DISTRIBUCIONES DE PROBABILIDAD

Investigación

Instituto Tecnológico del Petróleo y Energía

Maestra: Yuliana Asuncion Salazar Valadez

Materia: Probabilidad y Estadística

Fecha de entrega: 28/05/2019

Docente: Yuliana Asunción Salazar Valadez

Marcos Jair Victorin Canche
Ingeniría Electrica y Energía

Fecha de entrega: 29/05/19

 INDICE

INTRODUCCIÓN 2

DISTRIBUCIÓN DISCRETA
DISTRIBUCIÓN GEOMÉTRICA 3

DISTRIBUCIONES CONTINUAS
DISTRIBUCIÓN NORMAL 5

DISTRIBUCIÓN LOGARÍTMICA NORMAL 9

DISTRIBUCIÓN GAMMA 11

DISTRIBUCIÓN BETA 15

DISTRIBUCIÓN WEIBULL 17

DISTRIBUCIONES MUESTRALES
DISTRIBUCIÓN CHI CUADRADA 21

DISTRIBUCIÓN T DE STUDENT 24

DISTRIBUCIÓN F DE FISHER 27

CONCLUSIÓN 30

REFERENCIAS 31

1
 Introducción

En esta investigación se presentarán algunos temas básicos de la materia de

probabilidad, llamados “Distribuciones de probabilidad” con ejemplos, defunciones,
formulas, graficas y tablas, para que los conceptos se entiendan de manera clara y
precisa pues los conceptos y los ejemplos son útiles para poder desarrollar un
entendimiento amplio y profundo y poder aplicarlos en los distintos ámbitos en los
que sean necesarios.
Es muy importante entender estos conceptos pues mediante estos recursos
matemáticos, es posible ajustar de la manera más exacta posible los
imponderables debido al azar en los más variados campos tanto de ciencia como
de la vida cotidiana.
La probabilidad es una estrategia mediante la cual se intenta estimar la frecuencia
con la que se obtiene un cierto resultado en el marco de una experiencia en la que
se conocen todos los resultados posibles.
La distribución de probabilidad de una variable aleatoria es una función que asigna
a cada suceso definido sobre la variable, la probabilidad de que dicho suceso
ocurra.
La distribución de probabilidad está definida sobre el conjunto de todos los
sucesos y cada uno de los sucesos es el rango de valores de la variable aleatoria.
También puede decirse que tiene una relación estrecha con las distribuciones de
frecuencia. De hecho, una distribución de probabilidades puede comprenderse
como una frecuencia teórica, ya que describe cómo se espera que varíen los
resultados.

2
 Distribución Geométrica

La distribución geométrica es parte del grupo de funciones de distribución para

variables aleatorias discretas, este tipo de variables las reconoceremos a través
de los ensayos de Bernoulli, este tipo de ensayo es de carácter dicotómico, es
decir que solo permite 2 posibles resultados, éxito o fracaso.

Existen 2 posibilidades cuando partimos de los ensayos de Bernoulli:

En ambas situaciones se encuentra que la distribución de probabilidades
corresponde a una progresión geométrica, para ambas distribuciones hay una
función de probabilidad especial.
Consideremos:
p: probabilidad de éxitos.
q = 1-p : probabilidad de fracaso.
Cuando tenemos la posibilidad de analizar el número de ensayos requeridos para
obtener un primer éxito, asumiendo que se requieren X ensayos para obtener ese
éxito, la probabilidad de que esa variable y número de éxitos sea igual a X se
representa a partir de la siguiente función de probabilidad es:
𝑃(𝑋 = 𝑥) = 𝒑(𝟏 − 𝒑)𝑥−1

Si queremos analizar la probabilidad de que el número de fallos necesarios antes

de obtener el éxito sea igual a X la función de probabilidad es:
𝑃(𝑌 = 𝑥) = 𝒑(𝟏 − 𝒑)𝑥

