Nombre: Cristian Raúl Yambay Rosero.

Curso/Paralelo: S3P1

CURVAS DE DISTRIBUCIÓN.

Para estudiar el mundo y sus variables es necesario organizarlo, trabajo que le compete a la
estadística y una de las herramientas más practicas son las gráficas pues dan una idea clara
acerca de un fenómeno. Una gráfica importante son las curvas de distribución, entonces surge
la pregunta: ¿Qué son las curvas de Distribución? Las curvas de Distribución de Frecuencia nos
permiten examinar las estadísticas de tendencia central. Estas se grafican en una curva de
distribución de frecuencia, donde en el eje horizontal se colocan las puntuaciones de izquierda
a derecha, desde la más baja hasta la más alta. Una Curva de Distribución de Frecuencias es un
sustituto de un histograma o polígono de frecuencia, los cuales se sustituyen por una curva, ella
será una estimación de la forma como se distribuyen las puntuaciones en la población. Es
importante destacar que el área bajo la curva representa el número total de individuos en la
población y es igual a un porcentaje de 100% (Morales, 2014).

Dado que las curvas de distribución son sustitutos de los histogramas y polígonos de
frecuencias, viene bien saber algo de este par de gráficos. Un histograma o histograma de
frecuencias consiste en una serie de rectángulos que tienen sus bases sobre un eje horizontal (el
eje X) con centros en las marcas de clase y longitud igual al tamaño de los intervalos de clase.
Superficies proporcionales a las frecuencias de clase. Un polígono de frecuencias es un gráfico
de línea trazado sobre las marcas de clase. Puede obtenerse uniendo los puntos medios de los
techos de los rectángulos en el histograma (Becerra, 2010).

¿Para que se utilizan las curvas de distribución? Según Muñoz (2014) La importancia de las
curvas de distribución radica en que permiten modelar numerosos fenómenos naturales,
sociales y psicológicos. No obstante, no descarta que el par de variables relacionadas no sean
afectadas por una cantidad de variables incontrolables. El uso de un modelo puede justificarse
asumiendo cada observación que se obtiene como la suma de unas pocas causas independientes.
Cave recalcar que al intentar relacionar dos variables estas pueden responder mejor a cierto tipo
de curva de distribución por lo que es de suma importancia conocer los tipos de curvas de
distribución que existen.

Según Becerra Gustavo (2010): Las curvas de distribución pueden tomar formas características.
Las “curvas de frecuencia simétricas o bien formadas” se caracterizan por el hecho de que las

1
observaciones que equidistan del máximo central tienen la misma frecuencia. En las curvas de
frecuencia moderadamente asimétricas o sesgadas la cola de la curva a un lado del máximo
central es mayor que al otro lado. Si la cola mayor se presenta a la derecha de la curva se dice
que ésta está sesgada a la derecha o que tiene sesgo positivo, mientras que si ocurre lo contrario
se dice que la curva está sesgada a la izquierda o que tiene un sesgo negativo. En las curvas en
forma de J o de J invertida, el máximo se presenta en un extremo. Las curvas de frecuencias en

forma de U tienen el máximo en ambos extremos. Una curva de frecuencias bimodal tiene dos
máximos. Una curva de frecuencias multimodal tiene más de dos máximos.

Para ejemplificar una distribución asimétrica positiva se graficaría la distribución de las

calificaciones en una prueba extremadamente difícil, en que la mayor parte de la gente obtenga
bajas calificaciones. En cambio, una prueba muy fácil o de calificación muy indulgente
originaría un ejemplo de distribución asimétrica negativa (Tecnológico de Monterrey, 2012).
Una distribución ‘J’, que también tiene una asimetría negativa, está bien ejemplificada por la
proporción de estudiantes matriculados en educación superior según el nivel de ingreso. En
cualquier país ‘normal’, para mientras más alto es el nivel de ingreso de las familias, más alta
es la proporción de los estudiantes matriculados.

En otra clasificación de curvas de distribución tenemos la que muestra (EPM Information

Development Team, 2013) en su softwate Crystal Ball: en la que encontramos curvas de
distribución normal, triangular, uniforme, lognormal, beta, betapert, gamma, weilbull, max
extreme, min extreme, logistic, student’s t, exponencial, pareto, binomial, Poisson,
hipergeométrica, neg binomial, geométrica uniforme discreta, si-no, custom, como se muestra
en la Ilustración 2.

Ilustración 1. Tipos de curvas de

Distribución.

