Primera Parte: INTRODUCCIN A LAS DISTRIBUCIONES COMUNES (DE

LOS DATOS)

Este documento introduce un conjunto de distribuciones que asimismo son habituales en
el proceso de modelizacin actual. As, por ejemplo, el conjunto de distribuciones
pertenecientes a la familia exponencial, es de uso habitual en metodologas de anlisis
como en el marco del anlisis de la supervivencia. Otras distribuciones son comunes y
habituales en el campo de actuacin de disciplinas tales como la economa, la biologa,
etc.
Internet permite, en estos momentos, disponer de una serie de recursos que hacen ya
innecesario el uso de libros de tablas de estadstica o el uso de algn programa
informtico situado en el disco duro de nuestro ordenador. El objetivo de este artculo es
dar informacin, en forma de enlaces, para que cada usuario busque y encuentre la
solucin a su problema, cuando este problema consista en obtener una probabilidad
asociada a cualquiera de las distribuciones aqu mencionadas, sea discreta o continua.
A efectos de tener identificadas las distribuciones, discretas y continuas, utilizadas de
forma mas frecuente, se proporciona su funcin de probabilidad (caso discreto) o su
funcin de densidad de probabilidad (caso continuo), con el nimo de dar un poco de
contenido a cada distribucin. Por supuesto que si el usuario quiere tener ms
informacin sobre alguna de estas distribuciones le recomendamos que acuda a algn
texto especializado.

OTRAS DISTRIBUCIONES UTILIZADAS EN ESTADISTICA
DISTRIBUCIONES DISCRETAS

Distribucin Uniforme Discreta

Si se tienen n observaciones, la probabilidad de que la variable aleatoria tome el valor x
i

viene dada por:

As pues, en esta distribucin cada observacin tiene la misma probabilidad de
ocurrencia.
Un caso particular de esta distribucin ocurre cuando los valores son enteros
consecutivos. Esta distribucin asigna igual probabilidad a todos los valores enteros
entre el lmite inferior y el lmite superior que define el rango de la variable. Si la
variable puede tomar valores entre a y b, debe ocurrir que b sea mayor que a, y la
variable toma los valores enteros empezando por a, a+1, a+2, etc. hasta el valor mximo
b. En este caso se tiene que:

En el siguiente grfico se muestra la funcin de probabilidad de la distribucin
Uniforme Discreta con un rango de valores enteros entre 1 y 10.

Distribucin Binomial Negativa

Permite calcular la probabilidad de tener k fracasos antes de que ocurra el r-simo xito.

En el caso de que los sucesos ocurran a intervalos regulares de tiempo, esta variable
proporciona el tiempo total para que ocurran r xitos.
Hay una forma equivalente de definir esta variable, como el nmero de ensayos que hay
que realizar para obtener el r-simo xito (Palmer, 1995).
En el siguiente grfico se muestra la funcin de probabilidad de la distribucin
Binomial negativa con un nmero de xitos igual a 10 y una probabilidad de xito de
0.4. En abcisas se representan los distintos valores que puede tomar la variable X
(nmero de ensayos), y en ordenadas se representa la probabilidad asociada a cada valor
posible de X.


En la direccin http://home.clara.net/sisa/negbino2.htm se puede acceder a una pgina
con la calculadora que se muestra a continuacin, en la que se han introducido los
parmetros utilizados en el grfico anterior para el clculo de probabilidades no
acumuladas basadas en la funcin de probabilidad de la distribucin Binomial negativa.

S.I.S.A. Simple Interactive Statistical Analysis.



En el calculador anterior se observa cmo la probabilidad de obtener el 10 xito
(probabilidad de xito de 0.4) en el intento nmero 30 es de 0.038395. Esta probabilidad
obtenida se puede leer de forma aproximada en el grfico anterior para X=30.

Distribucin Geomtrica

Permite calcular la probabilidad de que tengan que realizarse un nmero k de ensayos
para obtener un xito en el ltimo ensayo, siendo p la probabilidad de obtener un xito.
As pues, esta distribucin es un caso particular de la distribucin binomial negativa
para el caso en que r = 1.



Se utiliza en la distribucin de los tiempos de espera, de manera que si los ensayos se
realizan a intervalos regulares de tiempo, esta variable aleatoria proporciona el tiempo
transcurrido hasta el primer xito. Por ejemplo, encontrar la primera pieza defectuosa, la
primera ocurrencia de un suceso, la llegada de un cliente a un lugar de servicio, la rotura
de una cierta pieza, etc. (Aranda y Gmez, 1992).
Esta distribucin presenta la propiedad denominada propiedad de Markov o de falta de
memoria, que implica que la probabilidad de tener que esperar un tiempo ti no depende
del tiempo que ya se haya esperado.
Hay autores (Aranda y Gmez, 1992).que dicen que a la distribucin binomial negativa
se la conoce tambin con el nombre de distribucin de Pascal, mientras que otros
(Castillo, 1978) definen la distribucin de Pascal para el caso de r = 1, es decir para la
distribucin geomtrica.
En el siguiente grfico se muestra la funcin de probabilidad de una distribucin
Geomtrica con una probabilidad de xito de 0.3.


La probabilidad de que se presente un evento determinado (con una probabilidad de
xito de 0.3) en el cuarto intento (X=4) es de 0.072030.
Distribucin Hipergeomtrica
Permite calcular la probabilidad de obtener k xitos al realizar n ensayos de una
poblacin finita de tamao N.



Ejemplo: Se utiliza para obtener el nmero de xitos en un muestreo sin
reemplazamiento de una poblacin finita de tamao N.
En el siguiente grfico se muestra la funcin de probabilidad de una distribucin
Hipergeomtrica basada en una poblacin finita de 100 elementos (N), en la que se
seleccionan 20 elementos (n) y se esperan 10 xitos.



En la direccin http://home.clara.net/sisa/hypergeo.htm se puede acceder a una pgina
con la calculadora que se muestra a continuacin, en la que se han introducido los
parmetros utilizados en el grfico anterior para el clculo de probabilidades no
acumuladas basadas en la funcin de probabilidad de la distribucin Hipergeomtrica.
S.I.S.A. Simple Interactive Statistical Analysis.


Se observa cmo la probabilidad de obtener 4 xitos en una extraccin de 20 elementos
sobre 100 es de 0.08410730, sabiendo que la proporcin esperada de xitos es de 10
sobre 100 (0.1). Esta probabilidad obtenida se puede leer de forma aproximada en el
grfico anterior para X=4.

