departamento de estadística e investigación operativa...
TRANSCRIPT
Modelos Básicos de Distribuciones Discretas y Continuas
Departamento de Estadística e Investigación OperativaUniversidad de Sevilla
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 1/27
Contenidos
1 Introducción. Variables Aleatorias
2 Distribución de Bernoulli
3 Distribución Uniforme Discreta en n puntos
4 Distribución Binomial
5 Distribución Geométrica
6 Distribución hipergeométrica
7 Distribución de Poisson
8 Distribución Uniforme Continua
9 Distribución Gamma
10 Distribución Exponencial
11 Distribución Beta
12 Distribución de Cauchy
13 Distribución Normal
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 2/27
Introducción. Variable Aleatoria.
Espacio Muestral [o de resultados del experimento]: Ω
σ-álgebra [o espacio de sucesos]: FProbabilidad: función de conjunto P : F → [0, 1]. Axiomática deKolmogorov.
Espacio de probabilidad: (Ω,F ,P)
σ-álgebra de Borel en IR: B(IR).Generada por los intervalos de la forma (−∞, x ].Hay otras formas de generarla.En el Cálculo de Probabilidades es el σ-álgebra sobre IR usualmenteempleada.Próximamente se generalizará para IRn.
Variable Aleatoria,X : Ω −→ IR
X−1(B) ∈ F ∀B ∈ B(IR)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 3/27
Función de Distribución
Función de distribución de X ,
FX (t) = P[X−1((−∞, t ])] = notación = P[X ≤ t ] ∀t ∈ IR
Bien definida.
Monótona no decreciente.
Continua por la derecha ∀t ∈ IR.
FX (−∞) = 0.
FX (+∞) = 1
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 4/27
Variables Aleatorias Discretas
X es discreta cuando FX es una función constante a trozos oescalonada.Saltos en un conjunto numerable xkk∈K , finito o infinito.Función de probablidad,
P[X−1(xk)] = notación = P[X = xk ] = pk k ∈ K
Esperanza matemática,
E [X ] =∑k∈K
xk P[X = xk ]
Siempre existe si K es finito.Si K es infinito, existe si la suma es convergente.Ejemplo. No existe la esperanza para una variable aleatoria con función deprobabilidad,
P[X = k ] =6π2
1k2
k ∈ IN
por no ser convergente la serie,∞∑
k=1
1k
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 5/27
Variables Aleatorias [Absolutamente] Continuas
X es continua cuando FX es una función continua.La probabilidad no se reparte en un conjunto numerable.Si la función de distribución se puede expresar como,
FX (t) =
∫ t
−∞f (x)dx
siendo f no negativa, entonces diremos que X es absolutamentecontinua.La función f se denomina función de densidad, y obviamente ha decumplir,
Integrable en IR.∫ +∞−∞ f (x)dx = 1
Esperanza matemática,
E [X ] =
∫ ∞−∞
xf (x)dx
No siempre existe pues la integral puede ser divergente.Ejemplo. No existe la esperanza para una variable aleatoria con función dedensidad,
f (x) =1π
11 + x2
x ∈ IR
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 6/27
Función Generatriz de Momentos
Dada una variable aleatoria, X , se define la Función Generatriz deMomentos como,
MX (t) = E [etX ]
supuesto que la región de convergencia no se reduce al caso trivial t = 0.
X Discreta,MX (t) =
∑k∈K
et xk P[X = xk ]
X Continua,
MX (t) =
∫ +∞
−∞et x f (x)dx
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 7/27
Función Generatriz de Momentos. Ejemplos
X Discreta con función de probabilidad P[X = k ] = 1/2k , k ∈ IN
MX (t) =∞∑
k=1
et k 12k =
et/21− et/2
siempre que,
et
2< 1 es decir t < ln(2) Región de convergencia
X Continua con función de densidad,
f (x) =1π
11 + x2 , x ∈ IR
MX (t) =
∫ +∞
−∞
1π
et x
1 + x2 dx
Integral divergente si t 6= 0. No existe la función generatriz demomentos.
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 8/27
Momentos. Cálculo a partir de MX (t)
Dada la variable aleatoria X , se define el momento de orden n ∈ IN como,
E [X n] =
∑
k∈K xnk P[X = xk ] X discreta∫ +∞
−∞ xnf (x)dx X continua
supuesto convergentes la serie o la integral.
Esperanza. Momento de orden n = 1. E [X ].
Momento de orden n = 2. E [X 2].
Varianza. V [X ] = E [X 2]− E [X ]2
Relación con la Función Generatriz de Momentos,
E [X n] =dn
dtn MX (t)∣∣∣∣t=0
Derivamos n veces, y hacemos t = 0, ó t → 0 si se produce indeterminación.
