Distribucion continua de probaibilidad y estimación de parámetros.
Una variable aleatoria continua es aquella que puede asumir un número infinito de valores dentro
de cierto rango específico.
1-Las distribuciones de probabilidad continuas pueden ser:
-Normal
-t-Student
-Chi-Cuadrada
-Distribucion F
2-Una función de probabilidad es una función tal que cumple las condiciones:
- 0≤ 𝑃(𝑋 = 𝑋𝑖 ) ≤ 1
- ∑ 𝑝(𝑥𝑖 ) = 1
3-Media (Esperanza matemática)
La esperanza matemática, también conocida como valor esperado, es un concepto fundamental
en la teoría de la probabilidad. Se trata de un número que nos indica el valor promedio que s
espera obtener de una variable aleatoria a largo plazo.
𝜇 = ∑ 𝑥𝑖 𝑝(𝑥𝑖 )
4- Varianza:
Es una medida de dispersión definida como la esperanza del cuadrado de la desviación de dicha
variable respecto a su media. Su unidad de medida corresponde al cuadrado de la unidad de
medida de la variable
5-Distribucion Z o normal
La distribución Normal o de Gauss es una de las más útiles, y gran parte de la estadística
matemática se basa en ella. La normal es en muchos aspectos la piedra angular de la estadística.
Características:
a) Es simétrica en torno a su media.
b) La media, mediana y moda coinciden
c) El área total bajo la curva es la unidad
6-Estandarizacion de la variable
La distribución normal se define por la media de la población y la desviación estándar de la
población . Puesto que existe infinito número de combinaciones de y , existe un número
infinito de distribuciones normales. Un método de solucionar el problema es la estandarización de
los datos con el fin de obtener la distribución normal estándar. La sustitución de variables es la
𝑋−𝜇
siguiente: 𝑍 =
𝜎
También se puede utilizar la tabla N(0,1) donde Z es normal tipificada
7-Teorema del limite central
Si se seleccionan muestras aleatorias de n observaciones de una población con media desviación
estándar finita, entonces, cuando n es grande, la distribución de muestreo de la media muestral
x̅ tendrá aproximadamente una distribución normal con media y una desviación estándar de
𝜎
𝑛
.La aproximación será cada vez más exacta a medida que n se haga cada vez mayor. Este
√
teorema establece los fundamentos para estimar parámetros poblacionales y prueba de hipótesis
además justifica la importancia de la distribución normal.
Sea 𝑋1 , 𝑋2 … , 𝑋𝑛 una muestra aleatoria de tamaño n de una distribución que es normal con media
𝜎2
y varianza 𝜎 2 . Entonces x̅ es normal con media y varianza 𝑛
. Además la variable aleatoria
x̅ −μ
𝜎 es normal tipificada
√𝑛
En la resolución de problemas prácticos es importante tomar en consideración lo siguiente:
- Cuando trabaje con un valor individual de una población que se distribuye normalmente,
𝑋−𝜇
use: 𝑍 = 𝜎
x̅ –μ
- Cuando trabaje con una media de alguna muestra use: 𝜎
√𝑛
8- Factor de corrección por población finita:
Cuando se muestree sin reemplazo y el tamaño de la muestra sea mayor que el 5% del tamaño de
la población finita N (es decir, 𝑛 > 0.05 𝑁 ) , ajuste la desviación estándar de las medias
muestrales 𝜎x̅ multiplicándolas por el siguiente factor de corrección por población finita:
𝜎2 𝑁 − 𝑛
𝜎x̅2 = ( )
𝑛 𝑁−1
