TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE POCHUTLA

TEMA: 4

ACTIVIDAD:

REPORTE DE INVESTIGACIÓN

ALUMNO:

ALICIO ARANGO VICENTE

CARRERA:

INGENIERÍA EN SISTEMAS COMPUTACIONALES

DOCENTE:

M.C. ROGELIO DANIEL MIJANGOS ESPINOSA

pág. 1
IDICE
4.2 DISTRIBUCIÓN BINOMIAL ..........................................................................................4

4.3 DISTRIBUCIÓN HIPERGEOMÉTRICA .............................................................................8

4.4 DISTRIBUCIÓN DE POISSON ......................................................................................11

4.5 DISTRIBUCION NORMAL ..........................................................................................13

4.6 DISTRIBUCIÓN DE T-STUDENT ...................................................................................18

4.7 DISTRIBUCIÓN DE CHI-CUADRADA .............................................................................20

4.8 DISTRIBUCIÓN F ....................................................................................................21

CONCLUSIÓN ........................................................................................................................ 24
REFERENCIAS BIBLIOGRAFICAS ..................................................................................... 25

pág. 2
4.1 Función de Probabilidad

Una función de probabilidad, es una función matemática que describe la

probabilidad de que una variable aleatoria discreta tome un determinado
valor.
Es decir, una función de probabilidad devuelve la probabilidad asociada
a que una variable discreta sea exactamente igual a un valor.

Las probabilidades no pueden ser negativas, por lo que la función de

probabilidad es nula o positiva para cualquier valor de x.

Asimismo, la probabilidad máxima es la unidad, y significa que el

evento sucederá siempre. En consecuencia, el valor máximo de la
función de probabilidad es igual a 1.

Finalmente, la suma de todos los valores de una función de probabilidad da como

resultado 1, pues es la suma de todas las probabilidades del espacio muestral

pág. 3
4.2 DISTRIBUCIÓN BINOMIAL

Una distribución binomial, en estadística, es una distribución de

probabilidad discreta (función que asigna a cada suceso definido sobre la
variable la probabilidad de que dicho suceso ocurra) que describe el
número de éxitos al realizar n experimentos o ensayos de Bernoulli
independientes entre sí, acerca de una variable aleatoria. ¿Te parece
demasiado complicado? ¡Vamos a ver un ejemplo para que lo entiendas
mejor!

Un experimento de Bernoulli se caracteriza por tener solo dos resultados.

Uno de ellos se denomina «éxito» y al otro, «fracaso». Por ejemplo,
imagínate el lanzamiento de una moneda cuyo resultado de «sacar cara»
es el éxito. Si lanzamos 5 veces la moneda y contamos los éxitos que
obtenemos, nuestra distribución de probabilidades se ajustaría a una
distribución binomial.

De este modo, en otras palabras, la distribución binomial se define como

una serie de experimentos o ensayos en los que solo podemos tener 2
posibles resultados (éxito o fracaso), siendo el éxito la variable aleatoria.

Por ejemplo, al lanzar un dado, la posibilidad de que el resultado sea par

o impar será exactamente la misma: el 50 %. Y por muchas veces que lo
lancemos, la probabilidad, en cada una de esas veces, seguirá siendo el 50
%. Igual que en el ejemplo De la moneda.

En la distribución binomial hay tres variables:

• N es el número de veces que repetimos el experimento.

• P es uno de los dos resultados al que llamaremos éxito.

• Q es el otro resultado posible al que llamaremos fracaso.

No
pág. 4
La probabilidad de cada posibilidad no puede ser más grande que 1 y no
puede ser negativa. Por eso, como p y q son los dos únicos resultados
posibles, entre los dos su porcentaje debe sumar uno, por lo que p =1- q.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución
binomial, tiene que cumplir las siguientes propiedades:

• Como hemos dicho, en cada ensayo, experimento o prueba solo

puede haber dos posibles resultados (éxito o fracaso).

• La probabilidad de éxito ha de ser constante. Por ejemplo, la

probabilidad de que salga un número par al lanzar un dado es 0,5 y
esta es constante dado que el dado no cambia en cada ensayo y las
probabilidades de sacar par es constate.

• La probabilidad de fracaso ha de ser también constate.

• Cada experimento es independiente de los demás y no influye en las

probabilidades de los que hagamos posteriormente, por lo que en
cada uno la probabilidad de que se dé uno de los dos resultados será
exactamente la misma.

