1 Ej
1 Ej
1 Ej
A. Discretas
La manera lógica de organizar datos es crear categorías y luego asignar las
observaciones a una categoría. Pero nuestra capacidad de categorizar está limitada
por la naturaleza de las variables que usamos. Además, no todas las variables se
pueden categorizar con la misma facilidad. En términos estadísticos, las variables que
interesa medir pueden ser:
a) discretas o,
b) continuas.
Una variable discreta es una variable que no puede tomar algunos valores dentro de un
mínimo conjunto numerable, quiere decir, no acepta cualquier valor, únicamente
aquellos que pertenecen al conjunto. En estas variables se dan de modo coherente
separaciones entre valores observables sucesivos. Dicho con más rigor, se determina
una variable discreta como la variable que hay entre dos valores observables
(potencialmente), hay por lo menos un valor no observable (potencialmente).
Ejemplo 1.
El número de vacas de una granja, porque sólo son enteros, no podemos decir que en
la granja hay 7 vacas y media.
Ejemplo 2.
El número de trabajadores de una empresa que son ingenieros, ya que es un dato que
tú requieres para realizar la nómina y además, necesitas datos reales y contables.
Ejemplo 3.
El número de alumnos del grupo 2202, porque si se desconoce este dato, podrían
seguir aceptándose alumnos y ya no cabrían en las sillas, habría personas paradas.
Tampoco podemos decir que tenemos 60 alumnos y ¼ porque no es posible y no
quedaría claro cuántas bancas están siendo ocupadas.
B. Continuas
Una variable continua puede tomar un valor fijo dentro de un intervalo determinado. Y
siempre entre dos valores observables va a existir un tercer valor intermedio que
también podría tomar la variable continua. Una variable continua toma valores a lo
largo de un continuo, esto es, en todo un intervalo de valores. Un atributo esencial de
una variable continua es que, a diferencia de una variable discreta, nunca puede ser
medida con exactitud; el valor observado depende en gran medida de la precisión de
los instrumentos de medición. Con una variable continua hay inevitablemente un error
de medida.
Ejemplo 1.
Ejemplo 2.
Ejemplo 3.
Los pesos de los alumnos del equipo de gimnasia porque al igual que la estatura y los
ingresos, éstas se manejan con los decimales que sean necesarios para llevar un
control previamente establecido.
CONCLUSIÓN TEMA 1.
Como todo debe partir de un punto clave, nos debe ser de gran importancia partir
desde las etiquetas de los datos que manejamos, como lo es, nombrarlos “variables
discretas” y “variables continuas” para saber con qué tipo de datos estamos trabajando.
Así mismo, su importancia de las variables radica en la exactitud que deseemos
obtener y saber de qué manera agrupar los datos para su posterior análisis estadístico.
Para dos números reales cualesquiera a y b tal que (a< b), los sucesos ( X ≤ a ) y
(a< X ≤b) son mutuamente excluyentes y su unión es el suceso ( X ≤ b), por lo que
tenemos entonces que:
P ( X ≤b )=P ( X ≤ a ) + P(a< X ≤ b)
P ( a< X ≤ b ) =P ( X ≤ b ) −P(X ≤ a)
Y finalmente
P ( a< X ≤ b ) =F ( b ) −F (a)
Por lo tanto, una vez conocida la función de distribución F (x) para todos los valores
dde la variable aleatoria x se obtendrá completamente la función de probabilidad de la
variable. Para realizar cálculos es más cómodo conocer la distribución de probabilidad,
y sin embargo para ver una representación gráfica de la probabilidad es más práctico el
uso de la función de densidad.
Con una distribución de probabilidad discreta, cada valor posible de la variable aleatoria
discreta puede estar asociado con una probabilidad distinta de cero. Por lo tanto, una
distribución de probabilidad discreta suele representarse en forma tabular.
μ x∗e− μ
P x=
( )
x!
