Introducción

Una variable aleatoria es un valor numérico que corresponde al resultado de un

experimento aleatorio, como el número de caras que se obtienen al lanzar 4 veces una
moneda, el número de lanzamientos de un dado hasta que aparece el seis, el número de
llamadas que se reciben en un teléfono en una hora, el tiempo de espera a que llegue un
autobús.
Las variables aleatorias, como las estadísticas, pueden ser discretas o continuas.
Las variables aleatorias permiten definir la probabilidad como una función numérica (de
variable real) en lugar de como una función de un conjunto dado.
Se dice que una variable aleatoria sigue una distribución uniforme si la función de densidad
es constante en el intervalo en el que se encuentran todos los valores de la variable. La
función de densidad o ley de probabilidad viene dada por:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Las distribuciones de probabilidad están relacionadas con las distribuciones de frecuencias.
Una distribución de frecuencias teórica es una distribución de probabilidades que describe
la forma en que se espera que varíen los resultados. Debido a que estas distribuciones
tratan sobre expectativas de que algo suceda, resultan ser modelos útiles para hacer
inferencias y para tomar decisiones en condiciones de incertidumbre.
Una distribución de frecuencias es un listado de las frecuencias observadas de todos los
resultados de un experimento que se presentaron realmente cuando se efectuó el
experimento, mientras que una distribución de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podrían obtenerse si el experimento se
lleva a cabo.
Las distribuciones de probabilidad pueden basarse en consideraciones teóricas o en una
estimación subjetiva de la posibilidad. Se pueden basar también en la experiencia.
A continuación trataremos mas extensamente los conceptos de Variable Aleatoria, Valor
Esperado, Pruebas Paramétricas y No-Paramétricas, Distribuciones de Probabilidad,
Distribuciones Discretas y Continuas y Distribuciones Simétricas y Distribuciones
Sesgadas.
Variable Aleatoria

Se denomina variable aleatoria, a una variable X que puede tomar un conjunto de valores
{x0, x1, x2, ... xn-1}, con probabilidades {p0, p1, p2, ... pn-1}. Por ejemplo, en la experiencia
de lanzar monedas, los posibles resultados son {cara, cruz}, y sus probabilidades son {1/2,
1/2}. En la experiencia de lanzar dados, los resultados posibles son {1, 2, 3, 4, 5, 6} y sus
probabilidades respectivas son {1/6, 1/6, 1/6, 1/6, 1/6, 1/6}.
Realicemos ahora la experiencia de hacer girar una ruleta y apuntar el número del sector
que coincide con la flecha. En la ruleta de la izquierda de la figura los resultados posibles
son {0, 1, 2, 3, 4, 5, 6, 7}, y la probabilidad de cada resultado es 1/8. En la ruleta de la
derecha de la figura los posibles resultados son {0, 1, 2, 3}, y las probabilidades respectivas
{1/4, 1/2, 1/8, 1/8}, proporcionales al ángulo del sector.
 Para ver la fórmula seleccione la opción "Descargar" del menú superior
En los tres primeros ejemplos, la variable aleatoria X se dice que está uniformemente
distribuida, ya que todos los resultados tienen la misma probabilidad. Sin embargo, en el
último ejemplo, la variable aleatoria X, no está uniformemente distribuida.
El problema crucial de la aplicación de los métodos de Montecarlo es hallar los valores de
una variable aleatoria (discreta o continua) con una distribución de probabilidad dada por
la función p(x) a partir de los valores de una variable aleatoria uniformemente distribuida
en el intervalo [0, 1), proporcionada por el ordenador o por una rutina incorporada al
programa.
Para simular un proceso físico, o hallar la solución de un problema matemático es necesario
usar gran cantidad de números aleatorios. El método mecánico de la ruleta sería muy lento,
además cualquier aparato físico real genera variables aleatorias cuyas distribuciones
difieren, al menos ligeramente de la distribución uniforme ideal. También, se puede hacer
uso de tablas de cifras aleatorias uniformemente distribuidas, comprobadas
minuciosamente en base a pruebas estadísticas especiales. Se emplean solamente cuando
los cálculos correspondientes a la aplicación del método de Montecarlo se realiza a mano, lo
que en estos tiempos resulta inimaginable. En la práctica, resulta más conveniente emplear
los denominados números pseudoaleatorios, se trata de números que se obtienen a partir
de un número denominado semilla, y la aplicación reiterada de una fórmula, obteniéndose
una secuencia {x0, x1, x2, ... xn} de números que imitan los valores de una variable
uniformemente distribuida en el intervalo [0, 1).
Se dice que una función
Para ver la fórmula seleccione la opción "Descargar" del menú superior
es una variable aleatoria si la "suerte" de realización de sus posibles valores puede
establecerse con ayuda de los resultados de la experiencia aleatoria en estudio, cuyo espacio
muestral es Ω . Se trata, en definitiva,  de una funciσn que asigna un valor numιrico a cada
uno de los resultados de una experiencia aleatoria.
En estadística y teoría de probabilidad una variable aleatoria se define como el resultado
numérico de un experimento aleatorio. Matemático es una mapa
Para ver la fórmula seleccione la opción "Descargar" del menú superior
que da un valor numérico a cada suceso en el espacio Ω de los resultados posibles del
experimento.
Se distinguen entre:
 variables aleatorias discretas y
 variables aleatorias continuas.

Dado una variable aleatoria X se pueden calcular estimadores estadísticos diferentes como
la media (Media aritmética, Media geométrica, Media ponderada) y valor esperado y
varianza de la distribución de probabilidad de X.
Se puede pensar en una variable aleatoria como un valor o una magnitud que cambia de
una presentación a otra, sin seguir una secuencia predecible. Los valores de una variable
aleatoria son los valores numéricos correspondientes a cada posible resultado de un
experimento aleatorio.
La distribución de probabilidad de una variable aleatoria proporciona una probabilidad
para cada valor posible, y estas probabilidades deben sumar 1.
Valor esperado de una variable aleatoria
El valor esperado es una idea fundamental en el estudio de las distribuciones de
probabilidad.
Para obtener el valor esperado de una variable aleatoria discreta, se multiplica cada valor
que la variable puede tomar por la probabilidad de presentación de ese valor y luego se
suman esos productos. Es un promedio pesado de los resultados que se esperan en el
futuro. El valor esperado pesacada resultado posible con respecto a la frecuencia con que se
espera se que presente. En consecuencia, las presentaciones más comunes tienen asignadas
un peso mayor que las menos comunes.
El valor esperado también puede ser obtenido a partir de estimaciones subjetivas. En ese
caso, el valor esperado no es más que la representación de las convicciones personales
acerca del resultado posible.
En muchas situaciones, encontraremos que es más conveniente, en términos de los cálculos
que se deben hacer, representar la distribución de probabilidad de una variable aleatoria de
una manera algebraica. Al hacer esto, podemos llevar a cabo cálculos de probabilidad
mediante la sustitución de valores numéricos directamente en una fórmula algebraica.
Sugerencia:
El valor esperado de una variable aleatoria discreta es un promedio pesado del valor de
cada resultado posible multiplicado por la probabilidad de dicho resultado. Aunque existen
muchos valores diferentes posibles que la variable aleatoria puede tomar, el valor esperado
es sólo un número.
Tratamiento de Variables Aleatorias
Variables aleatorias discretas.
Variable que toma un número finito o infinito de valores numerables. Variable aleatoria que
puede tomar sólo un número limitado de valores sean x1, x2, x3, ... xn los distintos valores
que puede tomar la variable aleatoria.
Y p(x1), p(x2),... p(xn) su probabilidad.
Los pares de valores (xj, p(xj)) constituyen la distribución de probabilidades de la variable
aleatoria.
p(x) se denomina función de probabilidad, y debe cumplir con las siguientes propiedades:
0 < p(xj) < 1 (p(x) es una probabilidad, y por lo tanto debe tomar valores entre 0 y 1).
å p(xj) = 1 (la suma de probabilidades repartidas entre todos los valores de la variable debe
ser igual a 1).
De la misma manera que calculamos frecuencias acumuladas, podemos acumular
probabilidades, obteniendo la función de distribución de probabilidades:
F(x) = å p(xj)
Esta función representa la probabilidad de que la variable aleatoria sea menor o igual que
un determinado valor:
F(xj) = P (X < xj)
Gráficamente, la función aumenta de "a saltos", ya que entre dos valores consecutivos de
una variable discreta, no puede tomar valores intermedios.
Para simular la ruleta situada a la derecha de la figura, se procede del siguiente modo: se
hallan las probabilidades de cada resultado, proporcionales al ángulo de cada sector y se
apuntan en la segunda columna, la suma total debe de dar la unidad. En la tercera columna,
se escriben las probabilidades acumuladas.

