You are on page 1of 36

GUIA DIDACTICA ESPECÍFICA

DISTRIBUCIONES DE
PROBABILIDAD.



Autor: LCDA. ROSMERY RODRIGUEZ
rosmeryrodriguez18@hotmail.com
0426-8512180

Barquisimeto, Junio 2011




U UN NI IV VE ER RS SI ID DA AD D C CE EN NT TR RO OC CC CI ID DE EN NT TA AL L
L LI IS SA AN ND DR RO O A AL LV VA AR RA AD DO O
D DE EC CA AN NA AT TO O D DE E C CI IE EN NC CI IA AS S Y Y T TE EC CN NO OL LO OG GI IA A. .







GUIA DIDACTICA ESPECÍFICA









U UN NI IV VE ER RS SI ID DA AD D C CE EN NT TR RO OC CC CI ID DE EN NT TA AL L
L LI IS SA AN ND DR RO O A AL LV VA AR RA AD DO O
S SI IS ST TE EM MA A D DE E E ED DU UC CA AC CI IO ON N A A D DI IS ST TA AN NC CI IA A
D DE EC CA AN NA AT TO O D DE E C CI IE EN NC CI IA AS S Y Y T TE EC CN NO OL LO OG GI IA A. .



Datos de Identificación
Elaborado por: Licda. Rosmery Rodríguez Colmenárez.
Correo-electrónico: rosmeryrodriguez18@hotmail.com
Teléfonos de contacto: 0426-8512180
Fecha Elaboración: Junio, 2011
Fecha de Última Actualización: Junio, 2011
3


Tabla de Contenidos
Pagina
Introducción……………………………………………………….…………………………………………….…....4
Objetivo General de Aprendizaje............................................................................…..4
Objetivos Específicos de Aprendizaje.......................................................................….4
Contenidos................................................................................................................…5
Fuentes de
Información..............................................................................................................….5
Evaluación de los Aprendizajes..............................................................................……6
Distribuciones de Probabilidad………………………………………………………………………….….6
Conceptos Básicos……………………………………………………………………………………………….…6
Tipos de variables…………………………………………………………………………………………………..7
Función de probabilidad…………………………………………………………………………………………..7
Valor esperado………………………………………………………………………………………………………9
Varianza……………………………………………………………………………………………………………….10
Distribución de probabilidad discreta…………………………………………………………………..11
Distribución de Bernoulli………………………………………………………………………………………11
Distribución Binomial…………………………………………………………………………………………..12
Distribución de Poisson………………………………………………………………………………………..13
Distribución Geométrica……………………………………………………………………………………..15
Distribución de probabilidad Continua…………………………………………………………………16
Distribución Normal…………………………………………………………………………………………….16
Distribución Chi- Cuadrado………………………………………………………………………………….20
Distribución T-student…………………………………………………………………………………………22
Distribución Fisher...................................................................................................23
Tablas…………………………………………………………………………………………………………………26
4


Introducción

En toda la teoría de probabilidad es muy importante conocer e indagar característica de
las distribuciones de probabilidad para el conjunto de todos los resultados posibles de un
experimento Aleatorio. Es indispensable e interesante lo que se conoce como variable
Aleatoria y sus funciones de probabilidad.
El estudio de la teoría probabilística se ha convertido en una herramienta imprescindible
para tomar ciertas decisiones en aspecto donde de alguna forma intervenga la
incertidumbre al realizar un experimento y predecir los posibles resultados al ser repetido
varias veces el experimento.
Existen algunas distribuciones de gran interés como lo es las distribuciones Bernoulli,
Binomial, Poisson, Geométrica estas son de variables aleatorias discreta y la utilizamos
cuando tenemos éxitos y fracasos en un determinado experimento, depende de la
muestra. Las Distribuciones exponencial, gamma, normal, Chi- Cuadrado, t-student y
Fisher estas son de variables aleatorias continuas y la utilizamos cuando tenemos ciertos
parámetros.


Objetivos de Aprendizaje o las Competencias

Objetivo general de Aprendizaje
Al finalizar el estudio del Tema, los estudiantes serán capaces de aplicar la distribución
necesaria para calcular la probabilidad del experimento en estudio de ciertos datos que se
tienen.
.

Objetivos específicos de Aprendizaje
A continuación se presentan los objetivos específicos de aprendizaje del actual tema de
estudio. En cierto problema de la vida cotidiana o de cualquier empresa encontraras
términos o eventos el cual puede suceder, lo que se espera que comprendas, domines y
seas capaz de hacer bien al finalizar el estudio del tema serás capaz de:

1. Definir modelo probabilístico.

2. Identificar algunas Variables Aleatorias y las funciones de densidad
3. Calcular la probabilidad de un experimento, evento con alguna de las distribuciones de
probabilidad

4. calcular mediante el programa SPSS estas distribuciones y hacer sus respectivas
comparaciones o diferencias.

5


Esquema de los Contenidos

Algunos Conceptos básicos, referentes al tema.
Definición de variable aleatoria.
Tipos de variables.
Función de densidad y función de probabilidad
Valor Esperado y varianza.

