Ayúdanos a dar forma a GoConqr. ¿Qué deberíamos añadir?

Mapa mental

Distribuciones discretas y continuas

Roberto Cheng Inglés

Mapa mental sobre distribuciones discretas y continuas: distribución binomial, Poisson, distribución normal y uniforme

Mapa mental: Distribuciones discretas y continuas

Contenido del mapa

Distribuciones discretas y continuas

  1. Distribuciones discretas

    • Distribucion uniformes
      • Una variable aleatoria discreta que toma todos sus valores x ,x ,...,x1 2 k con igual probabilidad se dice que tiene una distribución uniforme discreta.
      • La función de probabilidad de una variable aleatoria uniforme discreta está dada por P(X = =x) k1 con x = x ,x ,...,x siendo x1 2 k i ≠ x para ij ≠ j
    • DistribuciónBinominal
      • Es una distribución de probabilidad discreta que describe el número de éxitos en una secuencia de 𝑛 n ensayos independientes de Bernoulli, cada uno con una probabilidad de éxito 𝑝 p. Un ensayo de Bernoulli es un experimento con dos posibles resultados: éxito (con probabilidad 𝑝 p) o fracaso (con probabilidad 1 − 𝑝 1−p).
        • Características principales: Número de ensayos ( 𝑛 n): La cantidad de veces que se realiza el experimento. Probabilidad de éxito ( 𝑝 p): La probabilidad de que ocurra el éxito en cada ensayo individual. Variable aleatoria: Representa el número de éxitos obtenidos en los 𝑛 n ensayos.
    • Distribución de poisson
      • Es una distribución que se presenta cuando tenemos una población n grande y la probabilidad de que ocurra un suceso determinado, tiene una probabilidad muy pequeña (ley de casos raros).
        • Ejemplos: • Llamadas a una central telefónica de emergencias. • Desintegración de átomos radiactivos. • Número de partos triples. • Número de automóviles que llegan a un peaje.
  2. distribuciones continuas

