Probabilidad y Estadística Módulo 6

MÓDULO 6

MODELOS PROBABILÍSTICOS CONTINUOS

Mg. Adriana Noelia Poco

Lic. Stella Maris Farías

Ciclo lectivo 2014

1
Probabilidad y Estadística Módulo 6

Í NDI CE

MODELOS PROBABILÍSTICOS CONTINUOS ......................................................................... 3

DISTRIBUCIÓN NORMAL ........................................................................................................ 3
ACTIVIDAD 1 ................................................................................................................ 9
APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL (TEOREMA DE DE MOIVRE) ....... 11
ACTIVIDAD 2 .............................................................................................................. 13
OTRAS DISTRIBUCIONES CONTINUAS – INTRODUCCIÓN .............................................. 13
Distribución t de Student ............................................................................................................. 13
ACTIVIDAD 3 .............................................................................................................. 15
Distribución chi cuadrado ........................................................................................................... 16
ACTIVIDAD 4 ............................................................................................................... 16
DISTRIBUCIÓN F DE FISHER – SNEDECOR......................................................................... 17
ACTIVIDAD 5 .............................................................................................................. 18
Respuestas a ejercicios .................................................................................................... 19

2
Probabilidad y Estadística Módulo 6

MODELOS PROBABILÍSTICOS CONTINUOS

DISTRIBUCIÓN NORMAL

Recordemos que una distribución de probabilidad es un modelo matemático que trata de

explicar los resultados de un experimento real.
Si una distribución de probabilidad está ligada a una variable aleatoria continua se llama
distribución de probabilidad continua.
La distribución de probabilidad más importante es la ley de distribución normal.
El estudio de las distribuciones de las variables aleatorias continuas es sumamente útil, no
sólo desde el punto de vista teórico, sino también desde el punto de vista práctico, pues muchos
fenómenos pueden tratarse de modo continuo, a pesar de ser discretos, por simplicidad en los
cálculos e incluso simplicidad en su manejo.
Esta distribución tiene numerosas aplicaciones, en los más variados campos, ya que muchos
fenómenos responden a la denominada ley normal.
La importancia de esta distribución se debe principalmente a tres consideraciones esenciales:
Hay numerosas variables que siguen una forma de variación análoga a la normal, por
ejemplo: caracteres morfológicos (pesos, alturas, diámetros, perímetros) de las personas y
otros seres vivos, como plantas, ganado, etcétera; caracteres sociológicos (puntuaciones en
exámenes, consumo de cierto producto por un grupo de individuos); caracteres psicológicos
(cociente intelectual, grado de adaptación a un medio); los errores cometidos en las
mediciones, etc.
La distribución normal es una excelente aproximación de otras varias distribuciones
muestrales. La distribución binomial y la de Poisson se aproximan a la normal al aumentar
el número de pruebas n.
Una variable aleatoria que obedezca a una ley normal de probabilidades puede adoptar
a
infinitos valores reales −∞ < X < ∞ . f
Si recordamos el histograma que obtuvimos en el Módulo 1 – página 18 – que muestra la
distribución de las estaturas de 110 niños entre 0 y seis meses de vida.
El mismo es:
30 27
25
20
nº de niños

20 18

15 13
10
10 8
4 5
5 3 2
0
9

6
-5

-6

-6

-6

-7

-7

-7

-8

-8

-8
56

59

62

65

68

71

74

77

80

83

Talla

3
Probabilidad y Estadística Módulo 6

Los diagramas como estos son muy comunes, existe una gran concentración de casos en la
zona central y pocos individuos en los extremos.

Definición:
Una distribución de probabilidad sigue una distribución normal con media µ y desviación
estándar σ , que se denota como N ( µ , σ ) , si la función de densidad tiene una representación
gráfica campanular, positiva, continua, simétrica respecto a la media, donde se ubica su punto
máximo.

Propiedades de toda curva normal

1) Su dominio es el conjunto de los números reales.

 1 
2) Todas las curvas normales tienen un punto máximo en  µ ; . A medida que sus
 σ . 2π 
 
valores se alejan de ese punto hacia la derecha o hacia la izquierda, las curvas decrecen.

