República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación

UNERMB. Universidad Nacional Experimental Rafael María Baralt
Ciudad Ojeda-Edo Zulia

DISTRIBUCIÓN DE PROBABILIDAD PARA

VARIABLES CONTINUAS

Realizado por:
Ana Perez
C.I: 27.519.271
DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE
CONTINUA
Las distribuciones de probabilidad de variable continua son idealizaciones de
las distribuciones estadísticas de variable continua. Estas se obtienen
empíricamente (experimentando u observando). Aquellas son distribuciones
teóricas.
Las distribuciones de probabilidad de variable continua se definen por medio de
una función y = f(x) que se llama función de probabilidad o función de
densidad. Ha de ser f(x) ≥ 0 para todo x.
Las probabilidades vienen dadas por el área bajo la curva. Por tanto, el área
encerrada bajo la totalidad de la curva es 1. Es decir, tomamos como unidad el
área bajo la curva completa.
Para que f(x) sea la función de densidad o de probabilidad de una variable
aleatoria es necesario que:
- f(x) se no negativa para todo x
- El área bajo la curva y = f(x) sea igual a 1
Para hallar la probabilidad P[a ≤ x ≤ b], obtendremos el área que hay bajo la
curva en el intervalo [a, b]
Las probabilidades de sucesos puntuales son cero: P[x = a] = 0.
Por tanto: P[a ≤ x ≤ b] = P[a < x < b]
La media y la desviación típica tienen los mismos significados que en las
distribuciones estadísticas pero su cálculo exacto no corresponde a este curso

LA DISTRIBUCIÓN NORMAL
La campana de Gauss o curva normal es una función de probabilidad
continua , simétrica, cuyo máximo coincide pues con la media μ
Para cada valor de μ (media) y cada valor de Õ (desviación típica) hay una
curva normal, que se denomina N (μ ,Õ )

DISTRIBUCIÓN NORMAL ESTÁNDAR:

Como existe infinitas curvas normales, determinadas cada una de ellas por
N(µ,σ), se creó una distribución normal estándar de referencia y que represente
a todas y cada una de las infinitas curvas normales, donde por convención mu
es igual a cero y sigma igual a uno, N(0,1). Para “transformar” un valor de una
variable X proveniente de una curva normal a su correspondiente valor Z
(calificación Z) de una curva normal estándar, se utiliza la siguiente ecuación:
donde x, es el valor de la distribución normal a ser transformada en una
calificación Z (normal estándar) y los parámetros mu y sigma son la media y
desviación estándar de la distribución normal de donde procede el valor x. Al
transformar cualquier valor x de una variable a su correspondiente calificación
Z, entonces podemos referir esta calificación con relación a la única curva
normal estándar N(0,1). Por ejemplo, si queremos conocer la calificación Z de
un valor de presión arterial sistólica de 130 mmHg proveniente de una
distribución de frecuencia de una población, donde la media de la presión
sistólica es igual a 120 mmHg y la desviación estándar igual a 10 mmHg,
entonces:
Z = (130 mmHg- 120 mmHd)/10 mmHg = 1.
La importancia de esta transformación a una calificación Z, se hace evidente
cuando ahora podemos observar que este valor está a más una desviación
estándar de la media de la curva normal estándar, lo que no era tan evidente
con los valores provenientes de la distribución de frecuencia original; así mismo
con la curva normal estándar podemos inferir AUC e interpretarlas como
distribuciones de probabilidades y decir por ejemplo, que el 68% de los
pacientes provenientes de la población original tendrían una presión arterial
entre 110 – 130 mmHg.
Z1= (110 – 120)/10 = -1
Z2=(130 – 120)/10 = 1
USO DE TABLAS:

Puedes usar la tabla de abajo para saber el área bajo la curva desde la línea
central hasta cualquier línea vertical "a valor Z" hasta 3, en incrementos de 0.1
Esto te dice qué parte de la población está dentro de "Z" desviaciones estándar
de la media.
En lugar de una tabla LARGA, hemos puesto los incrementos de 0.1 hacia
abajo, y los de 0.01 de lado.
Por ejemplo, para saber el área debajo de la curva entre 0 y 0.45, ve a la fila de
0.4, y sigue de lado hasta 0.45, allí pone 0.1736
Como la curva es simétrica, la tabla vale para ir en las dos direcciones, así que
0.45 negativo también tiene un área de 0.1736
DISTRIBUCIÓN T DE STUDENT
Las distribuciones t de Student fueron descubiertas por William S. Gosset
(1876-1937) en 1908 cuando trabajaba para la compañía de cervezas
Guinness en Dublín (Irlanda). No pudo publicar sus descubrimientos usando su
propio nombre porque Guinness había prohibido a sus empleados que
publicaran información confidencial. Gosset firmó sus publicaciones usando el
nombre de "Student". Gosset tenía buena relación con Karl Pearson que había
sido su maestro. Necesitaba una distribución que pudiera usar cuando el
tamaño de la muestra fuera pequeño y la varianza desconocida y tenía que ser
estimada a partir de los datos. Las distribuciones t se usan para tener en
cuenta la incertidumbre añadida que resulta por esta estimación. Fisher
comprendió la importancia de los trabajos de Gosset para muestras pequeñas.
la distribución t (de Student) es una distribución de probabilidad que surge del
problema de estimar la media de una población normalmente distribuida
cuando el tamaño de la muestra es pequeño.
Aparece de manera natural al realizar la prueba t de Student para la
determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias de
dos poblaciones cuando se desconoce la desviación típica de una población y
ésta debe ser estimada a partir de los datos de una muestra.
USO DE TABLAS:
OTRAS DISTRIBUCIONES DE PROBABILIDAD:
 LA DISTRIBUCIÓN BINOMIAL:
Para ciertos valores de n y p, las distribuciones binomiales tienen un
extraordinario parecido con las correspondientes distribuciones normales.
En general, una binomial B(n, p) se parece a una curva normal tanto más,
cuanto mayor es el producto np (o nq si q < p) Cuando np y nq son ambos
mayores que 3, la aproximación es bastante buena. Y si superan a 5, la
aproximación es casi perfecta.
Naturalmente, la curva normal a la cual se aproxima tiene la misma media y la
misma desviación típica que la binomial, es decir: μ = np Õ= √npq

 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):
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.

DISTRIBUCIÓN GAMMA:

En estadística la distribución gamma es una distribución de probabilidad

continua con dos parámetros k>0 y A>0 reales cuya función de densidad
para valores x>0 es

Aquí e y t es la función gamma. Para valores k, e y N la función gamma

es t(k) = (k-1)! ( El factorial k-1). En este caso - por ejemplo para
describir un proceso de Poisson - se llaman la distribución Erlang con un
parámetro Ø= 1/A
 El valor esperado y la varianza de una variable aleatoria X de
distribución gamma son

APLICACIONES EN LA ADMINISTRACIÓN:

Hoy en día aumenta la confusión en el mundo y la toma de decisiones

se hace cada vez más difícil, es por eso que dichas decisiones deben
tomarse de manera inteligente y conocimientos experimentados, y es
donde se aplican los análisis estadísticos. La estadística, resaltando la
distribución de probabilidades, es esencial en la toma de decisiones,
para el control de calidad, minimización de costos, combinación de
productos e inventarios, y gran cantidad de asuntos empresariales, los
cuales se pueden manejar a través de cálculos estadístico

La ampliación de los conocimientos de cómo podemos aplicar la

estadística a los negocios y a la economía, es fundamental en los
negocios, donde empresas deberían de manejar bien su administración
con datos estadísticos bien analizados para que beneficie las ganancias

Así pues las estadísticas son fundamentales a los efectos de gestionar y

mejorar temas o actividades tales como:

 El control de calidad
 El nivel de averías y sus frecuencias
 Los tiempos para cambios o preparación de herramientas
 Los niveles de productividad de distintos procesos, actividades y
productos
 Los costos correspondientes a distintos tipos de conceptos y actividades
 La gestión de créditos y cobranzas
 El seguimiento del flujo de fondos
 Los niveles de satisfacción de los clientes y usuarios
 Los tipos de accidentes y sus frecuencias
 El análisis paretiano de defectos, costes, rentabilidades, ventas
EJEMPLO DE LA DISTRIBUCIÓN DE T DE STUDENT: