INSTITUTO TECNOLOGICO SUPERIOR DE URUAPAN

“UNIDAD IV DISTRIBUCIONES DE PROBABILIDAD”

INGENIERIA EN SISTEMAS COMPUTACIONALES

ALUMNO
KRISTIAN JORGE RUIZ VALENCIA

MATERIA
PROBOBILIDAD Y ESTADISTICA

PROFESOR
M.E. NETZYELE APODACA RODRÍGUEZ

Uruapan, Michoacan a 27 de Marzo de 2023

1
 INDICE

Portada................................................................................................................ 1

Introduccion......................................................................................................... 2

Indice…………………………............................................................................... 3

Unidad IV Distribuciones de Probabilidad………………...................................... 4

4.1 Función de probabilidad………………………………………………………………6

4.2 Distribución binomial……………………………………………………………….….8

4.3 Distribución hipergeométrica…………………………………………………..……10

4.4 Distribución de Poisson………………..…………………………………………….12

4.5 Distribución normal…………………………………………………………………..14

4.6 Distribución T-student……………………………………………………….……….16

4.7 Distribución Chi cuadrada…………………………………………………………...18

4.8 Distribución F…………………………………………………………………………20

Colusiones………………………………………...………………………………………22

Bibliografía………………………………………...………………………………………23

2
 INTRODUCCION

En el estudio de la estadística entre sus principales objetivos se encuentra

conocer de manera cuantitativa alguna parte real de un universo, por esto es
necesario modelar de manera particular el objeto a estudiar. Por otra parte la
probabilidad se caracteriza por medir diferentes valores que da un resultado
aleatorio de dicha probabilidad.

De tal manera que las distribuciones de probabilidad se relacionan con la

distribución de frecuencias debido a que las distribuciones fundamentan sus
resultados en algún acontecimiento presente pasado o futuro. La incertidumbre
también es un aspecto principal en las distribuciones es por esto que la
distribución de frecuencia teórica describe la forma en que varían los resultados
Por último en la siguiente investigación se desarrollaran los principales métodos
de distribución mostrando al lector de forma precisa cómo funcionan y cuáles
son sus principales características mediante ejemplos graficados.

3
 UNIDAD IV DISTRIBUCIONES DE PROBABILIDAD

1.- ¿Qué es la distribución de probabilidad?

En teoría de la probabilidad y estadística, la distribución de probabilidad
de una variable aleatoria es una función que asigna a cada suceso definido sobre
la variable, la probabilidad de que dicho suceso ocurra. La distribución de
probabilidad está definida sobre el conjunto de todos los sucesos y cada uno de
los sucesos es el rango de valores de la variable aleatoria.
La distribución de probabilidades permite a las organizaciones conocer
todos los resultados posibles que puede tener un evento aleatorio que incide
sobre un proyecto. Para ello, existen dos tipos de variables aleatorias que los
gerentes de proyecto deben tomar en cuenta:

• Discreta: Es representada por números enteros y se caracteriza por el

número de valores que puede tomar. El número de personas, por ejemplo,
es una variable discreta, al igual que muchos objetos físicos y tangibles
en los proyectos.
• Continua: Una variable aleatoria con un número infinito de valores. No
posee limitación, por lo que puede tomar cualquier valor dentro de un
límite establecido. Por ejemplo, la duración de una actividad del proyecto,
la vida útil de las herramientas, instalaciones y demás elementos, etc.

2.- ¿Para qué se utiliza la distribución de probabilidad?

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.
Las características más importantes a considerar en una distribución de
probabilidad son:
• La probabilidad de un resultado específico está entre cero y uno.
• La suma de las probabilidades de todos los resultados mutuamente
excluyentes es 1.

3.- ¿Por qué es importante el estudio de la distribución de probabilidad?

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 probabilidades permite a las organizaciones conocer
todos los resultados posibles de éxito o fracaso antes de la realización de un
proyecto. Utilizando eficientemente este método, podrán elegir el momento
adecuado para emprender una nueva iniciativa.

