1.

- HISTOGRAMA
Un histograma
es unesresumen
grfico
de la de
variacin
de un conjunto
de datos.
Pruebas
de validez.
naturaleza
simple
yHISTOGRAMAS
Un histograma
un resumen
grfico
la variacin
de un conjunto
de La
datos. La
naturaleza grfica del histograma nos permite ver pautas que son difciles de observar
en una simple tabla numrica. Esta herramienta se utiliza especialmente en la
Comprobacin de teoras y Pruebas de validez.
1.1 Como interpretar los histogramas
Sabemos que los valores varan en todo conjunto de datos. Esta variacin sigue
cierta pauta. El propsito del anlisis de un histograma es, por un lado, identificar y
clasificar la pauta de variacin, y por otro desarrollar una explicacin razonable y
relevante de la pauta. La explicacin debe basarse en los conocimientos generales y en
la observacin de las situaciones especficas y debe ser confirmada mediante un anlisis
adicional. Las pautas habituales de variacin ms comunes son la distribucin en
campana, con dos picos, plana, en peine, sesgada, truncada, con un pico aislado, o con
un pico en el extremo.
CONSTRUCCION DE UN HISTOGRAMA.
Para decidir correctamente y detectar posibles anormalidades en los datos se procede a
lo siguiente para construir un histograma:

Paso 1. Determinar el rango de datos. La diferencia entre el dato mximo y el

dato mnimo.

Paso 2. Obtener el nmero de clases (NC) o barras. Ninguno de ellos es exacto,

esto depende de cmo sean los datos y cuantos sean. Un criterio usado es del
nmero de clases, debe ser aprox. Igual a la raz cuadrada del nmero de datos.

Paso3. Establecer la longitud de clase (LC).Se establece de tal manera que el

rango pueda ser cubierto en su totalidad por NC. Una forma directa de obtener
la LC es dividiendo el rango entre el nmero de clases, LC= R/NC.

Paso 4. Construir los intervalos de clase. Resultan de dividir el rango (original o

ampliado) en NC e intervalos de longitud LC.

Paso 5. Obtener la frecuencia de cada clase. Se cuentan los datos que caen en
cada intervalo de clase.

Paso 6.Graficar el histograma.

Se grafican en barras, en las que su base es el intervalo de clase y la altura sean las
frecuencias de las clases.

2.- DISTRIBUCIN DE PROBABILIDAD.

Una distribucin de probabilidad indica toda la gama de valores que pueden
representarse como resultado de un experimento si ste se llevase a cabo.
Es decir, describe la probabilidad de que un evento se realice en el futuro, constituye
una herramienta fundamental para la prospectiva, puesto que se puede disear un
escenario de acontecimientos futuros considerando las tendencias actuales de diversos
fenmenos naturales
Toda distribucin de probabilidad es generada por una variable aleatoria x, la que puede
ser de dos tipos:
1. Variable aleatoria discreta (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque el valor tomado es totalmente al azar y discreta
porque solo puede tomar valores enteros y un nmero finito de ellos.
Ejemplos:
x Variable que nos define el nmero de burbujas por envase de vidrio que son
generadas en un proceso dado.
x 0, 1, 2, 3, 4, 5, etc, etc. burbujas por envase
x Variable que nos define el nmero de productos defectuosos en un lote de
25 productos.
x 0, 1, 2, 3,....,25 productos defectuosos en el lote
x Variable que nos define el nmero de alumnos aprobados en la materia de

probabilidad en un grupo de 40 alumnos.

x 0, 1, 2, 3, 4, 5,....,40 alumnos aprobados en probabilidad
Con los ejemplos anteriores nos damos cuenta claramente que los valores de la
variable x siempre sern enteros, nunca fraccionarios.
2. Variable aleatoria continua (x). Se le denomina variable porque puede tomar
diferentes valores, aleatoria, porque los valores que toma son totalmente al azar y
continua porque puede tomar tanto valores enteros como fraccionarios y un nmero
infinito de ellos.
Ejemplos:
x Variable que nos define el dimetro de un engrane en pulgadas

x 5.0, 4.99, 4.98, 5.0, 5.01, 5.0, 4.96

x Variable que nos define la longitud de un cable o circuito utilizado en un arns de

auto
x 20.5 cm, 20.1, 20.0, 19.8, 20,6, 20.0, 20.0
x Variable que nos define la concentracin en gramos de plata de algunas muestras