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 9/27
Distribución de Bernoulli
Es de una variable aleatoria X : Ω→ 0, 1, es decir, recorre dos valores, 0 ó1, con probabilidades,
P[X = 1] = p P[X = 0] = 1− p = q p ∈ [0, 1]
E [X ] = p
V [X ] = pq
MX (t) = etp + q
Notación X ∼ Be(p)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 10/27
Distribución Uniforme Discreta en n puntos
Dado n ∈ IN, diremos que la variable aleatoria discreta X tiene unadistribución uniforme discreta en n puntos cuando recorre los valores1, 2, . . . , n con probabilidades,
P[X = k ] =1n
k = 1, 2, . . . n
E [X ] = (n + 1)/2
V [X ] = (n2 − 1)/12
Función Generatriz de Momentos,
MX (t) =et (ent − 1)
n(et − 1)
Notación X ∼ U[1..n]
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 11/27
Distribución Binomial
Dados n ∈ IN y p ∈ [0, 1], diremos que la variable aleatoria discreta X tieneuna distribución binomial de parámetros n y p, si recorre los valores0, 1, . . . , n, siendo,
P[X = k ] =
(nk
)pk (1− p)n−k , k = 0, . . . , n
E [X ] = np
V [X ] = npq
MX (t) = (q + pet )n
Notación X ∼ Bi(n, p)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 12/27
Distribución Binomial. Propiedades.
Si repetimos n veces un experimento con dos resultados posibles, E,éxito, y F, fracaso, y probabilidad de éxito p, siendo independientes lasrepeticiones, el número de éxitos obtenidos es una variable aleatoriacon distribución Bi(n, p).
Si X1, . . . ,Xn son variables aleatorias de Bernoulli, Be(p),independientes, entonces,
n∑i=1
Xi ∼ Bi(n, p)
Si X1, . . . ,Xn son variables aleatorias independientes, con distribuciónbinomial, siendoXi ∼ Bi(ni , p), i = 1, . . . , n, entonces
∑ni=1 Xi ∼ Bi(
∑ni=1 ni , p).
[Reproductividad con respecto a n].
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 13/27
Distribución Geométrica
Diremos que la variable aleatoria discreta X tiene una distribucióngeométrica si recorre los valores k ∈ IN con función de probabilidad,
P[X = k ] = (1− p)k−1p k ∈ IN
E [X ] = 1/p
V [X ] = q/p2
MX (t) = pet/(1− qet ) t < − ln(q)
Notación X ∼ Ge(p)
Si consideramos el experimento consistente en repetir un experimentocon dos resultados posibles, E, éxito, y F, fracaso, con probabilidadesrespectivas p y q = 1− p, y las repeticiones son independientes, elnúmero de repeticiones o ensayos hasta obtener el primer éxito es unavariable aleatoria con distribución Ge(p).
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 14/27
Distribución Geométrica. Definición Alternativa
Si consideramos el experimento consistente en repetir un experimento condos resultados posibles, E, éxito, y F, fracaso, con probabilidades respectivasp y q = 1− p, y las repeticiones son independientes, el número de fracasosPREVIOS al primer éxito es una variable aleatoria que también se sueledenominar como Geométrica. En en este caso,
P[X = k ] = (1− p)k p k ∈ IN∗
E [X ] = q/p
V [X ] = q/p2
MX (t) = p/(1− qet ) t < − ln(q)
Notación X ∼ Ge(p)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 15/27
Distribución Hipergeométrica
Consideremos un conjunto, U, con N elementos, de los cuales, N1 son detipo I y N2 = N − N1 de tipo II. De la población se extrae una muestra den ≤ N elementos, sin reemplazamiento y sin considerar el orden comocaracterística diferenciadora, de forma que todas las posibles combinacionessean equiprobables, y se considera la variable aleatoria X =“número deelementos de tipo I en la muestra obtenida”. Observemos que si k es unvalor factible, entonces,
P[X = k ] =
(N1k
)( N2n−k
)(Nn
)debiendo verificarse k ≤ n, k ≤ N1, n − k ≤ N2, k ≥ 0, es decir,
max0, n + N1 − N ≤ k ≤ minn,N1
La distribución así obtenida se denomina hipergeométrica.
E [X ] = nN1/N
V [X ] = (N − n)(N − N1)nN1/(N2(N − 1))
Notación X ∼ H(N,N1, n)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 16/27
Distribución de Poisson
Diremos que una variable aleatoria discreta, X , sigue una distribución dePoisson si recorre los valores k ∈ IN∗ con función de probabilidad,
P[X = k ] = e−λλk
k !λ > 0
E [X ] = λ
V [X ] = λ
MX (t) = eλ(et−1) ∀t ∈ IR
Notación X ∼ P(λ)
Si X ∼ P(λ1) e Y ∼ P(λ2) son independientes, entoncesX + Y ∼ P(λ1 + λ2). Esta propiedad se generaliza inmediatamente a unnúmero finito de variables aleatorias independientes, que siguen unadistribución de Poisson. Reproductividad respecto a λ.
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 17/27
Distribución Uniforme Continua
Diremos que la la variable aleatoria X se distribuye uniformemente en elintervalo [a, b] con a, b ∈ IR, a < b, o que es uniforme en dicho intervalo, oque sigue una distribución uniforme, si es absolutamente continua, confunción de densidad,
f (x) =1
b − a, x ∈ [a, b] =
1b − a
I[a,b](x) x ∈ IR
Función de distribución,
F (x) =
0 x ≤ a
x − ab − a
a < x ≤ b
1 x > b
E [X k ] = bk+1−ak+1
(b−a)(k+1)k ≥ 0. E [X ] = a+b
2
V [X ] = (b−a)2
12
MX (t) = etb−eta
(b−a)t
Notación X ∼ U[a, b]
También se puede definir en el abierto (a, b). Todo es igual salvo lanotación
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 18/27
La Función Gamma
Es una función que aparece en numerosos campos de las Matemáticas
Γ : IR+ −→ IR+
Γ(p) =
∫ +∞
0xp−1e−x dx p > 0
Algunas propiedades,
Γ(1) = 1
Γ(p) = (p − 1)Γ(p − 1) p > 1
Γ(n) = (n − 1)! n ∈ IN
Γ( 12 ) =
√π
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 19/27
Distribución Gamma
La variable aleatoria X se distribuye según una distribución Gamma deparámetros a y p, si es absolutamente continua, con función de densidad,
f (x) =ap
Γ(p)e−ax xp−1I(0,+∞)(x) x ∈ IR, a > 0, p > 0
Momentos de orden k .
E [X k ] =Γ(k + p)
ak Γ(p)k ∈ IN
Esperanza, momento de segundo orden y varianza.
E [X ] =pa
E [X 2] =p(p + 1)
a2 V [X ] =pa2
Función Generatriz de Momentos.
MX (t) =1(
1− ta
)p t < a
Notación X ∼ Ga(p, a)
Si X1, . . . ,Xn son variables aleatorias independientes, conXk ∼ Ga(pk , a), k = 1, . . . , n, entonces
∑nk=1 Xk ∼ Ga(
∑k pk , a)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 20/27
Distribución Exponencial
Diremos que X tiene una distribución exponencial de parámetro λ > 0,cuando X ∼ Ga(λ, 1). Se tiene pues que es absolutamente continua, confunción de densidad,
f (x) = λe−λx I(0,+∞)(x) x ∈ R
Función de distribución,
F (x) =
∫ x
−∞λe−λt I(0,+∞)(t) dt =
(1− e−λx
)I(0,+∞)(x)
Momentos de orden k .
E [X k ] =k !
λk k ∈ IN
Esperanza, momento de segundo orden y varianza.
E [X ] =1λ
E [X 2] =2λ2 V [X ] =
1λ2
Función Generatriz de Momentos.
MX (t) =1(
1− tλ
) t < λ
Notación X ∼ Exp(λ).Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 21/27
Distribución Beta
La variable aleatoria X se distribuye según una distribución Beta deparámetros a y b, si es absolutamente continua, con función de densidad,
f (x) =1
B(a, b)xa−1(1− x)b−1 I(0,1)(x) x ∈ IR a, b > 0
B(a, b) representa la función beta, definida como,
B(a, b) =
∫ 1
0xa−1(1− x)b−1 dx a, b > 0
Relación con la función Gamma,
B(a, b) =Γ(a)Γ(b)
Γ(a + b)
Momentos ordinarios de orden k .
E [X k ] =B(a + k , b)
B(a, b)k ∈ IN
Esperanza, momento ordinario de segundo orden y varianza.
E [X ] =a
a + bE [X 2] =
a(a + 1)
(a + b)(a + b + 1)V [X ] =
ab(a + b)2(a + b + 1)
Notación X ∼ Be(a, b)Si a = b = 1 entonces X ∼ U(0, 1).
