Quiere

nepepepepepepepepepjpsdjfkodsjosdfj
oidshiodfsahopidfshOPISdfhypoifsdpo
iDSYPOIYFDSPYDFSpoidfsSdf y voy a
metertela toda mia vamo
de sherk sherk sehel
dsnasnsdnsaokndsanasokdnsaopdhsaljid
gsajhdvajhkv
[editar] Definicin
Una funcin de densidad de probabilidad (FDP) es una funcin matemtica que
caracteriza el comportamiento probable de una poblacin. Es una funcin f(x) que
especifica la posibilidad relativa de que una variable aleatoria continua X tome un valor
cercano a x, y se define como la probabilidad de que X tome un valor entre x y x+dx,
dividido por dx cuando dx es un nmero infinitesimalmente pequeo. La mayora de las
funciones de densidad de probabilidad requieren uno o ms parmetros para
especificarlas totalmente. La probabilidad de que una variable aleatoria continua X est
ubicada entre los valores a y b est dada por el intervalo de la FDP, f(x), comprendido
en el rango entre a y b. < = a b Pr(a x b) f (x)dx La FDP es la derivada (cuando
existe) de la funcin de distribucin: f x dF x dx ( ) = ( ) En situaciones prcticas, la
FDP utilizada se elige entre un nmero relativamente pequeo de FDP comunes, y la
labor estadstica principal consiste en estimar sus parmetros. Por lo tanto, a los efectos
de los inventarios, es necesario saber qu FDP se ha utilizado e indicarlo en la
documentacin de evaluacin de la incertidumbre.
La definicin formal de la funcin de densidad requiere de conceptos de la teora de la
medida. Si una variable aleatoria X sigue una funcin de probabilidad X*P su densidad
con respecto a una medida de referencia es la derivada de RadonNikodym

Es decir, es una funcin con la propiedad de que

para cada conjunto medible A.

Hay que advertir que la funcin de densidad no es propiamente nica: dos funciones
distintas pueden representar la misma distribucin de probabilidad si son distintas
nicamente en un conjunto de medida nula. Adems, que puede haber distribuciones de
probabilidad que carezcan de funcin de densidad: sucede cuando, sin ser discretas,
concentran su probabilidad en conjuntos de medida nula; as sucede con la distribucin
de Cantor cuando se toma la de Lebesgue como medida de referencia.
Cuando, como ocurre normalmente en las aplicaciones, X es una variable aleatoria real
y es la medida de Lebesgue, la funcin de densidad es una funcin tal que

De modo que si F es la funcin de distribucin de X, entonces

Intuitivamente, se puede pensar que (x) dx es la probabilidad de que X asuma valores

en el intervalo infinitesimal [x, x + dx].

[editar] Propiedades
De las propiedades de la funcin de distribucin se siguen las siguientes propiedades de
la fdp (a veces visto como pdf del ingls):

para toda x.

El rea total encerrada bajo la curva es igual a 1:

La probabilidad de que X tome un valor en el intervalo [a,b] es el rea bajo la

curva de la funcin de densidad en ese intervalo o lo que es lo mismo, la integral
definida en dicho intervalo. La grfica f(x) se conoce a veces como curva de
densidad.

Algunas FDP estn declaradas en rangos de

normal.

Distribucin normal
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda
Distribucin normal
Funcin de densidad de probabilidad

La lnea verde corresponde a la distribucin

normal estandar

Funcin de distribucin de
probabilidad

Parmetros
>0
Dominio
Funcin de
densidad
(pdf)

, como la de la distribucin

Funcin de
distribucin
(cdf)
Media
Mediana
Moda
Varianza
Coeficiente de
0
simetra
Curtosis

Entropa
Funcin
generadora
de momentos
(mgf)
Funcin
caracterstica

En estadstica y probabilidad 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 en fenmenos reales.
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro. Esta curva se conoce como campana de Gauss.
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.
La distribucin normal tambin es importante por su relacin con la estimacin por
mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo
de la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;

caracteres sociolgicos como el consumo de cierto producto por un mismo

grupo de individuos;

caracteres psicolgicos como el cociente intelectual;

nivel de ruido en telecomunicaciones;

errores cometidos al medir ciertas magnitudes;

etc.

