Distribuciones Contínuas 2018 - 000

Lic.
Vicente Sánchez y Ramírez

Distribuciones continuas
___________________________________________________________________________________________
4. DISTRIBUCIONES CONTINUAS
4.1 Introducción.
Esta unidad contempla el estudio de variables que se basan en escalas de medición

como el tiempo, peso, distancia, temperatura, etc. Que son conocidas como variables
continuas, debido a que pueden tomar un número ilimitado de valores posibles
dentro de un intervalo de números, dependiendo ello de la exactitud del dispositivo
de medición.
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.
El objetivo general de la unidad, es mostrar al alumno las principales distribuciones

continuas de probabilidad, así como su aplicación a situaciones reales, con el fin de
que aprenda a realizar inferencias de lo abstracto a lo concreto.
Dentro de los objetivos particulares podemos citar:
El participante sabrá diferenciar entre una distribución de probabilidad discreta y una

función de distribución continua.
El participante sabrá describir las características más relevantes de cinco

distribuciones continuas.
El alumno sabrá obtener las probabilidades para las principales distribuciones

continuas, mediante su función de distribución acumulativa de probabilidad y con un
software estadístico, con el fin de que le sirvan de herramienta en la toma de
decisiones.
El tema contempla el estudio de las distribuciones de probabilidad: normal, t de

Student, Ji-cuadrada, F de Fisher y distribución weibull Así como el empleo del
software Minitab y Excel en el cálculo de probabilidad de estas distribuciones.
4.2 Distribución normal o gausiana.
4.2.1 Introducción.
Es una de las distribuciones de probabilidad más importante, no tan sólo en la teoría

sino principalmente en la aplicación estadística; puesto que la distribución de muchas
estadísticas tienden hacia la distribución normal, en la medida en que el tamaño de
muestra crece.
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
___________________________________________________________________________________________
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.
Una manera práctica para verificar si la variable aleatoria se distribuye normalmente,

es mediante la elaboración de un histograma, si este tiene la forma de campana los
datos son normales. Otra forma de saber estadísticamente si existe normalidad en
los datos es mediante una prueba 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.
Dentro de los objetivos particulares se encuentran:
El participante identificará las principales características de la distribución normal.
El participante obtendrá la probabilidad de un evento empleando: la función de

distribución acumulativa de probabilidad y el empleo del software Excel y Minitab
Los temas a cubrir para esta distribución de probabilidad son: características de la

distribución normal, áreas bajo la curva de esta distribución, transformación de una
variable aleatoria a una distribución normal, manejo de la tabla de distribución
acumulativa, resolución de ejercicios y problemas propuestos.
4.2.2 Función de probabilidad de la distribución normal.
Un gran número de estudios, indica que la distribución normal proporciona una

adecuada representación, por lo menos en una primera aproximación, de las
distribuciones de una gran cantidad de variables físicas. Si bien es cierto que la
distribución normal es la que tiene mayor uso, es también de la que más se abusa,
por eso debe emplearse previa comprobación.
La función de probabilidad de la distribución normal se define por:
 ( 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
___________________________________________________________________________________________
e = 2.71828
Esta distribución es utilizada cuando los datos se distribuyen de manera normal o

cuando la muestra sea grande (n  30).
4.2.3 Características más importantes de la distribución normal.


1.   f ( x)d ( x)  1
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.
2. 0 ≤ ƒ (x) ≤ 1 para toda x.
La función de probabilidad de su distribución en cualquier punto puede ser mayor o

igual a cero y menor o igual a uno.
3. Límite ƒ(x) = 0 y Límite ƒ (x) = 0

x→+ x→-
Teóricamente la curva es asintótica, o sea que se extiende en ambas direcciones y

tiende gradualmente a unirse en el eje horizontal. Sin embargo se extiende de - 
hasta + , sin tocar nunca el eje de la abscisa.
4. ƒ [(x + μ)] = ƒ [- (x – μ)] la densidad es simétrica alrededor de μ.
Es simétrica con respecto a la media de la distribución y tiene la forma de campana.
5. El valor máximo de ƒ(x) está cuando x = μ.
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.
6. Los puntos de inflexión ƒ están en x = μ ± 1σ.
7. La distribución normal estándar tiene una media poblacional μ = 0 y una

desviación estándar de σ = 1.
8. Los parámetros que definen su función de distribución de probabilidad son μ y σ.
Las siguientes figuras muestran varias gráficas de la distribución normal con μ = 50,
diferenciadas solamente por desviación estándar.
3
___________________________________________________________________________________________
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

0.0797885
0.0800
0.0782085 0.0782085
0.0775
0.0750
0.0736540 0.0736540
0.0725
fx
0.0700
0.0675 0.0666449 0.0666449
0.0650
47 48 49 50 51 52 53
x

0.0400 0.0398942
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
4.2.4 Áreas bajo la curva de la distribución normal.

4
___________________________________________________________________________________________
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.
El área o probabilidad dentro de la curva normal podemos apreciarla en la siguiente

figura.
ÁREAS 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.
Entre la media y ± 2 se encuentra el 95.0% de los datos, o lo que es lo mismo hay

una probabilidad de 0.95.
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.
4.2.5 Transformación de una variable aleatoria X a una distribución Z.
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
___________________________________________________________________________________________
valores de variable aleatoria en unidades de desviación estándar de la curva normal.
El estadístico utilizando para dicha transformación es:
x
Z

Donde:
x = valor de la variable aleatoria que nos preocupa.

μ = media de la distribución de la variable aleatoria.
Z = número de desviaciones estándar a las que x se encuentra de .
σ = desviación estándar de la distribución (puede ser S de la muestra).
El transformar una variable aleatoria a una escala Z es solamente un cambio en la

escala de medición del eje horizontal.
La siguiente figura muestra como cualquier valor de variable aleatoria distribuida

normalmente, puede convertirse a una curva normal estándar idéntica
independientemente de la variable aleatoria analizada y los valores que tomen μ y σ.
Por ejemplo en la primer gráfica, donde μ = 4 y σ = 1, el valor de x = 2 se convierte

en Z  ( 2  4) / 1  2 , este valor nos indica que la variable aleatoria 2 está a dos
desviaciones estándar abajo de la media .
De manera análoga para la segunda gráfica, cuando μ =12 y σ = 2, el valor de x =

14 se convierte en Z  (14  12) / 2  1 , indicando que la variable aleatoria 14 está a
una desviación estándar arriba de la media .
6
___________________________________________________________________________________________
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 .
4.2.6 Ejemplos de aplicación de la distribución normal.
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.
a) Si se toma una lámpara al azar, ¿cuál es la probabilidad de que se funda antes de

265 días?
Datos:
 = 302
 = 40
La probabilidad solicitada es P ( x  265) , visto gráficamente es la parte sombreada

de la siguiente figura.
265 302
Transformando la variable aleatoria 265 a una distribución Z tenemos:
265  302
Z  0.925
40
Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la

curva normal, encontrando que P ( x  265)  P ( Z  0.925) = 0.1762 ≈ 17.62 %.
b) ¿Cuál es la probabilidad de que una lámpara dure entre 280 y 320 días?
La probabilidad requerida es P (280  x  320) .
Transformando las variables 280 y 320 a una distribución Z tenemos:
280  302 320  302

Z1   0.55 Z2   0.45
40 40
Replanteando la probabilidad nos queda:
7
___________________________________________________________________________________________
P(0.55  Z  0.45)  P( Z  0.45)  P( Z  0.55)
= 0.6736 – 0.2912
= 0.3824
c) Si se van a instalar en la ciudad 20,000 lámparas, ¿cuántas se puede esperar que

duren más de 350 días?
Aquí lo primero que tenemos que obtener es la probabilidad de que P ( x  350) ,

visto gráficamente es:
302 350
Transformando la variable 350 a una distribución Z tenemos.
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
d) ¿Qué valor en días de duración de las lámparas, representa el 90 % de ellas?
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:
x = 1.28 (40) + 302

