Asignatura:
Estadística
Estudiante:
Espinoza Vélez Edison Ricardo
Docente:
Ing. Gissela Mantilla
Fecha:
03/07/2017
Periodo:
Abril 2017 - agosto 2017
DISCRETA: La variable aleatoria X se dice que es discreta si los números asignados a los
sucesos elementales de E son puntos aislados. Sus posibles valores constituyen un conjunto
finito o infinito numerable. Por ejemplo, supongamos el experimento consistente en lanzar
tres veces una moneda no trucada; si consideramos la variable aleatoria X=”número de caras
obtenidas en los tres lanzamientos”, los valores que puede tomar esta variable aleatoria son
finitos (0,1,2,3).
CONTINUA: La variable aleatoria X será continua si los valores asignados pueden ser
cualesquiera, dentro de ciertos intervalos, es decir, puede tomar cualquier valor de R. Por
ejemplo, si consideramos el experimento aleatoria consistente en medir el nivel de agua en
un embalse y tomamos la variable aleatoria X=”nivel de agua”, esta puede tomar valores
entre 0 y más infinito.
Una variable aleatoria es discreta si toma un numero finito o a lo más numerable de valores:
𝐸 (𝑋) = 𝜇 = ∑ 𝑥! 𝑓(𝑥! )
𝑥! 𝜖𝐶
Donde 𝐶 = [𝑋1 , 𝑋2 , 𝑋3 , … ] Es el conjunto de valores que puede tomar la variable aleatoria.
Esperanza matemática de una variable aleatoria continua es la idea del centro de gravedad de
los valores de la variable, donde cada valor tiene una masa proporcional a la función de
densidad en ellos (Definiciones.edu, 2015).
Dada una variable aleatoria absolutamente continua X con función de densidad f(x), se define
la esperanza matemática de X como el valor
𝑛
( ) 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥 𝑠𝑖 𝑥 = 0,1, … , 𝑛
𝑓(𝑥; 𝑛, 𝜃) = { 𝑥 }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑑𝑒 𝑠𝑒𝑟 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde 0 ≤ 𝜃 ≤ 1
Las variables binomiales con parámetros n y 𝜃 se denotan como: X ̴ Bing (n, 𝜃). (Rienzo,
2012)
La E(X) cuando X tiene distribución binomial se puede obtener a partir del siguiente
desarrollo:
Como posibles valores de x son 0, 1,2,…, n es posible escribir la esperanza como sigue;
𝑛 𝑛 𝑛 𝑛!
𝑛
𝜇 = 𝐸(𝑋) = ∑ 𝑥𝑓(𝑥) = ∑ 𝑥 ( ) 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥 = ∑ 𝑥 𝜃 𝑥 (1 − 𝜃)𝑛−𝑥
𝑥=0 𝑥=0 𝑥 𝑥=0 𝑥! (𝑛 − 𝑥)!
𝑚 𝑚
𝑛𝜃 ∑ ( 𝑦 ) 𝜃 𝑦 (1 − 𝜃)𝑚−𝑦 = 𝑛𝜃
𝑦=0
𝑚 𝑦
Ya que ∑𝑚𝑦=0 ( 𝑦 ) 𝜃 (1 − 𝜃)
𝑚−𝑦
= 1 debido a que la suma de todos los valores posibles de
𝑚
una función de probabilidad 𝐵𝑖𝑛(𝑚, 𝜃) = ( 𝑦 ) 𝜃 𝑦 (1 − 𝜃)𝑚−𝑦
𝜎 2 = 𝑉 (𝑋) = 𝑛𝜃(1 − 𝜃)
Ejercicios
1.2.2. DISTRIBUCIÓN HIPERGEOMÉTRICA
Esta distribución está ligada a situaciones de muestreo sin reposición, es decir situaciones
que al azar se elige a un elemento de la población y así sucesivamente hasta completar la
muestra, sin restituir los elementos extraídos.
Para inducir la fórmula de esta distribución, análoga a la binomial considérese como
población al conjunto de N elementos a los cuales K posee uno de dos estados posibles
(exito9 y n-k que representa fracaso.
Como se recordara, el concepto frecuencial de probabilidad está asociada al cociente:
𝑘 𝑁−𝑘
( )( )
𝑓(𝑥; 𝑛, 𝑁, 𝑘) = 𝑥 𝑛−𝑥 𝑠𝑖 𝑥 = 0,1, … , 𝑛; 𝑥 ≤ 𝑘; 𝑛 − 𝑥 ≤ 𝑁 − 𝑘
𝑁
( )
𝑛
{0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜 }
Propiedades:
1) Esperanza: E(X) = n N1 / N 2.
2) Varianza: V(X) = (n N1 N2 (N-n)) / (N2 (N-1) )
Propiedades del modelo Hipergeométrica
1) Esperanza: E(X) = n ´ N1/N
2) Varianza: V(X) = (n ´ N1 ´ N2 (N − n))/(N2 ´ (N − 1))
EJERCICIOS
1.2.3. DISTRIBUCIÓN DE PIOSON
La distribución de Poisson da un modelo para variables de tipo conteo, donde los conteos
refieren al registro del número de un evento de interés en una unidad de tiempo o espacio
dados. Ejemplos donde puedes aplicar la distribución de Poisson
El número de autos que pasan a través de un cierto punto en una ruta (suficientemente
distantes de los semáforos) durante un periodo definido de tiempo.
El número de errores de ortografía que uno comete al escribir una única página.
El número de llamadas telefónicas en una central telefónica por minuto.
El número de servidores web accedidos por minuto.
El número de animales muertos encontrados por unidad de longitud de ruta.
El número de mutaciones de determinada cadena de ADN después de cierta cantidad
de radiación.
El número de núcleos atómicos inestables que se han desintegrado en un determinado
período.
El número de estrellas en un determinado volumen de espacio.se obtendrá 4000.00
La distribución de receptores visuales en la retina del ojo humano.
La inventiva 2 de un inventor a lo largo de su carrera.
La distribución de la riqueza humana.
Una variable aleatoria de X tiene distribucion de Poisson si y solo si su función de unidad es:
𝜆2 𝑒 −𝜆
𝑓(𝑥, 𝜆) = { 𝑠𝑖 𝑥 = 0.1.2 … . }
𝑥!
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑠𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Ejercicios
1.2.4. DITRIBUCION MULTINOMIAL
Esta distribución tiene origen cuando ocurren tres condiciones en forma simultánea
𝑁!
) 𝜃1 𝑥1 , 𝜃2 𝑥2 , … , 𝜃𝑘 𝑥𝑘
𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑘 ; 𝜃1 , 𝜃2 , … , 𝜃𝑘 = {𝑥1 !, 𝑥2 !, … , 𝑥𝑘 ! }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Ejercicios
1.3. VARIABLES ALEATORIAS CONTINUAS
3.3.1. DISTRIBUCIÓN UNIFORME
Una de las principales aplicaciones de esta distribución en estudio s de simulación
Montecarlo ya que a partir de de esta función es posible generar número pseudoaleatorios de
otras distribuciones
1
𝑠𝑖 𝛼 < 𝑥 < 𝛽
𝑓(𝑥) = { 𝛽 − 𝛼 }
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
EJERCICIOS
DISTRIBUCION NORMAL
En estadística y probabilidad se llama distribución normal, distribución de
Gauss o distribución gaussiana, a una de las distribuciones de probabilidad de variable
continua que con más frecuencia aparece aproximada en fenómenos reales.
𝑥
−
𝑒 𝜃
F(x)={ 𝑠𝑖 0 ≤ 𝑥 }
𝜃
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Donde 𝜃 > 0
ya que
La mediana del modelo exponencial será aquel valor de la variable x =Me que verifica que
F(Me) = ½
EJERCICIOS
3.3.3. DISTRIBUCIÓN T- STUDENT
En probabilidad y estadística, la distribución t (de Student) es una distribución de
probabilidad que surge del problema de estimar la media de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño.
Donde
Z es una variable aleatoria distribuida según una normal típica (de media nula
y varianza 1).
V es una variable aleatoria que sigue una distribución χ² con grados de libertad.
Z y V son independientes
Si μ es una constante no nula, el cociente es una variable aleatoria que sigue
la distribución t de Student no central con parámetro de no-centralidad
EJERCICIOS
FUENTE