3) Todas las curvas son simétricas con respecto a la vertical que pasa por el punto máximo.

4) Todas las curvas normales tienen forma de campana; cerca de su punto máximo son
convexas, poseen dos puntos de inflexión en X = µ − σ y en X = µ + σ , donde se transforman en
cóncavas.

5) El área limitada entre la curva normal y el eje x es igual a 1.

6) Debido a su simetría en las leyes normales, media aritmética, mediana y moda coinciden y
todas corresponden al punto máximo de la curva.

La distribución normal queda definida por dos parámetros, su media y su desviación típica
y la representamos así N ( µ X ;σ X ) .
2
1  x−µ 
−
1 2  σ 
La función de densidad es: f ( X ) = .e con X ∈ R, cuya gráfica es
2 π .σ
del tipo

4
Probabilidad y Estadística Módulo 6

Para cada valor de µ X y de σ X la función de densidad es distinta, por lo que se obtiene una
familia de distribuciones normales.

Si la variable aleatoria continua X tiene por función de densidad, la función anterior, se dice
que X es una variable aleatoria normal con media µ y desviación estándar σ. Esta fórmula fue
deducida por Gauss (Alemania, 1777 - 1855) y por ello se la conoce como “ley gaussiana” o
“campana de Gauss”.

Como en toda variable aleatoria continua, el área determinada por el intervalo (a;b) , debajo
de la curva y por encima del eje x, es la probabilidad P ( a ≤ X ≤ b ) asociada a tal intervalo.

Los valores de µ y σ determinan la forma y situación de la curva normal. Considerando

una σ constante, el valor de µ traslada la curva horizontalmente; es decir que una curva que tiene
µ = 0 tiene su eje de simetría coincidente con el eje y, y su punto máximo tiene abscisa x = 0; si
en cambio µ = 3 su eje de simetría es le recta x = 3 y su punto máximo tiene también dicha
abscisa.

Si, por el contrario, mantenemos constante µ y hacemos variar σ, cuanto mayor sea su valor
más aplanada será la curva y viceversa.

Si σ = 0 no existe distribución y todas las observaciones tendrían el mismo valor, o sea el de

la media, es decir que no existe dispersión de datos respecto de dicha media.

Los valores de la distribución normal se encuentran tabulados, pero para poder usar la tabla
es necesario efectuar un cambio de variable. Recordemos que en toda VAC la probabilidad de
que X tome un valor exacto es nula, por lo tanto toda expresión de probabilidad que se relacione
con la variable aleatoria normal debe indicarse como intervalo. Para calcular la probabilidad
P ( a ≤ X ≤ b ) debe hallarse el área contenida debajo de la campana de Gauss entre x = a y x
= b, lo que implica la resolución de una integral definida en cuyo integrando aparece la función de
densidad antes definida. Como esta integral no resulta fácil de calcular los valores de la
probabilidad para la VAN han sido recopilados en tablas, con el inconveniente que representa
confeccionar una tabla para cada par de valores posibles de µ y σ.

Para salvar este obstáculo se realiza un cambio de variable reemplazando la variable X por
X −µ
una nueva Z, definida como: Z= Esta nueva variable se llama variable estandarizada
σ
o tipificada y su distribución “distribución normal típica”.

Como demostraremos a continuación esta nueva variable tiene E ( Z ) = 0 y σ = 1 , lo que

reduce el problema a la confección de una única tabla para los parámetros µ = 0 y σ = 1.

5
Probabilidad y Estadística Módulo 6

En efecto:

a f FH X σ− µ IK = E FH σX − σµ IK = E FH σX IK − E FH σµ IK = E aσX f − σµ = σµ − σµ = 0
E Z =E

Var a Z f = E a Z f − E a Z f = E
2 2F X − µ I − 0 = E FG X − 2 Xµ + µ IJ =
2
2
2 2

H σ K H σ K 2

= EG
F X IJ − 2 µ E a X f + µ = E d X i − 2 µ + µ = E d X i − µ =
2 2 2 2 2 2 2

Hσ K 2
σ σ 2 2
σ 2
σ 2
σ σ 2
σ2 2

Ed X i − µ
2 2
σ 2
= =1
σ2 σ2
Definición:

La distribución de una variable aleatoria normal con media cero y desviación estándar uno se
llama distribución normal estándar.

