Beruflich Dokumente
Kultur Dokumente
PROBABILIDAD CONTINUA
Definición
Se trata, sin duda, del modelo continuo más importante en estadística, tanto por su
aplicación directa, veremos que muchas variables de interés general pueden describirse
por dicho modelo, como por sus propiedades, que han permitido el desarrollo de
numerosas técnicas de inferencia estadística. En realidad, el nombre de Normal proviene
del hecho de que durante un tiempo se creyó, por parte de médicos y biólogos, que
todas las variables naturales de interés seguían este modelo.
Su función de densidad viene dada por la fórmula:
Que, como vemos, depende de dos parámetros μ (que puede ser cualquier valor real) y
σ (que ha de ser positiva). Por esta razón, a partir de ahora indicaremos de forma
abreviada que una variable X sigue el modelo Normal así: X ~ N(μ, σ). Por ejemplo, si nos
referimos a una distribución Normal con μ = 0 y σ = 1 lo abreviaremos N(0, 1).
Propiedades del modelo Normal
1. Su esperanza es μ.
2. Su varianza es σ2 y, por tanto, su desviación típica es σ.
3. Es simétrica respecto a su media μ, como puede apreciarse en la
representación anterior.
4. Media, moda y mediana coinciden (μ).
5. Cualquier transformación lineal de una variable con distribución Normal
seguirá también el modelo Normal.
6. Cualquier combinación lineal de variables normales
independientes sigue también una distribución Normal.
Distribución lognormal (mu, sigma)
Esta transformación, denominada logit, se utiliza para modelar datos de respuesta binaria,
especialmente en el contexto de la regresión logística.
Campo de variación: -∞ < x < ∞
Parámetros:
1. a: situación, - ∞ < a < ∞
2. b: escala, b > 0
Distribución beta (p,q)
Esta distribución fue propuesta y tabulada por William Sealy Gosset (1876-1937),
más conocido por el seudónimo de Student, como resultado de un estudio
sobre la estimación de la media cuando el tamaño de muestra es pequeño.
La distribución t de Student queda completamente definida por medio de sus
grados de libertad, n, y se denota por 𝑡𝑛 . Surge cuando se plantea estudiar el
cociente entre una variable aleatoria con distribución normal estándar y la raíz
cuadrada del cociente entre una variable aleatoria con distribución ji-
cuadrado y sus grados de libertad (n), siendo las dos variables independientes.
Esta distribución desempeña un papel muy importante en la inferencia
estadística asociada a la teoría de muestras pequeñas y es usada
habitualmente en el contraste de hipótesis para la media de una población o
para comparar medias de dos poblaciones.
Campo de variación: - ∞ < x < ∞
Parámetros:
1. n: grados de libertad, n ≥ 1 entero
Distribución F de Snedecor (n,m)
Esta distribución fue introducida por Simeón Denis Poisson (1781-1840) en 1824, aunque
debe su nombre al matemático francés Augustin Louis Cauchy (1789-1857) quien la
reintrodujo en 1853. En el ámbito de la física también es conocida con el nombre de
distribución de Lorentz o distribución de Breit-Wigner.
La distribución de Cauchy depende de dos parámetros: escala (μ) y situación (θ); en el
caso particular de que μ = 1 y θ = 0, recibe el nombre de distribución de Cauchy
estándar.
Una característica destacable de esta distribución es que carece de momentos, por lo
que no existen la media, varianza, asimetría y curtosis de esta distribución. Su función de
densidad es simétrica respecto al parámetro de situación θ.
Campo de variación: - ∞ < x < ∞
Parámetros:
μ : escala, μ > 0
θ : situación, -∞ < θ < ∞
Distribución Weibull (a, b)