Documente Academic
Documente Profesional
Documente Cultură
4.1 Introducción.
Por ejemplo la presión de un neumático en libras por pulgada cuadrada (psi) puede
ser 30, 30.1, 30.15, 30.158, etc. Todo dependerá del instrumento de medición.
4.2.1 Introducción.
Su historia se remonta al siglo XVIII cuando se observó que los errores de las
mediciones se ajustaban a una distribución simétrica en forma de campana.
1
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
En 1733 Abraham de Moivre la presentó por primera vez en forma matemática al
derivarla como una forma límite de la distribución binomial.
Por 1775 Laplace también tuvo conocimiento de ella, pero por un error en la historia
se le atribuyó a Karl Friedrich Gauss, quién la publicó en 1809, y el término gausiana
se emplea muy frecuentemente.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
( X )2
1 2 2
f ( x) e -< χ < +
2 2
Donde:
F(x) = una función del valor observado ¨x¨
μ = media de la población.
σ = desviación estándar de la distribución de probabilidad
de la variable aleatoria x.
= 3.1416
2
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
e = 2.71828
El área bajo la curva normal es igual a uno; por lo tanto el área entre dos puntos es la
probabilidad de que una variable aleatoria distribuida normalmente asuma ese valor
entre ellos.
La media está a la mitad y divide al área en dos partes iguales, tanto la media, la
mediana y la moda tienen el mismo valor.
Las siguientes figuras muestran varias gráficas de la distribución normal con μ = 50,
diferenciadas solamente por desviación estándar.
3
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Función de Distribución de Probabilidad con µ = 50 y s = 1
0.398942
0.4
0.3
0.241971 0.241971
0.2
fx
0.1
0.053991 0.053991
0.004432 0.004432
0.0
47 48 49 50 51 52 53
x
0.0775
0.0750
0.0736540 0.0736540
0.0725
fx
0.0700
0.0650
47 48 49 50 51 52 53
x
0.0396953 0.0396953
0.0395
0.0391043 0.0391043
0.0390
fx
0.0385
0.0381388 0.0381388
0.0380
47 48 49 50 51 52 53
x
Dado que hay una infinidad de curvas normales, sería inútil intentar elaborar tablas
de distribución de probabilidad acumulativa para cada variable en estudio, por lo que
es más sano emplear la tabla de probabilidades de área bajo la curva normal.
Puede
observarse que entre la media y una desviación estándar por arriba de la media se
encuentra el 34.0% de todos los casos, o sea se tiene una probabilidad de 0.34 de
que una variable aleatoria tome un valor entre la media y 1σ; lo mismo sucede entre
la media y –1σ dado que existe simetría en la curva.
Dicho esto en otras palabras, la probabilidad de que una variable aleatoria tenga un
valor entre dos puntos cualesquiera es igual al área bajo la curva normal entre esos
dos puntos.
El problema de trabajar con toda una familia de curvas normales se puede evitar
completamente al manejar valores relativos en lugar de valores reales. Esto se logra
transformando los valores de la variable aleatoria a una nueva escala que se conoce
como escala Z llamado valor estandarizado, o lo que es lo mismo expresamos estos
5
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
valores de variable aleatoria en unidades de desviación estándar de la curva normal.
El estadístico utilizando para dicha transformación es:
x
Z
Donde:
6
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
En la tercer gráfica donde μ = 20 y σ = 1 el valor de x =18 se convierte en Z = -2,
indicando que la variable aleatoria 18 está a dos desviaciones estándar abajo de la
media .
Ejemplo 1. Una empresa instala en una ciudad lámparas para su iluminación, sabe
que la duración de las lámparas es una buena medida de calidad y que se ajusta a
una distribución normal, con un tiempo promedio de vida de 302 días y una
desviación estándar de 40 días.
Datos:
= 302
= 40
265 302
265 302
Z 0.925
40
b) ¿Cuál es la probabilidad de que una lámpara dure entre 280 y 320 días?
7
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
P(0.55 Z 0.45) P( Z 0.45) P( Z 0.55)
= 0.6736 – 0.2912
= 0.3824
302 350
350 302
Z 1.2
40
Dado que la tabla de áreas bajo la curva normal sólo proporciona valores menores o
iguales a cierto valor de σ, y sabemos que el área bajo la curva es igual a uno la
probabilidad es:
P( Z 1.2) 1 P ( Z 1.2)
= 1 – 0.8849 = 0.1151
Por lo tanto el número de lámparas que durarán más de 350 días será 20,000
(0.1151) = 2302
El 90% del área a la derecha es el percentil 90, el cuál se representa por D 90, o sea
0.90 es la probabilidad y lo que hay que encontrar ahora es el valor de la variable
aleatoria x.
