ALGUNOS TEMAS DE

ESTADÍSTICA
Recordando lo aprendido

Compilación de temas básicos de estadística

Encontrará una compilación de temas básicos de estadística que le ayudarán en su curso actual

marivasq@ucab.edu.ve

Algunas distribuciones de
probabilidades discretas
¿Cómo se obtuvieron?
Cualquier distribución de probabilidades,
bien que describa el comportamiento de
una variable aleatoria discreta o continua,
tiene asociado un experimento aleatorio,
que dio origen al espacio muestral y por
ende a sus sucesos elementales.
Las distribuciones de probabilidades,
pueden representarse bien, de forma
gráfica, mediante un histograma de
frecuencia o bien, de forma analítica
mediante una función matemática f(x) que
describe la relación entre la variable
aleatoria y su probabilidad.
La probabilidad representada en los
histogramas de frecuencias coincide con la
frecuencia relativa, para el valor
correspondiente de la variable aleatoria.
Así mismo, se puede representar la
frecuencia relativa acumulada, o lo que es
lo mismo, que la probabilidad acumulada
de la variable aleatoria X, hasta un valor
dado 𝑥𝑖 ; constituyendo la función de
distribución acumulada F(X).
Existen millones de distribuciones de
probabilidades, sin embargo, unas pocas
representan muchos de los sucesos que
ocurren en la vida diaria.
Dentro de las distribuciones de
probabilidades discretas que describen
muchos sucesos más comunes, se
encuentran:
María Carolina Vásquez
 Distribución uniforme discreta
 Distribución binomial
 Distribución Poisson
Existen muchas otras, sin embargo, se
focalizará la atención en estas tres (3) por
su importancia y utilidad.
¿Cómo se diferencian?
Las distribuciones de probabilidades, están
definidas por “parámetros” que hacen que,
una distribución de una mismo tipo, sea
diferente a otra, de ese tipo.
Así mismo, dependiendo del tipo que se
trate puede tener uno (1) o varios
parámetros para definirla.
Distribución de probabilidades
uniforme discreta
La distribución de probabilidades uniforme
discreta, es una de las distribuciones más
sencillas que existe, sin embargo, permite
describir muchos sucesos.
Por ejemplo, para el experimento aleatorio
“lanzamiento de un dado”, definiendo la
variable aleatoria X=”valor en la cara
superior del dado”; la distribución de
probabilidades que se obtiene es una
Distribución uniforme discreta
Sea una variable aleatoria discreta X que
toma los valores:
𝑋 = 𝑥1, 𝑥2 , 𝑥3 , 𝑥4 … … 𝑥𝑘
Con idénticas probabilidades 1/k, se dice
entonces que la distribución de
1
 María Carolina Vásquez

probabilidades está definida por el La varianza se calcula como la diferencia

parámetro k, tal que: cuadrática de cada valor xi con respecto a
la media o esperanza matemática,
1 multiplicada por la correspondiente
𝑓(𝑥, 𝑘) = para 𝑥1, 𝑥2 , 𝑥3 , 𝑥4 … … 𝑥𝑘
𝑘 probabilidad 1/k, quedando la expresión
como:
En este caso al denotar la función como
f(x,k) se está expresando que depende del 𝒌
𝟏
parámetro k, debiendo siempre ser mayor 𝑽𝒂𝒓(𝒙) = 𝝈𝟐 = ∑(𝒙𝒊 − µ)𝟐
𝒌
que cero; ya que, la probabilidad para 𝒊=𝟏

cualquier variable aleatoria se encuentra

Para el ejemplo del lanzamiento de un
entre 0 y 1.
dado, la media y la esperanza serían:

Al representar gráficamente el histograma 𝟏+𝟐+𝟑+𝟒+𝟓+𝟔

µ= = 𝟑, 𝟓
de frecuencias de esta distribución queda 𝟔
de la siguiente forma: 𝟏
𝝈𝟐 = [(𝟏 − 𝟑, 𝟓)𝟐 + (𝟐 − 𝟑, 𝟓)𝟐 + ⋯ . ]
𝟔
= 𝟐, 𝟗𝟐
Distribución de probabilidades
f(x,k)=1/k uniforme discreta
Distribución de probabilidades
Binomial
La distribución de probabilidades binomial
x1 x2 x3 xk es la representación de las probabilidades
Gráfico 1. Distribución uniforme discreta para una variable aleatoria discreta,
denominada “binomial” que resulta de
Media y varianza de una distribución repetir “n” veces un
uniforme discreta
La media o esperanza matemática para una
Experimento Bernoulli
variable aleatoria discreta viene dada por la
sumatoria de los valores que toma la
El experimento aleatorio de Bernoulli, es
variable aleatoria, multiplicado por la
aquel que tiene dos posibles resultados:
probabilidad de ocurrencia de cada valor xi,
de la variable aleatoria discreta: Éxito
Experimento
𝒌 Bernoulli
𝟏 Fracaso
𝑬(𝒙) = µ = ∑ 𝒙𝒊
𝒌
𝒊=𝟏 Figura 1. Resultados de un experimento Bernoulli

2

La repetición de “n” veces el experimento
de Bernoulli, se denomina:
𝑷𝒓𝒐𝒄𝒆𝒔𝒐 𝒅𝒆 𝑩𝒆𝒓𝒏𝒐𝒖𝒍𝒍𝒊
El proceso de Bernoulli tiene las siguientes
propiedades:
 Experimento aleatorio que tiene dos
posibles resultados, por lo que su
espacio muestral sería
Ω = {é𝐱𝐢𝐭𝐨, 𝐟𝐫𝐚𝐜𝐚𝐬𝐨}
 Se realiza “n” veces
 La probabilidad de tener éxito se denota
como “p” y de fracaso como “q”, siendo
una el complemento de la otra; por lo
que q=1-p
 Los ensayos que se realizan “n” veces
son independientes
A partir del proceso de Bernoulli se puede
definir para una variable aleatoria binomial
𝑿 = 𝒄𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 é𝒙𝒊𝒕𝒐𝒔
Al realizar “n” ensayos independientes, la
distribución de probabilidades binomial
que se denota como:
Distribución Binomial
𝒏
𝑩(𝒏, 𝒑) = 𝑷(𝑿 = 𝒙𝒊 ) = ( ) 𝒑𝒙𝒊 ∗ 𝒒(𝒏−𝒙𝒊 )
𝒙𝒊
Esta distribución es denominada binomial,
no porque tenga dos (2) posibles
resultados, sino por el binomio de Newton,
o número combinatorio.
Para la variable aleatoria binomial se dice
que:
𝑿~𝑩(𝒏, 𝒑)
María Carolina Vásquez
Será una variable binomial si cumple las
propiedades de un proceso Bernoulli. El
objetivo de esta distribución de
probabilidades, es conocer la probabilidad
que se produzca cierta cantidad de éxitos.
Por ejemplo, se lanzan cinco (5) monedas;
existiendo dos (2) posibles resultados
Lanzar una moneda
Cara Sello
Figura 2. Resultados del lanzamiento de una moneda
Los resultados del experimento son dos (2):
cara o sello, que son incompatibles y
complementarios entre sí. El experimento
se está repitiendo n veces y las
probabilidades de cada posible resultado
pueden ser definidas como p y q=1-p.
Si se define la variable aleatoria
X = Obtener cara
Es posible afirmar entonces que, X se
comporta según una distribución de
probabilidades binomial, ya que, cumple
con las condiciones necesarias que
suponen las variables con este
comportamiento.
Para este caso, la cantidad de posibles
resultados que se pueden obtener al lanzar
las cinco monedas, es equivalente a 𝟐𝟓 =
𝟑𝟐; este resultado se podría obtener aún y
cuando, no se conociese el concepto de la
distribución binomial.
3
 María Carolina Vásquez

Se podría utilizar un diagrama de árbol Luego, procediendo a su evaluación para

decir, se tienen dos (2) posibilidades, que se cada valor que toma X, se construye la
repiten 5 veces, de forma independiente. función de probabilidades o distribución de
Se puede construir un árbol par contar probabilidades; que permite obtener
estas posibilidades, luego se podrían cualquier probabilidad posterior que se
identificar los casos favorables de ese total requiera:
de casos, para así hallar la probabilidad que
se pide.
X B(xi,5,0.5)
Sin embargo, en muchos casos optar por
esta solución, podría no ser práctico, es por 0 1/32
ello que, es tan relevante el uso de la 1 5/32
distribución binomial; ya que, cumplidas las 2 10/32
condiciones referidas a:
3 10/32
 Dos (2) resultados excluyentes,
 Una probabilidad de éxito y fracaso 4 5/32
fijas 5 1/32
 Repetición n veces del experimento Tabla 1. Distribución binomial para el lanzamiento de cinco (5)
monedas
Permite encontrar las probabilidades de
éxito una cantidad dada de repeticiones La gráfica de la distribución de
menores a n. probabilidades tendría la siguiente forma:

Retomando la resolución del ejercicio, con

base en la distribución binomial, se tiene
que, posibles valores que puede tomar X,
serían:

X= 0,1,2,3,4,5

La distribución de probabilidades se
obtiene evaluando los posibles valores que
toma X, en:

