Distribución de probabilidad uniforme - Monografias.

com
Distribución de probabilidad uniforme
La distribución de probabilidad uniforme es un ejemplo de una distribución de probabilidad es continua. Una
distribución de probabilidad es continua cuando los resultados posibles del experimento son obtenidos de
variables aleatorias continuas, es decir, de variables cuantitativas que pueden tomar cualquier valor, y que
resultan principalmente del proceso de medición.
Ejemplos de variables aleatorias continuas son:
La estatura de un grupo de personas
El tiempo dedicado a estudiar
La temperatura en una ciudad
Es una distribución en el intervalo [a,b] en la cual las probabilidades son las mismas para todos los posibles
resultados, desde el mínimo de a hasta el máximo de b. El experimento de lanzar un dado es un ejemplo que
cumple la distribución uniforme, ya que todos los 6 resultados posibles tienen 1/6 de probabilidad de
ocurrencia.

Leer más: http://www.monografias.com/trabajos86/distribucion-probabilidad-uniforme/distribucion-probabilidad-

uniforme.shtml#ixzz4yWe3TC4C

Distribución exponencial (Teoría)

Mientras que la distribución de Poisson describe las llegadas por unidad de tiempo, la distribución exponencial
estudia el tiempo entre cada una de estas llegadas. Si las llegadas son de Poisson el tiempo entre estas
llegadas es exponencial. Mientras que la distribución de Poisson es discreta la distribución exponencial es
continua porque el tiempo entre llegadas no tiene que ser un número entero. Esta distribución se utiliza mucho
para describir el tiempo entre eventos. Más específicamente la variable aleatoria que representa al tiempo
necesario para servir a la llegada.
Ejemplos típicos de esta situación son el tiempo que un medico dedica a una exploración, el tiempo de servir
una medicina en una farmacia, o el tiempo de atender a una urgencia.
El uso de la distribución exponencial supone que los tiempos de servicio son aleatorios, es decir, que un
tiempo de servicio determinado no depende de otro servicio realizado anteriormente ni de la posible cola que
pueda estar formándose. Otra característica de este tipo de distribución es que no tienen "edad" o en otras
palabras, "memoria". Por ejemplo. Supongamos que el tiempo de atención de un paciente en una sala
quirúrgica sigue una distribución exponencial. Si el paciente ya lleva 5 horas siendo operado, la probabilidad
de que esté una hora más es la misma que si hubiera estado 2 horas, o 10 horas o las que sea. Esto es
debido a que la distribución exponencial supone que los tiempos de servicio tienen una gran variabilidad. A lo
mejor el próximo paciente operado tarda 1 hora porque su cirugía era mucho más simple que la anterior.
La función de densidad de la distribución exponencial es la siguiente:
Se dice que la variable aleatoria continua X tiene distribución exponencial con parámetro
Su gráfica es un modelo apropiado a vida útil de objetos.

Leer más: http://www.monografias.com/trabajos84/distribucion-exponencial/distribucion-

exponencial.shtml#ixzz4yWehlTD2

V a ri a bl e a l ea t ori a d e l a di s t ri b u ci ón n or mal

Una variable aleatoria continua, X, sigue una distribución normal

de media μ y desviación típica σ, y se designa por N(μ, σ), si se
cumplen las siguientes condiciones:

1. La variable puede tomar cualquier valor: ( -∞, +∞)

2. La función de densidad, es la expresión en términos de ecuación

matemática de la curva de Gauss:

C u r v a d e l a d i s t ri b u c i ón n or mal
El campo de existencia es cualquier valor real, es decir, ( -∞, +∞).

Es simétrica respecto a la media µ.

Tiene un máximo en la media µ.

Crece hasta la media µ y decrece a partir de ella.

En los puntos µ − σ y µ + σ presenta puntos de inflexión.

El eje de abscisas es una asíntota de la curva.

El área del recinto determinado por la función y el eje de abscisas es

igual a la unidad.

Al ser simétrica respecto al eje que pasa por x = µ, deja un área

igual a 0.5 a la izquierda y otra igual a 0.5 a la derecha .

Pruebas chi-cuadrado de ajuste e independencia

Las pruebas chi-cuadrado son un grupo de contrastes de hipótesis que

sirven para comprobar afirmaciones acerca de las funciones de probabilidad (o
densidad) de una o dos variables aleatorias.

Estas pruebas no pertenecen propiamente a la estadística paramétrica pues

no establecen suposiciones restrictivas en cuanto al tipo de variables que admiten,
ni en lo que refiere a su distribución de probabilidad ni en los valores y/o el
conocimiento de sus parámetros.

Se aplican en dos situaciones básicas:

 a) Cuando queremos comprobar si una variable, cuya descripción parece
adecuada, tiene una determinada función de probabilidad. La prueba
correspondiente se llama chi-cuadrado de ajuste.

b) Cuando queremos averiguar si dos variables (o dos vías de clasificación)

son independientes estadísticamente. En este caso la prueba que
aplicaremos ser la chi-cuadrado de independencia o chi-cuadrado de
contingencia.

