ESTADISTICA

Fundamentos de estadística

Leticia Nohely Hernández Oroz

Carrera: Lic. en Diseño Gráfico Digital

ID: 00243698
Introducción
Una distribución de probabilidad es aquella que permite establecer toda la gama
de resultados probables de ocurrir en un experimento determinado. Es decir,
describe la probabilidad de que un evento se realice en el futuro.

La distribución de probabilidad es una herramienta fundamental para la

prospectiva, puesto que con ella es posible diseñar un escenario de
acontecimientos futuros considerando las tendencias actuales de diversos
fenómenos.

El objetivo del presente ensayo es dar a conocer algunas de las distribuciones

probabilísticas más importantes, así como también la como se relacionan unas
con otras.
 Ensayo sobre la relación entre la distribución normal y t de Student,
distribución binomial y distribución de Poisson.

Distribución t de Student

Es un modelo teórico utilizado para estimar 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.

Fue descubierta por William S. Gosset en 1908. Publicaba bajo el pseudónimo de

“Student” mientras trabajaba para la cervecería Guinnes en Irlanda. Está diseñada
para probar hipótesis en estudios con muestras pequeñas. No pudo publicar sus
descubrimientos usando su propio nombre porque Guinness había prohibido a sus
empleados que publicaran información confidencial. 

La fórmula general para la T de Student es la siguiente:

En donde el numerador representa la diferencia a probar y el denominador la

desviación estándar de la diferencia llamado también Error Estándar. En esta
fórmula t representa al valor estadístico que estamos buscando X barra es el
promedio de la variable analizada de la muestra, y miu es el promedio poblacional
de la variable a estudiar. En el denominador tenemos a s como representativo de
la desviación estándar de la muestra y n el tamaño de ésta.

Distribución normal
Por otra parte, la distribución normal es la distribución continua que se utiliza más
comúnmente en estadística,  fue descubierta por Carl Gauss al estudiar el
comportamiento de los procesos aleatorios. Es ampliamente utilizada en
estadística y teoría de las probabilidades. Dicha distribución tiene forma de
campana donde las desviaciones estándar sucesivas con respecto a la media
establecen valores de referencia para estimar el porcentaje de observaciones de
los datos. Estos valores de referencia son la base de muchas pruebas de
hipótesis, como las pruebas Z y t.

La función asociada a la distribución normal está dada por:

Donde: μ: media de la distribución.

σ: desviación estándar de la distribución.
π = 3.1415926535…
x: variable aleatoria.

A una distribución normal de media μ y desviación estándar σ se le denota N(μ,σ). La

distribución normal cuando μ = 0 y σ = 1 recibe el nombre de curva normal
unitaria (N(0,1))

En la distribución normal, uno puede calcular la probabilidad de que varios valores

ocurran dentro de ciertos rangos o intervalos. Sin embargo, la probabilidad exacta
de un valor particular dentro de una distribución continua, como la distribución
normal, es cero. Esta propiedad distingue a las variables continuas, que son
medidas, de las variables discretas, las cuales son contadas. La importancia de
esta distribución radica en que permite modelar numerosos fenómenos naturales,
sociales y psicológicos. 3Mientras que los mecanismos que subyacen a gran parte
de este tipo de fenómenos son desconocidos, por la enorme cantidad de variables
incontrolables que en ellos intervienen, el uso del modelo normal puede justificarse
asumiendo que cada observación se obtiene como la suma de unas pocas causas
independientes.
A diferencia de la distribución normal que depende de la media y la varianza, la
distribución t solo depende de los grados de libertad, del inglés, degrees of
freedom (df). En otras palabras, controlando los grados de libertad, controlamos la
distribució. A pesar de todo, la distribución t tiene características similares a la
distribución normal, su diferencia principal radica en las áreas de los extremos las
cuales son más amplias, como consecuencia de que usualmente se trabaja con
muestras pequeñas.

