Estefana Contreras Miranda

Eylen Sofa Montiel Rodriguez

Es apropiada para una variedad de procesos que

describe datos discretos, que son resultado de un
experimento conocido como proceso de Bernoulli
en honor al matemtico Suizo Jacob Bernoulli
(1654-1705).
Nos llevar a uno de slo dos resultados posibles
que son mutuamente exclusivos, tales como
muerto o vivo, enfermo o saludable, etc., en donde
la obtencin del resultado deseado se considera
como xito "p" y el resultado no deseado como
fracaso "q", donde, q = 1 p.

Utilizaremos como ejemplo el lanzamiento de una moneda:

1. Cada ensayo conduce a uno de dos resultados posibles,
mutuamente exclusivos, uno denominado xito y el otro
fracaso.

2. La probabilidad del resultado de cualquier intento permanece

fijo con respecto al tiempo.
3. Los ensayos son estadsticamente independientes, es decir,
el resultado de un ensayo en particular no es afectado por el
resultado de cualquier otro ensayo.

Si p y 1-p son las probabilidades de xito y fracaso respectivamente en cada

ensayo, entonces, la probabilidad de obtener x xitos y n-x fracasos en algn
orden especfico se da por la siguiente ecuacin: (1 ) ; dado lo anterior
llegamos a que:

Donde:
n = nmero de ensayos realizados.
p = probabilidad de xito.
q = (1-p) = probabilidad de fracaso.
n - x = nmero de fracasos deseados.
= probabilidad favorable.
La ecuacin anterior transformar a la siguiente:

El smbolo ! significa factorial.

Recordar que 0! Es igual a 1.

Se lanza una moneda corriente 6 veces, donde llamamos cara a un xito. Por
consiguiente n = 6 y p = q = 1/2. Solo pueden ocurrir dos cosas (p q) por lo
tanto la probabilidad de que ocurra 1 de ellas es la mitad, es decir .
La probabilidad de que suceda 2 caras exactamente (o sea x = 2) es:

La probabilidad de conseguir por lo menos cuatro caras (o sea x = 4, 5 6)

es:

Considere la posibilidad de la distribucin binomial con p =0.75 y N =4 para el ejemplo del

uso de ciertos antibiticos.
Esto representa la distribucin de los resultados despus de tratar a cuatro pacientes. Hay
cinco posibles resultados:
Ninguno de los pacientes se curan
Un paciente se cura
Dos pacientes se curan
Tres pacientes se curan
Cuatro pacientes se curan
Cual es la probabilidad de que tres de los cuatro pacientes se curan?

Denotando los 4 pacientes como A, B,C, y D, la probabilidad de que los pacientes A, B, y C

se curan y el paciente D no se cura es igual a:

La distribucin de probabilidad de Poisson debe su nombre a

Simon Denis Poisson (1781-1840), un francs que la
desarroll 1834. La distribucin de Poisson es un buen modelo
para la distribucin de frecuencias relativas del nmero de
eventos raros que ocurren en una unidad de tiempo, de
distancia, de espacio, etctera.
Por esta razn se utiliza mucho en el rea de investigacin
cientfica tanto en administracin de empresas como en las
actividades biolgicas.
Ej: Modelar la distribucin de frecuencias relativas del nmero
de accidentes industriales por unidad de tiempo, el nmero de
accidentes de los empleados o la frecuencia de enfermedades
raras que ocurre una poblacin dada.

1. Las consecuencias de los eventos son independientes. La

ocurrencia de un evento en un intervalo de espacio o tiempo
no tiene efecto sobre la probabilidad de una segunda
ocurrencia del evento en el mismo, o cualquier otro
intervalo.
2. Tericamente, debe ser posible un nmero infinito de
ocurrencias del evento en el intervalo.
3. La probabilidad de la ocurrencia nica del evento en un
intervalo dado es proporcional a la longitud del intervalo.
Una Particularidad de la distribucin de Poisson es el hecho
de que la media y la varianza son iguales.