Resultado Probabilidad P. acumulada

0 0.25 0.25

1 0.5 0.75

2 0.125 0.875

3 0.125 1

Se sortea un número aleatorio g uniformemente distribuido en el intervalo [0, 1), el

resultado del sorteo se muestra en la figura. En el eje X se sitúan los distintos resultados
que hemos nombrado x0, x1, x2, x3. En el eje vertical las probabilidades en forma de
segmentos verticales de longitud igual a la probabilidad pi de cada uno de los resultados,
dichos segmentos se ponen unos a continuación de los otros, encima su respectivo
resultado xi. Se obtiene así una función escalonada. Cuando se sortea una variable aleatoria
g, se traza una recta horizontal cuya ordenada sea g. Se busca el resultado cuya abscisa sea
la intersección de dicha recta horizontal y del segmento vertical, tal como se señala con
flechas en la figura. Si el número aleatorio g está comprendido entre 0.25 y 0.75 se obtiene
el resultado denominado x1.
Para ver la fórmula seleccione la opción "Descargar" del menú superior
La tabla describe el sorteo de una variable discreta, siendo g una variable aleatoria
uniformemente distribuida en el intervalo [0,1).

Condición Resultado

0<=g<0.25 0

0.25<=g<0.75 1

0.75<=g<0.875 2

0.875<=g<1 3

Una vez visto un caso particular, el problema general puede formularse del siguiente modo:
Si X es una variable aleatoria discreta cuyos posible resultados son {x0, x1, x2 , ... xn-1} y
sean {p0, p1, p2, ... pn} sus respectivas probabilidades. Al sortear un número aleatorio g,
uniformemente distribuido en el intervalo [0, 1), se obtiene el resultado xi, si se verifica la
siguiente condición
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Variables aleatorias continuas
Variable que toma un valor infinito de valores no numerables. Variable aleatoria que puede
tomar cualquier valor dentro de un intervalo dado de valores.
En este caso, en lugar de trabajar con la probabilidad de valores particulares de la variable,
resulta más apropiado calcular probabilidades asociadas a intervalos. Para distribuir
propiedades se usa una función que mide "concentración" de probabilidades alrededor de
un punto, que se denomina función de densidad de probabilidad (fdp) y se denota como
f(x).
Una función de densidad de probabilidad debe cumplir con las siguientes propiedades:
 F(x) > 0 (la función es no negativa para cualquier valor de x, f(x) no es una
probabilidad, y puede valer más de 1).
 ò f(x) dx = 1 (la acumulada para todos los valores de la variable suma 1, el área bajo
la curva de la función vale 1).

La función de distribución para una variable aleatoria continua se calcula:

F(a) = P(X < a) = ò f(x) dx
La probabilidad de que la variable esté dentro de un intervalo [a - b] se calcula:
P (a< x < b) = F(b) - F(a)
La probabilidad de que la variable tome un valor particular se puede expresar como:
F(c) - F(c) = 0
Esto explica la idea de que para el caso de una variable aleatoria continua no tiene sentido
trabajar con la probabilidad de un valor particular.
Comprendido el concepto de transformación de una variable discreta, y el procedimiento
para obtener un resultado cuando se efectúa el sorteo de una variable aleatoria
uniformemente distribuida, no reviste dificultad el estudio de la variable continua. Si X es
una variable aleatoria continua, y p(x) es la probabilidad de cada resultado x, construimos
la función que se representa en la figura.
Para ver la fórmula seleccione la opción "Descargar" del menú superior
El resultado del sorteo de una variable g uniformemente distribuida en el intervalo [0 ,1) se
obtiene a partir de la ecuación.
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Gráficamente, se obtiene trazando una recta horizontal de ordenada g. La abscisa x del
punto de corte con la función es el resultado obtenido. En la figura se señala mediante
flechas.
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Un ejemplo sencillo es la transformación de una variable aleatoria que está uniformemente
distribuida en el intervalo [a, b) si
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Integrando (2) obtenemos la función
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Características de las variables aleatorias
Una variable aleatoria se caracteriza además de las funciones de probabilidad, ó de
densidad y distribución por una serie de medidas que ayudan a describir la tendencia,
dispersión, asimetría y apuntamiento de sus valores, tales pueden ser el valor esperado, la
desviación estándar, los cuartiles, coeficientes de variación, asimetría y apuntamiento.
Valor Esperado   
Se entiende por valor esperado al medio aritmético probabilístico el cual puede ser
calculado con la siguiente fórmula: XE = å n XK. PK
Donde: 
XE = Valor esperado.
XK = Valor del resultado K.
PK = Probabilidad del resultado K.
n = Número total de resultados.
Los promedios son parte de nuestro diario vivir. Nosotros escuchamos el promedio de
lluvia en una ciudad en un año, el promedio de temperatura en agosto, el promedio de edad
de los trabajadores de una empresa, entre otros. El objetivo de esta sección es mostrar
algunas características numéricas de una distribución poblacional. El más común promedio
utilizado en estadística es la media o valor esperado o esperanza matemática.
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Valor esperado o esperanza matemática
Sea X una variable aleatoria discreta. Se denomina esperanza matemática de X o valor
esperado, y se denota bien
Para ver la fórmula seleccione la opción "Descargar" del menú superior
o bien
Para ver la fórmula seleccione la opción "Descargar" del menú superior
, a la cantidad que se expresa como:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Donde
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Es el conjunto numerable de índices de los valores que puede tomar la variable (por
ejemplo
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Para un número finito de valores de la variable aleatoria o bien
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Para una cantidad infinita numerable de los mismos.
Si X es una variable aleatoria continua, se define su esperanza a partir de la función de
densidad como sigue:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Observación:
Recordamos que si
Para ver la fórmula seleccione la opción "Descargar" del menú superior
y por tanto tiene sentido calcular su esperanza matemática:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Por las analogías existentes entre la definición de media aritmética y esperanza matemática,
las propiedades de linealidad de la primera se trasladan a la segunda, como es inmediato
comprobar:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
¿Qué es una distribución de probabilidad, una variable aleatoria y un valor
esperado?
Distribución de Probabilidad
Una distribución de probabilidad la podemos concebir como una distribución teórica de
frecuencia, es decir, es una distribución que describe como se espera que varíen los
resultados. Dado que esta clase de distribuciones se ocupan de las expectativas son modelos
de gran utilidad para hacer inferencias y tomar decisiones en condiciones de incertidumbre.
Variable Aleatoria
Es aquella que asume diferentes valores a consecuencia de los resultados de un
experimento aleatorio.
Estas variables pueden ser discretas o continuas. Si se permite que una variable aleatoria
adopte sólo un número limitado de valores, se le llama variable aleatoria discreta. Por el
contrario, si se le permite asumir cualquier valor dentro de determinados límites, recibe el
nombre de variable aleatoria continua.
El Valor Esperado
El valor esperado es un concepto fundamental en el estudio de las distribuciones de
probabilidad. Desde hace muchos años este concepto ha sido aplicado ampliamente en el
negocio de seguros y en los últimos veinte años ha sido aplicado por otros profesionales que
casi siempre toman decisiones en condiciones de incertidumbre.
Para obtener el valor esperado de una variable aleatoria discreta, multiplicamos cada valor
que ésta puede asumir por la probabilidad de ocurrencia de ese valor y luego sumamos los
productos. Es un promedio ponderado de los resultados que se esperan en el futuro.
Tipos de pruebas estadísticas de hipótesis
Uno de los aspectos más importantes de las estadísticas en la investigación es comprender
que para poder utilizar una prueba estadística el experimento tiene que cumplir con los
supuestos que exige la prueba.
Las pruebas de hipótesis pueden ser paramétricas, libres de distribución y no-paramétricas.
a. Pruebas paramétricas

Requieren
1. variables medidas en la escala de razón o intervalar
2. análisis de un parámetro de la población y otros requisitos que dependen de la
prueba en específico.