Dado que el percentil buscado se encuentra a la derecha de 0.50, por lo tanto a 0.90
le corresponde un valor de Z positivo, el cual al ser buscado en la tabla de área bajo
la curva normal es P( Z 1.28) 0.90
Sabemos que Z ( x ) / , por lo tanto lo que tenemos que hacer es sustituir los
valores de z, µ y σ en este estadístico.
x 302
1.28
40
Despejando a x tenemos que:
Lo que nos indica que el 90% de las lámparas tienen una duración menor o igual a
353.2 días y el 10% de las lámparas restantes tienen una duración mayor a 353.2
días.
Datos:
µ = 50,000
810000 900
49550 50000
49550 50000
Z 0.5
900
50000 51000
9
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Transformando la variable aleatoria 51,000 a una distribución Z tenemos:
51000 50000
Z 1.11
900
0 1.11 σ
Dado que la tabla de áreas bajo la curva normal sólo proporciona valores menores o
iguales a cierto valor de σ, por lo tanto la probabilidad requerida es:
P ( Z 1.11) 1 P ( Z 1.11)
= 1 - 0.8665
= 0.1335 = 13.35 %
El 10% del área a la izquierda es el décimo percentil, el cuál se representa por D10,
o sea 0.10 es la probabilidad y lo que hay que encontrar ahora es el valor de la
variable aleatoria x.
P( Z 1.28) 0.10
x 50000
1.28
900
Lo que nos indica que un valor menor o igual a 48,848 psi se encuentra al 10% de
los hierros forjados, visto
10 % gráficamente es:
10
48848 50000
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
a) Si el fabricante pretende diseñar una cabina tal que el 90% de los pilotos puedan
alcanzar los pedales del timón con los pies al sentarse y, por lo tanto, volar en ese
avión en particular. ¿Cuál es la distancia deseada entre el asiento y los pedales?
La pregunta nos pide hallar el décimo percentil o sea el valor de la variable aleatoria
(largo de las piernas del piloto) bajo la cuál está el 10% del área bajo la curva normal.
Dado que el percentil buscado se encuentra a la izquierda del 50%, por lo tanto a
0.10 le corresponde un valor de Z negativo, el cuál al ser localizado en la tabla de
área bajo la curva normal es:
P( Z 1.28) 0.10
x 33
1.28
2
Despejando x quedará: x = -1.28 (2) + 33, por lo tanto x = 30.44 pulgadas que es la
distancia buscada.
Dado que el percentil buscado se encuentra a la derecha del 50%, por lo tanto a 0.60
le corresponde un valor de Z positivo, el cuál en el área bajo la curva normal equivale
a un valor de:
P ( Z 0.25) 0.60
11
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
x 28
0.25
2
Dicha distancia explica que sólo el 40% de todos los pilotos puedan alcanzar los
controles de equipo de navegación.
Ejemplo 4. Manuel Jiménez es supervisor de la presa Nizín. Jiménez sabe que las
turbinas de la presa generan electricidad a la tasa máxima de producción solo
cuando al menos 3 000,000 de litros de agua pasan por la presa diariamente.
También sabe, por experiencia que el flujo diario tiene una distribución normal, con la
media igual al flujo del día anterior y una desviación estándar de 600,000 litros. El día
anterior, 2 550,000 litros fluyeron por la presa. ¿Cuál es la probabilidad de que las
turbinas generen electricidad a la tasa máxima durante todo el día?
3000000 2550000
Z 0.75
600000
P( Z 0.75) 1 P ( Z 0.75)
= 1 – 0.7734
= 0.2266
2170 2000
Z 1.7
100
12
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
P ( Z 1.7) 1 P ( Z 1.7) = 1 – 0.9554 = 0.0446
b) La probabilidad de que un motor tenga una duración entre 2000 y 2075 horas.
