Академический Документы
Профессиональный Документы
Культура Документы
(UNEFA)
“Distribuciones”
Elaborado por:
- Adrián González C.I. 26234490
Carlos Franco.
Son aquellas en las que a cada individuo le corresponden los valores de dos
variables, las representamos por el par (xi, yi). Si representamos cada par de valores
como las coordenadas de un punto, el conjunto de todos ellos se llama nube de
puntos o diagrama de dispersión, sobre la nube de puntos puede trazarse una recta que
se ajuste a ellos lo mejor posible, llamada recta de regresión.
Medida de la correlación:
Estudia la relación o dependencia que existe entre dos variables que
intervienen en una distribución bidimensional. Estudiamos la covarianza, el
centro de gravedad de las dos variables y el coeficiente de correlación lineal
de Pearson r.
Covarianza:
Para cuantificar la relación que existe entre ambas variables existen diferentes medidas.
La más simple de ellas es la covarianza y viene definida por:
Realizando las siguientes operaciones podemos encontrar una expresión más simple:
Recta de regresión:
Sobre la nube de puntos puede trazarse una recta que se ajuste a ellos lo mejor posible,
llamada recta de regresión que se calcula de la siguiente manera:
Distribución Binomial
Existen una gran diversidad de experimentos o sucesos que pueden ser caracterizados
bajo esta distribución de probabilidad. Imaginemos el lanzamiento de una moneda en el
que definimos el suceso “sacar cara” como el éxito. Si lanzamos 5 veces la moneda y
contamos los éxitos (sacar cara) que obtenemos, nuestra distribución de probabilidades
se ajustaría a una distribución binomial.
Por lo tanto, la distribución binomial se entiende como una serie de pruebas o ensayos
en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el éxito nuestra
variable aleatoria.
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene
que cumplir las siguientes propiedades:
En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado
que la moneda no cambia en cada experimento y las probabilidades de sacar cara es
constate.
La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo
q, podemos obtener la que nos falte.
El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo
que ocurra en cada experimento no afecta a los siguientes.
Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de
salir cruz.
La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.
Donde:
n = número de ensayos/experimentos
x = número de éxitos
p = probabilidad de éxito
Por tanto nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por 100
tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos hayan visto el
partido de la final del mundial
Distribución beta:
Distribución normal:
Distribución de Poisson:
En teoría de probabilidad y estadística, la distribución de Poisson es una
distribución de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado número de
eventos durante cierto período de tiempo. Concretamente, se especializa en la
probabilidad de ocurrencia de sucesos con probabilidades muy pequeñas, o
sucesos "raros".
Fue propuesta por Siméon-Denis Poisson, que la dio a conocer en 1838 en su
trabajo Recherches sur la probabilité des jugements en matières criminelles et
matière civile (Investigación sobre la probabilidad de los juicios en materias
criminales y civiles).
La distribución Gamma
Este modelo es una generalización del modelo Exponencial ya que, en
ocasiones, se utiliza para modelar variables que describen el tiempo hasta que
se produce p veces un determinado suceso.
Su función de densidad es de la forma:
que verifica Γ(p + 1) = pΓ(p), con lo que, si p es un número entero positivo, Γ(p +
1) = p!
El siguiente programa permite visualizar la forma de la función de densidad de
este modelo (para simplificar, se ha restringido al caso en que p es un número
entero).
Propiedades de la distribución Gamma
Su esperanza es pα.
Su varianza es pα2
La distribución Gamma (α, p = 1) es una distribución Exponencial de parámetro
α. Es decir, el modelo Exponencial es un caso particular de la Gamma con p =
1.
Dadas dos variables aleatorias con distribución Gamma y parámetro α común
X ~ G(α, p1) y Y ~ G(α, p2)
se cumplirá que la suma también sigue una distribución Gamma
X + Y ~ G(α, p1 + p2).
Una consecuencia inmediata de esta propiedad es que, si tenemos k variables
aleatorias con distribución Exponencial de parámetro α (común) e
independientes, la suma de todas ellas seguirá una distribución G(α, k).