República Bolivariana de Venezuela

Ministerio del Poder Popular para la Educación Universitaria

Universidad Nacional Experimental Rómulo Gallegos
Área Ciencias de la Salud – Programa de Medicina
2do año, sección «18»

PRUEBAS ESTADISTICAS

Autoras:
Br. Álvarez María CI: V-32.136.668
Br. Ferreira Verónica CI: V-31.904.203
Br. Mezones Adrianys C.I: V-30.667.253
Br. Ramírez Fabiana CI: V-30.939.351
Br. Rodríguez Valerit CI: V-31.787.185
Tutor:
Greidy Requena

San Juan de los Morros, 27 de marzo, del 2024.

1
 INDICE

Introducción …3
Pruebas Estadísticas …4,5
Distribución Binomial …5,6
Distribución Poisson …6,7
Distribución Chi Cuadrado …7,8
Distribución Normal …8,9
Teorema Central …9,10
Distribución T De Student …10
Conclusión …11
Bibliografías …12

2
 INTRODUCCIÓN
En el vasto campo de la estadística, nos encontramos con un arsenal de pruebas que nos permiten
desentrañar los secretos ocultos en los datos. Estas pruebas, ya sean paramétricas o no paramétricas,
nos ofrecen un vistazo a la confiabilidad y significancia de nuestros hallazgos. Las pruebas
paramétricas, con su suposición de una distribución normal, nos brindan la precisión necesaria bajo
condiciones ideales, mientras que las pruebas no paramétricas se destacan en su flexibilidad para
adaptarse a situaciones menos perfectas. Las tablas estadísticas, por otro lado, son el lienzo donde
plasmamos los resultados, organizando los datos de manera que revelen patrones y tendencias con
claridad.
Dentro de este universo de números y probabilidades, las distribuciones como la binomial,
Poisson, normal, t de Student y chi cuadrado, cada una con su propia personalidad y aplicabilidad,
nos guían en la interpretación de fenómenos desde lo más mundano hasta lo más extraordinario. Estas
distribuciones son las piezas clave que, al ser comprendidas y aplicadas correctamente, pueden
transformar un mar de datos en un mapa estelar que guía a los investigadores hacia conclusiones
sólidas y descubrimientos innovadores. Esta introducción es solo el comienzo de un viaje por el
análisis estadístico, donde cada prueba y distribución es una herramienta esencial en la búsqueda de
la verdad en los datos.

3
 LAS PRUEBAS ESTADÍSTICAS
Son procedimientos formales utilizados para determinar si una hipótesis o afirmación sobre una
población o fenómeno es estadísticamente significativa. En otras palabras, las pruebas estadísticas
nos ayudan a evaluar si las diferencias o relaciones observadas en los datos son reales y no se deben
simplemente al azar.
Existen dos grandes tipos de pruebas estadísticas:
1. Pruebas paramétricas:
- Estas pruebas se basan en supuestos sobre los parámetros de la población, como la media y la
desviación estándar.
- Asumen que los datos siguen una distribución de probabilidad conocida, generalmente la
distribución normal.
- Ejemplos: prueba t, ANOVA, correlación de Pearson.
- Proporcionan mayor potencia estadística cuando se cumplen los supuestos.
2. Pruebas no paramétricas:
- No se basan en supuestos sobre los parámetros de la población.
- No asumen una distribución de probabilidad específica.
- Utilizan información sobre el rango o la posición de los datos, en lugar de los valores numéricos.
- Ejemplos: prueba de Wilcoxon, prueba de Kruskal-Wallis, prueba de Mann-Whitney.
- Son más robustas a violaciones de los supuestos de las pruebas paramétricas.
La elección entre una prueba paramétrica o no paramétrica depende de las características de los
datos, el cumplimiento de los supuestos y los objetivos del análisis estadístico. En general, las pruebas
paramétricas son preferibles cuando se cumplen los supuestos, mientras que las pruebas no
paramétricas son una alternativa cuando no se satisfacen los requisitos de las pruebas paramétricas.
Pruebas estadísticas paramétricas
Las pruebas estadísticas paramétricas son aquellas que asumen que los datos siguen una
distribución de probabilidad conocida, generalmente la distribución normal. Estos métodos se basan
en parámetros de la población, como la media y la desviación estándar, y requieren que se cumplan
ciertos supuestos, como la normalidad de los datos.
Algunos ejemplos de pruebas paramétricas son la prueba t, el análisis de varianza (ANOVA) y la
correlación de Pearson. Estas pruebas son más poderosas y proporcionan resultados más precisos
cuando se cumplen los supuestos requeridos. Sin embargo, si los datos no se ajustan a los supuestos
necesarios, las pruebas paramétricas pueden perder validez y potencia estadística.
Pruebas estadísticas no paramétricas