La distribucin normal tambin aparece en muchas reas de la propia estadstica. Por

ejemplo, la distribucin muestral de las medias muestrales es aproximadamente normal,
incluso si la distribucin de la poblacin de la cual se extrae la muestra no es normal.1
Adems, la distribucin normal maximiza la entropa entre todas las distribuciones con
media y varianza conocidas, lo cual la convierte en la eleccin natural de la distribucin
subyacente a una lista de datos resumidos en trminos de media muestral y varianza. La
distribucin normal es la ms extendida en estadstica y muchos tests estadsticos estn
basados en una supuesta "normalidad".
En probabilidad, la distribucin normal aparece como el lmite de varias distribuciones
de probabilidad continuas y discretas.

Contenido
[ocultar]

1 Historia

2 Definicin formal
o 2.1 Funcin de densidad
o 2.2 Funcin de distribucin

2.2.1 Lmite inferior y superior estrictos para la funcin de

distribucin

o 2.3 Funciones generadoras

2.3.1 Funcin generadora de momentos

2.3.2 Funcin caracterstica

3 Propiedades

o 3.1 Estandarizacin de variables aleatorias normales

o 3.2 Momentos
o 3.3 El Teorema del Lmite Central
o 3.4 Divisibilidad infinita
o 3.5 Estabilidad

4 Desviacin tpica e intervalos de confianza

o 4.1 Forma familia exponencial

5 Distribucin normal compleja

6 Distribuciones relacionadas

7 Estadstica descriptiva e inferencial

o 7.1 Resultados
o 7.2 Tests de normalidad
o 7.3 Estimacin de parmetros

7.3.1 Estimacin de parmetros de mxima verosimilitud

7.3.1.1 Sorprendente generalizacin

7.3.2 Estimacin insesgada de parmetros

8 Incidencia
o 8.1 Recuento de fotones
o 8.2 Medida de errores
o 8.3 Caractersticas fsicas de especmenes biolgicos
o 8.4 Variables financieras
o 8.5 Distribuciones en tests de inteligencia
o 8.6 Ecuacin de difusin

9 Uso en estadstica computacional

o 9.1 Generacin de valores para una variable aleatoria normal
o 9.2 Aproximaciones numricas de la distribucin normal y su funcin de
distribucin

10 Uso de tablas

11 Vase tambin

12 Referencias

13 Enlaces externos

[editar] Historia

Abraham de Moivre, descubridor de la distribucin normal

La distribucin normal fue presentada por vez primera por Abraham de Moivre en un
artculo del ao 1733,2 que fue reimpreso en la segunda edicin de su The Doctrine of
Chances, de 1738, en el contexto de cierta aproximacin de la distribucin binomial
para grandes valores de n. Su resultado fue ampliado por Laplace en su libro Teora
analtica de las probabilidades (1812), y en la actualidad se llama Teorema de De
Moivre-Laplace.
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo de mnimos cuadrados fue introducido por Legendre en 1805.
Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific rigurosamente en
1809 asumiendo una distribucin normal de los errores. El nombre de Gauss se ha
asociado a esta distribucin porque la us con profusin cuando analizaba datos

astronmicos3 y algunos autores le atribuyen un descubrimiento independiente del de

De Moivre.4 Esta atribucin del nombre de la distribucin a una persona distinta de su
primer descubridor es un claro ejemplo de la Ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell surface"
(superficie campana) por primera vez en 1872 para una distribucin normal bivariante
de componentes independientes. El nombre de "distribucin normal" fue otorgado
independientemente por Charles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875.
[cita requerida]
A pesar de esta terminologa, otras distribuciones de probabilidad podran ser
ms apropiadas en determinados contextos; vase la discusin sobre ocurrencia, ms
abajo.

[editar] Definicin formal

Hay varios modos de definir formalmente una distribucin de probabilidad. La forma
ms visual es mediante su funcin de densidad. De forma equivalente, tambin pueden
darse para su definicin la funcin de distribucin, los momentos, la funcin
caracterstica y la funcin generatriz de momentos, entre otros.

