1

ÍNDICE
Introducción. .................................................................................................................................... 3
Distribuciones de Probabilidad. ........................................................................................................ 4
Discretas....................................................................................................................................................4
Distribución Binomial (Sanjuán, 2017) ................................................................................................................................4
Distribución Hipergeométrica (Minitab, 2022) ...................................................................................................................6
Distribución de Poisson (Márquez, 2016)............................................................................................................................9
Distribución Geométrica (21, 2022) ................................................................................................................................. 11
Distribución Binomial Negativa ........................................................................................................................................ 13
Continua .................................................................................................................................................. 15
Distribución Normal (Rodó, 2020) .................................................................................................................................... 15
Distribución t – student (Rodó, Economipedia, 2019) ..................................................................................................... 17
Distribución Chi Cuadrada (21, Soporte de Minitab 21, 2022) ........................................................................................ 19
Distribución F de Fisher (21, Soporte de Minitab 21, 2022)............................................................................................. 21

Conclusión. .................................................................................................................................... 24
Bibliografías................................................................................................................................... 25

2
 Introducción.
En este documento se mostrará la definición, función y formula de las Distribuciones de
Probabilidad, tanto discretas como continuas.
El objetivo de esta investigación es abordar el estudio de algunas distribuciones de probabilidad
de variables aleatorias discretas y continuas:
• Distribución Binomial
• Distribución Hipergeométrica
• Distribución de Poisson
• Distribución Geométrica
• Distribución Binomial Negativa
• Distribución Normal
• Distribución T-Student
• Distribución Chi Cuadrada
• Distribución F de Fisher
Al haber estudiado estas variables tendremos perfectamente identificados tanto la media como
la varianza como su función de cuantía, etc... Es decir, conocemos el comportamiento
probabilístico de este fenómeno. Y si nos ponemos a pensar en fenómenos económicos reales,
veremos que existen muchos que se pueden ajustar a un comportamiento de este tipo.
Este estudio nos ayudara a:
• Conocer y describir las características de cada una de las funciones de distribución
indicadas.
• Determinar qué función de distribución utilizar para cada situación concreta.
• Identificar que fenómenos reales se pueden ajustar a cada una de las distribuciones
estudiadas.
• Trabajar de forma abstracta con fenómenos económicos.

3
 Distribuciones de Probabilidad.
Discretas.
Distribución Binomial (Sanjuán, 2017)
Una distribución binomial es una distribución de probabilidad discreta que describe el número
de éxitos al realizar n experimentos independientes entre sí, acerca de una variable aleatoria.
Propiedades de la distribución binomial
Para que una variable aleatoria se considere que sigue una distribución binomial, tiene que
cumplir las siguientes propiedades:
• En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o
fracaso).
• La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado
que la moneda no cambia en cada experimento y las probabilidades de sacar cara son
constantes.
• La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q,
podemos obtener la que nos falte.
• El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto, lo
que ocurra en cada experimento no afecta a los siguientes.
• Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
• Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y, si se lanza una moneda, si no sale cara ha de
salir cruz.
• La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p), donde n representa el número de ensayos o experimentos y p la probabilidad
de éxito.
Formula de la distribución binomial
La fórmula para calcular la distribución normal es:
𝑛
𝑃(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥
𝑥
Donde:
n = Número de ensayos/experimentos
x = Número de éxitos
p = Probabilidad de éxito
q = Probabilidad de fracaso (1-p)

4
Es importante resaltar que la expresión entre corchetes no es una expresión matricial, sino que
es un resultado de una combinatoria sin repetición. Este se obtiene con la siguiente formula:
𝑛 𝑛!
𝐶𝑛,𝑥 = ( ) =
𝑥 𝑥! (𝑛 − 𝑥)!
El signo de exclamación en la expresión anterior representa el símbolo de factorial.

Ejemplos de graficas de distribución binomial.

