Distribuciones habituales

Tema 5

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 1

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 2

Objetivos
Adquirir soltura con el manejo de funciones
de distribucin, probabilidad y densidad.
Reconocer los modelos bsicos de
distribucin: Binomial, Geomtrica, etc.
Reconocer el papel central que juega la
distribucin Normal.
Aplicar con soltura el Teorema Central del
Lmite.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 3
Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 4

Distribucin de Bernoulli
Una variable aleatoria que describe el nmero de
xitos en 1 realizacin de un experimento, en el
que la probabilidad de xito es p decimos que
sigue distribucin de Bernoulli de parmetro p.

X ~ B(1, p)
Xnmero de xitos en 1 realizacin
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 5
Distribucin de Bernoulli
Funcin de probabilidad:
P(X = 1) = p ; P(X = 0) = 1-p
Funcin de distribucin:
0 si x0

F ( x) 1 - p si 0 x 1
1 x 1
si
Parmetros: E[X] = p ; Var[X] = p(1-p)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 6
Distribucin de Bernoulli
Bernoulli(0'8) Bernoulli(0'8)
0.8

1.0
0.8
0.6

0.6
0.4

0.4
0.2

0.2
0.0
0.0

0 1 -1.0 -0.5 0.0 0.5 1.0 1.5 2.0

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 7

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 8

Distribucin Binomial
Una variable aleatoria que describe el nmero de
xitos en n realizaciones independientes de un
experimento, en el que la probabilidad de xito
en cada realizacin es p decimos que sigue
distribucin binomial de parmetros n y p.
X ~ B(n, p)
Xnmero de xitos en los n intentos indep.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 9
Distribucin Binomial
Funcin de probabilidad:
n k n-k
P( X k ) p (1 - p) , k {0,1,, n}.
k
Podemos escribir X=X1++Xn donde las Xi son variables
de Bernoulli e independientes.
Parmetros: E[X] = np ; Var[X] = np(1-p)
Si X~B(n1, p) e Y~B(n2, p) son independientes, entonces
X+Y~B(n1+n2, p)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 10
Distribucin Binomial
B(5,0'7) B(50,0'7)

0.12
0.35
0.30

0.10
0.25

0.08
0.20

0.06
0.15

0.04
0.10

0.02
0.05
0.00

0.00

0 1 2 3 4 5 0 3 6 9 13 17 21 25 29 33 37 41 45 49

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 11

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 12

Distribucin Geomtrica
Una variable aleatoria que describe el nmero de
realizaciones independientes de un experimento para el
que la probabilidad de obtener xito en cada realizacin
es p hasta obtener el primer xito, sigue distribucin
Geomtrica o de Pascal de parmetro p.
X ~ G(p)
Xnmero de veces que hay que repetir el
experimento hasta conseguir el primer xito
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 13
Distribucin Geomtrica
Funcin de probabilidad:
k -1
P( X k ) (1 - p) p, k {1,2,3,}.

Parmetros: E[X] = 1/p ; Var[X] = (1-p)/p2

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 14

Distribucin Geomtrica
G(0'5) G(0'3)

0.30
0.5

0.25
0.4

0.20
0.3

0.15
0.2

0.10
0.1

0.05
0.00
0.0

1 2 3 4 5 6 7 8 9 10 12 14 1 2 3 4 5 6 7 8 9 10 12 14

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 15

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 16

Distribucin de Poisson
Una variable aleatoria que describe el nmero de
sucesos ocurridos en una regin, de tal modo que
dichos sucesos ocurren independientemente y
con una tasa constante decimos que sigue
distribucin de Poisson de parmetro l.
X ~ (l)
Xnmero de sucesos ocurridos en una regin
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 17
Distribucin de Poisson
Funcin de probabilidad:

-l lk
P( X k ) e , k {0,1,2,}.
k!
Parmetros: E[X] = l ; Var[X] = l

Si X~(l1) e Y~(l2) son independientes,

entonces X+Y~(l1+l2)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 18
Distribucin de Poisson
P(1) P(3)
0.35