[editar] Funcin de densidad

Se dice que una variable aleatoria continua X sigue una distribucin normal de
parmetros y y se denota X~N(, ) si su funcin de densidad est dada por:

donde (mu) es la media y (sigma) es la desviacin tpica (2 es la varianza).5

Se llama distribucin normal "estndar" a aqulla en la que sus parmetros toman los
valores = 0 y = 1. En este caso la funcin de densidad tiene la siguiente expresin:

Su grfica se muestra a la derecha y con frecuencia se usan tablas para el clculo de los
valores de su distribucin.

[editar] Funcin de distribucin

La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

Esta funcin de distribucin puede expresarse en trminos de una funcin especial

llamada funcin error de la siguiente forma:

y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar, 1 (x), se denota

con frecuencia Q(x), y es referida, a veces, como simplemente funcin Q,
especialmente en textos de ingeniera.6 7 Esto representa la cola de probabilidad de la
distribucin gaussiana. Tambin se usan ocasionalmente otras definiciones de la funcin
Q, las cuales son todas ellas transformaciones simples de .8
La inversa de la funcin de distribucin de la normal estndar (funcin cuantil) puede
expresarse en trminos de la inversa de la funcin de error:

y la inversa de la funcin de distribucin puede, por consiguiente, expresarse como:

Esta funcin cuantil se llama a veces la funcin probit. No hay una primitiva elemental
para la funcin probit. Esto no quiere decir meramente que no se conoce, sino que se ha
probado la inexistencia de tal funcin. Existen varios mtodos exactos para aproximar la
funcin cuantil mediante la distribucin normal (vase funcin cuantil).
Los valores (x) pueden aproximarse con mucha precisin por distintos mtodos, tales
como integracin numrica, series de Taylor, series asintticas y fracciones continuas.
[editar] Lmite inferior y superior estrictos para la funcin de distribucin
Para grandes valores de x la funcin de distribucin de la normal estndar
prxima a 1 y
est muy cerca de 0. Los lmites elementales

es muy

en terminos de la densidad son tiles.

Usando el cambio de variable v = u/2, el lmite superior se obtiene como sigue:

De forma similar, usando

Resolviendo para

y la regla del cociente,

proporciona el lmite inferior.

[editar] Funciones generadoras

[editar] Funcin generadora de momentos

La funcin generadora de momentos se define como la esperanza de e(tX). Para una

distribucin normal, la funcin generadora de momentos es:

como puede comprobarse completando el cuadrado en el exponente.

[editar] Funcin caracterstica

La funcin caracterstica se define como la esperanza de eitX, donde i es la unidad
imaginaria. De este modo, la funcin caracterstica se obtiene reemplazando t por it en
la funcin generadora de momentos.
Para una distribucin normal, la funcin caracterstica es9

[editar] Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;

Distribucin de probabilidad alrededor de la media en una distribucin N(, ).

2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .

4. Distribucin de probabilidad en un entorno de la media:

1. en el intervalo [ - , + ] se encuentra comprendida,
aproximadamente, el 68,26% de la distribucin;
2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el
95,44% de la distribucin;
3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,
aproximadamente, el 99,74% de la distribucin. Estas propiedades son
de gran utilidad para el establecimiento de intervalos de confianza. Por
otra parte, el hecho de que prcticamente la totalidad de la distribucin se
encuentre a tres desviaciones tpicas de la media justifica los lmites de
las tablas empleadas habitualmente en la normal estndar.
5. Si X ~ N(, 2) y a y b son nmeros reales, entonces (aX + b) ~ N(a+b, a22).
6. Si X ~ N(x, x2) e Y ~ N(y, y2) son variables aleatorias normales
independientes, entonces:
o Su suma est normalmente distribuida con U = X + Y ~ N(x + y, x2 +
y2) (demostracin). Recprocamente, si dos variables aleatorias
independientes tienen una suma normalmente distribuida, deben ser
normales (Teorema de Crmer).
o Su diferencia est normalmente distribuida con
.
o Si las varianzas de X e Y son iguales, entonces U y V son independientes
entre s.
o La divergencia de Kullback-Leibler,

Si
e
normalmente distribuidas, entonces:

son variables aleatorias independientes

o Su producto XY sigue una distribucin con densidad p dada por

donde K0 es una funcin de Bessel

modificada de segundo tipo.
o Su cociente sigue una distribucin de Cauchy con X / YCauchy(0,X /
Y). De este modo la distribucin de Cauchy es un tipo especial de
distribucin cociente.