5
 Distribución Hipergeométrica (Minitab, 2022)
La distribución hipergeométrica es una distribución discreta que modela el número de eventos
en una muestra de tamaño fijo cuando usted conoce el número total de elementos en la
población de la cual proviene la muestra. Cada elemento de la muestra tiene dos resultados
posibles (es un evento o un no evento). Las muestras no tienen reemplazo, por lo que cada
elemento de la muestra es diferente. Cuando se elige un elemento de la población, no se puede
volver a elegir. Por lo tanto, la probabilidad de que un elemento sea seleccionado aumenta con
cada ensayo, presuponiendo que aún no haya sido seleccionado.
Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones relativamente
pequeñas, sin reemplazo. Por ejemplo, la distribución hipergeométrica se utiliza en la prueba
exacta de Fisher para probar la diferencia entre dos proporciones y en muestreos de aceptación
por atributos cuando se toman muestras de un lote aislado de tamaño finito.
La distribución hipergeométrica se define por 3 parámetros: tamaño de la población, conteo de
eventos en la población y tamaño de la muestra.
Por ejemplo, usted recibe un envío de pedido especial de 500
etiquetas. Supongamos que el 2% de las etiquetas es
defectuoso. El conteo de eventos en la población es de 10 (0.02
* 500). Usted toma una muestra de 40 etiquetas y desea
determinar la probabilidad de que haya 3 o más etiquetas
defectuosas en esa muestra. La probabilidad de que haya 3 o
más etiquetas defectuosas en la muestra es de 0.0384.
Fórmula de función de probabilidad (Meraz, 2021)
La fórmula de la distribución hipergeométrica:
(𝑥𝑟 ) ∗ (𝑁−𝑟
𝑛−𝑟
)
𝑓(𝑥) =
(𝑁
𝑛
)
Dónde:
• f(x) es la probabildiad de xx o la función de distribución
• n número de ensayos o longitud de la muestra casos exitosos
• N número de elementos de la población
• r o kr o k número de elementos de la población que se extraen de la población
• x Valor de la variable aleatoria discreta 0,1,2,3,,,,n0,1,2,3,,,,n
• (rx) Parte izquierda del numerador, representan el número de formas (combinaciones)
en que se toman xx éxitos de un total de rr éxitos que hay en la población,
• (N−rn−x) parte derecha del numerador representa el número de maneras en que se
puede tomar n−xn−x fracasos de un total de N−rN−r elementos que hay en la población.
• (Nn) como denominador representan el número de maneras (cantidad de
combinaciones) en que es posible tomar una muestra de tamaño nn de una población de
tamaño N.

6
Recordando la fórmula para determinar el número de combinaciones en grupos de nn
elementos de una población total de N está dada por:
𝑁 𝑁!
𝐶𝑛𝑁 = ( ) =
𝑛 𝑛! ∗ (𝑁 − 𝑛)!
Entonces desarrollando la fórmula con las combinaciones la función de probabilidad
hipergeométrica queda de la siguiente manera:

𝑟! (𝑁 − 𝑟)!
( )( )
(𝑥𝑟 ) ∗(𝑁−𝑟
𝑛−𝑥
) 𝑥! ∗ (𝑟 − 𝑥)! (𝑛 − 𝑥)! ∗ ((𝑁 − 𝑟) − (𝑛 − 𝑥))!
(𝑥) = =
(𝑁 ) 𝑁!
𝑛
𝑛! ∗ (𝑁 − 𝑛)!
Fórmula para valor esperado
𝑟
𝐸(𝑥) = 𝜇 = 𝑛 ∗ ( )
𝑁
Fórmula para varianza
𝑟 𝑟 𝑁−𝑛
𝑉𝑎𝑟(𝑥) = 𝜎 2 = 𝑛 ∗ ( ) ∗ (1 − ) ∗ ( )
𝑁 𝑁 𝑁−1
Fórmula de la desviación estándar

𝜎 = √𝑉𝑎𝑟(𝑥) = √𝜎 2

La diferencia entre las distribuciones hipergeométrica y binomial

Tanto la distribución hipergeométrica como la distribución binomial describen el número de
veces que un evento ocurre en un número fijo de ensayos. Para la distribución binomial, la
probabilidad es igual para cada ensayo. Para la distribución hipergeométrica, cada ensayo
cambia la probabilidad de cada ensayo subsiguiente porque no hay reemplazo.
Utilice la distribución binomial con poblaciones tan grandes que el resultado de una prueba
prácticamente no tiene efecto sobre la probabilidad de que el próximo resultado sea un evento
o un no evento. Por ejemplo, en una población de 100,000 personas, 53,000 tienen sangre O+.
La probabilidad de que la primera persona seleccionada aleatoriamente en una muestra tenga

