Asignatura: Estadística Ultima actualización: 17/10/2014

Autor: César Menéndez

Modelos probabilísticos

Planificación: 2 Teoría+2 Prácticas+1.5Laboratorio

Materiales: MATLAB
Conocimientos previos:

1
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Motivación
Motivación
Objetivos
Temario
 Introducción
 Modelos discretos
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen
Bibliografía
Software

2
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Objetivos
Motivación
Objetivos
Temario
 Introducción
 Modelos discretos
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen
Bibliografía
Software

3
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Introducción
Motivación
Objetivos  Catálogo de modelos probabilísticos con
Temario sus principales propiedades y cuales son
 Introducción
 Modelos discretos los fenómenos aleatorios típicos
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
asociados a cada modelo
 Tma central – Modelos univariantes discretos (variable
 Resumen
Bibliografía aleatoria discreta)
Software – Modelos univariantes continuos (variable
aleatoria continua)
– Modelos derivados de la normal (para estimar
alguna característica de una población que
sigue el modelo normal)
– Modelos multivariantes discretos o continuos
(generalización de los anteriores)
4
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución de Bernuilli 𝒇𝒇 𝒑𝒑 wikipedia

Motivación
Objetivos Experimento aleatorio con dos resultados excluyentes, éxito (1) con
Temario probabilidad p y fracaso (0) con probabilidad q=1-p
 Introducción
 Modelos discretos Función
Función
 Modelos continuos Función de Probabilidad generadora de
 Modelos muestreo característica
momentos
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen 𝑞𝑞 = 1 − 𝑝𝑝 𝑥𝑥 = 0
� 𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑡𝑡 𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑖𝑖𝑖𝑖
Bibliografía 𝑝𝑝 𝑥𝑥 = 1
Software
Media Varianza Asimetría Curtosis
𝑞𝑞 − 𝑝𝑝 1 − 6𝑝𝑝𝑝𝑝
𝑝𝑝 𝑝𝑝𝑞𝑞
Bernuilli
𝑝𝑝𝑝𝑝 𝑝𝑝𝑝𝑝
Binomial
Binomial negativa
Geométrica
Hipergeométrica
Poisson
Uniforme

5
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Binomial 𝑩𝑩 𝒏𝒏, 𝒑𝒑 wikipedia

Motivación Experimento aleatorio que mide el número de éxitos en una secuencia

Objetivos de n ensayos de Bernoulli independientes entre sí.
Temario
Función
 Introducción Función
 Modelos discretos Función de Probabilidad generadora de
característica
 Modelos continuos momentos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 𝑛𝑛 𝑘𝑘 𝑛𝑛−𝑘𝑘 𝑛𝑛
𝑝𝑝 1 − 𝑝𝑝 𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑡𝑡 𝑛𝑛
𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑖𝑖𝑖𝑖
 Tma central 𝑘𝑘
 Resumen
Bibliografía Media Varianza Asimetría Curtosis
Software 𝑞𝑞 − 𝑝𝑝 1 − 6𝑞𝑞
𝑛𝑛𝑛𝑛 𝑛𝑛𝑝𝑝𝑞𝑞
𝑛𝑛𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛

 Ejemplo:
Bernuilli – Cual es la probabilidad que haya 3 niños con gripe en un aula con
Binomial 20, sabiendo que se contagian el 30%.
20
Binomial negativa 0.33 1 − 0.3 20−3 ≈ 7.16%
Geométrica 3
Hipergeométrica – ¿Y que haya más de un 25% de la clase?
5
Poisson 20
Uniforme 1 − 𝑃𝑃 𝑛𝑛 ≤ 5 = 1 − � 0.3𝑘𝑘 1 − 0.3 20−𝑘𝑘
≈ 58.4%
𝑘𝑘
𝑘𝑘=0
6
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Binomial 𝑩𝑩 𝒏𝒏, 𝒑𝒑

Motivación
 Representación
Objetivos 0.35
B(15,0.1)
1

Temario 0.3
B(15,0.25)
B(15,0.5)
0.9

0.8
 Introducción 0.25
B(30,0.5)
B(30,0.75)
0.7
 Modelos discretos

función de distribución
función de cuantía

0.6 B(15,0.1)
 Modelos continuos 0.2
0.5
B(15,0.25)
B(15,0.5)
 Modelos muestreo 0.15
0.4
B(30,0.5)

 Modelos en ℝ𝒏𝒏
B(30,0.75)

0.1 0.3
 Tma central 0.2

 Resumen 0.05
0.1

Bibliografía 0
0 5 10 15 20 25 30
0
0 5 10 15 20 25 30

Software  Propiedades:
n n

– Si 𝑛𝑛𝑛𝑛 = 𝜆𝜆 cuando 𝑛𝑛 ⟶ ∞ entonces la binomial tiende a una Poisson

de parámetro 𝜆𝜆 (Condiciones habituales son p<0.1 y np<5)
– Si n es alto, la binomial se puede aproximar por una normal
Bernuilli (Condiciones habituales son 𝑝𝑝 ≤ 12 con 𝑛𝑛 > 30 , 𝑛𝑛𝑝𝑝 > 5 o 𝑛𝑛𝑞𝑞 > 5)
Binomial
– La suma de binomiales con el mismo valor de 𝑝𝑝 es una binomial
Binomial negativa
Geométrica donde 𝑛𝑛 es suma de los correspondientes a cada binomial
Hipergeométrica 𝑘𝑘 𝑘𝑘
Poisson
𝑋𝑋𝑖𝑖 ~𝐵𝐵 𝑛𝑛𝑖𝑖 , 𝑝𝑝 ⟶ � 𝑋𝑋𝑖𝑖 ~𝐵𝐵 � 𝑛𝑛𝑖𝑖 , 𝑝𝑝
Uniforme
𝑖𝑖=1 𝑖𝑖=1
7
 Estadística – Estadística Descriptiva por César Menéndez Fernández

� 𝒌𝒌, 𝒑𝒑
Distribución Binomial Negativa 𝑩𝑩 wikipedia

Motivación Experimento aleatorio que mide el número x de experimentos de

Objetivos Bernuille independientes realizados hasta la consecución del k-ésimo
Temario éxito.
 Introducción
 Modelos discretos Función
Función
 Modelos continuos Función de Probabilidad generadora de
 Modelos muestreo característica
 Modelos en ℝ𝒏𝒏
momentos
 Tma central 𝑥𝑥 − 1 𝑘𝑘 𝑛𝑛
 Resumen 𝑝𝑝 1 − 𝑝𝑝 𝑥𝑥−𝑘𝑘 𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑡𝑡 𝑛𝑛
𝑞𝑞 + 𝑝𝑝𝑒𝑒 𝑖𝑖𝑖𝑖
𝑘𝑘 − 1
Bibliografía
Software Media Varianza Asimetría Curtosis
𝑘𝑘 𝑘𝑘𝑘𝑘 𝑞𝑞 − 𝑝𝑝 1 − 6𝑞𝑞
𝑝𝑝 𝑝𝑝2 𝑛𝑛𝑛𝑛𝑛𝑛 𝑛𝑛𝑛𝑛𝑛𝑛
Bernuilli  Ejemplo:
Binomial – El 5% de los artículos de un proceso productivo sale defectuoso
Binomial negativa ¿Cual es la probabilidad de que el octavo artículo sea el primero
Geométrica defectuoso?
Hipergeométrica
8−1
Poisson 0.051 1 − 0.05 8−1 ≈ 27,9%
Uniforme 1−1