3
En la siguiente representación gráfica de la función geométrica puede apreciarse
este tipo de aleatorización.

Ejemplo.
Calcular la probabilidad de que en lanzamientos sucesivos de un dado se obtenga
un 3 por primera vez en el quinto lanzamiento si la probabilidad de no obtener un 3
en el primer lanzamiento es 5/6; de manera similar, la probabilidad de no obtener
un 3 en los cuatro primeros lanzamientos es (5/6)4 .
Empleando la distribución geométrica.
p = 1/6
q = 5/6
x=5
Entonces la probabilidad que buscamos es:
1 5 4 625
( )( ) = = 0.0804 = 8.04%
6 6 7776

4
 Distribución Normal

Uno de los ejemplos más importantes de distribuciones de probabilidad continua

es la distribución normal, también llamada distribución gaussiana. La función de
esta distribución es
1 2 /2𝜎 2
𝑓(𝑥) = 𝑒 −(𝑥−𝜇) −∞<𝑥 < ∞ (1)
𝜎√2𝜋
donde 𝜇 y 𝜎 son la media y la desviación estándar, respectivamente. La
correspondiente función de distribución es
𝑥
1 2 /2𝜎 2
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥) = ∫ 𝑒 −(𝑥−𝜇) 𝑑𝑣
𝜎√2𝜋 −∞

Si 𝑋 tiene la función de distribución, se considera que la variable aleatoria 𝑋 esta

normalmente distribuida con media 𝜇 y varianza 𝜎 2
Si 𝑍 representa la variable estandarizada correspondiente a 𝑋, es decir si
𝑋− 𝜇
𝑍=
𝜎
Entonces la media o valor esperado de 𝑍 es 0 y la varianza es 1. En este caso, la
función de densidad para 𝑍 se obtiene de (1) sustituyendo formalmente 𝜇 =0 y
𝜎 =1, con lo que se obtiene
1 2 /2
𝑓(𝑧) = 𝑒 −𝑧 (2)
𝜎√2𝜋
Esta expresión suele conocerse como función de densidad normal estándar. La
función de distribución correspondiente es
𝑧 𝑧
1 −𝜇 2 /2
1 1 2
𝐹(𝑧) = 𝑃(𝑍 = 𝑧) = ∫ 𝑒 𝑑𝑢 = + ∫ 𝑒 −𝜇 /2 𝑑𝑢
√2𝜋 −∞ 2 √2𝜋 0

5
En la siguiente figura se muestra una gráfica de la función de densidad (2) que suele
llamarse curva normal estándar. En esta gráfica se han indicado que no se
encuentran a más de 1, 2 y 3 desviaciones están estándar de la media (es decir,
entre z+-1 y z =+1, z = -2 y z = +2 y z = -3 y z = +3), las cuales son, respectivamente,
iguales a 68.27%, 95.45% y 99.73% del área total, que es uno. Esto significa que;
𝑃(−1 ≤ 𝑍 ≤ 1) = 0.6827, 𝑃(−2 ≤ 𝑍 ≤ 2) = 0.9545, 𝑃(−3 ≤ 𝑍 ≤ 3) = 0.9973

Funciones de densidad normal para distintos pares de parámetros 𝜇, 𝜎 2 .

La siguiente tabla da las áreas bajo la curva que están limitadas por las ordenadas
z = 0 y cualquier valor positivo de z. Con esta tabla pueden encontrarse las áreas
entres cualesquiera de las dos ordenadas aprovechando la simetría de la curva
respecto a z = 0.
6
 20/5/2019 study viewer

https://studylib.es/doc/6793573/á reas-bajo-la-curva-norm al-tipificda-de-0-a-z 1/1

7
Ejemplos
Encontrar el área bajo la curva normal estándar que se muestra en la figura, entre
z = 0 y z = 1.2. Con base en la tabla anteriores, bajamos por la columna marcada
con z hasta la entrada 1.2. Después avanzamos hacia la derecha hasta la
columna marcada 0. El resultado es 0.3849, que es el área que buscamos,
representa la probabilidad de que Z esté entre 0 y 1.2 por lo tanto,

