Universidad Mariano Glvez de Guatemala

Sede Universitaria Chiquimula

Maestra Direccin y Gestin del Recurso Humano
Ingeniera Claudia Esmeralda Villela
Mtodos Cuantitativos

Distribuciones de Probabilidad

Jeffrey Kopss Sony Aj Pea

3228- 07-9381

Chiquimula, 16 de julio del 2,016

1

I.

DISTRIBUCIONES DE PROBABILIDAD

La distribucin de probabilidad especifica por la funcin de distribucin, cuyo valor

en cada x real es la probabilidad de que la variable aleatoria sea menor o igual
que x.
Tambin describe la probabilidad de que un evento se realice en el futuro,
constituye una herramienta fundamental para la prospectiva, puesto que se puede
disear un escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenmenos naturales.
Toda distribucin de probabilidad es generada por una variable (porque puede
tomar diferentes valores) aleatoria x (porque el valor tomado es totalmente al
azar).
A. Distribucin Binomial
Es una de las distribuciones discretas de probabilidad mas tiles. Sus areas de
aplicacin incluyen inspeccin de calidad, ventas, mercadotecnia, medicina,
investigacin de opiniones y otras. Se puede imaginar un experimento en el que el
resultado es la ocurrencia o la no ocurrencia de un evento. Sin prdida de
generalidad, llmese xito a la ocurrencia del evento y Fracaso a su no
ocurrencia. Adems, sea P la probabilidad de xito cada vez que el experimento
se lleva a cabo y 1-p la probabilidad de fracaso. Supngase que el experimento se
realiza n veces, y cada uno de estos es independiente de todos los dems, y sea
X la variable aleatoria que representa el nmero de xitos deben los n Ensayos. El
inters est en determinar la probabilidad de obtener exactamente X) x xitos
durante los n ensayos. Las dos suposiciones claves para la distribucin binomial
son:
1. La probabilidad de xito p permanece constante para cada ensayo.
2. Los n ensayos son independientes entre s.
Varios problemas prcticos parecen adherirse razonablemente a la suposicin
anterior. Por ejemplo, un proceso de manufactura produce un determinado
producto en el que algunas unidades se encuentran defectuosas. Si la proporcin
2

de unidades defectuosas producidas por este proceso es constante durante un

periodo razonable, si como procedimiento de rutina, se seleccionan aleatoriamente
un determinado nmero de unidades, entonces proposicin de probabilidad con
respecto al nmero de artculos defectuosos puede hacerse mediante el empleo
de la distribucin binomial.
Para obtener la funcin de probabilidad de la distribucin binomial, primero
se determina la probabilidad de tener, en n ensayos, x xitos consecutivos
seguidos de n x fracasos consecutivos. Dado que, por hiptesis, los n
ensayos son independientes.
La distribucin normal es un caso particular de probabilidad de variable
aleatoria continua, fue reconocida por primera vez por el francs Abraham de
Moivre (1667-1754).
Posteriormente, Carl Friedrich Gauss (1777-1855) elabor desarrollos ms
profundos y formul la ecuacin de la curva; de ah que tambin se le conozca,
ms comnmente, como la "campana de Gauss".
La distribucin de una variable normal est completamente determinada por dos
parmetros, su media () y su desviacin estndar (). Con esta notacin, la
densidad de la normal viene dada por la ecuacin:

B. Distribucin Poisson
Llamada as en honor de Simeon Denis Poisson, probabilista francs del siglo XIX.
Quien fue el primero en descubrirla, es otra distribucin discreta de probabilidad
muy til en la que la variable aleatoria representa el numero de eventos
3

independientes que ocurre a una velocidad constante. Muchos eventos aleatorios

ocurren de manera independiente con udna velocidad constante en el tiempo o en
el espacio. Algunos ejemplos tpicos son el nmero de personas que llegan a una
tienda de autoservicio en un tiempo determinado, el nmero de defectos en piezas
similares para el material. El nmero de bacterias en un cultivo, el nmero de
solicitudes de seguro procesadas por una compaa en un periodo especifico, etc.
De hecho, la distribucin de Poisson es el principal modelo de probabilidad
empleado para analizar problemas de lneas de espera. Ademas, ofrecer una
aproximacin excelente a la funcin de probabilidad binomial cuando p es
pequeo y n grande.
Sea X una variable aleatoria que representa el numero de eventos aleatorios
independientes que ocurren a una rapidez constante sobre el tiempo o el espacio.
Se dice entonces que la variable aleatoria X tiene una distribucin de Poison con
funcin de probabilidad.
Caractersticas:

En los experimentos los xitos buscados son expresados por unidad de

rea, tiempo, pieza, etc.