Autor: (EPM Information Development

Team, 2013)

2
DISTRIBUCION BINOMIAL

Una distribución binomial es una distribución discreta que modela el número de eventos en un
número de ensayos fijo. Cada ensayo tiene dos resultados posibles, y evento es el resultado de
interés en un ensayo (Minitab, LLC, 2019).Una distribución binomial es una distribución de
probabilidad directa que describe el número de éxitos al realizar un determinado número de
experimentos independientes entre sí, acerca de una variable aleatoria (Francisco, 2019). Una
distribución binomial B (n, p) se parece a una normal tanto más cuanto mayor es el producto
n*p (o n*q si q<p, siendo q=1-p). Cuando n*p y n*q superan 5, la aproximación es casi perfecta,
como se puede apreciar en la figura (Ministerio de Educación, Cultura y Deporte, 2001).

Este tipo de distribución tiene que cumplir ciertas propiedades como que en cada ensayo,
experimento o prueba solo son posibles dos resultados: éxito o fracaso. La probabilidad del
éxito deber ser constante, representada con la letra p. La probabilidad de fracaso también debe
ser contante. El resultante de cada experimento o evento es independiente al anterior y por ende
cada experimento no afecta a los siguientes. Los sucesos son mutuamente excluyentes, es decir,
no pueden ocurrir los 2 al mismo tiempo. También ambos deben ser colectivamente
exhaustivos, es decir, que al menos uno de los 2 a de ocurrir. La variable aleatoria que sigue
una distribución binomial se suele representar como X- (n, p) representa el número de ensayos
o experimentos y p la probabilidad de éxito (Francisco, 2019). El número de eventos (X) en n
ensayos sigue una distribución binomial si se cumplen las siguientes condiciones: El número
de ensayos es fijo. Cada ensayo es independiente de otros ensayos. Cada ensayo tiene uno de
dos resultados: evento o no evento. La probabilidad de un evento es igual para cada ensayo
(Minitab, LLC, 2019).

Se emplea una distribución binomial para describir un proceso donde los resultados se pueden
etiquetar como un evento o un no evento, como éxito o fracaso. Siempre cuando se esté
interesado en la ocurrencia de un evento y no en su magnitud. Por ejemplo, un elemento pasa o
no pasa una inspección o un partido político gana o pierde. La distribución binomial se usa
frecuentemente en control de calidad, sondeos de opinión pública, investigaciones médicas y
seguros (Minitab, LLC, 2019).

Para una distribución binomial, la probabilidad de ocurrencia del suceso A, y por lo tanto la de
su complementario: 𝑃(𝐴) = 𝑝; 𝑃(𝐴̅) = 1 − 𝑝 = 𝑞. Aquí se toma 𝑋 → 𝐵(𝑛, 𝑝) donde cierto
número de veces que ocurre el suceso A (nº éxitos) en n realizaciones independientes del
experimento (Anónimo, 2004). La fórmula empleada para calcular la probabilidad de un evento

3
 𝑛
en una distribución binomial es la siguiente: 𝑃(𝑥) = ( ) 𝑝 𝑥 𝑞 𝑛−𝑥 . Donde: n es el número de
𝑥
ensayos u experimentos; x es el número de éxitos; p es la probabilidad de éxito y q es la
probabilidad de fracaso (1-p) (Francisco, 2019). Una de las propiedades de la distribución
binomial es que cuando n es grande, la distribución binomial puede ser aproximada
razonablemente por la distribución normal (Minitab, LLC, 2019).

DISTRIBUCION NORMAL

La Distribución Normal es una curva de distribución de frecuencia donde los tres estadísticos
de tendencia central (Media, Moda y Mediana) son iguales entre sí y la forma que tiene la curva
es de campana. Los tres estadísticos se encuentran en el centro, la ubicación de la mediana
garantiza la simetría de la curva, la moda indica el punto más alto de la curva (Morales, 2014).
Según Martínez (2018) expone que, en conjunto, las medidas de tendencia central y de
dispersión le dan forma a la curva de una distribución que, como ya comentamos, puede ser una
forma simétrica o asimétrica. La asimetría de una distribución junto con otra de sus
características, la curtosis, permite conocer la forma de una distribución Se conoce como curva
normal a la distribución con forma de campana. También se le conoce como distribución
Gaussiana o campana de Gauss, en honor al matemático Carl Friederich Gauss (Gupta, 2011).

La curva normal o campana de Gauss se concibe como un histograma donde el número de

intervalos aumenta de forma indefinida, disminuyendo progresivamente su amplitud. La altura
máxima es la que alcanza en el punto central, cuyo valor (valor máximo) se sitúa en la media
de la distribución. La curva es simétrica con respecto al eje vertical que pasa por la media. La
media, la moda y la mediana tienen el mismo valor. La distribución con la que habitualmente
se trabaja en la normal típica, es aquella que tiene de media 0 y de desviación típica 1
(Universidad de Cordova, 2009).