4
 A diferencia de las pruebas paramétricas, las pruebas estadísticas no paramétricas no asumen una
distribución de probabilidad específica. Estas pruebas se basan en el rango o la posición de los datos,
en lugar de depender de los parámetros de la población.
Algunos ejemplos de pruebas no paramétricas son la prueba de Wilcoxon, la prueba de Kruskal-
Wallis y la prueba de Mann-Whitney. Estas pruebas son más robustas a violaciones de los supuestos,
como la falta de normalidad o la presencia de datos atípicos. Son especialmente útiles cuando no se
cumplen los requisitos de las pruebas paramétricas.
Características
La principal diferencia entre las pruebas paramétricas y no paramétricas radica en los supuestos
que deben cumplirse. Las pruebas paramétricas son más potentes cuando se cumplen los supuestos,
mientras que las pruebas no paramétricas son más conservadoras y robustas a violaciones de los
supuestos.
La elección entre un método paramétrico o no paramétrico dependerá de las características de los
datos, los objetivos del análisis y la medida en que se cumplen los supuestos necesarios para las
pruebas paramétricas.
Manejo de tablas
Las tablas son herramientas importantes en el análisis estadístico, ya que permiten organizar y
presentar los datos de manera clara y concisa. Pueden utilizarse para resumir estadísticos descriptivos,
resultados de pruebas estadísticas, entre otros.
Es importante asegurarse de que las tablas contengan toda la información relevante y estén bien
etiquetadas, de manera que los lectores puedan entender fácilmente el contenido. Además, el formato
de la tabla debe ser consistente y visualmente atractivo para facilitar la comprensión.
En resumen, la selección adecuada de las pruebas estadísticas y el manejo apropiado de las tablas
son aspectos clave en el análisis y presentación de resultados estadísticos.

LA DISTRIBUCIÓN BINOMIAL
Es una herramienta fundamental en la teoría de la probabilidad y la estadística. Es una distribución
de probabilidad discreta que cuenta el número de éxitos en una secuencia de ensayos independientes,
cada uno con dos posibles resultados: éxito o fracaso.
En medicina, es vital para calcular probabilidades de eventos como la efectividad de vacunas y la
tasa de infección postoperatoria. Por ejemplo, se puede utilizar para evaluar la probabilidad de que
un individuo presente una condición médica específica basándose en factores de riesgo conocidos.
Se caracteriza por dos parámetros: el número de ensayos \( n \) y la probabilidad de éxito en cada
ensayo \( p \).

5
La función de masa de probabilidad (FMP) para la distribución binomial se expresa como:

Donde ( \binom{n}{k} ) es el coeficiente binomial y \( k \) es el número de éxitos.

Se utiliza comúnmente para modelar situaciones como lanzar una moneda, tirar un dado, o
cualquier otro evento con dos resultados posibles.
Entre otras, la media y la varianza de la distribución binomial son \( np \) y \( np(1-p) \),
respectivamente.
Se aplica en diversos campos como la ciencia, la ingeniería, las finanzas y las ciencias sociales
para modelar fenómenos aleatorios con dos resultados.