Algunas distribuciones que se desean estudiar sus funciones de densidades para así poder
calcular las probabilidades necesarias para ciertos eventos.
Distribución de Bernoulli
Distribución Binomial
Distribución de Poisson
Distribución Geométrica
Distribución Normal
Distribución Chi- Cuadrado
Distribución T-student.
Distribución Fisher

Fuentes de Información

Textos Guías.
El texto que sirve de base para el estudio del tema es el siguiente:
Mendenhall, Scheaffer y Wackerly. (1986). Estadística Matemática con Aplicaciones. 3
era

edición.
En este texto se basa por completo el desarrollo de esta Guía Didáctica. En el curso en
línea se indicarán otras referencias de libros complementarios.
George C, Canavos. Probabilidad y Estadística. Aplicaciones y Métodos.
J. Susan Milton y Jesse C. Arnold. Probabilidad y Estadística para Ingeniería.
Sitios Web recomendados:
www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r65953.PDF
es.wikipedia.org/wiki/Distribución_probabilidad





6


Evaluación de los Aprendizajes

La evaluación de aprendizaje en este curso virtual lo haremos de dos tipos de
evaluaciones de forma formativa y sumativa midiendo el logro de los objetivos planteado
para así tener un mejor proceso de enseñanza- aprendizaje. Para la primera parte
“Variables Aleatorias” se realizara un Cuestionario interactivo disponible en el curso en
línea es de carácter formativa, es decir, sin ninguna puntuación, es para reforzar un poco
la base que tienes como estudiante.
El estudiante realizara un Glosario sobre algunos conceptos necesarios para que el
aprendizaje sea mejor, una prueba corta en línea para evaluar tu logro de los objetivos
específicos de aprendizaje, un foro de discusión y una asignación de ejercicios para
resolver fuera del aula en equipos de trabajo, conformados por tres miembros y rectificar
con el programa SPSS en estos casos es de forma sumativa, es decir que tendrá una nota
cuantitativa el proceso enseñanza-aprendizaje.



Comenzaremos con algunos conceptos básicos que te ayudaran afianzar tus
conocimientos, y puedas aprender con mayor facilidad el tema y así puedas entender cada
una de las distribuciones.
Conceptos básicos


Espacio muestral: son los todos los resultados del experimento y se denota con S.

Una Probabilidad es un número comprendido entre 0 y 1.

VARIABLES ALEATORIAS: es toda función que permite asignar un numero real y solo uno,
a todos y cada uno de los eventos elementales de un espacio muestral. Se define con
letras mayúsculas: X, Y, Z y los valores asumidas con letras minúsculas x, y z.
Ejemplo.
Supongamos que se lanza dos moneda y se esta interesado en el numero de caras.

7


Sol.
X: El numero de Caras.
Denotemos con c: cara y con s: sello, así el espacio
muestral esta dado por:
S= {(c, c), (c, s), (s, c), (s, s)}
Luego X ((c, c))=2 esto es, la cantidad de caras que hay en ese
elemento del espacio muestral.
X ((c, s))=1=X ((s, c))
X ((s, s))=0, en este caso no observamos ninguna cara.

TIPOS DE VARIABLES ALEATORIAS
Variables aleatorias discretas y variables aleatorias continuas.

Variables aleatorias Discreta: cuándo la cantidad de valores que puede asumir es
contable, sea finita o infinita.

Variable aleatoria continúas: cuándo los valores asumidos por la variable, forman un
conjunto infinito, y por lo tanto, no contable, bien sea un intervalo o varios intervalos.

Ejemplos:
En la siguiente tabla esta marcado con una X el tipo de Variable aleatoria asociado al
enunciado.
Variable aleatoria
continúa.

Variable aleatoria
discreta.

La cantidad de petróleo bombeada por un
determinado pozo.
X
El numero de autos vendidos en un mes X
El tiempo entre dos llegadas consecutivas de
100 clientes a una tienda
X
El número de artículos defectuosos
producidos por una fabrica
X

FUNCIÓN DE PROBABILIDAD O FUNCIÓN DE DENSIDAD.

- Sea X una variable aleatoria discreta. Llamaremos función de densidad de
probabilidad o función de densidad de X a la función real definida en de p tal
que:
F(x)=P(X=x)
Y satisface las siguientes propiedades:
8


0.10
0.15
0.20
0.25
0.30
0.35
0.40
0 1 2 3
f(x) se no negativa para todo x

- Se dice que una variable aleatoria X tiene una función de densidad continua si
existe una función no negativa f definida en tal que:

donde a y b son constante
Y satisface las siguientes propiedades:
- f(x) se no negativa para todo x
- 1 ) ( =
}
·
· ÷
dx x f

Ejemplos:
1. Si lanzamos tres monedas y vemos la parte superior de la moneda. Calcular la
función de densidad.
Sol.
En este caso la variable aleatoria es discreta ya que los resultados se pueden
contabilizar.
Sea X=nº de caras al lanzar tres veces una moneda.
Los posibles valores de x son: 0, 1, 2 y 3

Lanzar 3 veces moneda: espacio muestral (todas las posibles combinaciones de los
resultados 2
3
= 8 dos opciones, tres lanzamientos)

