Distribuciones continuas de probabilidad.

Variable aleatoria continua:

Es aquella cuyo dominio de definición (campo de variación) es un intervalo

(compacto) de la recta real, una unión de varios intervalos, o la totalidad de la
recta real. (Por lo tanto los valores definidos de la variable aleatoria son un
conjunto infinito no numerable.) El álgebra de sucesos del que surge debe
contener un número infinito no numerable de sucesos, cada uno de ellos se
corresponderá con alguno de los (infinitos) intervalos incluidos en el campo de
definición.

Ejemplo 3. Ante el experimento: contemplar los coches que pasen por un tramo de
carretera se aleatoriza de forma que la variable aleatoria X =tiempo que hay que
esperar hasta que pase un coche X = [0,µ [ ,es decir X=R+

En el caso continuo no podremos hacer corresponder a los valores (puntuales)

con sucesos de álgebra de sucesos, la correspondencia se establecerá entre
sucesos del álgebra e intervalos pertenecientes al campo de variación de la
variable. En consecuencia, no podremos asignar probabilidades a los valores de la
variable, sino sólo a intervalos.

Una variable aleatoria continua es el modelo teórico de una variable estadística

continua (agrupada por intervalos).
Características y métodos de la distribución normal

 Tiene forma de campana

 Puede tomar cualquier valor (de menos infinito a más infinito), es decir, utiliza variables
cuantitativas continuas.
 Es simétrica.
 La Media se sitúa en el centro de la Distribución Normal (en el punto máximo de la
campana) y divide la campana en dos partes iguales.
 En esa distribución de probabilidad, la Media Aritmética, la Mediana y la Moda son iguales
 El área bajo la curva suma 1. (0.5 del lado izquierdo y 0.5 del lado derecho con respecto a
la media)
 El área encerrada bajo la curva equivale a la probabilidad buscada (o al porcentaje de la
población si multiplicamos por 100).
 La curva normal es asintótica, esto significa que se acerca cada vez más al eje de las X pero
no llega a tocarla, por lo que se extiende de forma indefinida en ambos lados.
 Para definir que una variable sigue una distribución normal con una Media y una
Desviación Estándar, se usa la siguiente expresión:

x N (μ ,σ )
considerando que

x=¿ variable
μ=¿media
σ =¿desviación estándar (desviación típica)
Características y métodos de la distribución chi cuadrada

La distribución de chi-cuadrada es una distribución continua que se especifica por

los grados de libertad y el parámetro de no centralidad. La distribución es
positivamente asimétrica, pero la asimetría disminuye al aumentar los grados de
libertad.

Características:
 La distribución es asimétrica positiva.
 A medida que aumenta el tamaño de la muestra la curva es menos
asimétrica, aproximándose a una curva normal.
 Para cada tamaño muestral, se tendrá una distribución χ2 diferente.
 El parámetro que caracteriza a una distribución χ2 son sus grados de
libertad (n-1), originado una distribución para cada grado de libertad.
Características y métodos de la distribución F de Fisher

La distribución F es una distribución continua de muestreo de la relación de dos

variables aleatorias independientes con distribuciones de chi-cuadrada, cada una
dividida entre sus grados de libertad. La distribución F es asimétrica hacia la
derecha y es descrita por los grados de libertad de su numerador (ν1) y
denominador (ν2). Las siguientes gráficas muestran el efecto de los diferentes
valores de grados de libertad en la forma de la distribución.

Características:

 Es asimetría. La función f es una función continua.

 Existe una familia de distribuciones F que están determinados por dos

parámetros: los grados de libertad de numerador y del denominador.

 El valor F no puede ser negativo.