LA DISTRIBUCIÓN DE POISSON
Es una distribución de probabilidad discreta que se utiliza para modelar el número de veces que
ocurre un evento en un intervalo de tiempo o espacio, dado que estos eventos ocurren con una tasa
constante y son independientes entre sí. Fue desarrollada por el matemático francés Siméon-Denis
Poisson en 1837.
En medicina, se aplica en áreas como la epidemiología para modelar el número de casos de
enfermedades infecciosas en un período determinado. También se utiliza para calcular la probabilidad
de que ocurra un evento durante un cierto intervalo, como el número de bacterias en una muestra de
agua.
La variable aleatoria \( X \) sigue una distribución de Poisson si la probabilidad de que ocurran
exactamente \( k \) eventos en un intervalo es dada por la función de masa de probabilidad (FMP):

Donde:
- \( e \) es la base del logaritmo natural, aproximadamente igual a 2.71828.

6
- \( \lambda \) es el parámetro de la distribución, que representa el número medio de eventos que
ocurren en el intervalo.
- \( k \) es el número de eventos que queremos calcular la probabilidad.
Ejemplos:
- El número de llamadas telefónicas recibidas en una centralita durante una hora.
- El número de defectos encontrados en un lote de productos.
- El número de estrellas visibles en un cierto volumen del espacio.
Propiedades:
- La media y la varianza de la distribución son iguales a \( \lambda \).
- La distribución se aproxima a una distribución normal cuando \( \lambda \) es grande.
- Es útil cuando los eventos son raros y ocurren con una tasa constante.
Aplicaciones:
Se utiliza en diversas áreas como la ingeniería, las finanzas, la biología y las ciencias sociales para
modelar fenómenos aleatorios con dos resultados posibles

DISTRIBUCIÓN CHI CUADRADO

La distribución chi cuadrado es una distribución de probabilidad que se utiliza en estadística para
realizar pruebas de hipótesis, especialmente en el contexto de la independencia entre variables
categóricas y la bondad del ajuste de una distribución teórica a datos observados.

• Definición y Propiedades:
- La distribución chi cuadrado, denotada como \( \chi^2 \), es una distribución continua de
probabilidades que se utiliza para pruebas de hipótesis.
- Los valores de \( \chi^2 \) son siempre positivos y su forma es asimétrica, lo que significa que tiene
un sesgo hacia la derecha.
- El área bajo la curva de la distribución chi cuadrado es igual a 1, al igual que cualquier otra
distribución de probabilidad acumulativa.
• Grados de Libertad:
- El parámetro clave en la distribución chi cuadrado es el número de grados de libertad, que se calcula
restando uno al número de categorías en los datos.
- A medida que aumentan los grados de libertad, la forma de la distribución chi cuadrado se acerca
más a una distribución normal.

7
• Aplicaciones:
- La prueba chi cuadrado se utiliza para determinar si hay diferencias significativas entre la
distribución teórica seleccionada y la distribución de frecuencias observada.
- También se emplea para saber si dos variables son independientes estadísticamente.
• Cálculo:
- Para calcular el valor chi cuadrado, se utiliza la fórmula:

Donde ( Oi \) son los valores observados y ( E_i ) son los valores esperados.
• Condiciones para Aplicar:
- Los datos deben estar agrupados en frecuencias.
- La muestra debe ser lo suficientemente grande para que sea válida la distribución chi cuadrado. Se
recomienda que ninguna frecuencia sea menor a 5.

DISTRIBUCIÓN NORMAL
La distribución normal, también conocida como distribución gaussiana, es un modelo teórico que
describe cómo se distribuyen los valores de una variable aleatoria continua en una población. Es una
de las distribuciones de probabilidad más importantes y comunes en estadística debido a su presencia
en numerosos fenómenos naturales y sociales.
La distribución normal se caracteriza por tener una forma de campana simétrica alrededor de la
media, y está definida por dos parámetros:
- La media (μ), que indica el valor promedio de la distribución.
- La desviación estándar (σ), que mide la dispersión de los datos alrededor de la media.
La función de densidad de probabilidad de la distribución normal es:

8
Donde:
- “x” representa los valores de la variable.
- “e” es la base del logaritmo natural.
- “pi” es la constante pi.
La distribución normal estándar es un caso especial donde la media es 0 y la desviación estándar
es 1. Esta distribución se utiliza para estandarizar valores de una distribución normal general,
permitiendo comparar datos de diferentes distribuciones.
La importancia de la distribución normal radica en el Teorema del Límite Central, que establece
que la suma de muchas variables aleatorias independientes tiende a una distribución normal,
independientemente de la distribución original de estas variables, siempre que el número de variables
sea suficientemente grande.
La distribución normal se aplica en diversos campos como la psicología, la biología, la economía
y la ingeniería, y es fundamental para métodos estadísticos como pruebas de hipótesis, intervalos de
confianza y regresión lineal.