Distribucin Multinomial

Generaliza la distribucin binomial al caso en que la poblacin se divida en k>2 grupos
mutuamente exclusivos y exhaustivos. Permite obtener la probabilidad de la ocurrencia
de una determinada reparticin.




En este caso se cumple que n = x
1
+ x
2
+ ... + x
k
, donde cada x
i
tiene una probabilidad
p
i
de ocurrencia. Se cumple que p
i
=1.

DISTRIBUCIONES CONTINUAS

Distribucin Uniforme

Tambin conocida con el nombre de distribucin rectangular, se simboliza por medio de
U(a,b) y viene determinada por el menor valor posible a que toma la variable y por el
mayor valor posible b, siendo b>a. En esta distribucin todos los valores comprendidos
entre a y b tienen la misma probabilidad de ocurrencia.



Simulacin de una variable aleatoria continua: Mtodo de la transformacin reciproca
Entre otras aplicaciones, la distribucin Uniforme U(0,1) se utiliza para generar
observaciones que formen una variable aleatoria Y que tenga cualquier funcin de
distribucin F(y) continua. Para ello, en primer lugar, se genera un nmero aleatorio x
de la distribucin U(0,1). Se resuelve la ecuacin F(y)=x, lo que proporciona como
solucin un valor y* que ser el valor de la variable aleatoria simulada. Se repite este
proceso tantas veces como se quiera.
En el siguiente grfico se muestra la funcin de densidad de la distribucin Uniforme en
el intervalo [10,15].



En la direccin http://www.stat.ucla.edu/calculators/cdf/uniform/uniformcalc.phtml
encontrar un calculador de la probabilidad acumulada en un valor X situado en una
distribucin Uniforme (a,b). UCLA Statistics.



Especificando 3 de los valores proporciona el cuarto, en el que debe escribirse un signo
de interrogacin. Como ejemplo, si se pretende calcular la probabilidad acumulada en el
valor X=12 de una distribucin Uniforme (10,15) se obtendra el valor ?=0.4, es decir,
Pr(X 12)=0.4.

Distribucin Triangular

Se denomina as por el hecho de que la funcin de densidad tiene una forma triangular,
que viene definida de la siguiente manera:



Se denomina triangular cuando viene definida por dos parmetros, que representan el
valor mnimo y el valor mximo de la variable. En este caso el tringulo es equiltero.
Se denomina triangularG (triangular general), cuando viene dada por tres parmetros,
que representan el valor mnimo y el valor mximo de la variable, y el valor del punto
en el que el tringulo toma su altura mxima. En este caso el tringulo no es
necesariamente equiltero.
La funcin de densidad de la distribucin triangularG viene dada por:



Cuando el valor de c sea la media de los dos valores extremos a y b, tendremos la
distribucin triangular. En el siguiente grfico se puede ver una distribucin triangular
(tringulo equiltero de color negro) y una triangularG (tringulo no equiltero de color
rojo).


Distribucin Log-Normal

Se dice que una variable X se distribuye de forma log-normal si su logaritmo natural
LnX se distribuye normalmente. Se simboliza mediante L( , ) ya que los parmetros
de esta distribucin son los mismos de los de la distribucin normal, y . Sin
embargo, debe quedar claro que y no son la media y desviacin de la distribucin
log-normal (Ver el apartado de esperanza y variancia de las distribuciones continuas).



Esta distribucin es usada para modelizar datos que presentan asimetra positiva.
A continuacin se proporciona el grfico que el programa STATLETS realiza al
especificar los parmetros 3 y 0.9 para la distribucin Lognormal. Creemos que este
programa utiliza esta distribucin de forma incorrecta ya que usa los parmetros y
como la media y desviacin estndar de la distribucin, que como hemos dicho
anteriormente es incorrecto.


Nuestra creencia en que los clculos bajo esta distribucin no son correctos, viene
apoyada en que sus resultados difieren de los obtenidos con otros programas tipo
MINITAB o SPSS.

Distribucin Gamma

Esta distribucin depende de dos parmetros y k denominados parmetros de escala y
de forma respectivamente. Es decir, al variar k vara la forma de la distribucin,
mientras que al variar slo vara la escala de la distribucin.



Donde la funcin gamma de p>0, (p), viene dada por:



Si p=1/2 entonces se tiene que (1/2)=
Si p>1 entonces se tiene que (p)=(p-1) (p-1)
Si p es entero, entonces se cumple que (p)=(p-1)!

Si definimos el valor del parmetro en funcin del parmetro k y del parmetro
segn la expresin =k/ , se tiene que la funcin de densidad se escribe:



En esta expresin, el parmetro determina la localizacin de la distribucin ( es la
media de la distribucin gamma), y el cociente
2
/k determina la forma de la
distribucin (
2
/k es la variancia de la distribucin gamma).
Esta distribucin es usada para modelizar datos que presentan asimetra positiva.
Casos particulares:

Si k=1 se tiene la distribucin exponencial
Si k=1 y =1 se tiene la distribucin exponencial estndar
Si k=n/2 y =n se tiene la distribucin ji-cuadrado con n grados de
libertad

Esta distribucin se ha aplicado a los tiempos de vida de sistemas elctricos y
mecnicos, a la abundancia de especies animales, a perodos de incubacin de
enfermedades infecciosas, etc.

En el siguiente grfico se muestran dos funciones de densidad Gamma, una con
parmetros de escala (Scale) y de forma (Shape) igual a 30 y otra con parmetro de
escala 10 y parmetro de forma 5.



En la direccin http://www.stat.ucla.edu/calculators/cdf/gamma/gammacalc.phtml
acceder a un calculador de probabilidades acumuladas basadas la distribucin Gamma.
En dicha aplicacin, especificando 3 de los siguientes valores proporciona el cuarto (en
el que debe introducirse un signo de interrogacin): valor de X, probabilidad
acumulada, parmetro de escala y parmetro de forma. UCLA Statistics.


Como ejemplo, se ha calculado la probabilidad acumulada en el punto X=1 con
parmetros de escala y de forma igual a 30, de forma que Pr(X 1)=0.524283.

Distribucin Erlang

Esta distribucin corresponde a la distribucin Gamma cuando k (parmetro de forma)
es un valor entero.


Por lo tanto, si tomamos como ejemplo la distribucin Erlang con parmetro de forma
15 y parmetro de escala 5 obtendramos que Pr(X 3)= 0.534346, valor equivalente en
una distribucin Gamma con los mismos parmetros. No existir esa igualdad cuando el
parmetro de forma no sea un valor entero.

Distribucin Exponencial

Esta distribucin depende de un parmetro positivo, > 0, llamado parmetro de tasa.



