Professional Documents
Culture Documents
Distribucin Binomial
Considerar N observaciones independientes tales que: El resultado de cada experimento es acierto o fallo La probabilidad de acierto de un experimento dado es p El conjunto de observaciones N puede considerarse como una nica medida que puede caracterizarse por la variable aleatoria n : n = nmero de aciertos (0n N) El espacio de muestras S se define como el conjunto de posibles valores de n para N observaciones. Si repetimos el experimento muchas veces con N observaciones cada vez, los valores resultantes de n ocurren con frecuencias relativas determinadas por la distribucin binomial.
Puesto que el orden de acierto/fallo es irrelevante (estamos interesados slo en el nmero total de aciertos n) calculamos el nmero de secuencias (permutaciones) con n xitos en N observaciones:
N! n!(N n)!
f (n; N, p)
N! n!(N n)!
p (1 p)
N n
Donde, la notacin f(n; N,p) indica que n es una variable aleatoria, mientras que N y p son parmetros. Valor esperado y varianza (clculo no trivial): E[n] n
n 0
N!
p (1 p)
Nn
Np
NB: E[n] y V[n] no son variables aleatorias sino constantes que dependen de los valores verdaderos (y posiblemente desconocidos) de p y N .
Ejemplo: Observamos N desintegraciones del . El nmero n de estas observaciones correspondientes a un determinado canal (e.g, ) sigue la distribucin binomial, con p igual a la relacin de semidesintegracin del canal
Distribucin Multinomial
Similar a la binomial, pero en lugar de 2 posibles resultados (acierto o fallo) hay m posibles resultados.
p (p1 ,..., pm ) tal que pi 1
i=1 m
Para N observaciones queremos calcular la probabilidad de observar: n1 con resultado 1 n2 con resultado 2
nm con resultado m
N! n1!n2 !...nm !
n n n p1 1 p2 2 ...pmm
Distribucin de Poisson
Considerar la distribucin binomial en el lmite:
f (n;)
n e
n!
(0 n )
N p0 E[n]=Np
E[n]= n n!
n=0
n
2
V[n]= (n-)
n=0
n e n!
Para grande Poisson tiende a Gauss Ejemplos de Poisson: Nmero de desintegraciones de una cierta cantidad de material radioactivo en un tiempo fijo t, en el lmite: Nmero de desintegraciones posibles (e.g, nmero total de tomos) es muy grande
Probabilidad de una desintegracin individual en t es muy pequea.
Distribucin uniforme
Considerar una variable continua aleatoria definida en todo R. La distribucin uniforme es:
1
f (x; ,)
en otro caso
x 1 [x
1
2
E[x] 0
dx 2 ( )
1 1
2
V [x ]
2 ( )] dx 12 ( )
Una propiedad importante de la distribucin uniforme es la de que cualquier variable aleatoria continua x con pdf f(x) y distribucin acumulativa F(x) puede transformarse en una nueva variable y distribuida uniforme entre 0 y 1 mediante el cambio de variable:
y F(x)
dy d
x
dx dx
Usaremos esta propiedad de la distribucin uniforme en el tema relacionado con tcnicas de Monte Carlo.
Distribucin exponencial
f (x;) 1 e , 0 x
x
E[x] 0 xe dx
2 (x )2e dx V[ x ] 0
1 1
Ejemplo: El tiempo de desintegracin de una partcula inestable (medido en su sistema de referencia) sigue una distribucin exponencial
Distribucin de Gauss
f (x ; , )
1 2 1
2
) ) exp((x 2
2
E[x] x
(x ) 2 2 2 2 exp( 2 )dx (x )
2
V[ x ]
1
2
(x exp(
2)
)dx
2
2
NB: A menudo y se utlizan para denotar la media y la varianza de cualquier pdf, no slo la pdf gausiana.
0, 1 (x)
1 exp( 2
x2
2
(x) (x')dx'
i 1
El teorema del lmite central supone la justificacin formal para tratar los errores como variables aleatorias distribuidas gausianamente. Es aplicable siempre que el error total sea la suma de muchas contribuciones pequeas.
f (x; ,V )
1/2
exp
1 2
(x ) V
(x )
1 2(1 ) cov[x1, x2 ] (1 2 )
2
,) 21 2 x 2 x2
11
2 2
) 2(
x
11
)(
x2
coeficiente de correlacin
Distribucin
2
f (z;n)
2n /2
1 n /21 z /2 z e , n 1,2.,,, (n / 2)
E[z]=
0 z 2n /2 (n / 2) z
n /21
z /2
dz n
V[z]=(z-n)2
0
1
n /2
zn /21e z /2dz 2n
(n / 2)
Dadas
variables
2
aleatorias
independientes
2 2
xi,
distribuidas
(x )
i
i1
Sigue la distribucin para N grados de libertad. Como veremos, estas variables son las que utilizamos para estimar la calidad de un ajuste, particularmente con el mtodo de mnimos cuadrados