    • Distribución Uniforme o rectangular
      • es una distribución de probabilidad continua donde todos los valores dentro de un intervalo específico tienen la misma probabilidad de ocurrir. Esto significa que la función de densidad de probabilidad (FDP) es constante en el intervalo definido, y fuera de este intervalo, la probabilidad es cero.
        • Características principales: Intervalo [ 𝑎 , 𝑏 ] [a,b]: La distribución está definida en un intervalo cerrado [ 𝑎 , 𝑏 ] [a,b]. Función de densidad de probabilidad (FDP): La FDP para la distribución uniforme se expresa como: 𝑓 ( 𝑥 ) = 1 𝑏 − 𝑎 para  𝑎 ≤ 𝑥 ≤ 𝑏 f(x)= b−a 1 ​ para a≤x≤b y 𝑓 ( 𝑥 ) = 0 f(x)=0 fuera del intervalo [ 𝑎 , 𝑏 ] [a,b].
    • Distribución Normal
      • también conocida como distribución de Gauss o curva de campana, es una de las distribuciones de probabilidad continua más importantes en estadística. Describe cómo se distribuyen los valores de una variable aleatoria continua alrededor de su media. Es ampliamente utilizada debido a que muchos fenómenos naturales y sociales se ajustan aproximadamente a esta distribución.
        • Características principales: Función de densidad de probabilidad (FDP): La FDP de la distribución normal está dada por la fórmula: 𝑓 ( 𝑥 ) = 1 𝜎 2 𝜋 𝑒 − ( 𝑥 − 𝜇 ) 2 2 𝜎 2 f(x)= σ 2π ​ 1 ​ e − 2σ 2 (x−μ) 2 ​
          • Importancia: La distribución normal es fundamental en estadística debido al teorema central del límite, que establece que la suma de un gran número de variables aleatorias independientes, cada una con su propia distribución, tiende a seguir una distribución normal, independientemente de la distribución original de las variables. Esto hace que la distribución normal sea una herramienta esencial para la inferencia estadística.
    • Adición de distribuciones normales
      • Se refiere a la suma de dos o más variables aleatorias que siguen una distribución normal. Una propiedad clave de las distribuciones normales es que la suma de variables normales independientes también sigue una distribución normal.
        • Propiedad: Si 𝑋 1 X 1 ​ y 𝑋 2 X 2 ​ son dos variables aleatorias independientes que siguen distribuciones normales: 𝑋 1 ∼ 𝑁 ( 𝜇 1 , 𝜎 1 2 ) X 1 ​ ∼N(μ 1 ​ ,σ 1 2 ​ ) 𝑋 2 ∼ 𝑁 ( 𝜇 2 , 𝜎 2 2 ) X 2 ​ ∼N(μ 2 ​ ,σ 2 2 ​ ) Entonces, la suma 𝑌 = 𝑋 1 + 𝑋 2 Y=X 1 ​ +X 2 ​ también sigue una distribución normal: 𝑌 ∼ 𝑁 ( 𝜇 1 + 𝜇 2 , 𝜎 1 2 + 𝜎 2 2 ) Y∼N(μ 1 ​ +μ 2 ​ ,σ 1 2 ​ +σ 2 2 ​ )
        • Características de la distribución resultante: Media ( 𝜇 𝑌 μ Y ​ ): Es la suma de las medias de las distribuciones originales. 𝜇 𝑌 = 𝜇 1 + 𝜇 2 μ Y ​ =μ 1 ​ +μ 2 ​ Varianza ( 𝜎 𝑌 2 σ Y 2 ​ ): Es la suma de las varianzas de las distribuciones originales. 𝜎 𝑌 2 = 𝜎 1 2 + 𝜎 2 2 σ Y 2 ​ =σ 1 2 ​ +σ 2 2 ​
    • Distribuciones derivadas de la normal
      • son distribuciones de probabilidad que se obtienen a partir de transformaciones de variables que siguen una distribución normal. Estas distribuciones son fundamentales en la estadística inferencial y se utilizan en diversas pruebas estadísticas y análisis de varianza.
        • Principales distribuciones derivadas de la norma
          • Distribución Chi-cuadrado ( 𝜒 2 χ 2 ): Se obtiene como la suma de los cuadrados de 𝑘 k variables aleatorias independientes que siguen una distribución normal estándar 𝑁 ( 0 , 1 ) N(0,1). Si 𝑍 1 , 𝑍 2 , … , 𝑍 𝑘 Z 1 ​ ,Z 2 ​ ,…,Z k ​ son variables normales estándar independientes, entonces: 𝜒 2 = 𝑍 1 2 + 𝑍 2 2 + ⋯ + 𝑍 𝑘 2 χ 2 =Z 1 2 ​ +Z 2 2 ​ +⋯+Z k 2 ​ Tiene 𝑘 k grados de libertad. Se utiliza en pruebas de hipótesis sobre varianzas y en la prueba de bondad de ajuste.
          • Distribución t de Student: Se obtiene cuando se divide una variable normal estándar por la raíz cuadrada de una variable 𝜒 2 χ 2 dividida por sus grados de libertad. Si 𝑍 ∼ 𝑁 ( 0 , 1 ) Z∼N(0,1) y 𝑉 ∼ 𝜒 2 V∼χ 2 con 𝑘 k grados de libertad, entonces: 𝑡 = 𝑍 𝑉 / 𝑘 t= V/k ​ Z ​ Tiene 𝑘 k grados de libertad. Se utiliza en pruebas de hipótesis cuando el tamaño de la muestra es pequeño y la varianza poblacional es desconocida.
          • Distribución F de Snedecor: Se obtiene como el cociente de dos variables 𝜒 2 χ 2 independientes, cada una dividida por sus respectivos grados de libertad. Si 𝑈 1 ∼ 𝜒 2 U 1 ​ ∼χ 2 con 𝑚 m grados de libertad y 𝑈 2 ∼ 𝜒 2 U 2 ​ ∼χ 2 con 𝑛 n grados de libertad, entonces: 𝐹 = ( 𝑈 1 / 𝑚 ) ( 𝑈 2 / 𝑛 ) F= (U 2 ​ /n) (U 1 ​ /m) ​ Tiene 𝑚 m y 𝑛 n grados de libertad en el numerador y el denominador, respectivamente. Se utiliza en el análisis de varianza (ANOVA) y en la prueba de comparación de varianzas.

Información

Descripción
Mapa Mental sobre Distribuciones discretas y continuas, creado por Roberto Cheng el 20/08/2024.
Creado por
Roberto Cheng
Visitas
0
Valoración

Escríbenos

¿Sobre qué es tu mensaje?

¿Qué deberíamos añadir?