Distribuciones de Probabilidad: Bernoulli, Binomial, Poisson, Normal, Chi-cuadrado, t de Student y F de Snedecor

Matemáticas6,81 KB

Distribución de Bernoulli

La distribución de Bernoulli se denomina a un experimento aleatorio en el que pueden ocurrir dos posibles resultados: éxito o fracaso, elegidos aleatoriamente. Ejemplos: lanzar una moneda (salir cara o cruz); lanzar un dado (salga 6 o no), etc. Los sucesos A y A* son complementarios. La variable aleatoria X: E es finito, luego X es discreta.

Distribución binomial

La distribución binomial se basa en la repetición de 'n' pruebas de Bernoulli independientes, todas con la misma probabilidad de éxito. La variable aleatoria X = Nº de éxitos en 'n' pruebas independientes de Bernoulli.

Este modelo debe cumplir:

  • La probabilidad de éxito 'p' permanece constante en cada prueba.
  • Se establece un número fijo 'n' de pruebas independientes.

Ejemplo: número de caras o cruces con una moneda lanzada un número de veces, número de artículos defectuosos de un lote, etc.

Distribución de Poisson

La distribución de Poisson se obtiene al estudiar un experimento aleatorio denominado proceso de Poisson, que consiste en observar las veces que ocurre un suceso en un intervalo continuo, normalmente de tiempo.

Características

  • A = λ/p: el número medio de veces que ocurre el suceso permanece constante.
  • Se puede elegir un intervalo de amplitud 'a', lo suficientemente pequeño para garantizar que la probabilidad de que ocurra exactamente una vez el suceso sea adecuada, y que la probabilidad de que el suceso ocurra más de una vez sea nula.
  • Las ocurrencias del suceso deben ser independientes: un intervalo no influye en el resto.

Distribución hipergeométrica

Consideramos una población finita de tamaño N compuesta por individuos que tienen la característica A o la característica A* (A y A* son antagónicas). Sea M el número de individuos de esta población que tienen la característica A, y M* los que poseen la A*.

Distribución normal

La distribución normal es la distribución más importante de la estadística, porque muchas variables siguen una distribución normal, como el peso y la altura. Muchas distribuciones se pueden aproximar a la normal mediante el teorema central del límite, y la mayoría de los estadísticos muestrales tienen distribución normal si el tamaño de la muestra es lo suficientemente grande.

Características: no depende de ningún parámetro. Para calcular la media y la varianza habría que utilizar la función generatriz.

Teorema central del límite

El teorema central del límite es un conjunto de resultados sobre el comportamiento de la distribución de la suma (o promedio) de variables aleatorias. Bajo ciertas hipótesis, la distribución de la suma de un número muy grande de variables aleatorias se aproxima a la distribución normal.

Sean X1, X2, ..., Xn variables independientes e idénticamente distribuidas, todas con media y desviación típica. Si 'n' es suficientemente grande, la suma de ellas sigue una distribución normal. Asimismo, la media aritmética de todas las variables aleatorias sería normal.

Distribución chi-cuadrado de Pearson

Dadas las variables aleatorias independientes Z1, Z2, ..., Zn idénticamente distribuidas según Zi ~ N(0,1), i = 1, ..., n, la función de densidad f(x) es compleja. Sus características dependen del parámetro 'n', que son los grados de libertad. Presenta una asimetría positiva (a la derecha) para valores intermedios de n. Se considera que es aproximadamente normal para valores de n ≥ 40, y de 1 para n pequeños.

Distribución t de Student

La función de densidad f(x) es compleja. Su gráfica es parecida a la distribución normal, pero más plana y dispersa. Sus características dependen del parámetro n (los grados de libertad). La media de X es M = 0, y la varianza solo existe para n > 2. Se usa para valores de n < 30. El valor de x que deja hacia atrás un área o probabilidad determinada se puede aproximar a la distribución normal si 'n' es suficientemente grande.

Distribución F de Snedecor

La función de densidad F(x) es muy compleja. Su gráfica es muy similar a la de la chi-cuadrado. Sus características dependen de n1 y n2, que son los grados de libertad. La media de X solo existe para valores de n2 > 2, y la varianza de X solo existe para valores de n2 > 4.

Muestra aleatoria

Se denomina así cuando la forma de seleccionarla permite conocer la distribución de probabilidad de la muestra genérica. De la población se pueden extraer muestras:

  • Con reposición o reemplazamiento, devolviendo los individuos a la población tras ser evaluados.
  • Sin reposición, sin devolverlos de nuevo a la población.

Por ejemplo, si se extrae una muestra de una"població" de bombillas para estimar la vida media de las bombillas que la integran, esta es de la segunda clase.

Muestra aleatoria simple

Es aquella en la que todos los individuos de la población tienen la misma probabilidad de ser seleccionados para formar parte de la muestra. Todas las posibles muestras específicas tendrán la misma probabilidad de ocurrir. Las variables u observaciones Xi que la forman son independientes e idénticamente distribuidas a la variable aleatoria X. Por tanto, si la v.a. X (discreta o continua) tiene función de distribución F, la función de distribución de la muestra genérica sería:

F(x1, x2, ..., xn) = F(x1) · F(x2) · ... · F(xn)

Muestreo

El muestreo se compone de:

  • Población: cualquier conjunto de individuos, sean personas u otros, que tienen alguna característica común.
  • Muestra: subconjunto o selección de la población elegido por su representatividad.

El número de individuos de cada uno de los conjuntos se llama tamaño poblacional N y tamaño muestral n, siendo n < N.

Descargar

PDF Word HTML