GUIA DIDACTICA ESPECFICA

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 ESPECFICA









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 Identificacin
Elaborado por: Licda. Rosmery Rodrguez Colmenrez.
Correo-electrnico: rosmeryrodriguez18@hotmail.com
Telfonos de contacto: 0426-8512180
Fecha Elaboracin: Junio, 2011
Fecha de ltima Actualizacin: Junio, 2011
3


Tabla de Contenidos
Pagina
Introduccin......4
Objetivo General de Aprendizaje..............................................................................4
Objetivos Especficos de Aprendizaje........................................................................4
Contenidos................................................................................................................5
Fuentes de
Informacin...............................................................................................................5
Evaluacin de los Aprendizajes..............................................................................6
Distribuciones de Probabilidad..6
Conceptos Bsicos.6
Tipos de variables..7
Funcin de probabilidad..7
Valor esperado9
Varianza.10
Distribucin de probabilidad discreta..11
Distribucin de Bernoulli11
Distribucin Binomial..12
Distribucin de Poisson..13
Distribucin Geomtrica..15
Distribucin de probabilidad Continua16
Distribucin Normal.16
Distribucin Chi- Cuadrado.20
Distribucin T-student22
Distribucin Fisher...................................................................................................23
Tablas26
4


Introduccin

En toda la teora de probabilidad es muy importante conocer e indagar caracterstica 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 teora probabilstica 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 inters como lo es las distribuciones Bernoulli,
Binomial, Poisson, Geomtrica estas son de variables aleatorias discreta y la utilizamos
cuando tenemos xitos 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
parmetros.


Objetivos de Aprendizaje o las Competencias

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

Objetivos especficos de Aprendizaje
A continuacin se presentan los objetivos especficos de aprendizaje del actual tema de
estudio. En cierto problema de la vida cotidiana o de cualquier empresa encontraras
trminos 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 sers capaz de:

1. Definir modelo probabilstico.

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 bsicos, referentes al tema.
Definicin de variable aleatoria.
Tipos de variables.
Funcin de densidad y funcin de probabilidad
Valor Esperado y varianza.

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

Fuentes de Informacin

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

edicin.
En este texto se basa por completo el desarrollo de esta Gua Didctica. En el curso en
lnea se indicarn otras referencias de libros complementarios.
George C, Canavos. Probabilidad y Estadstica. Aplicaciones y Mtodos.
J. Susan Milton y Jesse C. Arnold. Probabilidad y Estadstica para Ingeniera.
Sitios Web recomendados:
www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r65953.PDF
es.wikipedia.org/wiki/Distribucin_probabilidad





6


Evaluacin de los Aprendizajes

La evaluacin 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 as tener un mejor proceso de enseanza- aprendizaje. Para la primera parte
Variables Aleatorias se realizara un Cuestionario interactivo disponible en el curso en
lnea es de carcter formativa, es decir, sin ninguna puntuacin, 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 lnea para evaluar tu logro de los objetivos
especficos de aprendizaje, un foro de discusin y una asignacin 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 tendr una nota
cuantitativa el proceso enseanza-aprendizaje.



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


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

Una Probabilidad es un nmero comprendido entre 0 y 1.

VARIABLES ALEATORIAS: es toda funcin 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 maysculas: X, Y, Z y los valores asumidas con letras minsculas 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, as 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: cundo la cantidad de valores que puede asumir es
contable, sea finita o infinita.

Variable aleatoria continas: cundo 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
contina.

Variable aleatoria
discreta.

La cantidad de petrleo 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 nmero de artculos defectuosos
producidos por una fabrica
X

FUNCIN DE PROBABILIDAD O FUNCIN DE DENSIDAD.

- Sea X una variable aleatoria discreta. Llamaremos funcin de densidad de
probabilidad o funcin de densidad de X a la funcin 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 funcin de densidad continua si
existe una funcin 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
funcin de densidad.
Sol.
En este caso la variable aleatoria es discreta ya que los resultados se pueden
contabilizar.
Sea X=n 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 funcin 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 = = = = { } / ,


Cul ser la probabilidad de que salgan al menos dos caras?
La probabilidad de que salga al menos dos caras, es decir, 2 o ms 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 funcin de
densidad de probabilidad:

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 funcin de densidad de probabilidad.
Sol.
Para que sea una funcin 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
As, la funcin es de densidad para
c=3/8
VALOR ESPERADO O ESPERANZA.