Si la funcin de densidad se escribe en trminos de la media de la distribucin se tiene
que:



Se denomina distribucin exponencial de dos parmetros cuando se introduce un valor
G, por debajo del cual la funcin de densidad es cero.



Permite estudiar el tiempo transcurrido entre un instante inicial y el momento en que
ocurre un determinado suceso. Por ejemplo, la duracin de una llamada telefnica, el
tiempo transcurrido entre la llegada sucesiva de dos sujetos a un determinado servicio,
etc.

El siguiente grfico permite visualizar dos distribuciones exponenciales de un parmetro
con valores =3 y =5. Se puede ver que el valor de la distribucin siempre es
positivo. Por otra parte el punto de interseccin de la distribucin con el eje de
ordenadas se produce en el punto 1/ .




Para el clculo de probabilidades acumuladas basadas en la funcin de distribucin
Exponencial se puede acceder a un calculador ubicado en la siguiente direccin de
Internet:
http://www.stat.ucla.edu/calculators/cdf/exponential/exponentialcalc.phtml.UCLA
Statistics.


Especificando 2 de los valores proporciona el tercero, en el que debe escribirse un signo
de interrogacin. Como ejemplo, se pretende calcular la probabilidad acumulada en el
valor X=5 de una distribucin Exponencial con parmetro =3. Se obtendra que Pr(X
5)=0.811124. Igualmente, se podra calcular el valor X por debajo del cual existe una
determinada probabilidad acumulada, simplemente introduciendo dicha probabilidad en
el campo correspondiente y un signo de interrogacin en el campo X value, para
posteriormente pulsar el botn Complete Me!.


Distribucin Weibull

Esta distribucin generaliza la distribucin exponencial y depende de dos parmetros
y . El valor de determina la forma de la distribucin mientras que el valor de
determina su escala.



Esta distribucin se generaliza a una que depende de tres parmetros, denominada W(
, , ) siendo >0, >0 y 0. El parmetro es el valor ms pequeo que puede
tomar la variable.



La distribucin Weibull es una de las pocas distribuciones que puede ser usada para
modelizar datos que presentan asimetra negativa.

En el siguiente grfico se muestran dos funciones de densidad pertenecientes la
distribucin Weibull, una con parmetros de forma (Shape) y de escala (Scale) igual a
10 y otra con parmetro de forma 5 y parmetro de escala 2.



En la direccin http://www.stat.ucla.edu/calculators/cdf/weibull/weibullcalc.phtml
encontrar un calculador de probabilidades basadas en la funcin de distribucin
Weibull. Especificando 3 de los siguientes valores proporciona el cuarto (en el que debe
introducirse un signo de interrogacin): valor de X, probabilidad acumulada, parmetro
de forma (A Parameter) y parmetro de escala (B Parameter). UCLA Statistics.



Como ejemplo, se ha obtenido que la probabilidad acumulada en el valor X=2 situado
en una distribucin Weibull con parmetro de forma 5 y parmetro de escala 2 es igual a
0.632121, es decir, Pr(X 2)=0.632121.

Distribucin Gumbel, de valor extremo o de Gompertz

Est definida para todo valor de x, siendo un parmetro de localizacin (moda) y >0
un parmetro de escala. Los valores de la variable aleatoria son no negativos, mientras
que el dominio de la distribucin se mueve en todo el eje real.



En la siguiente figura se muestran dos funciones de densidad Gumbel, una de ellas con
parmetro moda 3 y parmetro escala 5, y la otra con parmetros 5 y 10
respectivamente.



Distribucin Beta

Esta distribucin depende de dos parmetros, p (forma) y q (escala), ambos positivos.
Se denomina B(p,q).



Donde la funcin beta B(p,q) viene dada, para p y q positivos, por:



La funcin beta tiene la siguiente propiedad:



La distribucin B(1,1) equivale a la distribucin Uniforme U(0,1).

En la siguiente figura se presentan tres funciones de densidad Beta, cada una de ellas
con parmetros p (Shape 1) y q (Shape 2) distintos.


En la direccin http://www.stat.ucla.edu/calculators/cdf/beta/betacalc.phtml tendr
acceso a un calculador de probabilidades acumuladas basadas en dicha distribucin.
Especificando 3 de los siguientes valores proporciona el cuarto (en el que debe
introducirse un signo de interrogacin): valor de X, probabilidad acumulada, parmetro
p (A Parameter) y parmetro q (B Parameter). UCLA Statistics.



Con los datos de ejemplo introducidos en el calculador se obtendra que ?=0.5, es decir,
Pr(X 0.5)=0.5. Esta probabilidad acumulada en el punto X=0.5 para los parmetros
dados se puede corroborar en el grfico anterior, puesto que existe un 50% de rea
(0.5*100) perteneciente a la distribucin Beta (3,3) que queda por debajo de dicho valor
X, hecho perfectament visible si se traza una lnea imaginaria perpendicular al eje de
abcisas desde el punto X=0.5 al punto de corte con la funcin de densidad en cuestin.

Distribucin de Cauchy

Esta distribucin depende de dos parmetros, y . Se denota mediante C( , ).



Donde > 0.

La distribucin es simtrica respecto del valor . El valor de x= representa la mediana
y la moda de la distribucin.
Se denomina distribucin de Cauchy estndar si a una variable X que sigue la
distribucin de Cauchy le hacemos el cambio de variable Y=(X- )/ , se obtiene la
funcin de densidad de la distribucin C(1,0):



En el siguiente grfico se muestra la funcin de densidad de una distribucin de Cauchy
con parmetro =25 (Mode) y parmetro =3 (Scale).



Para calcular probabilidades acumuladas en una distribucin de Cauchy puede utilizar el
siguiente enlace: http://www.stat.ucla.edu/calculators/cdf/cauchy/cauchycalc.phtml ,
que accede a una pgina con la calculadora que se muestra a continuacin, en la que se
han introducido los parmetros utilizados en el grfico. UCLA Statistics.



Especificando 3 de los valores proporciona el cuarto, en el que debe escribirse un signo
de interrogacin. Con los parmetros del grfico anterior se obtiene que Pr(X
20)=0.172021.

Distribucin Logstica

Esta distribucin depende de dos parmetros, la media de la distribucin y la
desviacin estndar de la distribucin. Los valores de la variable aleatoria son no
negativos, mientras que el dominio de la distribucin se mueve en todo el eje real.



Si se hace el cambio de variable Y=(X- )/ se obtiene la distribucin logstica estndar
con funcin de densidad dada por:



A continuacin se proporciona un grfico en el que se representan dos distribuciones
logsticas con distintos parmetros.