7
sangre O+ es 0.530000. Si la primera persona en una muestra tiene sangre O+, entonces la
probabilidad de que la segunda persona tenga sangre O+ es 0.529995. La diferencia entre estas
probabilidades es lo suficientemente pequeña como para ignorarla en la mayoría de las
aplicaciones.
Utilice la distribución hipergeométrica con poblaciones que sean tan pequeñas que el resultado
de un ensayo tiene un gran efecto en la probabilidad de que el próximo resultado sea un evento
o un no evento. Por ejemplo, en una población de 10 personas, 7 personas tienen sangre O+.
La probabilidad de que la primera persona seleccionada aleatoriamente en una muestra tenga
sangre O+ es 0.7000. Si la primera persona en la muestra tiene sangre O+, entonces la
probabilidad de que la segunda persona tenga sangre O+ es 0.66667. La diferencia puede
aumentar a medida que aumenta el tamaño de la muestra. La diferencia entre estas
probabilidades es demasiado grande como para ignorarla en muchas aplicaciones.
Ejemplos de distribución hipergeométrica.

8
 Distribución de Poisson (Márquez, 2016)
La distribución de Poisson es una distribución de probabilidad discreta que se aplica a las
ocurrencias de algún suceso durante un intervalo determinado. Nuestra variable
aleatoria x representará el número de ocurrencias de un suceso en un intervalo
determinado, el cual podrá ser tiempo, distancia, área, volumen o alguna otra unidad similar o
derivada de éstas.
La probabilidad de nuestra variable aleatoria X viene dada por la siguiente expresión:
𝜇 𝑥 ∗ ℯ −𝜇
𝑃(𝓍) =
𝓍
donde:
• Nuestra variable aleatoria discreta puede tomar los valores:
• donde es la media del número de sucesos en el intervalo que estemos tomando, ya
sea de tiempo, distancia, volumen, etc. Es importante entender que este valor es una
media en el sentido estrictamente estadístico de la palabra y como tal se calculará
mediante dicha expresión y no debe calcularse nunca con una regla de proporcionalidad
o regla de tres.

• Se debe cumplir la condición de normalización

• La desviación típica es
• Cuando realizamos un experimento contando sucesos y obtenemos un valor x, su error

vendrá determinado por la raíz de x.

La distribución de Poisson debe de cumplir los siguientes requisitos:

• La variable discreta es el número de ocurrencias de un suceso durante un intervalo
(esto es la propia definición que hemos dado anteriormente).
• Las ocurrencias deben ser aleatorias y no contener ningún vicio que favorezca unas
ocurrencias en favor de otras.
• Las ocurrencias deben estar uniformemente distribuidas dentro del intervalo que se
emplee.
¿Cuándo se usa la Distribución de Poisson?
La distribución de Poisson es particularmente importante ya que tiene muchos casos de uso.
Podemos poner como ejemplos de uso: la disminución de una muestra radioactiva, la llegada
de pasajeros de un aeropuerto o estación de trenes o autobuses, los usuarios que se conectan
a una web determinada por hora.
Como caso realmente interesante cabe mencionar que la distribución de poisson fue utilizada
para determinar si durante la segunda guerra mundial los alemanes al bombardear Londres
desde Calais (Francia 🇫🇷) con los protomisiles V1 y V2 apuntaban o simplemente disparaban al
azar. Era un hecho realmente importante determinar ese punto pues si los objetivos alcanzados
con estos primitivos misiles eran los blancos que los alemanes habían seleccionado, implicaba

9
que éstos disponían de una tecnología balística muy superior a la sospechada. En las
vídeoclases haré un ejercicio muy similar a dicho problema para ver un caso de utilidad que ha
sido real.
Ejemplos de distribución de Poisson.