Sabemos que Z ( x ) / , por lo tanto lo que tenemos que hacer es sustituir los
valores de z, µ y σ.
x 2000
1.04
100
Lo que nos indica que el 15 % de los motores tienen una duración ≤ a 1896 horas, y
el 85 % restante de los motores tienen una duración mayor a 1896 horas.
a) ¿Cuál tubo fluorescente tiene mayor probabilidad de tener una duración mayor
de 9000 horas? R = Los del competidor con una probabilidad de 0.1056.
b) ¿Cuál tubo tiene mayor probabilidad de tener una duración de menos de 5000
horas? R = El tubo fluorescente con una probabilidad de 0.0228.
5. La Dirección Académica del ITSM investigó que la altura máxima a la que logran
escribir sin dificultad hasta la parte superior de un pintarrón, instalado en un salón de
clases en esta institución 13 docentes elegidos al azar es: 1.80, 1.95, 2.05, 1.87,
1.58, 1.80, 2.00, 1.90, 1.87, 1.80, 1.86, 1.90 y 1.93 metros. Los cuales son valores de
variable aleatoria que se distribuyen normalmente.
4.3.1 Introducción.
La distribución t se publicó por primera vez en 1908 por el Sr. Williams S. Gosset
(1876 - 1937), bajo el seudónimo de “Student” (estudiante), ya que la cervecería
14
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Irlandesa para la que trabajaba les tenía prohibido publicar trabajos de investigación
a sus empleados.
x x
t Puesto que Z
S/ n
TEOREMA. Sea Z una variable aleatoria normal estándar y V una variable aleatoria
ji-cuadrada con v grados de libertad. Si Z y V son independientes, entonces la
distribución de la variable aleatoria T, donde:
Z
T
V /v
15
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
(v 1) / 2
( v 1) / 2
t2
f (t , v ) 1
(v / 2) v v
-<t< +
Las colas se extienden indefinidamente en ambas direcciones sin tocar nunca el eje
x (es asintótica).
x
t
S/ n
Donde:
x = promedio de la muestra.
16
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
μ = promedio de la población
S = desviación estándar de la muestra.
n = tamaño de la muestra
500 518
Datos:
μ = 500
x = 518
S = 40
n = 25
17
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
518 500
t 2.25
40 / 25
Por lo tanto el fabricante esta en condiciones de poder concluir que sus focos son de
mejor calidad de lo que el había pensado.
Ejemplo 2. Una empresa asegura que para uno de sus automóviles en particular el
consumo de gasolina en carretera es de 45 millas por galón. Con el propósito de
verificar esta afirmación, uno de esos automóviles fue corrido 1000 millas en 25
ocasiones. En cada recorrido se anoto el número de galones que fueron necesarios
para realizar el viaje, dando un promedio de 43.5 millas y una desviación estándar
2.5 millas por galón.
Este problema nos muestra algunas dificultades prácticas con lo que se topa el
alumno en la vida real, ya que lo correcto hubiese sido seleccionar 25 carros al azar
de la misma marca, modelo y configuración de motor, de manera que fuera posible
considerar el consumo de combustible como una variable aleatoria.
Sin embargo en este y otros casos no nos podemos dar ese lujo, ya que representa
un costo prohibitivo. A pesar de eso debe determinarse la veracidad de la afirmación
proporcionada por la empresa.
Datos:
μ = 45
x = 43.5
S = 2.5
n = 25
43.5 45
18
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Transformando la variable aleatoria a una distribución t tenemos:
43.5 45
t 3
2.5 / 25
0.5 %
0.1 %
-3 0
Datos:
= 13.7
n = 15
x = 14.13
S = 0.858
P ( x ³ 14.13)
14.13 13.7
t 1.94
0.858 / 15
Datos:
19
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
μ = 500
x = 525
S = 55
n = 25
525 500
t 2.27
55 / 25
Datos:
= 500
n = 25
x = 465
S = 55
P ( x 465)
465 500
t 3.18
55 / 25
1. Un proceso para fabricar ciertos cojinetes esta bajo control, si los diámetros de los
cojinetes tienen una media de 0.510 cm. Que podemos decir de este proceso si una
muestra de 10 cojinetes presenta los siguientes diámetros: 0.5960, 0.5040, 0.4920,
0.5060, 0.4930, 0.5080, 0.5040, 0.5010, 0.4990 y 0.5070
3. Las especificaciones para cierta clase de banda exigen una resistencia media a la
ruptura de 180 libras. Si cinco bandas seleccionadas aleatoriamente de diferentes
cajas tienen una resistencia media de 169 libras, con una varianza de 32.49 libras 2,
¿puede concluirse que los valores de la muestra provienen de una población con =
180 libras? R = Se rechaza la hipótesis H 0 : x , y se concluye que …….