1.2
1 2 /2
𝑃(0 ≤ 𝑍 ≤ 1.2) = ∫ 𝑒 −𝜇 𝑑𝑢 = 0.3849
√2𝜋 0

El peso medio de 500 estudiantes varones de una universidad es de 151 lb y la

desviación estándar es de 15 lb. Si se supone que el peso está distribuido
normalmente, encontrar cuántos estudiantes pesan a) entre 120 y 155 lb, b) más
de 185 lb.
Los pesos registrados entre 120 y 155 libras realmente pueden tener un valor
desde 119.5 hasta 155.5 lb, suponiendo que estos pesos están dados a las libras
más cercana
119.5 lb en unidades estándar = (119.5 – 151)/15 = -2.10
115.5 lb en unidades estándar = (155.5 -151)/15 = 0.30
(Área entre z = -2.10 y z = 0.30) = (área entre z = -2.10 y
z = 0) + (área entre z = 0 y z = 0.30) = 0.4831 + 0.1179 =
0.6000
Por lo tanto, el número de estudiantes cuyo peso está
entre 120 y 155 libras es 500(0.6) = 300
1 0.3 2
𝑃(−2.10 ≤ 𝑍 ≤ 0.3) = ∫ 𝑒 −𝜇 /2 𝑑𝑢 = 0.60000
√2𝜋 −2.10

8
 Distribución Logarítmica Normal
En probabilidad y estadística, la distribución logarítmica normal es la distribución
de probabilidades de cualquier variable aleatoria con su registro de una
distribución normal.
Si X es una variable aleatoria con una distribución normal, entonces exp(X ) tienen
una distribución log-normal.
Una variable se puede modelar como log-normal si se puede considerar como
producto multiplicativo de muchos factores independientes pequeños.
Un ejemplo típico es el rendimiento a largo plazo de una inversión en una acción:
se puede considerar como el producto de los rendimientos diarios. La distribución
log-normal tienen la función de densidad de probabilidad.
La distribución se aplica en casos en donde una transformación logarítmica natural
tiene como resultado una distribución normal. También es conocida como Ley de
Galton-Mac. Aliester o ley del efecto proporcional, según Calot (1988).
La variable aleatoria continua X tiene una distribución logarítmica normal si la
variable aleatoria Y = ln(X) tiene una distribución normal con media 𝜇 y desviación
estándar 𝜎.
La función de densidad de X que resulta es;
1 −
1
[ln(𝑥)−𝜇]2
𝑒 2𝜎2 𝑥 ≥ 0, 𝑥 < 0.
√2𝜋𝜎𝑥

Funciones de densidad log-normal para distintos pares de 𝜎.

9
 Ejemplos

La variable aleatoria X tiene una distribución lognormal con μ = 10 y σ2 = 4.

Calcular:
a) El promedio y la varianza.
b) P(X ≤ 1000)

a) El promedio y la varianza.
σ2
μx = eμ+ 2 = e10+2 = e12 = 162754.7914
2 2
σ2x = (eσ − 1)e2μ+σ = (e4 − 1)e20+4 = (e4 − 1)e24 = 1.419767942 x 1012

b) P(X ≤ 1000)

1 2 ⁄2σ2 ] x>0
e−[(log(x)−μ) ;
σ>0
Con la función de densidad → f(x) = {xσ√2π
0 ; otro caso

2 ⁄8]
e−[(log(x)−10) −∞<x<∞
; −∞ < μ < ∞
μ = 10 x2√2π
Sustituyendo valores: → f(x) = σ>0
σ2 = 4
{ 0 ; otro caso

1000 1000 2 ⁄8]