La distribucin de probabilidad de Poisson, tiene que ver con ciertos procesos que pueden
ser descritos por una variable aleatoria discreta. La letra X por lo general representa a esta
variable discreta y puede tomar valores enteros (0, 1, 2, 3, 4, etc.) Se utiliza la letra
mayscula X para representar a la variable aleatoria y la letra minscula x para sealar un
valor especfico que dicha variable puede tomar.
La probabilidad de tener exactamente x presentaciones en una distribucin de Poisson se
calcula con la frmula:

Donde:

P(x) = probabilidad de tener exactamente x presentaciones.

= Exponencial = 2.71828 (base de los logaritmos naturales), elevada a la lambda

potencia negativa.
= (el nmero medio de presentaciones por intervalo de tiempo) elevada a la x
potencia.
x! = x factorial.
= parmetro de distribucin o la media donde = p(x), es el nmero promedio de
ocurrencias del evento aleatorio por intervalo de tiempo.
X = nmero de eventos raros por unidad de tiempo, de distancia o de espacio.

Podemos utilizar la distribucin de Poisson

para calcular la probabilidad de encontrar una
tableta defectuosa en una muestra de 100
tomadas de un lote con 1% de tabletas
defectuosas.

La distribucin continua de probabilidad ms importante, por la

frecuencia con que se encuentra y por sus aplicaciones tericas, es la
distribucin normal, gaussiana o de Laplace-Gauss. Fue descubierta y
publicada por primera vez en 1733 por De Moivre. A la misma
llegaron, de forma independiente, Laplace (1812) y Gauss (1809), en
relacin con la teora de los errores de observacin astronmica y
fsica.
Su importancia se debe fundamentalmente a la frecuencia con la que
distintas variables asociadas a fenmenos naturales y cotidianos
siguen, aproximadamente, esta distribucin.
Caracteres fisiolgicos: efecto de una misma dosis de un frmaco.
Caracteres morfolgicos de individuos (personas, animales,
plantas,...) de una especie (tallas, pesos, dimetros, permetros,...).
Caracteres sociolgicos: consumo de cierto producto por un mismo
grupo de individuos, puntuaciones de examen.

Una variable aleatoria continua, X, sigue una distribucin

normal de media y desviacin tpica , y se designa por N(,
), si se cumplen las siguientes condiciones:

1. La variable puede tomar cualquier valor: (-, +)

2. La funcin de densidad, es la expresin en trminos de
ecuacin matemtica de la curva de Gauss:

Tiene forma de campana, es asinttica al eje de las abscisas

(para x= ) Los puntos de inflexin tienen como abscisas los
valores . Simtrica con respecto a la media () donde
coinciden la mediana (Mn) y la moda (Mo).
N(, ):Interpretacin geomtrica:
Podemos interpretar la media como un factor de traslacin.
Desviacin tpica como un factor de escala, grado de dispersin

N(,
):
Interpretacin
probabilista
Entre
la media y una
desviacin tpica tenemos
siempre
la
misma
probabilidad: 68% aprox.

Entre la media y dos

desviaciones tpicas aprox.
95%

Si tomamos intervalos centrados en ,

y cuyos extremos estn...
a distancia ,tenemos probabilidad 68%
a distancia 2,tenemos probabilidad 95%
a distancia 25, tenemos probabilidad 99%

Dado que tanto como

pueden asumir infinitos
valores, es impracticable
tabular las probabilidades para
todas las posibles
distribuciones normales. Para
solucionarlo, se hacen una
transformacin a la variable
aleatoria normal , sta se
puede llevar a un nuevo
conjunto de observaciones de
una variable aleatoria normal
con media cero y varianza 1.
Definicin: La distribucin
de probabilidad de una
variable aleatoria normal
= 0 y = 1

distribucin normal
estndar.