4. Una compañía que vende tiras repelentes contra insectos asegura que su
producto es eficaz, por lo menos durante 400 horas. Un análisis sobre nueve tiras
seleccionadas de manera aleatoria indicó un promedio de 380 horas y una
desviación estándar de 60 horas. ¿Es cierta la afirmación de la compañía?
R = Se acepta la hipótesis H 0 : x , y se concluye que …….
4.4.1 Introducción.
21
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
3. Inferencia sobre la varianza de una población.
4. Pruebas de bondad de ajuste.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
1
f ( x) X ( v / 2 ) 1e x / 2
2 v/2
( v / 2)
La distribución Ji-cuadrada no tiene valores negativos, por lo tanto, todos sus valores
varían entre cero e infinito positivo.
22
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Las siguientes graficas muestran varias distribuciones Ji-cuadrada, en la medida que
los grados de libertad (v) aumentan.
0.03
fx
0.02
0.01
0.0033690
0.0002765 0.0000227 0.0000019 0.0000002
0.00
5 10 15 20 25 30
x
0.08
0.07 0.0668009
0.06
0.05
fx
0.04 0.0364582
0.03
0.02
0.0094583
0.01
0.0018955
0.0003226
0.00
5 10 15 20 25 30
x
23
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Función de Distribución de Probabilidad para v = 20
0.07
0.0625550
0.06 0.0572202
0.05
0.04 0.0382575
fx
0.03
0.02 0.0181328
0.0162036
0.01
0.0004315
0.00
5 10 15 20 25 30
x
1. La variable ji-cuadrada no tiene valores negativos, por lo tanto, todos los valores
varían entre cero e infinito positivo.
El estadístico que nos permite transformar una variable aleatoria que se distribuye
normalmente a una distribución ji-cuadrada es el cociente 2 que se define por:
( n 1) S 2
2
2
Donde:
n = tamaño de muestra
S 2 = varianza de la muestra
2 = varianza de la población
2 = distribución Ji-cuadrada
24
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Datos:
2 = 1.15
S 2 = 2.03
n = 25
Planteamiento de hipótesis H 0 : S y H 1 : S 2 2 .
2 2
(25 1)2.03
2 42.37
1.15
0 µ=24 42.37
Cola derecha de X2
Dado que la probabilidad obtenida es menor a 0.05 (cinco por ciento) rechazamos la
hipótesis H 0 : S y aceptamos la hipótesis alterna H 1 : S 2 2 . Por lo que
2 2
podemos concluir que la máquina está fuera de control, ya que los datos de la
muestra presentaron una varianza mayor estadísticamente a 1.15 decilitros.
Datos:
2 = 0.01
25
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
S 2 = 0.014
n = 25
( 25 1)0.014
2 33.6
0.01
Datos:
2 = 82
n = 30
S 2 = 32
Planteamiento de hipótesis H 0 : S y H 1 : S 2 2 .
2 2
línea de espera que “alimenta” a muchas cajeras reduce la variabilidad del tiempo de
espera.
Una muestra tomada al azar de 20 tapones indica que tienen una desviación
estándar de S = 0.012. ¿Los tapones muestreados satisfacen las necesidades del
departamento de control de calidad?
Datos:
2 = 0.0001
S = 0.012
S2 = 0.000144
n = 20
Hipótesis planteada H 0 : S y H 1 : S 2 2 .
2 2
X2
20 1 0.000144 27.36
0.0001
0 µ=19 27.36
2
En la cola derecha de la tabla X Cola derecha de X2
encontremos que para 19 grados de
libertad, la P ( X 2 27.36) está entre 0.10 y 0.05. Dado
que la probabilidad obtenida es mayor a 0.05 aceptamos la hipótesis H 0 : S con
2 2
lo que podemos concluir que los tapones satisfacen las especificaciones del
departamento de control de calidad.
3. Se sabe que un disco compacto tiene una varianza de 0.48 r.p.m. Se analiza el
funcionamiento de un compacto durante cuatro ocasiones y se observó que tiene una
varianza de la muestra de 0.50 r.p.m.
a) ¿Qué probabilidad hay de que el compacto tenga una varianza menor de 0.50?
b) ¿Cree que exista una alteración en el compacto? Ra = Mayor a 10%
Rb = Se acepta la hipótesis H 0 : S , y se concluye…..