Si

son variables normales estndar independientes, entonces

sigue una distribucin con n grados de libertad.

Si

son variables normales estndar independientes, entonces la

media muestral

y la varianza muestral

son independientes.
Esta propiedad caracteriza a las distribuciones normales y contribuye a explicar
por qu el test-F no es robusto respecto a la no-normalidad).

[editar] Estandarizacin de variables aleatorias normales

Como consecuencia de la Propiedad 1; es posible relacionar todas las variables
aleatorias normales con la distribucin normal estndar.
Si X ~ N(,2), entonces

es una variable aleatoria normal estndar: Z ~ N(0,1).

La transformacin de una distribucin X ~ N(, ) en una N(0, 1) se llama
normalizacin, estandarizacin o tipificacin de la variable X.
Una consecuencia importante de esto es que la funcin de distribucin de una
distribucin normal es, por consiguiente,

A la inversa, si Z es una distribucin normal estndar, Z ~ N(0,1), entonces

X = Z +
es una variable aleatoria normal tipificada de media y varianza 2.
La distribucin normal estndar est tabulada (habitualmente en la forma de el valor de
la funcin de distribucin ) y las otras distribuciones normales pueden obtenerse como
transformaciones simples, como se describe ms arriba, de la distribucin estndar. De
este modo se pueden usar los valores tabulados de la funcin de distribucin normal
estndar para encontrar valores de la funcin de distribucin de cualquier otra
distribucin normal.

[editar] Momentos
Los primeros momentos de la distribucin normal son:

Nmero

Momento

Momento central

Cumulante

2 + 2

3 + 32

4 + 622 + 34

34

5 + 1032 + 154

6 + 1542 + 4524 + 156

156

7 + 2152 + 10534 + 1056

8 + 2862 + 21044 + 42026 + 1058

1058

Todos los cumulantes de la distribucin normal, ms all del segundo, son cero.
Los momentos centrales de orden superior (2k con = 0) vienen dados por la frmula

[editar] El Teorema del Lmite Central

Artculo principal: Teorema del lmite central

Grfica de la funcin de distribucin de una normal con = 12 y = 3, aproximando la

funcin de distribucin de una binomial con n = 48 y p = 1/4
El Teorema del lmite central establece que bajo ciertas condiciones (como pueden ser
independientes e idnticamente distribuidas con varianza finita), la suma de un gran
nmero de variables aleatorias se distribuye aproximadamente como una normal.
La importancia prctica del Teorema del lmite central es que la funcin de distribucin
de la normal puede usarse como aproximacin de algunas otras funciones de
distribucin. Por ejemplo:

Una distribucin binomial de parmetros n y p es aproximadamente normal para

grandes valores de n, y p no demasiado cercano a 1 0 (algunos libros
recomiendan usar esta aproximacin slo si np y n(1 p) son ambos, al menos,
5; en este caso se debera aplicar una correccin de continuidad).
La normal aproximada tiene parmetros = np, 2 = np(1 p).

Una distribucin de Poisson con parmetro es aproximadamente normal para

grandes valores de .
La distribucin normal aproximada tiene parmetros = 2 = .

La exactitud de estas aproximaciones depende del propsito para el que se necesiten y

de la tasa de convergencia a la distribucin normal. Se da el caso tpico de que tales
aproximaciones son menos precisas en las colas de la distribucin. El Teorema de
Berry-Essen proporciona un lmite superior general del error de aproximacin de la
funcin de distribucin.

