Professional Documents
Culture Documents
Distribuciones de Probabilidad
Distribuciones de Probabilidad
Núcleo de Monagas-Maturín
Escuela de Ingeniería y Ciencias Aplicadas
Estadística I
Profesora: Estudiantes:
Glorimar Aponte Javier Guirigay
Sección: 01 y 02 C.I.:29589425
Darío Vásquez(01)
C.I.:27701119
Daniella Vargas
C.I.:27556465
Jorfran Gil
C.I.: 26933738
Simón Mendoza
C.I.:29589293
Yadneel García(01)
C.I.:27499705
INDICE
Tabla de contenido
Distribuciones de variable discreta: 4
Distribución de Bernoulli: 4
Distribución Binomial: 6
Distribución Geométrica 7
Notación 8
Distribución Pascal (r, p) 10
Distribución de probabilidad continua: 12
Uniforme: 12
Exponencial: 12
Gamma: 13
Distribución de probabilidad continua beta 13
Distribución de probabilidad continua weibull 15
Distribución normal. 16
Tabla estandarizada o tabla de tipificación. 20
Teoría de límite central. 21
Principales propiedades del teorema central del límite. 22
INTRODUCCIÓN
Los conceptos y métodos estadísticos no son solo útiles sino con frecuencia
son indispensables para entender el mundo que nos rodea. Proporcionan
formas de obtener ideas nuevas del comportamiento de muchos fenómenos
que se presentan.
Distribución de Bernoulli:
La distribución de Bernoulli, también llamada distribución dicotómica, se utiliza
para representar una variable aleatoria discreta que solo puede tener dos
resultados mutuamente excluyentes. Además, solo podemos aplicar esta
distribución cuando realicemos un solo experimento. Si hacemos varios,
tendremos que recurrir a la distribución binomial.
Dónde x=0,1.
● Media: No tiene.
● Moda: Está viene dada por
Dónde:
● Media: es el producto de n y p.
● Moda: Viene dada por (n + 1) ×p.
● Varianza: Viene dada por np×(1-p).
● Asimetría: Viene dada por
Dónde:
Distribución Geométrica
Cuando usted realiza un experimento que solo tiene dos resultados
posibles, la distribución geométrica es una distribución discreta que puede
modelar el número de ensayos consecutivos necesarios para observar el
resultado de interés por primera vez. La distribución geométrica también puede
modelar el número de no eventos que ocurren antes de que se observe el
primer resultado.
La distribución geométrica es un modelo adecuado para aquellos procesos en
los que se repiten pruebas hasta la consecución del éxito a resultado deseado
y tiene interesantes aplicaciones en los muestreos realizados de esta manera.
También implica la existencia de una dicotomía de posibles resultados y la
independencia de las pruebas entre sí.
Donde |t|<-Ln(1-p)
En xxx de probabilidad y estadística, la distribución geométrica es cualquiera
de las dos distribuciones de probabilidad discretas siguientes:
Notación
Valores: k: 0, 1, 2, …
Las probabilidades p y q son constantes en todas las pruebas, por tanto, las
pruebas, son independientes (si se trata de un proceso de "extracción" éste se
llevará a, cabo con devolución del individuo extraído).
Entonces:
Parámetros:
Ejemplo
Función.
La función de probabilidad de la distribución multinomial es como sigue:
Propiedades.
La varianza es:
La distribución hipergeométrica
Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes: A y no A.
Función
que para valores de X comprendidos entre el conjunto de enteros 0, 1, … . n
será la expresión de la función de cuantía de una distribución, Hipergeométrica
de parámetros N, n, p.
Media y varianza.
Considerando que una variable hipergeométrica de parámetros N, n, p
puede considerarse generada por la reiteración de un proceso dicotómico n
veces en el que las n dicotomías NO son independientes; podemos considerar
que una variable hipergeométrica es la suma de n variables dicotómicas NO
independientes.
Es bien sabido que la media de la suma de variables aleatorias (sean éstas
independientes o no) es la suma de las medias y por tanto la media de una
distribución hipergeométrica será , como en el caso de la binomial :
En cambio, si las variables sumando no son independientes la varianza de la
variable suma no será la suma de las varianzas.
Si se evalúa el valor de la varianza para nuestro caso se obtiene que la
varianza de una distribución hipergeométrica de parámetros N,n,p es : si
Distribución de Poisson
Uniforme:
La distribución uniforme es aquella que puede tomar cualquier valor dentro de
un intervalo, todos ellos con la misma probabilidad.
Es una distribución continua porque puede tomar cualquier valor y no
únicamente un número determinado (como ocurre en las distribuciones
discretas).
La distribución Uniforme es el modelo continuo más simple. Corresponde al
caso de una variable aleatoria que sólo puede tomar valores comprendidos
entre dos extremos a y b, de manera que todos los intervalos de una misma
longitud (dentro de (a, b)) tienen la misma probabilidad. También puede
expresarse como el modelo probabilístico correspondiente a tomar un número
al azar dentro de un intervalo (a, b).