2 2
4. Se usa una máquina automática para llenar botellas con un detergente líquido.
Una muestra aleatoria de 30 botellas da como resultado una varianza muestral del
volumen de llenado 0.0193. Si la varianza del volumen de llenado excede 0.01 onzas
líquidas, una proporción inaceptable de botellas se llenarán de más o de menos.
¿Hay evidencia en los datos muestrales que sugiera que el fabricante tiene un
problema con botellas llenadas de más o de menos? Suponga que el volumen de
llenado tiene una distribución normal.
4.5.1 Introducción.
La distribución F fue presentada por primera vez por el Sr. Ronald A. Fisher (1890-
1962) quien la desarrolló en la década de los años 20, a partir de una distribución Z
que se puede transformar en la distribución F por el hecho de que F e 2 z , en donde
e es la base de los logaritmos naturales. En 1934 George W. Snedecor la tabuló por
primera vez, por eso a este estadístico también se le conoce como F de Snedecor.
28
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Dentro de las aplicaciones más comunes de esta distribución se encuentran: prueba
de hipótesis sobre igualdad de varianzas y diferencia de dos o más medias
poblacionales.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
S x2 / x2
S y2 / y2
S x2
F
S y2
Esta nueva razón se distribuye con F de Fisher; siendo éste estadístico el que se
H 0 : x2 y2
emplea para probar la hipótesis nula
29
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
La función de distribución de probabilidad (figura) de la distribución F, depende de los
parámetros v1 n1 1 llamados grados de libertad del numerador y v 2 n2 1
llamados grados de libertad del denominador.
El promedio de la distribución F es µ = 1.
0.455587
0.45
0.410442
0.40
0.370432
fx
0.35 0.334898
0.303278
0.30
0.275087
0.249906
0.25
0.227374
0.20
0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4
x
30
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Función de Distribución de Probabilidad con v1 = 15 y v2 = 30
1.0 0.975048
0.951958
0.927789
0.9 0.880579
0.796305
0.8 0.782368
0.7
fx
0.674218
0.6 0.567629
0.5 0.469411
0.4
0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4
x
1.28094
1.3
1.18305
1.2
1.1
1.0 0.93641
0.93527
fx
0.9
0.8
0.69539
0.7
0.6
0.51182
0.49175
0.5
0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4
x
En dichas figuras se puede observar que: todas las funciones de distribución F están
sesgadas positivamente entre valores de cero e infinito positivo; la razón no puede
ser negativa, ya que ambos miembros de la razón F están elevados al cuadrado; y
en la medida que ambos números de grados de libertad crecen, la distribución F
tiende a la normalidad.
Ejemplo 1. Para probar la hipótesis de que las mujeres son más variables en su
manera de manejar que los hombres, se realizó un experimento en el cruce de una
calle donde hay un letrero de alto.
Mujeres (x) 0 0 2 8 7 0 0 10 8 5 1
31
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Hombres (y) 5 3 4 0 5 2 2 1 4 4
Dado que no sabemos cuales son las varianzas de los hombres o mujeres, partimos
del supuesto de que las varianzas son iguales. Por lo que las hipótesis de trabajo
son:
H 0 : x2 y2
La varianza de la muestra x es igual a la varianza de la muestra y.
H1 : x2 y2
La varianza de la muestra x es diferente a la varianza de la muestra y.
0 µ=1 5.33
v1 = 10
v2 a = 0.10 a = 0.05 a =0.01
9 2.42 3.14 5.26
H : 2 y2
Como la P( F ³ 5.33) < 5% rechazamos la hipótesis 0 x y aceptamos la
H : 2 2
hipótesis 1 x y
, con lo que podemos concluir que las mujeres son más
variables en su manera de manejar que los hombres. Visto gráficamente es:
32
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
1%
Como no sabemos cuáles son las varianzas reales de la muestra uno y la muestra
dos, partimos del supuesto de que las dos varianzas son iguales ( H 0 : 1 2 ).
2 2
Datos:
n1 10
n2 8
S12 7.50
S 22 2.68.