de mineral
x 14.8gramos, 12.0, 10.0, 42.3, 15.0, 18.4, 19.0, 21.0, 20.8
Como se observa en los ejemplos anteriores, una variable continua puede tomar
cualquier valor, entero o fraccionario, una forma de distinguir cuando se trata de una
variable continua es que esta variable nos permite medirla o evaluarla, mientras que una
variable discreta no es medible, es una variable de tipo atributo, cuando se inspecciona
un producto este puede ser defectuoso o no, blanco o negro, cumple con las
especificaciones o no cumple, etc, etc.
Las variables descritas anteriormente nos generan una distribucin de probabilidad, las
que pueden ser.
1)
2)

Distribucin de probabilidad discreta.

Distribucin de probabilidad contina.

Las caractersticas de cada una de las distribuciones anteriores se mencionarn a

continuacin:
DISTRIBUCIN DE PROBABILIDAD DISCRETA.
Caractersticas:
1. Es generada por una variable discreta (x).
x Variable que solo toma valores enteros
x 0, 1, 2, 3, 4, 5, 6, 7, 8, ... etc,etc.

2. p(xi) 0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero.
3.p(xi)= 1 La sumatoria de las probabilidades asociadas a cada uno de los valores
que toma x debe ser igual a 1.

DISTRIBUCIN DE PROBABILIDAD CONTINUA.

Caractersticas:
1. Es generada por una variable continua (x).

x Es una variable que puede tomar tanto valores enteros como fraccionarios.
x 1.0, 3.7, 4.0, 4.6, 7.9, 8.0, 8.3, 11.5, .....,

2. f(x)0 Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de densidad
de probabilidad deber tomar solo valores mayores o iguales a cero. La funcin
de densidad de probabilidad slo puede estar definida en los cuadrantes I y II.

3.
La sumatoria de las probabilidades asociadas a cada uno de los
valores que toma x debe ser igual a 1. El rea definida bajo la funcin de densidad
de probabilidad deber ser de 1.

Principales distribuciones discretas.

Distribuciones discretas: Bernouilli
Es aquel modelo que sigue un experimento que se realiza una sola vez y que puede
tener dos soluciones: acierto o fracaso:
Cuando es acierto la variable toma el valor 1
Cuando es fracaso la variable toma el valor 0
Ejemplo: Probabilidad de salir cara al lanzar una moneda al aire (sale cara o no sale);
probabilidad de ser admitido en una universidad (o te admiten o no te admiten);
probabilidad de acertar una quiniela (o aciertas o no aciertas)
Al haber nicamente dos soluciones se trata de sucesos complementarios:
A la probabilidad de xito se le denomina "p"
A la probabilidad de fracaso se le denomina "q"
Verificndose que:
p+q=1

Veamos los ejemplos anteriores:

Ejemplo 1: Probabilidad de salir cara al lanzar una moneda al aire:

Probabilidad de que salga cara: p = 0,5
Probabilidad de que no salga cara: q = 0,5
p + q = 0,5 + 0,5 = 1
Ejemplo 2: Probabilidad de ser admitido en la universidad:
Probabilidad de ser admitido: p = 0,25
Probabilidad de no ser admitido: q = 0,75
p + q = 0,25 + 0,75 = 1
Distribuciones discretas: Binomial
La distribucin binomial parte de la distribucin de Bernouilli:
La distribucin de Bernouiili se aplica cuando se realiza una sola vez un experimento
que tiene nicamente dos posibles resultados (xito o fracaso), por lo que la variable
slo puede tomar dos valores: el 1 y el 0.
La distribucin binomial se aplica cuando se realizan un nmero"n" de veces el
experimento de Bernouiili, siendo cada ensayo independiente del anterior. La variable
puede tomar valores entre:

0: si todos los experimentos han sido fracaso

n: si todos los experimentos han sido xitos

Ejemplo: se tira una moneda 10 veces: cuantas caras salen? Si no ha salido ninguna la
variable toma el valor 0; si han salido dos caras la variable toma el valor 2; si todas han
sido cara la variable toma el valor 10

La distribucin de probabilidad de este tipo de distribucin sigue el siguiente modelo:

Alguien entiende esta frmula? Vamos a tratar de explicarla con un ejemplo:

Ejemplo 1: Cul es la probabilidad de obtener 6 caras al lanzar una moneda 10 veces?