1 2
1 −(Z )
Su función de densidad es f ( Z ) = .e 2
2π

Propiedades de toda curva normal estándar

1) Es una distribución que caracteriza a las variables aleatorias continuas.

2) La curva normal estándar tienen forma de campana, simétrica con respecto al eje y.
3) Tiene media o esperanza matemática igual a cero y desvío estándar igual a 1.
4) La media, el modo y la mediana son todos coincidentes e iguales a cero.
5) Presenta puntos de inflexión en Z = ±1 = ± σ
6) Presenta un máximo en Z = 0.
7) El área limitada entre la curva normal estándar y el eje z es igual a 1.
8) Es asintótica con respecto al eje z.

6
Probabilidad y Estadística Módulo 6

La función de probabilidades acumulada es P ( Z ≤ z ) , representada por el área sombreada

en la figura

Para aprender a utilizar la tabla correspondiente a la variable estandarizada Z, debemos

primero distinguir dos tipos de problemas que se pueden presentar:

a) Búsqueda directa: Dado un valor determinado X 0 de la VAN X, hallar la probabilidad de

que la misma tome valores menores o iguales que X 0 ; en símbolos P X ≤ X 0 b g o que sea
b g b g
P X ≥ X 0 o también que P X 0 ≤ X ≤ X 1 . Es decir que la incógnita es la probabilidad.

b) Búsqueda inversa: Dado un valor de probabilidad, determinar el valor particular X 0 de X , de

manera tal que la probabilidad de que la variable X tome valores menores o iguales que X 0 , sea
igual a la probabilidad conocida. En símbolos: P X ≤ ? = ka f
Para adquirir destreza en el manejo de la tabla vamos a plantear los siguientes

Ejemplos:

1) Sea X una VAN con µ = 5 y σ = 2, calcular P X ≤ 7 a f

X −5
Z= =1 ∴ P ( X ≤ 7 ) = P ( Z ≤ 1) = 0,8413 ≅ 84%
2

2) Sea X una VAN con µ = 1 y σ = 5, calcular P ( 2 ≤ X ≤ 4 )

P ( 2 ≤ X ≤ 4 ) = P ( 0, 2 ≤ Z ≤ 0, 6 ) = P ( Z ≤ 0, 6 ) − P ( Z ≤ 0, 2 ) 0, 7257 − 0, 5793 =
= 0,1464 ≅ 14%

7
Probabilidad y Estadística Módulo 6

3) Sea X una VAN con µ = 3 y σ = 5, calcular P X ≥ 7 a f

P ( X ≥ 7 ) = P ( Z ≥ 0, 8 ) = 1 − P ( Z ≤ 0, 8 ) = 1 − 0, 7881 = 0, 2119 =≅ 21%

4) Sea X una VAN con µ = 6 y σ = 4, calcular P X ≥ 1 a f

P ( X ≥ 1 ) = P ( Z ≥ − 1, 25 ) = P ( Z ≤ 1, 25 ) = 0, 8944 ≅ 89%

5) Hallar k de tal forma que P ( X ≤ k ) = 0, 67 siendo µ = 3 y σ = 2.

 k −3
PZ ≤  = 0, 67 de tabla resulta:
 2 

k −3
P ( Z ≤ 0, 44 ) = 0, 67 ∴ = 0, 44 ⇒ k = 3,88
2

Razonemos un poco ¿???!!!!!

Si realmente hemos comprendido las aplicaciones de la distribución normal y aprendimos a

manejar las tablas que nos permiten resolver los cálculos, estamos en condiciones de resolver
problemáticas concretas, como las que siguen:

1) Una explotación agropecuaria sabe que el incremento de peso de sus cerdos en seis
meses sigue una distribución normal con media 16 kg. y desviación estándar 2 kg.
Definimos a la VAN X : incremento de peso de cada cerdo
a)¿Qué probabilidad existe de que un cerdo engorde menos de 18 kg. en 6 meses?
b) ¿Qué probabilidad existe de que un cerdo engorde más de 14 kg. pero menos de 18
kg.?