0.20
0.30
0.25

0.15
0.20

0.10
0.15
0.10

0.05
0.05
0.00

0.00

0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 19

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 20

Distribucin Uniforme (continua)
Una variable aleatoria X con distribucin
uniforme entre a y b (a<b) representa un nmero
elegido al azar entre los valores a y b,
de tal modo que la probabilidad de que dicho
nmero est en cualquier subconjunto del
intervalo (a,b) depende exclusivamente del
tamao de dicho conjunto, X~U(a,b)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 21
Distribucin Uniforme (continua)
Funcin de densidad:
b-1 a si x ( a , b)
f ( x)
0 si x ( a , b)
Funcin de distribucin:
0 si xa
x-a
F ( x) b - a si a x b
1 xb
si
Parmetros: E[X] = (a+b)/2 ; Var[X] = (b-a)2/12
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 22
 Distribucin Uniforme (continua)

Uniform Distribution Uniform Distribution

Lower limit,Upper limit

cumulative probability
1 Lower limit,Upper limit 1 1,3

0,9 1,3

0,8 0,8
0,7
density

0,6 0,6
0,5
0,4 0,4
0,3
0,2 0,2
0,1
0 0
0 0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4 0 0,4 0,8 1,2 1,6 2 2,4 2,8 3,2 3,6 4
x x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 23

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 24

Distribucin Exponencial
Si el nmero de sucesos que ocurren en un
tiempo t sigue distribucin de Poisson
proporcional a dicho tiempo (lt), entonces la
variable aleatoria
Xtiempo entre sucesos
sigue distribucin exponencial de parmetro l.
X ~ Exp(l)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 25
Distribucin Exponencial
Funcin de densidad:
le -lx si x 0
f ( x)
0 si x0

Funcin de distribucin:

1 - e -lx si x0
F ( x)
0 si x0

Parmetros: E[X] = l-1 ; Var[X] = l-2

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 26
 Distribucin Exponencial

Exponential Distribution
Exponential Distribution
0,1 Mean

cumulative probability
10 1 Mean
0,08 10
0,8
density

0,06
0,6
0,04
0,4
0,02
0,2
0 0
0 10 20 30 40 50 60 -10 0 10 20 30 40 50 60 70
x x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 27

Distribucin Exponencial
La distribucin exponencial no tiene memoria.
Dados t1,t2>0 y una variable aleatoria T con
distribucin exponencial

P(T > t1+t2 | T > t1) = P(T > t2)

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 28

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 29

Distribucin Normal
La distribucin Normal o de Gauss es el modelo
probabilstico ms importante. Se utiliza para
modelar gran nmero de fenmenos aleatorios,
entre ellos el ruido y los errores en la medida.
Aparece adems como distribucin lmite en el
Teorema Central del Lmite. Sus parmetros son
la media m y la desviacin tpica s ,
X ~ N(m,s)
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 30
Distribucin Normal
Funcin de densidad normal estndar N(0,1):
1 x2
f ( x) exp -
2 2
Funcin de densidad N(m,s):
1 (x - m)
2
f ( x) exp -
s 2 2s
2

Parmetros: E[X] = m; Var[X] = s2

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 31
 Distribucin Normal

Normal Distribution Normal Distribution

cumulative probability
0,4 Mean,Std. dev.1 Mean,Std. dev.
0,1 0,1
0,3 0,8
density

0,6
0,2
0,4
0,1
0,2

0 0
-5 -3 -1 1 3 5 -5 -3 -1 1 3 5
x x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 32

Distribucin Normal
N(0,0'5) rojo, N(0,1) negro, N(0,2) azul N(0,1) negro, N(2,1) rojo