TEOREMA DE LIMITE CENTRAL

El Teorema del Límite Central (TLC) es un concepto fundamental en estadística que tiene
implicaciones profundas en la forma en que interpretamos los datos. Establece que, sin importar la
forma de la distribución original de una población, si tomas muestras suficientemente grandes de esa
población y calculas sus medias, la distribución de esas medias muestrales tenderá a una distribución
normal (gaussiana). Esto ocurre incluso si la distribución de la población no es normal.
Las propiedades clave del TLC son:
- La media de la distribución muestral de las medias será igual a la media de la población (μ).
- La varianza de la distribución muestral de las medias será igual a la varianza de la población
(σ²) dividida por el tamaño de la muestra (n), es decir, σ2/n
Esto significa que, a medida que el tamaño de la muestra aumenta, la distribución muestral de la
media se vuelve más estrecha y más concentrada alrededor de la media de la población.
El TLC es crucial porque permite a los estadísticos realizar inferencias sobre una población
basándose en muestras. Por ejemplo, si quieres estimar la altura promedio de los árboles en un bosque
grande, no necesitas medir cada árbol. En su lugar, puedes tomar varias muestras de árboles, calcular
la media de cada muestra y usar el TLC para inferir la media de la población completa.
El TLC también justifica el uso de intervalos de confianza y pruebas de hipótesis que son
esenciales en la investigación científica y la toma de decisiones basada en datos.
Es importante recordar que el tamaño de la muestra debe ser grande para que el TLC sea aplicable.
No hay un número exacto que defina “grande”, pero en la práctica, un tamaño de muestra de 30 o
más suele considerarse suficiente para que las medias muestrales se distribuyan normalmente.

9
 En síntesis, el Teorema del Límite Central es una herramienta poderosa que nos permite entender
y predecir el comportamiento de las medias muestrales, lo que a su vez nos ayuda a hacer inferencias
sobre poblaciones enteras a partir de muestras.

DISTRIBUCIÓN T STUDENT
La distribución T de Student, en el contexto de la informática y el análisis de datos, es una
distribución de probabilidad que se utiliza cuando se manejan muestras de tamaño pequeño y la
varianza poblacional es desconocida. Es especialmente útil en situaciones donde no se puede asumir
que los datos siguen una distribución normal debido al tamaño limitado de la muestra.
La distribución T de Student es similar a la distribución normal, pero tiene colas más pesadas, lo
que significa que es más probable encontrar valores que se alejen de la media. Esto la hace más
adecuada para muestras pequeñas, ya que proporciona una mejor estimación de la media y una mayor
variabilidad.
Las características clave de la distribución T de Student son:
- Simetría alrededor de la media, como la distribución normal.
- Colas más pesadas, lo que indica una mayor probabilidad de valores extremos.
- Grados de libertad (df), que dependen del tamaño de la muestra (n), con df = n – 1.
En informática, la distribución T de Student se aplica en pruebas de hipótesis y en la construcción
de intervalos de confianza cuando se trabaja con datos de muestras pequeñas. Por ejemplo, si estás
desarrollando un algoritmo que necesita estimar la precisión de un modelo predictivo basado en una
muestra pequeña de datos, utilizarías la distribución T de Student para calcular los intervalos de
confianza de tus estimaciones.
Es importante destacar que a medida que el tamaño de la muestra aumenta, la distribución T de
Student se aproxima a la distribución normal, lo que refleja el hecho de que con muestras grandes, la
estimación de la media se vuelve más precisa y la variabilidad disminuye.

