UNIVERSIDAD NACIONAL EXPERIMENTAL

DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA

PROGRAMA CIENCIAS SOCIALES

Distribuc
in de
probabili
dad
Facilitadora:
Yelitza Lara

Bachilleres:
Mireles, Milagro C.I 18849588
Bello, Betany C.I 24058582
Vsquez, Mileidys C.I 24709171
Palencia, Jos Enrique C.I 24741969
Medina, Mara Jos C.I 24741982
Caldern, Skarly C.I 25752853
Carrera: Administracin
Seccin: 1 Aula: 6
Semestre: IV

San Carlos, Enero de 2016

ndice

Introduccinpg.3
Distribucin de probabilidad...pg.4
Distribucin de variable discreta.pg.6
Distribucin binomial..pg.6
Distribucin de Poisson...pg.10
Distribucin hipergeomtrica..pg.14
Distribuciones de variable contina.pg.16
Distribucin normal..pg.17
Distribucin t de student......pg.33
Distribucin chi cuadradopg.37
Teorema central del lmite...pg.38
Teorema central del lmite (Linderberg-levy)pg.39
Teorema central del lmite
(De Moivre-Laplace)pg.40
Aplicaciones prcticas del teorema central del lmite.pg.41
Conclusin...pg.43

Introduccin

La presente investigacin hace referencia a la Distribucin de variable discreta,

Distribucin binomial, Distribucin de Poisson, Distribucin hipergeomtrica,
Distribuciones de variable contina, Distribucin normal. Distribucin t de student,
Distribucin chi cuadrado, Teorema central del lmite, Teorema central del lmite (De
Moivre-Laplace), y Aplicaciones prcticas del teorema central del lmite.
As

pues,

la distribucin

de

probabilidad

se

puede

definir

como

una funcin que asigna a cada suceso definido sobre la variable aleatoria, la
probabilidad de que dicho suceso ocurra. La distribucin de probabilidad est
definida sobre el conjunto de todos los sucesos, cada uno de los sucesos es el rango
de valores de la variable aleatoria
.
Tambin se refiere a La importancia de la distribucin normal que se debe, en
primer lugar y como se mostrara a continuacin, a que muchas variables siguen,
aproximadamente, un modelo de probabilidad normal y esto ha ocasionado que en las
diferentes reas del saber, su aplicacin sea generalizada en relacin a este hecho hay
que estar alerta y evitar incurrir en el error de creer que todos los conjuntos de datos
siguen una distribucin normal, cuestin a la que se tendan en el pasado.
Seguidamente se presentara de manera detallada la informacin en el contenido
de este trabajo de investigacin.

Distribucin de probabilidad

En teora de la probabilidad y estadstica, la distribucin de probabilidad de

una variable aleatoria es una funcin que asigna a cada suceso definido sobre la
variable aleatoria, la probabilidad de que dicho suceso ocurra. La distribucin de
probabilidad est definida sobre el conjunto de todos los sucesos, cada uno de los
sucesos es el rango de valores de la variable aleatoria.
La distribucin de probabilidad est completamente especificada por la funcin
de distribucin, cuyo valor en cada x real es la probabilidad de que la variable
aleatoria sea menor o igual que x.

Definicin de funcin de distribucin

Dada una variable aleatoria

, su funcin de distribucin,

, es

Por simplicidad, cuando no hay lugar a confusin, suele omitirse el subndice

escribe, simplemente,

y se

. Donde en la frmula anterior:

, es la probabilidad definida sobre un espacio de probabilidad y una

medida unitaria sobre el espacio muestral.
Es la medida sobre la -lgebra de conjuntos asociada al espacio de
probabilidad.
Es el espacio muestral, o conjunto de todos los posibles sucesos aleatorios,
sobre el que se define el espacio de probabilidad en cuestin.

4
es la variable aleatoria en cuestin, es decir, una funcin
definida sobre el espacio muestral a los nmeros reales.

Propiedades
Como consecuencia casi inmediata de la definicin, la funcin de distribucin:

Es una funcin continua por la derecha.

Es una funcin montona no decreciente.

Adems, cumple

Para dos nmeros reales cualesquiera

y

tal que

, los sucesos

son mutuamente excluyentes y su unin es el suceso

, por

lo que tenemos entonces que:

Y finalmente

Por lo tanto una vez conocida la funcin de distribucin

valores de la variable aleatoria
probabilidad de la variable.

para todos los

conoceremos completamente la distribucin de

5
Para realizar clculos es ms cmodo conocer la distribucin de probabilidad, y
sin embargo para ver una representacin grfica de la probabilidad es ms prctico el
uso de la funcin de densidad.