8
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Geométrica 𝑮𝑮 𝒏𝒏, 𝒑𝒑 wikipedia

Motivación Experimento aleatorio que mide el número x de experimentos de

Objetivos Bernuille independientes realizados hasta la consecución del primer
Temario éxito.
 Introducción
 Modelos discretos Función
Función
 Modelos continuos Función de Probabilidad generadora de
 Modelos muestreo característica
 Modelos en ℝ𝒏𝒏
momentos
 Tma central
𝑥𝑥−1 𝑝𝑝𝑒𝑒 𝑡𝑡
 Resumen 𝑝𝑝 1 − 𝑝𝑝
Bibliografía 1 − 𝑞𝑞𝑒𝑒 𝑡𝑡
Software Media Varianza Asimetría Curtosis
1 1 − 𝑝𝑝
𝑝𝑝 𝑝𝑝2
Bernuilli  Nota: es un caso particular de la binomial negativa (k=1).
Binomial
 Ejemplo:
Binomial negativa
Geométrica – El 55% de los nacimientos son varones ¿Cual es la probabilidad de
Hipergeométrica que la primera hija nazca la cuarta?
Poisson 0.45 1 − 0.45 4−1 ≈ 7,5%
Uniforme

9
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Binomial Negativa y Geométrica

Motivación  Representación Binomial Negativa
Objetivos
0.7 1

0.9

Temario 0.6 ~B(2,0.25)

~B(2,0.5)
0.8
~B(2,0.75)
 Introducción 0.5 ~B(3,0.25)
0.7

función de distribución
~B(3,0.5)
 Modelos discretos
función de cuantía

~B(3,0.75) 0.6
0.4
 Modelos continuos 0.5

 Modelos muestreo 0.3

0.4
~B(2,0.25)

 Modelos en ℝ𝒏𝒏 0.2 0.3

~B(2,0.5)
~B(2,0.75)

 Tma central 0.2 ~B(3,0.25)

~B(3,0.5)
0.1
 Resumen 0.1 ~B(3,0.75)

Bibliografía 0
0 2 4 6 8 10
n
12 14 16 18 20
0
0 2 4 6 8 10
n
12 14 16 18 20

Software
 Representación Geométrica
0.9 1
G(0.1)
0.8 G(0.3) 0.9
G(0.5)
0.8
Bernuilli 0.7 G(0.7)
G(0.9)
0.7
Binomial

función de distribución
0.6
función de cuantía

0.6
Binomial negativa 0.5
0.5
Geométrica 0.4
0.4
Hipergeométrica 0.3
0.3
G(0.1)
Poisson 0.2
0.2 G(0.3)

Uniforme 0.1 0.1

G(0.5)
G(0.7)
G(0.9)
0 0
10 0 2 4 6 8 10
n
12 14 16 18 20 0 2 4 6 8 10
n
12 14 16 18 20
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución hipergeométrica 𝑯𝑯 𝒏𝒏, 𝒑𝒑 wikipedia

Motivación Experimento aleatorio que mide el número x de éxitos en n ítems

Objetivos extraídos de una caja con N ítems de los cuales hay D defectuosos.
Temario
Función
 Introducción Función
 Modelos discretos Función de Probabilidad generadora
característica
 Modelos continuos de momentos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 𝐷𝐷 𝑁𝑁 − 𝐷𝐷
 Tma central 𝑥𝑥 𝑛𝑛 − 𝑥𝑥
 Resumen 𝑁𝑁
Bibliografía 𝑛𝑛
Software Media Varianza Asimetría Curtosis
𝐷𝐷𝐷𝐷 𝐷𝐷𝐷𝐷 𝑁𝑁 − 𝐷𝐷 𝑁𝑁 − 𝑛𝑛
𝑁𝑁 𝑁𝑁 2 𝑁𝑁 − 1
 Ejemplo:
Bernuilli
Una fábrica produce lotes de 1000 ítems de los cuales el 1% es defectuoso. Para certificarse se deben
Binomial extraer 20 ítems y no se admite más que un defecto ¿Cuál es su probabilidad de certificarse?
Binomial negativa
10 990 10 990
Geométrica 0 20
𝑃𝑃 𝑥𝑥 ≤ 1 = 𝑃𝑃 𝑥𝑥 = 1 + 𝑃𝑃 𝑥𝑥 = 1 = + 1 19 ≈ 98.45%
Hipergeométrica 1000 1000
20 20
Poisson
Uniforme

11
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución de Poisson Po 𝝀𝝀 wikipedia

Motivación Experimento aleatorio que mide a partir de una frecuencia de

Objetivos ocurrencia media 𝝀𝝀, la probabilidad que ocurra un determinado
Temario número k de eventos durante cierto periodo de tiempo.
 Introducción
 Modelos discretos Función
Función
 Modelos continuos Función de Probabilidad generadora
 Modelos muestreo característica
 Modelos en ℝ𝒏𝒏
de momentos
 Tma central 𝑒𝑒 −𝜆𝜆 𝜆𝜆𝑘𝑘 𝑒𝑒 𝑡𝑡 −1 𝑒𝑒 𝑖𝑖𝑖𝑖 −1
𝑒𝑒 𝜆𝜆 𝑒𝑒 𝜆𝜆
 Resumen
Bibliografía 𝑘𝑘!
Software Media Varianza Asimetría Curtosis
𝝀𝝀 𝝀𝝀 𝜆𝜆 3 + 𝜆𝜆

Bernuilli  Ejemplo:
Binomial El 1% de los libros encuadernados en cierto taller tiene encuadernación defectuosa. Si se
Binomial negativa encuadernan 400 libros, ¿Qué probabilidad hay de que hayas más de tres defectuosos?
Geométrica 3
Hipergeométrica 𝑃𝑃 𝑥𝑥 > 3 = 1 − 𝑃𝑃 𝑥𝑥 ≤ 3 = 1 − � 𝑃𝑃𝑃𝑃 𝑘𝑘, 4 ≈ 1 − 43.35% = 56.65%
Poisson 𝑘𝑘=0
Uniforme

12
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución de Poisson Po 𝝀𝝀 : representación

Motivación
Objetivos
Temario 0.4 1

 Introducción Poison(1) 0.9

0.35
 Modelos discretos Poison(2)
Poison(5) 0.8

 Modelos continuos 0.3 Poison(10)

0.7

función de distribución
 Modelos muestreo
función de cuantía

0.25
0.6
 Modelos en ℝ𝒏𝒏 0.2 0.5
 Tma central 0.4
0.15
 Resumen 0.3

Bibliografía 0.1
0.2
Poison(1)
Poison(2)

Software 0.05 Poison(5)

0.1 Poison(10)

0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
n n

Bernuilli
Binomial
Binomial negativa
Geométrica
Hipergeométrica
Poisson
Uniforme

13
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución de Poisson Po 𝝀𝝀 : propiedades