" k " es el nmero de aciertos. En este ejemplo " k " igual a 6 (en cada acierto decamos
que la variable toma el valor 1: como son 6 aciertos, entonces k = 6)
" n" es el nmero de ensayos. En nuestro ejemplo son 10
" p " es la probabilidad de xito, es decir, que salga "cara" al lanzar la moneda. Por lo
tanto p = 0,5
La frmula quedara:

Luego,
P (x = 6) = 0,205
Es decir, se tiene una probabilidad del 20,5% de obtener 6 caras al lanzar 10 veces una
moneda.
Ejemplo 2: Cul es la probabilidad de obtener cuatro veces el nmero 3 al lanzar un
dado ocho veces?
"k " (nmero de aciertos) toma el valor 4
"n" toma el valor 8

"p " (probabilidad de que salga un 3 al tirar el dado) es 1 / 6 (= 0,1666)

La frmula queda:

Luego,
P (x = 4) = 0,026
Es decir, se tiene una probabilidad del 2,6% de obtener cuatro veces el nmeros 3 al
tirar un dado 8 veces.

Distribuciones discretas: Poisson

Las distribucin de Poisson parte de la distribucin binomial:
Cuando en una distribucin binomial se realiza el experimento un nmero "n" muy
elevado de veces y la probabilidad de xito "p" en cada ensayo es reducida, entonces se
aplica el modelo de distribucin de Poisson:

Se tiene que cumplir que:

"p " < 0,10
"p * n " < 10
La distribucin de Poisson sigue el siguiente modelo:

Vamos a explicarla:

El nmero "e" es 2,71828

"l " = n * p (es decir, el nmero de veces " n " que se realiza el experimento
multiplicado por la probabilidad " p " de xito en cada ensayo)
"k " es el nmero de xito cuya probabilidad se est calculando
Veamos un ejemplo:
La probabilidad de tener un accidente de trfico es de 0,02 cada vez que se viaja, si se
realizan 300 viajes, cual es la probabilidad de tener 3 accidentes?
Como la probabilidad " p " es menor que 0,1, y el producto " n * p " es menor que 10,
entonces aplicamos el modelo de distribucin de Poisson.

Luego,
P (x = 3) = 0,0892
Por lo tanto, la probabilidad de tener 3 accidentes de trfico en 300 viajes es del 8,9%

Otro ejemplo:
La probabilidad de que un nio nazca pelirrojo es de 0,012. Cul es la probabilidad de
que entre 800 recien nacidos haya 5 pelirrojos?

Luego,
P (x = 5) = 4,602
Por lo tanto, la probabilidad de que haya 5 pelirrojos entre 800 recien nacidos es del
4,6%.

Distribuciones discretas: Hipergeomtrica

Las distribucin hipergeomtrica es el modelo que se aplica en experimentos del
siguiente tipo:
En una urna hay bolas de dos colores (blancas y negras), cul es la probabilidad de
que al sacar 2 bolas las dos sean blancas?
Son experimentos donde, al igual que en la distribucin binomial, en cada ensayo hay
tan slo dos posibles resultados: o sale blanca o no sale. Pero se diferencia de la
distribucin binomial en que los distintos ensayos son dependientes entre s:
Si en una urna con 5 bolas blancas y 3 negras en un primer ensayo saco una bola
blanca, en el segundo ensayo hay una bola blanca menos por lo que las probabilidades
son diferentes (hay dependencia entre los distintos ensayos).

La distribucin hipergeomtrica sigue el siguiente modelo:

Donde:

Vamos a tratar de explicarlo:

N: es el nmero total de bolas en la urna

N1: es el nmero total de bolas blancas

N2: es el nmero total de bolas negras
k: es el nmero de bolas blancas cuya probabilidad se est calculando
n: es el nmero de ensayos que se realiza
Veamos un ejemplo: en una urna hay 7 bolas blancas y 5 negras. Se sacan 4 bolas
Cul es la probabilidad de que 3 sean blancas?
Entonces:
N = 12; N1 = 7; N2 = 5; k = 3; n = 4
Si aplicamos el modelo:

Por lo tanto, P (x = 3) = 0,3535. Es decir, la probabilidad de sacar 3 bolas blancas es del

35,3%.
Pero este modelo no slo se utiliza con experimentos con bolas, sino que tambin se
aplica con experimentos similares:
Ejemplo: en una fiesta hay 20 personas: 14 casadas y 6 solteras. Se eligen 3 personas al
azar Cul es la probabilidad de que las 3 sean solteras?