Funcin de Densidad
Normal (0,1)

Frecuentemente, los resultados obtenidos por muestreo no siempre

coinciden exactamente con los esperados tericamente de acuerdo con
las leyes de probabilidades. Supongamos que en una muestra particular
un conjunto de sucesos posibles E1, E2, E3,, Ek, se observa que ocurren
con frecuencias o1, o2, o3,, , llamadas frecuencias observadas, y que
segn las leyes de las probabilidades, se espera que sucedan con
frecuencias e1, e2, e3, , , llamadas frecuencias esperadas o tericas.

Si las diferencias - son pequeas, la hiptesis debe ser correcta.

Si las diferencias - son grandes , la hiptesis debe ser falsa.
Definicin: Una medida de la discrepancia existente entre
las frecuencias observadas y esperadas viene proporcionada
por el estadstico 2 (lase chi-cuadrado) dada por:

Se emplea para determinar los limites de confianza de la varianza

de una poblacin normal, para contrastar la hiptesis de
homogeneidad o de independencia en una tabla de contingencia y
para pruebas de bondad de ajuste.
La distribucin chi-cuadrado queda totalmente definida mediante
sus grados de libertad n.
Campo de variacin: 0 x <

El rea bajo una curva ji-cuadrada y sobre el eje horizontal es 1.

Las distribuciones 2 no son simtricas. Tienen colas estrechas
que se extienden a la derecha; esto es, estn sesgadas a la
derecha.
Cuando n>2, la media de una distribucin 2 es n-1 y la
varianza es 2(n-1).
El valor modal de una distribucin 2 se da en el valor (n-3).

En General

Ajustes de funcin: Comparamos i valores medidos con i valores

esperados f ( ) cuyas desviaciones tpicas son :

Grados de libertad reducido.

Lo correcto no es comparar 2 con n, sino con el nmero de grados de libertad .
Grados de libertad (). Se define como el nmero de datos observados, menos el
nmero de parmetros calculados a partir de los datos (ligaduras) y utilizados
en los clculos

Un farmacutico Jefe de Depto. Control de calidad en una industria

alimenticia, descubre que en su proceso de produccin el contenido
de ciclamato en su lnea de mermeladas dietarias varia d forma
indeseada. Sospechando que se trata de una falla en el dosificador,
decide tomar 10 muestras seguidas del mismo. Encuentra un
promedio de 20 gramos con desvo de 8 gramos. Si en su protocolo
de fabricacin la variacin mxima permitida es del 3%, determinar
si el dosificador debe ser corregido.

Definicin: Surge del problema de estimar la media de una poblacin

normalmente distribuida cuando el tamao de la muestra es pequeo.

Sea Z una variable aleatoria normal estndar y X una variable aleatoria
chi-cuadrada con v grados de libertad. Si Z y X son independientes,
entonces la variable aleatoria tiene una distribucin t de Student con v
grados de libertad:

Se construye como un cociente entre una normal y la raz

de una chi-cuadrada independientes.
Desempea un papel importante en la teora de muestras
pequeas. Se usa habtualmente en el constraste de
hipotesis para la media de una poblacin, o para comparar
las medias de dos poblaciones, y viene definida por sus
grados de libertad n.

Condiciones:
Se utiliza en muestras de 30 o menos elementos.

La desviacin estndar de la poblacin no se conoce.

Clculo del Intervalo de confianza cuando es desconocida y estimado

a partir de la muestra. La potencia declarada de una forma farmacutica
(comprimido) es de 100 mg. Diez comprimidos individuales se ensayan
de acuerdo con especificacines de control de calidad. Los 10
resultados del ensayo se muestran en la Tabla 5.1

Un administrador de un hospital ha estado estudiando las

admisiones diarias de emergencia durante un periodo de varios
aos los estudios revelan que en dicho periodo en promedio se
presentaron 3 emergencias por da: encuentre la probabilidad
de que:
1. En un da dado ocurran slo dos admisiones de emergencia.
SOLUCIN: En este ejemplo = 3 que es igual al valor
promedio de ocurrencia en la poblacin y x = 2 como una
variable aleatoria discreta. La probabilidad de ocurrencia se
calcula como:

2. Cul es la probabilidad de que en un da particular no ocurra

ni una sola emergencia?

