INSTITUTO TECNOLOGICO NACIONAL DE MEXICO

INSTITUTO TECNOLOGICO DE CHETUMAL

PROBABLIDAD Y ESTADÍSTICAS-I.S.C_I3A

TEMA 4
DISTRIBUCIONES DE PROBABLIDAD
COMPETENCIAS:
Identifica las propiedades y características de las distribuciones discretas y
continuas de un experimento para procesar la información de fenómenos y
procesos de ingeniería biomédica, computación y comunicaciones.

NOMBRE: JUAN DE JESUS SOLIS UH

NUMERO DE CONTROL: 23390045

Página | 1
4.1 FUNCION DE PROBABILIDAD
Introducción:
herramienta matemática fundamental en la teoría de la probabilidad y las
estadísticas. Su propósito es describir la probabilidad de ocurrencia de diferentes
resultados en un experimento aleatorio.

Es la función de la probabilidad de que la variable aleatoria toma un valor

particular:

Un ejemplo
Podemos obtener la frecuencia relativa de las calificaciones de un curso y
disponer en una tabla

Y así asignando cada calificación, y sustituyendo el símbolo de la frecuencia

relativa por la probabilidad:

Finalmente tenemos la distribución de probabilidad de la variable "calificación

académica en la asignatura X". La distribución de probabilidad de una variable
aleatoria se define como el conjunto de valores de la variable acompañados de
sus probabilidades.

La función de distribución

Página | 2
La función de distribución es que la probabilidad de que la variables tome los
valores iguales o inferiores a x:

Si añadimos una nueva columna con probabilidad acumuladas, tenemos la función

de distribución de la v.a.

Así la función de probabilidad como la de distribución puede ser representadas

gráficamente con el diagrama de barras:

Aquí se hace la presentación de la función de probabilidad.

Aquí hace la presentación de la gráfica de la función de distribución.

Página | 3
Biblografia:
https://www.liceobrainstorm.cl/wp-content/uploads/2020/05/3ro-y-4to-medio-
Electivo-de-Probabilidad-PPT-n°-1-04-al-08-de-Mayo.pdf

4.2 DISTRIBUCION BINOMIAL.

Introducción:
Es la herramienta poderosa para modelar experimentos aleatorios con un
resultado binario, proporcionando una base sólida para el análisis probabilístico y
toma las decisiones en condiciones de incertidumbre.

Una función de densidad de probabilidad mas valiosa con muchas aplicaciones es

la distribución binomial. Esta distribución calculara las probabilidades de cualquier
proceso binomial.

Este seria la formula binomial

donde b(x) es la probabilidad de X aciertos en n ensayos cuando la probabilidad

de un éxito en CUALQUIER ENSAYO es p. Y, por supuesto, q=(1-p) y es la
probabilidad de un fracaso en cualquier ensayo.

Ahora podemos ver por qué la fórmula combinatoria se llama también coeficiente
binomial, ya que vuelve a aparecer aquí en la función de probabilidad binomial.
Para que la fórmula binomial funcione, la probabilidad de éxito en cualquier
ensayo debe ser la misma de un ensayo a otro, o en otras palabras, los resultados
de cada ensayo deben ser independientes.
Al igual que un conjunto de datos, una función de densidad de probabilidad tiene
una media y una desviación típica que describe el conjunto de datos. Para la
distribución binomial vienen dadas por las fórmulas:

Página | 4
Las características de un experimento binomial
 Hay un numero fijo de ensayo. Piense en los ensayos como repeticiones de
un experimento. La letra n indica el numero de ensayos

 La variable, x, numero de aciertos, es discreta.

 Solo hay dos resultados posibles, llamados “cierto” y “fallo” para cada
ensayo.

 Los n ensayos son independientes y se repiten utilizando condiciones

idénticas. Piense en esto como una extracción CON reemplazo. Como los n
ensayos son independientes, el resultado de un ensayo no ayuda a predecir
el resultado de otro. Otra forma de decir esto es que para cada ensayo
individual la probabilidad, p, de un acierto y la probabilidad, q, de un fallo
siguen siendo las mismas.

Ejemplo :

La distribución binomial se puede expresar de forma gráfica, y que en

realidad consiste en un diagrama de barras, similar a los obtenidos en la
función de probabilidad pero que van a ir variando su forma en función de
los valores de n y de p al modificarse las probabilidades de los distintos
posibles valores de P(X=x).