𝟓 Gráfica 2. Distribución binomial de parámetros n=5, p=0,5,

𝑿~𝑩(𝒙𝒊 𝟓, 𝟎, 𝟓) = ( ) 𝒑𝒙𝒊 𝒒(𝟓−𝒙𝒊 ) correspondiente al lanzamiento de una moneda cinco (5) veces.
𝒙𝒊
Media y varianza de una distribución
El experimento se repite 5 veces, es decir binomial
n=5; la probabilidad de éxito p=0,5, por
Para una variable aleatoria con
ende la de fracaso será su complemento
comportamiento binomial, su esperanza
q=0,5.
viene dada por la expresión:

4

𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑬(𝑿) = 𝒏𝒑
Y su varianza está definida como:
𝑽𝒂𝒓 (𝑿) = 𝝈𝟐 = 𝒏𝒑𝒒
Propiedades de una variable aleatoria
binomial
1. SI 𝑿~𝑩(𝒏, 𝒑) entonces, X es la suma de
n variables Bernoulli, independientes de
parámetro p
2. Si 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 … … . . 𝒙𝒌 son variables
binomiales independientes entre sí, de
parámetros 𝒏𝒊, , 𝒑 , para 𝒊 = 𝟏, 𝟐, 𝟑, … , 𝒌 ,
entonces la suma de esas variables xi, es
decir 𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 + ⋯ … . . 𝒙𝒌 tiene
distribución binominal de parámetros
𝑩(𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 + ⋯ 𝒙𝒌 , 𝒏𝒌 , 𝒑)
3. Si 𝑿~𝑩(𝒏, 𝒑) entonces si se define otra
variable 𝒀 = 𝒏 − 𝑿 ~𝑩(𝒏, 𝟏 − 𝒑)
4. La distribución es simétrica, sí y solo sí
p=1/2, si p<1/2, existe asimetría a la
derecha; es decir tiene una cola larga a
la derecha, y si p>1/2 existe asimetría a
la izquierda.
5. La esperanza matemática para una
variable binomial, se puede deducir a
partir de la propiedad 1, siendo igual
𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑬(𝑿) = 𝒏𝒑
6. La varianza para una variable aleatoria
binomial es igual a 𝑽𝒂𝒓 (𝑿) = 𝝈𝟐 = 𝒏𝒑𝒒
María Carolina Vásquez
Distribución de probabilidades
Poisson
Procesos Poisson
(Simeon Denis Poisson)
Un proceso Poisson es un experimento
aleatorio en el que se observa la aparición
de sucesos puntuales (variable discreta)
sobre un soporte continuo (variable
continua), estos soportes continuos
pueden ser del tipo: tiempo, longitud,
superficie, entre otros.
Cumpliendo las siguientes condiciones:
1. La cantidad de resultados que ocurren
en un intervalo de tiempo, longitud,
región o superficie, no depende de la
cantidad de resultados que ocurren
fuera de él.
2. La probabilidad que un suceso ocurra
en un “intervalo o región” muy
pequeña es proporcional a la longitud
del intervalo o área de la región.
3. La probabilidad que ocurra más de un
resultado en un intervalo corto de
tiempo es “despreciable”
Como consecuencia de las propiedades
anteriores, el promedio de sucesos por
cantidad de tiempo o de soporte, se
mantiene constante y se denota por la letra
griega λ = lambda
La variable aleatoria X que modela la
cantidad de “sucesos” en una “unidad de
soporte“ para un procesos Poisson, tiene
5
 María Carolina Vásquez

una distribución de probabilidades que se Propiedades de una variable aleatoria

denomina Poisson
Distribución Poisson 1. Para una variable aleatoria con
Se denota como 𝑿~ℙ(𝝀) con la siguiente comportamiento Poisson, su esperanza
función de probabilidades viene dada por la expresión:

𝝀𝒙𝒊 𝒆−𝝀 𝑬𝒔𝒑𝒆𝒓𝒂𝒏𝒛𝒂 𝑬(𝑿) = 𝝀

𝑷(𝑿 = 𝒙𝒊 ) =
𝒙𝒊 !
2. Y su varianza está definida como:

Se tiende a relacionar las variables 𝑽𝒂𝒓 (𝑿) = 𝝈𝟐 = 𝝀

discretas del tipo Poisson, con eventos por
unidad de tiempo, sin embargo, existen
3. Si 𝒙𝟏 , 𝒙𝟐 , 𝒙𝟑 , 𝒙𝟒 … … . . 𝒙𝒌 son variables
muchos casos descritos por este tipo de
Poisson independientes entre sí, de
distribuciones que no necesariamente la
parámetros 𝝀𝒊, para 𝒊 = 𝟏, 𝟐, 𝟑, … , 𝒌 ,
variable continua sobre la que se desplaza
entonces la suma de esas variables xi, es
la variable discreta, es tiempo.
decir 𝒙𝟏 + 𝒙𝟐 + 𝒙𝟑 + ⋯ … . . 𝒙𝒌 tiene
Por ejemplo, la cantidad de errores en una distribución Poisson de parámetro
base de datos puede considerarse una 𝒌
variable aleatoria del tipo Poisson, o la ∑ 𝝀𝒊
cantidad de defectos por metro de tela,
𝒊=𝟏
entre otros.

Por ejemplo, una distribución Poisson con Aproximación Poisson a la

λ=4, tiene una gráfica aproximadamente
distribución binomial
como esta:
Para una distribución binomial en la que el
Distribución Poisson λ=4
valor de “n” sea grande; podría ser
laborioso el cálculo de las probabilidades.

En estos casos es posible aproximar la

distribución binomial a través de una
distribución Poisson, debiéndose cumplir
las siguientes condiciones:
X1 X2 X3 X4 X5 X6 X7
Gráfica 3. Distribución de probabilidades Poisson λ=4
𝑿~𝑩(𝒏, 𝒑)

6

Para la 𝒏 ≥ 𝟓𝟎 𝒚 𝒑 ≤ 𝟎, 𝟏 entonces se puede
aproximar a una distribución Poisson de
parámetro λ=np
(𝒏𝒑)𝒙𝒊 𝒆−𝒏𝒑
𝑷(𝑿 = 𝒙𝒊 ) =
𝒙𝒊 !
Chequeando lo aprendido
Ejercicios propuestos
1. Un experimento consiste en lanzar tres veces
una moneda. Sea la variable aleatoria:
X="número de sellos que se obtienen". Se
pide:
1. Distribución de probabilidad de X
2. Función de distribución de X.
Representación gráfica
3. Media, varianza y desviación típica de
X relacionan?
4. Probabilidad de que salgan a lo sumo
dos caras
5. Probabilidad de que salgan al menos
dos caras
6. Definir una variable aleatoria
Y=n-X
2. En los registros de una empresa fabricante de
baterías para laptop, indican que con una
probabilidad del 0,05 se presenta una batería
defectuosa. Considerando que las baterías
producidas constituyen un conjunto de
ensayos independiente:
i. ¿Cuál es la probabilidad que entre 10
baterías dos se encuentren
defectuosas?
ii. ¿Es simétrica la distribución?
iii. Dibuje la gráfica de la distribución de
probabilidades
María Carolina Vásquez
3. Suponga que un comercio en el que se ha
estudiado el ingreso de clientes a la tienda,
encontrando que llega un (1) cliente cada
veinte (20) minutos.
i. ¿Cuál es la probabilidad de que
lleguen cuatro (4) clientes en una
hora?
ii. ¿De qué tipo de distribución de
probabilidades se trata?
iii. Grafique la distribución de
probabilidades
iv. ¿Cómo se comporta la tasa de
llegadas?
4. Investigue los usos y aplicaciones de las
distribución de probabilidades Poisson, con
cuál otra distribución de probabilidades
guarda o tiene relación ¿por qué? ¿cómo se
5. La cantidad de estudiantes que llegan a la
biblioteca de la UCAB, por minuto, es de tres
(3), se desea conocer:
i. La probabilidad que no llegue un
estudiante en un minuto
ii. ¿Cuál es la probabilidad que lleguen
diez (10) estudiantes en un minuto
iii. ¿Cuál es la probabilidad que lleguen
como máximo dos (2) estudiantes en
un minuto
6. Los cuatro motores de un avión cuatrimotor
(dos en cada ala) fallan, cada uno con
probabilidad 0,04, en forma independiente,
durante un trayecto de 20.000 kilómetros. El
avión no entra en emergencia mientras
funcionen sin fallar por lo menos dos
motores:
7
 María Carolina Vásquez

i. 1. ¿Cuál es la probabilidad de que el

avión no entre en emergencia?

ii. ¿Cuál será esa probabilidad si se

agrega la restricción de que, al menos
debe funcionar un motor en cada ala?

IMPORTANTE. Se aprende más enfrentándose a la

resolución de los ejercicios, que leyendo su resolución.