Motivación
 La suma de variables aleatorias de Poisson independientes
Objetivos
es otra variable aleatoria de Poisson cuyo parámetro es la
Temario
 Introducción
suma de los parámetros de las originales.
 Modelos discretos 𝑘𝑘 𝑘𝑘
 Modelos continuos
𝑋𝑋𝑖𝑖 ~𝑃𝑃𝑃𝑃 𝜆𝜆𝑖𝑖 ⟶ � 𝑋𝑋𝑖𝑖 ~𝑃𝑃𝑃𝑃 � 𝜆𝜆𝑖𝑖
 Modelos muestreo
𝑖𝑖=1 𝑖𝑖=1
 Modelos en ℝ𝒏𝒏
 Tma central  La distribución de Poisson es el caso límite de la distribución
 Resumen
binomial..
Bibliografía
 Para valores grandes de 𝝀𝝀, una variable aleatoria de Poisson
Software
X puede aproximarse por otra normal
𝑋𝑋 − 𝜆𝜆
𝑋𝑋𝑖𝑖 ~𝑃𝑃𝑃𝑃 𝜆𝜆𝑖𝑖 ⟶ 𝑌𝑌 = ~𝑁𝑁 0,1
𝜆𝜆
Bernuilli  Si para cada valor t > 0, que representa el tiempo, el número
Binomial
de sucesos de cierto fenómeno aleatorio sigue una
Binomial negativa
Geométrica distribución de Poisson de parámetro λt, entonces, los
Hipergeométrica tiempos discurridos entre dos sucesos sucesivos sigue la
Poisson distribución exponencial.
Uniforme

14
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución de Poisson Po 𝝀𝝀 : aplicaciones

Motivación La distribución de Poisson se aplica a varios fenómenos discretos de la
Objetivos naturaleza (esto es, aquellos fenómenos que ocurren 0, 1, 2, 3,... veces
Temario durante un periodo definido de tiempo o en un área determinada) cuando la
 Introducción probabilidad de ocurrencia del fenómeno es constante en el tiempo o el
 Modelos discretos espacio:
 Modelos continuos
 El número de autos que pasan a través de un cierto punto en una ruta sin
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 semáforos durante un periodo definido de tiempo.
 Tma central  El número de errores de ortografía que uno comete al escribir una única
 Resumen página.
Bibliografía  El número de llamadas telefónicas en una central telefónica por minuto.
Software  El número de servidores web accedidos por minuto.
 El número de animales muertos encontrados por unidad de longitud de
ruta.
Bernuilli  El número de mutaciones de determinada cadena de ADN después de
Binomial cierta cantidad de radiación.
Binomial negativa  El número de núcleos atómicos inestables que decayeron en un
Geométrica determinado período
Hipergeométrica
Poisson  El número de estrellas en un determinado volumen de espacio.
Uniforme  La distribución de receptores visuales en la retina del ojo humano.

15
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Uniforme 𝑼𝑼 𝒏𝒏 wikipedia

Motivación Experimento aleatorio que asume un número n finito de valores xk

Objetivos con la misma probabilidad p=1/n.
Temario
Función
 Introducción Función
 Modelos discretos Función de Probabilidad generadora
característica
 Modelos continuos de momentos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 1
 Tma central 𝑛𝑛
 Resumen
Bibliografía Media Varianza Asimetría Curtosis
Software 𝑛𝑛 𝑛𝑛 2
𝑥𝑥𝑘𝑘 𝑥𝑥𝑘𝑘 − 𝜇𝜇
� �
𝑛𝑛 𝑛𝑛
𝑘𝑘=1 𝑘𝑘=1

Bernuilli  Ejemplo:
Binomial
Binomial negativa Calcular la probabilidad de que al tirar un dado salga un 6.
Geométrica
1
Hipergeométrica 𝑃𝑃 𝑥𝑥 = 6 =
Poisson 6
Uniforme

16
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Uniforme 𝑼𝑼 𝒏𝒏 : representación

Motivación
Objetivos
Temario
 Introducción 0.5 1

 Modelos discretos Unif(2)

 Modelos continuos Unif(5)

función de distribución
0.4 0.8
Unif(10)
función de cuantía

 Modelos muestreo
 Modelos en ℝ𝒏𝒏
0.3 0.6

 Tma central 0.2 0.4 Unif(2)

 Resumen Unif(5)
Unif(10)

Bibliografía 0.1 0.2

Software 0
1 2 3 4 5 6 7 8 9 10
0
1 2 3 4 5 6 7 8 9 10
n n

Bernuilli
Binomial
Binomial negativa
Geométrica
Hipergeométrica
Poisson
Uniforme

17
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Uniforme 𝑼𝑼 𝒂𝒂, 𝒃𝒃 wikipedia

Motivación Experimento aleatorio tal que todos los intervalos de igual longitud,
Objetivos dentro de su rango, son igualmente probables. El rango o dominio
Temario está definido por dos parámetros, a y b, que son sus valores mínimo y
 Introducción
máximo.
 Modelos discretos
 Modelos continuos Función
 Modelos muestreo Función
Función de Probabilidad generadora de
 Modelos en ℝ𝒏𝒏 característica
 Tma central momentos
 Resumen
1
Bibliografía 𝑎𝑎 ≤ 𝑥𝑥 ≤ 𝑏𝑏 𝑒𝑒 𝑡𝑡𝑡𝑡 − 𝑒𝑒 𝑡𝑡𝑡𝑡 𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖 − 𝑒𝑒 𝑖𝑖𝑖𝑖𝑖𝑖
�𝑏𝑏 − 𝑎𝑎
Software 𝑡𝑡 𝑏𝑏 − 𝑎𝑎 𝑖𝑖𝑖𝑖 𝑏𝑏 − 𝑎𝑎
0 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
Media Varianza Asimetría Curtosis
𝑎𝑎 + 𝑏𝑏 2 6
Uniforme 𝑏𝑏 − 𝑎𝑎
0 −
Normal
2 12 5
Gamma
Exponencial
Beta  Ejemplo:
Weibull La longitud de los tornillos M8 se distribuyen uniformemente entre 40 y 90mm. Calcular la
probabilidad de elegir un tornillo que atraviese un manparo de 75mm.
90 − 75
𝑃𝑃 𝑥𝑥 ≥ 75 = = 30%
18 90 − 40
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Uniforme 𝑼𝑼 𝒂𝒂, 𝒃𝒃 : representación

Motivación
Objetivos  Representación
Temario 1.0 1

0.9
 Introducción
 Modelos discretos
0.8

 Modelos continuos
0.7

función de distribución
función de densidad

 Modelos muestreo
0.6

 Modelos en ℝ𝒏𝒏
1
b! a 0.5

 Tma central 0.4

 Resumen 0.3

Bibliografía
0.2

0.1

Software 0.0
a b
0
a b
x x

 Propiedades:
Uniforme
Normal – Se denomina distribución uniforme estándar a
Gamma U(0,1)
Exponencial
−𝑙𝑙𝑙𝑙 𝑋𝑋
Beta – Si 𝑋𝑋~𝑈𝑈 0,1 ⟶ 𝑌𝑌 = ~𝑒𝑒𝑒𝑒𝑒𝑒 𝜆𝜆
Weibull 𝜆𝜆
𝑛𝑛
– Si 𝑋𝑋~𝑈𝑈 0,1 ⟶ 𝑌𝑌 = 1 − 𝑋𝑋~𝛽𝛽 1, 𝑛𝑛
19
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 wikipedia