e−[(log(x)−10)
b) P(X ≤ 1000) = ∫ f(x) dx = ∫ dx = 0.0610
0 0 x2√2π

10
 Distribución Gamma

Es una distribución adecuada para modelizar el comportamiento de variables

aleatorias continuas con asimetría positiva. Es decir, variables que presentan una
mayor densidad de sucesos a la izquierda de la media que a la derecha. En su
expresión se encuentran don parámetros, siempre Positivos, (α) y (β) de los que
depende su forma y alcance por la derecha, y también la función Gamma Γ(α),
responsable de la convergencia de la distribución
De esta forma, la distribución Gamma es una distribución flexible para modelizar
las formas de la asimetría positiva, de las más concentradas y puntiagudas, a las
más dispersas y achatadas. Como ejemplos de variables que se comportan así́:
> Número de individuos involucrados en accidentes de trafico en el área urbana:
es más habitual que la mayoría de partes abiertos den la proporción de 1 herido
por vehículo, que otras proporciones superiores. - Altura a la que se inician las
precipitaciones; sucede de forma más habitual precipitaciones iniciadas a una
altura baja, que iniciadas a gran altitud.
> Tiempo o espacio necesarios para observar X sucesos que siguen una
distribución de Poisson.
> Distribución de la finura de fibras de lana: la mayoría presentan una menor finura
que unas pocas fibras más gruesas.

La función esta dada por la relación:

∞
Γ(α) = ∫ x α−1 e−x dx
0

se conoce como función Gamma.

Una variable aleatoria X tiene distribución Gamma si su función de densidad es:

x α−1 e−(x⁄β) x>0
;
βα Γ(α) α, β > 0
f(x) =
{ 0 ; otro caso

11
 Funciones de densidad gamma para distintos pares de parámetros α, β.

Resumen Variable aleatoria gamma

x α−1 e−(x⁄β) x>0

;
βα Γ(α) α, β > 0
Función de densidad f(x) =
{ 0 ; otro caso

Media μ = αβ

Varianza σ2 = αβ2

1
Función generatriz de momentos mx (t) = (1 − tβ)−α , t <
β

12
Ejemplo:
Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una
distribución gamma con parámetro de forma α = 3 y β = 3. Encontrar:
a) La media y la varianza de X
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor
que 15 kilowatts – hora.
c) La probabilidad de que el consumo diario de electricidad sea de cuando
menos 20 kilowatts – hora.
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts –
hora.

a) La media y la varianza de X
μ = αβ = (3)(3) = 9
σ2 = αβ2 = 3(3)2 = 27

Supóngase que el consumo de electricidad X en kilowatts – hora, sigue una

distribución gamma con parámetro de forma α = 3 y β = 3.

x α−1 e−(x⁄β) x>0

;
βα Γ(α) α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
x 2 e−(x⁄3) x>0
;
α, β > 0
Sustituyendo valores: α = 3 y β = 3 → f(x) = 27(2)!
{ 0 ; otro caso
b) La probabilidad de que en cierto día el consumo de electricidad sea mayor que
15 kilowatts – hora.
∞ ∞
x 2 e−(x⁄3)
P(X > 15) = ∫ f(x) dx = ∫ dx = 0.1247
15 15 54

13
α = 3 y β = 3.
x α−1 e−(x⁄β) x>0
;
βα Γ(α) α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
x 2 e−(x⁄3) x>0
;
α, β > 0
Sustituyendo valores: α = 3 y β = 3 → f(x) = 27(2)!
{ 0 ; otro caso
c) La probabilidad de que el consumo diario de electricidad sea de cuando menos
20 kilowatts/hora.
∞ ∞
x 2 e−(x⁄3)
P(X ≥ 20) = ∫ f(x) dx = ∫ dx = 0.03804
20 20 54

Supóngase que el consumo de electricidad X en kilowatts/hora, sigue una

distribución gamma con parámetro de forma α = 3 y β = 3.

x α−1 e−(x⁄β) x>0

;
βα Γ(α) α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso
x 2 e−(x⁄3) x>0
;
α, β > 0
Sustituyendo valores: α = 3 y β = 3 → f(x) = 27(2)!
{ 0 ; otro caso
d) La probabilidad de que el consumo por día esté entre 30 y 50 kilowatts – hora.
50 50
x 2 e−(x⁄3)
P(30 ≤ X ≤ 50) = ∫ f(x) dx = ∫ dx = 0.00276
30 30 54

14
 Distribución Beta
La distribución de probabilidad beta es una función de densidad con dos parámetros
definida en el intervalo cerrado 0 <= 0 y <= 1. Se utiliza frecuentemente como
modelo para fracciones, tal como la proporción de impurezzas en un producto
químico o la fracción de tiempo que una maquina está en reparación.