Creemos que, al calcular el valor de la funcin de densidad por medio del programa
STATLETS, este proporciona el valor con un pequeo error, por lo que es aconsejable,
en este caso, utilizar otro programa. Entre los programas comerciales se pueden utilizar
el MINITAB, el SPSS o el STATISTICA.




En la direccin http://www.stat.ucla.edu/calculators/cdf/logistic/logisticcalc.phtml
encontrar un calculador basado en la funcin de distribucin Logstica. Especificando
3 de los siguientes valores proporciona el cuarto (en el que debe introducirse un signo
de interrogacin): valor de X, probabilidad acumulada, parmetro (Location
Parameter) y parmetro (Scale Parameter). UCLA Statistics.



Se ha calculado como ejemplo la probabilidad acumulada hasta el valor X=25 situado
en una distribucin Logstica con parmetro =30 y parmetro =5. Como resultado,
se obtiene que la probabilidad que el valor X deja a su izquierda es igual a 0.268941, es
decir, Pr(X 25)= 0.268941.


Distribucin de Laplace

Tambin se denomina doble exponencial. Viene determinada en funcin de dos
parmetros, uno de localizacin L (la media) y otro de escala S, siendo S > 0.



Es una distribucin ms apuntada que la distribucin normal.
En otras situaciones se reparametriza la funcin de densidad haciendo que el parmetro
de escala sea:



As lo hacen, por ejemplo, los programas STATLETS y STATGRAPHICS.
La funcin de densidad entonces se escribe como:



A continuacin se ofrece la grfica de la funcin de densidad de la distribucin de
Laplace con parmetros 0 y 1.




En la direccin http://www.stat.ucla.edu/calculators/cdf/laplace/laplacecalc.phtml
encontrar un calculador basado en la funcin de distribucin de Laplace. UCLA
Statistics.



Especificando 3 de los siguientes valores proporciona el cuarto (en el que debe
introducirse un signo de interrogacin): valor de X, probabilidad acumulada, parmetro
media (Location Parameter) y parmetro de escala (Scale Parameter). Como ejemplo, y
basndonos en los parmetros del grfico anterior, se obtiene que Pr(X 2)= 0.932332.

Distribucin de Pareto

Esta distribucin depende de dos parmetros positivos, y x
0
. La introdujo Pareto para
describir unidades econmicas tales como salarios, rentas, etc., y se simboliza mediante
Par( , x
0
)
Permite calcular la probabilidad, por ejemplo, de tener una renta superior a un
determinado valor x
0
.



Si no se indica el segundo parmetro, se entiende que este valor es 1.
A continuacin se proporciona un grfico en el que se muestran dos distribuciones de
Pareto con distintos parmetros.




Segunda Parte: INTRODUCCION

Cuando un investigador lleva a cabo una prueba de hiptesis para estudiar, por ejemplo,
la posible existencia de relacin entre variables, aplicar una prueba estadstica que le
proporcionar un valor que deber ser situado en la distribucin de referencia para
poder averiguar la plausibilidad de la hiptesis nula de no relacin y, en funcin del rea
(probabilidad) que le corresponda, tomar la decisin de mantener la hiptesis nula de no
relacin (independencia) o rechazar dicha hiptesis en favor de la hiptesis alternativa
de existencia de relacin entre las variables analizadas.
Se distingue entre variables aleatorias discretas y continuas, definindose una variable
aleatoria discreta aquella que puede tomar un nmero finito o numerable de valores,
mientras que una variable aleatoria continua puede tomar infinitos valores, es decir
cualquier valor dentro de un intervalo.
Cuando se trata de variables discretas, se puede calcular la probabilidad de obtener un
determinado valor , por medio de la funcin de probabilidad, denominada f(x) y
definida como la probabilidad P(X=x), as como la probabilidad de obtener un valor
inferior o igual a x, por medio de la funcin de distribucin, denominada F(x) y definida
como la probabilidad acumulada P(X x).



Cuando se trata de variables continuas, ya no tiene sentido calcular la probabilidad en
un valor, ya que esta es nula, sino que el inters radica en obtener la probabilidad en un
intervalo [a,b], as pues se trata de obtener el valor de la funcin de distribucin F(x) en
este intervalo, el cual se obtiene por medio de la integracin de la funcin de densidad
de probabilidad f(x):




As pues, a efectos del investigador, en el caso de distribuciones discretas se debe
obtener el clculo de probabilidades, mientras que en el caso de distribuciones continuas
el usuario debe realizar la integracin pertinente para obtener el rea correspondiente al
intervalo elegido.
Para evitar que el usuario tuviera que realizar estos clculos, se crearon las tablas de las
diferentes distribuciones donde se transcriban los resultados obtenidos para cada uno de
los valores de la variable, en el caso discreto, y la probabilidad acumulada para
diferentes valores en el caso de las distribuciones continuas.
Tanto en el caso de las distribuciones discretas como en las distribuciones continuas, un
problema aadido es que cada una de ellas depende de uno o ms parmetros.
As por ejemplo, en el caso discreto la distribucin binomial depende del nmero n de
ensayos y de la probabilidad p de xito en cada ensayo. Teniendo en cuenta que p puede
tomar infinitos valores en el intervalo [0,1], nos encontramos que hay infinitas
distribuciones binomiales, por lo que al utilizar unas tablas escritas en papel,
forzosamente se tienen que realizar restricciones. En general las tablas solo
proporcionan unos cuantos valores del parmetro p.
En el caso continuo, por ejemplo, la distribucin de la t de Student depende de un
parmetro n. Cada vez que vara este valor, vara la forma de la distribucin y por tanto
se obtienen infinitas distribuciones, por lo que en las tablas escritas en papel se utilizan
tan solo una serie reducida de valores.
En ambos casos, cuando al usuario le interesa un valor no contemplado en las tablas
debe buscarlo, en general, por medio de una interpolacin lineal entre los dos valores,
anterior y posterior, ms cercanos que se encuentren en ellas, cometindose por tanto un
error, aunque en general este sea pequeo.
La entrada de los programas y paquetes estadsticos, con la difusin de los ordenadores
personales, vino a solucionar bastantes de estos problemas, ya que el ordenador es capaz
de realizar estos clculos en milsimas de segundo y ensearnos a continuacin el
resultado. El nico problema que se le plantea al usuario es que debe tener,
implementado en su ordenador, el programa estadstico que le permita realizar estos
clculos.
Hoy en da, la situacin ha vuelto a dar un giro copernicano en la solucin de este tipo
de problemas, ya que actualmente Internet hace posible que un usuario no necesite tener
ningn programa matemtico, ni estadstico, en su ordenador para poder solucionar el
clculo de probabilidades en distribuciones de variables aleatorias.
Estar conectado a Internet permite, en estos momentos, disponer de una serie de
recursos que hacen ya innecesario el uso de libros de tablas de estadstica o el uso de
algn programa informtico situado en el disco duro de nuestro ordenador. El objetivo
de este tema es dar informacin, en forma de enlaces, para que cada usuario busque y
encuentre la solucin a su problema, cuando este problema consista en obtener una
probabilidad asociada a una de las distribuciones conocidas, sea discreta o continua.
A efectos de tener identificadas las distribuciones, discretas y continuas, utilizadas de
forma mas frecuente, se proporciona su funcin de probabilidad (caso discreto) o su
funcin de densidad de probabilidad (caso continuo), con el nimo de dar un poco de
contenido a cada distribucin. Por supuesto que si el usuario quiere tener ms
informacin sobre alguna de estas distribuciones le recomendamos que acuda a algn
texto especializado.