8
___________________________________________________________________________________________
x = 353.2
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.
Ejemplo 2. Un fabricante de hierro forjado afirma que su producto tiene resistencia a

la tensión media casi normal, con una media de 50,000 libras por pulgada cuadrada
(psi) y una varianza de 810,000 psi2.
a) Si se toma un hierro forjado al azar, ¿cuál es la probabilidad de que su resistencia

a la tensión sea menor a 49,550 psi?
Datos:
µ = 50,000
  810000  900
La probabilidad solicitada es P ( x  49550) , visto gráficamente es la parte

sombreada de la siguiente figura.
49550 50000
Transformando la variable aleatoria 49550 a una distribución Z tenemos:
49550  50000
Z  0.5
900
Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la curva

normal, encontrando que P( Z  0.5)  P ( x  49550) = 0.3085 que es semejante al
30.85 %.
b) ¿Qué porcentaje de las mediciones muestrales será mayor a 51,000 psi?
La probabilidad requerida es P( x  51000) . Gráficamente la probabilidad que se nos

pide es la parte sombreada bajo la curva.
50000 51000
9
___________________________________________________________________________________________
Transformando la variable aleatoria 51,000 a una distribución Z tenemos:
51000  50000
Z  1.11
900
Vista gráficamente la probabilidad buscada, pero ahora bajo la curva de la

distribución normal N (0,1).
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 %
c) ¿Qué valor en resistencia psi, representa el 10% de los hierros forjados?
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.
Dado que el percentil buscado se encuentra a la izquierda de 0.50, por lo tanto a

0.10 le corresponde un valor de Z negativo, el cual al ser buscado en la tabla de
área bajo la curva normal es:
P( Z  1.28)  0.10
Si sabemos que Z = (x - µ) / σ, por lo tanto lo que tenemos que hacer es sustituir

los valores de Z, µ y σ de la siguiente manera:
x  50000
 1.28 
900
De donde despejando el valor de la variable aleatoria x tendremos que:
x = -1.28 (900) + 50,000

x = 48,848
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
___________________________________________________________________________________________
Ejemplo 3. Suponga que un fabricante de aviones sabe que la longitud de las

piernas y los brazos de los pilotos son variables aleatorias distribuidas normalmente,
con medias de 33 y 28 pulgadas respectivamente, y desviación estándar de dos
pulgadas en ambos casos.
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
Si sabemos que μ = 33 y σ = 2, sustituyendo estos valores en el estadístico para

transformar la variable aleatoria tenemos:
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.
b) Si fuera cierto que el 60% de los pilotos no pueden alcanzar el equipo de

navegación desde sus asientos. ¿Cuál es la distancia entre el asiento del piloto y los
controles pertinentes?
La pregunta nos pide hallar el sexagésimo percentil, es decir, el valor de la variable

aleatoria (largo de los brazos del piloto) bajo el cuál está el 60% del área bajo la
curva normal.
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
___________________________________________________________________________________________
Sustituyendo los valores de μ, σ y Z tenemos:
x  28
0.25 
2
Despejando la incógnita se tiene:
x = 0.25 (2) + 28, por lo tanto x = 28.5
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?
La probabilidad requerida en este caso es P( x  3000000) de litros de agua)
Transformando la variable aleatoria 3 000,000 a una distribución Z tenemos:
3000000  2550000
Z  0.75
600000
Replanteando la probabilidad solicitada tenemos que:
P( Z  0.75)  1  P ( Z  0.75)
= 1 – 0.7734
= 0.2266
Ejemplo 5. Un fabricante de motores para aviones, sabe que la duración de dichos

motores es una variable aleatoria que se distribuye de manera normal, con un
promedio de vida de 2000 horas y una desviación estándar de 100 horas. Si se
selecciona un motor de manera aleatoria encuentre:
a) La probabilidad de que un motor tenga una duración mayor a 2170 horas.
La probabilidad requerida es P ( x  2170) .
Transformando la variable aleatoria 2170 tenemos:
2170  2000
Z  1.7
100
Replanteando la probabilidad pero ahora con la variable transformada es.
12
___________________________________________________________________________________________
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.
La probabilidad requerida es P (2000  x  2075) .
Transformando las variables 2000 y 2075 a la distribución normal tenemos:
2000  2000 2075  2000

Z1   0.00 Z2   0.75
100 100
Replanteando la probabilidad nos queda:
P (0.00  Z  0.75)  P( Z  0.75)  P ( Z  0.00)

= 0.7734 – 0.5 = 0.2734
c) ¿Qué valor en horas de vida de los motores, representa el 15 %?
El 15 % del área a la izquierda es el percentil 15, el cuál se representa por D 15, o

sea 0.15 es la probabilidad y lo que hay que encontrar ahora es el valor en horas de
vida de los motores.
Dado que el percentil buscado se encuentra a la izquierda de 0.50, por lo tanto a

0.15 le corresponde un valor de Z negativo, el cual al ser buscado en la tabla de área
bajo la curva normal es:
P ( Z  1.04)  0.15
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
Despejando a la incógnita tenemos que x = 1896
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.
4.2.7 Ejercicios propuestos de la distribución normal.
1. El acero que se utiliza para tuberías de agua a menudo se recubre internamente

con un mortero de cemento para evitar la corrosión. En un estudio de los
recubrimientos de mortero de una tubería empleada en un proyecto de transmisión
de agua en California (transportation engineering journal, noviembre de 1979) se
especificó un espesor de 7/16 pulgadas para el mortero. Un gran número de
mediciones de espesor dieron una media de 0.635 pulgadas y una desviación
estándar de 0.082 pulgadas. Sí las mediciones de espesor, tenían una distribución
normal, ¿qué porcentaje aproximado fue inferior a 7/16 de pulgada? R = 0.008
2. Un tubo fluorescente estándar tiene una duración distribuida normalmente, con

una media de 7000 horas y una desviación estándar de 1000 horas. Un competidor
13
___________________________________________________________________________________________
ha inventado un sistema de iluminación fluorescente compacto que se puede insertar
en los receptáculos de lámparas incandescentes. El competidor asegura que el
nuevo tubo compacto tiene una duración distribuida normalmente con una media de
7500 horas y una desviación estándar de 1200 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.
3. Una compañía de comunicación por cable ha determinado que el número de

interruptores terminales de botón solicitados diariamente tiene una distribución
normal, con una media de 200 y una desviación estándar de 50.
a) ¿En qué porcentaje de los días la demanda será de más de 90 interruptores?

R = 0.9861
b) Con base en consideraciones de costos, la compañía ha determinado que su
mejor estrategia consiste en producir una cantidad de interruptores suficientes para
atender plenamente la demanda en 94% de todos los días. ¿Cuántos interruptores
terminales deberá producir la compañía cada día? R = 278
4. La compañía Saravi S. A. fabrica puertas para vehículos recreativos. La empresa

tiene dos propósitos en conflicto: desea construir puertas lo más pequeño posible
para ahorrar material, pero para conservar su buena reputación con el público se
siente obligada a fabricar puertas con una altura suficiente para que el 96% de la
población adulta pueda pasar por ellas. La empresa ha investigado que la altura
promedio de la gente adulta está distribuida normalmente con una media de 1.79
metros y una desviación estándar de 0.067m. ¿Qué altura deben tener las puertas
que fabrique la compañía?
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.
La dirección pretende instalar pintarrones en cada uno de los salones de este

instituto, de tal manera que el 93 % de los docentes puedan escribir sin dificultad
hasta la parte superior de cada pintarrón. ¿Cuál es la altura en metros que debe
existir entre el suelo y el borde superior del pintarrón? Obtenga los estimadores x
y S con cuatro decimales. R = 1.6992
4.3 Distribución t de Student.
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
___________________________________________________________________________________________
Irlandesa para la que trabajaba les tenía prohibido publicar trabajos de investigación
a sus empleados.
La distribución t difiere de la distribución Z en que la varianza de la primera depende

del parámetro v = n – 1 llamado grados de libertad y siempre es mayor que uno,
solamente cuando n ®  la varianza será igual a uno, dando como consecuencia
que las dos distribuciones son iguales.
Gosset describió una distribución muestral para la variable aleatoria t, derivada de

una población normalmente distribuida y definida en analogía a la desviación normal
estándar, Z:
x x
t Puesto que Z
S/ n 
En la práctica se emplea esta función de probabilidad cuando la muestra es pequeña

o no se conoce la varianza de la población.
El objetivo general a lograr en el tema, es que el alumno sepa identificar cuando un