La esperanza matemtica (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 aritmtica.
Para una variable aleatoria discreta con valores posibles y sus
probabilidades representadas por la funcin 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 funcin de densidad : dx x xf X E
}

= ) ( ) (

La esperanza tambin se suele simbolizar con ) (X E =

VARIANZA.

La varianza es una medida de dispersin 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 nmero 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.
As el valor esperado cuando tiramos un dado equilibrado de 6 caras, podemos hacer el
clculo

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 aritmtica.
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
As, la medida de dispersin es 2,92.





11



DISTRIBUCIONES DE PROBABILIDAD DISCRETA.


Distribucin Bernoulli

En teora de probabilidad y estadstica, la distribucin de Bernoulli (o distribucin
dicotmica), nombrada as por el matemtico y cientfico suizo Jakob Bernoulli, es una
distribucin de probabilidad discreta, que toma valor 1 para la probabilidad de xito (p) y
valor 0 para la probabilidad de fracaso (q = 1 p).
Si X es una variable aleatoria que mide "nmero de xitos", y se realiza un nico
experimento con dos posibles resultados (xito o fracaso), se dice que la variable
aleatoria se distribuye como una Bernoulli de parmetro .
La frmula ser:
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 xito (p) se considerar
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 ser que salga cara, y su valor es q= (1 - p) = 1 - 0,5 = 0,5.
La variable aleatoria X, viene dada:
X= nmero de sello que sale en un lanzamiento.

y slo existirn dos resultados posibles: 0 (ningn sello, es decir, sale cara) y 1 (un sello).
Por tanto, la variable aleatoria X se distribuir 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
As la probabilidad de que salgo sello o no, en este caso es la misma de 0,5.

2. Otros ejemplos.
- Contar el nmero de pacientes que sobreviven a una operacin de corazn
abierto.
- Contar el nmero 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.


Distribucin Binomial

Partimos de una experiencia en la que slo 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 xito, al contrario fracaso como lo
vimos en el anterior.
En este caso, si repetimos n veces la experiencia, y estamos interesados en e nmero de
xitos, la variable aleatoria X indicar stos y tomar los valores 0, 1, 2, ...n. Se trata de
una distribucin de probabilidad discreta, que se llama distribucin binomial de
parmetros n (n de repeticiones) y p (probabilidad del xito). Se designa B(n, p)

La probabilidad de obtener k xitos es ( )
q p
k n k
k
n
k X P

|
|
.
|

\
|
= =
Su valor esperado es E(X)=n.p, la varianza y la desviacin tpica
Observacin: Cuando n. p>5 se puede considerar que la distribucin es normal (la vemos
despus).


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 ms 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
As, 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 mquina fabrica tornillos y se ha comprobado que el 2% de los mismos son
defectuosos. Si se vende en paquetes de 20, se pide:
a) Cul es la funcin de probabilidad de la variable aleatoria n de tornillos defectuosos
en un paquete?
b) Cul es la probabilidad de que al comprar un paquete haya en el mismo 2
defectuosos?
c) hallar la esperanza matemtica y la varianza de la distribucin correspondiente.


13


Sol.
a) Es una binomial de parmetros n = 20 y q = 0, 02.
Su funcin 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.


Distribucin Geomtrica.

La distribucin geomtrica es un modelo adecuado para aquellos procesos en los que se
repiten pruebas hasta la consecucin del xito a resultado deseado y tiene interesantes
aplicaciones en los muestreos realizados de esta manera. Tambin implica la existencia de
una dicotoma de posibles resultados y la independencia de las pruebas entre s.
Esta distribucin se puede hacer derivar de un proceso de Bernoulli en el que tengamos
las siguientes caractersticas:
. El proceso consta de un nmero no definido de pruebas o experimentos separados o
separables. El proceso concluir cuando se obtenga por primera vez el resultado deseado
(xito).
Cada prueba puede dar dos resultados mutuamente excluyentes: A: xito y no A: fracaso
P(A)=p y P (no A)=1-p=q
Una variable aleatoria tiene distribucin de probabilidad geomtrica si y solo si
( )
q p
x
x X P
1
= = donde x=1,2,3, y
X: es el nmero de pruebas necesarias para que el resultado llegue al primer xito.
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 nmero esperado de hijos (entre varones y
hembras) que tendr el matrimonio. Calcular la probabilidad de que la pareja
acabe teniendo tres hijos o ms.
Sol:
Este es un ejemplo de variable geomtrica. Vamos a suponer que la probabilidad de tener
un hijo varn 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 nia o un varn
Luego el valor esperado es:
14


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


As, el nmero esperado total entre hijos varones y la nia es de 2
La probabilidad de que la pareja acabe teniendo tres o ms hijos, es la de que tenga 2 o
ms hijos varones (la nia est 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 saln hay 8 alumnos de ojos cafs, 9 de ojos azules, 7 de ojos negros, y 10 de
ojos verdes; si extraemos 6 alumnos, calcular la probabilidad de que este ltimo
tenga los ojos claros.
Sol:
En este caso es una distribucin geomtrica 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 ltimo de los 6 estudiantes elegidos sea de ojos
claros es 0,0093


Distribucin de Poisson.