PATRONES DE DISTRIBUCIÓN DE PROBABILIDADES

Los patrones de distribución dependen del tipo de variable aleatoria que se esté
estudiando. Algunos de los patrones más comunes en la gestión de proyectos
son los siguientes:
Distribución uniforme. Puede ser continua o discreta. Cada valor de la variable
aleatoria tiene la misma probabilidad de ocurrencia. Por ejemplo, en un

4
lanzamiento de dados (ejemplo de distribución discreta), cada valor (1 a 6) tiene
la misma probabilidad.
Distribución triangular. Es continua con un valor mínimo (pesimista), máximo
(optimista) y la moda (valor más probable). Se diferencia de la distribución
uniforme en que la probabilidad de ocurrencia de los valores no es la misma. Se
utiliza en la gestión de proyectos para el análisis de riesgos.
Distribución normal. Considera dos parámetros, el promedio y la desviación
estándar, que sirven para desarrollar la campana de Gauss. Esta representación
muestra cómo se distribuye la probabilidad de una variable continua. Se utiliza
para modelar con precisión el tiempo y la estimación de costos en la gestión de
proyectos.
Distribución BETA. Es una distribución con dos parámetros, típicamente
denotados "a" y "b". Dependiendo de estos valores, la distribución BETA puede
ser más uniforme o normal. Suele emplearse para determinar la duración y el
costo de una actividad o tarea programada.

5
4.1 Función de Probabilidad
Una función de probabilidad, también llamada función de masa 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 una
variable discreta que sea exactamente igual a un valor.

La función de probabilidad, de cuantía o de masa de una variable

aleatoria discreta, es una función que asigna a cada suceso definido sobre la
variable aleatoria la probabilidad de que dicho suceso ocurra, estando definida
sobre el conjunto de todos de los posibles valores de la variable aleatoria.

La función de distribución, da la probabilidad de que X tome un valor

menor o igual a xi. Nos permite calcular la probabilidad de que dicha variable
se halle en un cierto intervalo [a,b], mediante la expresión:
P(a<X<b) = F (b) – F (a)
Las funciones de probabilidad tienen las siguientes propiedades:
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.

Ejemplo Función de Probabilidad

1. Calcula las probabilidades de sacar cara 0, 1, 2, 3 y 4 veces haciendo
cuatro lanzamientos de monedas independientes. Luego grafica la función
de probabilidad hallada.
En primer lugar, tenemos que calcular las probabilidades de obtener cara,
para ello, se deben dividir los casos posibles entre el número total de casos.
Puedes ver el cálculo de todas las probabilidades en la siguiente tabla:

6
 2. Probabilidades de lanzamiento de cuatro monedas
Una vez calculadas todas las probabilidades, podemos representar los
valores de la función de probabilidad en una gráfica:

Se puede comprobar la información, ya que la función probabilística del

ejercicio cumple todas las propiedades de las funciones de probabilidades, ya
que todos sus valores están entre 0 y 1 y, además, la suma de todos sus
valores es equivalente a 1.

La relación de la Función de probabilidad y la Ingeniería en Sistemas es

muy estrecha ya que la aplicación de dicha función puede darse en las
siguientes áreas de esta especialidad:
• Desarrollo de software para empresas de manufactura y transformación
• Aplicaciones portátiles para empresas empacadoras de productos de
cualquier índole.
• Calcular distancias mediante software existente mediante drones y de
esta manera tener ubicaciones específicas para medir grandes
extensiones de terreno.

Función de Probabilidad se aplica en la ingeniería, principalmente en las

siguientes:
• Mecánica
• Civil
• Mecatrónica
• Sistemas
• Probabilidad y Estadística

7
4.2 Distribución Binomial
Una distribución binomial es una distribución de probabilidad discreta que
describe el número de éxitos al realizar “n” experimentos independientes entre
sí, acerca de una variable aleatoria. La distribución binomial es uno de los
modelos matemáticos que más se utilizan para calcular la probabilidad de éxito
de un evento, siempre y cuando la variable a analizar sea discreta. Se relaciona
con el experimento aleatorio de Bernoulli, nombrado así en honor de Jakob
Bernoulli, matemático y científico suizo.
La distribución binomial se usa frecuentemente en control de calidad,
sondeos de opinión pública, investigaciones médicas y seguros.