• Los sucesos son mutuamente excluyentes, es decir, no pueden

ocurrir los dos al mismo tiempo. Al lanzar un dado, no puede salir
par e impar a la vez, ni al lanzar una moneda puede salir cara y cruz
al mismo tiempo.

• Los resultados son colectivamente exhaustivos, es decir, al menos

uno de los 2 ha de ocurrir. Si no sale par, sale impar, y si no sale
cara, sale cruz.

• La variable aleatoria que sigue una distribución binomial se suele

pág. 5
 representar así: X ~ (n, p), donde, como ya sabes, n representa el
número de ensayos o experimentos y p la probabilidad de éxito.

(Distribución Binomial | Superprof, n.d.)

Formula de la distribución binomial

La fórmula para calcular la distribución normal es la siguiente:

Donde:

• N = número de ensayos

• X = número de éxitos

• P = probabilidad de éxito

• Q = probabilidad de fracaso (1-p)

Debes tener en cuenta que lo que está entre corchetes es un resultado de

una combinatoria sin repetición, el cual se obtiene con la siguiente
formula:

El signo de exclamación representa el símbolo de factorial, es decir el

producto de todos los números enteros positivos desde 1 hasta n. Por
ejemplo: 5! = 1 · 2 · 3 · 4 · 5 = 120

Ejemplos de distribución binomial

Vamos a imaginar que un 80 % de las personas de todo el mundo vieron

las Olimpiadas 2016 en Río de Janeiro. Una vez finalizadas, 4 amigos se
reúnen para charlar. ¿Cuál es la probabilidad de que 3 de ellos las hayan
visto?

Lo primero que hay que hacer es definir las variables del experimento:
pág. 6
 • N = 4 (el total de la muestra)

• X = número de éxitos (en este caso es igual a 3, ya que buscamos la

probabilidad de que 3 de los 4 amigos las hayan visto)

• P = probabilidad de éxito (0,8)

• Q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar

1-p.

Tras definir todas las variables, solo tenemos que sustituirlas en la

fórmula:

El numerador del factorial se obtiene entonces multiplicando 4 · 3 · 2 · 1

= 24, mientras que en el denominador tendríamos que multiplicar 3 · 2 ·
1 · 1 = 6. Por lo tanto, el resultado del factorial sería 24/6=4.

Fuera del corchete, hay dos números. El primero sería 0,83=0,512 y el

segundo es 0,2 (porque 4-3 = 1 y cualquier número elevado a 1 es el
mismo).

Por tanto, el resultado final sería: 4 · 0,512 · 0,2 = 0,4096.

Si lo multiplicamos por 100, tenemos como resultado que hay una

probabilidad del 40,96 % de que 3 de los 4 amigos hayan visto las
Olimpiadas de Brasil.

Otro ejemplo: vamos a suponer que queremos coger un taxi, vamos a

calcular la probabilidad de que el próximo taxi que pase esté libre u
ocupado.

Definimos las variables del experimento. Vamos a asignar a la

probabilidad de éxito (p), es decir, de que esté libre un 40 % (es decir:
0,4). Por tanto, la probabilidad de fracaso (q), es decir, de que esté
pág. 7
ocupado, será 1-p, es decir, 1-0,4=0,6 o, lo que es lo mismo, el 60 %.

Vamos a calcular la probabilidad de que de 5 taxis, 2 estén libres.

El numerador del factorial se obtiene entonces multiplicando 5 · 4 · 3 · 2

· 1 = 120, mientras que en el denominador tendríamos que multiplicar 2 ·
1 · 3 · 2 · 1 = 12. Por lo tanto, el resultado del factorial sería 120/12=10.

Fuera del corchete, tendríamos 0,42=0,16 y 0,63=0,002.

Por tanto, el resultado final sería: 10 · 0,16 · 0,002 = 0,0064.

Si lo multiplicamos por 100, tenemos como resultado que hay una

probabilidad del 0,64 % de que 2 de los 5 taxis estén libres. (Distribución
Binomial | Superprof, n.d.)

4.3 DISTRIBUCIÓN HIPERGEOMÉTRICA

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.
pág. 8
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.

