MARIA CHACONCI4090

PRACTICA 2

EST.228

Distribuccion probabilistca continua.

1- Que es una distribuccion de probabilidad continua: : Una

distribucin continua describe -las probabilidades de los posibles
valores de una variable aleatoria continua. Una variable aleatoria
continua es una variable aleatoria con un conjunto de valores
posibles (conocido como el rango o respaldo) que es infinito y no
se puede contar. Las probabilidades de variables aleatorias
continuas (X) se definen como el rea por debajo de la curva de la
distribucin. Por lo tanto, solo los rangos de valores pueden
tener una probabilidad diferente de cero. La probabilidad de que
una variable aleatoria continua equivalga a algn valor siempre
es cero. En las distribuciones de probabilidad continuas, la
distribucin de probabilidad es la integral de la funcin de
densidad, por lo que tenemos entonces que:

2-Que es una variablea aleatoria continua: : X es una v.a.

continua si toma valores en un conjunto no numerable. En la
prctica, se corresponden con variables asociadas con
experimentos en los cuales la variable medida puede tomar
cualquier valor en un intervalo: mediciones biomtricas,
intervalos de tiempo, reas, etc. Los resultados de un generador
de nmero aleatorio van entre 0 y 1. Ejemplo: Estatura de
una persona elegida al azar en una poblacin. El valor que se
obtenga ser: El valor que se obtenga ser una medicin en
cualquier unidad de longitud (m, cm, etc.) dentro de unos lmites
condicionados por la naturaleza de la variable. El resultado es
impredecible con antelacin, pero existen intervalos de valores
ms probables que otros debido a la distribucin de alturas en la
poblacin. Ms adelante veremos que, generalmente, variables
biomtricas como la altura se adaptan un modelo de distribucin
denominado distribucin Normal y representada por una
campana de Gauss.

3-Distribucin Normal: : La distribucin normal fue estudiada

por Gauss. Se trata de una variable aleatoria continua (la variable
puede tomar cualquier valor real). La funcin de densidad tiene
forma de campana. Dos parmetros determinan una distribucin
 normal: la media y la desviacin tpica. Se trata, sin duda, del
modelo continuo ms importante en estadstica, tanto por su
aplicacin directa, veremos que muchas variables de inters
general pueden describirse por dicho modelo como por sus
propiedades que han permitido el desarrollo de numerosas
tcnicas de inferencia estadsticas.

Ejemplos: en una distribucin normal de media 4 y desviacin

estndar tpica de 2 calcular: el valor de a para que: P (4a x
4+a ) = 0. 59 34. }

4- im por tan cia y apl icacin de esta d istr ib ucin . La

distribucin normal es la ms importante de todas las distribuciones
de probabilidad. Es una distribucin de variable continua con campo
de variacin [- , ], que queda especificada a travs de dos
parmetros ( que acaban siendo la media y la desviacin tpica de la
distribucin. Importancia:

Enorme nmero de fenmenos que puede modelizar: Casi

todas las caractersticas cuantitativas de las poblaciones muy
grades tienden a aproximar su distribucin a una distribucin
normal.
Muchas de las dems distribuciones de uso frecuente, tienden
a distribuirse segn una Normal, bajo ciertas condiciones.
(En virtud del teorema central del lmite).Todas aquellas
variables que pueden considerarse causadas por un gran
nmero de pequeos efectos (como pueden ser los errores de
medida) tienden a distribuirse segn una distribucin
normal.

5 uso de tabla y propiedades: Vamos a la tabla y familiaricmonos con algunas

de sus caractersticas.

En la primera columna de la tabla aparece el entero y primer decimal del valor de

Z, vemos que los valores van desde -3,4 a 3,3. En la primera fila (arriba), aparece el
segundo decimal del valor de Z y, como es lgico, hay 10 nmeros (0,00 a 0,09).

Entonces, para nuestro valor de Z = 1,96 buscaremos 1,9 en la primera columna

de la tabla y 0,06 en la primera fila de la tabla. Trazaremos lneas perpendiculares
desde esos valores y llegaremos a un nmero en el cuerpo de la tabla (vase la
tabla ms abajo, que tiene marcadas las dos perpendiculares de las que hablamos.
El nmero que encontramos y que est destacado es: 0,9750.

Por lo tanto, la probabilidad asociada a Z=1,96 es 0,9750, es decir, la probabilidad

de encontrar un valor de Z menor o igual a 1,96 es 0,9750.
En nuestro ejemplo anterior, con la edad 30 aos, vemos que el valor Z = 1,29 tiene
una probabilidad asociada de 0,9014. Entonces, la probabilidad de encontrar una
persona con edad de 30 aos o menos, en este grupo humano, es 0,9014.

Tabla de distribucin normal.

6-Distribuccion normal estndar tipificada: se llama distribucin normal,

distribucin de Gauss o distribucin gaussiana, a una de las distribuciones de
probabilidad de variable continua que con ms frecuencia aparece aproximada en
fenmenos reales. La importancia de esta distribucin radica en que permite
modelar numerosos fenmenos naturales, sociales y psicolgicos. Mientras que los
mecanismos que subyacen a gran parte de este tipo de fenmenos son
desconocidos, por la enorme cantidad de variables incontrolables que en ellos
intervienen, el uso del modelo normal puede justificarse asumiendo que cada
observacin se obtiene como la suma de unas pocas causas independientes.

7- aproximacin de la distribucin binomial a la poisson: Otra forma de

generar el modelo probabilstico de Poisson, es considerar un nmero muy grande
de repeticiones de un experimento de Bernoulli, con probabilidades de xito muy
pequeas. En este caso se supone que cada repeticin del experimento de
Bernoulli que genera el espacio muestral, ocurre en cada punto del intervalo y, por
lo tanto, el nmero de repeticiones puede considerarse infinito. Bajo ciertas
condiciones, la distribucin de la variable X definida como el nmero de xitos en
la n repeticiones, se aproxima (cuando n tiende a infinito) a la funcin de
probabilidades de Poisson. Por esta razn se considera a veces al modelo de
Poisson como una forma lmite de la distribucin Binomial y se le utiliza para
aproximar probabilidades en sta. De acuerdo con lo anterior, si se desea
aproximar el clculo de probabilidades de una variable binomial por una Poisson,
debemos tomar en cuenta que la media de la distribucin Binomial es np, por la
que la aproximacin se debe hacer haciendo l = np. Debemos recordar que para
que la aproximacin sea buena, se requiere que n sea grande y p pequea.
Enseguida se presenta un ejemplo.

Ejemplo 5. 20. Suponga que una variable aleatoria X tiene distribucin Binomial
con n = 100 y p = 0.001. Enseguida se presentan algunas probabilidades usando la
distribucin Binomial y su aproximacin mediante la distribucin de Poisson con l
= np = (100)(0.001) = 0.1.