Sei sulla pagina 1di 8

CAPÍTULO 5: VARIABLES ALEATORIAS

I. Definición
Llamamos variable aleatoria a una función que asigna a cada elemento del espacio muestral un Vector perteneciente a un
Espacio Vectorial

II. Variables aleatorias unidimensionales


Es unidimensional cuando a cada elemento del espacio muestral se asigna un escalar perteneciente al conjunto de
números reales
Llamamos recorrido de una variable aleatoria unidimensional al conjunto formado por los números reales que se le puede
asignar a la variable
Ejemplo: proceso de control de llenado de paq. De caramelos, peso expresado en kg. Se realiza el pesaje de un paq tomado
al azar con un instrumento que provee datos en gramos. El resultado fue 1900 gramos.
a. Defina el experimento aleatorio: mediante el uso de algún método que garantice el aza, se toma y pesa un paq.
b. Espacio muestral: conjunto de posibles lecturas del instrumento de medición que se usa, al ser una medición
cuantitativa el resultado es un número real positivo. U={u/u>0 ^ u∈R}
c. Valor individual del espacio muestral correspondiente a la rta: u: elemento individual de la medición 1900
d. Variable aleatoria: X:Peso neto en kg
e. Recorrido de la variable aleatoria: R(X) → todos los posibles números reales positivos x(u) R(X):{x/x>0^x∈R}
f. Valor individual de la variable aleatoria asignado al valor individual del espacio muestral: x(u)=1.9
Para simbolizar una variable aleatoria usamos mayúsculas X, Y, Z etc. Pero para referirnos a un valor particular de cada
variable usamos minúsculas
1) Variable aleatoria discreta unidimensional: variable aleatoria cuyo recorrido es finito o infinito
numerable
Ejemplo: control de calidad, se inspeccionan rollos con 500m de tela y registro la cant de fallas de fabricación de c/u
a) Identificar variable → X: Var aleatoria que representa la cant de fallas de fabricación en 500m de tela. Posibles
valores son todos los reales más el cero. 0, 1, 2, 3…
b) Recorrido de variable → R(X)={X/X≥0 ^X∈N0}
c) Clasificar variable → recorrido infinito numerable (no puedo establecer tope a la cant de fallas).
1.1. Distribución de probabilidad univariada
A. FUNCION DE PROBABILIDAD PUNTUAL o modelo matemático a una función que asigna a cada valor del recorrido
de la variable, un número real no negativo, llamado probabilidad puntual, tal que la suma de todos los valores, a través
del recorrido de la variable, debe ser igual a la unidad.
Debe cumplir dos condiciones:
 NO NEGATIVIDAD: el num asignado por la función al i-esimo valor de variable discreta debe ser no negativo.
p(xi)≥0 ∀i ∈ R(X)
 CIERRE: la suma de todos los números reales asignados por la función a cada valor de variable debe ser 1
A c/ num p(xi) se lo denomina probabilidad puntual porque es la probabilidad de que la variable X asuma exactamente el
valor xi p(xi)= P(X=xi)
El conjunto de pares ordenados [xi;p(xi)] forma una distribución de probabilidad puntual
Proposición: una variable discreta, X, queda estrictamente definida cuando se establece su función de probabilidad