10
 Distribución Geométrica (21, 2022)
Es una distribución discreta que puede modelar el número de ensayos consecutivos necesarios
para observar el resultado de interés por primera vez. La distribución geométrica también puede
modelar el número de no eventos que ocurren antes de que se observe el primer resultado.
Por ejemplo, una distribución geométrica
puede modelar el número de veces que se
debe lanzar al aire una moneda para obtener
el primer resultado de "cara". De manera
similar, si se trata de productos construidos
en una línea de ensamble, la distribución
geométrica puede modelar el número de
unidades producidas antes de que se
produzca la primera unidad defectuosa. La
siguiente gráfica representa una distribución
geométrica con probabilidad de evento de
0.5.
¿Qué significa "sin memoria"?
Una propiedad importante de la distribución geométrica es que funciona sin memoria. La
probabilidad de un evento no depende de los ensayos anteriores. Por lo tanto, la tasa de
ocurrencia se mantiene constante.
La propiedad de ausencia de memoria indica que la vida útil restante de un componente no
depende de su antigüedad actual. Por ejemplo, ensayos aleatorios de lanzamientos al aire de
una moneda demuestran la propiedad de ausencia de memoria. Un sistema que experimenta
un desgaste natural y, por lo tanto, tiene más probabilidades de fallar más tarde en su vida útil
no es un sistema sin memoria.
La distribución geométrica discreta se aplica a una secuencia de experimentos de Bernoulli
independientes con un evento de interés que tiene una probabilidad p.
Fórmula (21, Soporte de Minitab 21, 2022)
Si la variable aleatoria X es el número total de ensayos necesarios para producir un evento con
probabilidad p, entonces la función de masa de probabilidad (PMF) de X viene dada por:
𝑥−1
𝑓(𝓍) = {𝑝(1 − 𝑝) 𝑐𝑢𝑎𝑛𝑑𝑜 𝑥 ∈ {1,2,3, … } 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜.
0
y X presenta las siguientes propiedades:
1
𝑚𝑒𝑑𝑖𝑎 =
𝑝
1−𝑝
𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 =
𝑝2

11
Si la variable aleatoria Y es el número de no eventos que ocurren antes de que se observe el
primer evento (con probabilidad p), entonces la función de masa de probabilidad (PMF) de Y
viene dada por:
𝑝(1 − 𝑝) 𝑦
𝑓(𝑦) = { 𝑐𝑢𝑎𝑛𝑑𝑜 𝑦 ∈ {0,1,2, . . } 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑡𝑟𝑎𝑟𝑖𝑜.
0
y Y presenta las siguientes propiedades:
1−𝑝
𝑚𝑒𝑑𝑖𝑎 =
𝑝
1−𝑝
𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎 =
𝑝2
Notación
Termino:
X = numero de ensayos para producir un nuevo, Y + 1
Y = numero de no eventos que ocurren antes del primer evento
p = probabilidad de que ocurra un evento en cada ensayo
Ejemplo de distribucion geometrica.

12
 Distribución Binomial Negativa
Imagina una persona que está jugando al baloncesto con sus amigos y que
al finalizar el partido comienza a lanzar tiros libres.
A uno de ellos, especialmente desacertado, se le ocurre comentar: ¡No
pienso irme de aquí hasta conseguir anotar cinco canastas!
Esta situación puede ilustrar bastante bien el problema que resuelve la
distribución binomial negativa.

Una distribución binomial negativa de parámetros "r" y "p" surge como una secuencia
infinita de intentos de tipo Bernoulli en los que:
• Cada secuencia es independiente de las otras.
• En cada intento solamente son posibles dos resultados (éxito o fracaso).
• La probabilidad de éxito es constante en cada secuencia.
• Los intentos continúan hasta que se consigan r éxitos.
Si llamamos X = “número de experimentos realizados hasta obtener el r-ésimo éxito”,
diremos que la variable X sigue una distribución binomial negativa de parámetros r, p.