El participante identificará las principales características de la distribución t de

Student.


distribución t, transformación de una variable aleatoria a una distribución t, manejo de
la tabla de distribución acumulativa, resolución de ejercicios empleando la función de
probabilidad acumulativa y problemas propuestos.
4.3.2 Función de probabilidad de la distribución t.
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
Tiene una distribución t de Student con v grados de libertad y una función de

probabilidad dada por:
15
___________________________________________________________________________________________
 (v  1) / 2 
 ( v 1) / 2
t2 
f (t , v )  1  
(v / 2) v  v
-<t< +
4.3.3 Características de la distribución t de Student.
Tiene forma de campana.
Es simétrica alrededor de su valor central.
Las colas se extienden indefinidamente en ambas direcciones sin tocar nunca el eje
x (es asintótica).
La distribución t varía más que la distribución Z, debido a que los valores de t

dependen de las fluctuaciones de x y S2.
La varianza de la distribución t depende del parámetro v = n – 1 llamado grados de

libertad y siempre es mayor que uno.
La media y la varianza de la distribución t son: μ = 0 y σ2 > 1.
El parámetro que define la función de distribución de probabilidad (figura) es v

llamado grados de libertad.
Cuando n ®  la distribución t es igual a la distribución Z.
Permite la prueba de hipótesis con muestras normalmente distribuidas cuando  es

desconocida y n es pequeña.
4.3.4 Transformación de una variable aleatoria x a una distribución t.
La distribución t de Student pertenece a una familia de distribuciones, que permiten

la prueba de hipótesis con muestras obtenidas de poblaciones normalmente
distribuidas cuando σ es desconocida y n es pequeña.
El estadístico empleado para transformar una variable aleatoria se conoce como

cociente t y se define por:
x
t
S/ n
Donde:
x = promedio de la muestra.
16
___________________________________________________________________________________________
μ = promedio de la población
S = desviación estándar de la muestra.
n = tamaño de la muestra
Si se obtiene un cociente t mayor a los valores tabulados a cierto nivel a, debe

rechazarse la hipótesis H0, la cuál por lo general siempre supone que la media de la
muestra es igual a la media de la población.
4.3.5 Ejemplos de aplicación de la distribución t.
Ejemplo 1. Un fabricante de focos asegura que su producto dura un promedio de

500 horas de luz, para verificar esta afirmación se muestrean 25 focos comprados en
fuentes ordinarias de reventa, y se encontró que tienen un promedio de 518 horas de
luz y una desviación estándar de 40 horas. ¿Es cierto lo que asegura el fabricante?
Para determinar la probabilidad a obtener, se recomienda graficar el parámetro de la

población y el estimador de la muestra, como se presenta a continuación.
500 518
La probabilidad que debe ser calculada es P ( x  518) , que gráficamente está

indicada por el área sombreada de la curva.
Dado que no conocemos el parámetro μ de la población, partimos del supuesto de

que la media de la muestra es igual a la media de la población, sobre el cual
planteamos nuestras hipótesis de trabajo:
H0 : x   La media de la muestra es igual a la media de la población.

H1 : x   La media de la muestra es diferente a la media de la población.
Para decidir si el promedio de la muestra es igual al promedio de la población, debe

considerarse la probabilidad de la ocurrencia del promedio de la muestra. Si la
probabilidad de obtener un promedio igual al de la muestra es menor que 0.05
se rechaza la hipótesis H0.
Datos:
μ = 500
x = 518
S = 40
n = 25
Transformando la variable aleatoria 518 a unidades de distribución t.
17
___________________________________________________________________________________________
518  500
t  2.25
40 / 25
De la tabla t de Student encontramos que para 24 grados de libertad la P(t  2.25)

es menor que 0.025 pero mayor que 0.01.
Dado que la probabilidad obtenida es menor de 0.05 se rechaza la hipótesis

H 0 : x   , y se acepta la hipótesis H1 : x   , concluyendo que los focos de la
muestra no provienen de una población con μ = 500 sino con una población con
μ > 500.
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.
¿Cuál es la probabilidad de que se observe un valor de x no mayor de 43.5 millas

por galón en base al muestreo realizado?
Datos:
μ = 45
x = 43.5
S = 2.5
n = 25
La probabilidad requerida es de P ( x  43.5) , que gráficamente se representa por:
43.5 45
18
___________________________________________________________________________________________
Transformando la variable aleatoria a una distribución t tenemos:
43.5  45
t  3
2.5 / 25
De la tabla t, encontramos que para 24 grados de libertad, la P(t  3) es menor

que 0.005 y mayor que 0.001, por lo que interpolando la probabilidad es de 0.004, lo
cual se aprecia de manera clara en la siguiente gráfica
0.5 %
0.1 %
-3 0
Ejemplo 3. Los siguientes datos representan el tiempo de armado en minutos de 15

unidades seleccionadas completamente al azar: 14.4, 11.9, 13.8, 15.0, 13.6, 13.9,
14.9, 14.2, 13.7, 13.2, 14.6, 15.3, 14.8, 13.9 y 14.7. Con base en esta muestra,
¿existe alguna razón para creer que el tiempo de armado promedio es mayor de 13.7
minutos?
Datos:
 = 13.7
n = 15
x = 14.13
S = 0.858
P ( x ³ 14.13)
Transformando la variable aleatoria 14.13 a una distribución t tenemos:
14.13  13.7
t   1.94
0.858 / 15
De la tabla t, encontramos que para 14 grados de libertad, la P (t ³ 1.94) es menor

que 0.05, por lo que rechazamos la hipótesis H 0 : x   y aceptamos la hipótesis
H1 : x   , pudiendo concluir que el tiempo promedio de armado de las unidades es
mayor estadísticamente a 13.7 minutos.
Ejemplo 4. Un fabricante de alambre asegura que la fuerza media requerida para

romper una clase de alambre dado es de 500 libras. Para probar esta afirmación se
tomó una muestra al azar de 25 pedazos de este alambre y en el laboratorio se
sometieron a pruebas de tracción, la media de ruptura en la muestra fue de 465
libras y la desviación estándar de 55 libras.
a) ¿Cuál es la probabilidad de tener un valor de media menor o igual a 525 libras?
Datos:
19
___________________________________________________________________________________________
μ = 500
x = 525
S = 55
n = 25
La probabilidad requerida es de P ( x  525) .
Transformando la variable aleatoria 525 a una distribución t tenemos:
525  500
t  2.27
55 / 25
De la tabla t, encontramos que para 24 de libertad, la P (t  2.27) está entre 0.975 y