0.4
0.8

0.3
0.6
0.4

0.2
0.2

0.1
0.0

0.0

-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6

r r

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 33

Distribucin Normal
Propiedades de la Normal.
1. Si X ~ N(m,s) , para cualesquiera a y b,
aX+b ~ N(am+b , |a|s)
2. Si X ~ N(m1,s1) e Y ~ N(m2,s2) indep, para a, b
aX+bY ~ N(am1+bm2, (a2s12+b2s22)1/2)
Tipificacin. Dada X~N(m,s), la variable
aleatoria (X-m)/s sigue distribucin N(0,1).
A esta transformacin se le llama tipificacin
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 34
Tabla de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 35

Teorema Central de Lmite
Dada X1,X2,,Xn n variables aleatorias independientes,
con medias y varianzas finitas E[Xi]=mi y Var[Xi]=si2,
su suma sigue aproximadamente distribucin normal

X1+X2++XnN(Si=1,nmi , (Si=1,nsi2)1/2)
Buena aproximacin si n > 30.
Si las variables son discretas, para aproximar su suma
por una continua, realizamos correccin por continuidad.
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 36
Aproximaciones con la Normal
Aproximacin Binomial-Normal. Una binomial
B(n,p) puede construirse como suma de n variables de
Bernoulli independientes. Aplicando el TCL, si n > 30
y np(1-p) > 5, aproximamos una B(n,p) por una

N np, np(1 - p)
B(50,0'7) y N(35,3'24)
0.00 0.04 0.08 0.12

0 3 6 9 13 17 21 25 29 33 37 41 45 49

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 37

Aproximaciones con la Normal
Aproximacin Poisson-Normal.
Una Poisson (l) con l> 5 puede aproximarse por
una normal
N(l, l1/2)
P(49) y N(49,7)
0.00 0.02 0.04

0 6 13 21 29 37 45 53 61 69 77 85 93

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 38

Descripcin breve del tema
1. Distribuciones discretas
Bernoulli
Binomial
Geomtrica
Poisson
2. Distribuciones continuas
Uniforme
Exponencial
Normal
Teorema Central del Lmite
Distribuciones derivadas de la normal

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 39

Chi cuadrado
Si X1,X2,,Xn son n variables aleatorias
independientes con distribucin N(0,1), entonces
Y=X12+X22++ Xn2 es una variable aleatoria con
distribucin chi cuadrado con n grados de
libertad,
Y ~ cn2
E[Y] = n ; Var[Y] = 2n
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 40
 Chi cuadrado

Chi-Square Distribution Chi-Square Distribution

cumulative probability
0,1 Deg. of freedom1 Deg. of freedom
10 10
0,08 0,8
density

0,06 0,6

0,04 0,4

0,02 0,2

0 0
0 10 20 30 40 0 10 20 30 40
x x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 41

t de Student
Si X es una variable aleatoria normal estndar e
Y es independiente de ella con distribucin chi
cuadrado con n grados de libertad, entonces
X/(Y/n)1/2 sigue distribucin t con n grados de
libertad X
Z ~ tn
Y /n
E[Z] = 0 si n 2 ; Var[Z] = n/(n-2) si n 3
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 42
 t de Student

Student's t Distribution Student's t Distribution

cumulative probability
0,4 Deg. of freedom
1 Deg. of freedom
10 10
0,8
0,3
density

0,6
0,2
0,4
0,1
0,2

0 0
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
x x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 43

F de Fisher
Si X es una variable aleatoria chi cuadrado con n1
grados de libertad e Y es independiente de ella
con distribucin chi cuadrado con n2 grados de
libertad, entonces (X/n1)/(Y/n2) sigue
distribucin F con n1 y n2 grados de libertad
X / n1
Z ~ Fn1 ,n2
Y / n2
Ignacio Cascos Depto. Estadstica, Universidad Carlos III 44
 F de Fisher

F (variance ratio) Distribution

cumulative probability
0,8 Numerator d.f,Denominator d.f. 1 Numerator d.f,Denominator d.f.

10,10 10,10

0,6 0,8
density

0,6
0,4
0,4
0,2
0,2

0 0
0 1 2 3 4 5 0 1 2 3 4 5
x

Ignacio Cascos Depto. Estadstica, Universidad Carlos III 45