Variable aleatoria: Experimento aleatorio:

Distribuciones de probabilidad.→V.a. discretas. Variable que puede tomar Cualquier procedimiento que
cualquier valor producto de genere una probabilidad o un
Descripción matemática de todos los posibles resultados de un experimento y la un experimento aleatorio. resultado.
probabilidad de que ocurra cada uno de estos resultados.

Forma de las
Distribución de Bernoulli Distribución binomial Distribución Poisson.
Experimento de Bernoulli, es un Repetir el experimento de Bernoulli n veces. Número de éxitos por unidad de tiempo o distribuciones:
experimento que se realiza una vez: Por cada vez que se realiza el experimento se espacio. Da información sobre el patrón de
- Éxito (valor de la variable que se tiene uno de dos posibles resultados. distribución de los organismos. Grado elevado de
esperaba). La probabilidad se puede calcular por un Ω = {0,1,2,3,…, concentración de
- Fracaso (valor de la variable que binomio: los datos
no se esperaba). alrededor de
valores centrales
P(x=x)= λ = promedio de éxitos por unidad de espacio o de la variable.
tiempo.
p = parámetro de la distribución. x = Núm. de éxitos en unidad de tiempo o espacio.
x = valor de la variable aleatoria. Grado medio de
1 → solo se realiza un experimento. Ejemplo:
concentración
q = probabilidad de fracaso : Mammilario magnimamma, 400 cuadros de
de los datos
1-p → p + q =1. 1x1m.
x = Núm. De exitos en n ensayos. alrededor de los
x Frecuencia valores
Ω= { 1,2,3,…,n}
El único valor que se necesita conocer (planta/ f centrales de la
q=1-p
para calcular las probabilidades de un variable.
Coeficiente Binomial = Núm. X de éxitos que
valor de la variable aleatoria es p, ya
se pueden obtener al realizar n ensayos. 0 75 1 0.1686
que es un parámetro de la
p = parámetro de la distribución. 1 103 103 0.3002
distribución.
Grado reducido
Ejemplo: 2 121 242 0.2672
Ejemplo: de concentración
30% de los peces tienen rayas horizontales. 3 54 162 0.1585 de los datos
No. Éxitos al lanzar un dado.
p = 0.3 4 30 120 0.0705 alrededor de los
Éxito = caiga 6.
q = 0.7 calores centrales
S = { 0, 1 } 5 17 85 0.0251
n = 5 → Ω={ 1,2,3,4,5}→Se sacan 5 peces. de la variable.
Donde 0 = no sale éxito, 1 = 1 sale
éxito. 400 712 plantas Σ=0.9901
Probabilidad para cero éxitos : cuadros
Índice de dispersión.
λ= → cuantas plantas
hay por cuadro.
Probabilidad para un éxito : La sumatorio de las probabilidades no da 1 por
0.4 que hace falta tomar en cuenta la probabilidad de I.D = 1
6,7,8,…,n. La distribución
0.3
es Poisson (es
P(x=x)

0.2 aleatoria).
0.1 I.D > 1 I.D < 1
0 → Es la probabilidad de encontrar más de 5 Distribución Distribución
1 2 3 4 5 6 plantas. agregada. uniforme
Núm. peces con rayas. 0.9901 + 0.0099 = 1 (variabilidad baja).


→Distribución sesgada a la derecha.

μ=pxn En una variable con distribución Poisson, la media I.D =

μ = 0.3 x 5 = 1.5 y la varianza son iguales:
δ= λ=
λ grande → valores a la derecha → leptocúrtica
δ=
λ pequeña →valores a la izquierda
P(x=x) #
cuadros
esperado(400).
3.1684 237.63 67.44
0.6084 62.6652 120.08
0.0484 5.8564 106.88
1.4884 80.3736 63.4
4.9284 147.852 28.2
10.3684 176.2628 10.04
SS = 710.64 393.04

 Varianza

Bioestadística página 1
Distribuciones de probabilidad → v.a.
continuas

Distribución normal y distribución normal estándar.