Motivación Se llama distribución normal, distribución de Gauss o distribución

Objetivos gaussiana, a la distribución de probabilidad que con más frecuencia
Temario permite modelar numerosos fenómenos naturales, sociales y
 Introducción
psicológicos. Mientras que los mecanismos que subyacen a gran parte
 Modelos discretos
 Modelos continuos de este tipo de fenómenos son desconocidos, por la enorme cantidad
 Modelos muestreo de variables incontrolables que en ellos intervienen, el uso del modelo
 Modelos en ℝ𝒏𝒏 normal puede justificarse asumiendo que cada observación se obtiene
 Tma central
 Resumen como la suma de unas pocas causas independientes.
Bibliografía La gráfica de su función de densidad se conoce como campana de
Software Gauss
Función
Función
Función de densidad generadora de
característica
momentos
Uniforme
1 𝑦𝑦−𝜇𝜇 1 1
Normal 𝑒𝑒
−
2𝜎𝜎 2 𝜇𝜇𝜇𝜇+ 𝜎𝜎𝜎𝜎 2 𝑖𝑖𝑖𝑖𝑖𝑖− 𝜎𝜎𝜎𝜎 2
Gamma 𝜎𝜎 2𝜋𝜋 𝑒𝑒 2 𝑒𝑒 2
Exponencial Media Varianza Asimetría Curtosis
Beta
Weibull 𝜇𝜇 𝜎𝜎 2 0 3

20
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 : propiedades

Motivación 0.4 1

Objetivos 0.35
0.9

Temario 0.3
0.8

 Introducción 0.7

68,26%
función de distribución
68,26%
función densidad

0.25
 Modelos discretos 0.6

 Modelos continuos 0.2 0.5

95,44%
 Modelos muestreo 0.15
0.4

 Modelos en ℝ𝒏𝒏 0.3

99,74%
0.1
 Tma central 95,44%
0.2

 Resumen 0.05
0.1
99,74%
Bibliografía 0
7 ! 3< 7 ! 2< 7 ! < 7x 7 + < 7 + 2< 7 + 3<
0
7 ! 3< 7 ! 2< 7 ! < 7
x
7 + < 7 + 2< 7 + 3<

Software  Es simétrica respecto de su media (μ)

 La moda y la mediana son iguales a la media (μ)
 Los puntos de inflexión se dan para x=μ±σ
Uniforme
Normal
 La 𝑁𝑁 0,1 se denomina normal estándar.
𝑋𝑋−µ
Gamma
 Si 𝑋𝑋~𝑁𝑁 µ, 𝜎𝜎 se denomina variable tipificada a 𝑍𝑍 =
Exponencial 𝜎𝜎
Beta
Weibull y se verifica que 𝑍𝑍~𝑁𝑁 0,1 . Inversamente 𝑋𝑋 = µ + 𝑍𝑍𝑍𝑍.
 Esto permite poder estudiar cualquier normal utilizando
21 exclusivamente una tabla de la normal estándar.
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 : Propiedades II

Motivación
Objetivos
 Si 𝑋𝑋~𝑁𝑁 µ, 𝜎𝜎 , ∀𝑎𝑎, 𝑏𝑏𝜖𝜖𝜖: 𝑎𝑎𝑎𝑎 + 𝑏𝑏 ~𝑁𝑁 𝑎𝑎µ + 𝑏𝑏, 𝑎𝑎𝑎𝑎 .
Temario  Si 𝑋𝑋~𝑁𝑁 µ𝑥𝑥 , 𝜎𝜎𝑥𝑥 e 𝑌𝑌~𝑁𝑁 µ𝑦𝑦 , 𝜎𝜎𝑦𝑦 son independientes
 Introducción
 Modelos discretos
– 𝑈𝑈 = 𝑋𝑋 + 𝑌𝑌~𝑁𝑁 µ𝑥𝑥 + µ𝑦𝑦 , 𝜎𝜎𝑥𝑥2 + 𝜎𝜎𝑦𝑦2
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central
– 𝑉𝑉 = 𝑋𝑋 − 𝑌𝑌~𝑁𝑁 µ𝑥𝑥 − µ𝑦𝑦 , 𝜎𝜎𝑥𝑥2 + 𝜎𝜎𝑦𝑦2
 Resumen
– Si 𝜎𝜎𝑥𝑥 = 𝜎𝜎𝑦𝑦 , U y V son independientes
Bibliografía
Software
 Si 𝑋𝑋𝑘𝑘 ~𝑁𝑁 µ𝑘𝑘 , 𝜎𝜎𝑘𝑘 ⟼ ∑𝑛𝑛𝑘𝑘=1 𝑋𝑋𝑘𝑘 ~𝑁𝑁 ∑𝑘𝑘=1
𝑛𝑛
µ𝑘𝑘 , ∑𝑛𝑛𝑘𝑘=1 𝜎𝜎𝑘𝑘2
1 𝜎𝜎
 Si 𝑋𝑋𝑘𝑘 ~𝑁𝑁 µ, 𝜎𝜎 ⟼ 𝑋𝑋� = ∑𝑛𝑛𝑘𝑘=1 𝑋𝑋𝑘𝑘 ~𝑁𝑁 µ,
Uniforme 𝑛𝑛 𝑛𝑛
Normal 𝑋𝑋−𝑛𝑛𝑛𝑛
Gamma  Si 𝑋𝑋~𝐵𝐵 𝑛𝑛, 𝑝𝑝 entonces para 𝑛𝑛 ⟶ ∞: 𝑌𝑌 = ~𝑁𝑁 0,1
𝑛𝑛𝑛𝑛𝑛𝑛
Exponencial
Beta  La media y la varianza muestral de un conjunto de
Weibull
variables normales estándar son independientes.

22
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 : aplicaciones

Motivación
Objetivos Algunos ejemplos de variables asociadas a
Temario fenómenos naturales que siguen el modelo de la
 Introducción normal son:
 Modelos discretos
 Modelos continuos  caracteres morfológicos de individuos como la
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 estatura
 Tma central
 Resumen  caracteres fisiológicos como el efecto de un
Bibliografía fármaco;
Software
 caracteres sociológicos como el consumo de cierto
producto por un mismo grupo de individuos;
Uniforme  caracteres psicológicos como el cociente
Normal intelectual;
Gamma
Exponencial  nivel de ruido en telecomunicaciones;
Beta
Weibull  errores cometidos al medir ciertas magnitudes;
 etc.
23
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 : ejemplos

Motivación Existen numerosas tablas de la normal estándar 𝑵𝑵 0,1 que
Objetivos condicionan la forma de utilizarlas en los cálculos.
Temario
 Introducción Todas se disponen en una tabla de doble entrada con la
 Modelos discretos función de distribución para 𝑍𝑍~𝑁𝑁 0,1
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen
Bibliografía
Software