Se dice que una variable aleatoria Y tiene una distribución de probabilidad beta con
parámetros α > 0 y β > 0 si y solo si la función de densidad de Y esta representada
por

Donde B(α,β) es la función beta. La distribución beta también puede definirse

mediante la función de densidad

0<𝑥<1

Donde α y β son positivas. La media y la varianza son

𝛼 𝛼𝛽
𝜇= 𝜎2 =
𝛼+𝛽 (𝛼 + 𝛽 )2 (𝛼 + 𝛽 + 1)

Para α > 1, β >1 existe una moda única de valor

𝑎−1
𝑋𝑚𝑜𝑑𝑎 =
𝑎+β−2

15
 Función de distribución de probabilidad

Ejemplo.
El porcentaje de impurezas por lote en un producto químico es una variable
aleatoria Y. con una función de densidad
12𝑦 2 (1 − 𝑦) , 0 ≤ 𝑦 ≤ 1
𝐹(𝑦) = {
0 , 𝑒𝑛 𝑜𝑡𝑟𝑜 𝑝𝑢𝑛𝑡𝑜
́ l es la probabi-
Un lote con mas de 40 % de impurezas no puede venderse. ¿Cu a
́ n,
lidad de que un lote elegido aleatoriamente no pueda venderse?. Halle, tambi e
la media y la varianza del porcentaje de impurezas en un lote elegido al azar.
Solución
Es claro que Y ∼ Beta(3, 2). Verifiquemos que la constante es efectivamente 12.

Ahora lo que queremos es conseguir P (Y > 0,4), luego

Para ver cual es la media

3 3
𝜇= = = 0.6
3+2 5
Por lo tanto se espera conseguir en promedio 60% se impurezas. Por otro lado
3,2 1
𝜎2 = =
(3 + 2)2 (3+ 2 + 1) 25
Claramente, al igual que sucedía con la función gamma, se podrán realizas las
integrales si los parámetros son enteros.
16
 Distribución Weibull

La distribución de Weibull es para una variable aleatoria continua que se utiliza en

una variedad de situaciones.
Devuelve la probabilidad de una variable aleatoria siguiendo una distribución de
Weibull.

Esta distribución se aplica en los análisis de fiabilidad.

La distribución de Weibull es aplicada en la modelación de procesos que
involucran riesgo.

Tiene dos parámetros, ambos constantes positivas, que determinan la forma y

ubicación (o escala). Se indican estos parámetros 𝛼 𝑦 𝛽.
La variable aleatoria es el tiempo o espacio que ocurre entre dos eventos
considerados críticos en la operación de un equipo o sistema.

Permite al analista del equipo o sistema, determinar la fecha de ocurrencia del

próximo evento crítico, para que pueda tomar la decisión más adecuada antes que
éste se presente (dar mantenimiento preventivo, reemplazar el equipo,
cancelación del servicio, etc.)

La variable aleatoria X se distribuye de acuerdo con una distribución Weibull si

su función de densidad es:
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
f(x) =
{ 0 ; otro caso

17
 Funciones de densidad weibull para distintos pares de
parámetros α, β.

Resumen Variable aleatoria weibull

α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Función de densidad f(x) =
{ 0 ; otro caso

1
Media μ = Γ ( + 1)
α

2
2
2 1
Varianza σ = Γ ( + 1) − [Γ ( + 1)]
α α

18
Ejemplo:
Sea X una variable aleatoria con función de distribución acumulada Weibull con
parámetros: α =20 y β = 100. Calcular:
a) P(X ≤ 105)
b) P(98 ≤ X ≤ 102)
Solución:
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso

Sustituyendo valores: α = 20 y β = 100

20
20x19 e−(x⁄100) x≥0
;
→ f(x) = (100) 20 α, β>0

{ 0 ; otro caso
20
105 105
20x19 e−(x⁄100)
a) P(X ≤ 105) = ∫ f(x) dx = ∫ dx = 0.9296
0 0 (100)20