Ejemplo Distribución Binomial

Calculo de la probabilidad al disparar, la probabilidad de que un hombre
acierte en el blanco es:
Si dispara 10 veces
1¿Cuál es la probabilidad de que acierte exactamente en tres ocasiones?
2 ¿Cuál es la probabilidad de que acierte por lo menos en una ocasión?
Solución: La probabilidad de que un hombre acierte en el blanco es , si dispara
10 veces
1¿Cuál es la probabilidad de que acierte exactamente en tres ocasiones?

2 ¿Cuál es la probabilidad de que acierte por lo menos en una ocasión?

La aplicación que inicialmente puede tener dentro de la ISC es en los

conteos de alguna encuesta determinada, en un sistema ERP implementado por
el departamento de sistemas para controles de calidad de alguna fabrica,
conteos de comicios de elección interna dentro de una empresa o sindicato.

La distribución binomial se puede expresar de forma gráfica, y que en

realidad consiste en un diagrama de barras, similar a los obtenidos en la función
de probabilidad pero que van a ir variando su forma en función de los valores de
n y de p al modificarse las probabilidades de los distintos posibles valores de
P(X=x).

8
 Por ejemplo, para p=0,2 (azul), y p=0,3 (rojo) y distintos valores de n:

Gráfica de una distribución binomial(n, 0,3) en rojo y (n, 0,2) en azul, para n = 40,
50,60, 70 ,80, 90 y 100.

La Distribución Binominal se aplica principalmente en las disciplinas

como:
• Medicina
• Geografía
• Deportes
• Tecnología
• Análisis de datos

9
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.

Se utiliza para muestras obtenidas de poblaciones relativamente pequeñas,

sin reemplazo. Por ejemplo, la distribución hipergeométrica se utiliza en la
prueba exacta de Fisher para probar la diferencia entre dos proporciones y en
muestreos de aceptación por atributos cuando se toman muestras de un lote
aislado de tamaño finito. La distribución hipergeométrica se define por 3
parámetros:
• Tamaño de la población
• Conteo de eventos en la población
• 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?
La probabilidad de que seleccione exactamente dos automóviles con
motores turbo de forma aleatoria cuando pruebe tres de los diez vehículos es
41.67%.

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.

10
Para la distribución hipergeométrica, cada ensayo cambia la probabilidad de
cada ensayo subsiguiente porque no hay reemplazo.

La distribución binomial se requiere cuando hay 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.

La principal aplicación de esta distribución en la ISC seria dentro de un

software como el SAP, ya que el mismo tiene módulos para obtener estadísticas
por ejemplo de cuantas unidades de sangre son utilizadas en un laboratorio y de
cuales de los donantes y beneficiarios fueron hombres, mujeres la edad.
En el sistema ERP que utiliza el INEGI para hacer el vaciado de
información que se recopila en las encuestas que se realizan en los hospitales y
todas las estadísticas que se obtienen de los mismos, así como en los
levantamientos de información con medios electrónicos (Tabletas y Hand Held)
que se realizan en los censos económicos y agropecuarios

La Distribución Hipergeométrica se aplica principalmente en las

disciplinas como:
• Medicina
• Estadística
• Biología
• Anatomía
• Matemáticas
• Genética

11
4.4 Distribución de Poisson
La distribución de Poisson se especifica por un parámetro: lambda (λ).
Este parámetro es igual a la media y la varianza. Cuando lambda aumente a
valores lo suficientemente grandes, la distribución normal (λ, λ) podría utilizarse
para aproximar la distribución de Poisson. Utilice la distribución de Poisson para
describir el número de veces que un evento ocurre en un espacio finito de
observación. Por ejemplo, una distribución de Poisson puede describir el número
de defectos en el sistema mecánico de un avión o el número de llamadas a un
centro de llamadas en una hora.