[editar] Divisibilidad infinita

Las normales tienen una distribucin de probabilidad infinitamente divisible: dada una
media , una varianza 2 0, y un nmero natural n, la suma X1 + . . . + Xn de n
variables aleatorias independientes

tiene esta especfica distribucin normal (para verificarlo, sese la funcin caracterstica
de convolucin y la induccin matemtica).

[editar] Estabilidad
Las distribuciones normales son estrictamente estables.

[editar] Desviacin tpica e intervalos de confianza

Alrededor del 68% de los valores de una distribucin normal estn a una distancia > 0
(desviacin tpica) de la media, ; alrededor del 95% de los valores estn a dos
desviaciones tpicas de la media y alrededor del 99,7% estn a tres desviaciones tpicas
de la media. Esto se conoce como la "regla 68-95-99,7" o la "regla emprica".
Para ser ms precisos, el rea bajo la curva campana entre n y + n en trminos
de la funcin de distribucin normal viene dada por

donde erf es la funcin error. Con 12 decimales, los valores para los puntos 1-, 2-, hasta
6- son:

0,682689492137

0,954499736104

0,997300203937

0,999936657516

0,999999426697

0,999999998027

La siguiente tabla proporciona la relacin inversa de mltiples correspondientes a

unos pocos valores usados con frecuencia para el rea bajo la campana de Gauss. Estos

valores son tiles para determinar intervalos de confianza para los niveles especificados
basados en una curva normalmente distribuida (o estimadores asintticamente
normales):

0,80

1,28155

0,90

1,64485

0,95

1,95996

0,98

2,32635

0,99

2,57583

0,995

2,80703

0,998

3,09023

0,999

3,29052

0,9999

3,8906

0,99999

4,4172

donde el valor a la izquierda de la tabla es la proporcin de valores que caern en el

intervalo dado y n es un mltiplo de la desviacin tpica que determina la anchura de el
intervalo.

[editar] Forma familia exponencial

La distribucin normal tiene forma de familia exponencial biparamtrica con dos
parmetros naturales, y 1/2, y estadsticos naturales X y X2. La forma cannica tiene
como parmetros

y estadsticos suficientes

[editar] Distribucin normal compleja

Considrese la variable aleatoria compleja gaussiana

donde X e Y son variables gaussianas reales e independientes con igual varianza

funcin de distribucin de la variable conjunta es entonces

Como
compleja Z es

. La

, la funcin de distribucin resultante para la variable gaussiana

[editar] Distribuciones relacionadas

RRayleigh() es una distribucin de Rayleigh si

y

donde

son dos distribuciones normales

independientes.

es una distribucin con grados de libertad si

XkN(0,1) para
y son independientes.

YCauchy( = 0, = 1) es una distribucin de Cauchy si Y = X1 / X2 para

X1N(0,1) y X2N(0,1) son dos distribuciones normales independientes.

YLog-N(,2) es una distribucin log-normal si Y = eX y XN(,2).

Relacin con una distribucin estable: si

entonces XN(,2).

Distribucin normal truncada. si

entonces truncando X por
debajo de A y por encima de B dar lugar a una variable aleatoria de media
donde

es la funcin de densidad de una variable normal estndar.

donde

Si X es una variable aleatoria normalmente distribuida e Y = | X | , entonces Y

tiene una distribucin normal doblada.

[editar] Estadstica descriptiva e inferencial

[editar] Resultados
De la distribucin normal se derivan muchos resultados, incluyendo rangos de
percentiles ("percentiles" o "cuantiles"), curvas normales equivalentes, stanines, zscores, y T-scores. Adems, un nmero de procedimientos de estadsticos de
comportamiento estn basados en la asuncin de que esos resultados estn normalmente
distribuidos. Por ejemplo, el test de Student y el anlisis de varianza (ANOVA) (vase
ms abajo). La gradacin de la curva campana asigna grados relativos basados en una
distribucin normal de resultados.

[editar] Tests de normalidad

Artculo principal: Test de normalidad

Los tests de normalidad se aplican a conjuntos de datos para determinar su similitud con
una distribucin normal. La hiptesis nula es, en estos casos, si el conjunto de datos es
similar a una distribucin normal, por lo que un P-valor suficientemente pequeo indica
datos no normales.