Ejemplo de cálculo de las probabilidades hipergeométricas

Supongamos que hay diez automóviles disponibles para que usted los
pruebe (N = 10) y cinco de ellos tienen motores turbo (x = 5). Si prueba
tres de los vehículos (n = 3), ¿cuál es la probabilidad de que dos de los
tres que probará tengan motores turbo?

1. Elija Calc > Distribuciones de probabilidad > Hipergeométrico.

2. Elija Probabilidad.

3. En Tamaño de la población (N), ingrese 10. En Conteo de eventos

en la población (M), ingrese 5. En Tamaño de la muestra (n), ingrese
3.

4. Elija Constante de entrada e ingrese 2.

5. Haga clic en Aceptar.

La probabilidad de que seleccione exactamente dos automóviles con

motores turbo de forma aleatoria cuando pruebe tres de los diez vehículos
es 41.67%.

(Distribución Hipergeométrica – Minitab, n.d.)

pág. 9
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 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.

(Distribución Hipergeométrica – Minitab, n.d.)

pág. 10
4.4 DISTRIBUCIÓN DE POISSON

La distribución de Poisson es una distribución de probabilidad discreta

que se aplica a las ocurrencias de algún evento durante un periodo
determinado. Es decir, es una distribución de probabilidad discreta en la
que solo es necesario conocer los eventos y cuál es su frecuencia media
de ocurrencia para poder conocer la probabilidad de que ocurran.

Una distribución es discreta cuando se toma un número de valor finito,

mientras que las continuas usan un número infinito de valores.

La distribución de Poisson fue creada por el matemático y filósofo francés

del siglo XVII Simeón-Denis Poisson en su proyecto para modelar la
frecuencia de eventos durante un rango de tiempo determinado. Esta
distribución la hizo pública en el año 1838 en su trabajo “Investigación
sobre la probabilidad de los juicios en materias criminales y civiles”.

Diferencia de la distribución de poisson y la normal

La distribución de Poisson es una distribución binomial que está limitada

al solo depender de un parámetro, el número esperado de eventos que
ocurrirán en un intervalo fijado, es decir, la frecuencia de los eventos.

Si en una función binomial sus parámetros tienden a infinito y a cero, la

distribución límite obtenida es la de Poisson.

Como saber si es una distribución de poisson.

Para que una distribución sea considerada como distribución de Poisson

debe cumplir con tres requisitos:

La variable discreta “x” es el número de ocurrencias de un evento

durante un intervalo determinado (de tiempo, espacio, etc.).

Las ocurrencias deben ser aleatorias y no contener ningún factor que

favorezca unas ocurrencias en favor de otras.

pág. 11
 Las ocurrencias deben estar uniformemente distribuidas dentro del
intervalo que se emplee.

Una propiedad importante de la distribución de Poisson es que, la suma

de “n” variables de Poisson independientes tendrán como resultado
también una variable de Poisson, siendo su parámetro la suma del valor
de los parámetros originales.

Aplicaciones para la distribución de poisson.

En la vida real se utiliza la distribución de Poisson para hacer cálculos de

probabilidades donde se requiere contar el número de veces que se
produce un suceso aleatorio durante un periodo determinado de tiempo (o
también de distancia, área u otro parámetro). Es especialmente útil para
calcular probabilidades muy pequeñas o sucesos que tienen pocas
posibilidades de producirse.

Ejemplos

A continuación, presentamos algunos ejemplos de la aplicación de la

distribución de Poisson en la vida real:

Contador de Geiger. Es un instrumento para medir la radiactividad

de un objeto o zona. Se utiliza la distribución de Poisson para calcular el
comportamiento estadístico de la radiación y así poder establecer su nivel.

Operaciones bursátiles. En el mundo de los mercados y la bolsa se

utiliza la distribución de Poisson para calcular el riesgo de las operaciones
en los tiempos de espera entre transacciones financieras.

Contador de personas. Los contadores de personas que

habitualmente se utilizan en los comercios para saber el número de
personas que entran en su establecimiento durante un periodo de tiempo
(número de clientes en la última hora, por ejemplo).

Otras aplicaciones. Otros ejemplos del uso de esta distribución son

el cálculo de las llamadas de teléfono que se reciben en un día en una
pág. 12
centralita, hallar el número de bacterias que hay en un volumen de
determinado de agua, el número de peticiones de servicio diarias de un
servidor web, establecer el riesgo de crédito en una operación de
financiación, calcular la cantidad de estrellas en un determinado volumen
espacio o el número de accidentes por año registrados por una compañía
de seguros.