En teoría de probabilidad y estadística, la distribución uniforme continua es una
familia de distribuciones de probabilidad para variables aleatorias continuas,
tales que, para cada miembro de la familia, todos los intervalos de igual
longitud en la distribución en su rango son igualmente probables. El dominio
está definido por dos parámetros, a y b, que son sus valores mínimo y máximo.
La distribución es a menudo escrita en forma abreviada como U (a, b).
Gamma:
La distribución Gamma, al igual que ocurre con la exponencial, se utiliza
habitualmente para modelizar variables aleatorias positivas y asimétricas, y
sobre todo para describir procesos de eventos que ocurren en el tiempo. La
función de densidad de una variable aleatoria Gamma se caracteriza por dos
parámetros: α o parámetro de forma, y β o parámetro de escala. El parámetro
de forma se denomina así porque al variar su valor se obtienen diferentes
formas para la fdp. La variación del parámetro de escala no cambia la forma de
la distribución, pero tiende a “estirar” o “comprimir” el rango de valores sobre el
que se define la probabilidad.
Distribución normal.
La distribución normal o distribución de Gauss es un modelo teórico capaz de
aproximar satisfactoriamente el valor de una variable aleatoria a una situación
ideal.
Una variable aleatoria continua puede tomar cualquier número real. Por
ejemplo, las rentabilidades de las acciones, los resultados de un examen, el
coeficiente de inteligencia IQ y los errores estándar son variables aleatorias
continuas.
Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número
de estudiantes en una universidad.
Recordando…
Desviación estándar pequeña (dispersión baja y se agrupan alrededor de la
media).
Existe una función matemática con forma de campana que tiene la siguiente
definición:
Como vemos, el valor del área bajo la curva es de 0,9332 y esa sería la
probabilidad de que la variable estandarizada z, tome un valor comprendido
entre 0 y 1,50. Ya que en la columna de la Z debemos ubicar 1.5 y en la fila el
0.
Por ejemplo, si tenemos una variable aleatoria continua X con una distribución
normal no estandarizada, con media igual a 10 y desviación estándar igual a 1,
y el problema pide calcular la probabilidad de que la variable X tome un valor
entre 10 y 11,50, hay que estandarizar los valores de la variable X aplicando la
fórmula de z:
Dicho de otra manera, TCL es una teoría estadística que establece que, dado
un tamaño de muestra suficientemente grande de una población con un nivel
finito de varianza, la media de todas las muestras de la misma población será
aproximadamente igual a la media de la población. Además, todas las
muestras seguirán un patrón de distribución normal aproximado, siendo todas
las varianzas aproximadamente iguales a la varianza de la población, dividida
por el tamaño de cada muestra.
El teorema central del límite tiene una serie de propiedades de gran utilidad en
el ámbito estadístico y probabilístico. Las principales son:
Ejemplo:
La renta media de los habitantes de un país se distribuye uniformemente entre
4,0 millones ptas. y 10,0 millones ptas. Calcular la probabilidad de que al
seleccionar al azar a 100 personas la suma de sus rentas supere los 725
millones ptas.
μ = (4 + 10 ) / 2 = 7
2 2
𝑆 = (10 − 4) / 12 = 3
Por tanto, la suma de las 100 variables se distribuye según una normal cuya
media y varianza son:
Para calcular la probabilidad de que la suma de las rentas sea superior a 725
millones pesetas, comenzamos por calcular el valor equivalente de la variable
normal tipificada:
725−700
𝑍= 17,3
= 1, 44
Luego:
https://bookdown.org/content/944ffa0f-050e-47cb-afaa-4dff15a9ed00/distribucio
nes-continuas
https://www.ecotec.edu.ec/material/material_2017F1_MAT260_13_80490.pdf
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_exponencial#:~:text=En%20Te
or%C3%ADa%20de%20Probabilidad%20y,propiedad%20de%20p%C3%A9rdid
a%20de%20memoria
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distrib
utions-and-randomdata/supporting-topics/distributions/beta-distribution/
https://es.m.wikipedia.org/wiki/Distribución_beta
https://es.m.wikipedia.org/wiki/Distribución_de_Weibull
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-distrib
utions-and-randomdata/supporting-topics/distributions/weibulldistribution/#:~:tex
t=La%20distribución%20de%20Weibull%20es,de%20calidad%2C%20finanzas
%20y%20climatolog%C3%ADa.
Aula Fácil. (2022). Recuperado el 25 de Julio de 2022, de
https://www.aulafacil.com/cursos/estadisticas/gratis/teorema-central-del-limite-ej
ercicios-i-l11251
Ludeña, J. A. (s.f.). Economipedia. Recuperado el 25 de Julio de 2022, de
https://economipedia.com/definiciones/teorema-central-del-limite.html
Matemovil. (s.f.). Recuperado el 25 de Julio de 2022, de
https://matemovil.com/distribucion-normal-ejercicios-resueltos/
Polya, G. (24 de agosto de 202o). Investigación Científica. Obtenido de
https://guidocutipa.blog.bo/investigacion/que-es-el-teorema-del-limite-central/