DISTRIBUCIONES DE USO COMUN

Existe un nmero enorme de distribuciones de probabilidad, sin embargo hay un
subconjunto de ellas que son las que frecuentemente son utilizadas en la Estadstica
Clsica. As, de las dos distribuciones ms comunes, y ms bsicas, en el mbito de los
datos categricos podemos decir que, en primer lugar se encuentra la distribucin
binomial (frecuencia de una categora de una variable dicotmica) y la distribucin de
Poisson (frecuencia de aparicin de un suceso poco frecuente).
Cuando hablamos de distribuciones continuas en el mbito del anlisis de datos, sin
duda aparece en primer lugar la distribucin Normal, bsica en el campo de la
estadstica paramtrica al aparecer como uno de los supuestos exigidos en el
cumplimiento de las condiciones para que puedan ser utilizadas las pruebas estadsticas
paramtricas.
Relacionada con la anterior, aparece una triloga de distribuciones que constituyen las
distribuciones de referencia de la mayor parte de pruebas estadsticas. As aparecen la
distribucin t de Student, la distribucin Ji-cuadrado de Pearson y la distribucin F de
Snedecor, llamada as en conmemoracin a Fisher.
As pues, en este documento nuestra intencin es hacer llegar al lector interesado
informacin sobre estas distribuciones y distintas posibilidades de realizar clculos
sobre ellas.

DISTRIBUCIONES DISCRETAS

Distribucin de Bernoulli

Sea un experimento aleatorio donde slo pueden darse dos resultados: presencia del
suceso (definido como X=1) o ausencia del suceso (definido como X=0). La
distribucin de esta variable aleatoria viene determinada por un parmetro, p que
representa la probabilidad de acertar o tener xito en una realizacin.



Ejemplos: El lanzamiento de una moneda (cara/cruz), la respuesta a una pregunta
(correcta/incorrecta), comprar un nuevo producto (si/no), etc.

Distribucin Binomial

Esta distribucin proviene de n variables de Bernoulli y depende de dos parmetros
B(n,p). Permite calcular la probabilidad de obtener un nmero k de xitos al realizar n
ensayos de Bernoulli independientes, cada uno de ellos con la misma probabilidad p de
xito. La variable toma valores enteros entre 0 y n.



Ejemplo: Nmero de caras al lanzar 100 veces una moneda (p=0.50).
En el siguiente grfico se muestra la funcin de probabilidad Binomial con 20
realizaciones y una probabilidad de xito de 0.25. En abcisas se representan los distintos
valores que puede tomar la variable X (de 0 a 20), y en ordenadas se representa la
probabilidad asociada a cada valor posible de X.


Para calcular la funcin de probabilidad de una distribucin binomial se puede utilizar
el siguiente enlace: http://www.stat.ucla.edu/calculators/cdf/binom/binomdens.phtml ,
que accede a una pgina con la calculadora que se muestra a continuacin, en la que se
han introducido los parmetros utilizados en el grfico. UCLA Statistics.



Concretamente, se obtiene una probabilidad de 0.189685 de que ocurran 4 sucesos con
xito (X-value) de los 20 posibles (Number of Trials) con una probabilidad de xito de
0.25 (Probability of Success). En el grfico se puede leer de forma aproximada esta
probabilidad calculada.
Tambin se muestra, como ejemplo, la calculadora que aparece en la siguiente
direccin: http://faculty.vassar.edu/~lowry/binom_stats.html , que proporciona la
probabilidad de que una determinada variable aleatoria binomial X tome el valor r en
una serie de n repeticiones teniendo en cada una de ellas una probabilidad p de
ocurrencia. Por tanto, calcula directamente la probabilidad exacta, y tambin, p(r n), y
p(r n). VassarStats.



Por ejemplo, se puede buscar la probabilidad de que un determinado suceso que tiene
una probabilidad de ocurrencia de valor p=0.4, se presente 3 veces en una serie de 6
repeticiones (exatly 3 out of 6), adems de la probabilidad de que este suceso se presente
3 o menos veces en 6 repeticiones (3 or fewer out of 6), y la probabilidad de que se
presente 3 o ms veces en esas 6 repeticiones (3 or more out of 6).

Distribucin de Poisson

Permite calcular la probabilidad de obtener un nmero k de eventos en sucesos con
pequea probabilidad de ocurrencia. La variable X se mueve desde 0 en adelante, con
valores enteros.



El valor del parmetro > 0 representa el nmero promedio esperado, por unidad de
tiempo o de espacio.
As pues, al parmetro se le denomina parmetro de tasa, ya que, en una unidad de
espacio o de tiempo puede que no se observen exactamente eventos, pero sin embargo
en un amplio espacio de tiempo o de espacio esperaremos observar un evento
ocurriendo en una tasa de por unidad del tiempo o del espacio.
En general se define que una variable aleatoria de Poisson describe un evento raro o
poco frecuente, lo cual debe ser entendido en el sentido de que la probabilidad de
P(X=k) es menor a medida que el valor de k es mayor.
Ejemplos: el nmero de errores en una pgina de un libro, el nmero de llamadas
telefnicas equivocadas al cabo de un da.
En el siguiente grfico se muestra la funcin de probabilidad de Poisson con =4.



En la direccin http://www.stat.ucla.edu/calculators/cdf/poisson/poissondens.phtml
tendr acceso a un calculador de la distribucin de Poisson no acumulada, en la que
especificando el valor de X ( nmero de sucesos) y el parmetro (Intensity parameter,
que representa el nmero promedio de sucesos esperado) se proporciona la probabilidad
de ocurrencia de esos X sucesos (campo Density). Para ello, pulsar el botn Submit!.
UCLA Statistics.