Uniforme
Normal
Gamma
Exponencial
Beta
Weibull

24
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Normal 𝑵𝑵 𝝁𝝁, 𝝈𝝈 : ejemplos

Motivación Dada 𝑋𝑋~𝑁𝑁 µ, 𝜎𝜎 = 𝑁𝑁 10,2 , se pide
Objetivos
 Probabilidad que X sea menor que 8
Temario
 Introducción 𝑥𝑥 − 𝜇𝜇 8 − 10
 Modelos discretos 𝑃𝑃 𝑋𝑋 < 8 = 𝑃𝑃 𝑍𝑍 < = = −1 = 15.87%
 Modelos continuos
𝜎𝜎 2
 Modelos muestreo  Probabilidad que X sea mayor que 9
 Modelos en ℝ𝒏𝒏
 Tma central 𝑃𝑃 𝑋𝑋 > 9 = 1 − 𝑃𝑃 𝑋𝑋 ≤ 9 = 1 − 𝑃𝑃 𝑍𝑍 ≤ −0.5 = 69.15%
 Resumen  Probabilidad que X esté entre 8.5 y 12
Bibliografía 𝑃𝑃 8.5 < 𝑋𝑋 < 12 = 𝑃𝑃 𝑋𝑋 < 12 − 𝑃𝑃 𝑋𝑋 < 8.5
Software
= 𝑃𝑃 𝑍𝑍 < 1 − 𝑃𝑃 𝑍𝑍 < −0.25 = 1 − 𝑃𝑃 𝑍𝑍 ≤ −0.5 = 69.15%
 Valor de x para que P 𝑋𝑋 ≤ 𝑥𝑥 = 90%.
𝑃𝑃 𝑍𝑍 < 𝑧𝑧 = 0.9 ⟶ 𝑧𝑧 ≈ 1.28 ↦ 𝑋𝑋 = 𝜇𝜇 + 𝑧𝑧𝑧𝑧 = 10 + 1.28 × 2 = 12.56
Uniforme
Normal  Valor de δ de forma que la probabilidad de que X esté en
Gamma el intervalo [µ-δ, µ+δ] sea del 95%
Exponencial
𝑃𝑃 −𝑎𝑎 < 𝑧𝑧 < 𝑎𝑎 = 0.95 = 𝑃𝑃 𝑧𝑧 < 𝑎𝑎 = 0.975 ⟶ 𝑧𝑧 ≈ 1.96
Beta
Weibull ↦ 𝛿𝛿 = 1.96𝜎𝜎 = 3.92 ⟶ 𝑋𝑋 = 10 ± 3.92 = 6.08,13.92

25
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Gamma 𝑮𝑮 𝒌𝒌, 𝝀𝝀 wikipedia

Motivación Distribución habitual en el modelado de tiempos de supervivencia, es

Objetivos decir, tiempos que trascurren hasta que acontece un determinado
Temario suceso (muerte de un paciente, fallo de un componente electrónico,
 Introducción
etc.)
 Modelos discretos
 Modelos continuos Función de Probabilidad Media Varianza Nota
 Modelos muestreo
∞
 Modelos en ℝ𝒏𝒏 𝑘𝑘−1
𝜆𝜆𝜆𝜆
 Tma central 𝜆𝜆𝑒𝑒 −𝜆𝜆𝜆𝜆 𝑥𝑥 ≥ 0 𝑘𝑘 𝑘𝑘 Γ 𝑝𝑝 = � 𝑡𝑡 𝑝𝑝−1 𝑒𝑒 −𝑡𝑡 𝑑𝑑𝑑𝑑
 Resumen � Γ 𝜆𝜆
𝜆𝜆 𝜆𝜆2 0
Bibliografía 0 𝑥𝑥 < 0 𝑝𝑝 ∈ ℕ: Γ 𝑝𝑝 = 𝑝𝑝!
Software
0.8 1
k=2, λ =0.5 k=2, λ =0.5
0.9
0.7 k=2, λ =1 k=2, λ =1
k=2, λ =2 k=2, λ =2
0.8
0.6 k=4, λ =0.5 k=4, λ =0.5
Uniforme k=4, λ =1 0.7 k=4, λ =1

función de distribución
k=4, λ =2 k=4, λ =2
Normal
función densidad

0.5
0.6

Gamma 0.4 0.5

Exponencial 0.4
0.3
Beta 0.3
Weibull 0.2
0.2

0.1
0.1

0 0
26 0 1 2 3 4 5
x
6 7 8 9 10 0 1 2 3 4 5
x
6 7 8 9 10
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Exponencial 𝑬𝑬 𝝀𝝀 wikipedia

Motivación Distribución del tiempo entre dos sucesos de una variable aleatoria
Objetivos que sigue el modelo de Poisson. 𝑬𝑬 𝝀𝝀 = 𝚪𝚪 𝟏𝟏, 𝝀𝝀
Temario
Función generadora Función
 Introducción Función de densidad
 Modelos discretos de momentos característica
 Modelos continuos
−𝜆𝜆𝜆𝜆 1 − 𝑖𝑖𝑖𝑖𝜆𝜆−1 −1
 Modelos muestreo
�𝜆𝜆𝑒𝑒 𝑥𝑥 ≥ 0 1 − 𝑡𝑡𝜆𝜆 −1 −1
 Modelos en ℝ𝒏𝒏 0 𝑥𝑥 < 0
 Tma central
 Resumen Media Varianza Asimetría Curtosis
Bibliografía 𝜆𝜆−1 𝜆𝜆−2 2 9
Software 2 1
λ =0.5 λ =0.5
1.8 0.9
λ =1 λ =1
1.6
λ =2 0.8
λ =2

1.4 0.7

función de distribución
función densidad

1.2 0.6

Uniforme 1 0.5

Normal 0.8 0.4

Gamma 0.6 0.3

0.4 0.2
Exponencial
0.2 0.1
Beta
0 0
Weibull 0 1 2 3 4 5
x
6 7 8 9 10 0 1 2 3 4 5
x
6 7 8 9 10

 Nota: Si 𝑋𝑋𝑘𝑘 ~𝐸𝐸 𝜆𝜆 ⟶ ∑𝑘𝑘 𝑋𝑋𝑘𝑘 ~Γ 𝑘𝑘, 𝜆𝜆

27
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Beta 𝑩𝑩 𝒂𝒂, 𝒃𝒃 wikipedia

Motivación Distribución habitual en el modelado de tiempos de supervivencia, es

Objetivos decir, tiempos que trascurren hasta que acontece un determinado
Temario suceso (muerte de un paciente, fallo de un componente electrónico,
 Introducción
etc.)
 Modelos discretos
 Modelos continuos Función de Probabilidad Media Varianza
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 Γ 𝑎𝑎 + 𝑏𝑏 𝑎𝑎−1 𝑏𝑏−1 𝑎𝑎 𝑎𝑎𝑎𝑎
 Tma central �Γ 𝑎𝑎 Γ 𝑏𝑏 𝑥𝑥 1 − 𝑥𝑥 0 < 𝑥𝑥 < 1
 Resumen 𝑎𝑎 + 𝑏𝑏 𝑎𝑎 + 𝑏𝑏 2 𝑎𝑎 + 𝑏𝑏 + 𝑎𝑎
Bibliografía 0 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
Software 8 1