2.68
F 0.3573
7.50
33
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
0 0.35 µ=1
7
Puede observarse que se va a trabajar con la cola izquierda de la distribución F, ya
que el cociente 0.3573 es menor que el promedio µ = 1. La probabilidad a obtener
es P ( F 0.3573)
v1 = 7
v2 a 0.10 a 0.05 a 0.01
9 2.51 3.29 5.61
Como la tabla F no proporciona valores para la cola izquierda, se deben tomar los
inversos de las probabilidades de la cola derecha, como se muestra a continuación:
v1 = 7
v2 a 0.10 a 0.05 a 0.01
9 1 / 2.51 = 0.398 1 / 3.29 = 0.304 1 / 5.61 = 0.178
Datos:
n1 = 12
n2 = 12
S12 0.001225
S 22 0.003844
34
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
0.001225
F 0.3187
0.003844
v1 = 11
v2 a = 0.10 a = 0.05 a = 0.01
Cola derecha
11 2.23 2.82 4.46
Cola izquierda
1/2.23 = 0.448 1/2.82 = 0.355 1/4.46 = 0.224
se concluye que……
Presentan los datos evidencia suficiente para indicar que las variaciones del proceso
II son menores al del proceso I.
4.6.1 Introducción.
Esta distribución fue establecida por el físico suizo Walodi Weibull, quien demostró
que el esfuerzo al que se someten los materiales puede modelarse de manera
adecuada mediante el empleo de esta distribución.
El objetivo general para este tema, es que el alumno sepa identificar cuando un
problema puede ser resuelto mediante esta distribución, así mismo obtendrá la
probabilidad de un evento, la cual servirá como herramienta matemática en la toma
de decisiones en un problema en particular.
36
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Los temas a cubrir para esta distribución de probabilidad son: función de probabilidad
de la distribución weibull, características de esta distribución, resolución de ejercicios
y problemas propuestos.
1
E (x) 1
37
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Ejemplo 1. Sea una variable aleatoria X que se ajusta a una distribución Weibull, con
parámetros = 1 y = 1000.
1
Sabemos que E ( X ) (1 ) por lo tanto:
1
1000(1 )
1
1000 2
1000 1! 1000
38
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Ejemplo 2. Si una variable aleatoria X sigue la distribución Weibull, con parámetros
= 0.2 y = 100 horas, obtenga las probabilidades siguientes:
0.2
P ( x 5000) e ( 5000 / 100)
e 2.1867
= 0.1123
Lo anterior nos indica que el 8.61% del total de lavadoras fallarán durante el periodo
de garantía.
Si el fabricante espera vender 100,000 lavadoras, por lo tanto el número de ellas que
fallarán durante el tiempo de garantía es de 100,000 x 0.0861 = 8610.
a) ¿Cuál es la fracción de estas unidades que sobrepasaría las 1000 horas de uso?
R = 0.2241
b) ¿Cuál es el tiempo medio hasta la falla? R = 4800
4. Suponga que la vida útil, en años, de una batería para audífonos es una variable
aleatoria que tiene una distribución Weibull. Con = 2 y = ½.
Para ilustrar la aplicación tomemos el inciso a del ejemplo 1 que está en la página 7,
de una empresa que instala en una ciudad lámparas para su iluminación. Donde
= 302, = 40 y la probabilidad planteada es P ( x 265) . Los pasos a seguir son los
siguientes.
Distribución t de Student.
41
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Para ilustrar el empleo del estadístico t, tomemos el ejemplo 3 de la página 19, del
tiempo de armado. Donde el tamaño de muestra n = 15, la probabilidad planteada es
P ( x ³ 14.13) , y el valor de t obtenido es t = 1.94. Los pasos se presentan a
continuación.
3. Hacer clic en t.
Distribución Ji-cuadrada ( X 2 ).
42
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Para mostrar el empleo del estadístico F, tomaremos el ejemplo 2 de la página 33
sobre las pruebas de resistencia a la tracción de 10 puntos de soldadura. Donde la F
calculada es de F = 0.3573, v1 7 , v 2 9 y la probabilidad a obtener es
P ( F 0.3573) . Los pasos se presentan a continuación.
3. Hacer clic en F.
Para ilustrar la aplicación tomemos el inciso a del ejemplo 1 que está en la página 7,
de una empresa que instala en una ciudad lámparas para su iluminación. Donde
= 302, = 40 y la probabilidad planteada es P ( x 265) . Los pasos a seguir son los
siguientes.
Distribución t de Student.
Distribución Ji-cuadrada ( X 2 ).
45
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Distribución Weibull.
46
Lic. Vicente Sánchez y Ramírez
Distribuciones continuas
___________________________________________________________________________________________
Excel dará la probabilidad de 0.79503032. Esto es la probabilidad para un valor
menor o igual a x, o sea P ( x 1000) .
47