Por ejemplo, encontrar que la probabilidad de ocurrencia de 6 eventos (Pr(X=6)) en
una distribucin de Poisson con un valor promedio esperado de 4 sucesos ( =4), es de
0.104196, valor que se puede leer en el grfico anterior de forma aproximada para X=6.

DISTRIBUCIONES CONTINUAS

Distribucin Normal

Es una distribucin simtrica cuyos valores se mueven en todo el eje real. Depende de
dos parmetros, la media y la desviacin estndar . Se simboliza por N( , ).



Esta distribucin, conocida tambin como distribucin gausiana o distribucin de
Laplace-Gauss, es la distribucin ms conocida y utilizada en estadstica, siendo una
distribucin seguida por un gran nmero de variables.
Cuando a una variable X que sigue la normal N( , ).se le realiza el cambio de variable
Y=(X- )/ se obtiene la distribucin normal N(0,1) denominada normal centrada y
reducida, o distribucin normal estndar o unitaria.
En el siguiente grfico se muestra la funcin de densidad de la distribucin Normal
centrada y reducida.




Para calcular la probabilidad acumulada hasta un cierto valor X en la distribucin
Normal puede acceder a la calculadora mostrada en la siguiente direccin:
http://www.stat.ucla.edu/calculators/cdf/normal/normalcalc.phtml .Especificndole 3 de
los siguientes cuatro valores proporciona el cuarto (en el que debe introducirse un signo
de interrogacin): valor de la observacin, media, desviacin estndar, probabilidad
acumulada. UCLA Statistics.



En la figura se muestra la probabilidad acumulada en el valor X=1.96, es decir, Pr(X
1.96)=0.975.

En distribucin normal (David Lane. HyperStat Online) puede calcularse el valor de Z,
es decir, valores de la normal (0,1), para un rea dada y para un valor Z dado. Incluye la
representacin grfica de la distribucin.



En la direccin http://www.stat.ucla.edu/calculators/cdf/normal/normaldens.phtml
encontrar un calculador de la distribucin Normal no acumulada , en la que
introduciendo el valor X, la media y la desviacin estndar de la distribucin se obtiene
la densidad del valor X. UCLA Statistics.



Como se ve en la figura, dado un valor X=1.96 se obtiene su densidad en la distribucin
Normal centrada y reducida, f(x=1.96)=0.058441.

Distribucin Ji-cuadrado

Esta distribucin proviene de la suma de n variables aleatorias independientes N(0,1)
elevadas al cuadrado, Z
2
. Se simboliza como 2(n). As pues, esta distribucin
depende de un parmetro n denominado grados de libertad.



En el siguiente grfico se muestra la funcin de densidad de la distribucin Ji-cuadrado
con 15 grados de libertad.



En la direccin http://www.stat.ucla.edu/calculators/cdf/chi2/chi2calc.phtml encontrar
un calculador de la probabilidad acumulada en un valor ji-cuadrado (X-value) con unos
grados de libertad determinados (Degrees of Freedom), que a continuacin le
mostramos. UCLA Statistics.



Especificando 2 de los valores proporciona el tercero, en el que debe escribirse un signo
de interrogacin. Una vez introducidos dichos valores se ha de pulsar el botn Complete
Me!. Por ejemplo, si se pretende calcular la probabilidad acumulada en el valor X=20
de una distribucin Ji-cuadrado con 15 grados de libertad se obtendra el valor
?=0.828067, es decir, Pr(X 20)=0.828067.

Distribucin Ji-cuadrado no centrada

Cuando las n variables aleatorias independientes X se distribuyen como N(
i
,1), la
suma X
2
se distribuye segn una Ji-cuadrado no centrada, con n grados de libertad y
parmetro de descentralizacin , definido como:



En la direccin http://www.stat.ucla.edu/calculators/cdf/ncchi2/ncchi2calc.phtml se
puede calcular la probabilidad acumulada en el valor X de una distribucin Ji- cuadrado
no centrada con n grados de libertad y parmetro de descentralizacin . Especificando
3 de los siguientes cuatro valores proporciona el cuarto (en el que debe introducirse un
signo de interrogacin): valor X, probabilidad, grados de libertad (Degrees of Freedom)
y parmetro de descentralizacin (Noncentrality Parameter) . UCLA Statistics.



Con los tres parmetros especificados en la figura se obtendra una probabilidad
acumulada de 0.489703 (Pr(X 20).

Distribucin t de Student

Esta distribucin depende de un parmetro n denominado grados de libertad. Se
simboliza por t(n) y puede tomar valores en todo el eje real.



Donde simboliza la funcin gamma.
Esta distribucin est ligada a la distribucin Normal y a la Ji-cuadrado, de manera que
si X es N(0,1), e Y es una 2(n), la variable:



En el siguiente grfico se muestra la funcin de densidad de la distribucin t de Student
con 10 grados de libertad.



Se puede acceder a un calculador de probabilidades acumuladas basadas en la
distribucin t de Student:
http://www.stat.ucla.edu/calculators/cdf/student/studentcalc.phtml, as como tambin
obtener el valor X dada una determinada probabilidad acumulada. Concretamente,
especificando 2 de los siguientes valores proporciona el tercero (en el que debe
introducirse un signo de interrogacin): valor de X, grados de libertad, probabilidad
acumulada. UCLA Statistics.



Si se quiere calcular la probabilidad acumulada en el valor X=2 que se sita en la
distribucin t de Student con 10 grados de libertad se obtendra el valor ? = 0.963306, es
decir, Pr(X 2)=0.963306.
Si se quiere calcular el valor X que se sita en la distribucin t de Student con 10 grados
de libertad y una probabilidad acumulada de 0.95 se obtendra un valor ? = 1.812461, es
decir, Pr(X 1.812461)=0.95.



Distribucin t de Student no centrada

Si la variable X es N( , ) y la variable Y/
2
se distribuye segn una Ji-cuadrado con
n grados de libertad, se dice que la variable t sigue una distribucin t de Student no
centrada con n grados de libertad y con parmetro de descentralizacin , definido
como:



En la direccin
http://www.stat.ucla.edu/calculators/cdf/ncstudent/ncstudentcalc.phtmlse puede
calcular la probabilidad acumulada asociada a un valor X situado en una distribucin t
de Student no centrada con n grados de libertad y parmetro de descentralizacin .
UCLA Statistics.