S= {CCC, CCX, CXC, XCC, XXC, XCX, CXX, XXX}, donde C=caras y X=sellos
#S=8
La variable aleatoria X:
Toma valor 0 cuando ocurre el suceso {XXX}, es decir que no salga ninguna cara
P(X=0)=1/8
Toma valor 1 cuando ocurre el suceso {XXC, XCX, CXX}, P(X=1)=3/8
Toma valor 2 cuando {CCX, CXC, XCC}, P(X=2)=3/8
Toma valor 3 cuando {CCC}, P(X=3)=1/8
La función de probabilidad es:
p P x
0
0 1 8 0125 = = = = { } / ,
p P x
1
1 3 8 0 375 = = = = { } / ,


p P x
2
2 3 8 0 375 = = = = { } / ,
p P x
3
3 1 8 0125 = = = = { } / ,


¿Cuál será la probabilidad de que salgan al menos dos caras?
La probabilidad de que salga al menos dos caras, es decir, 2 o más es:
9


P x P x P x P x { } { } { } { } , , ,
,
s = = + = + = = + +
=
2 0 1 2 0125 0 375 0 375
0 875


2. Suponga que X es una variable aleatoria continua con la siguiente función de
densidad de probabilidad:

¹
´
¦ s s
=
punto otro cualquier en , 0
2 0 ,
) (
2
x cx
x f
Encontrar el valor de c que hace de ) (x f una función de densidad de probabilidad.
Sol.
Para que sea una función de densidad de probabilidad debe satisfacer:
- f(x) se no negativa para todo x
- 1 ) ( =
}
·
· ÷
dx x f luego,
8
3
1 0
3
8
1
3
1
1 ) (
1 ) ( ) ( ) ( 1 ) (
2
0
2
0
3
2
2
0
2
2
0
0
= ¬

\
|
=
|
.
|

\
|
÷ ¬ = ¬ = ¬
= ¬
= + + ¬ =
}
}
} } } }
·
· ÷
·
· ÷
c
c
x
c dx cx
dx x f
dx x f dx x f dx x f dx x f
Así, la función es de densidad para
c=3/8
VALOR ESPERADO O ESPERANZA.

La esperanza matemática (o simplemente esperanza) o valor esperado de una variable
aleatoria es la suma del producto de la probabilidad de cada suceso por el valor de dicho
suceso.
Si todos los sucesos son de igual probabilidad la esperanza es la media aritmética.
Para una variable aleatoria discreta con valores posibles y sus
probabilidades representadas por la función de probabilidad p (x
i
) la esperanza se calcula
como:
p
x
i
n
i
i
X E
¿
=
=
1
) (
10


Para una variable aleatoria continua la esperanza se calcula mediante la integral de todos
los valores y la función de densidad : dx x xf X E
}
·
· ÷
= ) ( ) (

La esperanza también se suele simbolizar con ) (X E = µ

VARIANZA.

La varianza es una medida de dispersión de una variable aleatoria respecto a su
esperanza .
Var(X)= = E(X
2
)-[E(X)]
2
o bien ) (
2
X Var = o la desviacion estandar o
tipica viene dada por:

) (X Var = o


Ejemplos:
1. Si lanzamos un dado equilibrado con 6 caras calcular el valor esperado y su varianza.
Sol.

En este caso es una variable aleatoria discreta
Sea X=el número que sale en la parte superior del dado.
x puede tomar los valores 1, 2, 3, 4, 5,6. Y cada uno tiene la misma probabilidad de 1/6.
Así el valor esperado cuando tiramos un dado equilibrado de 6 caras, podemos hacer el
cálculo

y cabe destacar que 3,5 no es un valor posible al rodar el dado. En este caso, en el que
todos los sucesos son de igual probabilidad, la esperanza es igual a la media aritmética.
Calculemos primero E(X
2
)
17 , 15
6
36 25 16 9 4 1
6
1
. 6
6
1
. 5
6
1
. 4
6
1
. 3
6
1
. 2
6
1
. 1 ) (
2 2 2 2 2 2 2
=
+ + + + +
= + + + + + = X E
Luego, la varianza viene dada por:
92 , 2 ) 5 , 3 ( 17 , 15 )] ( [ ) ( ) (
2 2 2
= ÷ = ÷ = X E X E X Var
Así, la medida de dispersión es 2,92.





11



DISTRIBUCIONES DE PROBABILIDAD DISCRETA.


Distribución Bernoulli

En teoría de probabilidad y estadística, la distribución de Bernoulli (o distribución
dicotómica), nombrada así por el matemático y científico suizo Jakob Bernoulli, es una
distribución de probabilidad discreta, que toma valor 1 para la probabilidad de éxito (p) y
valor 0 para la probabilidad de fracaso (q = 1 − p).
Si X es una variable aleatoria que mide "número de éxitos", y se realiza un único
experimento con dos posibles resultados (éxito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parámetro .
La fórmula será:
q p p p
x x x x
x f
÷ ÷
= =
÷
1 1
) 1 (
) (

Su valor esperado y su varianza vienen dadas por: E(X)=p y Var(X)=p.(1-p)=p.q
respectivamente.