Por ejemplo, para p=0,2 (azul), y p=0,3 (rojo) y distintos valores de n:

Página | 5
En la siguiente figura, puede apreciarse como al incrementar n, se ve que los curvas de frecuencias
se aproximan a una forma en forma de campana, con la típica forma de campana de Gauss,
pudiendo a deducirse, que conforme aumenta n, las variables discretas que siguen una
distribución binomial tiende a aproximarse a la distribución normal.

Un cazador tiene una probabilidad de acertar cada disparo que realiza con su
escopeta (suceso A) del 40%. ¿Qué probabilidad tiene de derribar a su presa si
puede efectuar tres disparos consecutivos?
Sea el suceso A: derriba a la presa en el disparo.
La probabilidad de A, sería p=0,4.
Sea la variable X ~ número de disparos acertados ~ B (n=3, p=0,4).
P(derribarla)=p(derribarla en el primer disparo)+p(derribarla en el segundo
disparo)+p(derribarla en el tercer disparo)

Página | 6
Sin embargo, al ser sucesos independientes, podemos calcularlo de manera más
sencilla, mediante el
complementario:
p(derribarla)=1-p(no derribarla)=1-(p(no derribarla ven el primer disparo)*
p(no derribarla en el segundo disparo)*p(no derribarla en el tercer disparo)
p(derribarla)=1-(0,6)^3 = 1-0,216= 0,784

Biblografia:
https://openstax.org/books/introducción-estadística-empresarial/pages/4-2-
distribucion-binomial
https://riunet.upv.es/bitstream/handle/10251/7936/Distribucion%20binomial.pdf

Página | 7
4.3 DISTRIBUCION HIPERGEOMETRICA.
Introducción:
Es la distribución de probabilidad discreta utilizada para modelar situaciones en las
que se selecciona una muestra de una población finita sin reemplazo. Es
particularmente útil cuando se desea calcular la probabilidad de obtener un cierto
número de éxitos en una muestra, considerando que cada extracción afecta las
probabilidades de las siguientes.
A diferencia de la distribución binomial, que asume ensayos independientes con
reemplazo, la distribución hipergeométrica refleja cómo las probabilidades
cambian con cada selección. Esto la hace especialmente relevante en contextos
donde el tamaño de la población es limitado, como en controles de calidad,
estudios biológicos o auditorías financieras.

Concepto:
. Las muestras no tienen reemplazo, por lo que cada elemento de la muestra es
diferente. Cuando se elige un elemento de la población, no se puede volver a
elegir. Por lo tanto, la probabilidad de que un elemento sea seleccionado aumenta
con cada ensayo, presuponiendo que aún no haya sido seleccionado.

Utilice la distribución hipergeométrica para muestras obtenidas de poblaciones

relativamente pequeñas, sin reemplazo. Por ejemplo, la distribución
hipergeométrica se utiliza en la prueba exacta de Fisher para probar la diferencia
entre dos proporciones y en muestreos de aceptación por atributos cuando se
toman muestras de un lote aislado de tamaño finito.

La distribución hipergeométrica se define por 3 parámetros: tamaño de la

población, conteo de eventos en la población y tamaño de la muestra.

Por ejemplo, usted recibe un envío de pedido especial de 500 etiquetas.

Supongamos que el 2% de las etiquetas es defectuoso. El conteo de eventos en la
población es de 10 (0.02 * 500). Usted toma una muestra de 40 etiquetas y desea
determinar la probabilidad de que haya 3 o más etiquetas defectuosas en esa
muestra. La probabilidad de que haya 3 o más etiquetas defectuosas en la
muestra es de 0.0384.

Página | 8
 Ejemplo de cálculo de las probabilidades hipergeométricas
Supongamos que hay diez automóviles disponibles para que usted los pruebe (N
= 10) y cinco de ellos tienen motores turbo (x = 5). Si prueba tres de los vehículos
(n = 3), ¿cuál es la probabilidad de que dos de los tres que probará tengan
motores turbo?

Elija Calc > Distribuciones de probabilidad > Hipergeométrico.

Elija Probabilidad.
En Tamaño de la población (N), ingrese 10. En Conteo de eventos en la población
(M), ingrese 5. En Tamaño de la muestra (n), ingrese 3.
Elija Constante de entrada e ingrese 2.
Haga clic en Aceptar.
La probabilidad de que seleccione exactamente dos automóviles con motores
turbo de forma aleatoria cuando pruebe tres de los diez vehículos es 41.67%.
Diferencias entre la Distribución Binomial y la Hipergeométrica

-Distribución Binomial: Se utiliza cuando los ensayos son independientes y con

reemplazo, es decir, la probabilidad de éxito permanece constante en cada
ensayo. Es adecuada para poblaciones grandes donde el cambio en la
probabilidad es insignificante.
Ejemplo: En una población de 100,000 personas con un 53% de sangre O+, la
probabilidad de éxito varía mínimamente entre ensayos (\(0.5300\) vs. \
(0.529995\)).