puntual. La función de probabilidad puntual puede ser graficada utilizando las coordenadas ortogonales, donde los valores
de la variable se ubican en el eje de abscisas y los correspondientes valores puntual, en el eje de ordenadas. (Grafico de
Bastones)
B. FUNCION DE DISTRUBUCIÓN función que asigna a cada valor del recorrido un número real que representa la suma
de todas las probabilidades puntuales, desde el primero hasta el valor en cuestión.
A cada F(xk) se denomina probabilidad acumulada hasta el valor xk, representa la probabilidad de que la variable tome
un valor menor o igual a xk. F(xk)=P(X≤xk)
El conjunto de pares ordenados {Xi; F(Xi)}, para todo i, se llama función de distribución de probabilidad. Es la distribución
acumulada hasta un valor de la variable, o simplemente distribución acumulada
C. FUNCION DE DISTRIBUCION COMPLEMENTARIA función que asigna a cada valor del recorrido un número real que
representa la suma de todas las probabilidades puntuales, desde el valor en cuestión hasta el último.
Cada G(xk) se denomina probabilidad acumulada desde el valor xk y representa la probabilidad de que la variable tome
un valor mayor o igual al número xk. G(xk)=P(X≥xk)
El conjunto de pares ordenados {Xi; G(Xi)}, para todo i, se llama función de distribución complementaria de probabilidad.
Es la distribución acumulada desde un valor de la variable, o simplemente Distribución desacumulada
D. RELACIÓN ENTRE LAS FUNCIONES DE DISTRIBUCIÓN
La suma entre el valor de la función de distribución correspondiente a un valor de la variable y el valor de la función de
distribución complementaria correspondiente al siguiente valor de la variable es siempre igual a uno.
E. PERCENTILES DE VARIABLES ALEATORIAS DISCRETAS
Percentil de orden K (O≤k≤100 / k€R) de una variable aleatoria discreta a un valor xk, tal que, hasta el valor de variable
inmediato anterior, se acumule, a lo sumo, una probabilidad igual a k/100 y, desde el valor de variable inmediato posterior
se acumule, a lo sumo, una probabilidad igual a [1-(K/100)]
2) Variables aleatorias continuas unidimensionales: variable con recorrido infinito no numerable, tiene
que existir una función real que en un intervalo de números reales cumpla con la no negatividad y cubra una superficie
de 1
Sea X: variable continua con recorrido R(X) ⊆ R; f(x): función real de la variable X ; [a,b]⊆R
𝑏
Si existe f(x) de modo tal que f(x)≥0 en a≤X≤b ^ ∫𝑎 𝑓(𝑥)𝑑𝑥 = 1 entonces X es variable aleatoria continua en [a,b]
2.1. Distribución de probabilidad univariada
A. FUNCION DE DENSIDAD DE PROBABILIDAD → explica el comporta// probabilístico de la variable
Función real que cumpla con la condición de no negatividad y de cierre. Definimos una variable aleatoria continua cuando
conocemos su función de densidad de probabilidad. Esta está definida únicamente en el recorrido de una variable aleatoria
[a,b], fuera de este es NULA
Sea g(x):una función real de la variable aleatoria X; [a,b] un intervalo de números reales incluidos en el dominio de g(x) si
𝑏
se cumple que g(x)≥0 en a≤X≤b ^∫𝑎 𝑔(𝑥)𝑑𝑥 = 1 entonces la función de densidad de probabilidad f(x) se define:
f(x)=g(x)
f(x)=0

simbólicamente: x~f(x) en a≤X≤b y se lee “la variable aleatoria continua en X tiene distribución f(x) en el intervalo [a,b]”
podemos calcular la probabilidad de ocurrencia de los valores de una variable aleatoria continua teniendo en cuenta:
 Dados dos valores de la variable continua X, x1<x2 pertenecientes a [a,b] la probabilidad de encontrar un valor de
variable entre ellos se da por la superficie que encierra entre dichos puntos.
𝑥
P(x1<X<x2)= ∫𝑥 2 𝑓(𝑥)𝑑𝑥
1
 La probabilidad de que la variable X tome un valor individual x3 es nula. En un pto no hay superficie
𝑥
P(X=x3)= ∫𝑥 3 𝑓(𝑥)𝑑𝑥 = 0
3
B. FUNCION DE DISTRIBUCION
Modelo matemático o función no decreciente que asigna a cada valor de la variable aleatoria un valor de probabilidad
acumulada desde el límite inferior del recorrido hasta ese valor.
Sea X: variable continua en [a,b]⊆R y f(x): función de densidad de probabilidad de la variable X
𝑥
Entonces la función de distribución es: P(X≤x)=F(X=x)= ∫𝑎 𝑓(𝑥)𝑑𝑥
Conociendo la ecuación de la función de distribución no se necesita realizar la integración cada vez que se quiera calcular
la probabilidad de encontrar un valor de variable dentro de un intervalo. Este valor se puede encontrar haciendo la
diferencia entre el valor de la función de distribución (lim superior) y el valor de la función de distribución (lim inferior)
Sea: X:variable continua definida en [a,b]⊆R, F(X=x) función de distribución de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de variable menor o igual a x1 es: P(X≤x1)=F(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=F(X=x2)-F(X=x1)
La probabilidad de encontrar un valor de variable mayor o igual a x2: P(X≥x2)=F(X=b)-F(X=x2) → 1-F(X=x2)
C. FUNCION DE DISTRIBUCION COMPLEMENTARIA
G(x) modelo matemático o función no creciente que asigna a c/ valor de la variable aleatoria un valor de probabilidad
acumulada desde un valor de la variable hasta el límite superior del recorrido
Sea X: variable continua definida en [a,b]⊆R y f(x): función de densidad de probabilidad de la variable X. entonces, la
𝑏
función de distribución complementaria es: P(X≥x)=G(X=x)= ∫𝑥 𝑓(𝑥)𝑑𝑥
Sea: X:variable continua definida en [a,b]⊆R, G(X=x) función de distribución de la variable X, Dos valores de la variable X,
x1<x2 que pertenecen al intervalo [a,b]
La probabilidad de encontrar un valor de la variable mayor o igual a x1 es: P(X≥x1)=G(X=x1)
La probabilidad de encontrar un valor de variable entre x1 y x2: P(x1≤X≤x2)=G(X=x1)-G(X=x2)
La probabilidad de encontrar un valor de variable menor o igual a x2: P(X≤x2)=G(X=a)-G(X=x2) → 1-G(X=x2)
D. RELACION ENTRE LAS FUNCIONES DE DISTRIBUCION
La suma entre el valor de la función de distribución correspondiente a un valor de la variable y el valor de la función de
distribución complementaria correspondiente a dicho valor de la variable es igual a uno.
E. PERCENTILES DE VARIABLES ALEATORIAS CONTINUAS
Percentil de orden k (O<k<100 / k€R) de una variable aleatoria continua al valor de la variable xk, donde se acumule, una
probabilidad igual a k/100.
Es posible obtener una función de proporciones lo percentiles (o fractiles) buscando la inversa de la función de
distribución. Esta función recibe el nombre de Función percentilar.
3) Momentos teóricos. Valor esperado o esperanza matemática de una función de la variable
Una función de probabilidad o una función de densidad de probabilidad, por ser Modelos Matemáticos, son Modelos
Teóricos. Con estas funciones se puede predecir el comportamiento probabilístico de las variables aleatorias. Permiten
calcular valores teóricos relacionados con dichas variables. Valores que se esperan, en promedio, si el experimento
aleatorio se desarrolla bajo las mismas condiciones.
MTX=E[g(X)]
 Momento o esperanza matemática de una función generada con una variable aleatoria discreta: suma del producto
de cada valor numérico de la función por el correspondiente valor de probabilidad puntual, a través del recorrido
de la variable
X:Variable aleatoria discreta
p(X): función de probabilidad
g(X): función real generada por la variable aleatoria discreta
E[g(X)]: esperanza matemática de la función g(X)
Entonces: E[g(X)] = ∑∞ 𝑖=1 g(𝑥𝑖 ) · p(𝑥𝑖 )
 Esperanza matemática de una función generada con una variable aleatoria continua, integral a través del recorrido
de la variable, del producto de la función dada por la función de densidad de probabilidad de la variable
X:Variable aleatoria continua en [a,b]
f(X): función de densidad de probabilidad de X
g(X): función real generada por la variable aleatoria continua
E[g(X)]: esperanza matemática de la función
𝑏
Entonces: E[g(x)] = ∫𝑎 g(x) · f(x)dX
4) Momentos particulares.
4.1. Momentos absolutos (μk) → esperanza matemática de la potencia K-esima de la variable aleatoria. La variable
aleatoria está medida desde el origen natural (0)
El momento absoluto de orden 1 es el promedio o media aritmética esperada de la variable aleatoria. La interpretación
del promedio esperado o media aritmética esperada es el valor que se espera obtener, en promedio, si el experimento es
repetido bajo las mismas condiciones, una cantidad muy grande de veces
a) Cálculo de los momentos absolutos de las variables discretas
X: variable aleatoria discreta; p(x): probabilidad; k: orden del momento
La esperanza es: 𝐸[𝑔(𝑥)] = ∑∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 ) si g(x)=Xk → μk=E(x)= ∑∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 )

b) Cálculo de los momentos absolutos de las variables continuas


X: variable aleatoria continua en el intervalo [a,b]⊆R ; f(x): Función de densidad de probabilidad de X k:orden del mom.
𝑏
Por definición: 𝐸[𝑔(𝑥)] = ∫𝑎 𝑔(𝑥) · 𝑓(𝑥)𝑑𝑥 si g(x)=Xk
4.2. Momentos centrados
El origen de una variable puede ser trasladado desde el origen natural (0) hasta cualquier otro número real c. Si c es la
media aritmética esperada (μ), se dice que la variable aleatoria está centrada en la media aritmética esperada.
Entonces, es la esperanza matemática de la potencia k-esima de la desviación de la variable aleatoria con respecto a la
media aritmética esperada.
Sea X: variable aleatoria; k: orden del momento; μx: media aritmética esperada de X; μCk: momento centrado de orden K
Entonces, μCk= E(X- μx)k → la variable aleatoria está centrada en el valor esperado de la variable. El origen, μx
El momento centrado de orden 2 → varianza esperada: V(x)=σ2x= E(X- μx)2
a) Cálculo de los momentos centrados de las variables discretas
X: variable aleatoria discreta; p(x): función probabilidad; μx:media esperada de la variable aleatoria; k:orden del mom.
La esperanza matemática: 𝐸[𝑔(𝑥)] = ∑∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 ) si g(x)=(X- μx)
k

Entonces, el momento centrado de orden K es: μCk= E(X- μx)k = ∑∞ 𝑘


𝑖=1(𝑥𝑖 − 𝜇𝑥) · 𝑝(𝑥𝑖 )

La varianza esperada de una variable aleatoria es: 𝜎𝑥2 = 𝐸(𝑥 − 𝜇𝑥)2 = ∑∞ 2


𝑖=1(𝑥𝑖 − 𝜇𝑥) · 𝑝(𝑥𝑖 )