8

Algunas distribuciones de
probabilidades continuas
¿Cómo se obtuvieron?
Cualquier distribución de probabilidades,
bien que describa el comportamiento de
una variable aleatoria discreta o continua,
tiene asociado un experimento aleatorio,
que dio origen al espacio muestral y por
ende a sus sucesos elementales.
Las distribuciones de probabilidades,
pueden representarse bien, de forma
gráfica, mediante un histograma de
frecuencia o bien, de forma analítica
mediante una función matemática f(x) que
describe la relación entre la variable
aleatoria y su probabilidad.
La probabilidad representada en los
histogramas de frecuencias coincide con la
frecuencia relativa, para el valor
correspondiente de la variable aleatoria.
Así mismo, se puede representar la
frecuencia relativa acumulada, o lo que es
lo mismo, que la probabilidad acumulada
de la variable aleatoria X, hasta un valor
dado 𝑥𝑖 ; constituyendo la función de
distribución acumulada F(X).
Existen millones de distribuciones de
probabilidades, sin embargo, unas pocas
representan muchos de los sucesos que
ocurren en la vida diaria.
Dentro de las distribuciones de
probabilidades continuas que describen
muchos sucesos más comunes, se
encuentran:
María Carolina Vásquez
 Distribución uniforme
 Distribución normal
 Distribución exponencial
Existen muchas otras, sin embargo, se
focalizará la atención en estas tres (3) por
su importancia y utilidad.
¿Cómo se diferencian?
Las distribuciones de probabilidades, están
definidas por “parámetros” que hacen que,
una distribución de una mismo tipo, sea
diferente a otra, de ese tipo.
Así mismo, dependiendo del tipo que se
trate puede tener uno (1) o varios
parámetros para definirla.
Distribución de probabilidades
uniforme continua
La distribución de probabilidades uniforme
continua, es una de las distribuciones más
sencillas que existe, sin embargo, permite
describir muchos sucesos, al igual que
sucede con la distribución del mismo
nombre pero discreta.
Por ejemplo, al decir que el precio de la
gasolina se encuentra entre 1$ y 3$,
significa que dentro de ese intervalo
cerrado, el precio podría tomar cualquier
valor, con la misma probabilidad.
En ese caso, la gráfica de la función de
densidad de probabilidades, tendría la
forma de un rectángulo, para el que su área
sería igual a 1, ya que sería la probabilidad
acumulada entre 1 y 3.
1
 María Carolina Vásquez

Si se considera como h la probabilidad Generalizando quedaría como:

uniforme que tienen todos los puntos 𝟏
dentro del intervalo [1,3]; la función de 𝑭(𝑿) = {𝟐 (𝒙 − 𝟏), 𝟏≤𝒙≤𝟑
densidad de probabilidades se podría 𝟎, 𝒐𝒕𝒓𝒐 𝒗𝒂𝒍𝒐𝒓
escribir como:
Una forma más sencilla de obtener las dos
𝒉, 𝟏≤𝒙≤𝟑
𝒇(𝒙) = { funciones anteriores es considerando que
𝟎 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
el área bajo la curva de esta distribución de
El área bajo esa curva debe ser igual a 1,
probabilidades, es el área de un rectángulo.
entonces se podría obtener el valor de h,
como Con base en ese ejemplo es posible definir
𝟑
𝟑 la llamada:
∫ 𝒉𝒅𝒙 = 𝟏 = 𝒉𝒙⌋ → 𝟏 = 𝟐𝒉 → 𝒉 = 𝟏/𝟐
𝟏 𝟏 Distribución uniforme continua
La función de densidad de probabilidades Sea una variable aleatoria continua X que
se podría re-escribir como: toma los valores dentro del intervalo
𝟏
𝒇(𝒙) = { ⁄𝟐 , 𝟏≤𝒙≤𝟑 [𝑨, 𝑩]
𝟎 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
Con la misma probabilidad de ocurrencia,
Al representar gráficamente la función de su tomando como base el ejemplo anterior,
distribución de probabilidades sería algo generalizándolo, quedaría como:
similar a:
𝟏
, 𝑨≤𝒙≤𝑩
𝒇(𝒙, 𝑨, 𝑩) = {(𝑩 − 𝑨)
𝟎 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐

Esta función está definida por dos

parámetros A y B; por ello se escribe de esa
forma.

La gráfica de esta distribución es similar a

Figura 1. Distribución de probabilidades uniforme continua
entre [1,3] la que se dibujó para el ejemplo del precio
de la gasolina:
Recordando que la función de distribución
representa la probabilidad acumulada
hasta un punto 𝒙𝒊 , es decir el área bajo la
curva desde 1 hasta un punto cualquiera 𝒙𝒊 ,
se obtendría como:
𝒙𝒊
𝟏 𝟏 𝒙 𝟏
∫ 𝒅𝒙 = 𝒙⌋ 𝒊 → (𝒙𝒊 − 𝟏)
𝟏 𝟐 𝟐 𝟏 𝟐
Figura 2. Gráfica de la distribución de probabilidades uniforme
continua en el intervalo [A,B]

2
 María Carolina Vásquez

Su función de distribución viene dada por: Una de las aplicaciones más comunes de la
distribución de probabilidades uniforme
(𝒙 − 𝑨) continua, es para la generación de los
𝑭(𝑿 ≤ 𝒙) = {(𝑩 − 𝑨) , 𝑨≤𝒙≤𝑩 números aleatorios, en el intervalo [0,1], o
𝟎 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐 los llamados “random”. A su vez estos
números aleatorios son usados para la
La gráfica de la distribución uniforme selección de valores al azar para una
continua tiene la siguiente forma: muestra a fin de estimar alguna de las
características de la población.

En este caso, esa variable aleatoria X con

comportamiento uniforme en el intervalo
0,1, se escribe como:

𝑿 ~ 𝑼(𝟎, 𝟏)

Figura 3. Gráfica de la función de distribución uniforme

continua en el intervalo [A,B]
Distribución normal

Para la variable aleatoria X que tiene

¿Es lo más normal que pase?
comportamiento uniforme en el intervalo
La distribución de probabilidades normal, o
[A,B], se dice:
también llamada campana de Gauss, ayuda
a representar
𝑿 ~ 𝑼(𝑨, 𝑩)
La mayoría de los sucesos cotidianos
La esperanza matemática y la varianza para
una distribución uniforme continua vienen Cuando por ejemplo, dentro de un grupo
dadas por las expresiones: de personas adultas se registra su altura, se
encontrará que algunas personas son muy
La esperanza o media: bajas, otras en estatura promedio y otras
son muy altas. Si estos valores se grafican,
(𝑨 + 𝑩) colocando en el eje de las equis una
𝑬(𝑿) = µ =
𝟐 variable aleatoria “estatura” y en el eje y se
coloca la frecuencia relativa; es decir, su
probabilidad, con bastante seguridad la
La varianza:
curva que se dibuja se asemeja a una
campana, como esta figura:
(𝑩 − 𝑨)𝟐
𝑽𝒂𝒓(𝑿) = 𝝈𝟐 =
𝟏𝟐

3
 María Carolina Vásquez

Es una curva que es simétrica, teniendo la

siguiente apariencia de campana:

Figura 4. Gráfica aproximada de las estaturas de un grupo de

personas

Distribución normal
Figura 5. Distribución normal de parámetros µ y σ
Esta distribución es la más importante
dentro del de la estadística y en especial Existe una curva normal diferente para
para las inferencias estadísticas. La cada par de parámetros µ y σ. El valor de σ
ecuación de su función de densidad fue perite identificar que tan abierta es la
desarrollada por Abraham DeMoivre en campana, para dos curvas normales con
1733. En muchas ocasiones se le llama igual desviación estándar σ, pero con
distribución gaussiana en honor a Karl diferentes medias 𝝁𝟏 y 𝝁𝟐 , su gráfica sería
Friedrich Gauss, que al igual que DeMoivre algo similar a la siguiente figura:
obtuvo una ecuación para esta distribución
de probabilidades, a través de un estudio
de los errores en las mediciones repetidas
de la misma cantidad.

La variable aleatoria X que tiene

comportamiento según esta distribución
de probabilidades, es llamada “variable
normal”, definida por dos parámetros, su Figura 6. Distribuciones normales con igual desviación σ pero
media µ y su desviación σ, siendo su medias diferentes

distribución de densidad de probabilidades

Propiedades de la distribución normal
la siguiente:
1. Es simétrica con respecto a la media µ
𝟏 𝟏 𝒙−𝝁 𝟐
𝒇(𝒙, 𝝁, 𝝈) = 𝒆 𝟐 𝝈 )
− ( 2. Su moda se encuentra en el punto más
𝝈√𝟐𝝅 alto de la curva siendo igual a µ

Se dice para la variable aleatoria X que tiene 3. Tiene dos (2) puntos de inflexión en
comportamiento normal, que: 𝑿=𝝁±𝝈