Página | 9
-Distribución Hipergeométrica: Se aplica cuando los ensayos son dependientes y
sin reemplazo, por lo que la probabilidad de éxito cambia con cada selección. Es
más apropiada para poblaciones pequeñas, donde esta variación es significativa.
Ejemplo: En una población de 10 personas con un 70% de sangre O+, la
probabilidad de éxito disminuye notablemente entre ensayos (\(0.7000\) vs. \
(0.6667\)).

En resumen, use la distribución binomial para poblaciones grandes y la

hipergeométrica para poblaciones pequeñas, donde los cambios en la probabilidad
entre ensayos no son despreciables.

Biblografia:
https://support.minitab.com/es-mx/minitab/help-and-how-to/probability-
distributions-random-data-and-resampling-analyses/supporting-topics/
distributions/hypergeometric-distribution/

4.4 DISTRIBUCION DE POISSON.

Introducción:
La distribución de Poisson es una distribución de probabilidad discreta que se
utiliza para modelar el número de veces que ocurre un evento en un intervalo fijo
de tiempo, espacio u otra dimensión, cuando dichos eventos ocurren de manera
independiente y a una tasa promedio constante.
Características Principales
1. Eventos Independientes: Los eventos no afectan la ocurrencia de otros
eventos.

2. Tasa Constante (λ): La tasa promedio de ocurrencia (λ) es constante para

cada intervalo.

3. Intervalos: Se cuentan los eventos en intervalos definidos de tiempo,

espacio, etc.

Página | 10
 En una distribución de Poisson, se cumplen siempre los siguientes
supuestos:

i) la variable aleatoria es el número de veces que ocurre un evento durante

un intervalo definido. El intervalo puede ser tiempo, distancia, área,
volumen o alguna unidad similar.

X = número de veces que ocurre un evento durante un intervalo definido

ii) la probabilidad de ocurrencia es la misma para cualesquiera 2 intervalos

de igual longitud.
iii) la ocurrencia o no ocurrencia en cualquier intervalo es independiente de
la ocurrencia o no ocurrencia en cualquier otro intervalo.
iv) dos eventos no pueden ocurrir exactamente al mismo tiempo.

Si se cumplen esas condiciones, la variable aleatoria discreta X sigue una

distribución de Poisson y podemos aplicar la fórmula de la distribución de
Poisson.

Se dice que una variable aleatoria discreta X tiene una distribución de Poisson con
parámetro μ (μ>0) si la función de probabilidad de X es:

Donde:

f(x) = P(X=x) : probabilidad de x ocurrencias en un intervalo.

μ: valor esperado o media de X.
e: base de los logaritmos naturales. Su valor es 2,71828…
Además, en una distribución de Poisson:
La media de X es igual a μ.
La varianza de X es igual a μ.

Página | 11
La veterinaria de Jorge recibe un promedio de μ = 4 pacientes por día. Sabiendo
que el número de pacientes que llegan en un día sigue una distribución de
Poisson, calcular:

a) la probabilidad de que lleguen 3 pacientes en un día.

Primero definimos nuestra variable aleatoria:
X = número de pacientes que llegan en un día.
Además, nos indican que esta variable aleatoria X sigue una distribución de
Poisson, entonces podemos aplicar la fórmula:

Calculamos la probabilidad de que lleguen 3 pacientes en un día, es decir, f(3).

Además, el enunciado nos indica que llegan en promedio 4 pacientes por día, es
decir, μ = 4.

La probabilidad de que lleguen 3 pacientes en un día es de 0,1954 o 19,54 %.

Calculamos la probabilidad de que lleguen 5 pacientes en un día, es decir, f(5).
Además, el enunciado nos indica que el enunciado que llegan en promedio 4
pacientes por día, es decir, μ = 4.

La probabilidad de que lleguen 5 pacientes en un día es de 0,1563 o 15,63 %.

Página | 12
Comparación de distribución de poisson y una distribución continua.

Biblografia:
 Devore, J., 2018. Fundamentos de probabilidad y estadística. 1ra ed.
México: Cengage Learning, pp.124-131.
 Córdova Zamora, M. (2009). Estadística descriptiva e inferencial. 5a ed.
Lima: Moshera, pp.268-272.
 Wiśniewski, P., 2014. Estadística y probabilidad. 1ra. ed. México: Editorial
Trillas, pp.141-153.