2) Los 600 soldados de un cuartel poseen una altura que se distribuye normalmente con
media 166 cm y σ = 12 cm.
a) Hallar el número aproximado de soldados cuya altura esté comprendida entre los 165
cm y 182 cm.
b) ¿cuántos medirán más de 190 cm?
c) Si se debe formar un batallón con el 4% de los soldados más altos, ¿a partir de qué
altura deben seleccionarse éstos?

Respuestas: 1) a) 84% b) 68% 2) a) 264 soldados b) 14 soldados c) 1,87 m.

8
Probabilidad y Estadística Módulo 6

ACTIVIDAD 1

1) Si estudiamos una distribución normal con µ = 95 y σ = 10 calcular:

1.1* P [ 95 ≤ X ≤ 105 ] 1.2* P [ X ≤ 105 ]

1.3* P [ X ≥ 100 ] 1.4* P [ X ≤ 70 ]
1.5* P [ 70 ≤ X ≤ 100 ] 1.6* P  x − 100 ≤ 15
1.7* P [ X ≤ k ] = 0, 60 1.8* P [ X ≤ k ] = 0, 20

2) Una encuesta entre los habitantes de cierta ciudad indicó que el ingreso promedio
era de $450, con una dispersión de $50. Admitiendo una distribución normal para la
variable “ingreso”, calcular:
2.1* el porcentaje de habitantes con renta superior a $550.
2.2* el porcentaje de habitantes con renta comprendida entre $500 y $525.
2.3* el nivel de renta, a partir del cuál encontramos el 10% de mayores ingresos.

3) Si una determinada marca de batidoras tiene una vida útil media de 8 años y una
desviación típica de 0,6, respondiendo el experimento a una distribución normal.
Calcular:
3.1* la probabilidad de que una batidora dure más de 6 años
3.2* ¿Qué porcentaje de batidoras durarán entre 6 y 8 años?
3.3* ¿Qué porcentaje de batidoras durarán más de 14 años?

4) Una industria produce piezas con diámetros distribuidos según una ley normal con
media 0,80 cm y desviación típica 0,04 cm. Si la sección de control de calidad exige
que las piezas tengan un diámetro entre 0,75 y 0,85 cm, siendo rechazadas las piezas
en caso contrario. Si se examina una muestra de 1.000 piezas, ¿cuántas es de esperar
que sean rechazadas?

5) La distribución de los salarios de 2.000 trabajadores tiene una media de $700 y una
desviación estándar de $60. Si la distribución es normal, hallar:
5.1* ¿Cuántos trabajadores ganan $600 o más?
5.2* ¿Cuántos trabajadores ganan $820 o más?
5.3* ¿Cuántos trabajadores ganan entre $550 y $790??

6) El diámetro de una especie forestal, a los 10 años de vida, tiene una media de 45
cm y una varianza de 16 cm.
6.1* ¿Qué porcentaje de ellos tendrán un diámetro menor de 33 cm?
6.2* ¿Qué porcentaje de ellos tendrán más de 48 cm?
6.3* ¿Qué porcentaje de ellos tendrán un diámetro entre 39 y 47 cm?
6.4* ¿Qué porcentaje de ellos tendrán un diámetro entre 32 y 38 cm?

9
Probabilidad y Estadística Módulo 6

7) El tiempo que el cajero de un banco dedica a un cliente es una variable aleatoria

con media 3,2 minutos y varianza 2,56 minutos. Si se considera un muestra aleatoria
de 64 clientes, obtenga la probabilidad de que el tiempo medio de atención por el
cajero sea:
7.1* a lo sumo 2,7 minutos.
7.2* más de 3,5 minutos.

8) Entre los diabéticos, el nivel de glucosa en sangre X, en ayunas, puede suponerse

de distribución aproximadamente normal, con media 106 mg/100 ml y desviación
típica 8 mg/100 ml:
8.1* Hallar P [ x ≤ 120]
8.2* ¿Qué porcentaje de diabéticos tienen niveles comprendidos entre 90 y 120?
8.3* Hallar el valor x, tal que el 25 % de todos los diabéticos tenga un nivel de
glucosa inferior o igual a x.