La distribución de Poisson se utiliza con frecuencia en el control de calidad, los

estudios de fiabilidad/supervivencia y los seguros.
Una variable sigue una distribución de Poisson si se cumplen las siguientes
condiciones:
Los datos son conteos de eventos (enteros no negativos, sin límite superior).
Todos los eventos son independientes.
La tasa promedio no cambia durante el período de interés.
Las siguientes gráficas representan distribuciones de Poisson con valores
diferentes de lambda.

Ejemplo Distribución de Poisson

Tasa de Ocurrencia
La tasa de ocurrencia es igual a la media (λ) dividida entre la dimensión
del espacio de observación. Es útil para comparar conteos de Poisson
recolectados en diferentes espacios de observación. Por ejemplo, la central
telefónica A recibe 50 llamadas telefónicas en 5 horas y la central telefónica B
recibe 80 llamadas en 10 horas. Usted no puede comparar directamente estos
valores, porque sus espacios de observación son diferentes. Debe calcular la
tasa de ocurrencia para comparar estos conteos. La tasa de la central telefónica
A es (50 llamadas / 5 horas) = 10 llamadas/hora. La tasa de la central telefónica
B es (80 llamadas / 10 horas) = 8 llamadas/hora.

Diferencias entre distribución de Poisson y binomial

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.

12
El software DELSOL es un sistema donde principalmente se aplica este tipo de
distribución dentro de la ingeniería en sistemas.

La Distribución de Poisson se aplica principalmente en las disciplinas

como:
• Geografía
• Probabilidad y Estadística
• Calculo
• Banca Bursátil
• Medicina
• Ciencia exactas

13
4.5 Distribución Normal
La distribución normal es un modelo teórico capaz de aproximar
satisfactoriamente el valor de una variable aleatoria a una situación ideal.
La distribución normal es una distribución continua que se especifica por la media
(μ) y la desviación estándar (σ). La media es el pico o centro de la curva en forma
de campana. La desviación estándar determina la dispersión de la distribución.

La distribución normal es la distribución estadística más común debido a

que la normalidad aproximada ocurre naturalmente en muchas situaciones de
mediciones físicas, biológicas y sociales. Muchos análisis estadísticos
presuponen que los datos provienen de poblaciones distribuidas normalmente.

Ejemplo Distribución de Normal

La siguiente gráfica de una distribución normal, aproximadamente, el
68% de las observaciones está dentro de +/- 1 desviación estándar de la
media; el 95% está dentro de +/- 2 desviaciones estándar de la media (como
muestra el área sombreada); y el 99.7% está dentro de +/- 3 desviaciones
estándar de la media.

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:

Donde los parámetros de la distribución son la media o valor central y la

desviación típica:

14
 En otras palabras, estamos diciendo que la frecuencia de una variable
aleatoria X puede representarse mediante una distribución normal.

Representación
Función de densidad de probabilidad de una variable aleatoria que sigue
una distribución normal.

Propiedades
Es una distribución simétrica. El valor de la media, la mediana y la moda
coinciden. Matemáticamente,
Media = Mediana = Moda
Distribución unimodal. Los valores que son más frecuentes o que tienen
más probabilidad de aparecer están alrededor de la media. En otras palabras,
cuando nos alejamos de la media, la probabilidad de aparición de los valores y
su frecuencia descienden.

¿Qué necesitamos para representar una distribución normal?

• Una variable aleatoria.
• Calcular la media.
• Calcular la desviación típica.
• Decidir la función que queremos representar: función de densidad de
probabilidad o función de distribución.

El software con el que se opera un equipo de resonancia magnética es uno

de los ejemplos exactos donde fundamentalmente se aplica este tipo de
distribución normal dentro de la ingeniería en sistemas, ya que el ingeniero
programa implementa y configura la interfaz entre el software y el equipo.