La distribución de Poisson también se usa a veces para aproximar una

distribución binomial. También se utiliza en ocasiones una aproximación
de la distribución de Poisson a una distribución Gaussiana (aunque esta
es de probabilidad continua y no discreta).

Hemos visto como la distribución de Poisson es capaz de calcular la

probabilidad de que se produzca un evento durante un periodo
determinado de tiempo o una región específica. Las aplicaciones de esta
distribución se usan en todas las áreas de la vida, siendo especialmente
útiles en el sector empresarial para poder hacer predicciones sobre el
riesgo de las operaciones.

En la ciencia y en la medicina es habitual la aplicación de la distribución

de Poisson para realizar cálculos de probabilidades en sucesos que son
muy difíciles de predecir y que tienen una ocurrencia aleatoria. (Software
DELSOL, 2021)

4.5 DISTRIBUCION NORMAL

Distribución normal

En estadística y probabilidad, una distribución normal, también llamada

distribución de Gauss, distribución gaussiana o distribución de Laplace-
Gauss, es la más importante de todas las distribuciones de probabilidad
de variable continuay es la que aparece con más frecuencia en estadística
y en la teoría de probabilidades. Pero ¿qué es exactamente?

pág. 13
Pues es un modelo teórico que sirve para aproximar satisfactoriamente el
valor de una variable aleatoria continua a una situación ideal. ¡Te lo
explicamos mejor! La distribución normal adapta una variable aleatoria
continua a una función que depende de la media y la desviación típica. Es
decir, la función y la variable aleatoria continua tendrán la misma
representación, pero con ligeras diferencias.

¿Te suena el concepto de campana de Gauss? Se llama así a la gráfica de

su función de densidad por tener una forma acampanada y es el gráfico de
una función gaussiana. Es simétrica respecto a un determinado parámetro
estadístico.

¿Y por qué esta distribución es tan importante? Porque con ella podemos
modelar una gran cantidad de fenómenos naturales, sociales y
psicológicos. Normalmente, se desconocen los mecanismos de la mayoría
de este tipo de fenómenos por su enorme cantidad de variables
incontrolables. Sin embargo, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma de unas pocas
causas independientes.

La importancia de la distribución normal también radica en su relación

con la estimación por mínimos cuadrados, uno de los métodos de
estimación más simples y antiguos.

Aquí tienes algunos ejemplos de variables asociadas a fenómenos

naturales que siguen el modelo de la distribución normal:

• Caracteres morfológicos de individuos como la estatura;

• Caracteres fisiológicos como el efecto de un fármaco;

• Caracteres sociológicos como el consumo de cierto producto por un

mismo grupo de individuos;

• Caracteres psicológicos como el cociente intelectual;

pág. 14
 • Nivel de ruido en telecomunicaciones;

• Errores cometidos al medir ciertas magnitudes;

Historia de la distribución normal

El matemático francés Abraham de Moivre (1667-1754) fue el que

descubrió y presentó la distribución normal por primera vez en un artículo
del año 1733, que también aparece en la segunda edición de su The
Doctrine of Chances, en relación a la aproximación de la distribución
binomial para grandes valores de n.

Su descubrimiento fue desarrollado posteriormente por Laplace en su

libro Teoría analítica de las probabilidades (1812), y en la actualidad se
llama Teorema de De Moivre-Laplace. Laplace se sirvió de la distribución
normal para analizar los errores de experimentos.

Entonces, ¿por qué se ha asociado el nombre de Gauss a esta distribución?

Este matemático, astrónomo y físico alemán la usó con mucha frecuencia
cuando analizaba datos astronómicos y algunos autores le atribuyen un
descubrimiento independiente del de De Moivre.

Por otra parte, el nombre de «campana» proviene del matemático francés

Esprit Jouffret que empleó el término bell surface (superficie campana)
por primera vez en 1872 para una distribución normal bivariante de
componentes independientes.

Los que le atribuyeron el nombre de «distribución normal» fueron los

científicos Charles S. Peirce, Francis Galton y Wilhelm Lexis hacia 1875.

Definiciones de conceptos relacionados

A continuación, te indicamos los significados de algunos conceptos

relacionados con la distribución normal:

pág. 15
 • Media. Número que resulta al efectuar una serie determinada de
operaciones con un conjunto de números y que, en determinadas
condiciones, puede representar por sí solo a todo el conjunto.