9) El costo promedio de un condominio en un desarrollo urbano es de u$s 62000 con

una desviación estándar de u$s 4200. ¿Cuál es la probabilidad de que un condominio
de este desarrollo cueste por lo menos u$s 65000, si responde a una población
normal?

10) Suponga que en cierta zona de una ciudad, el número de apagones (interrupciones
en el suministro de energía eléctrica) por mes sigue aproximadamente una
distribución normal con media µ X = 9.5 apagones y una desviación estándar de
σ X = 4.3 . Calcule la probabilidad de que en un mes cualquiera en dicha zona ocurra
entre 8 y 10 apagones inclusive.

Distribución normal: ejemplo resuelto con Excel

Una explotación agropecuaria sabe que el incremento de peso de sus cerdos en seis meses
sigue una distribución normal con media 16 kg. y desviación estándar 2 kg.
Definimos a la variable aleatoria normal X : incremento de peso de cada cerdo
¿Qué probabilidad existe de que un cerdo engorde menos de 18 kg. en 6 meses?

10
Probabilidad y Estadística Módulo 6

APROXIMACIÓN DE LA DISTRIBUCIÓN BINOMIAL (TEOREMA DE DE

MOIVRE)

La distribución binomial será simétrica, como la normal, siempre y cuando p = 0, 5 .

Cuando p ≠ 0, 5 , la binomial no será simétrica. Pero si p está muy cerca de 0,5 y cuanto más
grande sea el número de observaciones n, ( n ≥ 30 ) , más simétrica se vuelve la distribución.. Ésto,
a su vez, hace que cuando más grande es el número de observaciones, más largo es calcular las
probabilidades de éxito mediante la fórmula binomial.
Siempre que el tamaño de la muestra sea muy grande la distribución binomial se comporta
como la normal y, por lo tanto, resulta más fácil resolver el problema mediante el uso de la curva
de Gauss.
Cuando pasamos del campo discreto al campo continuo es necesario realizar un ajuste de
continuidad, el que responde a las siguientes características:

1. Para calcular la probabilidad de que la variable tome un valor determinado, mediante el

uso de la normal esa probabilidad es cero (por las características propias de la
distribución). Por ésto para determinar la probabilidad de que X = 4 debe calcularse la
probabilidad 3, 5 ≤ X ≤ 4, 5 .

2. Para encontrar la probabilidad de que X tome al menos el valor 4 debemos hallar la

probabilidad de que X ≥ 3, 5 .
3. Para hallar la probabilidad de que X tome como máximo el valor 4 debemos hallar la
probabilidad de que X ≤ 4, 5 .

Como regla general puede decirse que esta aproximación se puede usar si np o n.pq son al
menos 5.

Como ya definimos, en una distribución binomial la media está dada por µ X = n . p y la

desviación estándar por σ X = npq ; por lo que para la estandarización de la variable X
X − µX X − np
sustituimos en Z = = .
σX npq

11
Probabilidad y Estadística Módulo 6

Ejemplo:

En un control de calidad de productos se determina que el 8% de las llantas producidas en

una planta son defectuosas. ¿Cuál es la probabilidad de que en una muestra de 1600 llantas, 150
sean defectuosas?

Restando los valores 0,9809 – 0.9762 = 0,0047 que es aproximadamente igual a la

probabilidad 0,0048 obtenida mediante el uso de la binomial.

Si la pregunta es ahora: ¿Cuál es la probabilidad de que no más de 150 llantas sean

defectuosas? Ésto resulta imposible resolverlo por binomial y por lo tanto debe ser hallado por
aproximación de la normal.

Indique Ud. la respuesta.

12
Probabilidad y Estadística Módulo 6

ACTIVIDAD 2

1) La probabilidad de que un paciente se recupere de una rara enfermedad es 0,4. Si

se sabe que 100 personas contraen esta enfermedad, ¿cuál es la probabilidad de que
menos de 30 sobrevivan?