Es fácil deducir que la función de probabilidad de esta variable será:

𝑘−1 𝑟
𝑓(𝑘) = 𝑝(𝑋 = 𝑘) = ( ) 𝑝 ∗ (1 − 𝑝)𝑘−𝑟
𝑟−1
La fórmula anterior no es difícil de deducir. Piensa que para esta situación estamos seguros
de que el k-ésimo intento es un éxito y que en los k-1 intentos anteriores se deben redistribuir
los anteriores r-1 éxitos.
La distribución geométrica sería un caso particular de binomial negativa cuando r = 1.
Los parámetros media, varianza y desviación típica asociados a esta distribución serían:

1 1−𝑝 1−𝑝
𝜇=𝑟∗ ; 𝜎2 = 𝑟 ∗ 𝒚 𝜎 = √𝑟 ∗
𝑝 𝑝2 𝑝2
EJEMPLO 1:
Se sabe que la probabilidad de que un niño expuesto a una enfermedad contagiosa la
contraiga es de 0,4. Calcula la probabilidad de que el décimo niño estudiado sea el tercero en
contraer la enfermedad.

Podemos enfocar el problema como una binomial negativa de parámetros X = 10, k=3 y p=0,4

13
En la siguiente escena puedes observar la función de probabilidad de la distribución Binomial
negativa. Puedes cambiar los diferentes parámetros que configuran dicha distribución y
observar como cambia esta función a medida que se varía alguno de ellos. Extrae tus propias
conclusiones. Así mismo, puedes utilizar también la escena como calculadora directa que
permite resolver situaciones particulares que se puedan plantear en problemas concretos.

Ejemplo de distribucion binomial negativa.

14
 Continua
Distribución Normal (Rodó, 2020)
La distribución normal es un modelo teórico capaz de aproximar satisfactoriamente el valor
de una variable aleatoria a una situación ideal.
En otras palabras, la distribución normal adapta una variable aleatoria a una función que
depende de la media y la desviación típica. Es decir, la función y la variable aleatoria
tendrán la misma representación pero con ligeras diferencias.
Una variable aleatoria continua puede tomar cualquier número real. Por ejemplo, las
rentabilidades de las acciones, los resultados de un examen, el coeficiente de inteligencia IQ y
los errores estándar son variables aleatorias continuas.
Una variable aleatoria discreta toma valores naturales. Por ejemplo, el número de estudiantes
en una universidad.
La distribución normal es la base de otras distribuciones como la distribución t de Student,
distribución ji-cuadrada, distribución F de Fisher y otras distribuciones.
Fórmula de la distribución normal
Dada una variable aleatoria X, decimos que la frecuencia de sus observaciones puede
aproximarse satisfactoriamente a una distribución normal tal que:
𝑋 ~ 𝑁 (𝜇, 𝜎)
Variable aleatoria X aproximada a una distribución normal.
Donde los parámetros de la distribución son la media o valor central y la desviación típica:
𝑚𝑒𝑑𝑖𝑎 𝑜 𝑣𝑎𝑙𝑜𝑟 𝑐𝑒𝑛𝑡𝑟𝑎𝑙 = 𝜇
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑡í𝑝𝑖𝑐𝑎 = 𝜎
Parámetros de una distribución normal.
En otras palabras, estamos diciendo que la frecuencia de una variable aleatoria X puede
representarse mediante una distribución normal.
Representación
Función de densidad de probabilidad de una
variable aleatoria que sigue una distribución
normal.
Función de densidad de una distribución
normal.

15
 Propiedades
• Es una distribución simétrica. El valor de la media, la mediana y la moda coinciden.
Matemáticamente,
Media = Mediana = Moda
• Distribución unimodal. Los valores que son más frecuentes o que tienen más
probabilidad de aparecer están alrededor de la media. En otras palabras, cuando nos
alejamos de la media, la probabilidad de aparición de los valores y su frecuencia
descienden.
¿Qué necesitamos para representar una distribución normal?
• Una variable aleatoria.
• Calcular la media.
• Calcular la desviación típica.
• Decidir la función que queremos representar: función de densidad de probabilidad o
función de distribución.

Ejemplo de distribución normal.

