ESTADISTICA

PROBABILIDADES

D
A
D
I
L
I
B
A
B
O
S
E
R

PRESENTADO POR:

BARRIOS ROSARIO
MAGALY MAGARITA
TERCER SEMESTRE C

Definicin:
Las Probabilidades pertenecen a la rama de la
matemtica que estudia ciertos experimentos llamados
aleatorios, o sea regidos por el azar, en que se conocen
todos los resultados posibles, pero no es posible tener
certeza de cul ser en particular el resultado del
experimento. Por ejemplo, experimentos aleatorios
cotidianos son el lanzamiento de una moneda, el
lanzamiento de un dado, extraccin de una carta de un
mazo de naipes.

 La palabra probabilidad se utiliza para cuantificar

nuestra creencia de que ocurra un acontecimiento
determinado. Existen tres formas de estimar
probabilidades: el enfoque clsico, el cual se
aplica cuando todos los resultados posibles que se
consideran
igualmente
probables;
el
de
frecuencias relativas o probabilidad emprica, se
refiere a la estimacin con base en un gran
nmero de experimentos repetidos en las mismas
condiciones. El enfoque subjetivo basado en
situaciones especiales, en las cuales no es posible
repetir el experimento y slo usa un grado de
confianza personal.

La probabilidad mide la frecuencia con la que

se obtiene un resultado y luego al llevar a cabo
un experimento aleatorio, del que se conocen
todos los resultados posibles, bajo condiciones
suficientemente estables. La
teoria de
probabilidad se usa extensamente en reas
como
la
estadistica,
la
fisica,
la
matemtematica , las ciencias y la filosofa
para sacar conclusiones sobre la probabilidad
discreta de sucesos potenciales y la mecnica
subyacente discreta de sistemas complejos.

PODEMOS ENCONTRAR 2 TIPOS DE

PROBABILIDADES:
a. PROBABILIDAD FRECUENTISTA O DE VON MISES (frecuencias
relativas 1957)
La probabilidad experimental de que ocurra un evento es la
frecuencia relativa observada con que
ocurre ese evento. Si un experimento se realiza n veces, bajo las
mismas condiciones y si ocurren
n(A) resultados favorables al evento A, el valor estimado de la
probabilidad de que ocurra A como
resultado de la experimentacin, puede determinarse de la manera
siguiente:

Donde n(A) es el nmero de veces que se observ realmente el

evento A, y n es el nmero de veces que se efectu el experimento.

Ejemplo:

De 70 alumnos que se inscribieron al curso

de probabilidad y estadstica en el semestre
anterior. 15
no lo terminaron, 20 obtuvieron una calificacin de
NA y el resto lo aprobaron, Cul es la
probabilidad de que un alumno acredite la materia?

PROBABILIDAD SUBJETIVA (1969)

La probabilidad estimada mediante los enfoques clsicos y
experimental, son completamente objetivos, ya que se
determinan con base en hechos reales. En cambio, en
algunos casos se presentan situaciones en las cuales no es
posible realizar experimentos repetitivos y los resultados
tampoco son igualmente probables. En estas condiciones,
la probabilidad de ocurrencia de un evento debe evaluarse
en forma subjetiva. Tales apreciaciones suelen ser de
criterio personal, y por lo tanto, dos personas pueden
cuantificar en forma diferente, la probabilidad subjetiva del
mismo evento. Podemos entonces considerar la
probabilidad subjetiva como la evaluacin personal de la
ocurrencia de un evento incierto.

Axiomas de probabilidades
Los
axiomas de la formulacin moderna de la teora de la
probabilidad constituyen una base para deducir a partir de ellas un
amplio nmero de resultados. La letra P se utiliza para designar la
probabilidad de un evento, siendo P(A) la probabilidad de
ocurrencia de un evento A en un experimento.
AXIOMA 1
Si A es un evento de S, entonces la probabilidad del evento A es:

Como no podemos obtener menos de cero xitos ni ms de n xitos

en n experimentos, la probabilidad de cualquier evento A, se
representa mediante un valor que puede variar de 0 a 1.

AXIOMA
2

Si dos eventos son mutuamente excluyentes, la probabilidad de
obtener A o B es igual a la probabilidad de obtener A ms la
probabilidad de obtener B.