Ejemplos:
1. Se lanza una moneda, calcular la probabilidad de conseguir que salga sello.
Sol.
Se trata de un solo experimento, con dos resultados posibles: el éxito (p) se considerará
sacar sello que es lo que nos pide el ejercicio y su valor es p=0,5(ya que es una de las dos
opciones). Nuestro fracaso será que salga cara, y su valor es q= (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X, viene dada:
X= número de sello que sale en un lanzamiento.

y sólo existirán dos resultados posibles: 0 (ningún sello, es decir, sale cara) y 1 (un sello).
Por tanto, la variable aleatoria X se distribuirá como una Bernoulli, ya que cumple todos
los requisitos. ) 5 . 0 ( Be X ~ luego sustituyendo tenemos:

P(X = 0) = f (0) = 0,5
0
0,5
1
= 0,5
P(X = 1) = f(1) = 0,5
1
0,5
0
= 0,5
Así la probabilidad de que salgo sello o no, en este caso es la misma de 0,5.

2. Otros ejemplos.
- Contar el número de pacientes que sobreviven a una operación de corazón
abierto.
- Contar el número de personas que se entrevistan por un empleo y a las que se le
hace una oferta de empleo.

12


- La respuesta correcta o incorrecta en un examen.


Distribución Binomial

Partimos de una experiencia en la que sólo consideramos dos sucesos A y su contrario A
c
.
Sus probabilidades son P(A)= p y P (A
c
)= q=1-p
El suceso A es el suceso favorable, se le suele llamar éxito, al contrario fracaso como lo
vimos en el anterior.
En este caso, si repetimos n veces la experiencia, y estamos interesados en e número de
éxitos, la variable aleatoria X indicará éstos y tomará los valores 0, 1, 2, ...n. Se trata de
una distribución de probabilidad discreta, que se llama distribución binomial de
parámetros n (nº de repeticiones) y p (probabilidad del éxito). Se designa B(n, p)

La probabilidad de obtener k éxitos es ( )
q p
k n k
k
n
k X P
÷
|
|
.
|

\
|
= =
Su valor esperado es E(X)=n.p, la varianza y la desviación típica
Observación: Cuando n. p>5 se puede considerar que la distribución es normal (la vemos
después).


Ejemplos:
1. Un jugador de tenis tiene una probabilidad de ganar una partida de 0,25. Si juega 4
partidas, calcula la probabilidad de que gane más de la mitad.
Sol.
Es una binomial con n=4 y p=0,25, lo que piden es que calculemos P(X=3)+P(X=4) donde:

012 , 0 ) 75 , 0 ( ) 25 , 0 (
3
4
) 3 (
4
=
|
|
.
|

\
|
= = X P , 0039 , 0 ) 25 , 0 (
4
4
) 4 (
4
=
|
|
.
|

\
|
= = X P
Así, P(X=3)+P(X=4)=0,015, es decir que la probabilidad de que el jugador de tenis gane mas
de la mitad es de 1,5%.
Su valor esperado o su promedio es E(X)=1

2. Una máquina fabrica tornillos y se ha comprobado que el 2% de los mismos son
defectuosos. Si se vende en paquetes de 20, se pide:
a) ¿Cuál es la función de probabilidad de la variable aleatoria nº de tornillos defectuosos
en un paquete?
b) ¿Cuál es la probabilidad de que al comprar un paquete haya en el mismo 2
defectuosos?
c) hallar la esperanza matemática y la varianza de la distribución correspondiente.


13


Sol.
a) Es una binomial de parámetros n = 20 y q = 0, 02.
Su función de probabilidad es ( )
) 98 , 0 ( ) 02 , 0 (
20 k n k
k
k X P
÷
|
|
.
|

\
|
= =


b) P(X =2)=

c) E(X)= n.p = 20.(0,98) =19,6, Var(X)= n.p.q= 20.(0,98) .(0,02)=0,392.


Distribución Geométrica.

La distribución geométrica es un modelo adecuado para aquellos procesos en los que se
repiten pruebas hasta la consecución del éxito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de esta manera. También implica la existencia de
una dicotomía de posibles resultados y la independencia de las pruebas entre sí.
Esta distribución se puede hacer derivar de un proceso de Bernoulli en el que tengamos
las siguientes características:
. El proceso consta de un número no definido de pruebas o experimentos separados o
separables. El proceso concluirá cuando se obtenga por primera vez el resultado deseado
(éxito).
· Cada prueba puede dar dos resultados mutuamente excluyentes: A: éxito y no A: fracaso
· P(A)=p y P (no A)=1-p=q
Una variable aleatoria tiene distribución de probabilidad geométrica si y solo si
( )
q p
x
x X P
1 ÷
= = donde x=1,2,3,… y
X: es el número de pruebas necesarias para que el resultado llegue al primer éxito.
Y su valor esperado viene dado por: E(X)=1/p y la varianza es: (1-p)/p
2

Ejemplos:

1. Un matrimonio quiere tener una hija, y por ello deciden tener hijos hasta el
nacimiento de una hija. Calcular el número esperado de hijos (entre varones y
hembras) que tendrá el matrimonio. Calcular la probabilidad de que la pareja
acabe teniendo tres hijos o más.
Sol:
Este es un ejemplo de variable geométrica. Vamos a suponer que la probabilidad de tener
un hijo varón es la misma que la de tener una hija hembra. Sea X la variable aleatoria.