0.99, por lo que interpolando podemos decir que aproximadamente es del 0.9822
b) ¿Los resultados de la muestra tienden a apoyar o a refutar la afirmación del

fabricante?
Datos:
 = 500
n = 25
x = 465
S = 55
P ( x  465)
Transformando la variable aleatoria 465 a una distribución t tenemos:
465  500
t  3.18
55 / 25
De la tabla t, encontramos que para 24 grados de libertad, la P (t  3.18) es

menor que 0.05, por lo que rechazamos la hipótesis H 0 : x   , y aceptamos la
hipótesis H1 : x   , con lo que podemos concluir que es falso lo que asegura el
fabricante, ya que su alambre tiene una resistencia menor a 500 libras.
4.3.6 Ejercicios propuestos de la distribución t.
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
2. Con el fin de montar motores de aviones, un fabricante necesita varillas de acero

especial con una resistencia media a la tensión de al menos 5,000 libras. El inspector
de calidad después de probar una muestra de 24 varillas, encontró que se deforman
a una resistencia media de 4,700 libras, siendo la varianza de la muestra de 640,000
libras. ¿Cumplen las varillas las necesidades del fabricante?
R = Se rechaza la hipótesis H 0 : x   , y se concluye que …….
20
___________________________________________________________________________________________
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 …….
5. Un fabricante de focos asegura que su producto dura un promedio de 500 horas

de luz, para verificar esta afirmación, se compraron 15 focos de la misma marca y
watts en fuentes ordinarias de reventa, y el laboratorio proporcionó los tiempos de
encendido que duraron cada uno de ellos, siendo estos: 510, 480, 590, 495, 500,
455, 485, 540, 494, 508, 470, 475, 460, 465 y 492 horas. En base a la evidencia
encontrada, ¿es cierto lo que asegura el fabricante?
6. Una dependencia del gobierno, ha recibido la queja de un consumidor de pasas

que vienen en cajas de supuestamente 15 onzas, de que dichas cajas no contienen
esa cantidad. Se compran 10 cajas de esas pasas en diferentes tiendas y se
encontró que tienen un peso promedio de 13.5 onzas y una desviación estándar de
1.0 onzas. ¿Es justificable la queja del consumidor?
4.4 Distribución Ji-cuadrada.
Hay ocasiones en que la variabilidad de un producto es más importante que

cualquier medida de tendencia central, como es sabido la variabilidad se mide por la
medida de dispersión conocida como varianza. Cuando deseamos comparar la
varianza de una muestra contra una constante especificada se emplea la distribución
ji-cuadrada, la cual se simboliza por la letra  2 .
Con el fin de comprender mejor esta distribución, considere la variable aleatoria X de

una población que está normalmente distribuida. Las desviaciones normales
estándar Z = (x - µ) / σ, también están normalmente distribuidas, pero los cuadrados
de estas desviaciones (Z2), no se distribuye normalmente. Su distribución es
continua, unimodal, sesgada a la derecha y con valores que se encuentran entre
cero e infinito positivo. Bajo estas condiciones esta distribución es igual a la
distribución ji-cuadrada.
Dentro de las aplicaciones más importantes de esta distribución podemos citar:
1. Pruebas de independencia de dos variables cualitativas en una población.

2. Inferencia sobre más de dos proporciones en una población.
21
___________________________________________________________________________________________
3. Inferencia sobre la varianza de una población.
4. Pruebas de bondad de ajuste.
El participante identificará las principales características de la distribución ji-

cuadrada.


distribución Ji-cuadrada, transformación de una variable aleatoria a una distribución
Ji-cuadrada, manejo de la tabla de distribución acumulativa, resolución de ejercicios
y problemas propuestos.
4.4.2 Función de probabilidad de la distribución ji-cuadrada.
Un caso especial de la distribución gamma se obtiene haciendo α = v / 2 y β = 2

donde v es un entero positivo, el resultado se llama distribución Ji-cuadrada. La
distribución tiene el parámetro v que se conoce como grados de libertad.
La variable aleatoria X tiene una distribución Ji-cuadrada, con v grados libertad, si

su función de densidad es:
1
f ( x)  X ( v / 2 ) 1e  x / 2
2 v/2
 ( v / 2)
4.4.3 Características de la distribución  2 :
La distribución Ji-cuadrada no tiene valores negativos, por lo tanto, todos sus valores
varían entre cero e infinito positivo.
Todas las distribuciones ji-cuadrada son sesgadas a la derecha.
Permite la aplicación de la prueba de hipótesis H 0  S   vs H 1  S 2   2

2 2
La media y la varianza de la distribución Ji-cuadrada son: μ = v y σ 2 = 2v
El parámetro que define la función de distribución de probabilidad (figura) de la

distribución ji-cuadrada es v = n - 1.
22
___________________________________________________________________________________________
Las siguientes graficas muestran varias distribuciones Ji-cuadrada, en la medida que
los grados de libertad (v) aumentan.
FAMILIAS DE DISTRIBUCIÓN JI-CUADRADA.
Función de Distribución de Probabilidad con v = 2

0.0410425
0.04
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
Función de Distribución de Probabilidad para v = 10

0.09 0.0877337
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
___________________________________________________________________________________________
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
En ellas se pueden observar que:
1. La variable ji-cuadrada no tiene valores negativos, por lo tanto, todos los valores
varían entre cero e infinito positivo.
2. Todas las distribuciones ji-cuadrada son sesgadas a la derecha.
3. A medida que v aumenta la distribución se vuelve más simétrica, cuando v ® ,

la forma límite de la distribución ji-cuadrada es la distribución normal.
4.4.4 Transformación de una variable aleatoria a una distribución  2 .
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
4.4.5 Ejemplos de aplicación de la distribución  2 .
Ejemplo 1. Se afirma que una máquina despachadora de refrescos está fuera de

control, si la varianza de los contenidos es mayor de 1.15 decilitros. Si una muestra
aleatoria de 25 refrescos de esta máquina tiene una varianza de 2.03 decilitros,
¿indica esto que la máquina está fuera de control?
24
___________________________________________________________________________________________
Datos:
 2 = 1.15
S 2 = 2.03
n = 25
Planteamiento de hipótesis H 0 : S   y H 1 : S 2   2 .
2 2
Lo que debemos encontrar aquí, es la probabilidad de que la varianza de la muestra

sea mayor de 2.03 decilitros, o sea P( S  2.03) .
2
Si sustituimos estos estimadores en el estadístico de prueba tenemos:
(25  1)2.03
2   42.37
1.15
Esta probabilidad vista bajo la distribución ji-cuadrada es:
0 µ=24 42.37
Cola derecha de X2
De la tabla de distribución ji-cuadrada, encontramos que

para 24 grados de libertad en la cola derecha de la curva, tenemos que la
P( X 2  42.37)  P( S 2  2.03) es menor a 0.025.
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.
Ejemplo 2. Considere una medición física proporcionada por un instrumento de

precisión, en donde el interés recae en la variabilidad de la lectura. Supóngase que,
con base en la experiencia, la medición de un variable aleatoria normalmente
distribuida tiene una media de 10 y una varianza igual a 0.01 unidades. Si se toma
una muestra aleatoria procedente del proceso de manufactura de los instrumentos de
tamaño 25. ¿Cuál es la probabilidad de que el valor de la varianza muestral sea
mayor de 0.014 unidades cuadradas?
Datos:
 2 = 0.01
25
___________________________________________________________________________________________
S 2 = 0.014
n = 25
La probabilidad requerida es P ( S  0.014) .

