1.

Antecendetes

En la teora de la probabilidad, la funcin de densidad de probabilidad, funcin de

densidad, o, simplemente, densidad de una variable aleatoria continua describe la
probabilidad relativa segn la cual dicha variable aleatoria tomar determinado
valor.
La probabilidad de que la variable aleatoria caiga en una regin especfica del
espacio de posibilidades estar dada por la integral de la densidad de esta
variable entre uno y otro lmite de dicha regin.
La funcin de densidad de probabilidad (FDP o PDF en ingls) es no-negativa a lo
largo de todo su dominio y su integral sobre todo el espacio es de valor unitario.
Una funcin de densidad de probabilidad caracteriza el comportamiento probable
de una poblacin en tanto especifica la posibilidad relativa de que una variable
aleatoria continua X tome un valor cercano a x.

2. Objetivo
Poder confiurar los parmetros bsicos de una funcin de densidad de
probabilidades para que responda a una funcin de carcter natural

3. Marco Teorico

Clasificacion de las funciones de densidad de probabilidad

Funciones de densidad de probabilidad continuas
La funcin que caracteriza las variables continuas es aquella funcin f positiva e
integrable en los reales, tal que acumulada desde hasta un punto x, nos
proporciona el valor de la funcin de distribucin en x, F(x). Recibe el nombre
de funcin de densidad de la variable aleatoria continua.
La funcin de densidad continua toma valores en el conjunto de nmeros reales
y no se interpreta como una probabilidad. No est acotada por 1, puede tomar
cualquier valor positivo. Es ms, en una variable continua se cumple
que probabilidades definidas sobre puntos concretos siempre son nulas.
Tipos de funciones de densidad de probabilidad continuas

Las funciones de densidad de probabilidad continua ms importantes son las

siguientes:

Distribucin Beta
Distribucin exponencial
Distribucin F
Distribucin Gamma
Distribucin ji cuadrado
Distribucin normal
Distribucin t de Student

Funciones de densidad de probabilidad discreta

Se denomina distribucin de variable discreta a aquella cuya funcin de
probabilidad slo toma valores positivos en un conjunto de valores de X
Ifinito o infinito numerable. A dicha funcin se le llama funcin de masa de
probabilidad.

Tipos de funciones de densidad de probabilidad discretas

La distribucin de Bernoulli

La distribucin binomial

La distribucin uniforme discreta

La distribucin hipergeomtrica
4. Marco Practico

Para la graficacion de funciones de densidad de probabilidades se usas los

comandos
Distribucin Uniforme
Sintaxis:
Y = unifpdf(X,A,B,m,n)
Descripcin:

Computa la funcin de distribucin uniforme continua para el valor

X y los
parmetros A y B. X, A y B deben ser del mismo tamao. El
parmetro B debe ser mayor que A.
Genera una matriz de tamao m x n, formada por nmeros
aleatorios que
cumplen que su distribucin sobre la recta real es de la forma
indicada. (m y n son parmetros opcionales y pueden no ser
necesaria su inclusin).
El resultado Y es la probabilidad de que ocurra X en el intervalo
(A,B).
La distribucin uniforme estndar tiene A=0 y B=1.
Ocurre en un evento donde una variable aleatoria toma valores de
un intervalo finito, de manera que stos se encuentran distribuidos
igualmente sobre el intervalo. Esto es, la probabilidad de que la
variable aleatoria tome un valor en cada subintervalo de igual
longitud es la misma.

Distribucin Normal (Gausiana)

Sintaxis:
Y = normpdf(X,MU,SIGMA)
Descripcin:

Computa la funcin de distribucin exponencial negativa para el

valor X y los parmetros MU y SIGMA. X, MU y SIGMA deben ser del
mismo tamao. El parmetro SIGMA debe ser positivo.
La distribucin normal estndar tiene MU = 0 y SIGMA = 1.
Fluctuaciones simtricas alrededor de un valor medio (MU).