Prueba de Kolmogrov-Smirnov

Test de Lilliefors

Test de AndersonDarling

Test de RyanJoiner

Test de ShapiroWilk

Normal probability plot (rankit plot)

Test de JarqueBera

Test omnibs de Spiegelhalter

[editar] Estimacin de parmetros

[editar] Estimacin de parmetros de mxima verosimilitud
Supngase que

son independientes y cada una est normalmente distribuida con media y varianza 2
> 0. En trminos estadsticos los valores observados de estas n variables aleatorias
constituyen una "muestra de tamao n de una poblacin normalmente distribuida. Se
desa estimar la media poblacional y la desviacin tpica poblacional , basndose en
las valores observados de esta muestra. La funcin de densidad conjunta de estas n
variables aleatorias independientes es

Como funcin de y , la funcin de verosimilitud basada en las observaciones X1, ...,

Xn es

con alguna constante C > 0 (de la cual, en general, se permitira incluso que dependiera
de X1, ..., Xn, aunque desapareciera con las derivadas parciales de la funcin de logverosimilitud respecto a los parmetros tenidos en cuenta, vase ms abajo).
En el mtodo de mxima verosimilitud, los valores de y que maximizan la funcin
de verosimilitud se toman como estimadores de los parmetros poblacionales y .
Habitualmente en la maximizacin de una funcin de dos variables, se podran
considerar derivadas parciales. Pero aqu se explota el hecho de que el valor de que
maximiza la funcin de verosimilitud con fijo no depende de . No obstante,
encontramos que ese valor de , entonces se sustituye por en la funcin de
verosimilitud y finalmente encontramos el valor de que maximiza la expresin
resultante.
Es evidente que la funcin de verosimilitud es una funcin decreciente de la suma

As que se desea el valor de que minimiza esta suma. Sea

la media muestral basada en las n observaciones. Ntese que

Slo el ltimo trmino depende de y se minimiza por

Esta es la estimacin de mxima verosimilitud de basada en las n observaciones X1, ...,

Xn. Cuando sustituimos esta estimacin por en la funcin de verosimilitud, obtenemos

Se conviene en denotar la "log-funcin de verosimilitud", esto es, el logaritmo de la

funcin de verosimilitud, con una minscula , y tenemos

entonces

Esta derivada es positiva, cero o negativa segn 2 est entre 0 y

o sea igual a esa cantidad, o mayor que esa cantidad. (Si hay solamente una
observacin, lo que significa que n = 1, o si X1 = ... = Xn, lo cual slo ocurre con
probabilidad cero, entonces
por esta frmula, refleja el hecho de que en estos
casos la funcin de verosimilitud es ilimitada cuando decrece hasta cero.)

Consecuentemente esta media de cuadrados de residuos es el estimador de mxima

verosimilitud de 2, y su raz cuadrada es el estimador de mxima verosimilitud de
basado en las n observaciones. Este estimador
es sesgado, pero tiene un menor error
medio al cuadrado que el habitual estimador insesgado, que es n/(n 1) veces este
estimador.
[editar] Sorprendente generalizacin

La derivada del estimador de mxima verosimilitud de la matriz de covarianza de una

distribucin normal multivariante es despreciable. Involucra el teorema espectral y la
razn por la que puede ser mejor para ver un escalar como la traza de una matriz 11
matrix que como un mero escalar. Vase estimacin de la covarianza de matrices.
[editar] Estimacin insesgada de parmetros
El estimador de mxima verosimilitud de la media poblacional de una muestra es un
estimador insesgado de la media. El estimador de mxima verosimilitud de la varianza
es insesgado si asumimos que la poblacin es conocida a priori, pero en la prctica esto
no ocurre.No obstante, si nos enfrentamos con una muestra y no sabemos nada de la
media o la varianza de la poblacin de la que se ha extrado, como se asuma en la
derivada de mxima verosimilitud de arriba, entonces el estimador de mxima
verosimilitud de la varianza es sesgado. Un estimador insesgado de la varianza 2 es:

Esta "varianza muestral" sigue una distribucin Gamma si todas las Xi son
independientes e idnticamente distribuidas:

con media

y varianza

La estimacin de mxima verosimilitud de la desviacin tpica es la raz cuadrada de la

estimacin de mxima verosimilitud de la varianza. No obstante, ni esta, ni la raz
cuadrada de la varianza muestral proporcionan un estimador insesgado para la
desviacin tpica (vase estimacin insesgada de la desviacin tpica para una frmula
particular para la distribucin normal.