Solución:
α
αx α−1 e−(x⁄β) x≥0
;
βα α, β > 0
Con la función de densidad → f(x) =
{ 0 ; otro caso

Sustituyendo valores: α = 20 y β = 100

20
20x19 e−(x⁄100) x≥0
;
→ f(x) = (100)20 α, β > 0

{ 0 ; otro caso

20
102 102
20x19 e−(x⁄100)
b) P(98 ≤ X ≤ 102) = ∫ f(x) dx = ∫ dx = 0.2866
98 98 (100)20

19
Preguntas acerca del riesgo de diferentes fallas:
1. Cuantos ascensores podrían fallar antes de 15 horas?.

15 1, 43
-( )
F (15) = 1 - e 76 , 31
= 1 - 0.9069 = 0.0930

0.093*26= 2.41=3 ascensores.

2. Cuantas fallas se podrían esperar en la próxima semana, y cuantas en el
próximo mes.
Usando la metodología weibull.
Asumiendo una utilización diaria de 3 horas se tiene:
3 h/dia * 7 dias= 21 horas
21 1, 43
-( )
F (21) = 1 - e 76 , 31
= 0,1461

0,15*26= 4 ascensores

3. Cuantas fallas se podrían esperar en la próxima semana, y cuantas en el

próximo mes.

84 1, 43
-( )
F (84) = 1 - e 76 , 31
= 0.6825

F(4 semanas) = F(84h) = 0.68

0.68*26 = 18 ascensores

20
 Distribución Chi Cuadrada

En estadística, la distribución de Pearson, llamada también ji cuadrada(o) o chi

cuadrado(a) (X2), es una distribución de probabilidad continua con un parámetro 𝜅
que representa los grados de libertad de la variable aleatoria.
Esta distribución tiene muchas aplicaciones en inferencia estadística. La más
conocida es la denominada prueba chi cuadrada utilizada como prueba de
independencia y como prueba de buen ajuste y en la estimación de varianzas.
Pero también está involucrada en el problema de estimar la media de una
población normalmente distribuida y en el problema de estimar la pendiente de
una recta de regresión lineal, a través de su papel en la distribución t de Student.
Aparece en todos los problemas de análisis de varianza por su relación con la
distribución F de Snedecor, que es la distribución del cociente de dos variables
aleatorias independientes con distribución chi cuadrada.

Función de densidad de probabilidad Función de distribución de probabilidad

21
Sea Z1 , Z2 , Z3 , … , Zk variables aleatorias independientes con distribución normal
estándar, entonces la variable aleatoria dada por:
X = Z12 , Z22 , Z32 , … , Zk2
tiene una distribución conocida como ji-cuadrada con υ = k grados de libertad.
Sea X la variable aleatoria ji-cuadrada con υ = k grados de libertad = n − 1;
donde: n es el tamaño de la muestra; entonces su función de densidad es:
1
x (k⁄2)−1 e−(x⁄2) ; x≥0
k
fk (x) = 2k⁄2 Γ (2)

{ 0 ; otro caso
Resumen Variable aleatoria ji-cuadrada

1
x (k⁄2)−1 e−(x⁄2) ; x≥0
k
Función de densidad fk (x) = 2k⁄2 Γ ( )2

{ 0 ; otro caso

Media μ=k

Varianza σ2 = 2k

Función generatriz de 1
mx (t) = (1 − 2t)−(k⁄2) ; t < 2
momentos

Valores del percentil X2p para la distribución ji cuadrada con grados de libertad. 22
Ejemplo:
Sea X una variable aleatoria ji-cuadrada con 9 grados de libertad, encontrar el
valor de k tal que:
a) P(X > k) = 0.025
b) P(X < k) = 0.025
Solución:
a) P(X > k) = 0.025
En la tabla de la distribución ji-cuadrada se busca el valor de α = 0.025
En la columna de grados de libertad se localiza el 9.