La robustez en las pruebas paramétricas

Una prueba paramétrica es robusta si a pesar de no cumplir cabalmente con todos los
requisitos se puede emplear sin que deforme mucho las conclusiones. Cuando la prueba no
es robusta es necesario utilizar otra prueba libre de distribución o no paramétrica.
b. Pruebas libres de distribución

1. La prueba estadística no depende de la forma de la distribución de la población

c. Pruebas no paramétricas
2. Los datos están en escala nominal u ordinal

No tienen que ver con los parámetros de la población

¿Por qué se llaman pruebas paramétricas?
Porque comparan los grupos a través de una medida de tendencia central (parámetro): la
media aritmética. Como vemos, este valor adquiere una vital importancia.
¿En qué condiciones la media es realmente un valor representativo de una serie de datos?
Como sabemos, existen otras medidas de tendencia central que, según la distribución de los
datos, pueden llegar a ser más representativas. Cuando los datos siguen una distribución
normal la media actúa como una buena medida resumen. Recordemos algunas de las
características de esta distribución:
Viene determinada por dos parámetros, la media (µ) y la desviación típica (*). Es
acampanada y simétrica alrededor de la media.
Recordemos que, por ejemplo, si se cumplen los supuestos de normalidad (fig. 1.):
El valor de la µ ± 1* incluirá aproximadamente el 68,3% central de las observaciones.
El valor de la µ ± 2* incluirá aproximadamente el 95,3% central de las observaciones.
El valor de la µ ± 3* incluirá prácticamente todas las observaciones, el 99,7%.
Conocidas la µ y la *, se puede reconstruir la distribución de las observaciones.
La igualdad de variancias es el otro gran obstáculo que deberemos salvar. Dos
distribuciones pueden tener el mismo valor en el parámetro media, mostrando la primera
valores cercanos a la media (poca dispersión, variancia pequeña) y la segunda valores
alejados de dicho parámetro (más dispersión, gran variancia). Como vemos estas dos
variables siguen diferentes patrones, aunque tienen en común el mismo valor de la media
(fig. 2).
¿Por qué tienen estas asunciones? Las pruebas paramétricas asumen que los datos de las
variables a comparar se distribuyen de igual forma, pero que entre ellos existe un
desplazamiento fijo; es decir, para cada valor de una muestra hay un valor igual pero
incrementado en un valor constante (K), al que podríamos llamar desplazamiento (fig. 3).
Si este valor constante se acerca al valor 0, no habría diferencias entre los grupos, ya que
existiría un solapamiento entre los valores a comparar. Cuanto más se aleje del valor 0,
mayores serán las diferencias.
Obsérvese la importancia de asumir que este valor de desplazamiento de una muestra a la
otra es constante. Si estamos comparando dos diferentes tratamientos, por ejemplo un
placebo y un principio activo, en dos muestras que son homogéneas basalmente, este valor
K será el efecto que podremos imputar al principio activo en cada caso: la diferencia entre
medias representa, no el efecto promedio, sino el efecto del tratamiento en cada caso. Si por
el contrario este efecto no fuera constante, ya no se cumplirían los supuestos de estas
pruebas.
  
Dentro de las pruebas paramétricas, se tienen para muestras grandes y para muestras
pequeñas. Un supuesto que se aplica a ambas es que la muestra que se toma debe haber
sido seleccionada en forma aleatoria o probabilística. En las pruebas paramétricas de
muestra pequeña, se requiere el supuesto de que las muestras fueron extraídas de una
población con distribución normal y cuando se trata de dos o más muestras también se
requiere una prueba de igualdad de varianzas. Existen pruebas estadísticas por medio de las
cuales se podría comprobar esto, sin embargo suele no dársele importancia a esto y se pasa
por alto. El análisis de varianza, también se basa en el supuesto de normalidad de las
poblaciones y en el de que sus varianzas son iguales.
En las pruebas en las que se tienen menos supuestos, es en las de muestra grande, las
cuales se pueden aplicar sin saber o comprobar si la población o poblaciones eran normales,
estas pruebas se dice que son robustas, porque no es necesario que se cumpla dicho
supuesto. Cuando la prueba que se requiere no es robusta, no es necesario correr el riesgo
de estar equivocados en las conclusiones, en ellos. En cambio, se dispone de muchas
pruebas estadísticas no paramétricas que tienen una aplicación semejante a las
paramétricas de muestra pequeña en las que se tienen menos supuestos.
Chi-cuadrado
El llamado Test de Chi-cuadrado Es muy usual la necesidad de hacer una comparación
global de grupos de frecuencias. Para este problema el método es diferente, pues el test que
se utiliza se denomina Chi-Cuadrado de Pearson, y con ese test lo que queremos determinar
es si la frecuencia observada de un fenómeno es significativamente igual a la frecuencia
teórica prevista, o sí, por el contrario, estas dos frecuencias acusan una diferencia
significativa para, por ejemplo, un nivel de significación del 5%. Las posibles aplicaciones
son muchas: elección de un cartel turístico publicitario presentado a grupos de clientes;
comparar la rentabilidad de un proyecto hotelero en dos espacios turísticos; determinar las
preferencias o gustos de los turistas por determinados espacios geográficos, o por
determinados servicios hoteleros, etc. El método que se sigue es el siguiente: 1) Se designan
las frecuencias observadas con letras minúsculas y con letras mayúsculas las frecuencias
esperadas o teóricas. 2) Las frecuencias se presentan en cuadros o tablas con un cierto
número de columnas y de filas. Pueden ser tablas de 1 x 2, o de 2 x 2 etc. Aplicaremos el
método con una tabla 1 x 2; y después con una tabla 2 x 2. Supongamos que se ha
comprobado fallas leves ( atributos) en dos proyectos turísticos que no han satisfecho
plenamente a la clientela. Estas fallas han ocurrido en los sitios turísticos A y B. O sea, de
un total de 102 fallas, 59 han tenido lugar en el sitio A y 43 fallas en el sitio B. Formulamos
la hipótesis nula que no existe relación entre el número de fallas y el hecho de que hayan
ocurrido en los sitios A y B. Si la hipótesis nula no se rechaza, quiere decir que cada sitios es
independiente del hecho y entonces no existe razón para suponer que por ejemplo A es
menos predispuesto a fallas que B. Si se rechaza la hipótesis nula, entonces alguno de los
dos sitios si está propenso a mayor número de fallas. Para este análisis se aplica el test Chi-
cuadrado de Pearson. Vamos a observar los datos empíricos (59 y 43= 102) y los datos
esperados o sea una repartición por igual de las fallas entre el proyecto A y el B (51 y 51 =
102). a = 59 b = 43 A = 51 B = 51 La fórmula que permite obtener el Chi-cuadrado incluye
una corrección igual a O,50 por ser muestras pequeñas y su valor estimado con la fórmula
es 2,206. Al ir a la tabla del encontramos que para un grado de libertad, el valor del Chi-
cuadrado debe ser igual o mayor que 3,841 para un nivel de significación del 5%. Dado que
el valor encontrado en el anterior cálculo es igual a : 2,206, podemos admitir que la
hipótesis nula es correcta, pues no existe razón para suponer que se produzcan más fallas
en el espacio turístico A que en el espacio B. Si la tabla es de 2 x 2 De nuevo el fin del test es
comparar las frecuencias observadas empíricamente de dos muestras, con las frecuencias
esperadas o teóricas. Dos procedimientos de refrigeración ("x" e "y") se han ensayado en el
Dpto. de Alimentos y Bebidas de un Hotel con el fin de aumentar la duración de las
materias primas perecederas. Los resultados son según atributos cualitativos los siguientes:
Primero veremos las frecuencias empíricas u observadas: Refrigeración X : fracasos =77;
éxitos =63 y el total 140. Y para la Refrigeración Y: fracasos = 54; éxitos = 66 y el total 120.
Los totales de las tres columnas son: 131,129 y 260. En seguida veremos las frecuencias
teóricas o esperadas: Refrigeración X : fracasos = 70,54; éxitos=69,46 y el total 140.
Refrigeración Y : fracasos =60,46; éxitos = 59,54 y el total 120. Todos los totales de las tres
columnas son; 131,129 y 260. Las frecuencias teóricas fueron estimadas de esta manera:a1 =
131 x 140 / 260 = 70,54; b1 = 129 x 140 / 260 = 69,46; a2 = 131 x 120 / 260 = 60,46; b2 =
129 x 120 / 260 = 59,54. Cuando las muestras son pequeñas se aplica en la fórmula una
corrección igual a 0,50. Y al aplicar la fórmula del Chi-cuadrado obtenemos el valor de:
2,200. De nuevo se compara el resultado 2,20 con el de la tabla para un grado de libertad y
para el nivel de significación del 5% con un valor de 3,841. La diferencia entre las dos
muestras no es significativa y no se puede llegar a ninguna conclusión razonada sobre los
dos procedimientos de refrigeración.
Distribución Chi-cuadrado de Pearson
Tabla de la función de distribución:
P(
n≤ z) = p
z: valor tabulado
p: probabilidad acumulada
n: grados de libertad
Para ver el cuadro seleccione la opción "Descargar" del menú