La Distribución de Normal se aplica principalmente en las disciplinas

como:
• Petroquímica
• Probabilidad y Estadística
• Química
• Informática
• Ingeniería Industrial

15
4.6 Distribución T-Student
Descrita 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 (menores
de 30)
La fórmula general para la T de Student es la siguiente:

La distribución T-Student o distribución t es un modelo teórico utilizado

para aproximar el momento de primer orden de una población normalmente
distribuida cuando el tamaño de la muestra es pequeño y se desconoce la
desviación típica. En otras palabras, la distribución t es una distribución de
probabilidad que estima el valor de la media de una muestra pequeña extraída
de una población que sigue una distribución normal y de la cual no conocemos
su desviación típica.
La distribución t se utiliza para analizar la media de una población
aproximadamente normal cuando se desconoce la desviación estándar de la
población. Por ejemplo, uno de los usos de la distribución t es para probar si una
media de población y una medida hipotética son diferentes. Las pruebas de
significancia para los coeficientes de regresión también utilizan la distribución t.
La distribución t es una distribución continua que se especifica por el
número de grados de libertad. Es una distribución simétrica, con forma de
campana similar a la distribución normal, pero con colas más gruesas. Por
ejemplo, la siguiente gráfica ilustra distribuciones t con diferentes grados de
libertad. La distribución t de la línea continua tiene 1 grado de libertad. La
distribución t de la línea discontinua tiene 100 grados de libertad.

Aplicación de la t de Student
La distribución t se utiliza cuando:
Queremos estimar la media de una población normalmente distribuida a partir de
una muestra pequeña.
Tamaño de la muestra es inferior a 30 elementos, es decir, n < 30.
A partir de 30 observaciones, la distribución t se parece mucho a la distribución
normal y, por tanto, utilizaremos la distribución normal.
No se conoce la desviación típica o estándar de una población y tiene que ser
estimada a partir de las observaciones de la muestra.

16
Ejemplo
Suponemos que tenemos 28 observaciones de una variable aleatoria G que
sigue una distribución t de Student con 27 grados de libertad (df).

Matemáticamente,

Variable aleatoria G que sigue una distribución t con 27

grados de libertad.
Dado que estamos trabajando con datos reales, siempre habrá un error de
aproximación entre los datos y la distribución. En otras palabras, la media,
mediana y moda no siempre serán cero (0) o exactamente iguales.
Representamos la frecuencia de cada observación de la variable G mediante
un histograma.

Histograma de frecuencias de la variable aleatoria G.

La Distribución de T-Student se aplica principalmente en las disciplinas

como:
• Medicina
• Probabilidad y Estadística
• Matemáticas
• ISC
• Ingeniería Civil

17
4.7 Distribución Chi cuadrada
La distribución Chi al cuadrado (también llamada distribución de
Pearson o distribución χ2) es la distribución de la suma del cuadrado
de variables aleatorias independientes con distribución normal estándar. La
distribución chi cuadrada es un caso especial de la distribución gamma y es una
de las distribuciones de probabilidad más usadas en Inferencia Estadística,
principalmente en pruebas de hipótesis y en la construcción de intervalos de
confianza.
Sirve para someter a prueba hipótesis referidas a distribuciones de
frecuencias. En términos generales, esta prueba contrasta frecuencias
observadas con las frecuencias esperadas de acuerdo con la hipótesis nula. A
esto se le llama evaluar la bondad de un ajuste. Probar la bondad de un ajuste
es ver en qué medida se ajustan los datos observados a una distribución teórica
o esperada. Para esto, se utiliza una segunda situación hipotética y datos
simulados.