Distribucin de variable discreta

Se denomina distribucin de variable discreta a aquella cuya funcin de

probabilidad slo toma valores positivos en un conjunto de valores de
finito o infinito numerable. A dicha funcin se le llama funcin de masa de
probabilidad. En este caso la distribucin de probabilidad es la suma de la funcin de
masa, por lo que tenemos entonces que:

Y, tal como corresponde a la definicin de distribucin de probabilidad, esta

expresin representa la suma de todas las probabilidades desde

hasta el valor .

Distribucin binomial

En estadstica, la distribucin binomial es una distribucin de

probabilidad discreta que cuenta el nmero de xitos en una secuencia de n ensayos
de Bernoulli independientes entre s, con una probabilidad fija p de ocurrencia del
xito entre los ensayos. Un experimento de Bernoulli se caracteriza por ser
dicotmico, esto es, slo son posibles dos resultados. A uno de estos se denomina

xito y tiene una probabilidad de ocurrencia p y al otro, fracaso, con una

6

probabilidad q = 1 - p. En la distribucin binomial el anterior experimento se

repite n veces, de forma independiente, y se trata de calcular la probabilidad de un
determinado nmero de xitos. Para n = 1, la binomial se convierte, de hecho, en
una distribucin de Bernoulli.
Para representar que una variable aleatoria X sigue una distribucin binomial de
parmetros n y p, se escribe:

La distribucin binomial es la base del test binomial de significacin estadstica.

Las distribuciones binomiales son las ms tiles dentro de las distribuciones de

probabilidad discretas. Dentro del campo de aplicacin de esta se encuentra
inspeccin de calidad, ventas, mercadotecnia, medicina, investigacin, etc.

Ejemplos

Las siguientes situaciones son ejemplos de experimentos que pueden modelizarse

por esta distribucin:

Se lanza un dado diez veces y se cuenta el nmero X de tres obtenidos:

entonces X ~ B(10, 1/6)

Se lanza una moneda dos veces y se cuenta el nmero X de caras obtenidas:

entonces X ~ B(2, 1/2)

7
Experimento binomial
Existen muchas situaciones en las que se presenta una experiencia binomial. Cada
uno de los experimentos es independiente de los restantes (la probabilidad del
resultado de un experimento no depende del resultado del resto). El resultado de cada
experimento ha de admitir slo dos categoras (a las que se denomina xito y fracaso).
Las probabilidades de ambas posibilidades han de ser constantes en todos los
experimentos (se denotan como p y q o p y 1-p).
Se designa por X a la variable que mide el nmero de xitos que se han
producido en los n experimentos.
Cuando se dan estas circunstancias, se dice que la variable X sigue una
distribucin de probabilidad binomial, y se denota B(n,p).
Siempre np<=5.

Caractersticas analticas
Su funcin de probabilidad es

Donde

Siendo

las combinaciones de

tomados de

en

elementos

en )

8
Ejemplo
Supongamos que se lanza un dado (con 6 caras) 51 veces y queremos conocer la
probabilidad de que el nmero 3 salga 20 veces. En este caso tenemos una X ~ B(51,
1/6) y la probabilidad sera P(X=20):

Propiedades

Relaciones con otras variables aleatorias

Si

tiende a infinito y

es tal que el producto entre ambos parmetros tiende

a , entonces la distribucin de la variable aleatoria binomial tiende a

una distribucin de Poisson de parmetro .

Por ltimo, se cumple que cuando

exige que

=0.5 y n es muy grande (usualmente se

) la distribucin binomial puede aproximarse mediante

la distribucin

normal.

9
Propiedades reproductivas
Dadas n variables binomiales independientes de parmetros ni (i = 1,..., n) y ,
su suma es tambin una variable binomial, de parmetros n1+... + nn, y , es decir,

Distribucin de Poisson

En teora de probabilidad y estadstica, la distribucin de Poisson es

una distribucin de probabilidad discreta que expresa, a partir de una frecuencia de
ocurrencia media, la probabilidad de que ocurra un determinado nmero de eventos
durante cierto perodo de tiempo. Concretamente, se especializa en la probabilidad de
ocurrencia de sucesos con probabilidades muy pequeas, o sucesos "raros".

Fue descubierta por Simon-Denis Poisson, que la dio a conocer en 1838 en su

trabajo Recherches sur la probabilit des jugements en matires criminelles et

matire civile (Investigacin sobre la probabilidad de los juicios en materias
criminales y civiles).