Pruebas no paramétricas:
Se denominan pruebas no paramétricas aquellas que no presuponen una distribución de
probabilidad para los datos, por ello se conocen también como de distribución libre
(distribution free). En la mayor parte de ellas los resultados estadísticos se derivan
únicamente a partir de procedimientos de ordenación y recuento, por lo que su base lógica
es de fácil comprensión. Cuando trabajamos con muestras pequeñas (n < 10) en las que se
desconoce si es válido suponer la normalidad de los datos, conviene utilizar pruebas no
paramétricas, al menos para corroborar los resultados obtenidos a partir de la utilización de
la teoría basada en la normal.
En estos casos se emplea como parámetro de centralización la mediana, que es aquel punto
para el que el valor de X está el 50% de las veces por debajo y el 50% por encima.
 Prueba de Wilcoxon de los rangos con signo

Esta prueba nos permite comparar nuestros datos con una mediana teórica (por ejemplo un
valor publicado en un artículo).
Llamemos M0 a la mediana frente a la que vamos a contrastar nuestros datos, y sea X1,
X2 .. Xn los valores observados. Se calcula las diferencias X1-M0, X2-M0, ..., Xn-M0. Si la
hipótesis nula fuera cierta estas diferencias se distribuirían de forma simétrica en torno a
cero.
Para efectuar esta prueba se calculan las diferencias en valor absoluto |Xi-M0| y se ordenan
de menor a mayor, asignándoles su rango (número de orden). Si hubiera dos o más
diferencias con igual valor (empates), se les asigna el rango medio (es decir que si tenemos
un empate en las posiciones 2 y 3 se les asigna el valor 2.5 a ambas). Ahora calculamos R+
la suma de todos los rangos de las diferencias positivas, aquellas en las que Xi es mayor que
M0 y R- la suma de todos los rangos correspondientes a las diferencias negativas. Si la
hipótesis nula es cierta ambos estadísticos deberán ser parecidos, mientras que si nuestros
datos tienen a ser más altos que la mediana M0, se reflejará en un valor mayor de R+, y al
contrario si son más bajos. Se trata de contrastar si la menor de las sumas de rangos es
excesivamente pequeña para ser atribuida al azar, o, lo que es equivalente, si la mayor de
las dos sumas de rangos es excesivamente grande.
 Prueba de Wilcoxon para contrastar datos pareados

El mismo razonamiento lo podemos aplicar cuando tenemos una muestra de parejas de

valores, por ejemplo antes y después del tratamiento, que podemos denominar (X1,Y1),
(X2,Y2), ... ,(Xn,Yn). De la misma forma, ahora calcularemos las diferencias X1-Y1, X2-
Y2, ... , Xn-Yn y las ordenaremos en valor absoluto, asignándoles el rango correspondiente.
Calculamos R+ la suma de rangos positivos (cuando Xi es mayor que Yi), y la suma de
rangos negativos R-. Ahora la hipótesis nula es que esas diferencias proceden de una
distribución simétrica en torno a cero y si fuera cierta los valores de R+ y R- serán
parecidos.
 Prueba de Mann-Whitney para muestras independientes

Si tenemos dos series de valores de una variable continua obtenidas en dos muestras
independientes: X1, X2, ... , Xn, Y1, Y2, ... , Ym, procederemos a ordenar conjuntamente
todos los valores en sentido creciente, asignándoles su rango, corrigiendo con el rango
medio los empates. Calculamos luego la suma de rangos para las observaciones de la
primera muestra Sx, y la suma de rangos de la segunda muestra Sy. Si los valores de la
población de la que se extrajo la muestra aleatoria de X se localizan por debajo de los
valores de Y, entonces la muestra de X tendrá probablemente rangos más bajos, lo que se
reflejará en un valor menor de Sx del teóricamente probable. Si la menor de las sumas de
rangos es excesivamente baja, muy improbable en el caso de que fuera cierta la hipótesis
nula, ésta será rechazada.
Existen más pruebas no paramétricas de entre las cuales tenemos:
 Prueba de Kruskal-Wallis para comparar K muestras
 Prueba de Friedman para comparar K muestras pareadas (bloques)
 Coeficiente de correlación de Spearman para rangos
 Prueba de rachas de Wald-Wolfowitz

Distribuciones de Probabilidad
Toda distribución de probabilidad es generada por una variable aleatoria x, la que puede ser
de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta
porque solo puede tomar valores enteros y un número finito de ellos.

Ejemplos:
 x® Variable que nos define el número de burbujas por envase de vidrio que son
generadas en un proceso dado.
 x® 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
 x® Variable que nos define el número de productos defectuosos en un lote de 25
productos.
 x® 0, 1, 2, 3,....,25 productos defectuosos en el lote
 x® Variable que nos define el número de alumnos aprobados en la materia de
probabilidad en un grupo de 40 alumnos.
 x® 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad

Con los ejemplos anteriores nos damos cuenta claramente que los valores de la variable x
siempre serán enteros, nunca fraccionarios.
1. Variable aleatoria continua (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y
continua porque puede tomar tanto valores enteros como fraccionarios y un número
infinito de ellos. 

Ejemplos:
 x® Variable que nos define el diámetro de un engrane en pulgadas
 x® 5.0", 4.99, 4.98, 5.0, 5.01, 5.0, 4.96
 x® Variable que nos define la longitud de un cable o circuito utilizado en un arnés
de auto
 x® 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
 x® Variable que nos define la concentración en gramos de plata de algunas
muestras de mineral
 x® 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8

Como se observa en los ejemplos anteriores, una variable continua puede tomar cualquier
valor, entero o fraccionario, una forma de distinguir cuando se trata de una variable
continua es que esta variable nos permite medirla o evaluarla, mientras que una variable
discreta no es medible, es una variable de tipo atributo, cuando se inspecciona un producto
este puede ser defectuoso o no, blanco o negro, cumple con las especificaciones o no
cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribución de probabilidad, las que
pueden ser. 
 1. Distribución de probabilidad discreta.
2. Distribución de probabilidad continua.