En este ejemplo se pretende obtener la probabilidad acumulada asociada a un valor X=2
en una distribucin t de Student no centrada con 30 grados de libertad y un parmetro
de descentralizacin igual a 2. Una vez pulsado el botn Complete Me! obtendramos
que dicha probabilidad es igual a 0.480973.


Distribucin F de Snedecor

Esta distribucin depende de dos parmetros, m y n. Se simboliza como F(m,n). La
variable puede tomar valores mayores que 0.



Esta distribucin corresponde al cociente de dos variables aleatorias Ji-Cuadrado con m
y n grados de libertad. Es decir, si X es una 2(m) e Y es una 2(n) independientes,
entonces la variable:



Se distribuye segn una F de Snedecor con m y n grados de libertad.
En el siguiente grfico se muestra la funcin de densidad de dos distribuciones F de
Snedecor , una con 30 grados de libertad en el numerador y denominador, y otra con 5
grados de libertad en el numerador y 10 grados de libertad en el denominador.




En la direccin http://www.stat.ucla.edu/calculators/cdf/f/fcalc.phtml se encuentra una
aplicacin para el clculo de la probabilidad acumulada en un valor X asociado una
distribucin F de Snedecor con m y n grados de libertad. UCLA Statistics.


Al introducir 3 de los siguientes valores, proporciona el restante, para el que debe
escribirse un signo de interrogacin: el valor (X), la probabilidad acumulada y los
grados de libertad del numerador y denominador. Se comprueba en el ejemplo que, dada
una distribucin F de Snedecor con 5 y 10 grados de libertad, Pr(X 1)=0.534881.
En la direccin http://www.ruf.rice.edu/~lane/hyperstat/F_table.html se puede realizar
el clculo de la probabilidad que un valor F deja a su derecha. David Lane. HyperStat
Online.



Se deben introducir los grados de libertad del numerador, los grados de libertad del
denominador y el valor de F. Pulsar a continuacin el botn Compute, que calcular la
probabilidad dejada a la derecha del valor F. En el ejemplo vemos que, dada una
distribucin F de Snedecor con 5 y 10 grados de libertad, el valor F=1 deja una
probabilidad de 0.46512 a su derecha (rea del 46,5%), valor complementario al
obtenido en el calculador anterior (0.534881, que corresponde con la probabilidad que
deja el valor F=1 a su izquierda).

Distribucin F de Snedecor no centrada

Si la variable X es una variable Ji-cuadrado no centrada con m grados de libertad y
parmetro de descentralizacin e Y es una Ji-cuadrado con n grados de libertad
independiente de la anterior, la variable F definida como el cociente anterior sigue una
distribucin F no centrada con m y n grados de libertad y parmetro de
descentralizacin .
En la direccin http://www.stat.ucla.edu/calculators/cdf/ncf/ncfcalc.phtml se tiene
acceso a un calculador basado en dicha distribucin. UCLA Statistics.


En este ejemplo se pretende obtener la probabilidad acumulada asociada a un valor X=1
en una distribucin F de Snedecor no centrada con 5 y 10 grados de libertad y un
parmetro de descentralizacin igual a 3. Una vez pulsado el botn Complete Me!
obtendramos que la probabilidad que dicho valor X deja a su izquierda es igual a
0.297324.


RELACION ENTRE DISTRIBUCIONES

Si bien a primera vista puede parecer que las distribuciones no tienen nada en comn, lo
cierto es que, bajo ciertas condiciones, dos distribuciones pueden tener una equivalencia
tal que, para un valor determinado, la probabilidad bajo las dos distribuciones sea muy
similar, por lo que su clculo puede ser realizado sobre cualquiera de las dos
distribuciones, por lo que, en este caso, se utilizar la distribucin que sea ms cmoda
para el usuario.

Binomial y Poisson

Una distribucin binomial B(n,p) puede ser aproximada por medio de la distribucin de
Poisson P( ), cuando la probabilidad de ocurrencia sea pequea, sin ms que obtener el
valor del parmetro de Poisson por medio de la relacin:



En la direccin
http://www.stat.wvu.edu/SRS/Modules/PoissonApprox/poissonapprox.html puede
encontrar una aplicacin en la que se demuestra cmo una distribucin binomial puede
ser aproximada por una distribucin de Poisson. Se puede comparar la distribucin de
frecuencias bajo una binomial y una Poisson cuando modificamos los valores n y p.
Incluye ejercicios y ejemplos. Eberly College of Arts and Sciences. Departament of
Statistics.
En esta aplicacin se puede optar entre la visualizacin de la funcin de probabilidad
(f(x)), que representa la probabilidad en un punto especfico, o bien, por la funcin de
distribucin (F(x)), que representa la probabilidad acumulada.
Para actualizar los cambios en las distribuciones una vez modificados los parmetros n
y p se debe pulsar el botn Rescale.



La seleccin de un rango de valores para encontrar su probabilidad se debe realizar a
travs de la lista desplegable que se encuentra encima del grfico, en la zona griscea.
Si hacemos clic en el botn de flecha que aparece justo al final del campo con el texto
Prob, aparecer una lista de las posibles formas de seleccin (en rojo) de una zona del
grfico.
Binomial y Normal

Una distribucin binomial B(n,p) puede aproximarse a la Normal cuando n 30 y
0.1<p<0.9, o bien cuando p est cerca de 0.5 y np>5.
Para npq 9, la siguiente transformacin proporciona una variable aproximadamente
normal:



Para el clculo de P(a X b), correspondiente a una distribucin binomial, a partir de
la distribucin Normal aproximada, se realiza la denominada correccin de continuidad
que se presenta a continuacin:






y se calcula el rea bajo la normal en el intervalo [a',b'].

Si p<0.1 n<30, la aproximacin es aceptable si np>5.
Si p 0.5, la aproximacin sigue siendo vlida si np>3.
Si n<30 y np<5, la binomial debe calcularse directamente como binomial.

En la direccin
http://www.stat.wvu.edu/SRS/Modules/NormalApprox/normalapprox.html se
encuentra una aplicacin que puede usarse para obtener la aproximacin de la binomial
a la Normal, para estudiar las diferencias entre las probabilidades obtenidas bajo las dos
distribuciones, y para estudiar en qu condiciones la aproximacin es buena. Permite
ajustar los parmetros n y p, y ver grficamente si la forma de la distribucin se ajusta a
la normal. Por otra parte, tambin se puede optar entre la visualizacin de la funcin de
probabilidad (Binomial) / densidad (Normal) (f(x)), que representa la probabilidad en un
punto (Binomial) o intervalo (Normal) especfico, o bien, por la funcin de distribucin
(F(x)), que representa la probabilidad acumulada. Eberly College of Arts and Sciences.
Department of Statistics.