Es claro que, p=0,5 ya que tiene la misma posibilidad de tener una niña o un varón
Luego el valor esperado es:
14


E(X)= 2
2
1
1 1
= =
p


Así, el número esperado total entre hijos varones y la niña es de 2
La probabilidad de que la pareja acabe teniendo tres o más hijos, es la de que tenga 2 o
más hijos varones (la niña está del tercer lugar en adelante), es decir,
4
1
1
) 1 ( ) 0 ( 1 ) 1 ( 1
) 2 ( 1 ) 2 (
= ÷ ÷ =
= ÷ = ÷ = s ÷ =
< ÷ = >
qp p
X P X P X P
X P X P

Luego, la probabilidad de que tenga 2 o mas hijos varones es de 25%.

2. En el salón hay 8 alumnos de ojos cafés, 9 de ojos azules, 7 de ojos negros, y 10 de
ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este último
tenga los ojos claros.
Sol:
En este caso es una distribución geométrica ya que nos piden que el ultimo tenga
ojos claros (azules y verdes) hay 19 de los 34 alumnos

X= Alumno que tenga ojos claros.

p = 19/34=0.5588
q = 1- 0.5588 = 0.4412
P(X=x)=q
x-1
.p es decir,
P(X=6) = (0.4412)
5
(0.5588) = 0.0093

Luego la probabilidad de que el último de los 6 estudiantes elegidos sea de ojos
claros es 0,0093


Distribución de Poisson.

Características:
En este tipo de experimentos los éxitos buscados son expresados por unidad de área,
tiempo, pieza, etc.
- # de defectos de una tela por m
2

15


- # de aviones que aterrizan en un aeropuerto por día, hora, minuto, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefónicas a un conmutador por hora, minuto, etc.
- # de llegadas de embarcaciones a un puerto por día, mes, etc.
Para determinar la probabilidad de que ocurran x éxitos por unidad de tiempo, área, o
producto, la fórmula a utilizar sería:


!
) (
x
e
x X P
x ì
ì
÷
= = donde: X es una variable aleatoria y
ì es un parámetro o promedio de éxitos por unidad probabilidad de que ocurran x éxitos,
cuando el número promedio de ocurrencia de ellos esì.

X = variable que nos denota el número de éxitos que se desea que ocurra.
El valor esperado viene dado p n X E . ) ( = = ì y la varianza ì o = =
2
) (X V

Hay que hacer notar que en esta distribución el número de éxitos que ocurren por unidad
de tiempo, área o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, así como cada área es independiente de otra área
dada y cada producto es independiente de otro producto dado.

Ejemplos:

1. Si un banco recibe en promedio 6 cheques sin fondo por día, ¿cuáles son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un día dado,
b) 10 cheques sin fondos en cualquiera de dos días consecutivos?
Sol:
a) X= variable que nos define el número de cheques sin fondo que llegan al banco en un
día cualquiera = 0, 1, 2, 3,.....,
ì = 6 cheques sin fondo por día ( )
( )
13392 , 0
! 4
6
6 , 4
6 4
= = = =
÷
e
X P ì


b) X= variable que nos define el número de cheques sin fondo que llegan al banco en dos
días consecutivos = 0, 1, 2, 3,......, etc., etc.
ì = 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos días
consecutivos
Nota: ì siempre debe de estar en función de x siempre o dicho de otra forma, debe
“hablar” de lo mismo que X.

16


2. Si el 2% de los libros encuadernados en cierto taller tiene encuadernación
defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados

Sol.
En este taller para que tengan encuadernaciones defectuosas usamos la
distribución de Poisson. En este caso concreto, X es 5 y, λ, el valor esperado de
libros defectuosos es el 2% de 400, es decir, 8. Por lo tanto, la probabilidad
buscada es
( )
( )
. 092 , 0
! 5
8
8 , 5
5 4
= = = =
÷
e
X P ì
Luego la probabilidad de que haya 5 de 400 libros encuadernados es 0,092.

DISTRIBUCIONES DE PROBABILIDAD CONTNUA.


Distribución Normal.

Esta distribucion es frecuentemente utilizada en las aplicaciones estadisticas. Su propio
nombre indica su extendida utilizacion, justificacda por la frecuencia o normalidad con la
que ciertos fenomenos tienden a parecerse en su comportamiento a esta distribucion.
Muchas variables aleatorias continuas presentan una funcion de densidad cuya grafica
tiene forma de campana.
La distribución Normal, también es llamada Distribución Gaussiana en honor a K.
Gauss, es una del tipo continuo y es considerada la distribución más importante en
Estadística por las numerosas aplicaciones que tiene. Su comportamiento es reflejado por
la Curva Normal que es la gráfica de la siguiente ecuación

t o
o
µ
2
) (
2
2
2
) (
e
x
x f
÷
÷
=
Donde la media es µ y la desviación estándar es o son los parámetros de la distribución.
En este caso se trabaja mas que todo con modelos estandarizados, el cual vamos a definir
en lo que sigue en donde debemos llevar la media igual a cero y la varianza igual a uno y
utilizaremos la tabla de la normal que estará al final.


Modelo Normal Estándar
Se dice que una normal es estándar si tiene media 0 = µ y varianza var(x) 1. (Desviación
típica 1).
17


Los valores de la distancia normal no es tabulado, mientras que la variable normal
estándar “Z” si, en donde ella esta definida de la siguiente forma:

|
|
.
|

\
| ÷
=
÷
=
o
µ
o
µ X
n
n
X
Z
c
/

En este caso como, ya la estandarizamos, así podemos encontrar el valor de Z, en la tabla
encontraremos valores como o = s ) (
c
Z Z P

probabilidad en la tabla de la normal. Su grafica
esta dada por:
Como vemos la grafica es simétrica, y la probabilidad
es el área bajo la curva su valor máximo es 1.