Las características de cada una de las distribuciones anteriores se mencionarán a

continuación:
Distribución de probabilidad discreta
Características:
1. Es generada por una variable discreta (x).

x® Variable que solo toma valores enteros

x® 0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.
2. p(xi)³ 0 Las probabilidades asociadas a cada uno de los valores que toma x deben
ser mayores o iguales a cero.
3. S p(xi) = 1 La sumatoria de las probabilidades asociadas a cada uno de los valores
que toma x debe ser igual a 1.

Cálculo de media y desviación estandar para una distribución discreta

1.
Donde:
m = media de la distribución
E(x) = valor esperado de x
xi = valores que toma la variable
p(xi) = probabilidad asociada a cada uno de los valores de la variable x
2. Media o valor esperado de x.- Para determinar la media de la distribución discreta
se utiliza la siguiente fórmula:

1. Desviación estándar. Para determinar la desviación estándar de la distribución

discreta se utiliza la siguiente fórmula:

Para ver la fórmula seleccione la opción "Descargar" del menú superior

Donde:
s = desviación estándar
m = media o valor esperado de x
xi = valores que toma la variable x
p(xi) = probabilidad asociada a cada uno de los valores que toma x
Ejemplos:
1.
1. Solución:
Haciendo uso de un diagrama de árbol, usando las literales siguientes, se
obtiene el espacio muestral d como se muestra a continuación;
N = no sufre de algún desperfecto en el motor los primeros 12 meses de uso
S = sufre de algún desperfecto en el motor los primeros 12 meses de uso
 Para ver el gráfico seleccione la opción "Descargar" del menú superior
d = { NNN, NNS, NSN, NSS, SNN, SNS, SSN, SSS}
 x = variable que nos define el número de autos que no sufre de algún
desperfecto en el motor durante los primeros 12 meses de uso
 x = 0, 1, 2 o 3 autos que no sufren algún desperfecto en el motor en los primeros
12 meses de uso
p(x=0)=p(SSS)=(0.02) (0.02)(0.02)=0.000008
p(x=1)=p(NSS,SNS, SSN)=(0.98)(0.02)(0.02)+(0.02)(0.98)(0.02)+(0.02)
(0.02) (0.98)=
=0.001176
p(x=2)=p(NNS,NSN,SNN)=(0.98)(0.98)(0.02)+(0.98)(0.02)(0.98)+ (0.02)
(0.98)(0.98)==0.057624
p (NNN) = (0.98)(0.98)(0.98) =0.941192
Por tanto la media o valor esperado se determina de la siguiente manera:

m =E(x) =  (0)(0.000008)+(1)(0.001176)+(2)(0.057624)+(3)
(0.94119)=
=0.0+0.001176+0.115248+2.823576=2.94@ 3 autos que no sufren algún
desperfecto en el motor en los primeros 12 meses de uso
La interpretación de la media o valor esperado es; se espera que los 3 autos
probados no sufran de algún desperfecto en el motor en los primeros 12 meses
de uso.

s=

= 

= ± 0.2497@ ± 0.0
Autos que no sufren algún desperfecto en su motor en los primeros 12 meses de
uso.
Interpretación:
En este experimento se espera que los 3 autos probados no sufran de algún
desperfecto en su motor en los primeros 12 meses de uso y la variabilidad de
este experimento es de cero.
 Nota:
 La media y la desviación estándar se redondean a un valor entero ya que son la
media y desviación de una distribución de probabilidad discreta.
2. Según estadísticas la probabilidad de que el motor de un auto nuevo, de
cierto modelo, y marca sufra de algún desperfecto en los primeros 12 meses de
uso es de 0.02, si se prueban tres automóviles de esta marca y modelo,
encuentre el número esperado de autos que no sufren de algún desperfecto en
los primeros doce meses de uso y su desviación estándar.

Solución:
También haciendo uso de in diagrama de árbol, se obtiene el espacio muestral d
a)
D = objeto defectuoso
N = objeto no defectuoso
d ={ DDD, DDN, DND, DNN, NDD, NDN, NND, NNN}
Este espacio muestral ha sido obtenido haciendo uso de un diagrama de árbol,
x = Variable que nos define el número de objetos defectuosos encontrados
x = 0, 1, 2 o 3 objetos defectuosos
p(x=0)=p(NNN)=(0.9)(0.9(0.9)=0.729
p(x=1)=p(DNN, NDN, NND)=(0.1)(0.9)(0.9)+(0.9)(0.1)(0.9)+(0.9)(0.9)
(0.1)=0.243
p(x=2)=p(DDN, DND, NDD)=(0.1)(0.1)(0.9)+(0.1)(0.9)(0.1)+(0.9)(0.1)
(0.1)=0.027
p(x=3)=p(DDD)=(0.1)(0.1)(0.1)=0.001
Distribución de probabilidad
3. Se ha detectado en una línea de producción que 1 de cada 10 artículos
fabricados es defectuoso; se toman de esa línea tres artículos uno tras otro, a)
obtenga la distribución de probabilidad del experimento, b) encuentre el
número esperado de artículos defectuosos en esa muestra y su desviación
estándar.

x 0 1 2 3

P(x) 0.729 0.243 0.027 0.001

2. b)  (0)(0.729)+(1)(0.243)+(2)(0.027)+(3)(0.001)=
3. = 0.0 + 0.243 + 0.054 + 0.003 = 0.3 @ 0 productos defectuosos
4. Interpretación:
5. Se espera que ninguno de los productos inspeccionados sea defectuoso.
6.   
7. =± 0.6 =± 1 producto defectuoso
8. Interpretación:
9. En este experimento se espera que ninguno de los productos inspeccionados sea
defectuoso, pero los resultados de este experimento pueden variar en ± 1 producto
defectuoso, por lo que al inspeccionar los 3 productos el numero de productos
defectuosos puede variar desde –1 producto defectuoso, hasta 1 producto defectuoso,
pero, ¿es posible obtener –1 producto defectuoso?, claro que esto no puede ocurrir,
luego el número de productos defectuosos en el experimento variará de 0 a 1 producto
defectuoso solamente.
10. Solución:
11. Se obtiene el espacio muestral d , de la misma forma que se ha hecho en los
ejemplos anteriores;
12. B = se puede el pozo que se perfora
13. N = no se puede beneficiar el pozo que se perfora
14. d = { BBB, BBN, BNB, BNN, NBB, NBN, NNB, NNN}
15. x = variable que nos define el número de pozos que se pueden beneficiar
16. x = 0, 1, 2 o 3 pozos que se pueden beneficiar
17. p’(x = 0) = p(NNN) = (0.7)(0.7)(0.7)= 0.343
18. p(x = 1) = p(BNN, NBN, NNB) = (0.3)(0.7)(0.7)(3)=0.441
19. p(x = 2) = p(BBN, BNB, NBB) = (0.3)(0.3)(0.7)(3)=0.189
20. p(x = 3) = p(BBB) =(0.3)(0.3)(0.3)= 0.027

21.
22. @ 1 pozo beneficiado
23. Interpretación:
24. Se espera que solo 1 de los tres pozos perforados sea el que pueda ser beneficiado.

25.
26. Interpretación:
 27. La cantidad esperada de pozos que se pueden beneficiar puede variar en 1 ± 1 pozo,
esto es la cantidad de pozos que se pueden beneficiar puede variar de 0 a 2 pozos.
28. Según estadísticas, la probabilidad de que un pozo petrolero que se perfore en cierta
región pueda ser beneficiado es de 0.30. Se perforan tres pozos en esa región,
encuentre el número esperado de pozos que pueden ser beneficiados y su desviación
estándar.

