Distribuciones continuas

UNIFORME

En teora de la probabilidad, la distribucin uniforme discreta es una distribucin de probabilidad que asume
un nmero finito de valores con la misma probabilidad.

Propiedades

Distribucin uniforme (caso discreto).

Si la distribucin asume los valores reales

, su funcin de probabilidad es

y su funcin de distribucin la funcin escalonada

Su media estadstica es

POISSON
Es una distribucin de probabilidad que muestra la probabilidad de x ocurrencias de un evento
en un intervalo especificado de tiempo o e espacio
Las propiedades de un experimento de Poisson son:
La probabilidad de una ocurrencia es igual en dos intervalos cualesquiera de igual longitud
La ocurrencia o no ocurrencia en cualquier intervalo es independiente de la ocurrencia o no
ocurrencia en cualquier otro intervalo

En teora de probabilidad y estadstica, la distribucin de Poisson es una distribucin de probabilidad discreta

que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad que ocurra un determinado nmero
de eventos durante cierto periodo de tiempo.

Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su trabajo Recherches sur la
probabilit des jugements en matires criminelles et matire civile (Investigacin sobre la probabilidad de los
juicios en materias criminales y civiles).
La funcin de masa de la distribucin de Poisson es

donde

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la probabilidad de que el evento
suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se espera que ocurra el fenmeno
durante un intervalo dado. Por ejemplo, si el suceso estudiado tiene lugar en promedio 4 veces por
minuto y estamos interesados en la probabilidad de que ocurra k veces dentro de un intervalo de 10
minutos, usaremos un modelo de distribucin de Poisson con = 104 = 40.

e es la base de los logaritmos naturales (e = 2,71828 ...)

HIPERGEOMETRICA

Est estrechamente relacionada con la distribucin de probabilidad binomial. La diferencia entre ambas est en
la independencia de los intentos y en que la probabilidad de xito cambia de uno a otro
Se usa para calcular la probabilidad de que una muestra aleatoria de n artculos seleccionados sin reemplazo,
obtengamos x elementos identificados como xitos, y n-x como fracasos. Para que suceda esto debemos obtener
x xitos de los r de la poblacin, y n-x fracasos de los N-r de la poblacin.
*****En teora de la probabilidad la distribucin hipergeomtrica es una distribucin discreta relacionada
con muestreos aleatorios y sin reemplazo. Supngase que se tiene una poblacin de N elementos de los cuales,
d pertenecen a la categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de obtener x (
) elementos de la categora A en una muestra de n elementos de la poblacin original.
La funcin de probabilidad de una variable aleatoria con distribucin hipergeomtrica puede deducirse a travs
de razonamientos combinatorios y es igual a

donde
N es el tamao de poblacin, n es el tamao de la muestra extrada, d es el nmero de elementos en la poblacin
original que pertenecen a la categora deseada y x es el nmero de elementos en la muestra que pertenecen a
dicha categora. La notacin
hace referencia al coeficiente binomial, es decir, el nmero de combinaciones
posibles al seleccionar b elementos de un total a.
GAMA

En estadstica la distribucin gamma es una distribucin de probabilidad continua con dos parmetros k y
cuya funcin de densidad para valores x > 0 es

Aqu e es el nmero e y es la funcin gamma. Para valores

la aquella es (k) = (k 1)! (el
factorial de k 1). En este caso - por ejemplo para describir un proceso de Poisson - se llaman la distribicin
distribucin Erlang con un parmetro = 1 / .

Distribucin binominal

Cada experimento tiene dos resultados posibles, que se llaman xito y fracaso.

La probabilidad p de xito es la misma en cada experimento, y esta probabilidad no se ve

afectada por el conocimiento de los resultados anteriores. La probabilidad q de fracaso
viene dada por q = 1 - p

Sea n un nmero entero positivo, y sea p un nmero real comprendido entre 0 y 1. Sea Sj
la variable aleatoria que cuenta el nmero, j , de xitos en un proceso de Bernouilli de n
pruebas y probabilidad de xito p. Entonces la distribucin b(n,p,j) de Sj se dice que es
una distribucin binomial.

p(X = k) = n
k pk q(nk)

la distribucin geomtrica
es cualquiera de las dos distribuciones de probabilidad discretas siguientes:

la distribucin de probabilidad del nmero X del ensayo de Bernoulli necesaria para

obtener un xito, contenido en el conjunto { 1, 2, 3,...} o

la distribucin de probabilidad del nmero Y = X 1 de fallos antes del primer xito,

contenido en el conjunto { 0, 1, 2, 3,... }.

