Distribuciones Probabilisticas

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 6

Jency de la cruz

100012383

Pract. 3 DISTRIBUCIONES PROBABILISTICAS

Estadística Industrial 2

Prof. Joel patiño

Sec 02
Distribución de probabilidad continua

En teoría de la probabilidad una distribución de probabilidad se llama continua si


su función de distribución es continua. Puesto que la función de distribución de
una variable aleatoria X viene dada por 𝐹𝑋 (𝑥) = 𝑃(𝑋 ≤ 𝑥), la definición implica que
en una distribución de probabilidad continua X se cumple P[X = a] = 0 para todo
número real a, esto es, la probabilidad de que X tome el valor a es cero para
cualquier valor de a. Si la distribución de X es continua, se llama a X variable
aleatoria continua.

Para una variable continua hay infinitos valores posibles de la variable y entre
cada dos de ellos se pueden definir infinitos valores más. En estas condiciones no
es posible deducir la probabilidad de un valor puntual de la variable; cómo se
puede hacer en el caso de variables discretas, pero es posible calcular la
probabilidad acumulada hasta un cierto valor (función de distribución de
probabilidad), y se puede analizar cómo cambia la probabilidad acumulada en
cada punto (estos cambios no son probabilidades sino otro concepto: la función de
densidad.

Variable Aleatoria Continua

Se dice que una variable aleatoria X es continua si su


conjunto de posibles valores es todo un intervalo (finito o
infinito) de números reales.

Por ejemplo, una variable aleatoria continua puede ser el tiempo de retraso con el
que un alumno o un profesor llega al au la de clases ó también el peso o la
estatura de los estudiantes de la Facultad.

La función f(x) es una función de densidad de probabilidad


para la variable aleatoria continua X, definida sobre el
conjunto de los números reales, sí:

1.- f(x) ≥ 0 ∀ x ∈ R

2.- ∫ f (x)dx = 1
−∞
3.- P a ≤ X ≤ b = P a < X ≤ b = P a ≤ X < b = P a < X < b = ∫ f x dx

La distribución Normal, Importancia de esta distribución y aplicaciones

Una variable aleatoria continua X tiene una distribución normal con parámetros μ y
σ2 , siendo μ un número real cualquiera y σ > 0, siendo su función de densidad de
probabilidad de la forma siguiente:

Para ser una función de densidad de probabilidad debe de


satisfacer las siguientes condiciones.
1. Que f(x) ≥ 0 para toda x que pertenece a los números
reales.

Que por ser una función exponencial lo cumple.


2. ∫ f( x)dx =1

Propiedades

1. Es unimodal.
2. La moda, mediana y moda poseen el mismo valor.
3. El dominio de f(x) son todos los números reales y su imagen
está contenida en los reales positivos.
4. Es simétrica respecto de la recta x − μ.
Esto se debe a que:
f(μ + x) = f(μ − x)
5. Tiene una asíntota horizontal en y = 0
En efecto y = 0 es una asíntota horizontal, ya que:
lim f ( x) = 0
Importancia de la distribución Normal

Es el modelo continuo de mayor importancia en estadística debido a las siguientes


razones:

• Su aplicación es directa y permite observar muchas variables de interés,


que pueden describirse fácilmente con este modelo.
• Sirve para acercarse a varias distribuciones de probabilidad discreta, entre
estas la distribución de Poisson y la distribución Binomial.
• Sus propiedades han permitido el desarrollo de muchas técnicas de
inferencia estadística. Proporcionando la base de la estadística inferencial
clásica, por su relación con el teorema de límite central.

La distribución normal, estándar o tipificada (Z).

Una tabla normal estándar, también llamada tabla normal unitaria o tabla Z, es
una tabla matemática de los valores de Φ, la función de distribución acumulativa
de la distribución normal. Se utiliza para determinar la probabilidad de que se
observe una muestra estadística por debajo, por encima o entre dos valores dados
de una distribución normal estándar, y por extensión, de cualquier distribución
normal. Teniendo en consideración que las tablas de probabilidad no se pueden
imprimir para cada distribución normal, dado que existe una variedad infinita de
distribuciones normales, es una práctica común convertir una distribución normal
en una normal estándar y luego usar la tabla normal estándar para determinar las
probabilidades buscadas.
Aproximación de la Binomial a la normal.

Teorema de Movire-Laplace: si X es una variable discreta que sigue una


distribución binomial de parámetros n y p, B(n,p) y se cumple que n>10, n·p>5 y
n·q>5 resulta una aproximación bastante buena suponer que la variable X’
(recordemos que en la binomial μ=n·p y s se aproxima a la variable normal
N(n·p,). Resulta mucho más sencillo trabajar con la variable normal X’ que con la
binomial X, pues recordemos que los valores de la normal están tabulados.

Corrección de continuidad o de Yates: cuando aproximamos una distribución


binomial mediante una normal, estamos convirtiendo una variable X discreta (toma
un número determinado de valores) en una continua X’ (toma valores en un
intervalo).

Los valores de la probabilidad para valores fijos de la variable continua son cero
(ya que sería el área de un punto), y necesitamos definir un intervalo. Para evitar
este problema en la aproximación de los valores fijos estos se corrigen (corrección
de continuidad o de Yates) sustituyéndolos por un intervalo centrado en el punto y
de valor unidad.

Aproximación de la distribución de Poisson a la normal.

Cuando en una distribución Po(λ), λ tiende a infinito, la


función de distribución Po(λ) puede aproximarse por una
N (λ, λ)

Es decir:
En la práctica se conviene que una distribución de
Poisson puede aproximarse por la Normal cuando λ >5
Esta aproximación se mejora con la llamada corrección
por continuidad:

También podría gustarte