Se puede utilizar para aproximar distribuciones binomiales en caso donde n es

muy grande y p muy pequea y para el caso donde se quiera conocer la probabilidad
10
de que ocurra un suceso en un determinado perodo de tiempo (o de espacio, rea y
longitud). La distribucin poisson, es junto con la distribucin binomial, una de las
ms importante distribucin de la probabilidad

para variables discretas, es

decir, solo puede tomar valores 0, 1, 2, 3, 4k. cada una de estas variables aleatorias
representa el nmero total de la ocurrencia del de un fenmeno durante un periodo de
tiempo fijo o una regin fija de espacio.

Propiedades
La funcin de masa o probabilidad de la distribucin de Poisson es

Donde

k es el nmero de ocurrencias del evento o fenmeno (la funcin nos da la

probabilidad de que el evento suceda precisamente k veces).

es un parmetro positivo que representa el nmero de veces que se espera

que ocurra el fenmeno durante un intervalo dado. Por ejemplo, si el suceso
estudiado tiene lugar en promedio 4 veces por minuto y estamos interesados en la

probabilidad de que ocurra k veces dentro de un intervalo de 10 minutos,

usaremos un modelo de distribucin de Poisson con = 104 = 40.
e es la base de los logaritmos naturales (e = 2,71828...)

Tanto el valor esperado como la varianza de una variable aleatoria con

distribucin de Poisson son iguales a . Los momentos de orden superior
son polinomios

de

Touchard en

cuyos

coeficientes

tienen

una

interpretacin combinatoria.

11
De hecho, cuando el valor esperado de la distribucin de Poisson es 1, entonces
segn

la frmula

de

Dobinski,

el n-simo

momento

iguala

al

nmero

de particiones de tamao.
La moda de una variable aleatoria de distribucin de Poisson con un no entero
es igual a

, el mayor de los enteros menores que (los smbolos

representan

la funcin parte entera). Cuando es un entero positivo, las modas son y 1.

La funcin generadora de momentos de la distribucin de Poisson con valor esperado
es

Las variables aleatorias de Poisson tienen la propiedad de ser infinitamente divisibles.

La divergencia Kullback-Leibler desde una variable aleatoria de Poisson de
parmetro 0 a otra de parmetro es

Intervalo

de

confianza

Un criterio fcil y rpido para calcular un intervalo de confianza aproximada de

es propuesto por Guerriero (2012).1 Dada una serie de eventos k (al menos el 15 - 20)
en un periodo de tiempo T, los lmites del intervalo de confianza para la frecuencia
vienen dadas por:

12

Entonces

los

lmites

del

parmetro

estn

dadas

por:

Ejemplo
Si el 2% de los libros encuadernados en cierto taller tiene encuadernacin
defectuosa, para obtener la probabilidad de que 5 de 400 libros encuadernados en este
taller tengan encuadernaciones defectuosas usamos la distribucin de Poisson. En este
caso concreto, k es 5 y, , el valor esperado de libros defectuosos es el 2% de 400, es
decir, 8. Por lo tanto, la probabilidad buscada es

Procesos de Poisson

La distribucin de Poisson se aplica a varios fenmenos discretos de la

naturaleza (esto es, aquellos fenmenos que ocurren 0, 1, 2, 3,... veces durante un
periodo definido de tiempo o en un rea determinada) cuando la probabilidad de
ocurrencia del fenmeno es constante en el tiempo o el espacio. Ejemplos de estos
eventos que pueden ser modelados por la distribucin de Poisson incluyen:

13

El nmero de autos que pasan a travs de un cierto punto en una ruta

(suficientemente distantes de los semforos) durante un periodo definido de
tiempo.

El nmero de errores de ortografa que uno comete al escribir una nica

pgina.

El nmero de llamadas telefnicas en una central telefnica por minuto.

El nmero de servidores web accedidos por minuto.

El nmero de animales muertos encontrados por unidad de longitud de ruta.

El nmero de mutaciones de determinada cadena de ADN despus de cierta

cantidad de radiacin.

El nmero de ncleos atmicos inestables que se han desintegrado en un

determinado perodo.

El nmero de estrellas en un determinado volumen de espacio.

La distribucin de receptores visuales en la retina del ojo humano.

La inventiva 2 de un inventor a lo largo de su carrera.

La distribucin de la riqueza humana.

Distribucin hipergeomtrica
En teora de la probabilidad la distribucin hipergeomtrica es
una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo.
Suponga que se tiene una poblacin de N elementos de los cuales, d pertenecen a la
categora A y N-d a la B. La distribucin hipergeomtrica mide la probabilidad de
obtener x (

) elementos de la categora A en una muestra sin reemplazo

de n elementos de la poblacin original.

