0 calificaciones0% encontró este documento útil (0 votos)
31 vistas19 páginas
Este documento describe las principales distribuciones de probabilidad utilizadas en estadística, incluyendo la distribución normal, ji-cuadrada, T de Student y F. Explica que la distribución normal es muy importante y cómo se derivan las otras distribuciones a partir de ella y la ji-cuadrada. También cubre conceptos como el teorema del límite central y cómo calcular probabilidades para variables normales.
Este documento describe las principales distribuciones de probabilidad utilizadas en estadística, incluyendo la distribución normal, ji-cuadrada, T de Student y F. Explica que la distribución normal es muy importante y cómo se derivan las otras distribuciones a partir de ella y la ji-cuadrada. También cubre conceptos como el teorema del límite central y cómo calcular probabilidades para variables normales.
Este documento describe las principales distribuciones de probabilidad utilizadas en estadística, incluyendo la distribución normal, ji-cuadrada, T de Student y F. Explica que la distribución normal es muy importante y cómo se derivan las otras distribuciones a partir de ella y la ji-cuadrada. También cubre conceptos como el teorema del límite central y cómo calcular probabilidades para variables normales.
de la Calidad Sesión 5: Distribución Normal Distribución Normal
La distribución normal es probablemente la distribución
continua más importante, tanto en estadística teórica como aplicada. Si X es una variable aleatoria normal, entonces su función de densidad de probabilidades está dada por:
donde μ es su media, y σ su desviación estándar.
Al graficar la función f(x) se obtiene una gráfica simétrica y unimodal, cuya forma es similar a una campana (vea la figura 3.1). El centro de ésta coincide con μ, y la amplitud está Propiedades de la Distribución Normal
Si X es una variable aleatoria con distribución
normal con media μ y varianza σ2, N(μ, σ2), entonces se cumple que: Teorema del límite central
Este teorema afirma: sea x1, x2,..., xn una muestra aleatoria de
X cualquier población, y sea la media muestral; entonces, independientemente de cómo sea la distribución de la población de donde se extrajo la Xmuestra, la distribución de se aproxima a la normal conforme n crece.
Cuando la distribución de donde proviene la muestra no sea
radicalmente distinta a la normal, entonces la aproximación empieza a ser buena para tamaños de muestra mayores o iguales que n = 4.
En caso de que sea muy diferente se requieren tamaños de
muestra mayores. Cálculo de Probabilidades
Para calcular la probabilidad de que una variable aleatoria
distribuida normalmente tome un valor entre dos números cualesquiera, a y b, se requiere calcular el área bajo la curva normal entre estos dos números.
Sin embargo, diferentes valores de μ y σ2 llevan a diferentes
formas de la curva normal, dificultando el cálculo de dicha área. Para solventar esto, se hace uso de un caso particular de la curva normal conocido como distribución normal estándar N(0, 1). Estandarizar una variable es fácil, ya que si X tiene una distribución normal con E(X) = μ y V(X) = σ2, entonces la variable (estandarizada)
se distribuye de manera normal estándar. La ventaja de
estandarizar es que cualquier probabilidad de interés, por ejemplo P(X ≤ x), se puede escribir en términos de la variable estandarizada Z como: Ejemplo
La dimensión de una pieza se distribuye normal con μ = 82.0
mm, y σ = 0.5. Se desea calcular el porcentaje de piezas que cumplen con especificaciones 82 ± 1. Verificación de la Normalidad
Gráfica de Probabilidad
Procedimiento que permite determinar en forma visual si
los datos muestrales se ajustan a una distribución específica. La gráfica de probabilidad es una gráfica del tipo X-Y cuyas escalas son determinadas por la distribución elegida. Ejemplo El peso que deben contener ciertas bolsas de detergente es de 750 g, con una tolerancia de ± 5 g. Se desea verificar si es razonable suponer que la distribución del peso es normal. Para ello, se toma una muestra aleatoria de 25 productos, se pesan y se obtienen los siguientes datos: Ejemplos de gráficos que muestran una distribución no normal Distribuciones derivadas del muestreo Distribución Ji-Cuadrada
Esta distribución es relevante para hacer inferencias acerca de la
desviación estándar, σ, de una población con distribución normal, ya que si se obtiene una muestra de tamaño n, entonces el estadístico:
tiene una distribución ji-cuadrada con n − 1 grados de libertad (S2,
es la varianza muestral). Ejemplos de gráficos para variables con distribución ji-cuadrada. Distribución T de Student
Sea Z una variable aleatoria con distribución normal
estándar y sea V una variable aleatoria con distribución ji- cuadrada con k grados de libertad. Si Z y V son independientes, entonces la variable aleatoria,
tiene una distribución T con k grados de libertad.
Una de las principales aplicaciones de la distribución T de Student es fundamentar las inferencias sobre la media μ de una población. Debido a que si se obtiene una muestra aleatoria de tamaño n de una población cuya distribución es normal, entonces el estadístico:
sigue una distribución T de Student con n – 1 grados de
libertad. Ejemplos de gráficos para variables con distribución T de Student y diferentes grados de libertad
Como se aprecia, esta distribución es similar a la normal (0, 1). De
hecho tiende a la distribución normal estándar cuando el tamaño de la muestra crece, siendo bastante parecidas para n > 30. De aquí que la distribución T de Student sea más relevante con muestras pequeñas (n < 30). Distribución F
Sean W y Y variables aleatorias ji-cuadrada independientes
con u y v grados de libertad, respectivamente. Entonces el cociente,
tiene una distribución F con u grados de libertad en el
numerador, y v en el denominador. Ejemplos de gráficos para variables con distribución F y diferentes grados de libertad
La importancia de la distribución F radica en que es de
especial utilidad para hacer inferencia cuando se comparan varianzas de dos poblaciones con distribución normal.