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

15


- # de aviones que aterrizan en un aeropuerto por da, hora, minuto, etc.
- # de bacterias por cm
2
de cultivo
- # de llamadas telefnicas a un conmutador por hora, minuto, etc.
- # de llegadas de embarcaciones a un puerto por da, mes, etc.
Para determinar la probabilidad de que ocurran x xitos por unidad de tiempo, rea, o
producto, la frmula a utilizar sera:


!
) (
x
e
x X P
x

= = donde: X es una variable aleatoria y
es un parmetro o promedio de xitos por unidad probabilidad de que ocurran x xitos,
cuando el nmero promedio de ocurrencia de ellos es.

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

Hay que hacer notar que en esta distribucin el nmero de xitos que ocurren por unidad
de tiempo, rea o producto es totalmente al azar y que cada intervalo de tiempo es
independiente de otro intervalo dado, as como cada rea es independiente de otra rea
dada y cada producto es independiente de otro producto dado.

Ejemplos:

1. Si un banco recibe en promedio 6 cheques sin fondo por da, cules son las
probabilidades de que reciba, a) cuatro cheques sin fondo en un da dado,
b) 10 cheques sin fondos en cualquiera de dos das consecutivos?
Sol:
a) X= variable que nos define el nmero de cheques sin fondo que llegan al banco en un
da cualquiera = 0, 1, 2, 3,.....,
= 6 cheques sin fondo por da ( )
( )
13392 , 0
! 4
6
6 , 4
6 4
= = = =

e
X P


b) X= variable que nos define el nmero de cheques sin fondo que llegan al banco en dos
das consecutivos = 0, 1, 2, 3,......, etc., etc.
= 6 x 2 = 12 cheques sin fondo en promedio que llegan al banco en dos das
consecutivos
Nota: siempre debe de estar en funcin 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 encuadernacin
defectuosa, obtener la probabilidad de que 5 de 400 libros encuadernados

Sol.
En este taller para que tengan encuadernaciones defectuosas usamos la
distribucin de Poisson. En este caso concreto, X es 5 y, , 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
Luego la probabilidad de que haya 5 de 400 libros encuadernados es 0,092.

DISTRIBUCIONES DE PROBABILIDAD CONTNUA.


Distribucin 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 distribucin Normal, tambin es llamada Distribucin Gaussiana en honor a K.
Gauss, es una del tipo continuo y es considerada la distribucin ms importante en
Estadstica por las numerosas aplicaciones que tiene. Su comportamiento es reflejado por
la Curva Normal que es la grfica de la siguiente ecuacin

t o
o

2
) (
2
2
2
) (
e
x
x f

=
Donde la media es y la desviacin estndar es o son los parmetros de la distribucin.
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 estar al final.


Modelo Normal Estndar
Se dice que una normal es estndar si tiene media 0 = y varianza var(x) 1. (Desviacin
tpica 1).
17


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

|
|
.
|

\
|
=

=
o

o
X
n
n
X
Z
c
/

En este caso como, ya la estandarizamos, as 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 simtrica, y la probabilidad
es el rea bajo la curva su valor mximo es 1.




Ejemplos:

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

Luego,

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

\
|

= s
Z P
n
X
P X P
o


Buscamos el valor de 0,8 en la tabla, por ser la normal simtrica, 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.