2
Sustituyendo los parámetros y estimadores en el cociente  2 tenemos que:
( 25  1)0.014
2   33.6
0.01
De la tabla Ji-cuadrada encontramos que para 24 grados de libertad en la cola

derecha, la probabilidad de obtener un valor de 33.6 está entre el 0.10 y 0.05, que
interpolando da como resultado que P( X 2  33.6)  0.0938 , o lo que es lo mismo la
P( S 2  0.014)  9.38% .
Ejemplo 3. El gerente de un banco introdujo una política de “una sola línea de

espera”, que induce a todos los clientes a formarse en una sola línea de espera
según el orden de su llegada. Esa línea, a su vez, “alimenta” clientes a diferentes
cajeras a medida que se desocupan. Aún cuando dicha política no cambia el tiempo
promedio que los clientes deben esperar, el gerente la prefiere porque disminuye
entrar en una sola línea la variabilidad del tiempo de espera. La experiencia con la
política de líneas independientes múltiples tenia una desviación estándar de  = 8
minutos por cliente. Una muestra aleatoria de 30 clientes en el nuevo modelo de una
sola línea mostró una desviación estándar de S = 3. ¿Podría creerse que la varianza
de la muestra es menor a la obtenida con las líneas múltiples?
Datos:
 2 = 82
n = 30
S 2 = 32
Planteamiento de hipótesis H 0 : S   y H 1 : S 2   2 .
2 2
Aquí la pregunta a contestar será P ( S 2  9) , sustituyendo valores en el estadístico

 2 tenemos:
(30  1)32
 
2
 4.078
82
De la tabla X2 encontramos para la cola izquierda con 29 grados de libertad que, la

P ( X 2  4.078) es muy baja (menor a 0.005) cuando la muestra es de 30 clientes.
Dado que la probabilidad obtenida es menor a 0.05 (cinco por ciento) rechazamos la
hipótesis H 0 : S   , por lo que podemos concluir que el gerente tiene razón, una
2 2
línea de espera que “alimenta” a muchas cajeras reduce la variabilidad del tiempo de
espera.
Ejemplo 4. Un fabricante de aviones está interesado en la variabilidad de los

diámetros de las tapas usadas para sellar los tanques de combustible ubicados
dentro de las alas de los aviones; solo es aceptable una pequeña escala de
diámetros. Las tapas que ajustan demasiado impiden que entre aire en los tanques a
26
___________________________________________________________________________________________
medida que el combustible se consume, creando así un vacío que ocasiona al final
de cuentas que la estructura de las alas se aplaste. Por otro lado las tapas que
ajustan en forma muy holgada dejan que el combustible sea succionado del tanque
durante el vuelo, lo cual es igualmente indeseable desde el punto de vista de la
seguridad del vuelo. El departamento de control de calidad ha indicado que la
varianza poblacional de los diámetros de los tapones debe ser de 2 = 0.0001
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
La probabilidad requerida es P( S  0.000144) .

2
La transformación de la variable aleatoria a una distribución X 2 es:
X2 
 20  1 0.000144  27.36
0.0001
Esta probabilidad vista bajo la distribución X 2 es:
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.
4.4.6 Ejercicios propuestos de la distribución ji-cuadrada.
1. Un fabricante de instrumentos de precisión lanza al mercado un modelo “nuevo y

mejor” de un altímetro de radar, instrumento que mide la altitud de una nave sobre el
siempre cambiante nivel del suelo y no sobre el nivel del mar. La desviación estándar
27
___________________________________________________________________________________________
de lectura de altitud con el modelo anterior era de cinco pies. Una muestra aleatoria
de 20 lecturas de estos nuevos altímetros dio una desviación estándar de tres pies.
Podría decirse que la varianza del nuevo modelo es menor al del modelo anterior.
R = Se rechaza la hipótesis H 0 : S   , y se concluye…..
2 2
2. La empresa Precisión Analytics fabrica una línea amplia de instrumentos de

precisión. Con el fin de conservar su buena reputación, mantiene un estricto control
de calidad en todos sus productos. No pondrá a la venta una balanza analítica, por
ejemplo, a menos que dicha balanza muestre una variabilidad que este
significativamente por debajo de un microgramo cuando se pesan cantidades de
aproximadamente 500 gramos. Una nueva balanza acaba de ser entregada a la
división de control de calidad por parte de la línea de producción. Se prueba la nueva
balanza utilizándola para pesar el mismo peso estándar de 500 gramos 40 veces
distintas. La desviación estándar de la muestra resulta ser de 0.93 microgramos. ¿Se
debe vender la balanza?
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 Distribución F de fisher.
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.
La distribución F puede definirse como la razón de dos distribuciones ji-cuadrada

independientes, dividida cada una de ellas entre sus correspondientes grados de
libertad. Esta distribución es utilizada cuando se deseen comparar dos varianzas.
28
___________________________________________________________________________________________
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 participante identificará las principales características de la distribución F.

distribución acumulativa de probabilidad y el empleo del software Excel y Minitab.

distribución F, transformación de una variable aleatoria a una distribución F, manejo
de la tabla de distribución acumulativa, resolución de ejercicios y problemas
propuestos.
4.5.2 Función de probabilidad de la distribución F.
Suponga que tomamos una muestra de una población X, encontramos su varianza y

la dividimos entre la varianza real de X; posteriormente tomamos una muestra de
una población Y, calculamos su varianza y la dividimos entre la varianza real de Y, si
dividimos estos dos resultados nos dará:
S x2 /  x2
S y2 /  y2
Puesto que las varianzas tanto de X y Y, varían de muestra a muestra, podemos

asegurar que la razón presentada anteriormente también variará de muestra a
muestra.
Si la varianza real de X es igual a la varianza real de Y, entonces la razón F se

simplifica quitando los parámetros. Esto es:
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
___________________________________________________________________________________________
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.
4.5.3 Características principales de la distribución F:
Las funciones de la distribución F están sesgadas positivamente.
La razón F no tiene valores negativos.
En la medida que v1 y v2 aumentan, la distribución F tiende a la normalidad.
El promedio de la distribución F es µ = 1.
Permite la aplicación de la prueba de hipótesis H 0 :  1   2 y H1 :  12   22

2 2
Los parámetros que definen la distribución F son: v1 y v 2 llamados grados de

libertad del numerador y denominador respectivamente.
Las siguientes figuras muestran como la función de distribución de probabilidad F

cambia a medida que v1 y v 2 aumentan.
DISTRIBUCIÓN F PARA DIFERENTES GRADOS DE LIBERTAD
Función de Distribución de Probabilidad con v1 = 2 y v2 = 10

0.506631
0.50
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
___________________________________________________________________________________________
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

1.42973
1.4 1.37470
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.
4.5.4 Ejemplos de aplicación de la distribución F.
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.
El tiempo en segundos de 11 muestras tomadas al azar para las mujeres y 10 para

los hombres se muestra a continuación, con dichos valores juzgue quienes son más
variables en su manera de manejar.
Mujeres (x) 0 0 2 8 7 0 0 10 8 5 1
31
___________________________________________________________________________________________
Hombres (y) 5 3 4 0 5 2 2 1 4 4
Las varianzas para ambas muestras son: S x  15.42 y S y  2.89 .

2 2
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.
El estadístico de prueba para la comparación de las varianzas es la razón F, la cual

se define por:
15.42
F  5.33
2.89
Puede observarse en la gráfica que se va a trabajar con la cola derecha de esta

distribución, (recuerde que µ = 1). La probabilidad a obtener es P ( F  5.33)
0 µ=1 5.33
Los grados de libertad para el numerador de acuerdo al planteamiento de F son

v1  11  1  10 y para el denominador v 2  10  1  9
.
v1 = 10
v2 a = 0.10 a = 0.05 a =0.01
9 2.42 3.14 5.26
Puede observarse que el valor de F = 5.33 se encuentra a la derecha de 5.26, por lo

que le corresponde una probabilidad menor a 0.01. Debe recordarse que se
rechaza la hipótesis H0, si la probabilidad de que se tenga una F igual a la de la
muestra es menor a 0.05.
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
___________________________________________________________________________________________
1%
µ=1 5.26 5.33
Ejemplo 2. Pruebas de resistencia a la tracción de 10 puntos de soldaduras en un

dispositivo semiconductor produjeron los siguientes resultados para romper la
soldadura (en libras). 15.8, 12.7, 13.2, 16.9, 10.6, 18.8, 11.1, 14.3, 17.0, 12.5. Otro
conjunto de ocho puntos fueron probados después de recubrir el dispositivo para
determinar si la resistencia a la tracción se incrementa con el recubrimiento,
obteniendo los siguientes datos: 24.9, 23.6, 19.8, 22.1, 20.4, 21.6, 21.8 y 22.5. Es
razonable suponer que las dos muestras provienen de poblaciones con varianzas
iguales.
El cálculo de las varianzas en la ruptura de las soldaduras en ambas muestras indica

que son: S1  7.50 y S 2  2.68.
2 2
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.
El cálculo del estadístico F lo definimos por:
2.68
F  0.3573
7.50
Visto el valor de 0.3573 bajo la distribución F es:
33
___________________________________________________________________________________________
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)
De acuerdo a la razón F planteada, los grados de libertad para el numerador son

v1  8  1  7 y para el denominador v 2  10  1  9
.
Las probabilidades de obtener un valor de F = 0.36, con 7 grados de libertad en el

numerador y 9 en el denominador para la cola derecha son:
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
Podemos apreciar que la probabilidad de tener un valor de F  0.36 es menor que