b) Cálculo de los momentos centrados de las variables continuas


X: variable aleatoria continua; f(x): función de densidad de probabilidad; μx:media esperada de la variable aleatoria
𝑏
La esperanza matemática: 𝐸[𝑔(𝑥)] = ∫𝑎 𝑔(𝑥) · 𝑓(𝑥)𝑑𝑥 si g(x)= (X- μx)k
𝑏
El momento centrado de la variable aleatoria es: μCk=E(X- μx)k =∫𝑎 (𝑥 − 𝜇𝑥)2 · 𝑓(𝑥)𝑑𝑥
𝑏
La varianza esperada de una continua es: 𝜎𝑥2 = 𝐸(𝑥 − 𝜇𝑥)2 = ∫𝑎 (𝑥 − 𝜇𝑥)2 · 𝑓(𝑥)𝑑𝑥
4.4. Función generatriz de momentos
Sea X una variable aleatoria y t una variable real, no aleatoria, se llama función generatriz de momentos de la variable X, a
la esperanza matemática de la potencia X.t del número e.
X: variable aleatoria; t: variable real; Mx(t)= función generatriz de momentos de la variable x. Mx(t)=E(ext)
 Es única y determina la distribución de probabilidad de una variable aleatoria. Si dos variables tienen la misma
función generatriz de momentos, tienen la misma distribución de probabilidad
 El momento absoluto de orden k se obtiene derivando la k-ésima de la función generatriz de momentos, respecto
a t y valorizando en el origen (t=0)
𝑑 𝑘 𝑀𝑥 (𝑡)
𝜇𝑘 =
𝑑𝑡
a) Función generatriz de momentos para variables discretas
Esperanza→ 𝐸[𝑔(𝑥)] = ∑∞ xt 𝑥𝑡 ∞
𝑖=1 𝑔(𝑥𝑖 ) · 𝑝(𝑥𝑖 ) si g(x)=e → 𝑀𝑥(𝑡) = 𝐸(𝑒 ) = ∑𝑖=1 𝑒
𝑥𝑡
· 𝑝(𝑥𝑖)
b) Función generatriz de momentos para variables continuas
𝑏 𝑏
Esperanza→ 𝐸[𝑔(𝑥)] = ∫𝑎 𝑔(𝑥) · 𝑓(𝑥)𝑑𝑥 si g(x)= ext → 𝑀𝑥(𝑡) = 𝐸(𝑒 𝑥𝑡 ) = ∫𝑎 𝑒 𝑥𝑡 · 𝑓(𝑥)𝑑𝑥
4.5. Fórmulas de trabajo para el cálculo de la varianza
a. Fórmula para variable discreta
x: variable aleatoria discreta; p(x): función probabilidad; μx: valor esperado de la variable aleatoria
dada la definición de varianza: 𝜎𝑥2 =∑∞ 2 2 ∞
𝑖=1(𝑥𝑖 − 𝜇𝑥) · 𝑝(𝑥𝑖 ) se tiene 𝜎𝑥 =∑𝑖=1 𝑥𝑖 · 𝑝(𝑥𝑖 ) − 𝜇𝑥
2 2

b. fórmula para variable continua


x: variable aleatoria continua definida en [a,b]; f(x):función de densidad de probabilidad de x; μx: esperanza matemática
𝑏 𝑏
dada la definición de varianza: 𝜎𝑥2 =∫𝑎 (𝑥 − 𝜇𝑥)2 · 𝑓(𝑥)𝑑𝑥 se tiene 𝜎𝑥2 =∫𝑎 𝑥 2 · 𝑓(𝑥)𝑑𝑥 − 𝜇𝑥 2

5) Otras medidas que resumen información


1. Desvío estándar o desvío típico →raíz cuadrada positiva de la varianza esperada. 𝜎𝑥 = √𝑉(𝑋)
Para variable aleatoria discreta: 𝜎 = √∑∞ 2
𝑖=1(𝑥𝑖 − 𝜇𝑥) · 𝑝(𝑥𝑖 )
𝑏
Para variable aleatoria continua: 𝜎 = √∫𝑎 (𝑥 − 𝜇𝑥)2 · 𝑓(𝑥)𝑑𝑥
2. Coeficiente de variación → cociente entre el desvío estándar y el promedio o media aritmética esperada
CV(x)=σ/μ
3. Mediana → como cap 3
a- De una variable aleatoria discreta: valor tal que, hasta el valor de variable inmediato anterior, se acumule, a lo
sumo, una probabilidad de 0,50 y desde el valor de variable inmediato posterior se acumule, a lo sumo, una
probabilidad de 0,50.
b- De una variable aleatoria continua: valor de la variable hasta donde se acumula una probabilidad exactamente
igual a 0,50
4. Modo
a- De una variable aleatoria discreta: valor de la variable más probable, o de máxima probabilidad, dentro de un
entorno de dicho valor. Si todos los valores de una variable aleatoria discreta tienen igual valor de probabilidad
puntual entonces no existe modo.
b- De una variable aleatoria continua: valor de la variable con el que la función de densidad de probabilidad alcanza
un máximo relativo.
5. Coeficiente de asimetría
 Función de probabilidad: Una distribución de probabilidad de una variable discreta es simétrica, si las
probabilidades puntuales correspondientes a valores de la variable que equidistan de la media aritmética
esperada son iguales
 Función de densidad de probabilidad: Una distribución de probabilidad de una variable continua es simétrica, si
las imágenes de la función de densidad de probabilidad correspondientes a valores de la variable que equidisten
de la media aritmética esperada son iguales.
𝑚𝑐3
Si no es simetrica→asimétrica. Para medir el grado y dirección usamos el coeficiente de asimetría. 𝐴𝑠(𝑥) = 𝜎3