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 22/27
Distribución de Cauchy
Diremos que la variable aleatoria X se distribuye según una distribución deCauchy si es absolutamente continua, con función de densidad,
f (x) =1π
11 + x2 x ∈ IR
Función de Distribución,
F (x) =
∫ x
−∞f (t) dt =
1π
arctg(x) +12
x ∈ IR
No existen los momentos de orden mayor o igual que 1. En particular,no existe ni la esperanza ni la varianza.
NO existe la función generatriz de momentos en un entorno abierto det = 0
Notación X ∼ C(0, 1)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 23/27
Distribución Normal N(0,1)
Diremos que la variable aleatoria Z se distribuye según una distribuciónnormal de parámetros 0 y 1, si es absolutamente continua, con función dedensidad,
f (z) =1√2π
e−12 z2
z ∈ IR
Observemos que f ≥ 0 y además, haciendo el cambio de variable z2 = 2t ,obtenemos,∫ +∞
−∞
1√2π
e−12 z2
dz = 2∫ +∞
0
1√2π
e−12 z2
dz =
√2√
2π
∫ +∞
0t
12−1e−tdt =
Γ( 12 )√π
= 1
La correpondiente función de distribución, FZ , se denota tradicionalmentepor Φ, es decir,
Φ(z) =
∫ z
−∞
1√2π
e−1
2t2
dt
E [X ] = 0, E [X 2] = 1, V [X ] = 1
MX (t) = et2/2
Notación Z ∼ N(0, 1)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 24/27
Distribución Normal N (µ, σ2)
Sea Z ∼ N(0, 1) y µ, σ ∈ IR con σ > 0, y sea X = µ+ σZ .La función de distribución de X será pues, ∀x ∈ IR,
FX (x) = P[X ≤ x ] = P[Z ≤ x − µ
σ
]= Φ
(x − µσ
)=
∫ x−µσ
−∞
1√2π
e−1
2z2
dz
y mediante el cambio de variable t = zσ + µ, se obtiene,
FX (x) =
∫ x
−∞
1σ√
2πe−1
2
(t − µσ
)2
dt
La variable aleatoria X , absolutamente continua, tiene pues como función dedensidad,
f (x) =1
σ√
2πe−1
2
(x − µσ
)2
x ∈ IR
y diremos que sigue una distribución normal de parámetros µ y σ2.denotándose X ∼ N(µ, σ2) (también se suele denominar de parámetros µ yσ, denotándose X ∼ N(µ, σ)). Algunas de sus características son,
E [X ] = µ, E [X 2] = µ2 + σ2, V [X ] = σ2
MX (t) = etµ+σ2t2/2
Notación X ∼ N(µ, σ2)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 25/27
Resultados
(1) [Reproductividad respecto a µ y σ2]. Si X1, . . . ,Xn son variables aleatoriasindependientes, con Xk ∼ N(µk , σ
2k ), k = 1, . . . , n, entonces,
n∑k=1
Xk ∼ N
(n∑
k=1
µk ,
n∑k=1
σ2k
)
(2) Si X1, . . . ,Xn son variables aleatorias independientes, conXk ∼ N(µk , σ
2k ), k = 1, . . . , n, y a0, a1, . . . , an ∈ IR tales que
∑nk=1 |ak | 6= 0,
entonces,
a0 +n∑
k=1
ak Xk ∼ N
(a0 +
n∑k=1
akµk ,
n∑k=1
a2kσ
2k
)(3) Dados µ, σ ∈ IR con σ > 0, se verifica,
Z ∼ N(0, 1)⇐⇒ (µ+ σ Z ) ∼ N(µ, σ2)
o, equivalentemente,
X ∼ N(µ, σ2)⇐⇒ X − µσ
∼ N(0, 1)
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 26/27
Definición
Dada una variable aleatoria X ∼ N(µ, σ2), la variable aleatoria,
Z = (X − µ)/σ ∼ N(0, 1)
se denomina tipificación de X o variable X tipificada.
OBSERVACIÓN: La tipificación permite hallar probabilidades para unavariable aleatoria cualquiera si se conocen las probabilidades para laN(0, 1). Por ejemplo, sea X ∼ N(6, 4), entonces, si queremos calcularP[X ≤ 10], tendremos,
P[X ≤ 10] = P[(X − 6)/√
4 ≤ 2] = P[Z ≤ 2] = Φ(2)
donde hemos denotado Z = (X − 6)/2, siendo Z ∼ N(0, 1) por el resultadoanterior. Así, para calcular probabilidades de una normal cualquiera bastatener tabulada la función Φ.
————— FIN —————
Teoría de la Probabilidad y Teoría de la Probabilidad I. Facultad de Matemáticas. Universidad de Sevilla.Modelos de Distribuciones Discretas y Continuas 27/27