Distribución de Poisson
Este modelo se llama así para honrar la memoria de otro gran probabilista y
matemático. La distribución de Poisson se refiere a sucesos en un intervalo de
tiempo o en un área específica. 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. El
intervalo de tiempo puede ser de cualquier duración, un minuto, una hora, un día,
un año. Algunos ejemplos de situaciones modeladas con el modelo de Poisson
son: el número de fallas de una máquina en una semana, el número juegos de
algún deporte pospuestos por lluvia en una temporada.

La probabilidad de la variable aleatoria X viene dada por la siguiente expresión: 

La Distribución binomial 
Es uno de los modelos de distribución teórica de probabilidad que se utiliza
cuando la variable aleatoria discreta es el número de éxitos en una muestra
compuesta por n observaciones. Es una de las distribuciones de probabilidad más
útiles que se emplea en control de calidad, producción, investigaciones, etc.

La Distribución Binomial está relacionada con la distribución de Bernoulli que es

una distribución de variable aleatoria X que toma solamente valores de cero y uno
(éxito y fracaso), cuando se realiza un solo experimento.

La distribución binomial se aplica cuando se realizan un número "n" de veces el

experimento de Bernouilli, siendo cada ensayo independiente del anterior. La
variable puede tomar valores entre 0 (si todos los experimentos han sido fracaso)
y n (si todos los experimentos han sido éxitos)

Para este tipo de distribución de probabilidad, la función matemática es la

siguiente:

Donde:

P(X) = probabilidad de X éxitos dados los parámetros n y p

n = tamaño de la muestra

p = probabilidad de éxito

1 – p = probabilidad de fracaso

X = numero de éxitos en la muestra ( X = 0, 1, 2, …….. n)

El modelo de distribución Binomial define experimentos consistentes en realizar

ensayos repetidos e independientes. Cada uno de estos experimentos presenta
dos posibles resultados que denominamos éxito o fracaso, cuya probabilidad se
mantiene constante en las diferentes pruebas.

La distribución de Poisson se usa en ocasiones para aproximar la distribución

binomial. Existe un consenso en poder realizar esta aproximación cuando se
satisfagan las siguientes condiciones:

1.
2.

En caso de que hagamos la aproximación porque se cumplan ambas condiciones

vamos a necesitar el valor de   que lo calcularemos mediante la siguiente
expresión :

También suele usarse a menudo una aproximación de la distribución de Poisson a

una distribución Gaussiana, aunque esta última es una distribución de probabilidad
continua. Este último apunte lo trataremos en otro momento.
Conclusión
En estadística, economía y muchas otras áreas, es necesario inferir y decidir
sobre situaciones en las que hay diferentes probabilidades de ocurrencia en los
resultados, la distribución de probabilidad permite a partir de una función describir
el comportamiento esperado en esos casos.

La distribución de probabilidad permite asignar a cada evento la probabilidad de

que este ocurra o tenga éxito, ejemplo de esto, la realización de experimentos,
estudios sobre el progreso de una empresa, etc. Con el estudio de las
probabilidades, se ha permitido una manera de estandarizar los sucesos y
procesos que ocurren al azar, esto se ha logrado estimando las frecuencias en las
que se obtiene un resultado en específico.
Referencias bibliográficas

ALVARADO, V. M. (2014). Probabilidad y estadística: Serie Universitaria Patria.

México: Grupo Editorial Patria. Recuperado de:
https://ebookcentral.proquest.com/lib/unidsp/reader.action?docID=3227804

Weisstein EW. From MathWorld-A Wolfram Web Resource [página en internet].

Statistical Distribution. Disponible en:
http://mathworld.wolfram.com/topics/StatisticalDistributions.html

SMITH, A. (2016). Por qué hay que adorar la estadística. Ted Ideas worth
spreading. [Archivo de video]. Recuperado de:
https://www.ted.com/talks/alan_smith_why_we_re_so_bad_at_statistics?
language=es#t-757875

SÁNCHEZ, E. A.; ISUNZA, S. Y RAMÍREZ, G. (2014). Probabilidad y Estadística

II. México: Grupo Editorial Patria. Recuperado de:

https://ebookcentral.proquest.com/lib/unidsp/reader.action?docID=3229229