0.10 pero mayor que 0.05, que interpolando nos da una probabilidad de 0.0958.
Dado que la P( F  0.36)  5%, por lo tanto aceptamos la hipótesis H 0 :  1   2 y

2 2
podemos concluir que las muestras tienen estadísticamente varianzas iguales.
Ejemplo 3. Se requiere determinar si existe menor variabilidad en el plateado

realizado por la compañía uno que el efectuado por la compañía dos. Si muestras
aleatorias independientes de tamaño 12 del trabajo desempeñado por ambas
compañías presentan las siguientes desviaciones estándar S 1 = 0.035 ml y
S2 = 0.062 ml. ¿Qué nos dice la evidencia experimental obtenida en las muestras
sobre el plateado de las dos compañías?
Datos:
n1 = 12
n2 = 12
S12  0.001225
S 22  0.003844
34
___________________________________________________________________________________________
El cálculo del estadístico queda definido por:
0.001225
F  0.3187
0.003844
La probabilidad a obtener es P ( F  0.3187) , con 11 grados de libertad en el

numerador y 11 en el denominador para la cola izquierda es:
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
Podemos apreciar que la probabilidad de tener un valor de P ( F  0.3187) está entre

el 1 y el 5%.
Dado que P ( F  0.3187) < 5%, por lo tanto se rechaza la hipótesis H 0 :  1   2 y se

2 2
acepta la hipótesis H1 :  12   22 , con lo que se concluye que la compañía uno tiene

menor variabilidad en el plateado que la compañía dos.
4.5.5 Ejercicios propuestos de la distribución F.
1. La variación en el número de unidades diarias de cierto producto, el cual manejan

dos operadores A y B debe ser la misma. En base a una muestra de tamaño n 1 = 17
y n2 = 21 días, el valor calculado de las desviaciones estándar muestrales son de S 1
= 8.2 unidades y S2 = 5.8 unidades. Si el número de estas unidades, manejadas por
los dos operadores, por día, son dos variables aleatorias independientes que se
encuentran aproximadas, en forma adecuada, por distribuciones normales, ¿existe
alguna razón para creer que las varianzas son iguales? R = Se acepta H 0 :  1   2 y
2 2
se concluye que……
2. Al analizar dos colonias de bacterias se encontraron los siguientes resultados: la

muestra n1 = 16 dio una varianza de 0.947 y la muestra n 2 = 10 dio una varianza de
0.631. Si es indispensable que el crecimiento de las colonias sea uniforme para
degenerar el crecimiento de otra bacteria tóxica. Recomienda usted al laboratorio con
que muestra debe trabajar.
3. Una compañía fabrica propulsores para uso en motores de turbina. Al ingeniero de

manufactura le gustaría seleccionar el proceso que tenga la menor variabilidad en la
rugosidad de la superficie. Para ello toma una muestra de n 1 = 26 partes del primer
proceso, la cual tiene una desviación estándar S 1 = 9.7 micropulgadas. Una muestra
aleatoria de n2 = 22 partes del segundo proceso tiene una desviación estándar S 2 =
5.1 micropulgadas. ¿Cuál proceso recomienda usted al ingeniero?
35
___________________________________________________________________________________________
4. La variabilidad en la cantidad de impurezas presentes en un lote de productos

químicos, utilizada para un proceso en particular, depende del tiempo que tarda el
proceso. Un fabricante que emplea dos líneas de producción I y II, hizo un pequeño
ajuste al proceso II, con la esperanza de reducir la variabilidad, así como la cantidad
media de impurezas en los productos químicos. Muestras de n 1 = 25 y n2 = 20
mediciones de dos lotes produjeron los siguientes estimadores: x1  3.2 ,
S12  1.04 , x2  3.0 y S 22  0.21 .
Presentan los datos evidencia suficiente para indicar que las variaciones del proceso
II son menores al del proceso I.
4.6 Distribución Weibull.
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.
Esta distribución se aplica a problemas de confiabilidad y de prueba de duración o

vida, tales como tiempo de falla o periodo de vida de un componente, medido a
partir de un tiempo determinado hasta que se presenta una falla.
Para aplicar la distribución weibull, debe definirse primero la confiabilidad de un

componente o producto como la probabilidad de que funcionará correctamente
durante al menos un tiempo especificado bajo condiciones experimentales
determinadas.
Sus parámetros de forma  y de escala  dan gran flexibilidad para modelar

sistemas cuando el número de fallas aumenta, disminuye o permanece constante
con el tiempo.
La aplicación de esta distribución es muy amplia, por ejemplo en los análisis de

fiabilidad, para establecer el periodo de vida de un componente hasta que presente
una falla. Así también puede utilizarse para estimar las cargas acumuladas de
transporte requeridas para lograr que el pavimento alcance el nivel terminal de
servicio. El tiempo que tardará una máquina de cajero automático en entregar
efectivo, o para determinar la probabilidad de que el proceso tarde como máximo un
minuto.
Pero un área importante de su aplicación ha sido utilizándola como modelo para la

falla al transcurrir el tiempo en componentes y sistemas eléctricos y mecánicos.
36
___________________________________________________________________________________________
El participante identificará las principales características de la distribución weibull.

probabilidad y el empleo del software Excel y Minitab.
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.
4.6.2 Función de probabilidad de la distribución Weibull.
Una variable aleatoria X tiene una distribución de Weibull si su función de densidad

de probabilidad está dada por:
 1
 x 
f ( x)    e ( x /  ) , para x  0
  
La cual cuenta con un parámetro de escala   0 y parámetro de forma   0.
4.6.3 Características de la distribución Weibull.
Dentro de las características más relevantes de esta distribución podemos citar:
El valor esperado o media de la variable aleatoria X se define por:
 1
E (x)     1  
 
La varianza de esta distribución está definida por:

2
 2   1 
V ( x)     1     2 1  
2 2
     
Los parámetros que definen su función de distribución de probabilidad (figura) son:

 de escala y  de forma.
Si se hace  = 1, la distribución Weibull se convierte en la distribución exponencial.