Dónde:
La desviación típica es σ =√ μ
Cuando realizamos un experimento contando sucesos y obtenemos un valor x,
su error vendrá determinado por la raíz de x. x ± √ x
Como caso realmente interesante cabe mencionar que la distribución de poisson fue
utilizada para determinar si durante la segunda guerra mundial los alemanes al
bombardear Londres desde Calais (Francia) con los protomisiles V1 y V2 apuntaban o
simplemente disparaban al azar. Era un hecho realmente importante determinar ese
punto pues si los objetivos alcanzados con estos primitivos misiles eran los blancos que
los alemanes habían seleccionado, implicaba que éstos disponían de una tecnología
balística muy superior a la sospechada.
2. np ≤ 10
μ=np
Ejemplo 1.
Solución:
Conclusión:
Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la distribución
de probabilidad es la integral de la función de densidad, por lo que tenemos entonces
que:
x
F ( x )=P ( X ≤ x ) =∫ f ( t ) dt
−∞
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; como 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.
Para que f ( x ) sea una FDP ¿ legítima, debe satisfacer las siguientes 2 condiciones:
2. ∫ f ( x ) dx=1
−∞
1. lim
x→ ∞
F ( x )=1. Es decir, la probabilidad de todo el espacio muestral es 1.
2. lim
x→ ∞
F ( x )=0. Es decir, la probabilidad del sucedo nulo es cero.
Distribuciones definidas en un
intervalo acotado
La distribución
arcoseno, definida en el
intervalo [a,b].
La distribución beta,
definida en el intervalo
[0, 1], que es útil a la
hora de estimar
probabilidades.
La distribución del coseno alzado, sobre el intervalo [\mu-s,\mu+s].
La distribución degenerada en x0, en la que X toma el valor x0 con
probabilidad 1. Puede ser considerada tanto una distribución discreta como
continua.
La distribución de Irwin-Hall o distribución de la suma uniforme, es la
distribución correspondiente a la suma de n variables aleatorias i.i.d. ~ U(0, 1).
La distribución de Kent, definida sobre la superficie de una esfera unitaria.
La distribución de Kumaraswamy, tan versátil como la beta, pero con FDC y
FDP más simples.
La distribución logarítmica continua.
La distribución logit-normal en (0, 1).
La distribución normal truncada, sobre el intervalo [a, b].
La distribución recíproca, un tipo de distribución inversa.
La distribución triangular, definida en [a, b], de la cual un caso particular es la
distribución de la suma de dos variables independientes uniformemente
distribuidas (la convolución de dos distribuciones uniformes).
La distribución uniforme continua definida en el intervalo cerrado [a, b], en el
que la densidad de probabilidad es constante.
La distribución rectangular es el caso particular en el intervalo [-1/2, 1/2].
La distribución U-cuadrática, definida en [a, b], utilizada para modelar
procesos bimodales simétricos.
La distribución von Mises, también llamada distribución normal circular o
distribución Tikhonov, definida sobre el círculo unitario.
La distribución von Mises-Fisher, generalización de la anterior a una esfera N-
dimensional.
La distribución semicircular de Wigner, importante en el estudio de las
matrices aleatorias.
La distribución log-Cauchy.
La distribución log-gamma.
La distribución log-Laplace.
La distribución log-logistic.
La distribución log-normal.
La distribución de Mittag–Leffler.
La distribución de Nakagami.
Distribuciones multivariables
Distribuciones matriciales
La distribución de Wishart.
La distribución de Wishart inversa.
La distribución normal matricial.
La distribución t matricial.
Distribuciones no numéricas
La distribución categórica.
Distribuciones misceláneas
Distribución de Cantor.
Distribución de tipo fase.
Ejemplo 1.
Ejemplo 2.
Sea X una variable aleatoria cuya función de densidad viene dada por f (X), calcula su
función de distribución:
Conclusión:
Como base e tiene que la función de distribución va a describir el comportamiento
probabilístico de una variable aleatoria X y al ser continua verifica las siguientes
propiedades:
Ejemplo 1.
Mesografía
anónimo. (22 de diciembre de 2018). Wikipedia. Recuperado el 26 de abril de 2019, de
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_probabilidad