16
 Distribución t – student (Rodó, Economipedia, 2019)
La distribución t de Student o distribución t es un modelo teórico utilizado para aproximar el
momento de primer orden de una población normalmente distribuida cuando el tamaño de
la muestra es pequeño y se desconoce la desviación típica.
En otras palabras, la distribución t es una distribución de probabilidad que estima el valor de la
media de una muestra pequeña extraída de una población que sigue una distribución
normal y de la cual no conocemos su desviación típica.
Fórmula de la distribución t de Student
Dada una variable aleatoria continua L, decimos que la frecuencia de sus observaciones
puede aproximarse satisfactoriamente a una distribución t con g grados de libertad tal que:
𝐿 ~ 𝑡𝑔
La variable aleatoria L sigue una distribución t con g grados de libertad.
Representación de la distribución t de Student

Función de densidad de una distribución t con 3 grados de libertad (df).

Función de densidad de la distribución t con 3 grados de libertad.
Como podemos ver, la representación de la distribución t se parece mucho a la distribución
normal salvo que la distribución normal tiene las colas más anchas y es más apuntalada. En

17
otras palabras, deberíamos añadir más grados de libertad a la distribución t para que la
distribución “crezca” y se parezca más a la distribución normal.
Aplicación de la t de Student
La distribución t se utiliza cuando:
• Queremos estimar la media de una población normalmente distribuida a partir de una
muestra pequeña.
• Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30.
A partir de 30 observaciones, la distribución t se parece mucho a la distribución normal y, por
tanto, utilizaremos la distribución normal.
• No se conoce la desviación típica o estándar de una población y tiene que ser estimada
a partir de las observaciones de la muestra.
¿La variable aleatoria G puede aproximarse a una distribución t?
Razones para considerar que la variable G sigue una distribución t:
• La distribución es simétrica. Es decir, existe el mismo número de observaciones tanto a
la derecha como a la izquierda del valor central. También, que la media y la mediana
tienden a aproximarse al mismo valor. La media es aproximadamente cero, media =
0,016.
• Las observaciones con más frecuencia o probabilidad están alrededor del valor central.
Las observaciones con menos frecuencia o probabilidad se encuentran lejos del valor
central.
Ejemplo de distribucion t-student.

18
 Distribución Chi Cuadrada (21, Soporte de Minitab 21, 2022)
La distribución de chi-cuadrada es una distribución continua que se especifica por los grados
de libertad y el parámetro de no centralidad. La distribución es positivamente asimétrica, pero
la asimetría disminuye al aumentar los grados de libertad.
Se utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia estadística para:
• Comprobar qué tan bien se ajusta una muestra a una distribución teórica. Por ejemplo,
puede utilizar una prueba de bondad de ajuste de chi-cuadrada para determinar si los
datos de la muestra se ajustan a una distribución de Poisson.
• Comprobar la independencia de las variables categóricas. Por ejemplo, un fabricante
desea saber si la ocurrencia de cuatro tipos de defectos (espárrago faltante, abrazadera
rota, sujetador flojo y sello con fugas) está relacionada con los turnos (diurno, vespertino,
nocturno).
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada puede aproximarse
razonablemente con una distribución normal, como se ilustra en las siguientes gráficas:

Distribución de chi-cuadrada con 20 grados de libertad

Distribución de chi-cuadrada con 40 grados de libertad

19
 Definición.
Sean x1, x2, ..., xn variables independientes que siguen una distribución N(0,1).
Sea X una nueva variable definida según:
𝒏

𝑿 = 𝒙𝟐𝟏 + 𝒙𝟐𝟐 + ⋯ + 𝒙𝟐𝒏 = ∑ 𝒙𝟐𝒊

𝒊=𝟏
en este caso, se dice que X se distribuye como una CHI- CUADRADO, con n grados de libertad,
que representamos como:

X → χ 2n

Ejemplo de distribución Chi Cuadrada

20
 Distribución F de Fisher (21, Soporte de Minitab 21, 2022)
La distribución F es una distribución continua de muestreo de la relación de dos variables
aleatorias independientes con distribuciones de chi-cuadrada, cada una dividida entre sus
grados de libertad. La distribución F es asimétrica hacia la derecha y es descrita por los grados
de libertad de su numerador (ν1) y denominador (ν2). Las siguientes gráficas muestran el efecto
de los diferentes valores de grados de libertad en la forma de la distribución.