El cruce de fila y columna es el valor buscado: k = 19.023

P(X > 19.023) = 0.025
Solución:
b) Para P(X < k) = 0.025
se utiliza el complemento → P(X < k) = 1 − P(X > k) = 0.025
∴ P(X ≥ k) = 0.975
En tabla se busca el valor de α = 0.975
En la columna de grados de libertad se localiza el 9.
El cruce de fila y columna es el valor buscado: k = 2.700

P(X < 2.7) = 0.025

23
 Distribución t de Student

En probabilidad y estadística, la distribución t (de Student) es una distribución de

probabilidad que surge del problema de estimar la media de una población
normalmente distribuida cuando el tamaño de la muestra es pequeña.
Aparece de manera natural al realizar la prueba t de Student para la determinación
de las diferencias entre 2 o mas varianzas muéstrales y para la construcción del
intervalo de confianza para la diferencia entre las partes de dos poblaciones
cuando se desconoce la deviación típica de una población y esta debe ser
estimada a partir de los datos de una muestra. Fue desarrollada por William Sealy
Gosset, bajo el seudónimo Student.

Sea X y Y variables aleatorias independientes, tales que X~N(0, 1) y Y~ji −

cuadrada con n grados de libertad, entonces la variable:
X
W=
√Y
n
es una variable t de Student con n grados de libertad. Los grados de libertad
corresponden a los grados de libertad de la ji-cuadrada del denominador.

En la siguiente figura se muestran las gráficas de una función de densidad normal

estándar y de una función de densidad t. Nótese que ambas funciones de densidad
son simétricas con respecto al origen, pero que la densidad t tiene mas masa
probabilística en las colas.
Normal
estándar
Una comparación entre las funciones
de densidad normal estándar y t t

24
25/5/2019 study viewer

25
https://studylib.es/doc/5712989/tabla-de-la-distribucion-t-student-con-n-grados-de---u 1/1
Ejemplo:
Sea X una variable aleatoria distribuida como t de Student con 10 grados de
libertad, encontrar la probabilidad:
a) P(X < k) = 0.95
b) P(X > k) = 0.05

a) P(X < k) = 0.95

En la tabla de la distribución t de Student se busca el valor de α = 0.95
En la columna de grados de libertad se localiza el 10.

El cruce de fila y columna es el valor buscado: k = 1.812

P(X < 1.812) = 0.95
b) P(X > k) = 0.05 se utiliza el complemento→ P(X > k) = 1 − P(X < k) = 0.05
∴ P(X ≤ k) = 0.95

Se llega al resultado del inciso anterior: k = 1.812

∴ P(X > 1.812) = 0.05

26
 Distribución F de Fisher

La distribución de F de Fisher es una distribución que depende de dos parámetros.

Es una distribución que aparece, con frecuencia, como distribución de un estadístico
de test, en muchos contrastes de hipótesis bajo las suposiciones de normalidad.
Supóngase que deseamos comparar las varianzas de dos poblaciones normales
basados en la información contenida en muestras aleatorias independientes de las
dos poblaciones.
Sea X1 y X2 variables aleatorias independientes con distribución ji-cuadrada con
grados de libertad v1 y v2 , respectivamente; entonces, la variable aleatoria:
X1⁄
v1
F=
X2⁄
v2
Tiene distribución F con v1 y v2 grados de libertad. Los grados de libertad son los
de las variables ji- cuadrada que están en el numerador y denominador.

La función de densidad para variables aleatorias con la distribución F es un

miembro de la familia de las distribuciones beta. Omitimos la formula para la
densidad de una variable aleatoria con la distribución F , pero el método para
obtenerla se indica en los ejercicios al final del capitulo.

Su tabla es compleja porque al depender de dos parámetros complica su diseño.