Ocurre en la prctica cada vez que existe una variable aleatoria X tal que
su logaritmo natural es una nueva variable aleatoria Y con distribucin
normal, entonces X sigue el modelo probabilstico llamado logaritmo
normal.

La distribucin F es conocida con este nombre gracias

al matemtico americano George W. Snedecor (18821974) quien la bautiz de este modo en honor de
Ronald Aylmer Fisher (1890-1962) que ya la haba
estudiado anteriormente en 1924.
La distribucion F es la contrastacin de la igualdad de
varianzas de dos poblaciones normales, y ,
fundamentalmente en el anlisis de la varianza , que
permite detectar la existencia o inexistencia de
diferencias significativas entre muestras diferentes y
que es, por tanto esencial , en todos aquellos casos en
los que se quiere investigar la relevancia de un factor
en el desarrollo y naturaleza de una caracterstica.

Intuitivamente,
podramos
comparar
las
varianzas
de
dos
poblaciones, s12 y s22, utilizando la razn de las varianzas muestrales S21/S22.
Si S21/S22 es casi igual a 1, se tendr poca evidencia para indicar
ques12 y s22 no son iguales. Por otra parte, un valor muy grande o muy
pequeo para S21/S22, proporcionar evidencia de una diferencia en las
varianzas de las poblaciones.
La variable aleatoria F se define como el cociente de dos variables aleatorias
chi-cuadrada independientes, cada una dividida entre sus respectivos grados
de libertad.

Donde :
21 y 22 son variables aleatorias chi-cuadrada independientes con grados de
libertad n1 y n2 respectivamente.

En la distribucin F se compara un valor F prueba con un valor para F

obtenido en la tabla de distribucin de esta prueba.

Si se conocen los valores de las varianzas y los grados de libertad:

Para obtener la razn F a partir de datos muestrales:

g.l. para numerador: k-1

g.l para denominador: k(n-1)

Donde:
k: Nmero de poblaciones
n: Nmero de observaciones a cada poblacin
IMPORTANTE: F deprueba o experimental debe ser menor que el F de
la tabla.

La variabilidad en la cantidad de grasa presente en un

lote de un complemento diettico, utilizada para un
proceso de fabricacin de un alimento, depende del
origen del complemento. Un fabricante que recibe el
complemento de dos proveedores 1 y 2, hizo una
comparacin analizando muestras de ambos
proveedores. Muestras de n1=10 y n2=16 mediciones
de dos lotes produjeron las varianzas:
S21=1.25 y S22=0.5
Presentan los datos evidencia suficiente para indicar
que la variabilidad en el contenido de grasa es menor
para el producto que se recibe del proveedor 2?
Realice una prueba con un a= 0.05.

Tenemos nuestras hiptesis:

La Fcalc = 1.25/0.5 = 2.5

Como 2.5 < 2.5876 no se rechaza Ho, y se concluye con un a= 0.05 que no
existe suficiente evidencia para decir que la variabilidad del contenido de grasa
del complemento del proveedor 2 es menor que la del complemento
suministrado por el proveedor 1.

Bolton S, Bon C. Pharmaceutical Statistics, practical and

clinical applications. Ed. 4, Vol. (135) 2004.

Castillo
J.
Distribuciones
probabilsticas
de
uso
comn.[Internet] Daena: International Journal of Good
Conscience. 4(1): 149-178. Marzo 2009.
Disponible
en:
http://www.spentamexico.org/v4n1/4(1)%20149-178.pdf

Surez M, (2012), Interaprendizaje de Probabilidades

y Estadstica Inferencial con Excel, Winstats y Graph,
Primera Edicin. Imprenta M & V, Ibarra, Ecuador.