# de defectos de una tela por m2.

# de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.

# de llamadas telefnicas a un conmutador por hora, minuto, etc.

# de llegadas de embarcaciones a un puerto por da, mes, etc.

Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo,

rea, o producto, la frmula a utilizar es

Donde:
p(X) = probabilidad de que ocurran x xitos, cuando el nmero promedio de
ocurrencia de ellos es l.
l = media o promedio de xitos por unidad de tiempo, rea o producto.
e = 2.718 (base de logaritmo neperiano o natural).
X = variable que nos denota el nmero de xitos que se desea que ocurra

C. Distribucin Normal
La Normal es la distribucin de probabilidad ms importante. Multitud de variables
aleatorias continuas siguen una distribucin normal o aproximadamente normal.
Una de sus caractersticas ms importantes es que casi cualquier distribucin de
probabilidad, tanto discreta como continua, se puede aproximar por una normal
bajo ciertas condiciones. La distribucin de probabilidad normal y la curva normal
que la representa, tienen las siguientes caractersticas:

La curva normal tiene forma de campana y un solo pico en el centro de la

distribucin. De esta manera, la media aritmtica, la mediana y la moda de la
distribucin son iguales y se localizan en el pico. As, la mitad del rea bajo la
curva se encuentra a la derecha de este punto central y la otra mitad est a la
izquierda de dicho punto.

La distribucin de probabilidad normal es simtrica alrededor de su media.

La curva normal desciende suavemente en ambas direcciones a partir del valor

central. Es asinttica, lo que quiere decir que la curva se acerca cada vez ms al
eje X pero jams llega a tocarlo. Es decir, las colas de la curva se extienden de
manera indefinida en ambas direcciones.

distribucin normal estndar:

Se observ que no existe una sola distribucin de probabilidad normal, sino una
familia de ellas. Como sabemos, cada una de las distribuciones puede tener una
media () o una desviacin estndar distinta (). Por tanto, el nmero de
distribuciones normales es ilimitado y sera imposible proporcionar una tabla de
probabilidades para cada combinacin de y
Para resolver este problema, se utiliza un solo miembro de la familia de
distribuciones normales, aquella cuya media es 0 y desviacin estndar 1 que es
la que se conoce como distribucin estndar normal, de forma que todas las
distribuciones normales pueden convertirse a la estndar, restando la media de
cada observacin y dividiendo por la desviacin estndar.
Primero, convertiremos la distribucin real en una distribucin normal estndar
utilizando un valor llamado Z, o estadstico Z que ser la distancia entre un valor
seleccionado, designado X, y la media , dividida por la desviacin estndar .
D. Distribucin de t Student
Una variable aleatoria se distribuye segn el modelo de probabilidad t o T de
Student con k grados de libertad, donde k es un entero positivo, si su funcin de
densidad es la siguiente

La grfica de esta funcin de densidad es simtrica, respecto del eje de

ordenadas, con independencia del valor de k, y de forma algo semejante a la de
una distribucin norma

Propiedades de las distribuciones t

1.Cada curva t tiene forma de campana con centro en 0.
2.Cada curva t, est ms dispersa que la curva normal estndar.
3.A medida que k aumenta, la dispersin de la curva t correspondiente disminuye.
4.A medida que k, la secuencia de curvas t se aproxima a la curva normal
estndar.
La distribucin de probabilidad de t se public por primera vez en 1908 en un
artculo de W. S. Gosset. En esa poca, Gosset era empleado de una cervecera
irlandesa que desaprobaba la publicacin de investigaciones de sus empleados.
Para evadir esta prohibicin, public su trabajo en secreto bajo el nombre de
"Student". En consecuencia, la distribucin t normalmente se llama distribucin t
de Student , o simplemente distribucin t.
Ejemplo de calibracin
Se desea saber si un instrumento de medicin cualquiera est calibrado, desde el
punto de vista de la exactitud. Para ello se consigue un valor patrn y se lo mide
10 veces (por ejemplo: una pesa patrn para una balanza, un suero control para
un mtodo clnico, etc.). Suponiendo que el resultado de estas mediciones arroja
una media de 52,9 y una desviacin de 3, usando un patrn de valor 50, se debe
determinar si el instrumento est calibrado y la estimacin de su error sistemtico,
si es que se prueba su existencia (no se usan unidades para generalizar.

E. CHI CUADRADA
Segn autor (Francisco Cruzaria 2015) En realidad la distribucin de ji- cuadrada
es la distribucin muestral de s 2, se necesita conocer el eestadistico X 2. Si elige
7

una

muestra

de

tamao

de

una

poblacin

normar

con

varianza,

Tiene una distribucin muestral que es una distribucin con gl=n-1 grados de
libertad y se denota X2 (X es la minscula de la letra griega ji). El estadstico jicuadrada esta dado por:

Donde n es el tamao de la muestra, x 2 la variana muestral y la varianza de la

poblacin de donde se extrajo la muesra, el estadstico ji-cuadrada tambin se
puede dar con la siguiente expresin.

Propiedades de las distribuciones ji

cuadrada
1.Los valores de X2 son mayores o iguales que 0.
2.La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un
nmero infinito de distribuciones X2.
3.El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.
4.Las distribuciones X2 no son simtricas. Tienen colas estrechas que se
extienden a la derecha; esto es, estn sesgadas a la derecha.
5.Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).
6.El valor modal de una distribucin X2 se da en el valor (n-3). La siguiente figura
ilustra tres distribuciones X2. Note que el valor modal aparece en el valor (n-3) =
(gl-2).