0.9
7 a=0.5, b=0.5
a=0.5, b=1
0.8
a=0.5, b=2
6
a=1, b=1
0.7

función de distribución
a=1, b=2
función densidad

5 a=2, b=2 0.6

Uniforme 4 0.5
Normal 0.4
3
Gamma 0.3
a=0.5, b=0.5
a=0.5, b=1
Exponencial 2
0.2 a=0.5, b=2
Beta 1
a=1, b=1
a=1, b=2
0.1
Weibull a=2, b=2
0 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x x

 Nota: B(1,1)=U(0,1)
28
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Weibull 𝑾𝑾 𝝀𝝀, 𝒌𝒌 wikipedia

Motivación Utilizada para describir la distribución de tamaños de determinadas

Objetivos partículas. También modela la distribución de fallos (en sistemas)
Temario cuando la tasa de fallos es proporcional a una potencia del tiempo (la
 Introducción
tasa es decreciente si k<1, constante si k=1 y creciente para k>1).
 Modelos discretos
 Modelos continuos Función de Probabilidad Media Varianza
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 𝑘𝑘 𝑥𝑥 𝑘𝑘−1 𝑥𝑥 𝑘𝑘
−
 Tma central
�𝜆𝜆 𝜆𝜆 𝑒𝑒 𝜆𝜆 𝑥𝑥 ≥ 0 𝜆𝜆Γ 1 + 𝑘𝑘1 𝜆𝜆2 Γ 1 + 𝑘𝑘2 − 𝜇𝜇2
 Resumen
Bibliografía 0 𝑥𝑥 < 0
Software
2.5 1

0.9

2 0.8

0.7
Uniforme

función de distribución
función densidad

1.5 λ=1, k=0.5 0.6 λ=1, k=0.5

Normal λ=1, k=1 λ=1, k=1
λ=1, k=1.5 0.5 λ=1, k=1.5
Gamma λ=1, k=5 λ=1, k=5
1 0.4
λ=2, λ=2,
Exponencial k=5 k=5

0.3
Beta
0.5 0.2
Weibull
0.1

0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 0 0.5 1 1.5 2 2.5 3 3.5 4

29 x x
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Modelos utilizados en el muestreo

Motivación
Objetivos Son modelos utilizados en la estimación paramétrica y obtenidos a
Temario partir de poblaciones normales uniformes, esto es, 𝑿𝑿𝒌𝒌 , 𝒀𝒀𝒌𝒌 ~𝑵𝑵 𝟎𝟎, 𝟏𝟏
 Introducción
 Modelos discretos Variable Nombre Expresión
 Modelos continuos
 Modelos muestreo Gamma con ambos parámetros iguales 11
𝑍𝑍 = 𝑋𝑋02 𝐺𝐺 ,
 Modelos en ℝ𝒏𝒏 a 1/2 22
 Tma central 𝑛𝑛
 Resumen 𝜒𝜒 2 de Pearson con n grados de
Bibliografía
2
𝜒𝜒 = � 𝑋𝑋𝑘𝑘2 𝜒𝜒 2 𝑛𝑛
libertad
Software 𝑘𝑘=1
𝑋𝑋0
𝑇𝑇 =
1 𝑛𝑛 T de Student con n grados de libertad 𝑇𝑇 𝑛𝑛
∑ 𝑋𝑋 2
𝑛𝑛 𝑘𝑘=1 𝑘𝑘
Chi 2 de Pearson
1 𝑛𝑛
t de Student
∑𝑘𝑘=1 𝑋𝑋𝑘𝑘2
F de Snedecor
𝐹𝐹 = 𝑛𝑛 F de Snedecor con parámetros n y m 𝐹𝐹 𝑛𝑛, 𝑚𝑚
Z de Maxwell 1 𝑚𝑚
∑𝑘𝑘=1 𝑌𝑌𝑘𝑘2
𝑚𝑚
1 𝑛𝑛
𝑍𝑍 = ∑ 𝑋𝑋 2
𝑘𝑘 𝑘𝑘=1 𝑘𝑘 Z de Maxwell con parámetros k y n 𝑍𝑍 𝑘𝑘, 𝑛𝑛
30
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Chi cuadrado 𝝌𝝌𝟐𝟐 𝒏𝒏 wikipedia

Motivación La χ² se utiliza como prueba de independencia y como prueba de

Objetivos bondad de ajuste y en la estimación de la varianza de una población
Temario normal.
 Introducción
 Modelos discretos
 Modelos continuos
Función de densidad Media Varianza Asimetría Curtosis
 Modelos muestreo 𝑛𝑛
1 2 𝑛𝑛 𝑥𝑥
 Modelos en ℝ𝒏𝒏 2
𝑥𝑥 2
−1 −
𝑒𝑒 2 𝑛𝑛 2𝑛𝑛 8� 12�
 Tma central 𝑛𝑛 𝑛𝑛 𝑛𝑛
 Resumen Γ
2
Bibliografía
Software 1.4
n=1
1

n=2 0.9
1.2
n=3
0.8
n=4
1 n=5
0.7

función de distribución
función densidad

0.6
0.8
Chi 2 de Pearson 0.5

t de Student 0.6
0.4

F de Snedecor 0.4 0.3

n=1
Z de Maxwell 0.2 n=2
n=3
0.2
0.1 n=4
n=5
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x x

 Nota:𝜒𝜒 2 𝑛𝑛 = 𝐺𝐺 𝑛𝑛
2
,2
31
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución t de Student 𝒕𝒕 𝒏𝒏 wikipedia

Motivación Utilizada en inferencia estadística para estimar la media de una

Objetivos población normal para muestras pequeñas. También en la diferencia
Temario entre dos medias muestrales cuando se desconoce la desviación
 Introducción
típica.
 Modelos discretos
 Modelos continuos Función de densidad Media Varianza Asimetría Curtosis
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 𝑛𝑛 + 1 𝑛𝑛+1 6
Γ 2 − 2 𝑛𝑛 0
 Tma central 2 𝑥𝑥 0 𝑛𝑛 − 4
 Resumen 𝑛𝑛 1+ 𝑛𝑛 − 2 : 𝑛𝑛 > 3
𝑛𝑛 : 𝑛𝑛 > 1 : 𝑛𝑛 > 2 : 𝑛𝑛 > 4
Bibliografía 𝑛𝑛𝑛𝑛Γ
2
Software 0.4 1
n=1
0.9 n=1
0.35 n=3
n=3
n=10
0.8 n=10
n=Inf
0.3 n=Inf
0.7

función de distribución
función densidad

0.25
0.6

Chi 2 de Pearson 0.2 0.5

t de Student 0.15
0.4

F de Snedecor 0.1
0.3

0.2
Z de Maxwell 0.05
0.1

0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5 -5 -4 -3 -2 -1 0 1 2 3 4 5
x x

 Nota: Existe una distribución t no estandarizada de 3 parámetros en que

32 se introduce un parámetro de localización µ y otro de escala σ
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución F de Snedecor 𝑭𝑭 𝒎𝒎, 𝒏𝒏 wikipedia

