Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
de tu sonrridsa
poadjspsdapjsadalpsjdopdsa 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
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
[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.
, como la de la distribucin
Distribucin normal
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda
Distribucin normal
Funcin de densidad de probabilidad
Funcin de distribucin de
probabilidad
Parmetros
>0
Dominio
Funcin de
densidad
(pdf)
Funcin de
distribucin
(cdf)
Media
Mediana
Moda
Varianza
Coeficiente de
0
simetra
Curtosis
Entropa
Funcin
generadora
de momentos
(mgf)
Funcin
caracterstica
etc.
Contenido
[ocultar]
1 Historia
2 Definicin formal
o 2.1 Funcin de densidad
o 2.2 Funcin de distribucin
3 Propiedades
6 Distribuciones relacionadas
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
10 Uso de tablas
11 Vase tambin
12 Referencias
13 Enlaces externos
[editar] Historia
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:
Su grfica se muestra a la derecha y con frecuencia se usan tablas para el clculo de los
valores de su distribucin.
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
Resolviendo para
[editar] Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;
Si
e
normalmente distribuidas, entonces:
Si
Si
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] 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
156
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
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.
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
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
y estadsticos suficientes
Como
compleja Z es
. La
donde
independientes.
donde
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
Test de JarqueBera
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
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
entonces
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.)
Esta "varianza muestral" sigue una distribucin Gamma si todas las Xi son
independientes e idnticamente distribuidas:
con media
y varianza
Distribucin de probabilidad
De Wikipedia, la enciclopedia libre
Saltar a navegacin, bsqueda
2 Propiedades
5 Enlaces externos
Dada una variable aleatoria todos son puntos X, su funcin de distribucin, FX(x), es
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.
Distribucin binomial
Distribucin Poisson
Distribucin geomtrica
Distribucin hipergeomtrica
Distribucin de Bernoulli
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:
Distribucin ji cuadrado
Distribucin exponencial
Distribucin t de Student
Distribucin normal
Distribucin Gamma
Distribucin Beta
Distribucin F