Distribucin de probabilidad
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda

La distribucin Normal suele conocerse como la "campana de gauss".

En teora de la probabilidad y estadstica, la distribucin de probabilidad de una

variable aleatoria es una funcin que asigna a cada suceso definido sobre la variable
aleatoria la probabilidad de que dicho suceso ocurra. La distribucin de probabilidad
est definida sobre el conjunto de todos los eventos rango de valores de la variable
aleatoria.
Cuando la variable aleatoria toma valores en el conjunto de los nmeros reales, la
distribucin de probabilidad est completamente especificada por la funcin de
distribucin, cuyo valor en cada real x es la probabilidad de que la variable aleatoria
sea menor o igual que x.
Contenido
[ocultar]

1 Definicin de funcin de distribucin

2 Propiedades

3 Distribuciones de variable discreta

o

4 Distribuciones de variable continua

o

3.1 Distribuciones de variable discreta ms importantes

4.1 Distribuciones de variable continua ms importantes

5 Enlaces externos

[editar] Definicin de funcin de distribucin

Dada una variable aleatoria todos son puntos X, su funcin de distribucin, FX(x), es

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice X y se

escribe, simplemente, F(x).
[editar] Propiedades

Como consecuencia casi inmediata de la definicin, la funcin de distribucion:

Es una funcin continua por la derecha.

Es una funcin montona no decreciente.

Adems, cumple

Para dos nmeros reales cualesquiera a y b tal que (a < b), los sucesos
son mutuamente excluyentes y su unin es el suceso
que tenemos entonces que:

y
, por lo

y finalmente

Por lo tanto una vez conocida la funcin de distribucin F(x) para todos los valores de
la variable aleatoria x conoceremos completamente la distribucin de probabilidad de la
variable.
Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y sin
embargo para ver una representacin grfica de la probabilidad es ms prctico el uso
de la funcin de densidad.
[editar] Distribuciones de variable discreta

Distribucin binomial.

Se denomina distribucin de variable discreta a aquella cuya funcin de probabilidad

slo toma valores positivos en un conjunto de valores de X finito o infinito numerable.
A dicha funcin se le llama funcin de masa de probabilidad. En este caso la
distribucin de probabilidad es el sumatorio de la funcin de masa, por lo que tenemos
entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta expresin

representa la suma de todas las probabilidades desde
hasta el valor x.
[editar] Distribuciones de variable discreta ms importantes

Las distribuciones de variable discreta ms importantes son las siguientes:

Distribucin binomial

Distribucin binomial negativa

Distribucin Poisson

Distribucin geomtrica

Distribucin hipergeomtrica

Distribucin de Bernoulli

Distribucin Rademacher, que toma el valor 1 con probabilidad 1 / 2 y

el valor -1 con probabilidad 1 / 2.

Distribucin uniforme discreta, donde todos los elementos de un

conjunto finito son equiprobables.

[editar] Distribuciones de variable continua

Distribucin normal.

Se denomina variable continua a aquella que puede tomar cualquiera de los infinitos
valores existentes dentro de un intervalo. En el caso de variable continua la distribucin
de probabilidad es la integral de la funcin de densidad, por lo que tenemos entonces
que:

[editar] Distribuciones de variable continua ms importantes

Las distribuciones de variable continua ms importantes son las siguientes:

Distribucin ji cuadrado

Distribucin exponencial

Distribucin t de Student

Distribucin normal

Distribucin Gamma

Distribucin Beta

Distribucin F

Distribucin uniforme (continua)