14

Propiedades

La funcin de probabilidad de una variable aleatoria con distribucin

hipergeomtrica puede deducirse a travs de razonamientos combinatorios y es igual

a

Donde

es el tamao de poblacin,

es el tamao de la muestra extrada,

es el nmero de elementos en la poblacin original que pertenecen a la categora

deseada y

es el nmero de elementos en la muestra que pertenecen a dicha

categora. La notacin

hace referencia al coeficiente binomial, es decir, el

nmero de combinaciones posibles al seleccionar

elementos de un total .

El valor esperado de una variable aleatoria X que sigue la distribucin

hipergeomtrica es

Y su varianza,

15
En la frmula anterior, definiendo

Se obtiene

La distribucin hipergeomtrica es aplicable a muestreos sin reemplazo y

la binomial a muestreos con reemplazo. En situaciones en las que el nmero esperado
de repeticiones en el muestreo es presumiblemente bajo, puede aproximarse la
primera por la segunda. Esto es as cuando N es grande y el tamao relativo de la
muestra extrada, n/N, es pequeo.

Distribuciones de variable contina

Se denomina variable continua a aquella que puede tomar cualquiera de los

infinitos valores existentes dentro de un intervalo. En el caso de variable continua la
distribucin de probabilidad es la integral de la funcin de densidad, por lo que
tenemos entonces que:

16
Distribucin normal
En estadstica y probabilidad se llama distribucin normal, distribucin de
Gauss o distribucin

gaussiana,

una

de

las distribuciones

de

probabilidad de variable continua que con ms frecuencia aparece aproximada en

fenmenos reales
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica
respecto de un determinado parmetro estadstico. Esta curva se conoce
como campana de Gauss y es el grfico de una funcin gaussiana.
La importancia de esta distribucin radica en que permite modelar numerosos
fenmenos naturales, sociales y psicolgicos. Mientras que los mecanismos que
subyacen a gran parte de este tipo de fenmenos son desconocidos, por la enorme
cantidad de variables incontrolables que en ellos intervienen, el uso del modelo
normal puede justificarse asumiendo que cada observacin se obtiene como la suma
de unas pocas causas independientes.
De hecho, la estadstica descriptiva slo permite describir un fenmeno, sin
explicacin alguna. Para la explicacin causal es preciso el diseo experimental, de
ah que al uso de la estadstica en psicologa y sociologa sea conocido como mtodo
correlacional.
La distribucin normal tambin es importante por su relacin con la estimacin
por mnimos cuadrados, uno de los mtodos de estimacin ms simples y antiguos.
Algunos ejemplos de variables asociadas a fenmenos naturales que siguen el modelo
de la normal son:

caracteres morfolgicos de individuos como la estatura;

caracteres fisiolgicos como el efecto de un frmaco;

17

caracteres sociolgicos como el consumo de cierto producto por un mismo

grupo de individuos;

caracteres psicolgicos como el cociente intelectual;

nivel de ruido en telecomunicaciones;

errores cometidos al medir ciertas magnitudes;

etc.
La distribucin normal tambin aparece en muchas reas de la propia estadstica.

Por ejemplo, la distribucin muestral de las medias mustrales es aproximadamente

normal, cuando la distribucin de la poblacin de la cual se extrae la muestra no es
normal.1 Adems, la distribucin normal maximiza la entropa entre todas las
distribuciones con media y varianza conocidas, lo cual la convierte en la eleccin
natural de la distribucin subyacente a una lista de datos resumidos en trminos de
media muestral y varianza. La distribucin normal es la ms extendida en estadstica
y muchos tests estadsticos estn basados en una "normalidad" ms o menos
justificada de la variable aleatoria bajo estudio.
En probabilidad, la distribucin normal aparece como el lmite de varias
distribuciones de probabilidad continuas y discretas.

Historia
La distribucin normal fue presentada por primera vez por Abraham de
Moivre en un artculo del ao 1733,2 que fue reimpreso en la segunda edicin de
su The Doctrine of Chances, de 1738, en el contexto de cierta aproximacin de
la distribucin binomial para grandes valores de n. Su resultado fue ampliado

por Laplace en su libro Teora analtica de las probabilidades (1812), y en la

actualidad se llama Teorema de De Moivre-Laplace.