Una Distribución Sesgada es una curva de distribución de frecuencia donde los tres estadísticos
de tendencia central son desiguales, ubicados en distintos lugares de la curva, puede ser que la
moda y la mediana sean menores que la media, o al contrario mayores que la media. Esto dará
el nombre de Sesgo a la derecha o Sesgo a la Izquierda (Morales, 2014). La representación
gráfica es la curva de distribución normal también denominada campana de Gauss en honor del
renombrado científico alemán Carl Friedrich Gauss a quien se le atribuye erróneamente su

4
invención pero que sin duda la usó frecuentemente para analizar fenómenos astronómicos con
éxito (Jiménez, 2010).

Una distribución normal se caracteriza por que los valores de las mediciones tienden a agruparse
alrededor de un punto central, la media. La representación de los datos es simétrica a ambos
lados de la media. Las desviaciones estándares quedan situadas a igual distancia unas de otras.
La proporción de mediciones situada entre la media y las desviaciones es una constante en la
que: la media ± 1 multiplicada por desviación estándar logra cubrir el 68,3% de los casos; la
media ± 2 multiplicada por desviación estándar logra cubrir el 95,5% de los casos; la media ±
3 multiplicada por desviación estándar completa el 99,7% de los casos (Jiménez, 2010).

La asimetría representa el grado en el que los datos de una distribución de frecuencias se

reparten por encima y por debajo de la tendencia central. Si el grado de asimetría es 0 como
valor del sesgo, es decir, el promedio es igual a la mediana, entonces tenemos una simetría
perfecta. Si el valor el sesgo arroja un valor negativo, es decir que el promedio es menor que la
mediana, entonces tenemos un sesgo negativo. En consecuencia, si el promedio es mayor a la
mediana por lo que el valor del sesgo dará positivo se tiene un grado de asimetría con sesgo
positivo (Anónimo, 2004).

La curtosis informa sobre que tanto se aglutinan los datos con respecto de la media. Datos muy
dispersos respecto de su media generan una distribución platicúrtica (aplanada), datos muy
aglutinados alrededor de la media generan una distribución leptocúrtica (picuda) y una
distribución normal presenta una curva mesocúrtica. Cuando la distribución es mesocúrtica el
coeficiente de Fisher adquiere un valor de 3 pero en general la fórmula se adecúa para que el
resultado sea cero igual que en la asimetría. Cuando el coeficiente de Fisher es menor a cero la
distribución es platicúrtica, cuando es igual a cero se considera mesocúrtica y cuando es mayor
a cero la distribución es leptocúrtica. (Martínez, 2018).

La curva de distribución normal del proceso coincide o está dentro de los límites establecidos
por la industria (bien en las normas de calidad desarrolladas o bien en las recomendaciones
establecidas por las asociaciones). En este caso el proceso opera con eficacia y se pueden
realizar trabajos de alta exigencia con respecto a la variable controlada. También este tipo de
distribución supera los límites establecidos por la industria. En este caso puede que estén
operando causas asignables de variación o que existen limitaciones debidas a los recursos y
equipos empleados por lo que no es posible realizar trabajos exigentes con respecto a la variable

5
controlada hasta que no se hayan eliminado las causas especiales de variación o no se dispongan
de los recursos y equipos adecuados (Jiménez, 2010).

DISTRIBUCIÓN DE CHI-CUADRADA

l estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad del mismo
nombre, sirve para someter a prueba hipótesis referidas a distribuciones de frecuencias. En
términos generales, esta prueba contrasta frecuencias observadas con las frecuencias esperadas
de acuerdo con la hipótesis nula. La distribución de chi-cuadrada es una distribución continua
que se especifica por los grados de libertad y el parámetro de no centralidad. La distribución es
positivamente asimétrica, pero la asimetría disminuye al aumentar los grados de libertad
(Minitab, LLC, 2019). Es una distribución de probabilidad continua con un parámetro k que
indica los grados de libertad (gl). Esta distribución sólo presenta valores positivos debido a la
conformación de su estadístico (el cuadrado de las diferencias entre valores observados y
esperados) (Martínez, 2018).

Minitab (2019) utiliza la distribución de chi-cuadrada (χ2) en pruebas de significancia

estadística para comprobar qué tan bien se ajusta una muestra a una distribución teórica. Por
ejemplo, puede utilizar una prueba de bondad de ajuste de chi-cuadrada para determinar si los
datos de la muestra se ajustan a una distribución de Poisson. Comprobar la independencia de
las variables categóricas. Por ejemplo, un fabricante desea saber si la ocurrencia de cuatro tipos
de defectos (espárrago faltante, abrazadera rota, sujetador flojo y sello con fugas) está
relacionada con los turnos (diurno, vespertino, nocturno).