La funcin de densidad de la distribucin de X 2

Prueba F (anlisis de varianza o ANOVA)

Segn autor (jamla 2008) El anlisis de varianza (anova) es uno de los mtodos
estadsticos ms utilizados y ms elaborados en la investigacin moderna. El
anlisis de la varianza, no obstante su denominacin se utiliza para probar
hiptesis preferentes a las medias de poblacin ms que a las varianzas de
poblacin. Las tcnicas anovas se han desarrollado para el anlisis de datos en
diseos estadsticos muy complicados.
Veamos cuando se tienen puntuaciones de CI en 5 muestras de adulto.
Grupos

102

103

100

108

121

15

12

12

14

10

Se aprecia que varan las medias de los grupos. Esta variacin de las medias de
grupo a partir de la media total o global de todos los grupos, se conoce como
varianza intergrupal, la variabilidad promedio de las puntuaciones en cada grupo
se denominan varianza intergrupal. Ahora se colocan todas las puntuaciones de CI
en una gran urna y se mezclan en forma adecuada. Puede desentenderse por el
momento cules puntuaciones pertenecen a que grupos. Estas puntuaciones
9

varan. La variacin de estas puntuaciones individuales se denominan variacin

total. El meollo del anlisis de varianza radica en el siguiente hecho: si los grupos
son muestras aleatorias provenientes de la misma poblacin, las varianzas,
intergrupal e intragrupal, son estimaciones insesgadas de la misma varianza
poblacional. Se prueba la significacin de la diferencia de los 2 tipos mediante la
prueba F.

Supuestos que fundamentan la aplicacin de anlisis de varianza.

Cuando se utiliza la tcnica anova se deben cumplir los siguientes supuestos:
1. Las personas de los diversos subgrupos deben seleccionarse mediante el
muestreo aleatorio, a partir de poblaciones normalmente distribuidas.
2. La varianza de los subgrupos debe ser homognea.
3. Las muestras que constituyen los grupos deben ser independientes.
Amenos de que las muestras sean independientes, y que por lo tanto,
generen estimaciones de varianza independientes, la razn de las
varianzas inter e intra no adoptar la distribucin F.

Ejemplo:
Se busca determinar la influencia de la orientacin psicolgica en los mtodos de
crianza de los nios, mediante una comparacin entre liberales y conservadores.
Queremos hacer varias comparaciones que presenten varios puntos en la escala
psicolgica, podramos comparar la permisibilidad en la crianza de los nios de
conservadores, liberales, radicales y moderados.

10

X2=

XT

10
=

13

+
7

15

56

28

T = 7 / 4 = 1.75

Frmula:

Suma

total

nmero

de

de

todos

datos

de

los

todos

cuadrados.

los

grupos.

n = nmero de datos de un grupo.

Clculo

de:

SCinter = (

x1 = 6

x12 = 10

= 1.5

n=4

x2 = 8

x22 = 18

=2

n=4

xT = 28

x3 = 7

x32 = 13

= 1.75

n=4

T = 1.75

x4 = 8

x42 = 15

= 1.75

n=4

XT2 = 56

Grupo

1:

(1.5

Grupo

2:

(2

T)2 n

1.75)2
1.75)2

(4)
(4)

(-0.25)2

(0.25)2

(4)
(4)

=
=

0.6

(4)

0.24

0.6

(4)

0.24
11

Grupo

3:

(1.75

1.75)2

(4)

(0)2

(4)

Grupo 4: (1.75 - 1.75)2 (4) = (0)2 (4) = 0

SCinter = 0.24 + 0.24 + 0 + 0 = 0.48 Variacin que existe entre los grupos.

Clculo

de:

SCintra = 1 + 2 + 0.75 + 2.75 = 6.5

Comprobacin
SCT

SCinter

SCintra

SCintra = SCT - SCinter

SCinter

0.48

0.5

SCintra = 6.5
12

SCT

6.5

0.5

SCintra = 7 - 05 = 6.5

Calculamos

la

media

cuadrtica

(cuadrado

medio)

Existe una media de variacin conocida como la media cuadrtica o varianza, que
obtenemos dividiendo SCintra o SCinter mediante los grados de libertad
apropiados.
Clculo

glinter

de

la

media

cuadrtica:

glintra = NT + K = 16 - 4 = 12

CONCLUSIONES

Sanchez, J. (2007). Introduccion a la Estadistica Empresarial. Madrid, Espaa:

McGraw Hill.

13

Spiegel, M. (2005). Estadstica, Serie de Compendios Schaum. Mexico: McGrawHill.

Suarez, M. (2005). Interaprendizaje Holstico de Matemtica. Ibarra, Ecuador :
Grficas Planeta.
Webster, A. (2007). Estadisitica Aplicada a los Negocios y la Economia . Bogota,
Colombia : McGraw Hill.
Wackerly, D., Mendenhall, W., & Scheaffer, R. L. (2005). Descripcin de un
conjunto de mediciones: mtodos numricos, Estadstica matemtica con
aplicaciones. Madrid, Espaa: Cengage Learning.

14