• Moda. Valor que aparece con mayor frecuencia en una serie de

medidas.

• Mediana. Número central de un grupo de números ordenados por

tamaño.

• Desviación típica. Medida que se utiliza para cuantificar la

variación o la dispersión de un conjunto de datos numéricos.

• Varianza. Media de las desviaciones cuadráticas de una variable

aleatoria, referidas al valor medio de esta.

• Variable aleatoria. Función que asigna un valor, usualmente

numérico, al resultado de un experimento aleatorio.

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), donde los parámetros de la distribución son
la media o valor central (μ) y la desviación típica (σ).

En otras palabras, la frecuencia de una variable aleatoria X puede

representarse mediante una distribución normal.

Propiedades de la distribución normal

Estas son algunas de las propiedades más importantes de la distribución

normal:

pág. 16
Es una distribución simétrica, por lo que el valor de la media, la mediana
y la moda son iguales.

Es una distribución unimodal, por lo que los valores más cercanos a la

media son los más frecuentes o los que tienen más probabilidad de
aparecer. Es decir, cuanto más nos alejamos de la media, menos
probabilidad habrá de que aparezcan los valores.

La forma de la campana de Gauss depende de los parámetros μ y σ. Por

una parte, la media indica la posición de la campana, de modo que la
gráfica se desplaza a lo largo del eje horizontal según los diferentes
valores de μ.

Por otra parte, la desviación estándar determina el grado de apuntamiento

de la curva. Así, cuanto mayor sea el valor de σ, más se espaciarán los
datos en torno a la media y más plana será la curva. Por consiguiente, si
obtenemos un valor pequeño de este parámetro, hay una gran probabilidad
de obtener datos cercanos al valor medio de la distribución.

Cómo representar una distribución normal

A partir de una variable aleatoria continua, hay que calcular la media y la

desviación típica. Después, debemos decidir la función que queremos
representar: función de densidad de probabilidad o función de
distribución.

Para entender mejor el concepto de distribución normal, te animamos a

que leas todas las secciones de esta página y practiques con los ejercicios
variados. Seguro que, con un poco de práctica y motivación, ¡te
convertirás en un experto en la distribución normal!

(Distribución Normal | Superprof, n.d.)

pág. 17
4.6 DISTRIBUCIÓN DE T-STUDENT

En probabilidad y estadística, la distribución t (de Student) es una

distribución de probabilidad que surge del problema de estimar la media
de una población normalmente distribuida cuando el tamaño de la
muestraes pequeño.

Aparece de manera natural al realizar la prueba t de Student para la

determinación de las diferencias entre dos medias muestrales y para la
construcción del intervalo de confianza para la diferencia entre las medias
de dos poblaciones cuando se desconoce la desviación típica de una
población y ésta debe ser estimada a partir de los datos de una muestra.

Caracterización

La distribución t de Student es la distribución de probabilidad del cociente

Donde

• Z es una variable aleatoria distribuida según una normal típica (de

media nula y varianza 1).

• V es una variable aleatoria que sigue una distribución χ² con grados

de libertad.

• Z y V son independientes

Si μ es una constante no nula, el cociente es una variable aleatoria que

sigue la distribución t de Student no central con parámetro de no-

pág. 18
centralidad .

Aparición y especificaciones de la distribución t de Student

Supongamos que X1,…, Xn son variables aleatorias independientes

distribuidas normalmente, con media μ y varianza σ2. Sea

La media muestral. Entonces

Sigue una distribución normal de media 0 y varianza 1.

Sin embargo, dado que la desviación estándar no siempre es conocida de

antemano, Gosset estudió un cociente relacionado,

Es la cuasivarianza muestral y demostró que la función de densidad de T

es

Donde es igual a n – 1.

La distribución de T se llama ahora la distribución-t de Student.

El parámetro representa el número de grados de libertad. La distribución

depende de , pero no de o , lo cual es muy importante en la práctica.

Intervalos de confianza derivados de la distribución t de Student

El procedimiento para el cálculo del intervalo de confianza basado en la t

de Student consiste en estimar la desviación típica de los datos S y calcular
el error estándar de la media: , siendo entonces el intervalo de confianza
para la media: .