1. La distribución de probabilidad de x , el número de defectos por cada 10 metros de

una tela sintética en rollos continuos de ancho uniforme , es

x 0 1 2 3 4

p(x) 0.41 0.37 0.16 0.05 0.01

a. Determine la distribución de probabilidad acumulada de x; P(x).

b. Determine el número esperado de defectos por cada 10 metros de tela sintética en
rollos continuos de ancho uniforme y la desviación estándar del número de defectos
por cada 10 metros de tela ...
c. Determine la probabilidad de que en 10 metros de tela sintética se encuentren como
máximo 2 defectos.
d. Determine la probabilidad de que en 10 metros de tela sintética se encuentren por
lo menos 2 defectos.

Solución:
a)

X 0 1 2 3 4

p(x) 0.41 0.37 0.16 0.05 0.01

P(x) 0.41 0.78 0.94 0.99 1.0

b) 

@ 1 defecto
Interpretación:0.16, 0.05 ,0.01
Se espera que por cada 10 metros de tela se encuentre un defecto.

Interpretación:
El número de defectos esperado puede variar en ± 1 defecto, es decir que el número de
defectos esperado por cada 10 metros de tela puede variar de 0 a 2.
c) P(x £ 2) = p(x=0) + p(x=1) + p(x=2) = 0.41+0.37+0.16 = 0.94
d) P(x ³ 2) = p(x=2) + p(x=3) + p(x=4) = 0.16 + 0.05 + 0.01= 0.22
Ejemplo: Consideremos a la variable aleatoria X como la cantidad de águilas observadas
cuando se lanzan dos volados. El espacio muestral es el conjunto {AA, AS, SA, SS} y se
puede ver que la variable X puede tomar como valores 0, 1 y 2.
Calculando las probabilidades tenemos:

P(de no observar águilas) = P(SS) = P(X=0) = ¼

P(de observar una águila) = P(SA È AS) = P(X=1) = 2/4

P(de observar dos águilas) = P(AA) = P(X=2) = ¼

Si ahora se organizan estos resultados con el siguiente formato

X P(X=x)

0 ¼

1 2/4

2 ¼

Se podrá explicar por qué se usa el nombre "distribución de probabilidad". E, incluso, con
esta información se puede construir una gráfica de barras o un histograma como el que
sigue:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Las propiedades de las distribuciones de variables discretas son dos, y que posteriormente,
al hablar de las distribuciones de variables continuas, se repetirán de manera muy similar:
1.
2. 0  P(X=x)  1.
3. P(X=x) = 1, o que es lo mismo: la suma de todas las probabilidades de los eventos
posibles de una variable aleatoria es igual a la unidad.

Hay que hacer notar que estas propiedades se enuncian suponiendo que conocemos el valor
de la probabilidad, pero en la realidad esto no ocurre, es decir que no sabemos la
probabilidad y lo que se hace es trabajar con estimaciones. Precisamente esto nos lleva a
modelos teóricos que estiman los resultados, los principales son los que a continuación se
presentan.
Modelos de distribuciones de probabilidad de variables discretas
 Uniforme. Es la distribución donde todos los eventos elementales tienen la misma
probabilidad. Por ejemplo: tirar un dado, donde la función(X=x)=1/6 para valores
de x=1, 2, 3, 4, 5,6.
 Binomial. Es la que maneja la distribución de la probabilidad de obtener cierta
cantidad de éxitos al realizar una cantidad de experimentos con probabilidad de éxito
constante y con ensayos independientes.
 Geométrica. Es la distribución de la probabilidad de realizar cierto número de
experimentos antes de obtener un éxito.
 Hipergeométrica. Es similar a la binomial, pero con un tamaño de muestra
grande en relación al tamaño de la población. La función de Excel que proporciona sus
valores es [Link]

De Poisson. Es la distribución de la probabilidad de que ocurra un evento raro en un

periodo de tiempo, un espacio o un lugar. La función de Excel que da los valores de la
distribución es POISSON
Distribución de probabilidad continúa
Características:
1. x® Es una variable que puede tomar tanto valores enteros como fraccionarios.
x® 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,¥
2. Es generada por una variable continua (x).
3. f(x)³ 0 Las probabilidades asociadas a cada uno de los valores que toma x deben ser
mayores o iguales a cero. Dicho de otra forma, la función de densidad de probabilidad
deberá tomar solo valores mayores o iguales a cero. La función de densidad de
probabilidad sólo puede estar definida en los cuadrantes I y II.

4.  La sumatoria de las probabilidades asociadas a cada uno de los

valores que toma x debe ser igual a 1. El área definida bajo la función de densidad de
probabilidad deberá ser de 1.

Hasta el momento se han considerado las distribuciones de probabilidad para variables

discretas, donde se podía asignar el valor que toma la función de probabilidad cuando la
variable aleatoria tomaba un valor en concreto. Sin embargo, al considerar las variables
continuas se encuentra uno el problema de que, lo más probable, los datos que se puedan
recabar no sean completamente exactos, o dos o más de ellos no coincidan, por lo que se
tienen que trabajar en intervalos y, en ese momento, modelar una función se convierte en
un problema serio.
Sin embargo, se pueden realizar aproximaciones y describir la probabilidad a través de
modelos teóricos de probabilidad cuya gráfica es una línea continua, a diferencia de las
variables discretas que le corresponde un histograma.
Para clarificar cómo se realiza esta aproximación al modelo teórico consideremos el
siguiente caso:
Se han registrado los tiempos que le tomó a una empresa de mensajería entregar 190
paquetes con destinatarios diferentes dentro de una misma ciudad. Los datos se han
agrupado en una distribución de frecuencias considerando intervalos de cinco días como
sigue:
Para ver el cuadro seleccione la opción "Descargar" del menú superior
Supongamos que un posible cliente, conociendo esta información, quisiera saber qué
probabilidad tiene de que su paquete sea entregado en dos días. El problema es que al
manejar intervalos de cinco días estamos suponiendo que dentro de cada intervalo los datos
se distribuyen uniformemente, cosa que no es real.
Podríamos aumentar la muestra y seguir recogiendo información para hacer una
distribución de frecuencias similar a la anterior, pero se tendría el mismo problema: dentro
de cada intervalo se está presuponiendo que los datos se distribuyen uniformemente.
Otra posible solución es reducir la amplitud de los intervalos, de tal suerte que podríamos
tomar una amplitud de tres días por intervalo y hacer la siguiente distribución de
frecuencias:
Ahora, veamos. Lo que le interesa al futuro cliente es la probabilidad de que se haga una
entrega en un cierto tiempo, por lo que habría que considerar las frecuencias relativas y,
como antes, reducir la amplitud de los intervalos. Con esto se obtendrían las siguientes
distribuciones de frecuencias:
Para ver los cuadros seleccione la opción "Descargar" del menú superior
Intervalos de dos días
Intervalos de un día
Y podríamos graficar tal información en histogramas para poder ver cómo se aproximan, si
es que ocurre, los valores a una curva continua:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
donde las barras rosas (y la línea roja) corresponden a los intervalos de cinco días; las
barras y línea azules, a los intervalos de tres días; las barras y línea amarillas, a los
intervalos de dos días; y las barras y líneas verdes, a los intervalos de un día.
Se han incluido de una vez las líneas que unen los puntos medios de las barras del
histograma porque se puede ver que las barras de las frecuencias relativas se
"achaparran" y las líneas graficadas están tan separadas del lado izquierdo (en este caso)
que no se puede hablar de una aproximación continua a una sóla línea.
Una posible solución es utilizando la densidad del intervalo, que se va a definir como el
cociente de la frecuencia relativa entre la amplitud del intervalo:
 
Para ver el gráfico seleccione la opción "Descargar" del menú superior
(De hecho, existe la función de densidad de una distribución de probabilidad, de donde se
deriva esta definición de densidad del intervalo.)
De esta manera, a las distribuciones de frecuencias anteriores se les puede añadir la
columna correspondiente a la densidad:
Intervalos de cinco días
Intervalos de tres días
Intervalos de dos días
Intervalos de un día
Para ver los cuadros seleccione la opción "Descargar" del menú superior
y realizar los histogramas correspondientes, que quedan como sigue:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
donde las barras rosas, y la línea roja, corresponden a los intervalos de cinco días; las barras
y línea verdes, a los intervalos de tres días; las barra y línea amarillas, a los intervalos de
dos días; y las barras y línea azules, a los intervalos de un día.
Igual que en el caso anterior, se han graficado simultáneamente las barras y las líneas que
unen los puntos medios de éstas para observar que con la densidad sí se aproximan los
histogramas a una línea continua (que la mejor aproximación presentada es la línea azul)
cuando los intervalos se reducen continuamente.