2) Una prueba de opción múltiple tiene 80 preguntas cada una con cuatro respuestas
posibles de las que sólo una es la correcta. ¿Cuál es la probabilidad de que al azar se
obtengan de 25 a 30 respuestas correctas?

3) Se lanza una moneda 400 veces. Hallar la probabilidad de que:

3.1* se obtengan entre 185 y 210 caras inclusive.
3.2* exactamente 205 caras.
3.3* menos de 176 o más de 227 caras.

4) Si el 20% de los residentes de una ciudad prefiere un teléfono blanco sobre

cualquier otro color disponible, ¿cuál es la probabilidad de que entre los siguientes
1000 teléfonos que se instalen en la ciudad:
4.1* entre 170 y 185 inclusive sean blancos?
4.2* al menos 210 pero no más de 225 sean blancos?

OTRAS DISTRIBUCIONES CONTINUAS – INTRODUCCIÓN

En general, cundo se trabaja con muestras grandes ( n ≥ 30 ) , las variables responden a la

distribución normal, y esta aproximación es mayor cuanto mayor es el tamaño de la muestra. Para
n menor que 30, llamadas pequeñas muestras, la aproximación a la distribución normal no es
buena y desmejora a medida que n disminuye.
Para estos casos se estudian distribuciones especiales cuyos resultados aplicados a pequeñas
muestras son válidos también para muestras grandes.
Esto origina la ventaja de que no es necesario realizar ensayos sobre muestras costosas, pues
pruebas realizadas sobre pequeñas muestras dan resultados válidos para grandes.

Las distribuciones más utilizadas son:

Distribución gamma y exponencial.
Distribución χ 2.
Distribución t de Student.
Distribución F de Fisher – Snedecor

DISTRIBUCIÓN t DE STUDENT

Esta distribución fue desarrollada por Gosset, con el seudónimo de Student. Gosset (1908)
era empleado de una cervecería que desaprobaba la publicación de trabajos de investigación por

13
Probabilidad y Estadística Módulo 6
parte de sus empleados, por lo que usó el seudónimo de Student. La distribución t se asemeja al a
distribución normal estándar, en que ambas son campanas simétricas con media µ X = 0 , pero
posee mayor dispersión.
La mayoría de las veces no se conoce la desviación estándar de la población de la cual se
extraen muestras aleatorias. Para muestras de tamaño n ≥ 30 , se proporciona una buena estimación
de σ X al calcular el valor de s.
Si no se conoce σ y el número de observaciones en la muestra es menor de 30, se puede
utilizar la desviación estándar de la muestra s como una estimación de σ, pero no es posible usar
la distribución Z como estadístico de prueba. El estadístico de prueba adecuado es la distribución t.
Si el tamaño de la muestra es pequeño, los valores de s varían considerablemente de muestra
X −µ X
a muestra y la distribución de la variable aleatoria se desvía notablemente de una
s
n
distribución normal estándar. El modelo matemático que usamos es la distribución de un
X −µX
estadístico t , donde t = s , donde X la media de la muestra, µ X es la media de la
n
población, y s es la desviación típica de la muestra.

Propiedades de la distribución t

La distribución t tiene una gráfica muy parecida a la campana de Gauss, es también

simétrica, pero tiene más área en las colas y menos en su parte central, ésto hace que sea un
poco más plana que la curva de Gauss.
A medida que aumentamos los grados de libertad, la distribución t se aproxima a la
distribución normal, hasta que ambas pueden considerarse idénticas. Con un tamaño de
muestra de 120 observaciones podemos asegurar que las distribuciones se comportan de la
misma manera y pueden ser usadas indistintamente.
Los valores de esta distribución están tabulados de forma tal que, en la primera fila se anotan
los valores de las áreas que quedan bajo la curva, en el extremo derecho de la campana.
En la primera columna se anotan los grados de libertad.
Entrando con los grados de libertad para un caso determinado y el valor que se desea dejar a
la derecha del parámetro t se puede hallar el valor del mismo.
El área que se deja a la derecha de t se simboliza con α . 100%, y el área complementaria, o
sea en la parte central de la curva es ( 1 − α ) .100% , la que se conoce con el nombre de
nivel de confianza. Si decimos. por ejemplo que el nivel de confianza es de 95%, estamos
significando que de cada 100 pruebas que realicemos corremos el riesgo de equivocarnos 5
veces y de acertar en la inferencia 95.
El campo de existencia de una distribución t es el intervalo ( −∞; ∞ ) .