Excluirse mutuamente quiere decir que A y B no pueden ocurrir

simultneamente en el mismo experimento. As, la probabilidad
de obtener guila o sol en la misma tirada de una moneda ser

En general podemos decir que la suma de las probabilidades de

todos los posibles eventos mutuamente excluyentes es igual a
1:

AXIOMA

3
Si A es un evento cualquiera de un experimento
aleatorio y A es el complemento de A, entonces:

Es decir, la probabilidad de que el evento A no

ocurra, es igual a 1 menos la probabilidad de que
ocurra.

PROPIEDADES
Si w1, w2, . . ., wn son los n sucesos elementales de
un suceso aleatorio cualquiera una funcin. p : S
R de modo que cumple las propiedades:
1. 0 p(wi) 1 i {1, 2, . . . ,n}
2. p(w1) + p(w2) + . . .+ p(wn) = 1
Entonces p es una probabilidad.

Leyes de De Morgan: Si A y B son dos

sucesos, se verifican:
(A B) = A B
(A B) = A B

Regla de Laplace:
Si realizamos un experimento aleatorio en el que
hay n sucesos elementales, todos igualmente
probables, entonces si A es un suceso, la
probabilidad de que ocurra el suceso A es:

A
I
R
O
TE
DE
S
E
D
A
D
I
L
I
B
A
B
O
R

Regla de la adicin

Suponiendo que P(A) y P(B) representan las probabilidades para los

dos eventos A y B, entonces
P(A B) significa la probabilidad de que ocurran A o B. Si
representamos los eventos A y B en un
Diagrama de Venn con

Entonces A y B son conjuntos disjuntos o mutuamente excluyentes,

o sea que no pueden ocurrir en forma simultnea

En cambio, si ambos eventos tienen puntos

muestrales en comn

Regla de la multiplicacin
La regla de la multiplicacin establece que la
probabilidad de ocurrencia de dos o ms eventos
estadsticamente independientes es igual al
producto de sus probabilidades individuales.
P(A y B) = P(A B) = P(A)P(B) si A y B son
independientes. P(A y B) = P(A B) = P(A)P(B|A) si
A y B son dependientes

Aplicaciones
teora de la probabilidad

Dos aplicaciones principales de la teora de la

probabilidad en el da a da son en el anlisis de
riesgo y en el comercio de los mercados de
materias primas. Los gobiernos normalmente
aplican mtodos probabilsticos en regulacin
ambiental donde se les llama "anlisis de vas de
dispersin", y a menudo miden el bienestar
usando mtodos que son estocsticos por
naturaleza, y escogen qu proyectos emprender
basndose en anlisis estadsticos de su probable
efecto en la poblacin como un conjunto.

Investigacin biomdica
Muestreo en estadstica
La mayora de las investigaciones biomdicas utilizan
muestras de probabilidad, es decir, aquellas que el
investigador pueda especificar la probabilidad de cualquier
elemento en la poblacin que investiga. Las muestras de
probabilidad permiten usar estadsticas inferenciales, aquellas
que permiten hacer inferencias a partir de datos. Por otra
parte, las muestras no probabilsticas solo permiten usarse
estadsticas descriptivas, aquellas que solo permiten describir,
organizar y resumir datos. Se utilizan cuatro tipos de muestras
probabilsticas: muestras aleatorias simples, muestras
aleatorias estratificadas, muestra por conglomerados y
muestras sistemticas.

Espacio muestral
espacio muestral consiste en el conjunto de todos los posibles
resultados individuales de un experimento aleatorio.
Para algunos tipos de experimento puede haber dos o ms espacios de
muestreo posibles. Por ejemplo, cuando se toma una carta de un mazo
normal de 52 cartas, una posibilidad del espacio de muestreo podra
ser el nmero, mientras que otra posibilidad sera el palo . Una
descripcin completa de los resultados, sin embargo, especificara
ambos valores, nmero y palo, y se podra construir un espacio de
muestreo que describiese cada carta individual como el producto
cartesiano de los dos espacios de muestreo descritos.
Los espacios de muestreo aparecen de forma natural en una
aproximacin elemental a la probabilidad, pero son tambin
importantes en espacios de probabilidad. Un espacio de probabilidad
(, F, P) incorpora un espacio de muestreo de resultados, , pero
define un conjunto de sucesos de inters, la -lgebra F, por la cul se
define la medida de probabilidad P.