18
Laplace us la distribucin normal en el anlisis de errores de experimentos. El
importante mtodo

de

mnimos

cuadrados fue

introducido

por Legendre en

1805. Gauss, que afirmaba haber usado el mtodo desde 1794, lo justific
rigurosamente en 1809 asumiendo una distribucin normal de los errores. El nombre
de Gauss se ha asociado a esta distribucin porque la us con profusin cuando
analizaba datos astronmicos3 y algunos autores le atribuyen un descubrimiento
independiente del de De Moivre.4 Esta atribucin del nombre de la distribucin a una
persona distinta de su primer descubridor es un claro ejemplo de la ley de Stigler.
El nombre de "campana" viene de Esprit Jouffret que us el trmino "bell
surface" (superficie campana) por primera vez en 1872 para una distribucin normal
bivariante de componentes independientes. El nombre de "distribucin normal" fue
otorgado independientemente por Charles S. Peirce, Francis Galton y Wilhelm
Lexis hacia 1875.[cita requerida] A pesar de esta terminologa, otras distribuciones de
probabilidad podran ser ms apropiadas en determinados contextos; vase la
discusin sobre ocurrencia, ms abajo.

Definicin formal
La funcin de distribucin de la distribucin normal est definida como sigue:

Por tanto, la funcin de distribucin de la normal estndar es:

19
Esta funcin de distribucin puede expresarse en trminos de una funcin
especial llamada funcin error de la siguiente forma:

Y la propia funcin de distribucin puede, por consiguiente, expresarse as:

El complemento de la funcin de distribucin de la normal estndar,

se denota con frecuencia

, y es referida, a veces, como simplemente funcin Q,

especialmente en textos de ingeniera.5 6 Esto representa la cola de probabilidad de la

distribucin gaussiana. Tambin se usan ocasionalmente otras definiciones de la
funcin Q, las cuales son todas ellas transformaciones simples de

La inversa de la funcin de distribucin de la normal estndar (funcin cuantil)

puede expresarse en trminos de la inversa de la funcin de error:

Y la inversa de la funcin de distribucin puede, por consiguiente, expresarse

como:

20
Esta funcin cuantil se llama a veces la funcin probit. No hay
una primitiva elemental para la funcin probit. Esto no quiere decir meramente que
no se conoce, sino que se ha probado la inexistencia de tal funcin. Existen varios
mtodos exactos para aproximar la funcin cuantil mediante la distribucin normal
(vase funcin cuantil).

Los valores (x) pueden aproximarse con mucha precisin por distintos
mtodos,

tales

como integracin

asintticas y fracciones continuas.

numrica, series

de

Taylor, series

Lmites inferiores y superiores estrictos para la funcin de

distribucin

Para grandes valores de x la funcin de distribucin de la normal estndar

es muy prxima a 1 y

est muy cerca de 0. Los lmites elementales

En trminos de la densidad

son tiles.

Usando el cambio de variable v = u/2, el lmite superior se obtiene como sigue:

De forma similar, usando

y la regla del cociente,

21

Resolviendo para

proporciona el lmite inferior.

Funciones generadoras

Funcin generadora de momentos

La funcin generadora de momentos se define como la esperanza de e (tX). Para

una distribucin normal, la funcin generadora de momentos es:

como puede comprobarse al completar el cuadrado en el exponente.

Funcin caracterstica
La funcin caracterstica se define como la esperanza de eitX, donde i es la unidad
imaginaria.

De

este

modo,

la

funcin

caracterstica

se

obtiene

reemplazando t por it en la funcin generadora de momentos.

22

Para una distribucin normal, la funcin caracterstica es8

Propiedades
Algunas propiedades de la distribucin normal son:
1. Es simtrica respecto de su media, ;
2. La moda y la mediana son ambas iguales a la media, ;
3. Los puntos de inflexin de la curva se dan para x = y x = + .
4. Distribucin de probabilidad en un entorno de la media:
1. en

el

intervalo

[ - , + ]

se

encuentra

comprendida,

aproximadamente, el 68,26% de la distribucin;

2. en el intervalo [ - 2, + 2] se encuentra, aproximadamente, el
95,44% de la distribucin;

23

3. por su parte, en el intervalo [ -3, + 3] se encuentra comprendida,

aproximadamente, el 99,74% de la distribucin. Estas propiedades
son de gran utilidad para el establecimiento de intervalos de
confianza. Por otra parte, el hecho de que prcticamente la totalidad
de la distribucin se encuentre a tres desviaciones tpicas de la media
justifica los lmites de las tablas empleadas habitualmente en la
normal estndar.
5. Si X ~ N (, 2) y a y b son nmeros reales, entonces (aX + b) ~ N
(a+b, a22).
N(x, x2)

6. Si X ~

eY~

N(y, y2)

son

variables

aleatorias

normales independientes, entonces:

1.

