoria que se distribuye como Y 2 n , tal que X e Y son independientes, entonces podemos denir otra variable aleatoria T = X
Y /n

se dice que esta se distribuye como una t-Student con n grados de libertad y su funcin de densidad viene dada por: ( n+1 ) t2 n+1 f (x) = 2 n (1 + ) 2 < x < n n ( 2 ) Propiedades Es simtrica, est centrada en el punto (0,0) M0 = Me = 0 E [T ] = 0 si n > 1 V [T ] = n/n 2 si n > 2. Cuando el nmero de variables aleatorias es muy grande, es decir, cuando n , la variable se puede aproximar por una normal.

F-Snedecor Sea una variable aleatoria que se distribuye como X1 2 n con n grados de libertad y, otra variable aleatoria X2 que se distribuye como X2 2 m con m grados de libertad, tal que las dos variables son independientes, entonces se puede denir una nueva variable aleatoria: X=
X1/n X2/m

que se dice que se distribuye como X Fn,m . En este caso, su funcin de densidad viene dada por: f (x) = Propiedades E [F ] = mn 2 ,si m > 2.
m (2n+2m4) V [F ] = n (m2)2 (m4) , si m > 4. Si m entonces la distribucion X Fn,m 2 n. 1 Si X Fn,m entonces la distribucion X Fm,n .
2

m 2 2 (n2) ( n+ n +m 2 )n m x 2 (nx + m) 2 x > 0 n1 n2 ( 2 )( 2 )

2. Conceptos de medida Lebesgue.

La integral de Lebesgue es una construccin matemtica que extiende el concepto de integracin covencional de Riemann a una clase mucho ms amplia de funciones, as como extiende los posibles dominios en los cuales estas integrales pueden denirse. La teora de la medida se cre para disponer de un anlisis detallado de la nocin de longitud de los subconjuntos de puntos de la recta real y, de forma ms general, rea y volumen de subconjuntos de espacios euclideos.

1. Mtodo de Riemann-Darboux, en el cual dividimos la curva en columnas con la misma base y altura la correspondiente a la curva en el centro de la columna. El rea de cada columna es igual a su altura por su base, y el rea total de la curva viene dado aproximadamente por la suma de los reas de todas las columnas. Este caso es equivalente a particionar el intervalo horizontal [a, b]. 2. Mtodo de Lebesgue, en el cual dividimos la curva en capas horizontales de igual altura aunque de distinto rea, debido a las diferentes longitudes de la base ((Sk )). El rea total de la curva ser aproximado por la suma de los reas de todas las capas (ak (Sk )). Este caso es equivalente a particionar el rango de f (intervalo vertical de la funcin). Propiedades bsicas Si dos funciones f y g son iguales en todas partes de su dominio salvo en un conjunto de medida nula y si f es integrable Lebesgue, entonces g es integrable Lebesgue y la integral de Lebesgue de ambas funciones ser idntica. Si ({x E : f (x) = g (x)}) = 0 entonces f d = g d Linealidad: Si f y gson funciones integrables Lebesgue y a y b son nmeros reales jos, entonces (af + bg ) d = a f d + b g d Monotona: Si f y g son funciones integrables Lesbesgue y f < g, entonces f d g d .

3. Axiomas y propiedades importantes de teora de probabilidad.

Los axiomas de probabilidad son las condiciones mnimas que deben vericarse para que una funcin denida sobre un conjunto de sucesos determine consistentemente sus probabilidades. Fueron formulados por Kolmogrov en 1933. Primer axioma La probabilidad de que ocurra un evento A cualquiera se encuentra entre cero y uno. 0 P ( A) 1 Segundo axioma La probabilidad de que ocurra el espacio muestral d debe de ser 1. P () = 1 Tercer axioma Si A y B son eventos mutuamente excluyentes, entonces P (A1 A2 ...) = P ( Ai )

Segn este axioma se puede calcular la probabilidad de un suceso compuesto de varias alternativas mutuamente excluyentes sumando las probabilidades de sus componentes. Propiedades que se deducen de los axiomas 1. Para cualquier suceso P (A) 1 2. P (Ac ) = 1 P (A) 3. Si A B entonces P (A) < P (B ) 4. P (A B ) = P (A) + P (B ) P (A B )