TIPOS DE ESPACIO MUESTRAL

Podemos diferenciar entre dos tipos de espacios
muestrales: discretos y continuos.
Discretos: Son aquellos espacios donde el nmero
de sucesos elementales es finito o infinito
numerable.
Espacio Probabilstico discreto:
Es aquel cuyo espacio muestral es
discreto.Podemos diferenciar varios tipos de espacio
probabilstico discreto:

Espacio Probabilistico Discreto

Equiprobable:
Su espacio muestral es finito de tamao n.
La probabilidad de cualquier suceso elemental E es

, de aqu se deduce que para todo suceso A la

probabilidad es
Espacio Probabilistico Finito
Su espacio muestral es discreto finito.
Hay al menos 2 sucesos elementales que cumplen.

SUCESO
Un suceso de un experimento aleatorio es cualquier cosa
que se nos ocurra afirmar sobre dicho experimento.

suceso imposible: No tiene ningun elemento y lo

representaremos por .
suceso seguro: Formado por todos los posibles
resultados (es decir, al espacio muestral).
espacio de sucesos: y lo representaremos por S,
al conjunto de todos los sucesos aleatorios.

OPERACIONES CON SUCESOS

1. Igualdad de sucesos: Dos sucesos A y B son iguales
si estn compuestos por los mismos elementos (A = B).
2. Interseccin de sucesos: Llamaremos suceso
interseccin de los sucesos A y B, al suceso que ocurre
en A y B a la vez (AB).
En ocasiones podremos encontrarnos con sucesos que
NO tengan elementos en comn. En estos casos se dice
que los sucesos A y B son incompatibles, y su
interseccin se representa con el conjunto vaco:
AB=
Evidentemente, si los sucesos s tienen interseccin,
diremos que son compatibles.

3. Unin de sucesos: (AB) Suceso que ocurre

en A o en B, Es decir (AB) son los elementos que
estn en ambos conjuntos (aunque no
necesariamente en los dos a la vez).

4. Suceso contrario de otro: Dado un

suceso A, denominaremos suceso contrario
A al suceso que tiene por elementos a todos
aquellos que no pertenecen a A.

6. Diferencia de sucesos: Si A y B son dos

sucesos, llamaremos diferencia entre A y B al
suceso BA, que consta de los elementos que estn
en B pero no estn en A.

Propiedades de las operaciones con sucesos.

Las operaciones con sucesos tienen las siguientes
propiedades

Procesos Estocasticos Finitos Y Diagramas de rbol

Un proceso estocstico es una sucesin finita de experimentos aleatorios, cada
uno de ellos con un n finito de resultados posibles. Se representan con diagrama
de rbol.
Por ejemplo, imaginemos que se lanza una moneda y un dado de seis caras. La
probabilidad de obtener un resultado particular corresponde a la multiplicacin de
sus probabilidades. Es decir, la probabilidad de obtener cara y un tres ser:

Ahora bien, la probabilidad de un suceso cualquiera es la suma de las

probabilidades de los distintos resultados aislados posibles. As, la probabilidad de
sacar siempre un resultado impar en los dados, independientemente del resultado
de la moneda, ser:

Espacio Probabilistico Infinito Contable

Aquel cuyo espacio muestral es discreto infinito contable. Por ejemplo
La probabilidad de que salga cara en la primera tirada ---->
La probabilidad de que salga cara en la segunda tirada ---->
La probabilidad de que salga cara en la tercera tirada ---->


Espacio Probabilistico Infinito Contable
Aquel cuyo espacio muestral es discreto infinito
contable. Por ejemplo
La probabilidad de que salga cara en la primera
tirada ---->
La probabilidad de que salga cara en la segunda
tirada ---->
La probabilidad de que salga cara en la tercera
tirada ---->

Continuos
Son aquellos espacios donde el nmero de sucesos elementales es
infinito incontable.
Espacio probabilstico continuo
Espacio muestral infinito no numerable. -No es posible
observar puntos concretos del espacio.
Tiene sentido hablar de intervalos observados. - No es posible
asignar probabilidad a un punto concreto, se asigna a
intervalos.
Por tanto la funcin P est definida sobre intervalos ----->

- Habitualmente cuando trabajamos con magnitudes fsicas.

DISTRIBUCION 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 real x es la probabilidad de que la
variable aleatoria sea menor o igual que x.