Para valores de   0, las curvas toman una forma acampanada pero mostrando
siempre cierta asimetría.
Las siguiente gráfica muestra varias distribuciones de probabilidad Weibull, a medida

que los parámetros  y  varían.
37
___________________________________________________________________________________________
La probabilidad acumulativa menor o igual a un cierto valor se define por:


P( X  x)  1  e  ( x /  )
Por lo que la probabilidad mayor a cierto valor se determina por:


P( X  x)  e  ( x /  )
4.6.4 Ejemplos de aplicación de la distribución Weibull.
Ejemplo 1. Sea una variable aleatoria X que se ajusta a una distribución Weibull, con
parámetros  = 1 y  = 1000.
a) ¿Cuál es el otro nombre de la distribución X? R = Exponencial
b) ¿Cuál es el promedio de la variable aleatoria X?
1
Sabemos que E ( X )     (1   ) por lo tanto:
1
  1000(1  )
1
  1000 2
  1000  1!  1000
38
___________________________________________________________________________________________
Ejemplo 2. Si una variable aleatoria X sigue la distribución Weibull, con parámetros
 = 0.2 y  = 100 horas, obtenga las probabilidades siguientes:
a) La probabilidad de que la variable aleatoria tome un valor cuando mucho de 1000.
La probabilidad requerida para este caso es P (x  1000)

0.2
P( x  1000)  1  e  (1000 /100)
 1  e 1.5849
= 1 - 0.204968
= 0.7950
b) La probabilidad de que X tome un valor por lo menos de 5000.
El planteamiento matemático de la probabilidad es P (x ≥ 5000).
0.2
P ( x  5000)  e  ( 5000 / 100)
 e 2.1867
= 0.1123
Ejemplo 3. Un fabricante de lavadoras garantiza sus productos contra cualquier

defecto en el primer año de uso normal. El fabricante ha estimado un costo por
reparación de $ 75.00 durante el periodo de garantía. Con base en experiencia, sabe
que el tiempo que ocurre la primera falla es una variable aleatoria con distribución
Weibull y parámetro de forma y escala, iguales a 2 y 40 respectivamente. Si el
fabricante espera vender 100,000 unidades y si, para una misma unidad, se
descuenta el valor de las reparaciones. Determine el costo esperado de la garantía
para el fabricante.
La probabilidad de que la primera descompostura ocurra durante el periodo de

garantía, es igual a la probabilidad de que X sea menor o igual a 12.
2
P ( x  12)  1  e  (12 / 40 )
 1  e 0.09
= 1 – 0.9139
= 0.0861
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.
Si el costo de garantía de cada lavadora es de $ 75.00, por lo tanto, el costo

esperado de la garantía para el fabricante es de 8610 x $ 75 = $ 645,750.00
4.6.5 Ejemplos propuestos de la distribución Weibull.

39
___________________________________________________________________________________________
1. Considere que la vida de un disco magnético empacado, expuesto a gases

corrosivos, tiene una distribución de Weibull con  = 0.5 y la vida media de 600
horas.
a) Determine la probabilidad de que los discos empacados duren al menos 500

horas. R = 0.2750
b) Determine la probabilidad de que los discos empacados fallen antes de 400 horas.
R = 0.6848
2. La distribución del tiempo en horas transcurrido hasta la falla en subensambles

electrónicos, se sabe que sigue una distribución Weibull con  = 0.5 y  = 100.
a) Obtenga el tiempo promedio transcurrido hasta la falla de un subensamble

electrónico. R = 200 horas
b) La probabilidad de que un subensamble electrónico dure por lo menos 400 horas.
R = 0.1353
3. La densidad del tiempo transcurrido hasta la falla para un pequeño sistema de

computadora tiene una distribución Weibull con  = ¼ y  = 200.
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.
a) ¿Cuánto tiempo se espera que dure esa batería? R = 4 años

b) ¿Cuál es la probabilidad de que dicha batería siga funcionando después de dos
años? R = 0.3679
Apéndice 4.1 Empleo del software Minitab en algunas funciones de

probabilidad continuas.
Minitab puede utilizarse para obtener la probabilidad acumulativa de las

distribuciones Z, t, X 2 y F. La probabilidad P ( X  x) la proporciona directamente y la
P ( X ³ x) se obtiene restándole a 1 el valor obtenido en P ( X  x) .
Distribución normal (Z).
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.
1. Ingresar la constante especificada 265 (probabilidad requerida) en cualquiera de

las celdas de la hoja de trabajo, en este caso la pondremos en C1.
40
___________________________________________________________________________________________
2. Seleccione el menú Calc.
3. Elegir Distribuciones de probabilidad.
4. Hacer clic en Normal.
5. Cuando aparezca el cuadro de diálogo Distribución normal.

Hacer clic en Probabilidad acumulada.
Ingresar 302 en el cuadro Media.
Ingresar 40 en el cuadro Desviación estándar.
Hacer clic en el botón Columna de entrada.
Ingresar C1 en el cuadro Columna de entrada.
Hacer clic en Aceptar.
Minitab dará la probabilidad acumulada 0.177483. Esta probabilidad es P ( X  x) .
Si se desea la probabilidad P ( x  265) se tendrá 1  P ( x  265) , que es igual a

1 – 0.177483 = 0.822517.
Probabilidad acumulada inversa en la distribución normal.
Con el fin de mostrar cómo se obtiene el valor correspondiente de una variable

aleatoria a partir de su probabilidad correspondiente, tomamos el inciso c del ejemplo
5 que se encuentra en la página 12, donde el promedio  = 2000, la desviación
estándar  = 100 y se desea saber el valor en horas de vida de duración de los
motores que representa el 15 %. El percentil que se tiene que estimar es D15 .
1. Ingresar la probabilidad requerida 0.15 en la columna C1 de la hoja de trabajo.
4. Hacer clic en Normal.
5. Cuando aparezca el cuadro de diálogo Distribución normal.

Hacer clic en Probabilidad acumulada inversa.
Ingresar 100 en el cuadro Desviación estándar.
Hacer clic en el botón Columna de entrada.
Ingresar C1 en el cuadro Columna de entrada.
Minitab le dará el valor de la variable aleatoria 1896.36 horas de vida.
Distribución t de Student.
41
___________________________________________________________________________________________
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.
4. Cuando aparezca el cuadro de diálogo Distribución t.

Ingresar 14 en el cuadro Grados de libertad.
Hacer clic en el botón Constante de entrada.
Ingresar 1.94 en el cuadro Constante de entrada.
Minitab dará la probabilidad acumulada 0.963602. Por lo tanto la probabilidad

requerida será 1 – 0.963602 = 0.036398.
Distribución Ji-cuadrada ( X 2 ).
Para mostrar cómo se utiliza el estadístico X 2 , tomemos el ejemplo 1 de la página

24, donde se afirma que una máquina despachadora de refrescos está fuera de
control. Donde el tamaño de muestra n = 25, la probabilidad planteada es
P( S 2  2.03) , y el valor de X 2 obtenido es X 2  42.37 . Los pasos se presentan a
continuación.
3. Hacer clic en Chi-cuadrada.
4. Cuando aparezca el cuadro de diálogo Distribución Chi-cuadrada.

Minitab dará la probabilidad acumulada 0.988273. Por lo tanto la probabilidad

requerida es 1 – 0.988273 = 0.011727.
Distribución F de Fisher (F).
42
___________________________________________________________________________________________
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.
4. Cuando aparezca el cuadro de diálogo Distribución F.

Ingresar 7 en el cuadro Grados de libertad del numerador.
Ingresar 9 en el cuadro Grados de libertad del denominador.
Minitab dará la probabilidad acumulada 0.0943026.
Al estar trabajando con alguna distribución de probabilidad en particular y desea

realizar cambios en una de las celdas para obtener una nueva probabilidad, recurra
al icono Editar último diálogo (Ctrl+E) de la barra de herramientas de Minitab.
Apéndice 4.2 Empleo de Excel en algunas funciones de probabilidad continuas.
Distribución normal (Z).
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.
1. Hacer clic en cualquiera de las celdas de la hoja de trabajo donde se desee el

resultado.
2. Hacer clic en Insertar función (fx).
3. Cuando aparezca el cuadro de diálogo Insertar función.

Seleccione Estadísticas en la ventana O seleccionar una categoría.
Seleccione DISTR. NORM en la ventana Seleccionar una función.
4. Cuando aparezca el cuadro de diálogo Argumentos de función.