El matemático inglés Karl Pearson (1857 / 1936), con formación en literatura medieval
alemana, derecho romano, física, biología y teoría política del socialismo, hasta 1890 sobresalió
por aplicar ampliamente la Estadística y la Teoría de la Probabilidad a la solución de diferentes
problemas de la ingeniería industrial. Se deriva de la distribución normal y la distribución
gamma. La distribución tiene un solo parámetro, k, denominado grados de libertad de la
variable aleatoria. La variable aleatoria continua X tiene una distribución chi cuadrada, con k
grados de libertad (López & Nicolás, 2016). Aplicaciones en el campo de la ingeniería: sus usos
son determinar la resistencia, la fuerza o la durabilidad de aleaciones, resortes, engranajes,
materias primas, etc. Relación con otras distribuciones: la distribución chi cuadrado es un caso
especial de la distribución gamma. Cuando los grados de libertad son 30 o más, la distribución
de chi-cuadrada puede aproximarse razonablemente con una distribución normal, como se
ilustra en las siguientes gráficas: (Minitab, LLC, 2019)

6
BIBLIOGRAFÍA
Anónimo. (12 de Marzo de 2004). Obtenido de MODELOS DE PROBABILIDAD
DISCRETOS: https://www.ugr.es/~bioestad/_private/Tema_4_color.pdf
Becerra, G. (Octubre de 2010). Monografías. Obtenido de Distribuciones de frecuencia:
https://www.monografias.com/trabajos72/distribucion-frecuencias/distribucion-
frecuencias2.shtml
EPM Information Development Team. (2013). Crystal Ball Services. Obtenido de Un ejemplo
de probabilidad:
https://www.crystalballservices.com/Portals/0/CB_Material/CrystalBallUserGuides/es
/Crystal%20Ball%20Users%20Guide/frameset.htm?apas02s01.html
Francisco, S. (Mayo de 2019). Economipedia. Obtenido de Distribución binomial:
https://economipedia.com/definiciones/distribucion-binomial.html
Jiménez, J. (22 de Enero de 2010). Obtenido de La curva de distribución normal o “Campana
de Gauss”: https://jesusgarciaj.com/2010/01/22/la-curva-de-distribucion-normal/
López, A., & Nicolás, L. (22 de Mayo de 2016). Rpubs. Obtenido de DISTRIBUCIÓN CHI
CUADRADO: https://rpubs.com/angelicalopez/chicuadrado
Martínez, A. (4 de Abril de 2018). Obtenido de Tipos de Distribución: https://rstudio-pubs-
static.s3.amazonaws.com/377130_08851253a31b41d18c25fd08fad316c3.html
Ministerio de Educación, Cultura y Deporte. (2001). Descartes 2D. Obtenido de OTRAS
APLICACIONES DE LA DISTRIBUCIÓN NORMAL:
http://recursostic.educacion.es/descartes/web/materiales_didacticos/distribuciones_pro
babilidad/aplic_normal.htm
Minitab, LLC. (2019). Soporte Minitab. Obtenido de Distribucion Binomial:
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/binomial-distribution/
Minitab, LLC. (2019). Soporte Minitab. Obtenido de Distribucion de chi-cuadrada:
https://support.minitab.com/es-mx/minitab/18/help-and-how-to/probability-
distributions-and-random-data/supporting-topics/distributions/chi-square-distribution/
Morales, E. (17 de Frebrero de 2014). La profe de matemática. Obtenido de CURVAS DE
DISTRIBUCIÓN DE FRECUENCIA: http://laprofematematica.com/blog/curvas-de-
distribucion-de-frecuencia/
Muñoz, J. (26 de Abril de 2014). Prezi. Obtenido de Aplicación de la Distribucion Normal:
https://prezi.com/sjlzjo7fmieb/aplicacion-de-la-distribucion-normal/
Tecnológico de Monterrey. (2012). Centro Virtual de Aprendizaje. Obtenido de
http://www.cca.org.mx/cca/cursos/estadistica/html/m8/otros_tipos.htm
Universidad de Cordova. (19 de Septiembre de 2009). Métodos de Investigación en
Educación. Obtenido de El modelo de la curva normal:
http://www.uco.es/dptos/educacion/invadiv/images/stories/documentos/METODOS/M
ETODOS%20PRESENTACIONES/MANANA/TEMA7.pdf