ν1 = 1 y ν 2 = 1

ν1 = 1 y ν 2 = 9

ν1 = 9 y ν 2 = 1

21
ν1 = 9 y ν 2 = 9

Utilice la distribución F cuando un estadístico de prueba sea la relación de dos variables que
tienen una distribución de chi-cuadrada cada una. Por ejemplo, utilice la distribución F en el
análisis de varianza y en pruebas de hipótesis para determinar si dos varianzas de población
son iguales.
La distribución F muestra características determinadas que la diferencian de otras
distribuciones. Cualquiera de ellas son:
• Las distribuciones F incluyen diferentes métodos estadísticos.
• La distribución F particular que se maneja depende del número de grado de libertad que
posee la muestra. Esta peculiaridad de la distribución F asimismo está actual en otras
distribuciones, como la distribución T y la distribución chi-cuadrado.
• El valor de la distribución F es 0 o positivo. No posee valores negativos.
• La distribución F tiene una leve inclinación a la derecha. Por lo tanto, se frecuenta de una
distribución de probabilidad que no es simétrica.
Propiedades de las distribuciones F. (Probabilidad, 2022)
Las distribuciones F fischer poseen grados de libertad. Esta es una peculiaridad que asimismo
tienen las distribuciones T y chi-cuadrado. En el asunto de una distribución T, el número de
grados de libertad es uno salvo que el tamaño de muestra.
La distribución F desvío de una relación ingrese 2 poblaciones. Universalmente, se conquista
una muestra de uno y otro poblaciones, por lo tanto hay dos grados de libertad. Para establecer
los dos números de grados de libertad, correspondemos restarle uno los dos tamaños de
muestra. Posteriormente, las estadísticas de estas poblaciones se conciertan en una fracción.
Tanto el numerador como el denominador tienen grados de libertad. En parte de combinar estos
dos números en otro número, se conservan los 2. Por lo tanto, el automatismo de una tabla de
distribución F solicita que haya dos grados de libertad desiguales.
Definición. (II, 2022)
Sean U y V dos variables aleatorias independientes, tal que:
2 2
𝑈 → 𝑥𝑚 𝑦 𝑉 → 𝑥𝑚
Sea una variable X definida como:

22
 𝑈/𝑚
𝑥=
𝑉/𝑛
X así definida, sigue una distribución F DE FISHER- SNEDECOR de m y n grados de libertad,
que representamos como: x →Fm,n
Función de densidad. Representación gráfica.
La función de densidad de una F se obtiene a partir de la función de densidad conjunta de U y
V, y tiene la siguiente expresión.
𝑚+𝑛
Γ ( 2 ) 𝑚 𝑛2 𝑚−1 𝑚 − 2
𝑚+𝑛
𝑓(𝑥) = 𝑚 𝑛 (𝑛 ) 𝑥
2 (1 + 𝑥)
Γ ( 2 ) Γ (2 ) 𝑛

para todo valor de x>0. Es evidente, por su construcción, que solo puede tomar valores
positivos, como la chi- cuadrado.
La forma de la representación gráfica depende de los valores
m y n, de tal forma que si m y n tienden a infinitos, dicha distribución se asemeja a la distribución
normal.
Media y varianza.
La media existe si "n" es mayor o igual que 3, y la varianza existe si "n" es mayor o igual que 5
y sus valores son:
𝑛
𝜇 = 𝛼1 =
𝑛−2
2 2
2𝑛2 (𝑚 + 𝑛 − 2)
𝜎 = 𝜎2 − 𝜎1 =
𝑚(𝑛 − 2)2 (𝑛 − 4)
Ejemplo de distribucion F de Fisher.