Motivación Utilizada en inferencia estadística para estimar el cociente de

Objetivos varianzas. También aparece frecuentemente como la distribución nula
Temario de una prueba estadística, especialmente en el análisis de varianza.
 Introducción
 Modelos discretos
 Modelos continuos
Función de densidad Media Varianza
 Modelos muestreo
𝑚𝑚𝑚𝑚 𝑚𝑚 𝑛𝑛𝑛𝑛 𝑛𝑛 𝑚𝑚 + 𝑛𝑛 − 2 2𝑛𝑛2
 Modelos en ℝ𝒏𝒏
 Tma central 𝑚𝑚𝑚𝑚 + 𝑛𝑛 𝑚𝑚+𝑛𝑛 𝑛𝑛 − 2 𝑚𝑚 𝑛𝑛 − 2 2 𝑛𝑛 − 4
 Resumen 𝑚𝑚 𝑛𝑛 : 𝑛𝑛 > 2
𝑥𝑥𝑥𝑥 , : 𝑛𝑛 > 4
Bibliografía 2 2
Software
1.5 1

0.9
m=1, n=1
m=5, n=1
0.8
m=50, n=1
m=5, n=5
0.7

función de distribución
1 m=50, n=5
función densidad

m=50, n=50 0.6

Chi 2 de Pearson 0.5

t de Student 0.4
m=1, n=1
0.5 m=5, n=1
F de Snedecor 0.3
m=50, n=1

Z de Maxwell 0.2 m=5, n=5

m=50, n=5
0.1 m=50, n=50

0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x x

 Nota: 𝐹𝐹 𝑛𝑛, 𝑚𝑚 = 1�𝐹𝐹 𝑚𝑚,𝑛𝑛

33
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Distribución Z de Maxwell 𝒁𝒁 𝒌𝒌, 𝒏𝒏 wikipedia

Motivación Utilizada por Maxwell para estudiar el movimiento de una molécula

Objetivos de gas encerrada en un depósito. Las normales involucradas tienen
Temario una varianza común σ no unitara.
 Introducción
 Modelos discretos
 Modelos continuos
Modelo
 Modelos muestreo 2
 Modelos en ℝ𝒏𝒏 𝑍𝑍
 Tma central 𝑘𝑘 ~𝜒𝜒𝑛𝑛2
𝜎𝜎
 Resumen
Bibliografía
Software 0.9
k=1, n=1
1

0.8 k=1, n=2 0.9

k=1, n=5
0.8
0.7 k=3, n=5
k=5, n=5
0.7

función de distribución
0.6
función de cuantía

0.6 k=1, n=1

0.5 k=1, n=2
Chi 2 de Pearson 0.4
0.5 k=1,
k=3,
n=5
n=5
0.4
t de Student 0.3
k=5, n=5

0.3
F de Snedecor 0.2
0.2
Z de Maxwell 0.1 0.1

0 0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
n n

34
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Modelo Multinomial
Motivación
Generalización del modelo binomial a Ak resultados posibles
Objetivos
mutuamente excluyentes de probabilidad pk. Se mide el número de
Temario
 Introducción
éxitos en una secuencia de n=Ʃxk ensayos independientes entre sí.
 Modelos discretos Función de probabilidad
 Modelos continuos
 Modelos muestreo 𝑛𝑛! 𝑥𝑥 𝑥𝑥
 Modelos en ℝ𝒏𝒏 𝑃𝑃 𝑋𝑋1 = 𝑥𝑥1 , ⋯ 𝑋𝑋𝑘𝑘 = 𝑥𝑥𝑘𝑘 = 𝑝𝑝1 1 ⋯ 𝑝𝑝𝑘𝑘 𝑘𝑘
𝑥𝑥1 ! � ⋯ 𝑥𝑥𝑘𝑘 !
 Tma central
 Resumen
Bibliografía Esperanza Varianza
Software
𝑃𝑃 𝑋𝑋1 , ⋯ 𝑋𝑋𝑘𝑘 = 𝑛𝑛𝑝𝑝1 , ⋯ , 𝑛𝑛𝑝𝑝𝑘𝑘 𝜎𝜎2 𝑋𝑋𝑖𝑖 = 𝑛𝑛𝑝𝑝𝑖𝑖 1 − 𝑝𝑝𝑖𝑖

Covarianza
Multinomial
Uniforme discreta
Uniforme continua
Normal
𝐶𝐶𝐶𝐶𝐶𝐶 𝑋𝑋𝑖𝑖 , 𝑋𝑋𝑗𝑗 = −𝑛𝑛𝑝𝑝𝑖𝑖 𝑝𝑝𝑗𝑗

35
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Modelo Uniforme discreto

Motivación
Generalización del modelo uniforme discreto a Nk resultados posibles
Objetivos
en cada dimensión.
Temario
 Introducción Función de probabilidad
 Modelos discretos
 Modelos continuos
1
𝑃𝑃 𝑋𝑋1 = 𝑥𝑥1 , ⋯ 𝑋𝑋𝑘𝑘 = 𝑥𝑥𝑘𝑘 =
 Modelos muestreo ∏ 𝑁𝑁𝑘𝑘
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen Esperanza Varianza
Bibliografía
𝑁𝑁𝑗𝑗 𝑁𝑁𝑗𝑗 2
Software 𝑥𝑥𝑗𝑗𝑗𝑗 𝑥𝑥𝑗𝑗𝑗𝑗 − 𝜇𝜇𝑗𝑗
𝑃𝑃 𝑋𝑋1 , ⋯ 𝑋𝑋𝑘𝑘 = 𝜇𝜇1 , ⋯ , 𝜇𝜇𝑘𝑘 ; 𝜇𝜇𝑗𝑗 = � 𝜎𝜎2 𝑋𝑋𝑗𝑗 = �
𝑁𝑁𝑗𝑗 𝑁𝑁𝑗𝑗
𝑖𝑖=1 𝑖𝑖=1

Multinomial 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
Uniforme discreta
Uniforme continua 1
𝐶𝐶𝐶𝐶𝐶𝐶 𝑋𝑋𝑖𝑖 , 𝑋𝑋𝑗𝑗 = � � 𝑥𝑥𝑗𝑗𝑗𝑗 − 𝜇𝜇𝑗𝑗 𝑥𝑥𝑖𝑖𝑖𝑖 − 𝜇𝜇𝑖𝑖
Normal ∏ 𝑁𝑁𝑘𝑘
𝑖𝑖 𝑗𝑗

36
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Modelo Uniforme continuo

Motivación
Generalización del modelo uniforme continuo a un dominio D de ℝ𝒏𝒏
Objetivos
cuyo hipervolumen es V.
Temario
 Introducción Función de densidad
 Modelos discretos
 Modelos continuos 1
 Modelos muestreo 𝑓𝑓 𝑋𝑋 = �𝑉𝑉 𝑋𝑋 ∈ 𝐷𝐷
 Modelos en ℝ𝒏𝒏
0 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟
 Tma central
 Resumen
Bibliografía Esperanza Varianza
Software

Multinomial 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶
Uniforme discreta
Uniforme continua
Normal

37
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Modelo Normal multivariante 𝑵𝑵 𝚳𝚳, 𝚺𝚺