Ejemplos:

1. Al aplicar un test de habilidad numérica a 300 alumnos se obtuvo una distribución normal
con media de 36 ptos y desviación de 86,6 se desea saber
i) Cual es la probabilidad de obtener una puntuación igual o inferior a 32
ii) Cuantos alumnos de la muestra tiene puntaje igual o mayor que 34
Sol:
Sea X=puntuación de los alumnos.
Para (i) nos dicen que la puntuación es igual o inferior a 32, es decir, 32 s X

Luego,

( )
( )
2119 , 0
8 , 0
300
6 , 86
36 32
32
=
÷ s =
|
|
|
.
|

\
|
÷
s
÷
= s
Z P
n
X
P X P
o
µ

Buscamos el valor de 0,8 en la tabla, por ser la normal simétrica, y el valor se
localiza de la siguiente manera se localiza el 0,8 que es el entero y el primer
decimal en la columna, en este caso no existen mas decimal es decir que el decimal
18


que le sigue es 0 este valor se busca el la fila, es decir el valor 0,00 y si vemos
donde se unen es el valor 0,2119.

Así, la probabilidad de que la puntuación es igual o inferior a 32, es de 0,2119 o el 21%.

Para (ii) nos piden cuantos alumnos de la muestra tiene puntaje igual o mayor que 34, es decir,
34 > X

( ) ( ) ( ) 6554 , 0 3446 , 0 1 40 , 0 1 40 , 0
300
6 , 86
36 32
34 = ÷ = s ÷ = ÷ > =
|
|
|
.
|

\
|
÷
> = > Z P Z P Z P X P

En este caso buscamos el complemento de la probabilidad de que 40 , 0 ÷ > Z , ya que los valores
que se encuentran en la tabla son los menores e iguales.
Si la muestra tiene 300 alumnos, la cantidad que separa esa puntuación es de 65,54% de 300, es
decir, que
( )( )
alumnos 197
100
300 54 , 65
=

2. Una maquina embotelladora puede regularse de tal manera que lleno de un
promedio de µ onzas por botellas. Se ha observado que la cantidad de contenidos
que suministrara la maquina presenta una distribución normal con o =1,0 onza. De
la producción un cierto día, se obtiene una muestra aleatoria n=9 botellas llenas y
se miden las onzas del contenido de cada uno encuentre a lo mas 0.3 de onzas de
la media real µ para tales porciones del control.
Sol:
Sea Y la representación de las onzas de contenido a observarse i=1,…………9
Sabemos que Y presente una distribución normal con media µ

y desviación estándar
o =1 luego
19


( ) ( ) ( )
( )
( )
( ) ( )
( )
6318 , 0
) 1841 , 0 ( 2 1
9 , 0 2 1
9 , 0 ) 9 . 0 ( 1
9 , 0 9 , 0
9
1
3 , 0
9
1
3 , 0
3 , 0 3 , 0 3 , 0
=
÷ =
s ÷ =
s + ÷ > ÷ =
s s ÷ =
|
|
|
.
|

\
|
s
÷
s ÷ =
s ÷ s ÷ = s ÷
Z P
Z P Z P
Z P
n
Y
P
Y P Y P
o
µ
µ µ

Por lo tanto la probabilidad es solo de 0,63 de que la media muestral es a lo más 0,3
onza de la media poblacional real
¿Cuántas observaciones deben incluirse en la muestra se desea que Y este a lo mas 0,3
de onza de el con una probabilidad de 0.95?
Sol:
En este caso, 95 , 0 = o y utilizaremos la tabla de la siguiente forma buscamos el valor de
025 , 0
2
95 , 0 1
2
1
=
÷
=
÷o
en la parte inferior de la tabla y luego, vemos que valor esta en la
columna que es el entero y el primer decimal luego buscamos el numero que esta en la fila
que es el segundo decimal.
Sabemos según la tabla de la normal ( ) 95 , 0 96 , 1 96 , 1 = < < ÷ Z P (1)

Luego,
( ) ( ) ( )
( ) ( ) 95 , 0 3 , 0 3 . 0
95 , 0
3 , 0 3 , 0
95 , 0 3 , 0 3 , 0 3 , 0
= < < ÷ =
=
|
|
|
.
|

\
|
<
÷
<
÷
=
= < ÷ < ÷ = s ÷
n Z n P
n n
Y
n
P
Y P Y P
o o
µ
o
µ µ
(2)



Así de 1 y 2 se tiene que:
68 , 42
3 , 0
96 , 1
96 , 1 3 , 0
2
= |
.
|

\
|
= ¬ = n n
Si tomamos n=43; P (lY- µ l<0,3) será un poco mayor a 0,95


20



Distribución Chi- Cuadrado χ².
En estadística, la distribución χ² (de Pearson), llamada Chi cuadrado o Ji cuadrado, es una
distribución de probabilidad continua con un parámetro k que representa los grados de
libertad de la variable aleatoria

donde
o
µ ÷
=
i
i
X
Z son variables aleatorias normales independientes de media cero y
varianza uno. El que la variable aleatoria X tenga esta distribución se representa
habitualmente así: .
Luego,
2
1
2
1
¿ ¿
= =
|
|
.
|

\
| ÷
=
n
i
i
n
i
i
X
Z
o
µ
tiene una distribución Chi-Cuadrado con n grados de
libertad.
En la tabla encontraremos valores como o _
_
o
= > ) (
2
2
P

Su grafica viene dada por:



Esta grafica como vemos no es simétrica, pero la parte rayada es el parámetro o

en la tabla lo
encontremos este parámetro y los grados de libertad.

