Distribuciones de probabilidad

BINOMIAL (n, p): “Probabilidad de que ocurran x éxitos en n experimentos Bernoulli” Experimentos Bernoulli son
(Número de éxitos en n experimentos Bernoulli) independientes entre sí
[ x]

k=0 k
()
F X ( x )=∑ n p k ( 1− p )n−k , 0 ≤ x ≤ n Suma de “k” geométrica
(p), genera una binomial
negativa (k,p)
GEOMÉTRICA (p): “Número de experimentos Bernoulli hasta la ocurrencia del primer
éxito”
[n ] Geométrica: En Rstudio
F N ( n )=∑ p ( 1− p ) k−1
=1−( 1− p ) [n ] cuando calculamos la
probabilidad de éxito x,
k=1
debemos colocar los
fracasos, es decir (x-1)
BINOMIAL NEGATIVA (k, p): “Número de experimentos Bernoulli hasta obtener el k-
ésimo éxito”

POISSON ( λ=ν∗t ): Modela la probabilidad de que en un intervalo de tiempo Carencia de memoria:

ocurra una cantidad de eventos. (xt: # eventos el intervalo de tiempo [0, t] ) - Geométrica
- Exponencial
 Eventos independientes
 ν : valor/tasa esperada. Tasa de ocurrencia media por unidad de tiempo.
 λ : esperanza en (0,t) Gamma (k=1, nu) = Exp(nu)

EXPONENCIAL ( ν ): representa el tiempo entre eventos Poisson

Hipergeométrica no
F T (t )=1−exp ⁡(−ν∗t)
1 cumple con Bernoulli.

GAMMA (k , ν ): modela el tiempo transcurrido hasta el k-ésimo éxito en una Poisson Por defecto Hiper. es sin
reemplazo, a menos que
k−1 digan lo contrario.
( νt ) x e− vt
F T ( t ) =1−∑ ,k∈ N
k
x=0 x!
Hiper CON REEMPLAZO ~
HIPERGEOMÉTRICA (m = m, n = N - m, k = n): muestra la cantidad de defectuosos que Binom (n, p)
hay en una muestra. (n es la muestra, N es la población, m defectuosos, (N-m) no
defectuosos)
A partir de dos percentiles
- Estimación tamaño de población: N=(m∗n)/x se obtienen los
parámetros:
BETA (q,r): permite todo tipo de comportamiento, entre a y b. Cuando q = r = 1 se
transforma en la Uniforme. - Weibull
- Logística
WEIBULL ( β ,η ): - Log-logística
FISHER (η , ν )

[ ( )]
β
t
F T ( t ) =1−exp ⁡ −
η

LOGÍSTICA ( μ , σ ): distribución simétrica

LOG-LOGÍSTICA ( μ , σ ): alternativa a la log-normal y gamma

T-STUDENT ( ν )
 Múltiples variables aleatorias

Función de probabilidad acumulada: F X ,Y ( x , y )=P ( X ≤ x , Y ≤ y )

Distribución de probabilidad conjunta

- Discretas:
( Dist . conjunta ) p X ,Y ( x , y )=P ( X=x ,Y = y )

Y su función de probabilidad acumulada:

F X ,Y ( x , y )= ∑ ∑ P( X=x i ,Y = y j )
x i≤ x y j ≤ y

- CONTINUAS: la función de densidad de probabilidad conjunta es

( Dist . conjunta ) f X , Y ( x , y ) dx dy=P ( x< X ≤ x +dx , y <Y ≤ y+ dy )

Y la acumulada:
x y
F X ,Y ( x , y )= ∫ ∫ f X ,Y (u , v ) dv du
−∞ −∞

Distribución marginal y condicional

Se tiene (prob condicional) = (prob. Conjunta) / (prob marginal)

pX , Y ( x , y )
p X ∨Y = y ( x )=P ( X=x|Y = y )=
pY ( y )

p X ,Y ( x , y )
pY ∨X = x ( y )=P ( Y = y| X=x )=
p X (x )
Distribución marginal

- Discretas:
p X ( x )= ∑ p X , Y ( x , y) ; pY ( y )= ∑ p X ,Y ( x , y )
y∈ΘY x∈Θ X

- Continuas:
∞ ∞
f X ( x )=∫ f X ,Y (x , y ) dy ; f Y ( y )=∫ f X ,Y ( x , y )dx
−∞ −∞

- Mixto (X discreta, Y continua):

 ∞
p X ( x )= ∫ p X ∨Y = y ( x )∗f Y ( y)dy ; f Y ( y )= ∑ f Y ∨X = x ( y )∗p X ( x )
−∞ x∈Θ X

- Ambas independientes:
p X , y ( x , Y )= p X ( x )∗p Y ( y) ; f X , Y ( x , y ) =f X ( x )∗f Y ( y )