4. Es cóncava hacia abajo si

𝑿 ~ 𝑵(𝝁, 𝝈)
𝝁−𝝈<𝑿<𝝁+𝝈

4

Y cóncava hacia arriba en cualquier otro
caso.
5. Se aproxima al eje de las X de forma
asintótica, mientras más alejada se
encuentre de la media µ, en cualquiera
de las dos (2) direcciones.
6. El área bajo la curva es 1
7. Su media µ, su Me y Mo se encuentran
en el mismo punto
Figura 7. Algunas propiedades de la distribución normal
Regla empírica
La regla empírica establece que alrededor
de la media µ y conforme se va alejando el
valor de la variable aleatoria X, en función
de tantas desviaciones estándar, la
cantidad de datos que se encuentran bajo
la curva son aproximadamente de:
 El 68.3% de los datos se encuentra a una
(1) desviación estándar de la media
 El 95.5% de los datos se encuentran a
dos (2) desviaciones estándar de la
media
 El 99,7% se encuentra a tres (3)
desviaciones estándar.
La representación gráfica de esta regla de
validación, es de la siguiente forma:
María Carolina Vásquez
Figura 8. Representación de la regla empirica
Distribución normal estándar
La distribución normal estándar es tal que
su µ = 0 y σ = 1, la variable aleatoria con
estas características es denotada como Z,
estando tabulados en la Tabla de la
Normal Estándar, los valores de Z y su
respectiva probabilidad, hasta tres (3)
desviaciones estándar.
Se denota como:
𝒁 ~ 𝑵(𝟎, 𝟏)
Esta variable Z con comportamiento
normal de µ = 0 σ = 1, facilita los cálculos
para las situaciones que los datos puedan
ajustarse a una distribución normal, ya que,
como existe una curva normal para cada
posible combinación de µ y σ.
Para referir cualquier variable aleatoria con
comportamiento normal a la curva normal
estándar hay que realizar un proceso
llamado tipificación. En el que se expresa la
variable en términos de la desviación
estándar de la curva normal original.
5
 María Carolina Vásquez

Tipificación de variables aleatorias con F (b) – F (a)

comportamiento normal

Para tipificar una variable aleatoria con Si a y b se encuentran a la misma distancia

comportamiento normal, es necesario, de la media, es decir de µ, la gráfica sería
como ya se dijo, expresar la variable en equivalente a lo representado en la figura 9
función de unidades de desviación:

(𝒙 − 𝝁)
𝒁=
𝝈
En la práctica es un cambio de variable para
trasladar la media con su correspondiente
desviación a curva normal con parámetros
µ=0 yσ=1
Figura 9. Área bajo de la curva ocupada por los valores de la
variable aleatoria entre –a y a
Tabla 1, Relación entre una normal de media µ y desviación σ,
con la distribución normal estándar
X Z Por ejemplo, se sabe que el peso de los
Media µ 0 estudiantes de una clase, se comporta
Una µ±σ ±1 según una distribución normal de media
desviación µ=50 y desviación estándar σ=10; se desea
Dos µ±2σ ±2 estimar la probabilidad que al seleccionar
desviaciones un estudiante al azar, su peso se encuentre
Tres µ±3σ ±3 entre 45 y 62 kilogramos.
desviaciones
Si se define una variable aleatoria X = peso
Como la curva normal es una distribución
de los estudiantes; la probabilidad que se
de probabilidades continuas no hay que
necesita es equivalente a;
olvidar que solo es posible calcular la
probabilidad en un intervalo [a,b], ya que la 𝑷(𝟒𝟓 ≤ 𝑿 ≤ 𝟔𝟐)
probabilidad en un punto específico, por
Dado que las probabilidades de la
ejemplo a, será igual a cero. Siendo igual a:
distribución normal están tabuladas, es
𝑷(𝒂 ≤ 𝑿 ≤ 𝒃) = 𝑷(𝑿 ≤ 𝒃) − 𝑷(𝑿 ≤ 𝒂) recomendable a fin de aligerar los cálculos
y disminuir el porcentaje de error; tipificar
la variable y trabajar con la tabla de la
Recordando las propiedades de una
normal estándar.
función de distribución, la probabilidad que
la variable aleatoria se encuentre entre a y Hoy día, existen innumerables aplicaciones
b, también se puede calcular como: que ayudan en los cálculos de las

6
 María Carolina Vásquez

probabilidades; sin embargo, siempre es Al localizar el valor de la probabilidad en la

recomendable conocer el procedimiento tabla normal para Z=-0,5 y Z=1,2, la
de cálculo de las probabilidades a través de probabilidad solicitada sería:
la tabla de la distribución normal estándar. 𝟏 𝟔
𝑷 (− ≤ 𝑿 ≤ ) = 𝟎, 𝟖𝟖𝟒𝟗 − 𝟎, 𝟑𝟎𝟖𝟓
Prosiguiendo con el ejemplo, la tipificación 𝟐 𝟓
= 𝟎, 𝟓𝟕𝟔𝟒
de la variable quedaría de la siguiente
forma: Es decir, la probabilidad sería de 57,64%
(𝟒𝟓 − 𝟓𝟎) 𝟏
𝒛𝟏 = =−
𝟏𝟎 𝟐
Distribución de probabilidades
(𝟔𝟐 − 𝟓𝟎) 𝟔
𝒛𝟐 = = exponencial
𝟏𝟎 𝟓
Luego de haber realzado la tipificación, es La distribución de probabilidades
decir trasladar la distribución a una exponencial, a pesar de ser una
distribución 0,1; la probabilidad que se distribución de probabilidades continua,
requiere calcular sería; está directamente relacionada con la
distribución de probabilidades discreta
𝟏 𝟔
𝑷(− ≤𝑿≤ ) Poisson
𝟐 𝟓
Siempre es recomendable para el cálculo ¿Cómo se relaciona con la
de las probabilidades, preparar un gráfico
Poisson?
representativo de la función, de forma de
ubicar dentro de la misma, la probabilidad En la distribución Poisson se estudia el
que se necesita calcular. comportamiento de una variable discreta
que se desarrolla a lo largo de una variable
continua. Usualmente la variable continua
se refiere, no siendo exclusivo, a tiempo.

De forma general se puede resumir que la

distribución Poisson refleja las
probabilidades de una variable aleatoria
definida como:
Figura 10. Área bajo de la curva ocupada por los valores de la
variable aleatoria entre –0,5 y 1,2 𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒊𝒔𝒄𝒓𝒆𝒕𝒂 (𝒆𝒗𝒆𝒏𝒕𝒐𝒔)
𝑷𝒐𝒊𝒔𝒔𝒐𝒏 =
𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂 (𝒆𝒔𝒑𝒂𝒄𝒊𝒐𝒔)

Una de las aplicaciones directas de la

Poisson es la llamada tasa de llegadas, cuya
medición de la variable discreta se hace a

7
 María Carolina Vásquez

través del tiempo como variable continua, Con esta distribución interesa conocer el
de la forma siguiente: tiempo que transcurre hasta que ocurre
determinado evento, sabiendo que:
𝒆𝒗𝒆𝒏𝒕𝒐𝒔 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂
𝑻𝒂𝒔𝒂 𝒅𝒆 𝒍𝒍𝒆𝒈𝒂𝒅𝒂𝒔 =
𝒖𝒏𝒊𝒅𝒂𝒅 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐 El tiempo que puede ocurrir desde
cualquier instante dado de tiempo “t”, hasta
Ahora si se quisiese calcular el tiempo que
transcurre entre un evento y otro, esa que ocurre ese evento en un instante 𝒕𝒇
𝒊
variable aleatoria ya no sería “discreta”,
no depende del tiempo transcurrido
pasaría a ser “continua”. En este caso, el
anteriormente en el que no haya ocurrido
comportamiento de esa variable aleatoria,
nada; es decir, en otras palabras:
es el que refleja la
El tiempo que transcurre desde que
Distribución exponencial
sucedió el evento anterior hasta que
Es el equivalente continuo de la sucede el nuevo evento no guardan
distribución de probabilidades discreta del relación, se dice entonces que
tipo geométrico, como por ejemplo la
La distribución exponencial no tiene
variable aleatoria de procesos tipo Poisson.
memoria
En términos generales, la distribución
exponencial la variable continua está La función de densidad de probabilidades
referida a tiempo, es decir: para una variable aleatoria continua con
comportamiento exponencial es:
𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒄𝒐𝒏𝒕𝒊𝒏𝒖𝒂
𝑬𝒙𝒑𝒐𝒏𝒆𝒏𝒄𝒊𝒂𝒍 = 𝟏 − 𝜷𝒙
𝒗𝒂𝒓𝒊𝒂𝒃𝒍𝒆 𝒅𝒊𝒔𝒄𝒓𝒆𝒕𝒂 𝒆 , 𝒙≥𝟎
𝒇(𝒙, 𝜷) = {𝜷
Se dice que la distribución exponencial es la 𝟎, 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐
inversa de la distribución Poisson,
midiendo para el caso por ejemplo de la La gráfica de la distribución exponencial,
tasa de llegadas, el llamado, tiempo entre tiene la siguiente forma:
llegadas. EL parámetro que define a una
distribución exponencial es denotado
como 𝜷, siendo:
𝒖𝒏𝒊𝒅𝒂𝒅 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐
𝜷=
𝒄𝒂𝒏𝒕𝒊𝒅𝒂𝒅 𝒅𝒆 𝒆𝒗𝒆𝒏𝒕𝒐𝒔
Relación parámetros Poisson – Exponencial

𝜷 = 𝟏⁄𝝀
Figura 11. Distribución de densidad de probabilidades
exponencial

8
 María Carolina Vásquez

Esa misma distribución de densidad de Propiedades distribución exponencial

probabilidades puede ser expresada en
términos de la tasa λ, como: 1. No tiene memoria