Su

suma

est

normalmente

distribuida

con U = X + Y ~

(x + y, x2 + y2) (demostracin). Recprocamente, si dos variables

aleatorias independientes tienen una suma normalmente distribuida,
deben ser normales (Teorema de Crmer).
2.

Su

diferencia

est

normalmente

distribuida

con

.
3.

Si

las

varianzas

de X e Y son

iguales,

entonces U y V son

independientes entre s.
4.

La divergencia
Leibler,

de

Kullback-

Si

son

variables

aleatorias

independientes normalmente distribuidas, entonces:

24
1.

Su producto

sigue una distribucin con densidad

Donde

dada por

es una funcin de Bessel

modificada de segundo tipo.

2.

Su

cociente

sigue

una distribucin

de

Cauchy con

. De este modo la distribucin de

Cauchy es un tipo especial de distribucin cociente.

Si
entonces

son variables normales estndar independientes,

sigue

una distribucin

con n grados

de

libertad.

Si

son variables normales estndar independientes,

entonces la media muestral

muestral

y la varianza
son

independientes. Esta propiedad caracteriza a las distribuciones normales y

contribuye a explicar por qu el test-F no es robusto respecto a la nonormalidad).

Estandarizacin de variables aleatorias normales

Como consecuencia de la Propiedad 1; es posible relacionar todas las variables

aleatorias normales con la distribucin normal estndar.

25
Si

, entonces

Es una variable aleatoria normal estndar:

La transformacin de una distribucin X ~ N (, ) en una N(0, 1) se

llama normalizacin, estandarizacin o tipificacin de la variable X.
Una consecuencia importante de esto es que la funcin de distribucin de una
distribucin normal es, por consiguiente,

A la inversa, si

es una distribucin normal estndar,

Es una variable aleatoria normal tipificada de media

y varianza

, entonces

La distribucin normal estndar est tabulada (habitualmente en la forma del

valor de la funcin de distribucin ) y las otras distribuciones normales pueden

obtenerse como transformaciones simples, como se describe ms arriba, de la

distribucin estndar. De este modo se pueden usar los valores tabulados de la
funcin de distribucin normal estndar para encontrar valores de la funcin de
distribucin de cualquier otra distribucin normal.

26

Momentos
Los primeros momentos de la distribucin normal son:

Nmero

Momento

Momento central

Cumulante

27

Todos los cumulantes de la distribucin normal, ms all del segundo, son cero.

Los momentos centrales de orden superior (2k con = 0) vienen dados por la frmula

28

Divisibilidad infinita
Las normales tienen una distribucin de probabilidad infinitamente divisible: Para
una

distribucin

normal

de

media y

varianza 2 0,

es

posible

encontrar n variables aleatorias independientes {X1,...,Xn} cada una con distribucin

normal

de

media /n y

varianza 2/n

dado

que

la

suma X1 +

. . . + Xn de

estas n variables aleatorias

Tenga esta especfica distribucin normal (para verificarlo, sese la funcin

caracterstica de convolucin y la induccin matemtica).
Estabilidad
Las distribuciones normales son estrictamente estables.

Desviacin tpica e intervalos de confianza

Alrededor del 68% de los valores de una distribucin normal estn a una distancia
< 1 (desviacin tpica) de la media, ; alrededor del 95% de los valores estn a dos
desviaciones tpicas de la media y alrededor del 99,7% estn a tres desviaciones
tpicas de la media. Esto se conoce como la "regla 68-95-99,7" o la "regla emprica".
Para ser ms precisos, el rea bajo la curva campana entre n y + n en
trminos de la funcin de distribucin normal viene dada por

29
Donde erf es la funcin error. Los valores para n=1, n=2, ... , n= 6, son... (con 12
decimales)...:

0,682689492137

0,954499736104

0,997300203937

0,999936657516

0,999999426697

0,999999998027

La siguiente tabla proporciona la relacin inversa de mltiples

correspondientes a unos pocos valores usados con frecuencia para el rea bajo la
campana de Gauss. Estos valores son tiles para determinar intervalos de
confianza para los niveles especificados basados en una curva normalmente

distribuida

(o estimadores asintticamente

normales):

30

0,80

1,28155

0,90

1,64485

0,95

1,95996

0,98

2,32635

0,99

2,57583

31

0,995

2,80703

0,998

3,09023

0,999

3,29052

0,9999

3,8906

0,99999

4,4172

Donde el valor a la izquierda de la tabla es la proporcin de valores que caern en

el intervalo dado y n es un mltiplo de la desviacin tpica que determina la anchura
del intervalo.