Cul de stas es la que uno llama "la" distribucin geomtrica, es una cuestin de convencin y
conveniencia.
Propiedades
Si la probabilidad de xito en cada ensayo es p, entonces la probabilidad de que x ensayos sean
necesarios para obtener un xito es

para x = 1, 2, 3,.... Equivalentemente, la probabilidad de que haya x fallos antes del primer xito
es

para x = 0,1, 2, 3,....

En ambos casos, la secuencia de probabilidades es una progresin geomtrica.
El valor esperado de una variable aleatoria X distribuida geomtricamente es

y dado que Y = X-1,

En ambos casos, la varianza es

Las funciones generatrices de probabilidad de X y la de Y son, respectivamente,

Exponencial
En estadstica la distribucin exponencial es una distribucin de probabilidad continua con un
parmetro > 0 cuya funcin de densidad es:

Su funcin de distribucin es:

Donde e representa el nmero e.
El valor esperado y la varianza de una variable aleatoria X con distribucin exponencial son:

La Distribucin Normal
La distribucin normal fue reconocida por primera vez por el francs Abraham de Moivre (16671754). Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms profundos y
formul la ecuacin de la curva; de ah que tambin se la conozca, ms comnmente, como la
"campana de Gauss". La distribucin de una variable normal est completamente
determinada por dos parmetros, su media y su desviacin estndar, denotadas generalmente
por

. Con esta notacin, la densidad de la normal viene dada por la ecuacin:

Ecuacin 1:
que determina la curva en forma de campana que tan bien conocemos (Figura 2). As, se dice
que una caracterstica
como

sigue una distribucin normal de media

y varianza

, y se denota

, si su funcin de densidad viene dada por la Ecuacin 1.

Al igual que ocurra con un histograma, en el que el rea de cada rectngulo es proporcional al
nmero de datos en el rango de valores correspondiente si, tal y como se muestra en la Figura 2,
en el eje horizontal se levantan perpendiculares en dos puntos a y b, el rea bajo la curva
delimitada por esas lneas indica la probabilidad de que la variable de inters, X, tome un valor
cualquiera en ese intervalo. Puesto que la curva alcanza su mayor altura en torno a la media,
mientras que sus "ramas" se extienden asintticamente hacia los ejes, cuando una variable siga
una distribucin normal, ser mucho ms probable observar un dato cercano al valor medio que
uno que se encuentre muy alejado de ste.
Propiedades de la distribucin normal:
La distribucin normal posee ciertas propiedades importantes que conviene destacar:
i.

Tiene una nica moda, que coincide con su media y su mediana.

ii.

La curva normal es asinttica al eje de abscisas. Por ello, cualquier valor entre
es tericamente posible. El rea total bajo la curva es, por tanto, igual a 1.

iii.

Es simtrica con respecto a su media . Segn esto, para este tipo de variables existe
una probabilidad de un 50% de observar un dato mayor que la media, y un 50% de
observar un dato menor.

iv.

La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es igual

a una desviacin tpica ( ). Cuanto mayor sea , ms aplanada ser la curva de la
densidad.

v.

El rea bajo la curva comprendido entre los valores situados aproximadamente a dos
desviaciones estndar de la media es igual a 0.95. En concreto, existe un 95% de
posibilidades de observar un valor comprendido en el intervalo

vi.

La forma de la campana de Gauss depende de los parmetros

.
y

(Figura 3). La media

indica la posicin de la campana, de modo que para diferentes valores de la grfica es

desplazada a lo largo del eje horizontal. Por otra parte, la desviacin estndar determina
el grado de apuntamiento de la curva. Cuanto mayor sea el valor de , ms se
dispersarn los datos en torno a la media y la curva ser ms plana. Un valor pequeo de

este parmetro indica, por tanto, una gran probabilidad de obtener datos cercanos al valor
medio de la distribucin.
Como se deduce de este ltimo apartado, no existe una nica distribucin normal, sino una
familia de distribuciones con una forma comn, diferenciadas por los valores de su media y su
varianza. De entre todas ellas, la ms utilizada es la distribucin normal estndar, que
corresponde a una distribucin de media 0 y varianza 1. As, la expresin que define su
densidad se puede obtener de la Ecuacin 1, resultando: