2014

DISTRIBUCIONES ESPECIALES
DE VARIABLES ALEATORIAS
CONTINUAS

JEAN CARLOS GAIBAO ARROYO

NIYIRET XIMENA RODRIGUEZ SIERRA
DUVAN JAIR BARRIOS HERNANDEZ
UNIVERSIDAD DE SUCRE
17/11/2014
 1

Distribuciones Especiales De Variables Aleatorias Continuas

Jean Carlos Gaibao Arroyo

Niyiret Ximena Rodríguez Sierra

Duvan Jair Barrios Hernández

Albeiro Vergara Urango

Universidad De Sucre

Facultad De Ingeniería

Departamento De Ingeniería Civil

Sincelejo

2014
 2

CONTENIDO

Introducción ………………………………………………………………………………. 5

Objetivos …………………………………………………………………………………. 6

Objetivos generales . ……………………………………………………………… 6

Objetivos específicos ……………………………………………………………… 6

DISTRIBUCIÓN NORMAL……..………………………………………………………... 7

Importancia de la Distribución normal ……………………………………………. 8

Propiedades………………………………………………………………………… 8

Usos………………………………………………………………..………………. 9

Ejemplos…………………..…………………..…………………..……………….. 9

Ejemplo 1…………………..…………………..…………………..……… 9

Ejemplo 2…………………..…………………..………………………….. 10

Ejemplo 3…………………..…………………..………………………….. 10

Ejemplo 4…………………..…………………..…………………..……… 11

Ejemplo 5…………………..…………………..…………………..……… 11

Distribución T de Student…………………..…………………..………………………… 12

Propiedades…………………..…………………..…………………..…………… 13
 3

Usos…………………..…………………..…………………..………………….. 13

Grados de libertad…………………..…………………..…………………..…… 13

Tabla…………………..…………………..…………………..………………… 14

Ejemplos…………………..…………………..…………………..…………….. 15

Ejemplo 1…………………..…………………..……………………….. 15

Ejemplo 2…………………..…………………..…………………..…… 16

Ejemplo 3…………………..…………………..…………………..…… 17

Ejemplo 4…………………..…………………..…………………..…… 18

Ejemplo 5…………………..…………………..…………………..…... 19

Distribución Chi Cuadrado …………………..…………………..…………….……… 20

Propiedades…………………..…………………..…………………..…………. 21

Usos…………………..…………………..…………………..………….……. 21

Grados de libertad …………………..…………………..…………………..…. 21

Tabla…………………..…………………..…………………..……………….. 22

Ejemplos…………………..…………………..…………………..……………. 23

Ejemplo 1…………………..…………………..………………………. 23

Ejemplo 2…………………..…………………..………………………. 24
 4

Ejemplo 3…………………..…………………..………………….…… 25

Ejemplo 4…………………..…………………..………………….…… 26

Ejemplo 5…………………..…………………..………………….…… 27

Distribución F…………………..…………………..…………………..……………… 28

Propiedades…………………..…………………..…………………..………… 29

Usos…………………..…………………..…………………..………………… 29

Grados de libertad …………………..…………………..……………………... 30

Tabla…………………..…………………..…………………..………………… 31

Ejemplos…………………..…………………..…………………..…………..… 31

Ejemplo 1…………………..…………………..……………………….. 32

Ejemplo 2…………………..…………………..……………………….. 32

Conclusiones……………………………………………………………………………. 35

Bibliografía……………………………………………………………………………… 34
 5

INTRODUCCIÓN

Para la ciencia hoy en día se hace indispensable saber aplicar la estadística para su estudio.

A través del presente trabajo se dará a conocer los conceptos y los modelos necesarios básicos

para describir, analizar, interpretar y comprender las distribuciones especiales de variables

aleatorias continuas. Estas distribuciones son muy importantes porque permiten el análisis de

características de una población y examina la probabilidad de que se encuentre dichas

características. En el campo de la ingeniería estas distribuciones son fundamentales en los

estudios investigativos, ya que dan la información necesaria para la toma de decisiones y así

diseñar estrategias que puedan mejorar los resultados de la investigación

 6

OBJETIVOS

 OBJETIVO GENERAL:

Analizar, interpretar y contextualizar las distintas distribuciones especiales de variables

aleatorias continúas.

 OBJETIVOS ESPECIFICOS:

a. Reconocer la distribución normal, t de Student, chi cuadrada, f de Fisher-Snedecor y el

contexto de su aplicación.

b. Calcular probabilidades para variables aleatorias continuas.

c. Realizar ejercicios en los que se apliquen las distribuciones estudiadas al campo de la

ingeniera civil.
 7

DISTRIBUCIÓN NORMAL

Corresponde a una distribución de variable aleatoria continua, que se extiende sobre un

campo de variabilidad infinito. Está dada por la función:

1 𝑧2
−
𝑌= 𝑒 2𝜎2
𝜎√2𝜋

Siendo:

σ= desviacion estandar de la distribucion binomial= √𝑝𝑞𝑛

𝑒= base de los logaritmos naturales = 2.71828

𝜋= 3.1415926535

μ= media de la distribucion binomial =np

Todo ejercicio planteado como Binomial, en especial cuando (n) el número de experimentos

realizados es grande, se debe resolver mediante la distribución Normal. Este procedimiento

permite facilitar y agilizar las operaciones, cuyo resultado no será exacto (método binomial) sino

un valor bastante aproximado, razón por la cual algunos lo identifican como método aproximado.

Una distribución normal de media μ y desviación típica σ se designa por N(μ, σ). Su gráfica es

la campana de Gauss:
 8

El área del recinto determinado por la función y el eje de abscisas es igual a la unidad. Al

ser simétrica respecto al eje que pasa por x = µ, deja un área igual a 0.5 a la izquierda y otra igual

a 0.5 a la derecha. La probabilidad equivale al área encerrada bajo la curva.

Importancia De La Distribución Normal

La distribución normal es de suma importancia en estadística por tres razones principales:

1. Numerosas variables continuas de fenómenos aleatorios tienden a comportarse

probabilísticamente mediante ésta.

2. Es el límite al que convergen tanto variables aleatorias continuas como discretas.

3. Proporciona la base de la inferencia estadística clásica debido a su relación con el

teorema del límite central.

Propiedades:

1. La curva es simétrica y mesocurtica.

2. El área bajo la curva es igual al 100 %

3. La curva no toca al eje horizontal ya que es asintótica, se prolonga indefinidamente.

4. La media µ se localiza en el centro, es decir, cada parte es igual al 50%.

5. X toma valores de menor a mayor, es decir, de izquierda a derecha.

6. Al estandarizar, convertir los valores de x en z, esta tendrá una media µz = 0, σz =1 y Z

tomara valores desde -3 hasta 3, que cubre un área de 99,7%, casi igual al 100%.
 9

𝑥−𝜇
7. La variante estadística 𝑍 = , es una medida de las deviaciones estándar o de las
𝜎

llamadas unidades estandarizadas conocida como desviación normal.

Uso:

La distribución normal se utiliza cuando se conoce la varianza poblacional o el tamaño

muestral es mayor o igual a 30.

Ejemplos:

1. Los pesos de los individuos de una población se distribuye normalmente con media 70 Kg

y desviación típica 6 Kg. De una población de 2000 personas, calcula cuantas personas

tendrán un peso comprendido entre 64 y 76 Kg

SLN/:

Se trata de una distribución normal de media µ= 70 y desviación típica σ=6, N (70,6).

Tipificamos la variable

64−70 76−70
P(64≤x≤76)= P( )≤𝑧≤( ) = 𝑃(−1 ≤ 𝑧 ≤ 1)
6 6

= 𝑃(−1 ≤ 𝑧 ≤ 1) = 𝑃(𝑧 ≤ 1) − 𝑃(𝑧 ≤ −1)

Entonces:

 𝑃(𝑧 ≤ 1) = 0.8413

 𝑃(𝑍 ≤ −1) = 𝑃(𝑧 ≥ 1) = 1 − 𝑃(𝑧 ≤ 1) = 1 − 0.8413 = 0.1587

𝑃(−1 ≤ 𝑧 ≤ 1) = 0.8413 − 0.1587 = 0.6825= 68.25%

Rta/: el 68.25% de las personas pesan entre 64 y 76 kg

 10

2. La duración media de un televisor es de 8 años y su desviación típica 0.5 años. Sabiendo

que su vida útil se distribuye normalmente, halla la probabilidad de que al adquirir un

televisor dure más de 9 años.

SLN/:

Es una distribución normal de media µ= 8 y desviación típica σ=0.5, es decir, N (8;0.5)

9−8
P(x>9) =𝑃 (𝑧 > ) = 𝑃(𝑧 > 2) = 1 − 𝑃(𝑧 ≤ 2) = 1 − 0.9772 = 0.0228
0.5

R/: La probabilidad de que al adquirir un televisor dure mas de 9 años es del 2,28%

3. Se supone que la estancia de los enfermos en un hospital sigue una distribución normal de

media 8 días y deviación típica 3. Calcular la probabilidad de que la estancia de un

enfermo:

a. Sea inferior a 7 días

b. Sea superior a 3 días

c. Este comprendida entre 10 y 12dias

Sln/:

7−8 1 1 1
a. P(x<7)= 𝑃 (𝑧 < ) = 𝑃 (𝑧 < − 3) = 𝑃 (𝑧 > 3) = 1 − 𝑃 (𝑧 ≤ 3)
3

= 1 − 0.6293 = 0.3707=37.07%

3−8 −5 5
b. P(x>3)=1-P(x<3)= 1- (𝑧 > ) = 1 − (𝑧 < ) = 1 − 𝑃((𝑧 > 3)
3 3

5
= 1 − [1 − 𝑃 (𝑧 ≤ 3)] = 1 − (1 − 0.9515) = 0.9515 = 95.15%

10−8 12−8
c. P(10<x<12)= 𝑃 ( <𝑍≤ ) = 0.9082 − 0.7454 = 0.1628 =
3 3

16.28%
 11

R/ La probabilidad de que la estancia de un enfermo sea inferior a 7 días es del 37.07%, que

sea superior a 3 días es de 95.15% y que este comprendida entre 10 y 12dias es de 16.28%.

4. El fraguado promedio del concreto es de 6 días y su desviación típica es de 0,8 días.

Sabiendo que se distribuye normalmente, halle la probabilidad de que el fraguado de este

cemento dure más de 7 días.

SLN/

Es una distribución normal de media μ=6, desviación típica σ=1,5, es decir, N (6; 1,5)

7−6
P( x > 7) = p (Z > )= P(z > 1,25)= 1-p(Z ≤ 1,25) = 1-0,89435 = 0,1565 = 15,65%
0,8

R/ la probabilidad de que el fraguado de este cemento dure más de 7 días es del 15,65%.

5. La vida media de una casa, según el constructor, es de 69 años, con una desviación típica de

12. Se supone que se distribuye según una distribución normal en un lote de 100

casas. ¿Cuántas casas superarán previsiblemente los 75 años?

P (X > 75) = P(Z > 75−69

12
) = P(Z >0,5)= 1 - P (Z ≤ 0,5) = 1 – 0,69146 = 0,30854

R/ El 30,854% de las casas, superarán los 75 años.

 12

DISTRIBUCIÓN T DE STUDENT

En muchas ocasiones no se conoce σ y el número de observaciones en la muestra es

menor de 30. En estos casos, se puede utilizar la desviación estándar de la muestra como

una estimación de σ, pero no es posible utilizar la desviación como estadístico de prueba.

El estadístico de prueba adecuado es la distribución t.

Dicha distribución está dada por la fórmula:

ӯ−𝜇
𝑡=
𝑆
√𝑛 − 1

Siendo:

ӯ = media.

μ= el valor a analizar.

S= desviación estándar.

n= tamaño de la muestra.

Su grafica es:
 13

A pesar de las correcciones que se le puedan hacer a las desviaciones típicas, no es efectiva en

todas las muestras; por tal razón la distribución de todas las medias muestrales, no tiene un

comportamiento similar a la distribución normal, a pesar de ser una distribución continua. A esta

distribución se le conoce como distribución “t” de Student.

Propiedades:

1. Cada curva t tiene forma de campana con centro 0.

2. Cada curva t, está más dispersa que la curva normal estándar.

3. A medida que k aumenta, la dispersión de la curva t correspondiente disminuye.

4. A medida que k ≤ ∞, la secuencia de curvas t se aproxima a la curva normal estándar.

Usos:

1. para determinar el intervalo de confianza dentro del cual se puede estimar la media de

una población a partir de muestras pequeñas (n<30).

2. para probar hipótesis cuando una investigación se basa en muestreo pequeño.

3. para probar si dos muestras provienen de una misma población.

Grados de libertad:

Existe una distribución t distinta para cada uno de los posibles grados de libertad.

¿Qué son los grados de libertad? Podemos definirlos como el número de valores que podemos

elegir libremente.
 14

Tabla
 15

Ejemplos

1. se aplica una prueba de autoestima a 25 personas quienes obtienen una calificación

promedio de 62.1 con una desviación estándar de 5.83. se sabe que el valor correcto de la

prueba debe ser mayor de 60.¿existe suficiente evidencia para comprobar que no hay

problemas de autoestima en el grupo seleccionado?

Considera un nivel de significancia de 0.05

ӯ−𝜇
𝑡=
𝑆
√𝑛 − 1

62.1 − 60 2.1
𝑡= = = 1.8
5.83 1.166
√25 − 1

df=n-1= 25-1=24

Buscando en la tabla de Distribución de t de Student, encontramos el valor del

área:
 16

P=0.042 y α= 0.05 como p< α; entonces decimos que si es suficiente evidencia.

2. Se desea obtener un intervalo de confianza al 99% para el tiempo medio requerido para

realizar un trabajo. Una muestra aleatoria de 16 mediciones produce una media y una

desviación estándar de 13 y 5.6 minutos respectivamente.

𝑆
𝛿 = 𝑥 ±𝑡( )
√𝑛
5.6
δ = 13± 2.947 ( )
√16

δ = 13±4.12

δ1 = 17.12 minutos

δ2 = 8.88 minutos

R/: el tiempo requerido para realizar el trabajo será entre 8.88 y 17.2 minutos con una

certeza de 99%
 17

3. Los valores de las matriculas de estudiantes en una universidad privada tienen un

comportamiento aproximadamente normal, donde el promedio es de 2.100.000. Se

seleccionan 8 liquidaciones, siendo los valores los siguientes: 1.950.000, 2.100.000,

2.250.000, 1.890.000, 2.250.000, 1.950.000, 2.050.000, 2.350.000. Determine la

probabilidad de que el promedio sea menor de 2.000.000.

Sln:/

Sea:

X = Liquidación matriculas.

m = 2.100.000; s =?

=2.098.750 s=168.644.8085 n=8

P (<2.000.000) =P (<2.000.000)

P (t< (2.000.000-2.100.000)/(168644.8085/2.8284)= P(t<-1.677)

R/ La probabilidad se encuentra entre 0.9 y 0.95, según la tabla T que se encuentra más

adelante, no obstante, al t ser negativo, la probabilidad está entre 0.1 y 0.05, es decir, los

valores complementarios..
 18

4. La compañía USAL produce varillas. El presidente de la USAL. dice que sus varillas

tienen una resistencia de 300 MPa. Entonces la competencia va a varias ferreterías y

compra 15 varillas para probar esa afirmación. Las varillas de la muestra resisten en

promedio 290 MPa con una desviación estándar de 50 MPa. Entonces, si quiere

desmentir al presidente de USAL se necesita saber cuál es la probabilidad de que las 15

varillas seleccionadas al azar tengan una resistencia promedio no mayores de 290 MPa.

ӯ−𝜇
𝑡=
𝑆
√𝑛

Siendo: Ӯ= 290, μ=300, S= 50, n=15; entonces:

290 − 300 −10

𝑡= = = −0.7746
50 12.91
√15

Grados de libertad (ν): 15 -1 = 14.

Entonces t= 0.2257
 19

R/ la probabilidad de que las 15 varillas seleccionadas al azar tengan una resistencia promedio

no mayores de 290 MPa es de 22.57%.

5. Una muestra aleatoria de 10 vigas de acero, tiene una resistencia media a la compresión

de 57498 libras por pulgada cuadrada (l.p.c.), con una desviación típica de 539(l.p.c.).

Docimar la hipótesis, de que la verdadera resistencia media a la compresión de las vigas

de acero de las que se extrajo la muestra es µ=57000. Utilizar la alternativa bilateral µ

≠57000 y un nivel de significación del 1%.

n=10 ӯ=57498 S=539 µ=57000 =10-1=9

Ho: µ=57000

Ha: µ≠57000

57498−57000
t= 539 =2,77
√9

R/ Aceptamos que µ=57000, es decir, que es la verdadera resistencia media a la compresión de

las vigas de acero, con un nivel de significación del 1%

 20

DISTRIBUCION CHI CUADRADO (𝛘𝟐 )

En estadística, la distribución de Pearson, llamada también chi cuadrado o (χ²) es

una distribución de probabilidad continua con un parámetro que representa los grados de

libertad de la variable aleatoria , además se define como un método de estimación basado en la

prueba de la bondad de un ajustamiento, mediante el cual se determina valores de los parámetros

que hacen mínimo el cálculo por medio de las frecuencias observadas (reales) y las frecuencias

esperadas (teóricas) expresadas en términos de los parámetros. Se calcula con:

(𝒏−𝟏)𝑺𝟐 ∑(𝜒−ӯ)2
𝝌𝟐 = O 𝝌𝟐 =
𝝈𝟐 𝜎2

Su grafica es:
 21

Propiedades:

1. Los valores de X2 son mayores o iguales que 0.

2. La forma de una distribución X2 depende del gl=n-1. En consecuencia, hay un número

infinito de distribuciones X2.

3. El área bajo una curva Chi-cuadrada y sobre el eje horizontal es 1.

4. Las distribuciones X2 no son simétricas. Tienen colas estrechas que se extienden a la

derecha; esto es, están sesgadas a la derecha.

5. Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-1).

6. El valor modal de una distribución X2 se da en el valor (n-3).

Uso:

La distribución χ² tiene muchas aplicaciones en inferencia estadística. La más conocida es la de

la denominada prueba χ² utilizada como prueba de independencia y como prueba de bondad de

ajuste y en la estimación de varianzas. Pero también está involucrada en el problema de estimar

la media de una población normalmente distribuida.

Grados de libertad:

El número de grados de libertad está dado por: γ = k − 1 − m

En donde:

k= número de clasificaciones en el problema

 22

m= número de parámetros estimados a partir de nos datos muestrales para obtener los valores

esperados.

Tabla:
 23

Ejemplos:

1. Suponga que los tiempos requeridos por un cierto autobús para alcanzar un de sus

destinos en una ciudad grande forman una distribución normal con una desviación

estándar =1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la

probabilidad de que la varianza muestral sea mayor que 2.

SLN/:

Primero se encontrará el valor de Chi-cuadrada correspondiente a s2=2 como sigue:

(𝑛−1)𝑠2 (17−1)(2)
X2= = = 32
𝜎2 12

El valor de 32 se busca adentro de la tabla en el renglón de 16 grados de libertad y se

encuentra que a este valor le corresponde un área a la derecha de 0.01. En consecuencia,

el valor de la probabilidad es P(s2>2)

 24

2. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una

población normal con varianza , tenga una varianza muestral:

a. Mayor que 9.1

b. Entre 3.462 y 10.745

SLN/:

a. Primero se procederá a calcular el valor de la ji-cuadrada:

(𝑛−1)𝑠2 (25−1)(9,1)
X2= = = 36,4
𝜎2 6

Al buscar este número en el renglón de 24 grados de libertad nos da un área a la derecha de 0.05.

Por lo que la P(s2 >9.1) = 0.05

b. Se calcularán dos valores de ji-cuadrada:

(𝑛−1)𝑠2 (25−1)(3,462) (25−1)(10,745)

X2= = =13,874 y X 2= = 42,98
𝜎2 6 6

Aquí se tienen que buscar los dos valores en el renglón de 24 grados de libertad. Al buscar el

valor de 13.846 se encuentra un área a la derecha de 0.95. El valor de 42.98 da un área a la

derecha de 0.01. Como se está pidiendo la probabilidad entre dos valores se resta el área de 0.95

menos 0.01 quedando 0.94.

Por lo tanto la P(3.462 s2 10.745) = 0.94

 25

3. Calcular la distribución de probabilidad de una variable estadística chi-cuadrado, de 6

grados de libertad sea mayor de 3,4.

𝑃(𝜒62 > 3.4)

Según lo anterior:

𝑃(𝜒62 > 3.4) = 1 − 𝑃(𝜒62 < 3.4)

Buscando en la tabla tenemos:

𝑃(𝜒62 < 3.4) = 0.242777

Con lo que tenemos:

𝑃(𝜒62 > 3.4) = 1 − 0.242777

Operando tenemos:

𝑃(𝜒62 > 3.4) = 0.757223

 26

R/ La distribución de probabilidad de una variable estadística chi-cuadrado, de 6 grados de

libertad sea mayor de 3,4 es de 75.72%.

4. Un fabricante de varillas garantiza que sus varillas durarán, en promedio, tres

años con una desviación estándar de un año. Si cinco de estas varillas tienen

duraciones de 1.9, 2.4, 3.0, 3.5 y 4.2 años, ¿el fabricante podrá tener una confianza

de 95% de que la desviación estándar sigue siendo de un año? Supongamos

que la duración de la batería sigue una distribución normal.

𝛴(𝑦−ӯ)2
Escuela de Negocios Universidad S2= =0,815
𝑁−1

(5−1)(0,815)2 =3,26
X2= 12

Busquemos el valor de chi-cuadrada en nuestra tabla para g.l. (v) = 4 y por la asimetría de la

gráfica el 95% se localiza entre 97.5% y 2.5%, es decir, entre 0.975 y 0.025

R/ Vemos que para 0.975 el valor es 0.484 y para 0.025 es 11.143, por lo que nuestro valor no queda

fuera de estos límites. Entonces, el fabricante puede estar seguro que su desviación

estándar igual a un año es razonable y no tiene razón suficiente para sospechar que

este dato es distinto.

 27

5. En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la

variabilidad de los resultados que producen muestras estándar. En un estudio de la

cantidad de impurezas en el concreto, el cual se efectúa como parte del control de

calidad, se analizó seis veces la misma muestra en el laboratorio en intervalos aleatorios.

Los seis resultados en partes por millón fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26.

Estimar la varianza de los resultados de la población para este estándar, usando un nivel

de confianza del 90%.

Solución:

Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.

Se busca en la tabla los valores correspondientes con 5 grados de libertad, obteniéndose dos

resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.

Entonces el intervalo de confianza esta dado por:

2
(6 − 1)(0,0285)
𝜎𝑚𝑎𝑥 = = 0,1246
1,145

2
(6 − 19)(0,0285)
𝜎𝑚𝑖𝑛 = = 0,0129
11,07
 28

DISTRIBUCIÓN F

Usada en teoría de probabilidad y estadística, la distribución F es una distribución de

probabilidad continua. También se le conoce como distribución F de Snedecor (por George

Snedecor) o como distribución F de Fisher-Snedecor. Una variable aleatoria de distribución F se

construye como el siguiente cociente:

𝑈1
𝑑1
F= 𝑈2
𝑑2

Dónde:

U1 y U2 siguen una distribución chi-cuadrado con d1 y d2 grados de libertad respectivamente, y

U1 y U2 son estadísticamente independientes.

Su grafica es:
 29

Propiedades:

1. Si X F(n, m) entonces:

𝑚
𝐸(𝑥) = 𝑚>2
𝑚−2

2𝑚2 (𝑛 + 𝑚 − 2)
𝑉(𝑥) = 𝑚>4
𝑚(𝑚 − 2)2 (𝑚 − 4)

2. Distribución de la razón de dos varianzas mustrales:

Sea 𝑥1 𝑥2 𝑥𝑛1 es una m.a.i. de una población N (m1, s1 ²) .

Sea 𝑦1 𝑦2 𝑦𝑛1 es una m.a.i. de una población N (m2, s2 ²).