23
 Conclusión.
Gracias a la investigacion realizada en este documento podemos llegar a la conclusion que:
Una variable puede tomar una variable cualquiera durante un proceso dado.
Las variables aleatorias son funciones que asocian a cada elemento del espaciomuestral
[conjunto de los diferentes resultados de un experimento estadístico] unnúmero real, se
clasifican en:
Variable aleatoria discreta, proporciona datos cuantitativos discretos, es elresultado de un
proceso de conteo (ejemplo el número de soles de n lanzamientosde una moneda) y Variable
aleatoria continúa, se encuentra dentro de un intervalocomprendido entre 2 números x(estatura
de un alumno de un grupo escolar).
La distribución de probabilidad, describe el comportamiento de fenómenosestadísticos es decir,
es un listado de las probabilidades de todos los resultadosposibles que podrían presentarse si
se efectúa un experimento. En la distribucióndiscreta, las variables asumen un número limitado
de valores, por ejemplo elnúmero de años de estudio y en la distribución continua, las variables
en estudiopueden asumir cualquier valor dentro de determinados límites, por ejemplo laestatura
de un estudiante.
Son las probabilidades que se asocian a cada uno de los valores que toma lavariable aleatoria
x.
La distribución de probabilidad para una variable aleatoria discreta, son lasrelaciones de los
resultados y sus probabilidades de las frecuencias observadas.Un ejemplo seria la probabilidad
de que al lanzar un dado n número de vecescaiga cara2 o que al lanzar una moneda 2 veces
caiga sol las 2 tiradas.
Existen varios modelos matemáticos que representan diversos fenómenosdiscretos de la vida
real. Las más útiles son:
1. La distribución uniforme discreta.
2. La distribución de probabilidad Binomial o de Bernoulli.
3. La distribución de probabilidad Hipergeométrica.
4. La distribución de probabilidad de Poisson.

24
 Bibliografías.

21, S. d. (2022). Soporte de Minitab 21. Obtenido de Minitab Statistical Sofware:

https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-
random-data-and-resampling-analyses/supporting-topics/distributions/geometric-
distribution/
21, S. d. (2022). Soporte de Minitab 21. Obtenido de Minitab Statistical Software:
https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-
random-data-and-resampling-analyses/how-to/probability-distributions/methods-and-
formulas/methods-and-formulas/
21, S. d. (2022). Soporte de Minitab 21. Obtenido de Soporte de Minitab:
https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-
random-data-and-resampling-analyses/supporting-topics/distributions/chi-square-
distribution/
21, S. d. (2022). Soporte de Minitab 21. Obtenido de https://support.minitab.com/es-
mx/minitab/21/help-and-how-to/probability-distributions-random-data-and-resampling-
analyses/supporting-topics/distributions/f-distribution/
II, E. (2022). ulpgc. Obtenido de
https://www2.ulpgc.es/hege/almacen/download/5/5510/Tema_2.pdf
Márquez, F. (5 de Diciembre de 2016). Fisicaymates. Obtenido de Fisicaymates academy:
https://fisicaymates.com/distribucion-de-poisson/
Meraz, F. (20 de 05 de 2021). RPubs by RStudio. Obtenido de RPubs:
https://rpubs.com/FRANCIAMERAZ75/772211
Minitab, S. d. (2022). Soporte de Minitab 21. Obtenido de Soporte de Minitab 21:
https://support.minitab.com/es-mx/minitab/21/help-and-how-to/probability-distributions-
random-data-and-resampling-analyses/supporting-topics/distributions/hypergeometric-
distribution/
Probabilidad. (2022). Estadistica Descriptiva. Obtenido de La distribución f fischer:
https://estadisticadescriptiva.com/probabilidad/f-fischer/
Rodó, P. (05 de Noviembre de 2019). Economipedia. Obtenido de Distribución t de Student.
Economipedia.com: https://economipedia.com/definiciones/distribucion-t-de-
student.html
Rodó, P. (4 de Junio de 2020). Economipedia. Obtenido de Economipedia:
https://economipedia.com/definiciones/distribucion-normal.html
Sanjuán, F. J. (16 de Noviembre de 2017). Economipedia. Obtenido de Economipedia:
https://economipedia.com/definiciones/distribucion-binomial.html

25