Chi-cuadrado de ajuste
En una prueba de ajuste la hipótesis nula establece que una variable X
tiene una cierta distribución de probabilidad con unos determinados valores de los
parámetros. El tipo de distribución se determina, según los casos, en función de:
La propia definición de la variable, consideraciones teóricas al margen de esta y/o
evidencia aportada por datos anteriores al experimento actual.

A menudo, la propia definición del tipo de variable lleva implícitos los

valores de sus parámetros o de parte de ellos; si esto no fuera así dichos
parámetros se estimarán a partir de la muestra de valores de la variable que
utilizaremos para realizar la prueba de ajuste.

Como en casos anteriores, empezaremos definiendo las hipótesis.

Hipótesis nula: X tiene distribución de probabilidad f(x) con

parámetros y1,..., yp

Hipótesis alternativa: X tiene cualquier otra distribución de

probabilidad.

¿Qué es la prueba exacta de Fisher?

Más información sobre Minitab 18

Para realizar la prueba exacta de Fisher, elija Estadísticas > Tablas > Tabulación cruzada y
Chi-cuadrada y haga clic en Otras estadísticas.
Utilice la prueba exacta de Fisher para analizar una tabla de contingencia 2x2 y probar si la
variable de fila y la variable de columna son independientes (H0: la variable de fila y la
variable de columna son independientes).

El valor p de la prueba exacta de Fisher es exacto para todos los tamaños de muestra,
mientras que los resultados de la prueba de chi-cuadrada que examina las mismas hipótesis
pueden ser inexactos cuando los conteos de celda son pequeños.

Por ejemplo, usted puede utilizar la prueba exacta de Fisher para analizar la siguiente tabla
de contingencia de resultados electorales con el fin de determinar si los votos son
independientes del sexo de los votantes.

Sexo Candidato A Candidato B

Mujer 9 26

Hombre 21 35

Para esta tabla, la prueba exacta de Fisher produce un valor p de 0.263. Puesto que este
valor p es mayor que los niveles comunes de significancia (α), usted no puede rechazar la
hipótesis nula. Por lo tanto, aunque puede parecer que hay una diferencia entre sexo y
preferencia de candidato, con estos datos, no hay evidencia suficiente para indicar que el
sexo de un elector afecta su escogencia en las elecciones. Con una muestra más grande, es
probable que pueda demostrar una diferencia.

La prueba exacta de Fisher se basa en la distribución hipergeométrica. Por lo tanto, el

valor p es condicional en los totales marginales de la tabla.

En probabilidad y estadística, 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.
 DISTRIBUCION "t DE STUDENT"

Supóngase que se toma una muestra de una población normal con media y
varianza Si es el promedio de las n observaciones que contiene la muestra

aleatoria, entonces la distribución es una distribución normal estándar.

Supóngase que la varianza de la población es desconocida. ¿Qué sucede con

la distribución de esta estadística si se reemplaza por s? La distribución t

proporciona la respuesta a esta pregunta.

La media y la varianza de la distribución t son  y para >2,

respectivamente.

La siguiente figura presenta la gráfica de varias distribuciones t. La apariencia

general de la distribución t es similar a la de la distribución normal estándar:
ambas son simétricas y unimodales, y el valor máximo de la ordenada se alcanza
en la media  Sin embargo, la distribución t tiene colas más amplias que la
normal; esto es, la probabilidad de las colas es mayor que en la distribución
normal. A medida que el número de grados de libertad tiende a infinito, la forma
límite de la distribución t es la distribución normal estándar.

Propiedades de las distribuciones t

1. Cada curva t tiene forma de campana con centro en 0.

2. Cada curva t, está más dispersa que la curva normal estándar z.
 3. A medida que aumenta, la dispersión de la curva t correspondiente
disminuye.
4. A medida que , la secuencia de curvas t se aproxima a la curva
normal estándar, por lo que la curva z recibe a veces el nombre de curva t
con gl =

La distribución de la variable aleatoria t está dada por:

En un grupo de enfermos que se quejaban de que no dormían se les dio somníferos y

placebos. Con los siguientes resultados. Nivel de significación: 0, 05.

 http://64.233.161.104/search?q=cache:kVRhh2rdptMJ:www.bio.puc.cl/cursos/bio242a/Al
eat.doc+valor+esperado&hl=es&ie=UTF-8
 http://centros.edu.xunta.es/iesaslagoas/metodosesta/estatistica/Distrivariable.htm
 http://descartes.cnice.mecd.es/Bach_HCS_2/distribuciones_probabilidad/index_discont.
htm
 http://enciclopedia.us.es/index.php/Variable_aleatoria
 http://es.geocities.com/riotorto/nopa/nopa.htm