Modelos de distribuciones discretas y continuas

Estadstica I curso 20082009

Ignacio Cascos Fernandez
Departamento de Estadstica
Universidad Carlos III de Madrid
1. Distribuciones discretas
Aquellas que est an asociadas a variables aleatorias discretas.
Distribucion degenerada. Una variable aleatoria X es degenerada en un
valor real a R si toma dicho valor con probabilidad 1, es decir P(X = a) =
1, su media y varianza son entonces obvias a partir de resultados del tema
anterior,
E[X] = a ; var[X] = 0.
1.1. Proceso de Bernoulli
1.1.1. Modelos principales asociados al proceso de Bernoulli
Distribucion de Bernoulli, B(1, p). Una variable aleatoria X sigue dis-
tribuci on de Bernoulli de parametro p (0, 1) y se denota X B(1, p) si
describe el n umero de exitos en una realizaci on de un experimento que tie-
ne probabilidad de exito p (probabilidad de fracaso 1 p). Toma valores en
{0, 1}.
P(X = 1) = p ; P(X = 0) = 1 p ;
E[X] = p ; var[X] = p(1 p).
1
Distribucion Binomial, B(n, p). Una variable aleatoria X sigue distri-
buci on Binomial de parametros n N y p (0, 1) y se denota X B(n, p)
si describe el n umero de exitos en n realizaciones independientes de un ex-
perimento que tiene probabilidad de exito p (probabilidad de fracaso 1 p).
Puede tomar cualquier valor en {0, 1, . . . , n}.
Si k {0, 1, . . . , n}, se cumple
P(X = k) =

n
k

p
k
(1 p)
nk
;
E[X] = np ; var[X] = np(1 p).
Propiedad. Las distribuciones binomiales son reproductivas de parametro
n, es decir, dadas dos variables aleatorias X B(n
1
, p) e Y B(n
2
, p)
independientes, se cumple X + Y B(n
1
+ n
2
, p).
A partir de este resultado es inmediato que una variable aleatoria X
B(n, p) puede descomponerse en una suma de n variables aleatorias indepen-
dientes de Bernoulli de par ametro p.
Distribucion Geometrica o de Pascal, Ge(p). Una variable aleatoria X
sigue distribuci on Geometrica de parametro p (0, 1) y se denota X Ge(p)
si describe el n umero de realizaciones independientes de un experimento ne-
cesarias hasta obtener el primer exito, siendo p la probabilidad de exito en
una realizacion del experimento (probabilidad de fracaso 1p). Puede tomar
como valor cualquier n umero natural, {1, 2, . . .}.
Si k {1, 2, . . .}, se cumple
P(X = k) = (1 p)
k1
p ;
E[X] =
1
p
; var[X] =
1 p
p
2
.
1.1.2. Otros modelos asociados al proceso de Bernoulli
Distribucion Binomial Negativa, BN(r, p). Una variable aleatoria X
sigue distribuci on Binomial Negativa de parametros r N y p (0, 1) y se
denota X BN(r, p) si describe el n umero de fracasos de un experimento
antes del r-esimo exito, siendo las realizaciones del experimento indepen-
dientes y en cada una de ellas p la probabilidad de exito (probabilidad de
2
fracaso 1 p). Puede tomar cualquier valor entero mayor o igual que cero,
{0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple
P(X = k) =

r + k 1
r 1

p
r
(1 p)
k
;
E[X] =
r(1 p)
p
; var[X] =
r(1 p)
p
2
.
Distribucion Hipergeometrica, H(N, n, D/N). Una variable aleatoria
X sigue distribuci on Hipergeometrica de parametros N N, n N con
n N y D/N con D N, D N y se denota X H(N, n, D/N) si
describe el n umero de individuos que tienen una cierta caracterstica en n
observaciones sin reemplazamiento en una poblacion de N individuos de entre
los que D tienen la caracterstica (N D no tienen la caracterstica). Puede
tomar cualquier valor entero mayor o igual que m ax{0, n +DN} y menor
o igual que mn{n, D}.
Si max{0, n + D N} k mn{n, D}, se cumple
P(X = k) =

D
k

ND
nk

N
n
;
E[X] = n
D
N
; var[X] = n
D
N

N D
N

N n
N 1
.
1.2. Proceso de Poisson
Distribucion de Poisson, P(). Una variable aleatoria X sigue distribu-
ci on de Poisson de parametro > 0 y se denota X P() si representa el
n umero de eventos ocurridos independientemente y a velocidad constante o
con intensidad constante en un tiempo o region ja. Puede tomar cualquier
valor entero mayor o igual que cero, {0, 1, 2, . . .}.
Si k {0, 1, 2, . . .}, se cumple
P(X = k) =

k
k!
e

;
E[X] = ; var[X] = .
Propiedad. Las distribuciones de Poisson son reproductivas, es decir, da-
das X P(
1
) e Y P(
2
) independientes, se cumple X+Y P(
1
+
2
).
3
2. Distribuciones continuas
Aquellas que est an asociadas a variables aleatorias continuas.
Distribucion Uniforme, U(a, b). Una variable aleatoria X sigue distribu-
ci on uniforme de parametros a < b y se denota X U(a, b) si toma valores
en el intervalo (a, b) seg un la siguiente funcion de densidad,
f
X
(x) =