 Distribuciones muestrales
Distribución muestral

Es lo que resulta de considerar todas las muestras posibles que pueden ser
tomadas de una población. Su estudio permite calcular la probabilidad que se
tiene, dada una sola muestra, de acercarse al parámetro de la población. Mediante
la distribución muestral se puede estimar el error para un tamaño de muestra
dado.
Considerada como una variable aleatoria, cuando se deriva de una muestra
aleatoria de tamaño n. Se puede considerar como la distribución de la estadística
para todas las muestras posibles de la misma población de un tamaño de muestra
dado. La distribución del muestreo depende de la distribución subyacente de la
población, la estadística que se considera, el procedimiento de muestreo
empleado y el tamaño de muestra utilizado. A menudo existe un considerable
interés en si la distribución muestral puede aproximarse mediante una distribución
asintótica, que corresponde al caso límite ya que el número de muestras aleatorias
de tamaño finito, tomadas de una población infinita y utilizadas para producir la
distribución, tiende a infinito.
Error estándar

Es la desviación estándar de la distribución muestral de un estadístico muestral. El

término se refiere también a una estimación de la desviación estándar, derivada
de una muestra particular usada para computar la estimación.
La media muestral es el estimador usual de una media poblacional. Sin embargo,
diferentes muestras escogidas de la misma población tienden en general a dar
distintos valores de medias muestrales. El error estándar de la media (es decir, el
error debido a la estimación de la media poblacional a partir de las medias
muestrales) es la desviación estándar de todas las posibles muestras (de un
tamaño dado) escogidos de esa población. Además, el error estándar de la media
puede referirse a una estimación de la desviación estándar, calculada desde una
muestra de datos que está siendo analizada al mismo tiempo.
En aplicaciones prácticas, el verdadero valor de la desviación estándar (o del
error) es generalmente desconocido. Como resultado, el término "error estándar"
se usa a veces para referirse a una estimación de esta cantidad desconocida. En
tales casos es importante tener claro de dónde proviene, ya que el error estándar
es solo una estimación. Desafortunadamente, esto no es siempre posible y puede
ser mejor usar una aproximación que evite usar el error estándar, por ejemplo
usando la estimación de máxima verosimilitud o una aproximación más formal
derivada de los intervalos de confianza. Un caso bien conocido donde se pueda
usar de forma apropiada puede ser en la distribución de Student para proporcionar
un intervalo de confianza para una media estimada o diferencia de medias. En
otros casos, el error estándar puede ser usado para proveer una indicación del
tamaño de la incertidumbre, pero su uso formal o semi-formal para proporcionar
intervalos de confianza o test debe ser evitado a menos que el tamaño de la
muestra sea al menos moderadamente grande. Aquí el concepto "grande"
dependerá de las cantidades particulares que vayan a ser analizadas.
Teorema de distribución central.

El teorema del límite central es un teorema fundamental de probabilidad y

estadística. El teorema describe la distribución de la media de una muestra
aleatoria proveniente de una población con varianza finita. Cuando el tamaño de la
muestra es lo suficientemente grande, la distribución de las medias sigue
aproximadamente una distribución normal. El teorema se aplica
independientemente de la forma de la distribución de la población. Muchos
procedimientos estadísticos comunes requieren que los datos sean
aproximadamente normales. El teorema de límite central le permite aplicar estos
procedimientos útiles a poblaciones que son considerablemente no normales. El
tamaño que debe tener la muestra depende de la forma de la distribución original.
Si la distribución de la población es simétrica, un tamaño de muestra de 5 podría
producir una aproximación adecuada. Si la distribución de la población es
considerablemente asimétrica, es necesario un tamaño de muestra más grande.
Por ejemplo, la distribución de la media puede ser aproximadamente normal si el
tamaño de la muestra es mayor que 50. Las siguientes gráficas muestran
ejemplos de cómo la distribución afecta el tamaño de la muestra que se necesita.

Distribución uniforme Medias de la muestra

Distribución de t Student.

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 muestraes 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.

Características:
 La distribución t-Student es menor en la media y más alta en los extremos
que una distribución normal.
 Tiene mayor parte de su área en los extremos que la distribución normal.