(3.5. Distribución T De Student. – INFORMACIÓN ESTADÍSTICA.,

n.d.)

Es este resultado el que se utiliza en el test de Student: puesto que la

pág. 19
diferencia de las medias de muestras de dos distribuciones normales se
distribuye también normalmente, la distribución t puede usarse para
examinar si esa diferencia puede razonablemente suponerse igual a cero.

Para efectos prácticos el valor esperado y la varianza son:

Distribución t de Student no estandarizada

La distribución t puede generalizarse a 3 parámetros, introduciendo un

parámero locacional y otro de escala . El resultado es una distribución t
de Student no estandarizada cuya densidad está definida por:2

Equivalentemente, puede escribirse en términos de (correspondiente a la

varianza en vez de a la desviación estándar):

Otras propiedades de esta versión de la distribución t son:

(3.5. Distribución T De Student. – INFORMACIÓN ESTADÍSTICA.,

n.d.)

4.7 DISTRIBUCIÓN DE CHI-CUADRADA

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.

Minitab 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
pág. 20
 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

4.8 DISTRIBUCIÓN F

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 ν2 = 1

pág. 21
Ν1 = 1 y ν2 = 9

Ν1 = 9 y ν2 = 1

Ν1 = 9 y ν2 = 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.

Calcular las probabilidades de una distribución F con infinitos grados de

libertad del denominador

Supongamos que X sigue una distribución F con 5 grados de libertad del

numerador e infinitos grados de libertad del denominador y usted desea
conocer la probabilidad de que X sea menor que o igual a 2. Puede
encontrar la probabilidad de que Y sea menor que o igual a 2, donde Y
sigue una distribución F con 5 grados de libertad del numerador y 99999
grados de libertad del denominador y Y se aproxima a X.

1. Elija Calc > Distribuciones de probabilidad > F.

2. En Grados de libertad del numerador, ingrese 5.

3. En Grados de libertad del denominador, ingrese 99999.

4. Elija Constante de entrada e ingrese 2. Haga clic en Aceptar.

pág. 22
El valor de CDF para 2 es 0.924755. Este valor representa el área por
debajo de la curva hasta 2. (Distribución F – Minitab, n.d.)

pág. 23
CONCLUSIÓN

Los conceptos antes mencionados han sido investigados de tal manera de

hacer más fácil su comprensión. Es de vital importancia para nuestra vida
profesional que manejemos estos conceptos con facilidad, así mismo el
que los usemos de la manera apropiada, siempre en pro de buscar
soluciones a los problemas que se nos puedan presentar.

pág. 24
REFERENCIAS BIBLIOGRAFICAS

Función de probabilidad – Diccionario de Matemáticas | Superprof.

(n.d.). Diccionario De Matemáticas | Superprof.
https://www.superprof.es/diccionario/matematicas/probabilidades/funcio
n-probabilidad.html

Distribución Binomial | Superprof. (n.d.). Material Didáctico –

Superprof.
https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/di
stribucion-binomial/

Distribución hipergeométrica – Minitab. (n.d.). © Minitab, LLC. All

Rights Reserved. 2023. https://support.minitab.com/es-
mx/minitab/21/help-and-how-to/probability-distributions-random-data-
and-resampling-analyses/supporting-
topics/distributions/hypergeometric-distribution/

Software DELSOL. (2021, March 15). ▷ Distribución de Poisson ¿Qué

es? https://www.sdelsol.com/blog/tendencias/distribucion-de-poisson/

Distribución Normal | Superprof. (n.d.). Material Didáctico – Superprof.

https://www.superprof.es/apuntes/escolar/matematicas/probabilidades/di
stribucion-normal/

3.5. Distribución t de Student. – INFORMACIÓN ESTADÍSTICA.

(n.d.). https://sites.google.com/site/estadisitica5demayo/unidad-ii-
inferencia-estadistica/3-5-distribucion-t-de-student

Distribución de chi-cuadrada – Minitab. (n.d.). © Minitab, LLC. All

Rights Reserved. 2023. 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/

pág. 25
Distribución F – Minitab. (n.d.). © Minitab, LLC. All Rights Reserved.
2023. https://support.minitab.com/es-mx/minitab/21/help-and-how-
to/probability-distributions-random-data-and-resampling-
analyses/supporting-topics/distributions/f-distribution/

pág. 26
pág. 27
pág. 28