As, la probabilidad de que la puntuacin 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 puntuacin 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 onzas por botellas. Se ha observado que la cantidad de contenidos
que suministrara la maquina presenta una distribucin normal con o =1,0 onza. De
la produccin un cierto da, 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 para tales porciones del control.
Sol:
Sea Y la representacin de las onzas de contenido a observarse i=1,9
Sabemos que Y presente una distribucin normal con media

y desviacin estndar
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



Por lo tanto la probabilidad es solo de 0,63 de que la media muestral es a lo ms 0,3
onza de la media poblacional real
Cuntas 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 segn 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

o

(2)



As 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- l<0,3) ser un poco mayor a 0,95


20



Distribucin Chi- Cuadrado .
En estadstica, la distribucin (de Pearson), llamada Chi cuadrado o Ji cuadrado, es una
distribucin de probabilidad continua con un parmetro k que representa los grados de
libertad de la variable aleatoria

donde
o

=
i
i
X
Z son variables aleatorias normales independientes de media cero y
varianza uno. El que la variable aleatoria X tenga esta distribucin se representa
habitualmente as: .
Luego,
2
1
2
1

= =
|
|
.
|

\
|
=
n
i
i
n
i
i
X
Z
o

tiene una distribucin 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 simtrica, pero la parte rayada es el parmetro o

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

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

una muestra aleatoria de una distribucin normal con media


y varianza
2
o

Entonces,

=
n
i
i
S n
X X
1
2
2
2
2
) 1 (
) (
1
o o
21


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

Ejemplos:

1. Si
6 2 1
,..., , Z Z Z denota una muestra aleatoria de una distribucin normal estndar,
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 estndar entonces la suma es una chi cuadrado con
6 grados de libertad, tambin vemos que el parmetro es 95 , 0 = o

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

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

2. Si se obtiene una muestra aleatoria de tamao 16 de una distribucin 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 distribucin 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


Distribucin T-student.
En probabilidad y estadstica, la distribucin t (de Student) es una distribucin de
probabilidad que surge del problema de estimar la media de una poblacin normalmente
distribuida cuando el tamao de la muestra es pequeo.
Aparece de manera natural al realizar la prueba t de Student para la determinacin de las
diferencias entre dos medias mustrales y para la construccin del intervalo de confianza
para la diferencia entre las medias de dos poblaciones cuando se desconoce la desviacin
tpica de una poblacin y sta debe ser estimada a partir de los datos de una muestra.
La distribucin t de Student es la distribucin de probabilidad del cociente
1
2

=
n
Z
t
_
donde
- Z tiene una distribucin normal de media nula y varianza 1
-
2
_ tiene una distribucin chi-cuadrado con n-1 grados de libertad
- Z y
2
_ son independientes
Sin embargo, dado que la desviacin estndar no siempre es conocida de antemano, Gosset
estudi 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 tensin para un tipo de alambre se distribuye normalmente
con media y varianza
2
o . Selecciona 6 al azar de los segmentos de los alambres de un
rollo grande de alambre; la media poblacional y la varianza se pueden estimar con X y
2
S respectivamente. Obtener la probabilidad aproximada de que X este a lo ms
n S / 2 de la verdadera media poblacional.
Sol:
Lo que nos mandan a calcular es: ) / 2 ( n S X P s
As 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



Este valor se encontr, usando la tabla de la t-student con el valor mas prximo a 2 y con
5 grado de libertad y como la t es simtrica 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 estndar estimada
ser un poco menor de 0,90.


Distribucin 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. As, F=
2
2
1
1
2
1
o
_
o
_

Se dice que tiene una distribucin F con n-1 grado de libertad en el numerador y n-2
grado de libertad en el denominador. adems
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 tamao 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 funcin Fisher con 5 1
1
= n y 9 1
2
= n grados de libertad
As
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 variacin 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 tamao
A
n =16
y 21 =
B
n das el valor calculado de las desviaciones estndar es de 2 , 8 =
A
S
y
8 , 5 =
B
S unidades estas son independientes que se encuentran aproximados por
distribuciones normales
existe algunas razn 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 distribucin Fisher,
as

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 pequeo podemos garantizar que las varianzas
2 2
B A
yo o son iguales.

Para finalizar haremos una autoevaluacin 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 Autoevaluacin

Apreciados Estudiante, la presente autoevaluacin constituye en unas series de
actividades de evaluacin de tipo formativa que te permite ver como estn tus
conocimientos con respecto a esta Unidad Didctica ya que ms adelante var a realizar
una evaluacin sumativa de forma presencial.

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

1. Completacin:

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

2. Seleccin simple.

Instrucciones:
en la siguiente actividad debes seleccionar la opcin 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 distribucin de Poisson:
a) p X E / 1 ) ( = b)
p n X E . ) ( = =
c) q p n X E . . ) ( =


36



Respuestas a los Ejercicios de Autoevaluacin

Completacin:
a) Fisher; grados
b) Geomtrica
c) 2,571
d) Continua;

Seleccin simple.
1) b
2) a
3) b