Distribución de probabilidad

En teoría de la probabilidad y estadística, la distribución de probabilidad de

una variable aleatoria es una función que asigna a cada suceso definido sobre
la variable la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de
los sucesos es el rango de valores de la variable aleatoria. También puede decirse
que tiene una relación estrecha con las distribuciones de frecuencia. De hecho,
una distribución de probabilidades puede comprenderse como una frecuencia
teórica, ya que describe cómo se espera que varíen los resultados.

La distribución de probabilidad está completamente especificada por la función de

distribución, cuyo valor en cada x real es la probabilidad de que la variable
aleatoria sea menor o igual que x.

Ejemplos

Variable que nos define el diámetro de un engrane en pulgadas

(5.0”, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96)

Variable que nos define la longitud de un cable o circuito utilizado en un arnés de

auto
20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0

Variable que nos define la concentración en gramos de plata de algunas muestras

de mineral
14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de
una variable continua es que esta variable nos permite medirla o evaluarla,
mientras que una variable discreta no es medible.
Distribución binomial
Consideremos un experimento que solo puede presentar 2 posibles resultados
que llamaremos ´éxito (si ocurre el suceso de interés) o fracaso (en caso
contrario). Las probabilidades de estos sucesos suelen denotarse por p = P(´éxito)
y q = 1 − p = P(fracaso). Este tipo de experimento se conoce como ensayo de
Bernoulli. Si el experimento se repite n veces siempre en las mismas condiciones,
entonces cada una de estas realizaciones es independiente de las demás y la
probabilidad de ´éxito, p, permanece constante.

Ejemplo
Distribución de Poisson
La distribución de Poisson fue obtenida por el matemático francés Simeon Poisson
(1781-1840) como límite de la distribución binomial. La distribución de Poisson
proporciona el número de resultados o sucesos que ocurren de manera
independiente y aleatoria durante un intervalo de tiempo dado o en una región
especifica.

Ejemplo
Distribución hipergeometrica
Vimos que la distribución binomial solo es adecuada si la probabilidad de obtener
un ´exito permanece constante en cada repetición del experimento. Sin embargo,
hay casos en que las repeticiones del experimento no son independientes. Por
ejemplo, la probabilidad de elegir una mujer en un grupo de 30 personas que
conste de 10 mujeres y 20 hombres es de 10/30, la probabilidad de elegir otra
mujer sin restitución en la segunda extracción es 9/29, si la primera fue una mujer
o 10/29 si la primera persona fue un hombre, en cualquier caso es distinto de
10/30. La distribución hipergeometrica es de gran utilidad en estos casos donde la
probabilidad de éxito no permanece constante.

Ejemplo
Distribución binomial negativa
En las mismas condiciones en las que se definió la distribución binomial,
imaginemos que en lugar de realizar n ensayos, repetimos el experimento hasta
encontrar k ´éxitos.

Distribución uniforme
Esta distribución es la más sencilla de las distribuciones continuas, surge al
considerar una variable aleatoria que toma valores equiprobables en un intervalo
finito y su nombre se debe al hecho de que la densidad de probabilidad de esta
variable aleatoria es uniforme sobre todo el intervalo de definición.

Ejemplo

X: puntuación obtenida al tirar un dado.

N=6, entonces
••
P(X=x)=1/6
•
E(X)=7/2
•
V(X)=7x5/12
•
Distribución normal
La distribución normal fue descrita, por primera vez, en 1773 por De Moivre como
límite de la distibuci´on Binomial cuando el número de ensayos tiende a infinito.
Este hecho no llamó la atención y la distribución normal fue “redescubierta” por
Laplace (1812) y Gauss (1809). Ambos se ocupaban de problemas de
Astronom´ıa y Geodesia; cada uno obtuvo empíricamente la distribución normal
(también llamada distribuci´on gaussiana) como modelo que describe el
comportamiento de los errores en las medidas astronómicas y geodésicas. La
distribución normal o de Gauss es la distribución continua m´as importante y de
mayor aplicación. Es adecuada para describir el comportamiento de muchos
conjuntos de datos en Ciencias, Medicina, Ingeniera, Economía,. . . De hecho, la
mayor ‘a de los métodos estadísticos básicos que estudiaremos en los próximos
capítulos se apoyan en la distribución normal.

Ejemplo
Distribución t de Student (t(n))
La distribución de probabilidad t de Student con n grados de libertad (t(n)) es la
asociada a una variable aleatoria que se obtiene a partir del cociente de una
variable N(0, 1) y la raíz cuadrada de una variable χ 2 (n). Por tanto, esta
distribución puede tomar cualquier valor real. Su función de densidad es muy
compleja y su gráfica es parecida a la de la distribución N(0, 1). En el siguiente
gráfico aparecen representadas las función de densidad de una t(4): −4 −2 0 2 4
0.0 0.1 0.2 0.3 t(4) Intuitivamente, esta distribución es de utilidad para obtener

información o establecer comparaciones entre las medias poblacionales a partir de

uno o dos conjuntos de datos extraídos de una variable normal

Distribuciones chi-cuadrado, t de Student y F de Snedecor

Distribución F de Snedecor (F(n, m)) La distribución de probabilidad F de
Snedecor con n y m grados de libertad (F(n, m)) es la asociada a una variable
aleatoria que se obtiene a partir del cociente de una dos variables chi-cuadrado
con n y m grados de libertad respectivamente. Por tanto, esta distribución sólo
tomar valores positivos. Su función de densidad es muy compleja y su gráfica es
parecida a la de la distribución chi-cuadrado. En el siguiente gráfico aparecen
representada las función de densidad de una F(3, 6): 0 2 4 6 8 10 0.0 0.1 0.2 0.3
0.4 0.5 0.6 0.7 F(3,5) Intuitivamente, esta distribución es de utilidad para
establecer comparaciones entre las varianzas poblacionales a partir de dos
conjuntos de datos extraídos de una variable normal
 Media
La media es un estadístico sensible a valores extremos. Basta que algún dato
dentro de la muestra sea muy alto o muy bajo, el promedio se verá alterado.

Proporción
es la distribución de los valores de las proporciones muéstrales de todas las
posibles muestras del mismo tamaño n tomadas de la misma población.
 Bibliografía

http://www.vadenumeros.es/sociales/ejemplos-distribucion-binomial.htm

http://www4.ujaen.es/~mjolmo/EstadI/LADE_DCHO/Distribuciones.pdf

http://www.ugr.es/~bioestad/_private/Tema_4_color.pdf

http://matematicas.unex.es/~mota/ciencias_ambientales/tema5_nuevo.pdf