Es una familia de distribuciones que va a depender de los parámetros (
► Distribución para variable aleatorias continuas.
► Definida por la función de densidad : La distribución normal estándar es un
caso especial de la distribución normal, en
esta ya se conocen los valores del área bajo
► Forma acampanada. la curva.
► Simétrica alrededor de la media ( - Cualquier valor de se puede
► Unimodal (media = moda = mediana). expresar en términos de la D.N.E. al
► Cumple con la regla empírica. estandarizar los valores.
► Asintótica al eje X. - Donde
► Se hace un histograma para conocer la distribución de la variable.
1) Estandarizar.

0.5 0.5
Ejemplo:
Sphenarium purpurascens
Longitud - distribución normal

¿ Cuál es la probabilidad de encontrar 1

chapulín mayor a 5 cm y mayor a 2 pero
menor a 5?

Mdn
Mo

Son los chapulines Limites al 95%:

raro, que no
forman parte del
95% por que son
}
muy chicos o muy 2 cm 0
grandes. -1.69 4.2 5 cm
0.62

P(x>5)= 0.5 - 0.2324 = 0.2676.

P(2 < x < 5) = 0.4545 + 0.2324 = 0.6869.

Bioestadística página 2
 Distribución muestral
Descripción matemática de todos los resultados posibles de un evento muestral y
la probabilidad de cada uno.
- Es sacar un muestra, calcular su estadístico y graficarlo.
- Todas las muestras que se sacan son con reemplazo.
TEOREMA CENTRAL DEL LÍMITE.
No importa cual se la distribución de la variable (uniforme, binomial, bimodal, etc.) cuando se
tiene la distribución muestral de medias está tendrá a tomar una distribución normal al
aumentar n.
- Al aumentar n la variabilidad (error estándar) disminuye.
- Para tener una distribución normal se debe tener una n= 120.

Distribuciones muestrales para la media (Z).

Al aumentan n , la distribución muestral de medias:
 Tiende a una distribución simétrica (normal). Distribución F o del cociente de 2
 La variabilidad de la distribución disminuye. Distribución t de Student. varianzas.
 El error muestral disminuye.  Familia de distribuciones que depende de los grados de libertad.  Va a tomar siempre valores positivos.
 Al promediar todas la medias muestrales el valor va ser similar a la media poblacional (  Presenta una media de 0 y es simétrica (en forma acampanada)  Asimétrica.
alrededor de la media.  2 parámetros: grados de libertad del numerador y
 Asintótica al eje X. grados de libertad del denominador.
 Varianza mayor a 1 que se aproxima a 1 conforme aumenta n.  Va a haber menor variabilidad al aumentar los grados
 Forma platicúrtica. de libertad.
 Extremos (colas) más densos que la distribución normal hay  Siempre tiene un sesgo positivo a la derecha.
mayor área bajo la curva.  Variable aleatoria es el cociente de varianzas.
 NO sigue la regla empírica.
n= 5  Es una distribución de errores estándar para muestras pequeñas.
f
Grados de libertad: Número de valores
independientes con los que se calcula un parámetro.
g.l = n-1

+ variabilidad - variabilidad
Platicúrtica. Mesocúrtica.

Error estándar.
Error típico de la media.
Es la desviación estándar de una distribución muestral.

N= Núm. de muestras.
Para poder calcularlo se tienen que conocer todas las medias y la media poblacional
( lo cual no se puede) por lo que se hace una aproximación.
Para una muestra el error estándar se calcula:

Es la variabilidad de la distribución muestral.

Ejemplos:
Calcular el área bajo la curva de una distribución de medias.
Solanum rostratum, su altura se distribuye de manera normal.

n = 50
- Cuál es la probabilidad muestral:
P(44.1 < x <44.6)
1) Estandarizar los valores:

2) Buscar los valores estandarizados en la tabla y sumar o restar sea el caso.