2. 𝑬(𝑿) = 𝟏⁄
𝝀𝒆− 𝒙𝝀 , 𝒙>𝟎 𝝀
𝒇(𝒙, 𝝀) = {
𝟎, 𝒐𝒕𝒓𝒐 𝒄𝒂𝒔𝒐 3. 𝑽𝒂𝒓(𝑿) = (𝟏⁄ )𝟐
𝝀
La función de distribución, es decir la La distribución exponencial es usada para
probabilidad acumulada hasta un punto el cálculo de “tiempos de vida” o “tiempos
cualesquiera, se obtiene integrando la entre fallas”, es una de las distribuciones
función de densidad de probabilidades, de probabilidades más usadas en
desde cero hasta ese punto: ingeniería a la hora de programar el
𝒙𝒊 mantenimiento de equipos.
𝑭(𝑿 ≤ 𝒙𝒊 ) = ∫ 𝝀𝒆− 𝒙𝝀 𝒅𝒙 Por ejemplo, se tiene que el tiempo de vida
𝟎
útil de un tractor sigue una distribución
Resultando, al integrar y evaluar quedaría exponencial con media de 8 años, se desea
igual a: conocer ¿cuál es la probabilidad que se
tenga que remplazar antes de los 12 años?
𝑭(𝑿 ≤ 𝒙𝒊 ) = 𝟏 − 𝒆− 𝒙𝒊 𝝀
En este caso, se sabe que sigue una
Y para 𝑿 > 𝒙𝒊 distribución exponencial, para la que su
media o esperanza matemática es de 8
𝑭(𝑿 > 𝒙𝒊 ) = 𝒆− 𝒙𝒊 𝝀 años, es decir es su parámetro β. En el caso
de la exponencial se puede usar bien su
La gráfica de la función de distribución función de densidad de probabilidades en
exponencial, tiene la siguiente forma: función de ese parámetro o en función de
λ, sabiendo que

𝜷 = 𝟏⁄𝝀 → 𝝀 = 𝟏⁄𝜷
La probabilidad que el tractor falle antes de
los 12 años sería:

𝝀 = 𝟏⁄𝟖
𝟏𝟐⁄
𝑷(𝑿 ≤ 𝒙𝒊 ) = 𝟏 − 𝒆− 𝟖 = 𝟎, 𝟕𝟕 → 𝟕𝟕%
Figura 12. Función de distribución exponencial

9
 María Carolina Vásquez

Visto de forma gráfica sería equivalente al

área bajo la curva desde cero hasta 12
años, cuya apariencia sería la siguiente:

Figura 14. Función de distribución exponencial con valor

medio8 años, para un tiempo de vida menor o igual a 15 años,
sabiendo que ya ha trabajado 3 años

Figura 13. Función de distribución exponencial con valor medio Chequeando lo aprendido
8 años, para un tiempo de vida menor o igual a 12 años
Ejercicios propuestos.
1. Un autobús pasa por cierta parada cada 15
Ahora para poner en evidencia la
minutos, ¿cuál es la probabilidad que si tú
propiedad “no tiene memoria”, se pregunta
llegas a la parada en momento dado, tengas
¿cuál es la probabilidad de reemplazar el
que esperar el autobús más de cinco (5)
motor antes de los 15 años, si se sabe que
minutos?
ya lleva 3 años funcionando?
2. Deduzca las fórmulas de la esperanza
matemática y la varianza para una
Dado que el comportamiento es de tipo
distribución uniforme continua.
exponencial, el tractor “no recuerda que ya
3. La nota promedio para un examen es 74 y la
tiene 3 años funcionando”; ese tiempo ya
desviación estándar es 7. Si 12% de la sección
pasó; por lo que, para calcular que falle
obtiene A y las calificaciones siguen una curva
antes de los 15 años sabiendo que ya tiene
que tiene una distribución normal, ¿cuál es el
3 funcionando, sería equivalente a calcular
valor de A más baja posible y el valor de B
la probabilidad que falle antes de los 12
más alto posible?
años siguientes a los 3 primeros años; es
4. Una empresa de material eléctrico fabrica
decir, cada día es como si la cuenta de los
bombillos fluorescentes circulares que tienen
años se iniciase de nuevo. Lo que es
una duración, antes de quemarse (fundirse),
exactamente igual a la probabilidad
que se distribuye normalmente con media
calculada anteriormente, es decir 77%
igual a 800 horas y una desviación estándar
de 40 horas. ¿Cuál será la probabilidad que
Visto de forma gráfica sería equivalente a;
un bombillo se queme entre 778 y 834 horas?
5. Cierto tipo de batería de almacenamiento
dura, en promedio, 3.0 años, con una
desviación estándar de 0.5 años. Suponiendo

10
 María Carolina Vásquez

que las duraciones de la batería se

distribuyen normalmente, encuentre la
probabilidad de que una batería dada dure
menos de 2.3 años
6. Se sabe que los tiempos de carga y descarga
de un sitio web, comportan como una
distribución normal cuya media es de 7
minutos y desviación 2 minutos ¿cuál es la
probabilidad que cuando un usuario al azar
intente descargar información sea al menos
de 6 minutos?
7. Suponga que necesita ir a una agencia de
encomiendas para enviar un paquete. Al
llegar al centro comercial, de da cuenta que
hay dos (2) agencias d envíos, pero ambas
tiendas cierran en veinte (20) minutos, debe
decidir por cuál agencia enviará su paquete.
Al observar se da cuenta de lo siguiente:
 Agencia 1 hay tres (3) personas
pendientes de atención, con tiempos
promedios de espera de 5 minutos
por cliente
 Agencia 2 hay dos (2) personas
pendientes de atención, con tiempos
promedios de 7 minutos por cliente.
 Se puede suponer que el
comportamiento de los tiempos de
espera son exponenciales

11

Inferencia estadística
Clasificación de la estadística
A través de la estadística, se espera
obtener conclusiones a partir de los
datos recopilados, es por ello que, es
posible dividirla en dos grandes tipos:
Inferencial
Descriptiva
Figura 1. Clasificación de la estadística
En la estadística descriptiva, se resume el
comportamiento bien, de un conjunto de
datos, de forma puntual y específica.
En la inferencial, se toma un sub-
conjunto de los datos para resumir el
comportamiento de todo el conjunto de
datos.
El conjunto de los datos se le llama
población y al sub-conjunto se le llama
muestra. Ambos deben ser definidos con
precisión, en el caso de la población, se
debe delimitar los elementos que
pertenecen a ese grupo y en el caso de la
muestra, debe ser seleccionada con
criterios tales que representen de forma
adecuada, a la población a la que se espera
resumir su comportamiento.
Población y muestra
El conjunto de objetos, personas o
situaciones que comparten una
característica común, y a su vez, son objeto
María Carolina Vásquez
de un estudio, conforman lo que es llamada
la:
Población
Por ejemplo se espera estudiar el
desempeño de un grupo de atletas, que
participan en una competencia de saltos.
En este caso, la población, podría estar
constituida por todos los atletas de un país,
pero se podría ampliar la cantidad de
atletas que conforman ese conjunto, a los
atletas de un continente, o podría reducirse
para referirse a los atletas de una ciudad
específica. En todos los casos, siempre es
necesario acotar el conjunto al que se
hace referencia, a fin de evitar dudas en
cuanto a, cuáles son los objetos, personas
o situaciones que conforman el total o el
conjunto de datos de la población.
Las características más relevantes de una
población, que la resumen son llamados:
Población  Parámetros
En algunas oportunidades, cuando se
desea conocer, para el ejemplo de los
atletas de un país, el color de su cabello,
podría ocurrir por diferentes razones, que
no es posible acceder a la información del
color del cabello, para todos los atletas, por
ello se recurre a lo que se le denomina
Muestra
La muestra se define como un sub
conjunto representativo, de la población
1

Se toman muestras cuando hay
imposibilidades de algún tipo, bien sea por
razones económicas, geográficas o de
accesibilidad para obtener la información
de todos los sujetos que conforman la
población.
Las características más relevantes de una
muestra, que la resumen son llamados:
Muestra  Estadísticos
Cuando se accede a la información de
todos los miembros de una población, se
dice que es un CENSO, en cuyo caso
quedan definidas las características de sus
integrantes de forma inequívoca.
¿Cómo realizar las inferencias
estadísticas?
Para ir de la estadística descriptiva a la
inferencial, es decir a la estadística de las
generalizaciones, es necesario contar con
tres (3) elementos:
Probabilidades
Variables aleatorias
Modelos de
comportaieonto
Figura 2. Bases de los modelos de comportamiento
Recordando los conceptos, se tiene que: la
probabilidad, es la posibilidad de que algo
suceda. Las variables aleatorias, son las
María Carolina Vásquez
expresiones numéricas, en la recta de los
reales, de los eventos o sucesos
AL establecer relaciones entre las variables
aleatorias y sus probabilidades, se
establecen los llamados modelos de
comportamiento de los datos.
Esos modelos de comportamiento son
usados para suponer que las poblaciones
se comportan como alguna o varias
muestras de esa población.
Se tiene entonces que la estadística tiene
tres (3) grandes divisiones:
Estadística Modelos de Estadístcia
descriptiva comportamiento inferencial
Figura 3. Los modelos de comportamiento conectan la
estadística descriptiva con la inferencial
La estadística descriptiva se conecta con la
inferencial a través de los modelos de
comportamiento que representan el
comportamiento de los datos.
¿Cómo se concluye a través de
una muestra?
Para realizar una inferencia sobre una la
población dada, se parte de una muestra
de esa población, para luego, haciendo uso
de los modelos de comportamiento de los
datos de la muestra, llegar a conclusiones
que describan esa población.
Se puede representar como un ciclo que
inicia con una población objeto de estudio:
2