As=0 ← simétrica As >0 ← asimétrica a la derecha As<0 ← asimétrica a la izquierda


6. Coeficiente de curtosis →relación entre amplitud total y máxima ordenada. K=(μc4/σ4)-3
𝑏
Por condición de cierre, la probabilidad total debe ser 1 [∑∞
𝑖=1 𝑝(𝑥𝑖) = 1 ^ ∫𝑎 𝑓(𝑥)𝑑𝑥 = 1]
La medición se refiere al comparar curtosis de una distribución con otro de otra como referencia.
Mesocúrtico: apuntamiento medio Leptocúrticas: más “puntudas” que la referencia Platocúrticas: menos “puntudas”
En toda distribución simétrica unimodal, coincide media aritmética, moda y mediana. No es recíproco
6) Propiedades del promedio y la varianza
I. El promedio esperado de una constante es la constante misma y la varianza esperada de una constante es nula.
Sea C=constante no nula, E(C)=C ^ Var(c)=0
II. El promedio esperado de la suma de una constante más una variable, es igual a la constante más el promedio
esperado de la variable. E(c+v)=E(c)+E(v) → c+E(v)
varianza de la suma de una constante + una variable es igual a la varianza de la variable. V(c+v)=V(c)+V(v)=V(v)
III. La esperanza matemática o promedio del producto de una constante por una variable, es igual al producto entre
la constante y la esperanza matemática o promedio de la variable. E(c·v)=E(c)·E(v) → C·E(v)
la varianza del producto de una constante por una variable es igual al producto entre el cuadrado de la constante
y la varianza de la variable. V(c·v)=c2V(v)
IV. Recta afín
y=mx+b
por aplicación de las propiedades vistas, tenemos: E(Y)=m.E(x)+b y V(Y)=m2.V(x)

8) Variable estandarizada → Se llama variable estandarizada de una variable aleatoria, discreta o continua, a la
variable que se genera haciendo el cociente entre, la diferencia entre la variable original y su esperanza matemática, y la
𝑋−𝜇
raíz cuadrada positiva de la varianza 𝑍 =
𝜎