14
Probabilidad y Estadística Módulo 6

Grados de Libertad

Existe una distribución t distinta para cada uno de los posibles grados de libertad. Por lo que
es necesario conceptualizarlos y para ello los definimos como el número de valores que podemos
elegir libremente.
Por ejemplo supongamos que estamos tratando con dos valores de muestra, a y b, y sabemos
que tienen una media de 18.
a+b
Simbólicamente la situación es: = 18
2
¿Cómo podemos encontrar los valores que a y b pueden tomar en esta situación? La
respuesta es que a y b pueden ser cualesquier valor cuya suma entre los dos sea 36. Suponga que
sabemos que a tiene el valor de 10. Ahora b ya no es libre de tomar cualquier valor, sino que debe
10 + b
tomar el valor de 26 ya que si a = 10 , = 18 .
2
De modo que 10 + b = 36 b = 26
La situación de este ejemplo se puede generalizar para cualquier (n) en donde dada la media
de los valores sólo quedan (n -1) elementos que pueden definirse libremente y uno es función de la
media y el resto de los elementos.

ACTIVIDAD 3

1) Determinar:
1.1* t 0 ,05;1 5 = 1.2* P ( - 0,87 ≤ t 13 ≤ 2,65) =
1.3* P ( t30 ≤ k ) = 0.90

2) Hallar el valor de t en cada uno de los siguientes casos:

2.1* 1 − α = 0, 95 ; n = 10
2.2* 1 − α = 0, 99 ; n = 10
2.3* 1 − α = 0, 95 ; n = 30
2.4* 1 − α = 0, 90 ; n = 16

3) Hallar las probabilidades:

3.1* P ( t17 > 0, 863 ) = 3.2* P ( t30 < 1, 31 ) =
3.3* P ( t26 < −1, 706 ) = 3.4* P ( t18 > 1, 33 ) =
3.5* P ( t10 < 2, 764 ) =

15
Probabilidad y Estadística Módulo 6

DISTRIBUCIÓN CHI CUADRADO

La distribución ji-cuadrado o chi cuadrado ( χ 2 ) tiene muchas aplicaciones en inferencia

estadística, por ejemplo en el test ji-cuadrado y en la estimación de varianzas. 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.
Si consideramos X1 , X 2 , ... , X n , es decir n variables aleatorias independientes con
distribución normal estándar ( µ X = 0 y σ X = 1 ) , la suma de los cuadrados de cada una de ellas
origina una nueva variable aleatoria llamada χ 2 de Pearson.
2
χ = X12 + X 22 + ... + X m 2

Las gráficas de las funciones de densidad de una distribución chi-cuadrado depende de sus
grados de libertad, como se muestra en la siguiente representación:

f(χ2)
2 GL

4 GL
8 GL

χ2

Propiedades de la distribución chi-cuadrado

El campo de existencia de la función χ 2 es ( 0;∞ ) por ser una suma de cuadrados.

Las curvas son asimétricas positivas.
Las funciones de densidad son sesgadas y varían según el número de grados de libertad. Al
aumentar los grados de libertad la curva se parece más a la normal, es decir que se
transforman en curvas cada vez más simétricas.

ACTIVIDAD 4
1) Hallar:
1.1* P ( χ2 11 ≤ 21,92 ) = 1.2* P ( χ2 12 ≥ k ) = 0.10
2
1.3* P ( 11,65 ≤ χ 19 ≤ 22,72) = 1.4* P ( χ162 < 11,91) =
1.5* P ( 3, 94 < χ102 < 12.55 ) =

16
Probabilidad y Estadística Módulo 6

2) Dada una variable aleatoria con distribución χ 2 con 30 grados de libertad hallar:
2.1* La probabilidad de que la variable tome valores inferiores a 18,49.
2.2* La probabilidad de que la variable tome valores superiores a 46,98.
2.3* La probabilidad de que la variable tome valores entre 14,95 y 40,26.
2.4* La probabilidad de que la variable tome valores inferiores a 13,79 o superiores a
50,89.
2.5* El valor de la variable no superado por el 5%.