0.4909 - 0.2486 = 0.2423 → La probabilidad de que la media muestral tome
valores entre 44.1 y 44.6 es de 0.2423.
Cerba pentandra. Biomasa de plántulas.

n= 45
P(24 < x < 25 )= 0.0319 +0.4306 = 0.4625

Bioestadística página 3
Inferencia estadistica
Intervalos de confianza de
Con base en datos de la muestra obtener conclusiones de la población. Ejemplo:
proporciones.
¿Cuál va a ser el tamaño promedio del territorio de un jaguar  La distribución de proporciones muestrales tiende a
Existen tres enfoque de la inferencia: macho adulto? ser normal si y sólo si la muestra es muy grande.
▪ Frecuentista: distribuciones normales, valores P.  Las proporciones pueden ir de 0-1.
▪ Verosimilitud: criterios de información. n= 4 g.l = 3  Cuando la muestra es pequeña no se puede dar una
▪ Bayesiano. 1) 9.1 distribución normal.
2) 7.6
Hay dos maneras de estimar parámetros : 3) 7.0 p = proporción muestral.
→ Estimación puntual: Trata de encontrar un estadístico que estime lo mejor 4) 18.3 → Dato raro = más variabilidad, mayor error estándar. Pr = proporción poblacional.
posible al parámetro. = 10.5 Sp = error estándar de proporciones
es el estimador puntual de Estadísticos S = 5.27
S es el estimador puntual de Parámetros → Con base en los datos de la muestra va
es el estimador puntual de a aproximar a p= proporción de interés.
Los estimadores pueden estar equivocados. q= la otra proporción.
→ Estimación por intervalo de confianza. n = tamaño de muestra.
I.C (95%) =
Intervalo de confianza: Limite superior: Limite inferior:
Intervalo de valores entre los cuales se tiene cierto nivel de confianza de que va a = 10.5 + [3.182 2.63] = 10.5 - [3.182 2.63]
incluir el parámetro de interés. También se puede definir como el número de = 10.5 + 8.37 = 10.5 - 8.37
oportunidades que tenemos para compensar las debilidades de los procedimientos = 18.87 = 2.13
estadísticos. Cuando aumenta la confianza disminuye la precisión.
 Intervalo de confianza de una media. El territorio promedio de un jaguar es de 10.5 , con un Tamaño de muestra minimo.
Se va a centrar en . intervalo de confianza de 95% de 2.13 - 18.87 (
I.C = Cuando no se cumple esta condición , o se que sea menor
Depende de: Cuando se cambia t a 99%: a 5, no se puede obtener el I.C.

{
donde se centra la distribución. - Error estándar. I.C (99%)= 10.5 - Proporción sexual.
amplitud completa. - Tamaño de L.S= 25. 89. - Proporción de germinación.
término del error → amplitud. muestra. L.I= -4.86 → 0.
nivel de desconfianza - Variabilidad El intervalo de confianza del 99% en el que sale es de 0 - 25.89 Ejemplos:
g.l = grados de libertad intrínseca de los 1) 9.1 Mujeres : 22 Hombres: 5 n= 27
error estándar datos .
2) 7.6
p= proporción de mujeres= 22/27 = 0.815
3) 7.0
q= proporción de hombres = 5/27 = 0.185
4) 8.3
Si los intervalos son pequeños se esta estimando "muy bien" a = 8.0
Cuando se cambia el nivel de confianza se tiene que: S = 0.91
Tamaño de muestra mínimo: (0.185)(27)= 4.995 → en este
I.C (95%)=
caso no se cumple, pero se continuo con el ejemplo.
I.C (99%)=
I.C (99.9%)=
I.C (95%)= 8.0 = 0.815
Aplicación: L.S = 9.46 0.668 -0.962 → Tenemos un 95% de confianza de que la
λ= tasa de crecimiento de la población L.I = 6.54. población de mujeres biólogas este entre 0.668 y 0.962.
λ > 1 → crece El intervalo de confianza del 99% en el que sale es de 6.54 -
λ < 1 →1 decrece 9.46. Ejemplo 2:
λ = 1→ la población es estable p(CCH)=11/26 = 0.423
q(ENP)= 15/26 = 0.577
I.C (95%)= Tamaño de muestra mínimo: (0.423)(26) = 10.998
Sp= 0.097
Sp1 y sp2 están decreciendo, sin = 0.423 0.19012 = 0.19012
embargo si el intervalo de = 0.233 - 0.613 → Se tiene un 95% de confianza de que la
confianza no abarca al 1 no se proporción de alumnos que viene de CCH este en ese
pueden desestimar. intervalo.

Bioestadística página 4