Ejemplo

18
 A continuación, se presenta un modelo computacional aplicado para la
ISC de la distribución en cuestión:
Tabla de valores χ2 vs valores p
El valor p es la probabilidad de observar un estadístico de prueba "al
menos" como extremo en una distribución de ji-cuadrado. Por lo tanto, dado que
la función de distribución acumulativa (CDF) para los grados de libertad
apropiados (df, del inglés degree of freedom) da la probabilidad de haber
obtenido un valor menos extremo que este punto, restando el valor de CDF de 1
da el valor p. Un valor p bajo, por debajo del nivel de significación elegido, indica
significación estadística, es decir, evidencia suficiente para rechazar la hipótesis
nula. Un nivel de significancia de 0.05 se usa a menudo como el punto de corte
entre resultados significativos y no significativos.

La siguiente tabla da un número de valores p que coinciden con χ2 para

los primeros 10 grados de libertad

Estos valores se pueden calcular evaluando la función cuantil (también conocida

como "FDC inversa" o "ICDF") de la distribución ji-cuadrado;2 por ejemplo, el χ2
ICDF de p = 0.05 y df = 7 rinde 2.1673 ≈ 2.17 como en la tabla anterior,
observando que 1 – p es el valor p de la tabla.

La Distribución Chi Cuadrada se aplica principalmente en las disciplinas

como:
• Probabilidad y Estadística
• Matemáticas
• Tecnologías de Información

19
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.

Utilice la distribución F cuando un estadístico de prueba sea la relación de

dos variables que tienen una distribución de chi-cuadrada cada una. Por ejemplo,
utilice la distribución F en el análisis de varianza y en pruebas de hipótesis para
determinar si dos varianzas de población son iguales.
La Distribución F o distribución de Fisher-Snedecor es la que se usa
para comparar las varianzas de dos poblaciones diferentes o independientes,
cada una de las cuales sigue una distribución normal.

Ejemplo
La distribución que sigue la varianza de un conjunto de muestras de una sola
población normal es la distribución chi-cuadrada (Χ2) de grado n-1, si cada una
de las muestras del conjunto tiene n elementos.

20
Software para la distribución F
En cuanto al software que maneja la distribución F hay una gran variedad,
desde las hojas de cálculo como Excel hasta los paquetes especializados
como Minitab, SPSS y R por nombrar algunos de los más conocidos. Es de
resaltar que el software de geometría y matemáticas Geogebra tiene una
herramienta estadística que incluye las principales distribuciones, entre ellas la
distribución F. La figura 3 muestra la distribución F para el caso d1= 3 y d2 = 6
con nivel de confianza de 90%.

La Distribución F y su aplicación se encuentra contenida principalmente

en las áreas siguientes:
• Probabilidad y Estadística
• Matemáticas
• Tecnologías de Información

21
 CONCLUSIONES

De acuerdo a lo examinado a lo largo de esta investigación se observaron

las diferentes distribuciones de probabilidad y la forma en que cada una de ellas
contienen un modelado de datos para llegar al resultado esperado. Entre algunos
métodos de distribución, aunque a simple vista no se observe existen similitudes.

Existe una necesidad real de modelar datos, las probabilidades

constituyen un parámetro importante en la determinación de diversas
casualidades obtenidas tras una serie de eventos en escenarios similares o
diferentes dentro de un rango estadístico. La probabilidad mide frecuencias con
las cuales se obtienen resultados por medio de un experimento aleatorio, en
estricto sentido se recurren a diferentes distribuciones para obtenerlos, como se
observo en el desarrollo de la presente investigación.

22
 BIBLIOGRAFIA

[Link]
el-exito-de-un-
proyecto#:~:text=La%20distribuci%C3%B3n%20de%20probabilidades%20per
mite,para%20emprender%20una%20nueva%20iniciativa.

[Link]
probabilidad/#:~:text=Por%20ejemplo%2C%20la%20probabilidad%20de,1%2F
6%20para%20cualquier%20valor.

[Link]
on-binomial/[Link]

[Link]
resource/content/1/contenido/[Link]#:~:text=Utilizamos%20la%20distribuci
%C3%B3n%20binomial%20en,pase%20o%20repruebe%20un%20examen.

[Link]

23