Entender la distribución de probabilidad es fundamental en estadística. Nos permite modelar y analizar eventos aleatorios. Hay dos tipos principales: la distribución discreta y la distribución continua.
Distribución de Probabilidad Discreta
Una distribución discreta describe la probabilidad de ocurrencia de cada valor de una variable aleatoria discreta. Una variable discreta solo puede tomar valores específicos, usualmente enteros. Piensa en esto: no puede haber 2.5 personas en una familia, solo 2 o 3.
Ejemplos comunes de distribuciones discretas incluyen la distribución de Bernoulli, la distribución binomial y la distribución de Poisson. Cada una modela diferentes tipos de eventos discretos. La clave es que podemos contar los resultados posibles.
Must Read
La distribución de Bernoulli modela un evento con dos posibles resultados: éxito o fracaso. Por ejemplo, lanzar una moneda y obtener cara (éxito) o cruz (fracaso). La probabilidad de éxito se denota con p, y la de fracaso con 1-p.
La distribución binomial modela el número de éxitos en una secuencia fija de ensayos independientes de Bernoulli. Imagina lanzar una moneda 10 veces y contar cuántas veces sale cara. Necesitamos el número de ensayos (n) y la probabilidad de éxito en cada ensayo (p).
La distribución de Poisson modela el número de eventos que ocurren en un intervalo de tiempo o lugar fijo. Por ejemplo, el número de llamadas que recibe un centro de atención al cliente por hora. Solo necesitamos la tasa promedio de eventos (λ).
En resumen, las distribuciones discretas son ideales para modelar eventos que se pueden contar. Las probabilidades asociadas a cada resultado deben sumar 1.
Distribución de Probabilidad Continua
Una distribución continua describe la probabilidad de ocurrencia de cada valor de una variable aleatoria continua. Una variable continua puede tomar cualquier valor dentro de un rango específico. Piensa en la altura de una persona: puede ser 1.75 metros, 1.755 metros, etc.
En lugar de probabilidades individuales, las distribuciones continuas usan una función de densidad de probabilidad (PDF). La PDF describe la probabilidad relativa de que la variable tome un valor dentro de un rango específico. El área bajo la curva de la PDF es igual a 1.
Ejemplos comunes de distribuciones continuas incluyen la distribución normal (Gaussiana), la distribución uniforme y la distribución exponencial. Estas distribuciones tienen formas y propiedades distintas.
La distribución normal es quizás la más famosa y utilizada. Tiene forma de campana y está definida por su media (μ) y su desviación estándar (σ). Muchos fenómenos naturales siguen una distribución normal, como la altura o el peso de las personas.
La distribución uniforme asigna la misma probabilidad a todos los valores dentro de un intervalo específico. Por ejemplo, un generador de números aleatorios puede producir valores uniformemente distribuidos entre 0 y 1.
La distribución exponencial modela el tiempo hasta que ocurre un evento. Por ejemplo, el tiempo que tarda un dispositivo en fallar. Se utiliza frecuentemente en análisis de fiabilidad.
Las distribuciones continuas son útiles para modelar variables que se pueden medir con alta precisión. El cálculo de probabilidades implica el cálculo de áreas bajo la curva de la PDF.
Aplicaciones Reales
Las distribuciones discretas y continuas tienen innumerables aplicaciones. En medicina, la distribución binomial puede modelar la probabilidad de éxito de un tratamiento. En finanzas, la distribución normal se utiliza para modelar los precios de las acciones. En ingeniería, la distribución exponencial puede modelar la vida útil de componentes. La elección de la distribución correcta depende de la naturaleza de los datos y el problema que se esté abordando. Es importante elegir la distribución que mejor se ajuste al problema para obtener resultados precisos y útiles.