DISTRIBUCIÓN F DE FISHER – SNEDECOR

La distribución F se define cono la relación de dos VA χ2 independientes , cada una

2
dividida por su número de grados de libertad. Consideramos χ 1 una VA chi cuadrado con m 1 gl
2
χ1
2
m1 χ 1 m2
y χ 22 con m 2 grados de libertad, independientes entre sí, puede expresarse: F = =
2 2
χ 2 χ 2 m1
m2

Propiedades de la distribución F

1) El campo de existencia de una VA F es el intervalo ( 0;+∞ ) .

2) Las funciones de densidad de la VA F para cada par de valores de m 1 y m 2 tienen forma de
campana sesgada dependiendo de los grados de libertad.
3) Con la notación Fα ,m1 ,m2 se indica la abscisa del extremo izquierdo de la base de la cola
derecha, de área α (nivel de significación) bajo la curva de densidad correspondiente a la VA F
con m 1 y m 2 grados de libertad.
P  F ≥ Fα ,m 1,m 2  = α P  F ≤ Fα ,m 1,m 2  = 1 − α
4) A medida que aumentan los grados de libertad la distribución F se va aproximando a una
distribución normal.
5) La esperanza o media de la variable aleatoria con distribución F es igual a
m2
E( F ) = siendo m los gl del denominador y m > 2.
m 2− 2
Las tablas sólo contienen valores de α < 0 ,5 . Para valores de α > 0 ,5 , se busca F(1−α ) ,m ,m y
2 1

1
se toma la siguiente relación F( α ) ,m ,m =
1 2 F(1−α ) ,m ,m
2 1

17
Probabilidad y Estadística Módulo 6

ACTIVIDAD 5

1) Dada una variable aleatoria con distribución F(9;10) determinar:

4.1* La probabilidad de que la variable tome valores inferiores a 3,78.
4.2* La probabilidad de que la variable tome valores superiores a 4,94.
4.3* La probabilidad de que la variable tome valores entre 0,252 y 5,97.
4.4* La probabilidad de que la variable tome valores inferiores a 3,02 o superiores a
4,94.
4.5* El valor de la variable no superado por el 5% de los casos.

18
Probabilidad y Estadística Módulo 6

Respuestas a ejercicios

ACTIVIDAD 1

1) 1.1* 0.3413 2) 2.1* 2.28% 3) 3.1* 0.996

1.2* 0.8413 2.2* 9% 3.2* 0.4996
1.3* 0.3085 2.3* $514 3.3* 0
1.4* 0.0062
1.5* 0.6853
1.6* 0.8185
1.7* 97.6
1.8* 86.58
4) 212 5) 5.1* 1911 6) 6.1* 0.13%
5.2* 46 6.2* 22.66%
5.3* 1854 6.3* 62.475%
6.4* 3.95%
7) 7.1* 0.3821 8) 8.1* 0.9599 9) 0.242
7.2* 0.0307 8.2* 93.71 %
8.3* 100.604
10) 0.1846

ACTIVIDAD 2

1) 0.0162 2) 0.1195 3) 3.1* 0.78

3.2* 0.0352
3.3* 0.0101
4) 4.1* 0.1171
4.2* 0.2044

ACTIVIDAD 3

1) 1.1* 1.7531 2) 2.1* 1.812 3) 3.1* 0.20

1.2* 0.79 2.2* 2.764 3.2* 0.90
1.3* 1.31 2.3* 1.6973 3.3* 0.05
2.4* 1.337 3.4* 0.20
3.5* 0.98

ACTIVIDAD 4 ACTIVIDAD 5

1) 1.1* 0.975 2) 2.1* 0.05 1) 1.1* 0.975

1.2* 18.549 2.2* 0.025 1.2* 0.01
1.3* 0.6501 2.3* 0.89 1.3* 0.02
1.4* 0.25 2.4* 0.015 1.4* 0.96
1.5* 0.70 2.5* 18.493 1.5* 0.3187

19