Forma familia exponencial

La distribucin normal tiene forma de familia exponencial biparamtrica con dos

parmetros naturales, y 1/2, y estadsticos naturales X y X2. La forma cannica

tiene como parmetros

y estadsticos suficientes

32

Distribucin t de student

En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de

probabilidad que

surge

del

problema

de estimar la media de

una poblacin normalmente distribuida cuando el tamao de la muestra es pequeo.

Aparece de manera natural al realizar la prueba t de Student para la determinacin
de las diferencias entre dos medias mustrales y para la construccin del intervalo de
confianza para la diferencia entre las medias de dos poblaciones cuando se desconoce
la desviacin tpica de una poblacin y sta debe ser estimada a partir de los datos de
una muestra.

Caracterizacin

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

33

Donde

Z es una variable aleatoria distribuida segn una normal tpica (de media nula
y varianza 1).

V es una variable aleatoria que sigue una distribucin con

grados de

libertad.

Z y V son independientes

Si es una constante no nula, el cociente

es una variable aleatoria que

sigue la distribucin t de Student no central con parmetro de no-centralidad .

Aparicin y especificaciones de la distribucin t de Student

Supongamos

que X1,..., Xn son variables

aleatorias independientes distribuidas

normalmente, con media y varianza2. Sea

La media muestral. Entonces

Sigue una distribucin normal de media 0 y varianza 1.

Sin embargo, dado que la desviacin estndar no siempre es conocida de
antemano, Gosset estudi un cociente relacionado,

34

Es la varianza muestral y demostr que la funcin de densidad de T es

Donde

es igual a n 1.

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

El parmetro
de , pero no de

representa el nmero de grados de libertad. La distribucin depende

o , lo cual es muy importante en la prctica.

Intervalos de confianza derivados de la distribucin t de Student

El procedimiento para el clculo del intervalo de confianza basado en la t de
Student consiste en estimar la desviacin tpica de los datos S y calcular el error

estndar de la media:

media:

, siendo entonces el intervalo de confianza para la

35

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

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

Para efectos prcticos el valor esperado y la varianza son:

y

para

para

para

para

Historia
La distribucin de Student fue descrita en 1908 por William Sealy Gosset.
Gosset trabajaba en una fbrica de cerveza, Guinness, que prohiba a sus empleados
la publicacin de artculos cientficos debido a una difusin previa de secretos
industriales.

De

ah

que

Gosset

publicase

sus

resultados

bajo

el seudnimo de Student.

Distribucin t de Student no estandarizada

La distribucin t puede generalizarse a 3 parmetros, introduciendo un

parmetro rotacional

y otro de escala . El resultado es una distribucin t de

Student no estandarizada cuya densidad est definida por:2

36

Equivalentemente, puede escribirse en trminos de

(correspondiente a

la varianza en vez de a la desviacin estndar):

Otras propiedades de esta versin de la distribucin t son:2

Distribucin chi cuadrado

En estadstica, la distribucin de Pearson, llamada tambin ji cuadrada(o) o chi
cuadrado(a) (), es una distribucin de probabilidad continua con un parmetro

que

representa los grados de libertad de la variable aleatoria

Donde

son variables aleatorias normales independientes de media cero

y varianza uno. El que la variable aleatoria

habitualmente as:

tenga sta distribucin se representa

37
Propiedades

Funcin de densidad

Su funcin de densidad es:

Donde

es la funcin gamma.

Teorema central del lmite

Se utilizan en la suma de variables aleatorias de una sucesin en la que todas las
variables

siguen

las

mismas

distribuciones.

Este teorema nos viene a decir que la distribucin de la suma de un nmero grande de
variables aleatorias las cuales son independientes e idnticamente distribuidas (como
ya hemos mencionado al comienzo), tienden a distribuirse o se pueden aproximar a
una

distribucin

normal.

38
Teorema central del lmite (Linderberg-levy)
Sea {Xn} una sucesin de variables aleatorias independientes e idnticamente
distribuidas (que denotaremos como v.v.a.a.i.i.d) con media y varianza finitas; y sea
Sn la suma de n variables aleatorias de la sucesin: Sn=X1+..+Xn. Entonces
diremos que Sn converge a una normal, cuya media corresponde a la E[Xn] y cuya
desviacin

tpica

((Sn))

corresponde

la

raz

de

la

Var[Xn]:

Donde la E[Xn]=nE[X] (ya que la esperanza de la suma es la suma de las

esperanzas y que como estn idnticamente distribuidas, todas tienen la misma
esperanza) y, anlogamente, la Var[Xn]=nVar[X] (ya que la varianza de la suma es
igual a la suma de las varianzas cuando las variables son independientes, y adems
todas

tienen

la

misma

varianza

por

estar

idnticamente

distribuidas.