Inferencia Población
Modelos de
Muestra
comportamiento
Figura 4. La muestra como base para inferir sobre la
población.
¿Qué ayuda a las inferencias?
Para realizar las inferencias estadísticas es
necesario construir los modelos de
comportamientos, a fin de reflejar las
posibilidades de ocurrencia de los sucesos,
así como su representación como números
reales, a través de las variables aleatorias.
Ahora bien, partiendo de una de las
distribuciones de probabilidades es decir
de la distribución de probabilidades
normal, se logró establecer un teorema
que quizás es el más importante de la
estadística, el llamado:
Teorema del límite central
El teorema establece que, dada una
variable aleatoria, bien sea discreta o
continua, cuya distribución de
probabilidades puede ser de cualquier
forma; al tomar muestras sucesivas de esa
distribución y obtener el promedio de los
valores de cada una de esas muestras, al
graficar las “medias de esas muestras”, la
forma de la distribución se aproximará,
cuando el tamaño de las muestras es lo
María Carolina Vásquez
suficientemente grande, a una distribución
normal.
Es decir, se tiene una población con
parámetros µ y σ, de las que se extraen de
forma sucesiva k muestras, de tamaño n;
haciendo el promedio de los valores de
cada muestra:
Figura 5. Teorema del límite central, se toman k
muestras de tamaño n para estimar los parámetros de la
población
Al graficar esas k medias de las muestras,
se encuentra que la forma de la
distribución de probabilidades es
aproximadamente normal, sin importar la
forma original de la distribución, ni del tipo
de variable aleatoria que se trate, siempre
y cuando el tamaño n de cada muestra
sea mayor que 30 datos.
El teorema del límite central se puede
resumir como:
Sea una variable aleatoria cualesquiera,
con distribución de probabilidades, sea
discreta o continua, de cualquier forma, la
“media de la muestra”, cuando se toman
muestras de tamaño n>30 datos, se
3
 María Carolina Vásquez

comportará como una distribución normal promedio de los valores de cada muestra y
de parámetros: se prepara su histograma de frecuencias.
Lo relevante no que se tomen 100
𝜎
𝑋̅~𝑁(µ, ) muestras, es el tamaño de cada muestra lo
√𝑛
que hace la diferencia. La gráfica de la
Al tipificar la media de la muestra, para distribución de probabilidades para la
referirla a una distribución normal de “media de la muestra”, tiene la siguiente
media µ=0 y σ=1, quedaría de la siguiente forma:
forma:

̅ − 𝝁)
(𝑿
𝒁= 𝝈 ~ 𝑵(𝟎, 𝟏)
√𝒏
Por ejemplo, se tienen los datos de las
edades de las personas que tienen
registrada una cuenta en un sitio web; en
este caso se considerará como población a:
Figura 7. Distribución de la media de la muestra para
“personas que tienen registrada una cuenta n=10
en el sitio web XXX, al mes de julio de 2020”
Al observar la gráfica el valor promedio es
Esta población tiene la siguiente aproximadamente 𝑋̅ = 15,11, no se podría
distribución de probabilidades, con media decir que se aproxima a una distribución
µ=14,9 y desviación estándar σ=3,9. La normal, sin embargo los valores se
forma de la distribución es distribuyen aproximadamente alrededor
aproximadamente igual a: de ese valor de 15,11.

Tomando ahora, igualmente 100 muestras

de tamaño n=20 datos:

Figura 6. Distribución de probabilidades de las personas

registradas en un sitio web XXX al mes de julio de 2020

Ahora bien, se tomarán 100 muestras de

Figura 8. Distribución de la media de la muestra para
tamaño n=10, para las que se hace el n=20

4

Al observar la gráfica, la edad promedio se
acerca a 15,06; aproximándose a la media
de la población, y cuya forma se va
pareciendo más a una campana de Gauss o
distribución normal.
Haciendo un ejercicio similar al anterior, se
toman 100 muestras de tamaño n=30, la
gráfica de las medias de la muestra tiene la
siguiente forma:
Figura 9. Distribución de la media de la muestra para
n=30
En este caso, se puede observar que la
media de la muestra se va aproximando
más a la media de la población, es decir se
encuentra en 14,93; presentando una
forma bastante parecida a un distribución
normal.
Ahora se tomarán igualmente 100
muestras pero de tamaño n=52 datos; la
forma de distribución de probabilidades
que se muestra en la figura 10.
En este caso la media de la muestra es
14,99, llegando casi al valor de la media de
la población; con una desviación es de 0,53.
María Carolina Vásquez
Figura 10. Distribución de la media de la muestra para
n=52
Tomando como referencia lo que indica el
teorema del límite central en cuanto a la
desviación estándar de las media de las
muestras; esta es igual a:
𝑆𝑥 = 𝜎/√𝑛
Evaluando para la muestra cuando n=52,
sería:
𝜎 3,9
𝑆𝑥 = = = 0,54
√𝑛 √52
Al comparar con el obtenido directamente
de la muestra, es decir con 0,53; de alguna
forma se comprueba lo establecido por el
teorema del límite central.
Así mismo, la media de la muestra a medida
que se incrementa el valor de su tamaño, es
decir, el valor de n, se acerca más y más a la
media poblacional.
Véase la simulación del teorema del límite
central en https://www.geogebra.org/m/u6fY9uS8
Cuidado
La media de la muestra es la que tiene ese
comportamiento normal; la variable
aleatoria origen de los datos, es decir X, se
5
 María Carolina Vásquez

sigue comportando como su distribución Los estimadores deben tener como mínimo
original, eso no cambia. tres (3) características principales:
La mayor parte de las inferencias Consistencia
estadísticas se basa en este teorema, ya
• Su valor, a mayor tamaño de la
que, permite tener un modelo de muestra, se aproxima más al valor de la
comportamiento para la media de las población
muestras, para inferir que la población se
comporta como esa muestra. Eficiencia
• Su varianza es reducida. Se selecciona
Tipos de inferencia estadística siempre el de menor varianza
Las inferencias estadísticas se pueden Insesgadez
dividir en dos (2) grandes grupos; los
• Su esperanza matemática es igual al
llamados estimadores o estadísticos que se parámetro que se desea estimar
obtienen de las muestras y las llamadas
pruebas de hipótesis en las que se parte de
Figura 12. Características de los estimadores
un supuesto sobre el comportamiento de
una muestra, para inferir que la población Estimadores puntuales
tiene ese mismo comportamiento. Los Los estimadores puntuales consideran que
tipos de inferencias se pueden resumir la población se comporta igual que la
como: muestra, es decir, el parámetro de la
población es directamente el estadístico
Inferencias estadísticas

Puntuales obtenido de la muestra:

Estimadores
Intervalos
𝑬𝒔𝒕𝒊𝒎𝒂𝒅𝒐𝒓𝒆𝒔 𝒑𝒖𝒏𝒕𝒖𝒂𝒍
𝝁=𝑿̅
media
Pruebas de 𝝈 = 𝑺𝒙
hipótesis
desviación
Para estos estimadores no es posible
conocer su grado de precisión.
Figura 11. Tipos de inferencias estadísticas
Estimadores por intervalos
Estimadores En los estimadores por intervalos, se parte
Como bien se dijo antes, los estimadores se al igual que en los estimadores puntuales,
obtienen a partir de las muestras que se del valor del estadístico de la muestra, pero
toman de las poblaciones; pueden se establece un rango de valores dentro de
calcularse de forma puntual o por los que se encuentra el parámetro de la
intervalos. población.