1
ba
si x (a, b)
0 si x / (a, b)
; F
X
(x) =

0 si x < a
xa
ba
si a x < b
1 si x b
;
E[X] =
a + b
2
; var[X] =
(b a)
2
12
.
2.1. Proceso de Poisson
Distribucion Exponencial, Exp(). Una variable aleatoria X sigue dis-
tribuci on exponencial de par ametro > 0 y se denota X Exp() si toma
valores positivos seg un la siguiente funcion de densidad,
f
X
(x) =

e
x
si x > 0
0 si x 0
; F
X
(x) =

0 si x < 0
1 e
x
si x 0
;
E[X] =
1

; var[X] =
1

2
.
Propiedad. Las distribuci on exponencial no tiene memoria, es decir dada
X Exp() y t
1
, t
2
> 0,
P(X > t
1
+ t
2
|X > t
1
) = P(X > t
2
).
4
2.2. Distribuci on Normal
Distribucion Normal, N(, ). Una variable aleatoria X sigue distribu-
ci on normal de media y desviaci on tpica y se denota X N(, ) si
toma valores en toda la recta real, seg un la siguiente funci on de densidad,
f
X
(x) =
1

2
e

(x)
2
2
2
.
No podemos dar de forma explcita ninguna primitiva de esta funci on, por
lo tanto la funci on de distribuci on s olo podemos describirla como F
X
(x) =

f
X
(t)dt.
E[X] = ; var[X] =
2
.
Llamamos normal tipicada o estandar a la normal de media 0 y desvia-
ci on tpica 1, N(0, 1).
Propiedad. Dados a, b R y X una variable aleatoria tal que X
N(, ), entonces la variable aleatoria aX +b sigue distribucion normal, m as
concretamente
aX + b N(a + b, |a|).
Utilizando esta propiedad podemos tipicar cualquier variable aleatoria nor-
mal, se cumple
X

N(0, 1).
Propiedad. Si X N(0, 1) y F
X
es su funcion de distribuci on, por la
simetra de la distribucion normal, se cumple que para cualquier x R,
F
X
(x) = 1 F
X
(x).
Propiedad. La suma de dos variables aleatorias normales independientes
sigue distribuci on normal. As, si X N(
1
,
1
) e Y N(
2
,
2
) son inde-
pendientes, entonces
X + Y N

1
+
2
,

2
1
+
2
2

.
Teorema Central del Lmite. Si X
1
, X
2
, . . . , X
n
son n variables aleato-
rias independientes e identicamente distribuidas con media y desviaci on
tpica , entonces, entonces

n
i=1
X
i
se aproxima a una N(n,

n), equiva-
lentemente

n
i=1
X
i
/n se aproxima a una N(, /

n). La aproximacion es
buena si n 30.
5
Correccion por continuidad. Si aplicamos el Teorema Central del Lmite
a variables aleatorias discretas con valores enteros, mientras que X
1
+ X
2
+
. . . + X
n
es discreta (y toma valores enteros), la normal es continua. As,
para aproximar la probabilidad de X
1
+ X
2
+ . . . + X
n
a donde a N,
calculamos F
N(n,

n)
(a + 1/2).
Aproximaci on Binomial-Normal. Si n 30 y np(1 p) > 5, podemos
aproximar una binomial B(n, p) por una normal N(np,

np(1 p)). Observa

que una binomial se puede construir como suma de variables de Bernoulli
independientes.
Aproximaci on Poisson-Normal. La distribucion de Poisson surge como
lmite e la Binomail cuando el n umero de experimentos tiende a innito.
Por tanto, si > 5, podemos aproximar una Poisson P() por una normal
N(,

).
2.3. Distribuciones relacionadas con la normal
Distribucion
2
de Pearson,
2
n
. Si X
1
, X
2
, . . . , X
n
son n variables alea-
torias independientes con distribuci on N(0, 1), entonces
Y = X
2
1
+ X
2
2
+ . . . + X
2
n
sigue distribuci on chi-cuadrado de Pearson con n grados de libertad, Y

2
n
. Una variable aleatoria con distribucion chi-cuadrado s olo toma valores
positivos.
E[Y ] = n; var[Y ] = 2n.
Distribucion t de Student, t
n
. Si X e Y son dos variables aleatorias
independientes, de tal modo que X sigue una distribuci on normal est andar
e Y sigue distribucion chi-cuadrado con n grados de libertad, entonces
Z =
X

Y/n
sigue distribuci on t con n grados de libertad, Z t
n
. Una variable aleatoria
con distribucion t toma valores en toda la recta real.
E[X] = 0 ; var[X] =
n
n 2
si n 3.
6
Distribucion F de Fisher-Snedecor, F
n
1
,n
2
. Si X e Y son dos variables
aleatorias independientes, de tal modo que X sigue una distribucion chi-
cuadrado con n
1
grados de libertad e Y sigue distribucion chi-cuadrado con
n
2
grados de libertad, entonces
Z =
X/n
1
Y/n
2
sigue distribuci on F con n
1
y n
2
grados de libertad, Z F
n
1
,n
2
. Una variable
aleatoria con distribucion F s olo toma valores positivos.
7