La distribucion normal se conoce como la CAMPANA DE

GAUSS

Distribucin binomial
La probabilidad de ocurrencia de una combinacin especfica de
eventos independientes y mutuamente excluyentes se determina
con la distribucin binomial, que es aquella donde hay solo dos
posibilidades, tales como masculino/femenino o si/no.
Para aplicar esta distribucin al calculo de la probabilidad de
obtener un nmero dado de xitos en una serie de experimentos
en un proceso de Bermnoulli, se requieren tres valores: el nmero
designado de xitos (m), el nmero de ensayos y observaciones
(n); y la probabilidad de xito en cada ensayo (p).
Entonces la probabilidad de que ocurran m xitos en un
experimento de n ensayos es:
P (x = m) = (nCm)(Pm)(1P)nm
Siendo: nCm el nmero total de combinaciones posibles de m
elementos en un conjunto de n elementos.
En otras palabras P(x = m) = [n!/(m!(nm)!)](p m)(1p)nm

DISTRIBUCIONES DISCRETAS
Las distribuciones discretas incluidas en el mdulo
de Clculo de probabilidades son:
Uniforme discreta.
Binomial.
Hipergeomtrica.
Geomtrica.
Binomial Negativa.
Poisson.

Distribucin Uniforme discreta

Describe el comportamiento de una variable

discreta que puede tomar n valores distintos con
la misma probabilidad cada uno de ellos. Esta
distribucin asigna igual probabilidad a todos los
valores enteros entre el lmite inferior y el lmite
superior que definen el recorrido 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.

Distribucin Hipergeomtrica
(N,R,n)
La distribucin hipergeomtrica suele aparecer
en procesos muestrales sin reemplazo, en los que
se investiga la presencia o ausencia de cierta
caracterstica. En esta situacin, la variable que
cuenta el nmero de cpsulas que no cumplen los
criterios de calidad establecidos sigue una
distribucin hipergeomtrica. Por tanto, esta
distribucin es la equivalente a la binomial, pero
cuando el muestreo se hace sin reemplazo.

 Esta distribucin se puede ilustrar del modo

siguiente: se tiene una poblacin finita con N
elementos, de los cuales R tienen una
determinada caracterstica que se llama xito
(diabetes, obesidad, hbito de fumar, etc.). El
nmero de xitos en una muestra aleatoria
de tamao n, extrada sin reemplazo de la
poblacin, es una variable aleatoria con
distribucin hipergeomtrica de parmetros N, R y
n. Cuando el tamao de la poblacin es grande,
los muestreos con y sin reemplazo son
equivalentes, por lo que la distribucin
hipergeomtrica se aproxima en tal caso a la
binomial.

Valores:
x: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n(N-R)} indica el valor mximo entre 0 y n-(N-R) y
min{R,n} indica el valor mnimo entre R y n.
Parmetros:
N: tamao de la poblacin, N>0 entero
R: nmero de xitos en la poblacin, R0 entero
n: nmero de pruebas, n>0 entero

DEFINICION DE FUNCION DE
DISTRIBUCION
Dada una variable aleatoria , su funcin de
distribucin,, es

Por simplicidad, cuando no hay lugar a confusin,

suele omitirse el subndice y se escribe,
simplemente, .

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 y son mutuamente excluyentes y su unin
es el suceso , por lo que tenemos entonces que:

TECNICAS DE CONTEO
El principio fundamental en el proceso de contar
ofrece un mtodo general para contar el numero de
posibles arreglos de objetos dentro de un solo
conjunto o entre carios conjuntos. Las tcnicas de
conteo son aquellas que son usadas para enumerar
eventos difciles de cuantificar.

Si un evento A puede ocurrir de n1 maneras y una

vez que este ha ocurrido, otro evento B puede n2
maneras diferentes entonces, el nmero total de
formas diferentes en que ambos eventos pueden
ocurrir en el orden indicado, es igual a n1 x n2.
n un nmero entero positivo, el producto
n (n-1) (n-2)...3 x 2 x 1 se llama factorial de n.
El smbolo ! se lee factorial y es el producto
resultante de todos los enteros positivos de 1 a n;
es decir, sea
n
5! = 5 x 4 x 3 x 2 x 1 = 120
Por definicin 0! = 1

Si, sin embargo, hay un gran nmero de posibles

resultados tales como el nmero de nios y nias
por familias con cinco hijos, sera tedioso listar y
contar todas las posibilidades. Las posibilidades
seran, 5 nios, 4 nios y 1 nia, 3 nios y 2 nias,
2 nios y 3 nias, etc.
Para facilitar el conteo examinaremos tres tcnicas:

* La tcnica de la multiplicacin
* La tecnica aditiva
* La tcnica de la permutacin

Ya explicadas anterior mente.