Tipificando la expresin anterior, o, lo que es o mismo, definiendo una nueva

sucesin de variables aleatorias {Yn} como el cociente de la diferencia entre la suma
(Sn) y la esperanza de las suma y la desviacin tpica de Sn, obtenemos, que la nueva
sucesin de variables aleatorias converge hacia una distribucin Normal de media 0 y
desviacin

tpica

1:

N(0;1):

39
Teorema central del lmite (De Moivre-Laplace)
Esta versin del teorema central del lmite se puede considerar como un caso
particular cuando las variables aleatorias siguen una distribucin de Bernouilli.
Teorema: Sea {Xn} una sucesin de v.v.a.a.i.i.d con distribucin de Bernouilli de
parmetro p: Xib (p), entonces, Sn=X1+X2+.XN sigue una distribucin
Binomial de parmetros n y p: SnB(n; p). Como la esperanza de la binomial es np
y su varianza es npq, entonces podemos decir que Sn converge a normal tal que:

Tipificando de la misma forma que en el caso anterior, obtenemos que la

sucesin

{Yn},

converge

una

N(0;1).

40
Aplicaciones prcticas del teorema central del lmite
1.

Aproximacin

2.

asinttica

Aproximacin

de

asinttica

la

de

Poisson

la

Binomial

una

Normal:

la

Normal:

3. Aproximacin asinttica de la media muestral de una una variable aleatoria

de cualquier distribucin donde vamos a denotar a la media de la variable
aleatoria como: E[X]=, y la desviacin tpica de X como: :

4.

La

5.

La

distribucin

distribucin

t-Student

Chi-cuadrado

converge

converge

una

N(0;1):

una

normal:

41
6.

Aproximacin

siempre

asinttica

cuando

se

de

la

cumpla

Binomial

que

mediante

n30,

np10

una

Poisson:

p<0,1.

42
Conclusin

Como resultado de la investigacin presentada, es posible concluir que En teora

de probabilidad y estadstica, la distribucin de Poisson es una distribucin de
probabilidad discreta que expresa, a partir de una frecuencia de ocurrencia media, la
probabilidad de que ocurra un determinado nmero de eventos durante cierto perodo
de tiempo. Concretamente, se especializa en la probabilidad de ocurrencia de sucesos
con probabilidades muy pequeas, o sucesos "raros".
Por otro lado En teora de la probabilidad la distribucin hipergeomtrica es
una distribucin discreta relacionada con muestreos aleatorios y sin reemplazo es

debido a esto que se puede concluir que La distribucin hipergeomtrica es aplicable

a muestreos sin reemplazo y la binomial a muestreos con reemplazo.

43
Bibliografa

Distribucin de probabilidad. 27 de Diciembre de 2015. Consulta: 16 de Enero de

2016.
Disponible
en:
https://es.wikipedia.org/wiki/Distribuci
%C3%B3n_de_probabilidad
Distribucin de la probabilidad: BINOMIAL, POISSON, HIPERGEOMETRICA. Consulta:
16
de
Enero
de
2016.
Disponible
en:
http://distribuciondeprobabilidaddiscreta.bligoo.com.ve/distribucionde-la-probabilidad-binomial-poisson-hehipergeometrica#.VpqrP9w87IU
Distribucin normal. 28 de Diciembre de 2015. Consulta: 16 de Enero de 2016.
Disponible en: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_normal

Distribucin de poisson. 15 de Octubre de 2015. Consulta: 16 de Enero de 2016.

Disponible en: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Poisson
Distribucin t de student. 22 de Junio de 2015. Consulta: 16 de Enero de 2016.
Disponible en: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
Distribucin de chi cuadrado. 09 de Diciembre de 2015. Consulta: 16 de
Enero de 2016. Disponible en: https://es.wikipedia.org/wiki/Distribuci
%C3%B3n_%CF%87%C2%B2
Distribucin binomial. 16 de Noviembre de 2015. Consulta: 16 de Enero de 2016.
Disponible en: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_binomial
Distribucin hipergeomtrica. 22 de Octubre de 2015. Consulta: 16 de Enero de
2016. Disponible en: https://es.wikipedia.org/wiki/Distribuci%C3%B3n_hipergeom
%C3%A9trica
Teorema central del lmite. 23 de Mayo de 2012. Consulta: 16 de Enero de 2016.
Disponible
en:
https://www.academia.edu/3322286/La_demostraci
%C3%B3n_del_Teorema_Central_del_L%C3%ADmite