Si ambas muestras provienen de poblaciones independientes, entonces:

𝑠1 2
𝜎1 2
F= 𝑠2 2
es tal que F F ( 𝑛1 − 1, 𝑛2 − 1)
𝜎2 2

Usos:

1. Esta es la distribución de probabilidad de la razón de dos varianzas provenientes de dos

poblaciones diferentes. Por medio de esta distribución es posible determinar la

probabilidad de ocurrencia de una razón específica con v1=n1-1 y v2=n2-1 grados de

libertad en muestras de tamaño n1 y n2.

2. Es la distribución más importante en experimentación pues permite hacer cálculos sobre

varianzas diseminadas determinando si las diferencias mostradas son significativas y por lo

 30

tanto atribuibles a cambios importantes en el comportamiento de las poblaciones en

estudio.

Grados de libertad:

Los grados de libertad para el numerador y el denominador de la razón F se basan en los cálculos

necesarios para derivar cada estimación de la variancia de la población. La estimación

intermediante de variancia (numerador) comprende la división de la suma de las diferencias

elevadas al cuadrado entre el número de medias (muestras) menos uno, o bien, k - 1. Así, k - 1 es

el número de grados de libertad para el numerador.

En forma semejante, el calcular cada variancia muestral, la suma de las diferencias elevadas al

cuadrado entre el valor medio de la muestra y cada valor de la misma se divide entre el número

de observaciones de la muestra menos uno, o bien, n - 1. Por tanto, el promedio de las variancias

muestrales se determina dividiendo la suma de las variancias de la muestra entre el número de

muestras, o k. Los grados de libertad para el denominador son entonces, k(n -l).
 31

Tabla:
 32

Ejemplos:

1. En un proceso hay dos máquinas cortadoras diferentes en antigüedad lo que hace pensar

que las varianzas de corte no son iguales. Se toma una muestra de 16 partes de cada

máquina, ¿cuál es la probabilidad de que la razón de varianzas sea:

a. Mayor a 1.97?

b. Menor a 3.52?

SLN/

a. 𝑷(𝑭 ≥ 𝟏. 𝟗𝟕) = 𝟏 − 𝟎. 𝟗 = 𝟎. 𝟏 Para 𝑣1 = 15 𝑦 𝑣2 = 15

R/ La probabilidad de que la razón de varianzas sea mayor a 1.97 es 0.1.

b. 𝑷(𝑭 ≤ 𝟑. 𝟓𝟐) = 𝟎. 𝟗 Para 𝑣1 = 15 𝑦 𝑣2 = 15

R/ La probabilidad de que la razón de varianzas sea menor a 3.52 es 0.99.

2. La variabilidad de la cantidad de impurezas presentes en un compuesto químico

usado para un proceso particular depende del tiempo en que el proceso está en

operación. Un fabricante que usa las líneas de producción 1 y 2 ha introducido un

ligero ajuste al proceso 2 con la esperanza de reducir tanto la variabilidad como la

media de la cantidad de impurezas en el compuesto químico. Las medias y

varianzas de las muestras de 25 observaciones de los dos procesos son:

Determine el intervalo de confianza del 90% para el cociente de varianzas.

 33

Sln/:

Sustituyendo en la fórmula los datos, se tiene

𝑠12 𝜎12 𝑠12

< <
𝑠22 𝑓1−∝⁄ 𝜎22 𝑠22 𝑓∝⁄2
2

1,04 𝜎12 1,04

< 2<
(0,51)(1,98) 𝜎2 (0,51)( 1 )
1,98

𝜎2
1,0299< 𝜎12 < 4,0376
2

Con una confianza del 90%.

Como ambos límites son mayores que 1 se puede concluir que la varianza 1 es

significativamente mayor que la varianza 2.

 34

Conclusiones

 Mediante el anterior trabajo se comprendió, aclaró y contextualizó las definiciones de

las distintas distribuciones de variables aleatorias continuas.

 Se logró concluir la importancia de las aplicaciones de las distribuciones estadísticas

aplicadas a las diferentes ciencias.

 35

Bibliografía:

1. Estadística y muestreo Ciro martinez bencardino

2. http://www.vitutor.net/1/55.htmlb

3. http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2

4. file:///C:/Users/Pedro%20Pelayo/Downloads/tabla-fisher.pdf

5. http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2

6. https://www.ulpgc.es/hege/almacen/download/4/4760/Tema_2.pdf