Distribucin Geomtrica (p)

Supngase, que se efecta repetidamente un
experimento o rueba, que las repeticiones son
independientes y que se est interesado en la
ocurrencia o no de un suceso al que se refiere
como xito, siendo la probabilidad de este
suceso p. La distribucin geomtrica permite
calcular la probabilidad de que tenga que
realizarse un nmero k de repeticiones hasta
obtener un xito por primera vez

Esta distribucin presenta la denominada

propiedad de Harkov o de falta de memoria, que
implica que la probabilidad de tener que esperar
un tiempo t no depende del tiempo que ya haya
transcurrido.

Distribucin Binomial negativa (r,p)

Una generalizacin obvia de la distribucin
geomtrica aparece si se supone que un
experimento se contina hasta que un
determinado suceso, de probabilidad p, ocurre por
rsima vez. La variable aleatoria que proporciona
la probabilidad de que se produzcan k fracasos
antes de obtener el r-simo xito sigue una
distribucin binomial negativa de parmetros r y
p, BN(r,p). La distribucin geomtrica corresponde
al caso particular en que r=1.

Distribucin Poisson (lambda)

La distribucin de Poisson, que debe su nombre al
matemtico francs Simen Denis Poisson (17811840), ya haba sido introducida en 1718 por
Abraham De Moivre como una forma lmite de la
distribucin binomial que surge cuando se observa
un evento raro despus de un nmero grande de
repeticiones10. En general, la distribucin de
Poisson se puede utilizar como una aproximacin de
la binomial, Bin(n, p), si el nmero de pruebas n es
grande, pero la probabilidad de xito p es pequea;
una regla es que la aproximacin Poisson-binomial
es buena si n20 y p0,05 y muy buena si n100
y p0,01.

La distribucin de Poisson tambin surge cuando

un evento o suceso raro ocurre aleatoriamente
en el espacio o el tiempo. La variable asociada es
el nmero de ocurrencias del evento en un
intervalo o espacio continuo, por tanto, es una
variable aleatoria discreta que toma valores
enteros de 0 en adelante (0, 1, 2,...). As, el
nmero de pacientes que llegan a un consultorio
en un lapso dado, el nmero de llamadas que
recibe un servicio de atencin a urgencias durante
1 hora, el nmero de clulas anormales en una
superficie histolgica o el nmero de glbulos
blancos en un milmetro cbico de sangre son
ejemplos de variables que siguen una distribucin
de Poisson

El concepto de evento raro o poco frecuente debe

ser entendido en el sentido de que la probabilidad
de observar k eventos decrece rpidamente a
medida que k aumenta. Supngase, por ejemplo,
que el nmero de reacciones adversas tras la
administracin de un frmaco sigue una
distribucin de Poisson de media lambda=2. Si se
administra este frmaco a 1.000 individuos, la
probabilidad de que se produzca una reaccin
adversa (k=1) es 0,27; los valores de dicha
probabilidad para k=2, 3, 4, 5, 6 reacciones,
respectivamente, son: 0,27; 0,18; 0,09; 0,03 y
0,01. Para k=10 o mayor, la probabilidad es
virtualmente 0

DISTRIBUCIONES CONTINUAS
Las distribuciones continuas incluidas en el mdulo
de Clculo de probabilidades son:
Uniforme
Normal
Lognormal
Logstica
Beta
Gamma
Exponencial
Ji-cuadrado
t de Student
F de Snedecor

Distribucin Uniforme (a,b)

La distribucin uniforme es til para describir una
variable aleatoria con probabilidad constante
sobre el intervalo [a,b] en el que est definida.
Esta istribucin presenta una peculiaridad
importante: la probabilidad de un suceso
depender exclusivamente de la amplitud del
intervalo considerado y no de su posicin en el
campo de variacin de la variable.

Distribucin Normal (Mu, Sigma)

La distribucin normal es, sin duda, la

distribucin de probabilidad ms importante del
Clculo de probabilidades y de la Estadstica. Fue
descubierta por De Moivre (1773), como
aproximacin de la distribucin binomial. De todas
formas, la importancia de la distribucin normal
queda totalmente consolidada por ser la
distribucin lmite de numerosas variables
aleatorias, discretas y continuas, como se
demuestra a travs de los teoremas centrales del
lmite.

