Distribuciones de Probabilidad en Estadística

1 Fundamentos de las Distribuciones de Probabilidad

Las distribuciones de probabilidad son modelos matemáticos que describen la probabilidad de que una variable aleatoria tome ciertos valores. Estas distribuciones son esenciales para realizar inferencias estadísticas y tomar decisiones basadas en datos.

1.1 Importancia en el análisis estadístico

Las distribuciones de probabilidad nos permiten:

• Modelar fenómenos aleatorios
• Calcular probabilidades de eventos específicos
• Realizar pruebas de hipótesis
• Construir intervalos de confianza

2 Tipos de Distribuciones

Existen dos categorías principales de distribuciones de probabilidad, cada una con características específicas para diferentes tipos de variables aleatorias.

2.1 Distribuciones Discretas

Las distribuciones discretas modelan variables aleatorias que toman valores contables o finitos.

La función de probabilidad de una variable discreta se define como: P(X = x) = f(x)

# Ejemplo de distribución binomial
x <- 0:10
prob <- dbinom(x, size=10, prob=0.3)
datos <- data.frame(x, prob)
head(datos)

  x       prob
1 0 0.02824752
2 1 0.12106082
3 2 0.23347444
4 3 0.26682793
5 4 0.20012095
6 5 0.10291935

2.2 Distribuciones Continuas

Las distribuciones continuas modelan variables aleatorias que pueden tomar cualquier valor dentro de un intervalo.

La función de densidad de probabilidad se define como: f(x) tal que P(a ≤ X ≤ b) = ∫ab f(x)dx

# Ejemplo de distribución normal
x <- seq(-4, 4, length=100)
y <- dnorm(x, mean=0, sd=1)
datos <- data.frame(x, y)
head(datos)

          x            y
1 -4.000000 0.0001338302
2 -3.919192 0.0001842953
3 -3.838384 0.0002521381
4 -3.757576 0.0003427099
5 -3.676768 0.0004627846
6 -3.595960 0.0006208623

2.3 Distribución Normal

La distribución normal es una de las más importantes en estadística. Su función de densidad es: f(x) = (1/σ√2π) * e^(-(x-μ)²/2σ²)

# Visualización de la distribución normal
curve(dnorm(x), from = -3, to = 3, 
      main = "Distribución Normal Estándar",
      ylab = "Densidad", xlab = "Valor")

3 Comparación de Distribuciones

Cada distribución tiene sus propias características y aplicaciones:

library(knitr)
tabla <- data.frame(
  Distribución = c("Normal", "Binomial", "Poisson", "Exponencial"),
  Parámetros = c("μ, σ²", "n, p", "λ", "λ"),
  Aplicaciones = c("Fenómenos naturales, errores de medición", 
                   "Ensayos con éxito/fracaso", 
                   "Eventos raros en intervalos fijos",
                   "Tiempos de espera entre eventos")
)
kable(tabla)

Distribución	Parámetros	Aplicaciones
Normal	μ, σ²	Fenómenos naturales, errores de medición
Binomial	n, p	Ensayos con éxito/fracaso
Poisson	λ	Eventos raros en intervalos fijos
Exponencial	λ	Tiempos de espera entre eventos

4 Aplicación Práctica

Veamos una aplicación práctica comparando diferentes distribuciones:

# Generación de datos aleatorios
set.seed(123)
normal <- rnorm(1000, mean=50, sd=10)
uniforme <- runif(1000, min=30, max=70)

# Creamos conjuntos de datos para visualizar
datos_normal <- data.frame(valor = normal, tipo = "Normal")
datos_uniforme <- data.frame(valor = uniforme, tipo = "Uniforme")
datos_combinados <- rbind(datos_normal, datos_uniforme)

# Resumen estadístico
resumen <- data.frame(
  Distribución = c("Normal", "Uniforme"),
  Media = c(mean(normal), mean(uniforme)),
  Desviación = c(sd(normal), sd(uniforme)),
  Mínimo = c(min(normal), min(uniforme)),
  Máximo = c(max(normal), max(uniforme))
)
kable(resumen)

Distribución	Media	Desviación	Mínimo	Máximo
Normal	50.16128	9.91695	21.90225	82.41040
Uniforme	49.94415	11.68806	30.14064	69.98604

Comparación de medidas de tendencia central

# Visualización
par(mfrow=c(1,2))
boxplot(datos_normal$valor, main="Datos normales")
boxplot(datos_uniforme$valor, main="Datos uniformes")

5 Teorema del Límite Central

El Teorema del Límite Central establece que la distribución de la media muestral tiende a una distribución normal a medida que aumenta el tamaño de la muestra, independientemente de la distribución original de la población.

# Demostración del Teorema del Límite Central
set.seed(456)
medias <- replicate(1000, mean(rexp(30, rate=0.2)))
hist(medias, breaks=30, main="Distribución de Medias Muestrales",
     xlab="Media", col="lightblue", border="white")

# Añadimos una curva normal para comparar
curve(dnorm(x, mean=mean(medias), sd=sd(medias)) * length(medias) * diff(range(medias)) / 30,
      add=TRUE, col="red", lwd=2)

6 Conclusiones

• La elección de la distribución adecuada depende del tipo de datos y del fenómeno que se está modelando.
• Las distribuciones de probabilidad son herramientas fundamentales para la inferencia estadística.
• El Teorema del Límite Central justifica muchos de los métodos estadísticos paramétricos.
• Comprender las propiedades de las distribuciones ayuda a interpretar correctamente los resultados estadísticos.

7 Referencias

1. García, A. (2024). Probabilidad y Estadística Aplicada. Editorial Académica.
2. Rodríguez, C. (2023). Distribuciones Probabilísticas en R. Universidad Estadística.
3. Fernández, J. (2025). Métodos Estadísticos Avanzados. Editorial Científica.