Motivación
Generalización del modelo normal a ℝ𝒏𝒏
Objetivos
Temario Función de densidad
 Introducción
 Modelos discretos 𝐴𝐴
𝑓𝑓 𝑋𝑋 = 𝑛𝑛 𝑒𝑒𝑒𝑒𝑒𝑒 −12 𝑋𝑋−Μ ′ 𝐴𝐴 𝑋𝑋−Μ
 Modelos continuos
 Modelos muestreo 2𝜋𝜋 2
 Modelos en ℝ𝒏𝒏 donde A es una matriz simétrica y definida positiva de orden n y
 Tma central Μ ′ = 𝜇𝜇1 , 𝜇𝜇2 , ⋯ , 𝜇𝜇𝑛𝑛 es el vector que define la media en cada
 Resumen
dimensión.
Bibliografía
Software Esperanza Varianzas y covarianzas
M A
Las distribuciones marginales de una normal multivariante son
Multinomial normales univariantes.
Uniforme discreta Si las coordenadas de la función multivariante son variables aleatorias
Uniforme continua independientes con distribución 𝑁𝑁 𝜇𝜇𝑖𝑖 , 𝜎𝜎𝑖𝑖 sigue una normal
multivariante de media 𝜇𝜇′ = 𝜇𝜇1 , 𝜇𝜇2 , ⋯ , 𝜇𝜇𝑛𝑛 y donde la matriz A es
Normal

diagonal con las varianzas en la diagonal.

38
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Tma central del límite

Motivación Tma central del límite: Sean X1, X2, … Xn una sucesión de
Objetivos variables aleatorias independientes, idénticamente distribuidas
Temario con media µ y varianza común σ2 finitas, entonces la variable
 Introducción
 Modelos discretos
aleatoria
 Modelos continuos 𝑋𝑋1 + 𝑋𝑋2 + ⋯ + 𝑋𝑋𝑛𝑛 − 𝑛𝑛𝑛𝑛
 Modelos muestreo
 Modelos en ℝ𝒏𝒏 𝑛𝑛𝜎𝜎
 Tma central tiene como distribución asintótica una 𝑵𝑵 0,1 .
 Resumen
 Una expresión alternativa es que la media muestral de un
Bibliografía
conjunto de variables con la misma distribución sigue una
Software
normal, aunque las distribuciones de partida no sean
normales:
𝜎𝜎
Uniforme 𝑠𝑠𝑠𝑠 𝑛𝑛 ≫ 1 ∶ 𝑥𝑥~𝑁𝑁
̅ 𝜇𝜇,
Normal 𝑛𝑛
Gamma  Aplicación a la binomial, donde 𝑋𝑋~𝐵𝐵 𝑛𝑛, 𝑝𝑝
Exponencial
Beta 𝑠𝑠𝑠𝑠 𝑛𝑛𝑛𝑛 > 5 ó 𝑛𝑛𝑛𝑛 > 5 ∶ 𝑥𝑥~𝑁𝑁
̅ 𝑛𝑛𝑛𝑛, 𝑛𝑛𝑛𝑛𝑛𝑛
Weibull  Aplicación a chi cuadrado, donde 𝑋𝑋~𝜒𝜒 2 𝑛𝑛
𝑠𝑠𝑠𝑠 𝑛𝑛 ≫ 1 ∶ 𝑥𝑥~𝑁𝑁
̅ 𝑛𝑛, 2𝑛𝑛
39
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Resumen
Motivación
Objetivos
Temario
 Introducción
 Modelos discretos
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central
 Resumen
Bibliografía
Software

40
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Instrucciones (I)
Motivación ALGEBRA LINEAL: Válidas en Matlab (M), Octave (O) o ambos (B)
B cond Condition number with respect to inversion
Objetivos B condeig Condition number with respect to eigenvalues
Temario B condest 1-norm condition number estimate
 Introducción B det Matrix determinant
 Modelos discretos B expm Matrix exponential
 Modelos continuos M funm Evaluate general matrix function
 Modelos muestreo M gallery Get a specialized matrix
 Modelos en ℝ𝒏𝒏 O housh Compute Householder reflection vector
 Tma central B inv Inverse of matrix
 Resumen B kron Form the kronecker product of two matrices
Bibliografía O krylov Construct an orthogonal basis u of block Krylov subspace
B logm Matrix logarithm
Software M mldivide \, Left or right matrix division
mrdivide /
M norm Vector and matrix norms
M normest 2-norm estimate
M null Null space
M orth Range space of matrix
M paugment Form least squares augmented systems
M pinv Moore-Penrose pseudoinverse of matrix
M prank Structural rank
M rank Rank of matrix
M rcond Matrix reciprocal condition number estimate
M rref Reduced row echelon form
41 B sqrtm Matrix square root
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Anexos
Motivación
Objetivos
Temario
 Introducción
 Modelos discretos
 Modelos continuos
 Modelos muestreo
 Modelos en ℝ𝒏𝒏
 Tma central  Demostraciones y desarrollos
 Resumen
Bibliografía
Software

42
 Estadística – Estadística Descriptiva por César Menéndez Fernández

Autovalores
Motivación  Proporcionalidad
λ1 Av= λ1v An= v An −1 ( Av=
) An −1 ( λ1v=) λ1 An −1= = ( λ1 )
n
Objetivos v  v
Temario (=
kA ) v k=
( Av ) k= ( λ1v ) ( k λ1 ) v
 Introducción
A−1 Av = A−1λ1v = λ1 A−1v → A−1v = 1
λ1
v
 Modelos discretos
 Modelos continuos  Autovalores diferentes no tienen vectores propios comunes.
 Modelos muestreo v vector propio asociado a autovalores diferentes λ1 y λ2
 Modelos en ℝ𝒏𝒏
 Tma central λ1 Av =λ1v λ2 Av =λ2v λ1v =λ2v → ( λ1 − λ2 ) v =0 ⇒ λ1 =λ2
 Resumen  Autovectores de autovalores diferentes son L.I. (inducción)
Bibliografía λ1 ≠ 0 =
Av1 λ1v1 λ2 =
Av2 λ2v2 α1v1 + α=
2 v2 0
Software 0 =A (α1v1 + α 2v2 ) − λ1 (α1v1 + α 2v2 ) =α 2 ( λ2 − λ1 ) v2 → α 2 =0 → α1 =0
α1v1 + α 2v2 +  + α n vn = 0
Definiciones α1v1 + α 2v2 +  + α n vn + α n +1vn +1 =
0
Propiedades
 n +1   n +1  n
Ejemplos 0 =A  ∑ α k vk  − λn +1  ∑ α k vk  =∑ α k ( λk − λn +1 ) vk → α k =0 → α n +1 =0
= k 1 =  k 1=  k 1
 Ortogonalidad de autovectores de una matriz simétrica
λ1 y λ2 autovalores diferentes
= λ1 Av λ=
1v λ2 Aw λ2 w
wT Av = ( wT Av ) = vT Aw → wT λ1v = vT λ2 w = wT λ2v →
T

→ λ1wT v =λ2 wT v → ( λ1 − λ2 ) wT v =0 ⇒ wT v =0
Volver
43