6
 María Carolina Vásquez

Para establecer el intervalo para el Intervalo de confianza para la

estimador, se parte de un media
𝟏 − 𝜶 = 𝒏𝒊𝒗𝒆𝒍 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒛𝒂 Para estimar el intervalo de confianza para
la media poblacional, partiendo del
El nivel de confianza representa la teorema del límite central, se tiene que:
probabilidad que el parámetro de la
• Se establece un
población se encuentre dentro de ese
rango de valores señalado en el intervalo 𝐧𝐢𝐯𝐞𝐥 𝐝𝐞 𝐜𝐨𝐧𝐟𝐢𝐚𝐧𝐳𝐚 = 𝟏 − 𝜶
de confianza.
• Usualmente se toma como 𝜶 = 1%,5% o
10%
Estadístico de Intervalo de
la muestra confianza • Dado que la media de la muestra tiene
comportamiento normal, se tipifica:
̅ − 𝝁)
(𝑿
1-𝜶 = Nivel de −𝒁𝜶⁄ = 𝝈
𝟐
confianza ⁄ 𝒏
√
̅ − 𝝁)
(𝑿
Figura 13. Elementos para el establecimiento de un 𝒁𝜶⁄ = 𝝈
𝟐
⁄ 𝒏
intervalo de confianza √
En los intervalos de confianza, se considera De allí se despeja el valor de 𝝁 para
la posibilidad que el estadístico calculado a determinar dentro de que valores se
partir de la muestra, tenga error. encuentra, considerando que se tiene una
confianza de 𝟏 − 𝜶, que se encuentre
dentro de ese rango de valores:

̅ − 𝒁𝜶⁄ 𝝈⁄ ≤ 𝝁 ≤ 𝑿
𝑿 ̅ + 𝒁𝜶⁄ 𝝈⁄
𝟐 √ 𝒏 𝟐 √𝒏
De las relaciones anteriores se dice que el
error que se puede cometer al decir que la
media de la población se encuentra dentro
de ese rango es igual a:

Error = 𝜽 = 𝝈⁄
√𝒏
Figura 14. Consideraciones para el establecimiento de
un intervalo de confianza

Se pueden construir intervalos de

Importante
confianza para: 1) la media poblacional, 2)
para la proporción poblacional y 3) para la Cuando el tamaño de la muestra n es
desviación de la población. menor a 30 datos, la estimación del valor de

7
 María Carolina Vásquez

𝒁𝜶⁄ se obtiene mediante la distribución de propiedades de las variables aleatorias

𝟐
probabilidades normales, se seguirá comportando como
una normal:
𝒕 𝒅𝒆 𝑺𝒕𝒖𝒅𝒆𝒏𝒕 𝒑𝒒
𝒀 ~ 𝑵(𝒑, √ )
𝒏
Cuya forma es similar a la forma de la
normal, definida por los grados de libertad: Considerando un error igual a

𝒑𝒒
(𝒏 − 𝟏) 𝒈𝒓𝒂𝒅𝒐𝒔 𝒅𝒆 𝒍𝒊𝒃𝒆𝒓𝒕𝒂𝒅 Error = 𝜽 = √
𝒏

Sustituyéndose 𝒁𝜶⁄ por Considerando que se tiene una confianza

𝟐
de 𝟏 − 𝜶, que se encuentre dentro de ese
𝒕(𝜶⁄𝟐,(𝒏−𝟏)) rango de valores:

𝒑𝒒 𝒑𝒒
Intervalo de confianza para una 𝒑𝒎 − 𝒁𝜶⁄ √ ≤ 𝒑 ≤ 𝒑𝒎 + 𝒁𝜶⁄ √
𝟐 𝒏 𝟐 𝒏
proporción
Para estimar el intervalo de confianza para Valores más usuales de Z en la normal
una proporción se parte que la variable estándar en función de ⍺
aleatoria tiene comportamiento de
acuerdo a una distribución binomial:

𝑿 ~ 𝑩(𝒏, 𝒑)
Ahora bien, considerando que para valores
grandes de n, en los que:

𝒏𝒑 > 𝟎. 𝟓 𝒏𝒑 > 𝟎. 𝟓
La variable aleatoria se puede aproximar a
una normal de media y desviación:
𝝁 = 𝒏𝒑
𝝈 = √𝒏𝒑𝒒
Por tanto, será entonces
𝑿 ~ 𝑵(𝒏𝒑, √𝒏𝒑𝒒)
Ahora como lo que interesa es establecer
un intervalo de confianza para la
proporción “p”, no para np, se define una
nueva variable Y= X/n,, que por
Figura 15. Valores más usuales de Z en función del nivel
de significación ⍺
Intervalo de confianza para la
varianza
Para estimar un intervalo de confianza para
la varianza de la población 𝝈𝟐 se parte de
la varianzas de la muestra o “cuasi-
𝟐
varianza” 𝑺𝒙 ; estimar un intervalo de
confianza para la varianza

8

Para realizar esta estimación se acude a
una distribución de probabilidades del tipo
Chi-cuadrado,
Esta distribución siempre es positiva ya que
se trata de variables cuadráticas. Cuando el
valor de n se hace más grande se dice que
la Chi-cuadrado tiene a una distribución
normal, véase la simulación de la
distribución en
https://www.geogebra.org/m/pePn49eW
Definiendo una variable aleatoria del tipo
𝟐 2. Las puntuaciones obtenidas por los
Chi-cuadrado 𝑿(𝒏−𝟏) que represente a las
diferencias cuadráticas de los valores 𝑥𝑖 de
con respecto a su media. Con un nivel de
confianza de 1-⍺
𝑵𝒊𝒗𝒆𝒍 𝒅𝒆 𝒄𝒐𝒏𝒇𝒊𝒂𝒏𝒛𝒂 = 𝟏 − 𝜶
El intervalo de confianza para la varianza
poblacional de una variable aleatoria
distribuida “normalmente”, queda definido
dentro de los límites en la Chi-cuadrado:
Figura 16. Límites para el intervalo de confianza de la
varianza poblacional para una variable aleatoria
distribuida normalmente
El intervalo quedará definido como:
(𝒏 − 𝟏)𝑺𝒙 𝟐 (𝒏 − 𝟏)𝑺𝒙 𝟐
𝟐
≤𝝈 ≤
𝑿𝟐(𝒏−𝟏, 𝜶⁄ ) 𝑿𝟐(𝒏−𝟏, 𝟏−𝜶⁄ )
𝟐 𝟐
María Carolina Vásquez
Chequeando lo aprendido
Ejercicios propuestos.
1. Considerando una posibilidad de error 𝜃
halle la fórmula para el tamaño de la
muestra n, para estimar la media
poblacional y la proporción poblacional,
partiendo de los conceptos estudiados y
consideraciones de los intervalos de
confianza para estos estimadores por
intervalos-
estudiantes de estadística en un curso a
distancia, siguen una distribución normal de
media 90 y desviación estándar de 12, en
puntuaciones de 1 al 100. Si son
seleccionados 30 estudiantes al azar, se pide
construir un intervalo de confianza al 90% de
confiabilidad para la desviación de la
población.
Respuesta: 𝟗, 𝟗𝟎 ≤ 𝝈 ≤ 𝟏𝟓, 𝟕𝟓
3. El departamento comercial de una empresa
de consumo masivo sabe que 2 de cada 10
consumidores en una prueba a ciegas
reconocen el sabor de su producto estrella. Si
se toma una muestra al azar de 165 personas,
se desea conocer con una probabilidad del
80% de éxito dentro de cuáles valores estaría
la cantidad de consumidores que pueden
reconocer su marca.
Respuesta: 𝟏𝟔% ≤ 𝒑 ≤ 𝟐𝟒&
4. Se selecciona aleatoriamente una muestra de
600 estudiantes en una universidad y se les
pregunta si consideran que los estudios a
distancia son una buena opción. Responden
afirmativamente 250 estudiantes. ¿Cuál es el
intervalo de confianza de la proporción de
estudiantes de esa ciudad que consideran
9
 María Carolina Vásquez

que los estudios a distancia son una buena

opción, con un nivel de confianza del 90 % ?
Respuesta entre el 38,36% y el 44,98%
5. Un estudio realizado en 100 propietarios de
vehículos arrojó que su carro recorre en
promedio 15200 km con una desviación de
2250 km, determine un IC al 99% para la
media poblacional. ¿Tamaño de la muestra
para que el error no sea más de 500km?
Respuesta: (14621,15779) - n>134

10
 María Carolina Vásquez

Inferencia estadística Se tiene entonces que la estadística tiene

tres (3) grandes divisiones:
Pruebas de hipótesis

¿Cómo realizar las inferencias Estadística Modelos de Estadístcia

estadísticas? descriptiva comportamiento inferencial

Para ir de la estadística descriptiva a la

inferencial, es decir a la estadística de las
generalizaciones, es necesario contar con
tres (3) elementos:
Probabilidades
Variables aleatorias
Modelos de
comportaieonto
Figura 1. Bases de los modelos de comportamiento
Recordando los conceptos, se tiene que: la
probabilidad, es la posibilidad de que algo
suceda. Las variables aleatorias, son las
expresiones numéricas, en la recta de los
reales, de los eventos o sucesos
Figura 2. Los modelos de comportamiento conectan la
estadística descriptiva con la inferencial
La estadística descriptiva se conecta con la
inferencial a través de los modelos de
comportamiento que representan el
comportamiento de los datos.
¿Cómo se concluye a través de
una muestra?
Para realizar una inferencia sobre una la
población dada, se parte de una muestra
de esa población, para luego, haciendo uso
de los modelos de comportamiento de los
datos de la muestra, llegar a conclusiones
que describan esa población.
Se puede representar como un ciclo que
inicia con una población objeto de estudio:

AL establecer relaciones entre las variables

aleatorias y sus probabilidades, se Inferencia Población
establecen los llamados modelos de
comportamiento de los datos.

Esos modelos de comportamiento son

usados para suponer que las poblaciones
Modelos de
se comportan como alguna o varias Muestra
comportamiento
muestras de esa población.

Figura 3. La muestra como base para inferir sobre la

población.