El resultado es una línea continua que es la gráfica de una cierta función

denominada función de densidad de la distribución probabilística.
Ahora, considerando la manera en que se definió la densidad de un intervalo como:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
 
y recordando que la frecuencia relativa es la probabilidad de un evento (en el ejemplo de la
mensajería sería la probabilidad de entregar un paquete dentro de un intervalo dado de
tiempo):
Para ver el gráfico seleccione la opción "Descargar" del menú superior
 
Entonces, despejando en el primer cociente la frecuencia relativa e igualando con esta
segunda expresión obtenemos que
probabilidad del evento = (densidad del intervalo)· (amplitud del intervalo)
Es decir, que la probabilidad de que ocurra un evento corresponde al área de las barras del
histograma hecho tomando en cuenta la densidad de los intervalos; y que cuando tales
intervalos tienen una amplitud que tiende a cero, y la gráfica se convierte en la curva
continua de la función de densidad, entonces la probabillidad de que un evento ocurra en
un intervalo (a,b) es el área bajo la curva de la función en ese intervalo:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
y, por tanto, el cálculo de tal probabilidad se realiza utilizando cálculo integral:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
 
donde f(x) es la función de densidad de la distribución probabilística correspondiente.
Hay que estar conscientes de que en el caso de las variables continuas sólo se puede calcular
la probabilidad de que un evento caiga dentro de un intervalo, debido a que la exactitud de
los instrumentos de medición siempre es relativa y muy lejana a la "exactitud" de los
cálculos matemáticos.
Por esto, la probabilidad de que la variable aleatoria tome un valor exacto es nula:
Para ver el gráfico seleccione la opción "Descargar" del menú superior
 
Esto se puede explicar de la siguiente manera: si, como ya dijimos, la probabilidad
(frecuencia relativa) es igual a la densidad del intervalo por la amplitud del intervalo,
entonces no importa qué tan grande sea la densidad de tal intervalo porque, como ya
también se dijo, por ser variable continua la amplitud del intervalo tiende a cero y, por
tanto, la probabilidad es igual a cero.
Modelos de distribución de probabilidad de variables continuas
Al igual que en el caso de las distribuciones de probabilidad de variables discreta, en el caso
de las distribuciones de probabilidad de variables continuas se tienen varios modelos
teóricos que en seguida presentamos.
A la derecha de cada modelo aparece la función de densidad correspondiente a cada
modelo.
 Uniforme. Es la distribución en donde todos los eventos tienen la misma
probabilidad.

Para ver el gráfico seleccione la opción "Descargar" del menú superior

 
 Exponencial. Se utiliza para estudiar el tiempo entre dos sucesos. La función
de Excel que le corresponde es [Link].

Para ver el gráfico seleccione la opción "Descargar" del menú superior

 
 Beta. Sirve para el estudio de variaciones, a través de varias muestras, de un
porcentaje que representa algún fenómeno. La función [Link] Excel sirve para
obtener sus valores; y la función [Link] proporciona los valores inversos de
la función, es decir, se utiliza como parámetro la imagen de la función y regresa la
variabla independiente.

Para ver la fórmula seleccione la opción "Descargar" del menú superior

 Gamma. Se utiliza para estudiar variables cuya distribución puede ser asimétrica.
La función de Excel que le corresponde es [Link]; y la
función [Link] es la inversa de la anterior.

Para ver la fórmula seleccione la opción "Descargar" del menú superior

 ji cuadrada (c²). Es una distribución asociada a la prueba c², y se usa para comparar
los valores observados con los esperados. La funció[Link] de Excel sirve para este

Para ver la fórmula seleccione la opción "Descargar" del menú superior

 Normal. Es la distribución más utilizada porque la mayoría de las variables
utilizadas en fenómenos sociales se distribuyen aproximadamente siguiendo este
modelo. Es la que tocaremos a continuación y se le llama comúnmente distribución
normal.

Para ver la fórmula seleccione la opción "Descargar" del menú superior

Calculo de media y desviación estándar para una distribución continua
1. Para ver la fórmula seleccione la opción "Descargar" del menú superior
Donde:
m = E(x) = media o valor esperado de la distribución
x = variable aleatoria continua
f(x) = función de densidad de la distribución de probabilidad
 2. Media o valor esperado de x.- Para calcular la media de una distribución de
probabilidad continua se utiliza la siguiente fórmula:
3. Desviación estándar.- La fórmula para determinar la desviación estándar de una
distribución continua es;

Para ver la fórmula seleccione la opción "Descargar" del menú superior

luego:
Para ver la fórmula seleccione la opción "Descargar" del menú superior
Ejemplo:

1.   cuando 0£ x £ 3, f(x) = 0 para cualquier otro valor

a. Diga si esta función nos define una distribución de probabilidad.
b. Si la función define una distribución de probabilidad, entonces, determine
su media y desviación estándar.
c. Determine la probabilidad de que 1£ x < 2.
2. Para la siguiente función,

Solución: 
a.
1.
1. x ® sí es una variable continua porque puede tomar cualquier valor
entre 0 y 3
2. f(x)³ 0, lo que se comprueba si damos diferentes valores a x para ver
que valores toma f(x), dándonos cuenta de que efectivamente f(x) solo
toma valores mayores o iguales a cero.

x f(x)

0 0.0

0.5 0.02778

1.0 0.11111

1.4 0.21778

2.1 0.49

2.7 0.81

3.0 1.0

2. Para comprobar que la sumatoria de las probabilidades que toma cada valor
de x es de 1, se integra la función de 0 a 3 como se muestra a continuación:

Para ver la fórmula seleccione la opción "Descargar" del menú superior

 A= área bajo la función

Con las operaciones anteriores comprobamos que la función  sí nos define una
distribución de probabilidad continua.
b. Para verificar que la función nos define una distribución de probabilidad, es
necesario que cumpla con las características que se habían mencionado.
c. Cálculo de media y desviación estándar. 

Para ver la fórmula seleccione la opción "Descargar" del menú superior

Las barras nos indican la evaluación de la integral entre 0 y 3. 

c) Para ver la fórmula seleccione la opción "Descargar" del menú superior
La barra nos indica la evaluación de la integral de 1 a 2.
Con las operaciones anteriores nos damos cuenta que para evaluar probabilidades para
variables de tipo continuo, es necesario evaluar la función de densidad de probabilidad en
el rango de valores que se desea; que vendría siendo el área que se encuentra entre f(x) y el
eje de las x y entre el rango de valores definidos por la variable x.