Se acostumbran, pues, a publicar tantas tablas como niveles de significación
interese manejar. Aquí adjunto la del 0.05, la del 0.01 y la del 0.001

27
Distribución F 0.05
En las columnas se encuentran los valores F que corresponden al área 0.05 a la derecha
En las columnas se encuentran los grados de libertad del numerador
En los renglones se encuentran los grados de libertad del denominador.
1 2 3 4 5 6 7 8 9 10 11 12 15 20 24 30 40 60 120
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.0 243.9 245.9 248.0 249.1 250.1 251.1 252.2 253.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.82 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.72 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.63 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.57 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.51 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.46 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.41 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.34 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.31 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.28 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.26 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.24 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.22 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.20 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.17 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.15 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.14 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.13 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.04 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.87 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35
Para calcular el valor F en excel, se utiliza la función de la distribución F inversa
=distr.f.inv(0.05; gl num; gl den) © Ing. Jesús Alberto Mellado Bosque

28
 Función de densidad de probabilidad

Ejemplo:
Encontrar el valor de k en: P(X > k) = 0.05 para v1 = 6 y v2 = 10:

Solución:
v1 = 6
Grados de libertad: {
v2 = 10

α = 0.05

El cruce de fila y columna es el valor buscado: k = 3.22

∴ P(X(6, 10) > 3.22) = 0.05

29
 Conclusión

Con todo lo que se ha recabado e investigado en este trabajo, se puede concluir

que la probabilidad es una rama de las matemáticas que se encuentra muy visible
en lo cotidiano y es de mucha utilidad para interpretar y ver desde un punto de
vista probabilístico los sucesos de la vida cotidiana y laboral. Cabe mencionar que
dentro la ingeniería la probabilidad juega un rol importante ya que nos sirve porque
está basada en la recopilación de datos la cual estas son representadas mediante
gráficos estadísticos. En la cual se presentan los principales indicadores de la
actividad industrial: producción, despachos, ventas, exportación e importación y
venta interna.
Otro beneficio de esta materia es que nos permite realizar estudios reales, con
poblaciones exactas; lo cual nos ayuda a mejorar nuestros proyectos. Toda la
información proporcionada en esta investigación es de gran importancia, ya que
nos será de gran utilidad a lo largo de nuestra carrera profesional. Nos
encontramos en un mundo altamente probabilístico, por lo tanto, se necesita el
conocimiento de herramientas matemáticas de probabilidades, ya que la
utilizaremos en nuestra vida cotidiana y profesional.
Además, actualmente la aplicación de la probabilidad es tan amplia que abarca
múltiples campos científicos, siendo de gran ayuda en la resolución de problemas
en la Economía, Biología, Psicología, Ingeniería, entre otras.

30
 Referencias

https://www.uv.es/ceaces/base/modelos%20de%20probabilidad/geometrica.htm
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_geom%C3%A9trica
https://www.academia.edu/17309221/DISTRIBUCI_N_LOG
Irwin Miller, John E. Freund, Richard Johnson, Probabilidad y estadistica para ingenieros
(2000) Prentice Hall Inc
William W. Hines., Douglas Montgomery, Probabilidad y Estadística para ingeniería (2004)
Grupo Patria Cultural
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_gamma
https://gl.wikipedia.org/wiki/Distribuci%C3%B3n_lognormal
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_beta
http://gredos.usal.es/jspui/handle/10366/83459
http://www.coini.com.ar/COINI%202009/COINI%202008/Trabajos/TC3.pdf
http://departamentos.unican.es/macc/asignaturas/informatica/estadistica/pdf/Cap4.pdf
http://unbarquero.blogspot.com/2009/06/r-distribucion-gamma.html
http://www.suratep.com/articulos/27/accidentalidad_vial.pdf
http://upcommons.upc.edu/pfc/bitstream/2099.1/8321/1/Memoria%20PFC.pdf
http://www.aiaccess.net/English/Glossaries/GlosMod/e_gm_gamma_distri.htm
http://upcommons.upc.edu/revistes/bitstream/2099/5616/1/Article03a.pdf
http://office.microsoft.com/es-mx/excel-help/distr-gamma-HP005209101.aspx
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
Probabilidad y estadística Murray R. Spiegel – John Schiller – R. Alu Srinivasan, Schaum, Mc
Graw Hill Education.
http://labocientifica1-2203.blogspot.com/2012/02/importancia-de-la-investigacion-en-
la.html
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_t_de_Student
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_F
https://estadisticaorquestainstrumento.wordpress.com/2013/01/07/la-distribucion-f-de-
fisher/

31