Teorema: Sea
n
X X X ,..., ,
2 1

una muestra aleatoria de una distribución normal con media µ


y varianza
2
o

Entonces,
¿
=
÷
= ÷
n
i
i
S n
X X
1
2
2
2
2
) 1 (
) (
1
o o
21


Tiene una distribución
2
_
con n-1 grados de libertad,
X
y
2
S
son también variables aleatorias
independientes.

Ejemplos:

1. Si
6 2 1
,..., , Z Z Z denota una muestra aleatoria de una distribución normal estándar,
encontrar el numero “b” tal que:
¿
=
= s =
6
1
2 2
95 , 0 ) (
i
ii
b Z P _

Sol:
Como cada una de las Z son normales estándar entonces la suma es una chi cuadrado con
6 grados de libertad, también vemos que el parámetro es 95 , 0 = o

Sabemos, que los valores de la tabla están dados por:
o _
_
o
= > ) (
2
2
P
así,
05 , 0 1 = ÷o
(ya que
debe ser el complemento que es la parte que esta en la tabla) luego, este parámetro lo buscamos
en la fila y en la columna buscamos lo grados de libertad en este caso son 6, así,
05 , 0 ) 5916 , 12 (
2
= > _ P

Por lo tanto b=12,5916 para que cumpla con la condición dada.

2. Si se obtiene una muestra aleatoria de tamaño 16 de una distribución normal con media y
varianza desconocida, obtener
) 041 , 2 (
2
2
s
o
S
P


Sol:
En este caso como tenemos cocientes de las varianzas y la muestra es una normal entonces es
una distribución chi-cuadrado con n-1=15 grados de libertad. Luego,

99 , 0 010 , 0 1
) 615 . 30 1 ; ( 1 ) 615 . 30 1 ; ( ) 15 * 041 , 2 ) 1 ( ( ) 041 , 2 (
2 2
2
2
2
2
= ÷ =
> ÷ ÷ = s ÷ = s ÷ = s n P n P n
S
P
S
P _ _
o o

En este caso se utilizo la tabla de la siguiente forma como tenemos los grados de libertad y
el valor de la chi-cuadrado que esta dentro de la probabilidad entonces, se busca los
grados de libertad y el valor que mas se aproxime a 30,615 y luego se busca arriba el valor
de o el cual es 0,010 pero como es el complemento a 1 se le resta el valor.

Por lo tanto para la muestra aleatoria de 16, la probabilidad de obtener 041 , 2
2
2
s
o
S
es de un
99%



22


Distribución T-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 pequeño.
Aparece de manera natural al realizar la prueba t de Student para la determinación de las
diferencias entre dos medias muéstrales y para la construcción del intervalo de confianza
para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviación
típica de una población y ésta debe ser estimada a partir de los datos de una muestra.
La distribución t de Student es la distribución de probabilidad del cociente
1
2
÷
=
n
Z
t
_
donde
- Z tiene una distribución normal de media nula y varianza 1
-
2
_ tiene una distribución chi-cuadrado con n-1 grados de libertad
- Z y
2
_ son independientes
Sin embargo, dado que la desviación estándar no siempre es conocida de antemano, Gosset
estudió un cociente relacionado,
donde
En la tabla encontraremos valores como o
o
= > ) ( t t P

Su grafica viene dada por:
En la tabla encontraremos valores como


Se puede apreciar que la tabla es muy parecida a la normal, lo que pasa es que es mas
ancha en la parte de arriba, y se utiliza que la normal pero en este caso se buscan los
grados de libertad.


23


Ejemplo:

1. la resistencia de la tensión para un tipo de alambre se distribuye normalmente
con media µ y varianza
2
o . Selecciona 6 al azar de los segmentos de los alambres de un
rollo grande de alambre; la media poblacional µ y la varianza se pueden estimar con X y
2
S respectivamente. Obtener la probabilidad aproximada de que X este a lo más
n S / 2 de la verdadera media poblacional.
Sol:
Lo que nos mandan a calcular es: ) / 2 ( n S X P s ÷ µ
Así aplicando propiedad de valor absoluto tenemos
( ) ( ) 90 , 0 05 , 0 * 2 1 2 2 1 2 2
2 2
2 2
) / 2 (
= ÷ = > ÷ = s s ÷ =
|
|
.
|

\
|
s
÷
s ÷ =
|
.
|

\
|
s ÷ s
÷
= s ÷
t P t P
S
X
n P
n
S
X
n
S
P n S X P
µ
µ µ

Este valor se encontró, usando la tabla de la t-student con el valor mas próximo a 2 y con
5 grado de libertad y como la t es simétrica por eso es que la probabilidad se multiplica
por 2 y se hace con el complemento.}

Por lo tanto, la probabilidad de que X este dentro de las desviaciones estándar estimada µ
será un poco menor de 0,90.