1.   , para -1< x < 2 y f(x)= 0 en cualquier otro caso

a. Verifique la tercera condición de la definición de una distribución de
probabilidad continua.
b. Determine la media o valor esperado de la distribución de probabilidad.
c. Encuentre la probabilidad de que 0< x £ 1.
2. Suponga que el error en la temperatura de reacción, en oC, para un experimento
controlado de laboratorio es una variable aleatoria continua x, que tiene la función de
densidad de probabilidad:

Solución:
a. Como la tercera condición es que la sumatoria de las probabilidades asociadas a
cada uno de los valores que toma x debe de ser 1, esto se comprueba de la siguiente
manera:

Para ver la fórmula seleccione la opción "Descargar" del menú superior

Distribuciones simétricas y distribuciones sesgadas
Se dice que la distribución es simétrica si se puede dividir en dos mitades que parecen ser la
imagen una de la otra. En estos casos las frecuencias en los extremos de la distribución son
idénticas. La gráfica puede tener diferentes formas. Una de estas formas es la de campana.
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Otra forma es la rectangular
Si la distribución tiene algunos valores extremos muy bajos, entonces en la gráfica se nota
una cola larga y fina hacia la izquierda de la distribución y se dice que la distribución está
sesgada negativamente o que tiene un sesgo a la izquierda.
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Si la distribución tiene algunos valores extremos altos, entonces en la gráfica se nota una
cola larga y fina hacia la derecha de la distribución y se dice que la distribución está sesgada
positivamente o que tiene un sesgo a la derecha. 
Para ver el gráfico seleccione la opción "Descargar" del menú superior
La relación entre la gráfica de la distribución y las medidas de tendencia
central y dispersión
A. En distribuciones unimodales cuando la media, la moda y la mediana coinciden la
distribución es simétrica.
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Ejemplo
La media, mediana y moda coinciden en la distribución
B. Distribuciones unimodales cuando la media, la moda y la mediana coinciden
C. Distribuciones unimodales cuando la media, la moda y la mediana no coinciden

En distribuciones unimodales cuando la media, la moda y la mediana no coinciden la

distribución es sesgada.
Si la media es mayor que la mediana (la media a la derecha de la mediana) entonces la
distribución está sesgada a la derecha (positivamente)
Ejemplo
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Si la media es menor que la mediana (la media a la izquierda de la mediana) entonces la
distribución está sesgada a la izquierda (negativamente)
Ejemplo
Para ver el gráfico seleccione la opción "Descargar" del menú superior
Nota
En estos casos la media siempre está más cerca del sesgo que la mediana.
Relación entre las gráficas de dos distribuciones con medidas de tendencia
central y dispersión iguales o diferentes
 A. Si dos distribuciones tienen la misma desviación estándar, pero medias diferentes;
entonces van a tener la misma forma. La diferencia consiste en que se encuentran
desplazadas a lo largo del eje de x.
Para ver el gráfico seleccione la opción "Descargar" del menú superior
B. Dos distribuciones con desviación estándar igual, pero medias diferentes
C. Dos distribuciones con medias iguales pero desviación estándar diferentes

Si dos distribuciones tienen la misma media, pero sus desviaciones estándar son diferentes;
entonces se diferencian en que la que tiene la desviación estándar más pequeña tiene los
valores más concentrados alrededor de la media y por lo tanto es más "alta".
Ejercicio
Para ver el gráfico seleccione la opción "Descargar" del menú superior
La relación entre la gráfica de la distribución y la gráfica de caja y bigote.
A. Para ver el gráfico seleccione la opción "Descargar" del menú superior
B. Si ambas partes de la caja son iguales (la mediana en el medio de la caja) y los dos
bigotes también son iguales, aunque algo más largos que las partes de la caja entonces
la distribución tiene tipo de campana (bell shaped distribution)

Para ver el gráfico seleccione la opción "Descargar" del menú superior

D. Si los bigotes y las partes de la caja son todos del mismo largo, entonces la
distribución es rectangular o uniforme. Tiene la misma frecuencia en cada uno
de sus valores.
E. Si los bigotes son cortos y la caja muy larga la distribución tiene forma de U,
con mucha concentración de valores en los extremos.
C. Si los bigotes son diferentes y la mediana no se encuentra en el medio de caja
entonces la distribución está sesgada. Negativamente, si el bigote y la parte de la caja
largos se encuentran a la izquierda. Positivamente, si el bigote y la parte de la caja
largos se encuentran a la derecha.

Para ver el gráfico seleccione la opción "Descargar" del menú superior

Conclusiones
Una distribución de frecuencia es una tabla de resumen en la que los datos se disponen en
agrupamientos o categorías convenientemente establecidas de clases ordenadas
numéricamente.
En esta forma las características más importantes de los datos se aproximan muy
fácilmente, compensando así el hecho de que cuando los datos se agrupan de ese modo, la
información inicial referente a las observaciones individuales de que antes se disponía se
pierde a través del proceso de agrupamiento o condensación.
La principal ventaja de usar una de estas tablas de resumen es que las principales
características de los datos se hacen evidentes inmediatamente para el lector.
La principal desventaja de tal tabla de resumen es que no podemos saber como se
distribuyen los valores individuales dentro de un intervalo de clase particular sin tener
acceso a los datos originales. El punto medio de la clase, sin embargo, es el valor usado para
representar todos los datos resumidos en un intervalo particular.
El punto medio de una clase (o marca de clase) es el punto a la mitad de los límites de cada
clase y es representativo de los datos de esa clase.
La probabilidad es la posibilidad u oportunidad de que suceda un evento particular. La
probabilidad involucrada es una porción o fracción cuyo valor varía entre cero y uno
exclusivamente. Observamos un evento que no tiene posibilidad de ocurrir (es decir, el
evento nulo), tiene una probabilidad de cero, mientras que un evento que seguramente
ocurrirá (es decir, el evento cierto), tiene una probabilidad de uno.
La regla mas evidente para las probabilidades es que deben variar en valor de 0 a 1. Un
evento imposible tiene una probabilidad cero de ocurrir, y un evento cierto tiene una
probabilidad uno de ocurrir. La probabilidad simple se refiere a la probabilidad de
ocurrencia de un evento simple.
Una distribución de probabilidad para una variable aleatoria discreta es un listado
mutuamente excluyente de todos los resultadosposibles para esa variable aleatoria, tal que
una probabilidad particular de ocurrencia esté asociada con cada resultado.
Esperanza Matemática
La media de una distribución de probabilidad es el valor esperado de su variable aleatoria.
El valor esperado de una variable aleatoria discreta puede considerarse como su promedio
pesadoo sobre todos los resultados posibles, siendo los pesos la probabilidad asociada con
cada uno de los resultados.
Todos los procedimientos paramétricos tienen tres características distintivas: Los
procedimientos de prueba paramétricos pueden definirse como aquellos 1)que requieren
que el nivel de medición obtenido con los datos recolectados esté en forma de una escala de
intervalo o de una escala de cociente; 2)implican la prueba de hipótesis de valores de
parámetros especificados 3) y por último requieren un conjunto limitante de suposiciones.
Procedimientos sin distribución y no paramétricos
Los procedimientos de prueba sin distribución pueden definirse ampliamente como 1)
aquellos cuya estadística de prueba no depende de la forma de la distribución de la
población subyacente de la cual se tomó la muestra de datos o como 2) aquellos para los
cuales los datos no tienen fuerza suficiente para garantizar operaciones aritméticas
significativas.
Una distribución chi-cuadrado es una distribución sesgada cuya forma depende
exclusivamente del número de grados de libertad. Conforma este aumenta, la distribución
se vuelve más simétrica.
Bibliografía
 [Link]
q=cache:kVRhh2rdptMJ:[Link]/cursos/bio242a/[Link]+valor+esperado&h
l=es&ie=UTF-8
 [Link]
m
 [Link]
[Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
continuas/[Link]
 [Link]
continuas/dist_continuas.htm
 [Link]
continuas/distribuciones_probabilidad.htm
 [Link]
 [Link]
[Link]/ebiometria/conceptos_basicos/manejando_la_informacion.htm
 [Link] de distribución
 [Link]
 [Link]
 [Link]
htm
 [Link]
 [Link]
nes%20de%[Link]
 [Link]
 [Link]
[Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
 [Link]
5_4.html
 [Link]
cap_2_pag_7.html
 [Link]
 [Link]