Toda variable aleatoria estandarizada, tiene esperanza igual a cero y varianza igual a uno, cualquiera sea la naturaleza de
la variable original que se está estandarizando.
Aplicaciones de la variable estandarizada: transformar los valores de la variable expresados en unidades de la magnitud
original, a valores en unidades de desvio estándar. Indica a cuántos desvíos estándares y qué posición se encuentra el
valor observado de variable respecto a su media
CAPÍTULO 6: Leyes de probabilidad específicas
I. Variables aleatorias discretas.
 Experimento aleatorio dicotómico: Aquel experimento aleatorio cuyo espacio muestral tiene solo dos resultados
posibles mutuamente excluyentes.
 Permutaciones: Dado un conjunto formado por n elementos, se llama permutación de n a cualquier arreglo ordenado
de los n elementos. La cantidad de permutaciones que se pueden formar ordenando los n elementos de distinta
manera se calcula con un número llamado factorial de n. (n!) →Pn=n!
 Espacio continuo: Es un recinto de infinitos puntos donde en cualquiera de ellos es posible encontrar un elemento.
Son las magnitudes (longitud; superficie; tiempo)
1. Distribución de Bernoulli
proporciona valores de probabilidad a una variable aleatoria discreta que denota la presencia o ausencia de un
determinado atributo. Si el atributo no se presenta, se asigna a la variable el valor cero; si el atributo se presenta se asigna
a la variable el valor uno.
La cantidad de elementos con un determinado atributo que se presenta en una observación de un experimento aleatorio
dicotómico es una variable aleatoria discreta, r, cuya función de probabilidad es llamada distribución de Bernoulli.
Cumple condición de cierre ∑𝑙𝑟=0 𝑝(𝑟) = 1
La esperanza matemática de “r” es E(r)=∑𝑙𝑟=0 𝑟 · 𝑝𝑟 (1 − 𝑝)(1−𝑟) = 𝑝
La varianza: V(r)=∑𝑙𝑟=0(𝑟 − 𝑝)2 · 𝑝𝑟 · (1 − 𝑝)𝑟 = 𝑝(1 − 𝑝)
2. Repetición de un experimento aleatorio dicotómico: Cada vez que el experimento aleatorio dicotómico se repite,
los elementos que tengan el atributo que se está considerando pueden presentarse o no, es aleatorio, entonces, en
las n repeticiones del experimento, habrá algunos elementos que tengan el atributo, o puede ser que ninguno
tenga el atributo, o todos tengan el atributo.
3. Distribución hipergeométrica
[Conozco el universo y tamaño, conozco el total del atributo.]
 Dicotómicas
 Universo finito
 Sin reposición
 Observaciones dependientes
Parámetros matemáticos: n (muestra), N(universo) R(elem con el atributo)
Parámetros estadísticos:
 E(x)=n·(R/N)
𝑁−𝑛 R N-R N-n
 Var(x)=n·p·q( 𝑛−1 ) = n N N N-1

4. Distribución binomial → busco r


 Universo infinito
 Observaciones independientes
 Con reposición
 Dicotómicas
Parámetros matemáticos: n(muestra), p(probabilidad de ocurrencia del atributo), q [(1-p)→complemento]
Parámetros estadísticos:
 E(x)=n·p
 Var(x)=n·p·q
 Desvío estándar: 𝑆(𝑥) = √𝑉𝑎𝑟(𝑥)
𝑆(𝑋)
 Coeficiente de variación: CV(x)=𝐸(𝑋)
5. Distribución pascal
[tener que] →busco n
 Dicotómica
 Universo infinito
 Con reposición
 Observaciones independientes
Parámetros matemáticos: r(atributo), p(prob de que se presente un elemento con determinado atributo)
Parámetros estadísticos:
 E(x)=r/p
𝑟·𝑞
 V(x)= 𝑝2

Aproximaciones de Pascal a binomial

6. Distribución de Poisson →discreta/continua


 No dicotómica
 Universo infinito
Parámetros matemáticos: λ=b·t
b=promedio de presentación del elemento discreto sobre el continuo
t=extensión del continuo

Parámetros estadísticos:
 E(x)=λ
 Var(x)=λ
 S(x)=√𝜆
𝑆(𝑥)
 CV(x)=𝐸(𝑥)

Distribución Cuando Aproximo a Parámetros


HIPERGEOMÉTRICA N→∞ (N>50) Binomial n p=R/N
BINOMIAL N→∞ (n>20) Poisson p≤0.05 ⌄ p≥0.95 λ=n·p
Normal p>0.05 ⌄ p<0.95 𝜎 = √𝑛𝑝𝑞 𝜇 = 𝑛𝑝
POISSON 𝜆 → ∞ (λ>20) Normal μ=λ σ=√𝜆

Potrebbero piacerti anche