Distribución Fisher

Sean
2
1
_ y
2
2
_ variables aleatorias Chi- cuadrado con n-1, n-2 grados de libertad
respectivamente, entonces si
2
1
_ y
2
2
_ son independientes la Fisher es el cociente de
Chi- cuadrados entre sus grados de libertad. Así, F=
2
2
1
1
2
1
o
_
o
_

Se dice que tiene una distribución F con n-1 grado de libertad en el numerador y n-2
grado de libertad en el denominador. además
F=
( )
( )
2
2
2
2
2
1
2
2
2
1
2
1
2
1
÷
÷
=
÷
÷
n
S
n
S
n
n
_
_

En la tabla encontraremos valores como P( ) o o = > F F




24


Ejemplo:

1. Si tomamos dos muestras independientes de tamaño 6
1
= n y 10
2
= n de dos
poblaciones normales con la misma varianza poblacional, encuentre el numero “b”
tal que:
95 , 0
2
2
2
1
=
|
|
.
|

\
|
s b
S
S
P
Sol:
Como la varianza son las mismas tenemos,
F
S
S
S
S
= =
2
2
2
1
2
2
2
2
2
1
2
1
o
o
tiene función Fisher con 5 1
1
= ÷ n y 9 1
2
= ÷ n grados de libertad
Así
P ( ) 95 , 0
2
2
2
1
= s =
|
|
.
|

\
|
s b F P b
S
S

( ) 95 , 0 1 = > ÷ ¬ b F P
ya que estos son los valores que conseguimos en la tabla.

Luego, buscando el valor de 5 en la fila y el 9 en la columna y para 095 . 0 1 = ÷o

tenemos que

b=3,48.
Por lo tanto, para que b satisfaga 95 , 0
2
2
2
1
=
|
|
.
|

\
|
s b
S
S
P b debe ser 3,48.

2. La variación en el numero de unidades diarias de cierto producto el cual manejan
dos operadores A y B debe ser la misma con base a la muestras de tamaño
A
n =16
y 21 =
B
n días el valor calculado de las desviaciones estándar es de 2 , 8 =
A
S
y
8 , 5 =
B
S unidades estas son independientes que se encuentran aproximados por
distribuciones normales
¿existe algunas razón para creer que la varianza son iguales?
Sol:
Por el enunciado sabemos que:
2 , 8 =
A
S 8 , 5 =
B
S 16 =
A
n 21 =
B
n
luego esta es una distribución Fisher,
así

25


F= ( ) 20 , 15
2
2
2
2
2
1
2
1
F
S
S
=
o
o
15 y 20 son los grados de libertad del numerador y del denominador
respectivamente

Supongamos que
2 2
B A
o o = entonces
( )
( )
998 , 1
8 , 5
2 , 8
2
2
2
2
= =
B
A
S
S

Luego debemos calcular
P( ) ( ) 1 , 0 90 , 0 1 998 , 1 1 998 , 1 = ÷ = < ÷ = > F P F
(ya que supusimos que las varianzas son iguales hay ver que la Fisher tiene que ser
mayor al valor dado).
Como la probabilidad da un valor muy pequeño podemos garantizar que las varianzas
2 2
B A
yo o son iguales.

Para finalizar haremos una autoevaluación sobre el tema estudiado espero que haya sido
de tu agrado.











26


TABLA DE LA DISTRIBUCION NORMAL



27



TABLAS DE LA DISTRIBUCION CHI CUADRADO


28



29



TABLA DE LA T-STUDENT.



30


TABLAS DE LA FISHER.



31





32







33





34









35


Ejercicios de Autoevaluación

Apreciados Estudiante, la presente autoevaluación constituye en unas series de
actividades de evaluación de tipo formativa que te permite ver como están tus
conocimientos con respecto a esta Unidad Didáctica ya que más adelante var a realizar
una evaluación sumativa de forma presencial.

Sabes, que cualquier duda puedes hacerla a través del Foro de Dudas o me puedes escribir
a mi correo. Recuerda que debes prepararte muy bien.

1. Completación:

Instrucciones:
En la siguiente actividad debes completar las frases necesarias para que la oración este
completa.
a) La distribución ________ es el cociente de Chi cuadrado entre sus ______de
libertad.
b) En aquellos procesos en los que se repiten pruebas hasta la consecución del éxito
al resultado deseado se utiliza la distribución ____________.
c) En la tabla de la t student el resultado de 5 grados de libertad con parámetro
0,025 es: _____.
d) Se dice que una variable aleatoria X tiene una función de densidad ______si existe
una función no negativa f definida en tal que:___________

2. Selección simple.

Instrucciones:
en la siguiente actividad debes seleccionar la opción correcta.
1) Los tipos de variables aleatorias son:
a) Binomial y Discreta. b) Discreta y Continua. c) Normal y Fisher. d) media y varianza.
2) cuanto vale
o
Z

a) 1,96 b) 0,67 c) 2,9 d) 1,56
3) cual es el valor esperado, de la distribución de Poisson:
a) p X E / 1 ) ( = b)
p n X E . ) ( = = ì
c) q p n X E . . ) ( =


36



Respuestas a los Ejercicios de Autoevaluación

Completación:
a) Fisher; grados
b) Geométrica
c) 2,571
d) Continua;

Selección simple.
1) b
2) a
3) b