Calculadora de Distribución de Probabilidad

Bienvenido a la Calculadora de Distribución de Probabilidad, una herramienta estadística integral para calcular probabilidades, probabilidades acumuladas (CDF) y cuantiles (CDF inversa) para diversas distribuciones de probabilidad. Ya sea que seas un estudiante que está aprendiendo estadística, un investigador que analiza datos o un profesional que trabaja con modelos estadísticos, esta calculadora proporciona soluciones detalladas paso a paso y visualizaciones interactivas para ayudarte a comprender las distribuciones de probabilidad.

Distribuciones de Probabilidad Admitidas

Esta calculadora admite siete distribuciones de probabilidad de uso común, cada una adecuada para diferentes tipos de fenómenos aleatorios:

Entendiendo las funciones PDF, CDF y Cuantílica

Función de Densidad/Masa de Probabilidad (PDF/PMF)

La PDF (para distribuciones continuas) o PMF (para distribuciones discretas) da la verosimilitud relativa de que una variable aleatoria tome un valor específico. Para las distribuciones continuas, el valor de la PDF en sí no es una probabilidad sino una densidad; las probabilidades se encuentran integrando la PDF sobre un intervalo.

Función de Distribución Acumulada (CDF)

La CDF, denotada como F(x), da la probabilidad de que una variable aleatoria X sea menor o igual a un valor x. Esto se escribe como P(X ≤ x). La CDF siempre aumenta de 0 a 1 a medida que x aumenta.

Función Cuantílica (CDF Inversa)

La función cuantílica (también llamada función de punto porcentual o CDF inversa) encuentra el valor x para el cual P(X ≤ x) = p. Responde a: "¿Qué valor es superado por solo el (1-p)×100% de la distribución?" Esto es esencial para encontrar valores críticos en las pruebas de hipótesis.

Fórmulas de Distribución

Distribución Normal

La distribución Normal (Gaussiana) es simétrica y en forma de campana, caracterizada por la media μ (centro) y la desviación estándar σ (dispersión).

• PDF: \( f(x) = \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} \)
• CDF: \( F(x) = \frac{1}{2}\left[1 + \text{erf}\left(\frac{x-\mu}{\sigma\sqrt{2}}\right)\right] \)
• Cuantil: \( x = \mu + \sigma \cdot \Phi^{-1}(p) \)

Distribución Binomial

Modela el número de éxitos en n ensayos independientes, cada uno con una probabilidad de éxito p.

• PMF: \( P(X=k) = \binom{n}{k} p^k (1-p)^{n-k} \)
• CDF: \( F(k) = \sum_{i=0}^{k} \binom{n}{i} p^i (1-p)^{n-i} \)

Distribución de Poisson

Modela el número de eventos en un intervalo fijo cuando los eventos ocurren a una tasa promedio constante λ.

• PMF: \( P(X=k) = \frac{e^{-\lambda} \lambda^k}{k!} \)
• CDF: \( F(k) = e^{-\lambda} \sum_{i=0}^{k} \frac{\lambda^i}{i!} \)

Distribución Exponencial

Modela el tiempo entre eventos en un proceso de Poisson con tasa λ.

• PDF: \( f(x) = \lambda e^{-\lambda x} \) para x ≥ 0
• CDF: \( F(x) = 1 - e^{-\lambda x} \)
• Cuantil: \( x = -\frac{\ln(1-p)}{\lambda} \)

Distribución Chi-cuadrado

Surge en estadística como la suma de variables normales estándar al cuadrado. Se utiliza en pruebas de hipótesis e intervalos de confianza para la varianza.

• PDF: \( f(x) = \frac{x^{k/2-1} e^{-x/2}}{2^{k/2} \Gamma(k/2)} \) para x > 0

Distribución t de Student

Similar a la Normal pero con colas más pesadas. Se utiliza para la inferencia sobre las medias de la población cuando el tamaño de la muestra es pequeño o se desconoce la varianza de la población.

• PDF: \( f(x) = \frac{\Gamma\left(\frac{\nu+1}{2}\right)}{\sqrt{\nu\pi}\,\Gamma\left(\frac{\nu}{2}\right)} \left(1+\frac{x^2}{\nu}\right)^{-\frac{\nu+1}{2}} \)

Cómo usar esta calculadora

1. Seleccionar una distribución: Haz clic en la tarjeta de distribución que coincida con tus datos o problema. Cada tarjeta muestra el tipo de distribución (continua o discreta).
2. Elegir el tipo de cálculo: Selecciona PDF/PMF para la probabilidad en un punto, CDF para la probabilidad acumulada o Cuantil para encontrar un valor para una probabilidad dada.
3. Ingresar parámetros: Introduce los parámetros de la distribución. El formulario muestra dinámicamente solo los parámetros relevantes para la distribución elegida.
4. Ingresar el valor o la probabilidad: Para PDF/CDF, introduce el valor x (o k para discreta). Para Cuantil, introduce una probabilidad entre 0 y 1.
5. Revisar resultados: Examina el resultado calculado, la derivación matemática paso a paso y la visualización interactiva de la distribución.

Preguntas Frecuentes

¿Qué es una distribución de probabilidad?

Una distribución de probabilidad es una función matemática que describe la probabilidad de diferentes resultados posibles para una variable aleatoria. Puede ser discreta (como Binomial o Poisson) para resultados contables, o continua (como Normal o Exponencial) para resultados que pueden tomar cualquier valor dentro de un rango.

¿Cuál es la diferencia entre PDF y CDF?

La PDF (Función de Densidad de Probabilidad) o PMF (Función de Masa de Probabilidad) da la densidad de probabilidad en un punto específico. Para distribuciones discretas, la PMF da la probabilidad exacta P(X=k). La CDF (Función de Distribución Acumulada) da la probabilidad de que la variable aleatoria sea menor o igual a un valor: P(X≤x). La CDF es la suma/integral acumulada de la PDF/PMF.

¿Cuándo debo usar la distribución Normal?

La distribución Normal es apropiada para datos continuos que se distribuyen simétricamente alrededor de un valor medio. Se utiliza comúnmente para fenómenos como alturas, puntajes de pruebas, errores de medición y muchas variables biológicas. El Teorema del Límite Central establece que las medias de las muestras tienden hacia la distribución normal independientemente de la distribución de la población.

¿Qué es una función cuantílica?

La función cuantílica (también llamada CDF inversa o función de punto porcentual) encuentra el valor x tal que P(X≤x) = p para una probabilidad p dada. Por ejemplo, el percentil 95 (p=0,95) de una distribución es el valor por debajo del cual cae el 95% de las observaciones.

¿Cómo elijo entre diferentes distribuciones?

Elija según las características de sus datos: Normal para datos continuos simétricos alrededor de una media; Binomial para contar éxitos en ensayos fijos; Poisson para contar eventos raros en un intervalo fijo; Exponencial para el tiempo entre eventos; Uniforme para una probabilidad igual en un rango; Chi-cuadrado para pruebas de varianza; t de Student para muestras pequeñas con varianza poblacional desconocida.