Por lo tanto, P (x = 3) = 0,0175. Es decir, la probabilidad de que las 3 personas sean

solteras es tan slo del 1,75%.

Distribuciones discretas: Multinomial

La distribucin multinomial es similar a la distribucin binomial, con la diferencia de
que en lugar de dos posibles resultados en cada ensayo, puede haber mltiples
resultados:
Ejemplo de distribucin binomial: a unas elecciones se presentaron 2 partidos
polticos: el POPO obtuvo un 70% de los votos y el JEJE el 30% restante. Cul es la
probabilidad de que al elegir 5 ciudadanos al azar, 4 de ellos hallan votado al JEJE?
Ejemplo de distribucin multinomial: a esas elecciones se presentaron 4 partidos
polticos: el POPO obtuvo un 40% de los votos, el JEJE el 30%, el MUMU el 20% y el
LALA el 10% restante. Cul es la probabilidad de que al elegir 5 ciudadanos al azar, 3
hayan votado al POPO, 1 al MUMU y 1 al LALA?
La distribucin multinomial sigue el siguiente modelo:

Donde:
X1 = x1: indica que el suceso X1 aparezca x1 veces (en el ejemplo, que el partido
POPO lo hayan votado 3 personas)
n: indica el nmero de veces que se ha repetido el suceso (en el ejemplo, 5 veces)
n!: es factorial de n (en el ejemplo: 5 * 4 * 3 * 2 * 1)
p1: es la probabilidad del suceso X1 (en el ejemplo, el 40%)
Veamos el ejemplo:

Luego:
P = 0,0256
Es decir, que la probabilidad de que las 5 personas elegidas hayan votado de esta
manera es tan slo del 2,56%

Nota: 0! es igual a 1, y cualquier nmero elevado a 0 es tambin igual a 1

Veamos otro ejemplo:
En una fiesta, el 20% de los asistentes son espaoles, el 30% franceses, el 40% italiano
y el 10% portugueses. En un pequeo grupo se han reunido 4 invitados: cual es la
probabilidad de que 2 sean espaoles y 2 italianos?
Aplicamos el modelo:

Luego
P = 0,0384

Por lo tanto, la probabilidad de que el grupo est formado por personas de estos pases
es tan slo del 3,84%.
Distribuciones continuas: Uniforme
La distribucin uniforme es aquella que puede tomar cualquier valor dentro de un
intervalo, todos ellos con la misma probabilidad.
Es una distribucin continua porque puede tomar cualquier valor y no nicamente un
nmero determinado (como ocurre en las distribuciones discretas).
Ejemplo: el precio medio del litro de gasolina durante el prximo ao se estima que
puede oscilar entre 140 y 160 ptas. Podra ser, por tanto, de 143 ptas., o de 143,4 ptas., o
de 143,45 ptas., o de 143,455 ptas, etc. Hay infinitas posibilidades, todas ellas con la
misma probabilidad.
Su funcin de densidad, aquella que nos permite conocer la probabilidad que tiene
cada punto del intervalo, viene definida por:

Donde:
b: es el extremo superior (en el ejemplo, 160 ptas.)

a: es el extremo inferior (en el ejemplo, 140 ptas.)

Por lo tanto, la funcin de distribucin del ejemplo sera:

Es decir, que el valor final est entre 140 ptas. y 141 ptas. tiene un 5% de probabilidad,
que est entre 141 y 142, otro 5%, etc.
El valor medio de esta distribucin se calcula:

En el ejemplo:

Por lo tanto, el precio medio esperado de la gasolina para el prximo ao es de 150 ptas.