Ingresar 265 en el cuadro X.
Ingresar 40 en el cuadro Desv_estándar.
43
___________________________________________________________________________________________
Ingresar Verdadero en el cuadro Acum.
Excel le da la probabilidad de 0.17748295 que es la probabilidad deseada, o sea la

P ( x  265) .
Probabilidad acumulada inversa en la distribución normal.
Con el fin de mostrar como se obtiene el valor correspondiente de una variable

aleatoria a partir de su probabilidad correspondiente, tomamos el inciso c del ejemplo
5 que se encuentra en la página 12, donde el promedio  = 2000, la desviación
estándar  = 100 y se desea saber el valor en horas de vida de duración de los
motores que representa el 15 %. El percentil que se tiene que estimar es D15 .

resultado.

Seleccione DISTR.NORM.INV en la ventana Seleccionar una función.

Ingresar 0.15 en el cuadro Probabilidad.
Ingresar 100 en el cuadro Desv_estándar.
Excel le da el valor de 1896.35666 que es el valor de horas de vida.
Distribución t de Student.
Para ilustrar el empleo del estadístico t, tomemos el ejemplo 3 de la página 19, de un

fabricante de alambre. 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.

resultado.

Seleccione DISTR.T en la ventana Seleccionar una función.
44
___________________________________________________________________________________________

Ingresar 1.94 en el cuadro X.
Ingresar 1 en el cuadro de Colas.
Excel dará la probabilidad de 0.03639802. Esto es la probabilidad para un valor

mayor o igual a x, o sea P ( x ³ 14.13) = P (t ³ 1.94) .
Nota. En el paso 4 en el cuadro de Colas, si pone 1 Excel le da la probabilidad

P ( X ³ x) , si pone 2 le dará la probabilidad P ( X  x) .
Nota. Excel no le acepta valores negativos de t, si tiene la necesidad de utilizarlo

para trabajar con la cola izquierda de la distribución, darlo como positivo y el software
la dará la probabilidad P ( X ³ x) . Recuerde que la distribución t es simétrica.
Distribución Ji-cuadrada ( X 2 ).
Para mostrar como se utiliza el estadístico X 2 , tomemos el ejemplo 1 de la página

24, donde se afirma que una máquina despachadora de refrescos está fuera de
control. Donde el tamaño de muestra n = 25, la probabilidad planteada es
P( S 2  2.03) , y el valor de X 2 obtenido es X 2  42.37 . Los pasos se presentan a
continuación.

resultado.

Seleccione DISTR.CHI en la ventana Seleccionar una función.


mayor o igual a x, o sea P( X 2 ³ 42.37) .
Nota. Si usted requiere P( X 2  x) obténgala mediante 1  P( X 2 ³ x)
Distribución F de Fisher (F).
45
___________________________________________________________________________________________
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.

resultado.

Seleccione DISTR.F en la ventana Seleccionar una función.

Ingresar 9 en el cuadro Grados de libertad 2.

mayor o igual a x, o sea P ( F ³ 0.3573) . Como la probabilidad deseada es
P ( F  0.3573) la obtenemos por 1 – 0.90569743 = 0.0943
Distribución Weibull.
Para ilustrar el empleo de este estadístico, tomemos el ejemplo 2 de la página 39, de

una variable aleatoria X que sigue una distribución Weibull. Donde  = 0.2,  = 100 y
la probabilidad requerida es P ( x  1000) . Los pasos a seguir son:

resultado.

Seleccione DISTR.WEIBULL en la ventana Seleccionar una función.

Ingresar 1000 en el cuadro X.
Ingresar 0.2 en el cuadro de Alfa.
Ingresar 100 en el cuadro de Beta.
Ingresar Verdadero en el cuadro Acumulado.
46
___________________________________________________________________________________________
menor o igual a x, o sea P ( x  1000) .
47

Distribuciones Contínuas 2018 - 000

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Distribuciones Contínuas 2018 - 000

Încărcat de

Drepturi de autor:

Formate disponibile

Lic.

Vicente Sánchez y Ramírez

Esta unidad contempla el estudio de variables que se basan en escalas de medición

El objetivo general de la unidad, es mostrar al alumno las principales distribuciones

Dentro de los objetivos particulares podemos citar:

El participante sabrá diferenciar entre una distribución de probabilidad discreta y una

El participante sabrá describir las características más relevantes de cinco

El alumno sabrá obtener las probabilidades para las principales distribuciones

El tema contempla el estudio de las distribuciones de probabilidad: normal, t de

4.2 Distribución normal o gausiana.

Es una de las distribuciones de probabilidad más importante, no tan sólo en la teoría

Una manera práctica para verificar si la variable aleatoria se distribuye normalmente,

Dentro de los objetivos particulares se encuentran:

El participante identificará las principales características de la distribución normal.

El participante obtendrá la probabilidad de un evento empleando: la función de

Los temas a cubrir para esta distribución de probabilidad son: características de la

4.2.2 Función de probabilidad de la distribución normal.

Un gran número de estudios, indica que la distribución normal proporciona una

La función de probabilidad de la distribución normal se define por:

Esta distribución es utilizada cuando los datos se distribuyen de manera normal o

4.2.3 Características más importantes de la distribución normal.

2. 0 ≤ ƒ (x) ≤ 1 para toda x.

La función de probabilidad de su distribución en cualquier punto puede ser mayor o

3. Límite ƒ(x) = 0 y Límite ƒ (x) = 0

Teóricamente la curva es asintótica, o sea que se extiende en ambas direcciones y

4. ƒ [(x + μ)] = ƒ [- (x – μ)] la densidad es simétrica alrededor de μ.

Es simétrica con respecto a la media de la distribución y tiene la forma de campana.

5. El valor máximo de ƒ(x) está cuando x = μ.

6. Los puntos de inflexión ƒ están en x = μ ± 1σ.

7. La distribución normal estándar tiene una media poblacional μ = 0 y una

8. Los parámetros que definen su función de distribución de probabilidad son μ y σ.

Función de Distribución de Probabilidad con µ = 50 y s = 5

0.0675 0.0666449 0.0666449

Función de Distribución de Probabilidad con µ = 50 y s = 10

4.2.4 Áreas bajo la curva de la distribución normal.

El área o probabilidad dentro de la curva normal podemos apreciarla en la siguiente

ÁREAS BAJO LA CURVA NORMAL

Entre la media y ± 2 se encuentra el 95.0% de los datos, o lo que es lo mismo hay

4.2.5 Transformación de una variable aleatoria X a una distribución Z.

x = valor de la variable aleatoria que nos preocupa.

El transformar una variable aleatoria a una escala Z es solamente un cambio en la

La siguiente figura muestra como cualquier valor de variable aleatoria distribuida

Por ejemplo en la primer gráfica, donde μ = 4 y σ = 1, el valor de x = 2 se convierte

De manera análoga para la segunda gráfica, cuando μ =12 y σ = 2, el valor de x =

4.2.6 Ejemplos de aplicación de la distribución normal.

a) Si se toma una lámpara al azar, ¿cuál es la probabilidad de que se funda antes de

La probabilidad solicitada es P ( x  265) , visto gráficamente es la parte sombreada

Transformando la variable aleatoria 265 a una distribución Z tenemos:

Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la

La probabilidad requerida es P (280  x  320) .

Transformando las variables 280 y 320 a una distribución Z tenemos:

280  302 320  302

Replanteando la probabilidad nos queda:

c) Si se van a instalar en la ciudad 20,000 lámparas, ¿cuántas se puede esperar que

Aquí lo primero que tenemos que obtener es la probabilidad de que P ( x  350) ,

Transformando la variable 350 a una distribución Z tenemos.

d) ¿Qué valor en días de duración de las lámparas, representa el 90 % de ellas?

x = 1.28 (40) + 302

Ejemplo 2. Un fabricante de hierro forjado afirma que su producto tiene resistencia a

a) Si se toma un hierro forjado al azar, ¿cuál es la probabilidad de que su resistencia

La probabilidad solicitada es P ( x  49550) , visto gráficamente es la parte

Transformando la variable aleatoria 49550 a una distribución Z tenemos:

Por lo tanto la probabilidad requerida la localizamos en la tabla de área bajo la curva