1

Tipos de inferencia estadística
Las inferencias estadísticas se pueden
dividir en dos (2) grandes grupos; los
llamados estimadores o estadísticos que se
obtienen de las muestras y las llamadas
pruebas de hipótesis en las que se parte de
un supuesto sobre el comportamiento de
una muestra, para inferir que la población
tiene ese mismo comportamiento. Los
tipos de inferencias se pueden resumir
como:
Inferencias estadísticas
Estimadores
Pruebas de
hipótesis
Figura 4. Tipos de inferencias estadísticas
Habiendo estudiado en el tema anterior los
intervalos de confianza, como una forma de
estimar el comportamiento de una
población, se estudiarán a continuación, las
inferencias a través de las pruebas de
hipótesis.
¿Qué es una
hipótesis?
Una pruebas de hipótesis, es un
procedimiento estadístico que se utiliza
para comprobar si es cierta, una afirmación
sobre el comportamiento de una variable
aleatoria de cualquier tipo. En estos casos,
no se estima el comportamiento de la
María Carolina Vásquez
variable, se verifica una afirmación sobre
ese comportamiento.
Las pruebas de hipótesis se dividen en dos
tipos:
Pruebas de
hipótesis
Parámeticas No paramétricas
Figura 4. Tipos de pruebas de hipótesis
Puntuales
En las pruebas paramétricas, es conocida la
distribución de probabilidades, y para las
Intervalos
no paramétricas, en la mayoría de los
casos, a través de la prueba de hipótesis, se
media
espera establecer cuál es la distribución de
probabilidades a la que se ajusta la variable
desviacióon
aleatoria.
En este curso, se estudiará dos (2) tipos de
pruebas paramétricas, de las muchas que
existen, las pruebas de hipótesis para la
media y para la varianza.
¿Cómo se realiza una prueba de
hipótesis?
En una prueba de hipótesis se espera
prueba de aceptar o rechazar una afirmación acerca
de una población, con base en la evidencia
proporcionada por una muestra de datos
de esa población.
El procedimiento general para realizar una
prueba de hipótesis puede dividirse en
cuatro (4) pasos, iniciando siempre con lo
2
 María Carolina Vásquez

que se espera probar, planteando dos (2)
hipótesis: una nula y una alternativa
Con base en los datos de una muestra de la
población, se calcula el llamado “estadístico
de pruebas”.
Según lo anterior, las hipótesis nulas
siempre contienen la igualdad y las
hipótesis alternas son el complemento de
la hipótesis nula.
¿Qué puede pasar con las hipótesis?

En paralelo se determina la “regla de 1. Rechazar Ho, y aceptar H1 debido a

validación” con base en una distribución de que existen suficientes evidencias en la
probabilidades conocida. muestra que permiten afirmar que H1
es cierta
Luego se comparan el estadístico de
pruebas con la regla de validación, para 2. No rechazar Ho debido a que no se
posteriormente concluir sobre la tiene suficiente evidencia en la muestra
afirmación planteada en la hipótesis nula. para rechazarla

El procedimiento puede resumir de la 3. El rechazo de la hipótesis nula es

siguiente forma: “categórico” por lo que se procede a
aceptar la hipótesis alterna
Planteamiento de las Ho Hipótesis nula
hipótesis H1 Hipótesis alternativa 4. Las hipótesis nulas no se aceptan,
solo no se rechazan
Cálculo estadístico de Con base en la muestra de la
población
pruebas
Se dice que, al plantear la hipótesis nula se
Determinación de la Con base en una distribución de
probabilidades conocida
parte de la “presunción de inocencia”, por
regla de validación
ello siempre contiene la igualdad.
Conclusiones Se rechaza o no se rechaza la
hipótesis nula
Por ejemplo, se parte que el peso
promedio de los estudiantes de estadística
Figura 5. Pasos para una prueba de hipótesis es de 55 kg, en este caso las hipótesis
serían:
Planteamiento de las hipótesis
𝑯𝟎 : 𝝁 = 𝟓𝟓
Se plantean dos (2) hipótesis, la Hipótesis
Nula (Ho) y la Hipótesis Alternativa (H1), que 𝑯𝟏 : 𝝁 ≠ 𝟓𝟓
son complementarias.
Se podrían tener otras dos (2) situaciones,
Hipótesis nula: es la afirmación que se se podría plantear que 𝑯𝒐 ≤ 𝟓𝟓 𝒐 𝑯𝒐 ≥ 𝟓𝟓 ,
intentará probar pero en todos los casos la hipótesis nula
siempre contiene la igualdad.
Hipótesis alternativa: es la afirmación que
se desea poder concluir que es verdadera.

3

Ahora bien, podría suceder que, dado que
la decisión en la prueba de hipótesis se
toma con base en una “muestra” de la
población, podría haberse cometido algún
error, dependiendo si
Ho Verdadera
No rechazar Correcto
Rechazar Error Tipo I
Figura 6. Tipos de errores al no rechazar y rechazar una
hipótesis nula
El error tipo I, también llamada nivel de
significancia ⍺, es la probabilidad de
rechazar la hipótesis nula aún y cuando
podría ser verdadera. Para cualquier
prueba, debe establecerse el valor de ⍺
La probabilidad de no rechazar Ho siendo
falsa se denota como ß
Ratificando lo mencionado anteriormente,
no se debe olvidar que al realizar una
prueba de hipótesis siempre es necesario
establecer el
𝒏𝒊𝒗𝒆𝒍 𝒅𝒆 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒄𝒊ó𝒏 𝜶
Cálculo estadístico de pruebas
Dependiendo de la prueba de hipótesis los
estadísticos cambian. Para los dos (2) casos
María Carolina Vásquez
que se estudiarán en el curso, los
estadísticos de prueba son los siguientes:
Estadístico de pruebas para la media
Se espera probar que una muestra
proviene de una población dada, a través
del contraste de la media de esa muestra,
Falsa con la media de la población de la que se
supone proviene.
Error Tipo II Por teorema del límite central se sabe que
la media de la muestra tiene el siguiente
comportamiento:
Correcto
𝝈
̅ ~𝑵(𝝁,
𝑿 )
√𝒏
Al tipificar esa variable aleatoria X para
referirla a una normal 𝑿~𝑵(𝟎, 𝟏), se toma
como estadístico de pruebas para una
prueba de hipótesis para la media:
̅ − 𝝁)
(𝑿
𝒁𝒎𝒖𝒆𝒔𝒕𝒓𝒂 = 𝝈
√𝒏
Estadístico de pruebas para la varianza
Para esta prueba no hay que olvidar que se
parte al igual que para el intervalo de
confianza de una población normal (𝝁,𝝈)
Se asume que como estadístico de pruebas:
(𝒏 − 𝟏)𝑺𝒙 𝟐
𝑿𝟐𝒆𝒔𝒕𝒂𝒅í𝒔𝒕𝒊𝒄𝒐 =
𝝈𝟐
Una vez calculado el estadístico de pruebas,
bien para la media o para la varianza, según
corresponda a la prueba de hipótesis que
4
 María Carolina Vásquez

se desea realizar, es necesario continuar Regla de validación para la media

con la determinación de la regla de
validación, o área de no rechazo.
Determinación de la regla de
validación
¿Qué es la regla de validación?
Dependiendo de la cantidad de datos de la
muestra, es decir n, la regla de validación se
obtiene de curvas de distribución de
probabilidades diferentes:
Regla de validación para
la media

Es un rango de valores dentro de los que se Menos de 30

Más de 30 datos
debe encontrar el estadístico de pruebas datos
para no rechazar la hipótesis nula, se
t de Student
traduce en un área de no rechazo y un área Normal estándar N(0,1)
(n-1 grados de libertad)
de rechazo, en la curva estándar contra la
que se comparará los valores obtenidos de
la muestra. Figura 8. Curva de distribución de probabilidades
estándar que se usa para la regla de validación
Se obtiene de las distribuciones de dependiendo de la cantidad de datos

probabilidades teóricas o estándar en Pruebas bilaterales o a dos (2) colas

función del nivel de significación ⍺

Cada prueba de hipótesis tiene su regla de

validación

Dependiendo de la hipótesis nula que se

plantee, se pueden tener pruebas de
hipótesis bilaterales o a dos (2) colas o
unilaterales o a una (1) cola. La diferencia Figura 9. Áreas de aceptación y rechazo para una prueba
entre estos tipos de prueas son las áreas de de media a dos (2) colas o bilateral
no rechazo y rechazo para la regla de Pruebas unilaterales o a una (1) cola
validación:
Un área de no
rechazo
Bilateral
Dos (2) áreas de
rechazo
Pruebas de
hipótesis
Un área de no
rechazo
Unilaterales
un (1) área de
rechazo Figura 10. Áreas de aceptación y rechazo para una
prueba de media a una (1) cola o unilateral

Figura 7. Tipos de pruebas de hipótesis según las áreas

de no rechazo y rechazo

5
 María Carolina Vásquez

Regla de validación para la varianza

La regla de validación para la varianza se
obtiene de la Chi-Cuadrado para n-1 grados
de libertad, del tamaño de la muestra n.

Pruebas bilaterales o a dos (2) colas

Figura 11. Áreas de aceptación y rechazo para una prueba

varianza a dos (2) colas o bilateral

Pruebas unilaterales o a una (1) cola

Figura 12. Áreas de aceptación y rechazo para una prueba

varianza a una (1) cola o unilateral

Chequeando lo aprendido
Ejercicios propuestos.
Proyecto de fin del curso