Distribucin Exponencial (Negativa)

Sintaxis:
Y = exppdf(X,MU)
Descripcin:
Computa la funcin de distribucin exponencial negativa para el valor
X y el
parmetro MU. X y MU deben ser del mismo tamao. El parmetro MU
debe
ser positivo.
La pdf exponencial es la pdf gamma con su primer parmetro (a) igual
a 1.

La variable aleatoria exponencial es el tiempo que transcurre hasta

que se da el
primer evento de Poisson. Es decir, la distribucin exponencial puede
modelar el
lapso entre dos eventos consecutivos de Poisson que ocurren de manera
independiente y a una frecuencia constante.

Distribucin Log-Normal
Sintaxis:
Y = lognpdf(X,MU,SIGMA)
Descripcin:
Computa la funcin de distribucin log-normal para el valor X con
media MU y
desviacin estndar SIGMA. X, MU y SIGMA deben ser del mismo
tamao,
que determina el tamao de Y.
Es una distribucin normal asimtrica.

Distribucin Gamma (Erlang)

Sintaxis:
Y = gampdf(X,A,B)
Descripcin:
Computa la funcin de distribucin gamma para el valor X y los
parmetros A y
B. X, A y B deben ser del mismo tamao. A y B deben ser positivos y X
tiene
que estar dentro del intervalo [0,).
La pdf gamma es til en los modelos de dependencia de ciclos de
vida. La
distribucin gamma es ms flexible que la exponencial. Los casos
especiales de
la funcin gamma son las funciones exponencial y chi-cuadrado.

Distribucin Beta
Sintaxis:
Y = gampdf(X,A,B)
Descripcin:
Computa la funcin de distribucin gamma para el valor X y los
parmetros A y
B. X, A y B deben ser del mismo tamao. A y B deben ser positivos y X
tiene

que estar dentro del intervalo [0,1].

La distribucin uniforme en [0,1] es un caso derivado de la
distribucin beta
donde A=1 y B=1.

DISTRIBUCIONES DISCRETAS

Distribucin Uniforme
Sintaxis:
Y = unidpdf(X,N)
Descripcin:
Computa la funcin de distribucin uniforme discreta para el valor X y
el
parmetro N. X y N deben ser del mismo tamao y N un entero positivo.
El resultado Y es la probabilidad de que ocurra X de entre N nmeros,
que en
este caso, por ser uniforme, ser la misma para cualquier X entre 1 y N.

Distribucin Binomial
Sintaxis:
Y = binopdf(X,N,P)
Descripcin:
Computa la funcin de distribucin binomial para el valor X y los
parmetros N
y P. X, N y P deben ser del mismo tamao. N debe ser un entero positivo
yP
tiene que estar en el intervalo [0,1].
El resultado Y es la probabilidad de observar X sucesos en N pruebas
independientes, donde la probabilidad de que ocurra el suceso (acierto)
viene
dada por el parmetro P, que permanece constante para cada prueba, y
la
probabilidad de que no ocurra el suceso (fracaso) es 1-P.

Distribucin Binomial Negativa

Sintaxis:
Y = nbinpdf(X,R,P)
Descripcin:

Computa la funcin de distribucin binomial negativa para el valor X y

los
parmetros R y P. X, R y P deben ser del mismo tamao. La funcin de
densidad
es 0 a menos que X sea un entero.
La variable aleatoria representa el nmero de ensayos necesarios
para observar
R xitos. Los ensayos son independientes entre s. La probabilidad de
xito en
cada ensayo es constante e igual a P.

Distribucin de Poisson
Sintaxis:
Y = poisspdf(X,LAMBDA)
Descripcin:
Computa la funcin de distribucin de Poisson para el valor X y el
parmetro
LAMBDA. X y LAMBDA deben ser del mismo tamao y LAMBDA positivo.
X puede ser cualquier entero no negativo. La funcin de densidad es 0 a
menos
que X sea un entero.
La variable aleatoria representa el nmero de eventos independientes
que
ocurren a una velocidad constante en el tiempo o en el espacio.