Para actualizar los cambios en las distribuciones una vez modificados los parmetros n
y p se debe pulsar el botn Rescale.
En la imagen puede ver como hemos aproximado una distribucin binomial B(20, 0.5) a
una distribucin normal, y cmo la probabilidad asociada al rango de valores discretos
7-13 (columnas) en la distribucin binomial (0.8846) es muy similar a la probabilidad
asociada al mismo rango continuo (6.5-13.5, lnea amarilla) de la distribucin normal
(0.8824).
La seleccin de un rango de valores o rea del grfico para encontrar su probabilidad se
debe realizar a travs de la lista desplegable que se encuentra encima del grfico, en la
zona griscea. Si hacemos clic en el botn de flecha que aparece justo al final del campo
con el texto Prob, aparecer una lista de las posibles formas de seleccin de una zona
del grfico. Una vez seleccionada la opcin emerger un cuadro de dilogo donde
introducir los valores discretos enteros del eje X que definirn la zona a seleccionar (en
color azul en el grfico):
x>= a Se debe introducir el valor a en el campo Lower bound .
x<=a Se debe introducir el valor a en el campo Upper bound
a<=x<=b Se debe introducir el valor a en el campo Lower bound y b en el campo Upper
bound
x=? Se debe introducir el valor discreto escogido.

Poisson y Normal

Para el clculo de P(a X b) en la distribucin de Poisson a partir de la normal se
realiza la correccin de continuidad.





y se calcula el rea bajo la normal en el intervalo [a' ,b' ].
Esta aproximacin es aceptable para 9, y mejora a medida que aumenta de valor.

Normal y Ji-cuadrado

A medida que n aumenta, la distribucin ji-cuadrado tiende a la distribucin normal con
media n y variancia 2n



Para n grande (n 30), un valor de la distribucin ji-cuadrado se puede obtener por su
valor en la distribucin normal, por medio de la siguiente transformacin:




Normal, Ji-cuadrado, t de Student y F de Snedecor

El siguiente esquema permite visualizar la relacin existente entre el conjunto de las
cuatro distribuciones continuas que se han presentado:



Los siguientes ejemplos numricos permiten verificar la igualdad de los valores de las
funciones segn el esquema presentado. El valor 0.05 se utiliza a efectos de obtener un
punto concreto de la distribucin:

F(1,10,0.05) = 4.96463 <======> t(10,0.05) = 2.22814
F=t
2

F(1, ,0.05) = 3.84147 <======> z(0.05) = 1.95997
F=z
2

F(10, ,0.05) = 1.8307 <======> X
2
(10,0.05)/10 =1.8307
F
(n, )
=X
n
2
/n
t( ,0.05) = 1.95997 <======> z(0.05) = 1.95997
t =z
X
2
(1,0.05) = 3.84134 <======> z(0.05) = 1.95997
X
1
2
=z
2


SOFTWARE ADECUADO

En Internet podemos "bajar" de forma gratuita el programa STATLETS que se
encuentra en http://www.statlets.com en su versin no comercial, el cual, entre otras
posibilidades que le da los 50 Java applets que contiene, permite obtener una serie de
grficos y de valores para un amplio conjunto de distribuciones. El siguiente grfico
recoge la pantalla de este programa en su apartado de distribuciones, en el que se
encuentran los nombres de las 24 distribuciones disponibles.
Para llegar a esta pantalla ejecutamos el programa STATLETS y en el men elegimos
Plot | Probability Distributions



Una vez tengamos esta pantalla, elegimos la distribucin que nos interese. A ttulo de
ejemplo seleccionamos la distribucin Normal.
A continuacin se tiene que especificar la distribucin concreta que nos interesa. Es
decir, se trata de proporcionar los valores de los parmetros de la distribucin. Esto se
consigue pulsando en primer lugar la pestaa PDF y a continuacin elegir Options en
donde podremos escribir los valores de los parmetros de la distribucin. En nuestro
ejemplo se proporcionan los valores de la media y de la desviacin estndar que
definirn a la distribucin normal. Al pulsar OK queda definida la normal N(0,1), tal
como se puede ver en el siguiente grfico.


Una vez definida la distribucin podemos utilizar la pestaa Critical Values para definir
valores de probabilidad acumulada y poder obtener los valores de la distribucin que les
corresponden. Para ello utilizamos Options y escribimos los valores de las reas que
interesen. Al pulsar OK el programa nos proporciona los valores buscados, tal como se
puede ver en el siguiente grfico.



Si lo que nos interesa es encontrar la probabilidad asociada a un valor de la distribucin,
seleccionamos la pestaa Tail Areas y en el botn Options podemos escribir hasta un
mximo de cinco valores de la distribucin. Para cada uno de ellos, el programa
proporciona la probabilidad acumulada por debajo del valor (Lower Tail Area), el valor
(altura) de la funcin de densidad de probabilidad para este valor (Probability Density)
y la probabilidad acumulada por encima del valor (Upper Tail Area).
En nuestro ejemplo utilizamos el valor 1.96, el cual deja por debajo un rea de valor
0.975002 y por encima un valor 0.024998. Por otra parte la funcin de densidad de
probabilidad en el punto 1.96 vale 0.058441, tal como se puede leer en el siguiente
grfico:




Media y Variancia de las distribuciones

Una distribucin viene caracterizada, entre otros ndices, por una medida de su
localizacin, la esperanza matemtica, y una medida de su dispersin alrededor de la
esperanza, denominada variancia.
A partir de la funcin de probabilidad o de densidad se puede calcular el valor de la
esperanza matemtica, que representa el centro de gravedad de los valores de la
distribucin donde la masa de cada punto es proporcional a la densidad en dicho punto.
Su clculo se realiza por medio de la siguiente expresin:
Para una variable discreta:


Para una variable continua:


La variancia de una distribucin indica cmo se distribuye la probabilidad alrededor de
la esperanza, y su clculo se realiza por medio de la expresin:
Para una variable discreta:


Para una variable continua:


Una expresin que a veces resulta ms fcil utilizar para el clculo de la variancia viene
dada por:


A continuacin se proporcionan la esperanza matemtica E(X) y la variancia V(X) de
cada distribucin.
Bernoulli


Binomial: B(n,p)


Poisson: P( )


Normal: N( , )


Ji-cuadrado:
2
(n)


t de Student: t(n)


F de Snedecor: F(m,n)


Ji-Cuadrado no centrada:
2
(n, )


t de Student no centrada: t(n, )


F de Snedecor no centrada: F(m,n, )