Veamos otro ejemplo:

El volumen de precipitaciones estimado para el prximo ao en la ciudad de Sevilla va
a oscilar entre 400 y 500 litros por metro cuadrado. Calcular la funcin de distribucin y
la precipitacin media esperada:

Es decir, que el volumen de precipitaciones est entre 400 y 401 litros tiene un 1% de
probabilidades; que est entre 401 y 402 litros, otro 1%, etc.
El valor medio esperado es:

Es decir, la precipitacin media estimada en Sevilla para el prximo ao es de 450

litros.
Distribuciones continuas: Normal (I)

Es el modelo de distribucin ms utilizado en la prctica, ya que multitud de

fenmenos se comportan segn una distribucin normal.
Esta distribucin de caracteriza porque los valores se distribuyen formando
unacampana de Gauss, en torno a un valor central que coincide con el valor medio de
la distribucin:

Un 50% de los valores estn a la derecha de este valor central y otro 50% a la izquierda
Esta distribucin viene definida por dos parmetros:

X: N (m, s 2)

m : es el valor medio de la distribucin y es precisamente donde se sita el centro de la

curva (de la campana de Gauss).
s 2 : es la varianza. Indica si los valores estn ms o menos alejados del valor central: si
la varianza es baja los valores estn prximos a la media; si es alta, entonces los valores
estn muy dispersos.

Cuando la media de la distribucin es 0 y la varianza es 1se denomina "normal

tipificada", y su ventaja reside en que hay tablas donde se recoge la probabilidad
acumulada para cada punto de la curva de esta distribucin.

Adems, toda distribucin normal se puede transformar en una normal tipificada:

Ejemplo: una variable aleatoria sigue el modelo de una distribucin normal con media
10 y varianza 4. Transformarla en una normal tipificada.

X: N (10, 4)

Para transformarla en una normal tipificada se crea una nueva variable (Y) que
ser igual a la anterior (X) menos su media y dividida por su desviacin tpica (que
es la raz cuadrada de la varianza)

En el ejemplo, la nueva variable sera:

Esta nueva variable se distribuye como una normal tipificada, permitindonos, por
tanto, conocer la probabilidad acumulada en cada valor.
Y: N (0, 1)
Teorema Central del Lmite
El Teorema Central del Lmite dice que si tenemos un grupo numeroso de variables
independientes y todas ellas siguen el mismo modelo de distribucin (cualquiera que
ste sea), la suma de ellas se distribuye segn una distribucin normal.
Ejemplo: la variable "tirar una moneda al aire" sigue la distribucin de Bernouilli. Si
lanzamos la moneda al aire 50 veces, la suma de estas 50 variables (cada una
independiente entre s) se distribuye segn una distribucin normal.

Este teorema se aplica tanto a suma de variables discretas como de variables continuas.

Los parmetros de la distribucin normal son:

Media: n * m (media de la variable individual multiplicada por el nmero de variables
independientes)
Varianza: n * s2 (varianza de la variable individual multiplicada por el nmero de
variables individuales)
Veamos un ejemplo:
Se lanza una moneda al aire 100 veces, si sale cara le damos el valor 1 y si sale cruz el
valor 0. Cada lanzamiento es una variable independiente que se distribuye segn el
modelo de Bernouilli, con media 0,5 y varianza 0,25.
Calcular la probabilidad de que en estos 100 lanzamientos salgan ms de 60 caras.
La variable suma de estas 100 variables independientes se distribuye, por tanto, segn
una distribucin normal.

Media = 100 * 0,5 = 50

Varianza = 100 * 0,25 = 25
Para ver la probabilidad de que salgan ms de 60 caras calculamos la variable normal
tipificada equivalente:

(*) 5 es la raiz cuadrada de 25, o sea la desviacin tpica de esta distribucin

Por lo tanto:
P (X > 60) = P (Y > 2,0) = 1- P (Y < 2,0) = 1 - 0,9772 = 0,0228
Es decir, la probabilidad de que al tirar 100 veces la moneda salgan ms de 60 caras es
tan slo del 2,28%
LINKOGRAFA:

http://www.uabcs.mx/maestros/descartados/mto07/histfrec.htm
http://quantum.ucting.udg.mx/~luisdegu/calidad_total/Unidad_2/7her
bas/condtruccion/condtruccion.html

http://metodoscuantitativo2.galeon.com/enlaces2218784.html
http://www.aulafacil.com/cursos/l11239/ciencia/estadisticas/estadisticas/distribu
cion-de-probabilidades-distribuciones-discretas-bernouilli

http://www.aulafacil.com/cursos/l11241/ciencia/estadisticas/estadisticas/distribu
ciones-discretas-poisson
http://www.aulafacil.com/cursos/u675/ciencia/estadisticas/estadisticas
/recomendaciones-finales