Las consecuencias de estos teoremas implican la

casi universal presencia de la distribucin normal
en todos los campos de las ciencias empricas:
biologa, medicina, psicologa, fsica, economa,
etc. En particular, muchas medidas de datos
continuos

Distribucin Lognormal (Mu, Sigma)

La variable resultante al aplicar la funcin
exponencial a una variable que se distribuye
normal con media Mu y desviacin estndar
Sigma, sigue una distribucin lognormal con
parmetros Mu (escala) y Sigma (forma). Dicho de
otro modo, si una variable X se distribuy
normalmente, la variable lnX, sigue una
distribucin lognormal.

Distribucin Logstica (a, b)

La distribucin logstica se utiliza en el estudio del
crecimiento temporal de variables, en particular,
demogrficas. En biologa se ha aplicado, por
ejemplo, para modelar el crecimiento de clulas
de levadura, y para representar curvas de dosisrespuesta en bioensayos.

Distribucin Beta (p,q)

La distribucin beta es posible para una variable
aleatoria continua que toma valores en el
intervalo [0,1], lo que la hace muy apropiada para
modelar proporciones. En la inferencia bayesiana,
por ejemplo, es muy utilizada

Distribucin Gamma (a,p)

La distribucin gamma se puede caracterizar del
modo siguiente: si se est interesado en la
ocurrencia de un evento generado por un proceso
de Poisson de media lambda, la variable que mide
el tiempo transcurrido hasta obtener n
ocurrencias del evento sigue una distribucin
gamma con parmetros a= nlambda (escala) y
p=n (forma). Se denota Gamma(a,p).
Por ejemplo, la distribucin gamma aparece cuando
se realiza el estudio de la duracin de elementos
fsicos (tiempo de vida).

Esta distribucin presenta como propiedad

interesante la falta de memoria. Por esta razn,
es muy utilizada en las teoras de la fiabilidad,
mantenimiento y fenmenos de espera (por
ejemplo en una consulta mdica tiempo que
transcurre hasta la llegada del segundo
paciente).

Distribucin Exponencial (lambda)

La distribucin exponencial es el equivalente
continuo de la distribucin geomtrica discreta.
Esta ley de distribucin describe procesos en los
que interesa saber el tiempo hasta que ocurre
determinado evento; en particular, se utiliza para
modelar tiempos de supervivencia. Un ejemplo es
el tiempo que tarda una partcula radiactiva en
desintegrarse. El conocimiento de la ley que sigue
este evento se utiliza, por ejemplo, para la
datacin de fsiles o cualquier materia orgnica
mediante la tcnica del carbono 14.

Una caracterstica importante de esta distribucin

es la propiedad conocida como falta de
memoria. Esto significa, por ejemplo, que la
probabilidad de que un individuo de edad t
sobreviva x aos ms, hasta la edad x+t, es la
misma que tiene un recin nacido de sobrevivir
hasta la edad x. Dicho de manera ms general, el
tiempo transcurrido desde cualquier instante dado
t0 hasta que ocurre el evento, no depende de lo
que haya ocurrido antes del instante t0.

El uso de la distribucin exponencial ha sido

limitado en bioestadstica, debido a la propiedad
de falta de memoria que la hace demasiado
restrictiva para la mayora de los 1problemas.

Distribucin Ji-cuadrado (n)

Un caso especial, muy importante, de la
distribucin Gamma se obtiene cuando a=1/2 y
p=n/2. La distribucin resultante se conoce con el
nombre de Ji-cuadrado con n grados de libertad.
Es la distribucin que sigue la suma de los
cuadrados de n variables independientes N(0,1).

Distribucin t de Student (n)

La distribucin t de Student se construye como un
cociente entre una normal y la raz de una Jicuadrado independientes. Esta distribucin
desempea un papel importante en la inferencia
estadstica asociada a la teora de muestras
pequeas. Se usa habitualmente en el contraste
de hiptesis para la media de una poblacin, o
para comparar las medias de dos poblaciones, y
viene definida por sus grados de libertad n.

A medida que aumentan los grados de libertad, la

distribucin t de Student se aproxima a una
normal de media 0 y varianza 1 (normal
estndar).
Campo de variacin:
- < x <
Parmetros:
n: grados de libertad, n>0

Distribucin F de Snedecor (n,m)

Otra de las distribuciones importantes asociadas a
la normal es la que se define como el cociente de
dos variables con distribucin Ji-cuadrado
divididas por sus respectivos grados de libertad, n
y m.

En este caso la variable aleatoria sigue una

distribucin F de Snedecor de parmetros n y m.
Hay muchas aplicaciones de la F en estadstica y,
en particular, tiene un papel importante en las
tcnicas del anlisis de la varianza y del diseo de
experimentos.