10
 CONCLUSIÓN
A lo largo de este trabajo, se han abordado diversos conceptos y herramientas estadísticas
fundamentales para el análisis de datos y la toma de decisiones informadas. Este proceso ha sido
esencial para consolidar una comprensión sólida y aplicable de los principios estadísticos.
Se comenzó con una introducción a las pruebas estadísticas, donde se diferenciaron aquellas de
naturaleza paramétrica y no paramétrica. Cada uno de estos tipos de pruebas presenta características
y consideraciones específicas que es importante tener en cuenta al momento de seleccionar la
herramienta más adecuada para un análisis particular. Además, se destacó la importancia del manejo
apropiado de las tablas de datos, ya que estas constituyen la base fundamental para la aplicación de
las técnicas estadísticas.
Posteriormente, se profundizó en el estudio de las principales distribuciones de probabilidad, las
cuales desempeñan un papel crucial en la descripción y el análisis de fenómenos aleatorios. La
distribución binomial, la distribución de Poisson, la distribución normal, la distribución t de Student
y la distribución chi-cuadrado fueron analizadas en detalle, resaltando sus propiedades, supuestos y
ámbitos de aplicación. Cada una de estas distribuciones aporta una perspectiva única y
complementaria para comprender y modelar la variabilidad inherente a los datos.
Cabe destacar que el dominio de estos conceptos estadísticos fundamentales es esencial para la
toma de decisiones informadas y la resolución de problemas en diversos campos, desde la
investigación científica hasta la gestión empresarial. La capacidad de seleccionar y aplicar
adecuadamente las técnicas estadísticas apropiadas, así como de interpretar correctamente los
resultados obtenidos, constituye una habilidad invaluable en el mundo actual, caracterizado por la
abundancia de datos y la creciente necesidad de extraer insights valiosos a partir de ellos.

11
 BIBLIOGRAFIAS

(S/f-a). Lifeder.com. Recuperado el 10 de junio de 2024, de https://www.lifeder.com/distribucion-de-

poisson/.
(S/f-b). Lifeder.com. Recuperado el 10 de junio de 2024, de https://www.lifeder.com/distribucion-
binomial/.
¿Qué es la Distribución de Poisson? Comprensión Básica y Ejemplos. (2023, julio 21).
Corporativoriba.com. https://corporativoriba.com/distribucion-de-poisson/.
Cruzito. (2020, noviembre 3). Distribución de Poisson: definición, fórmula y ejemplos. Estudyando.
https://estudyando.com/distribucion-de-poisson-definicion-formula-y-ejemplos/.
FísicayMates [@fisicaymates]. (2016, enero 11). Distribución de Poisson | Teoría y ejercicio resuelto.
Youtube. https://www.youtube.com/watch?v=hmAfNpD7Eps
López Abellán, Joaquín (s/f). Teorema central del límite. Recuperado el 19 de junio de:
https://economipedia.com/definiciones/teorema-central-del-limite.html
Ortiz, A. (2024, mayo 20). Entendiendo la Distribución Binomial: Conceptos clave y aplicaciones
prácticas. Apolonio.es. https://apolonio.es/distribucion-binomial/.
Pareja Pelín, Carlos. Rodó Paula (24 de enero del 2024). Distribución normal: Que es, como se calcula
y ejemplos. Recuperado el 19 de junio de: https://economipedia.com/definiciones/distribucion-
normal.html
Pareja Pelín, Carlos. Rodó Paula (5 de noviembre del 2019). Distribución de T student. Recuperado
el 19 de junio de: https://economipedia.com/definiciones/distribucion-t-de-student.html
Sanjuán, F. J. M. (2017, noviembre 16). Distribución binomial – Qué es, propiedades y ejemplos.
Economipedia. https://economipedia.com/definiciones/distribucion-binomial.html
Wikipedia contributors. (s/f). Distribución binomial. Wikipedia, The Free Encyclopedia.
https://es.wikipedia.org/w/index.php?title=Distribuci%C3%B3n_binomial&oldid=159973725
Zapata, F. (2020e, agosto 11). Chi-cuadrado (χ2): distribución, cómo se calcula, ejemplos. Lifeder.
https://www.lifeder.com/chi-cuadrada/

12