Página | 13
4.5 DISTRIBUCION NORMAL
Introducción:
La distribución normal, también conocida como distribución gaussiana, es una de
las distribuciones de probabilidad más importantes en estadística. Es una
distribución continua que se utiliza para modelar fenómenos naturales, sociales y
científicos que tienden a concentrarse alrededor de un valor medio.
Características Principales
Forma de Campana: La distribución normal tiene una forma simétrica de campana,
donde la media, la mediana y la moda coinciden en el centro.

Parámetros: Media (𝜇 ): Indica la posición central de la distribución.

Desviación estándar (𝜎): Determina la dispersión o anchura de la campana. Una
desviación estándar mayor produce una distribución más dispersa.
Función de Densidad de Probabilidad (FDP): La fórmula para la función de
densidad es:

Donde
 X es la variable aleatoria.
 E es la base del logaritmo natural.
 Pi es el valor.

Simetría: La distribución es simétrica respecto a su media, lo que implica que la

probabilidad de obtener un valor menor o mayor que la media es igual.

Propiedades Clave
68-95-99.7: Aproximadamente:
El 68% de los datos cae dentro de 𝜇±1𝜎.
El 95% dentro de 𝜇±2
El 99.7% dentro de μ±3σ.

Página | 14
Aplicaciones de la Distribución Normal
La distribución normal es fundamental en muchas áreas:
 Ciencias naturales y sociales: Modelar fenómenos como alturas humanas,
puntuaciones de exámenes, errores de medición.
 Finanzas: Analizar rendimientos de activos financieros.
 Control de calidad: Monitorear variaciones en procesos de producción.

Esta distribución es un modelo matemático que permite determinar probabilidades

de ocurrencia para distintos valores de la variable.

Esta función tiene un comportamiento muy similar a la función , cuya

tabulación y gráfica son las siguientes:

-2 0.018315
-1 0.367879
-0.8 0.527292
-0.6 0.697676
-0.4 0.852143
-0.2 0.960789
0 1
0.2 0.960789
0.4 0.852143
0.6 0.697676
0.8 0.527292
1 0.367879
2 0.018315

De acuerdo con lo anterior, se aprecian las siguientes características:

1. Su dominio es
2. Es continua.
3. Su rango es
4.
5. Su derivada es:
6. El máximo de la función se ubica en el punto

Página | 15
Su aplicación más importante es que en la gráfica, el área sombreada
corresponde a la probabilidad de encontrar un valor de la variable que sea igual o
inferior a un valor dado. Esa probabilidad se determina usando una tabla
estandarizada.

Biblografia
http://prepa8.unam.mx/academia/colegios/matematicas/paginacolmate/applets/
matematicas_VI_12/Applets_Geogebra/disnormal.html

4.6 DISTRIBUCION T-STUDENT

La distribución t-Student es una distribución de probabilidad continua que se

utiliza principalmente en inferencia estadística, especialmente para trabajar con
muestras pequeñas y cuando la varianza poblacional es desconocida. Fue
desarrollada por William Sealy Gosset, quien publicó bajo el seudónimo
"Student".

Características Principales

*Simétrica y en Forma de Campana: Similar a la distribución normal, pero con

colas más gruesas, lo que refleja una mayor probabilidad de valores extremos.

*Grados de Libertad (𝑑𝑓): El parámetro clave de esta distribución es el número

de grados de libertad, que generalmente es df=n−1, donde n es el tamaño de la
muestra.

A medida que 𝑑𝑓aumenta, la distribución t-Student se aproxima a la distribución

normal.

pero su forma depende de 𝑑𝑓 y está definida por la función Gamma ( Γ).

*Función de Densidad de Probabilidad (FDP): La fórmula general es compleja,

Página | 16
La fórmula general para la T de Student es la siguiente:

En donde el numerador representa la diferencia a probar y el denominador la

desviación estándar de la diferencia llamado también Error Estándar. En esta
fórmula t representa al valor estadístico que estamos buscando X barra es el
promedio de la variable analizada de la muestra, y miu es el promedio poblacional
de la variable a estudiar. En el denominador tenemos a s como representativo de
la desviación estándar de la muestra y n el tamaño de ésta.

Grados de libertad: El número de grados de libertad es igual al tamaño de la

muestra (número de observaciones independientes) menos 1.

gl = df = (n – 1)

Si pudiera expresar en un cierto número de pasos para resolver un problema de t

de student tendría que declarar los siguientes:

Paso 1. Plantear las hipótesis nula (H0) y la hipótesis alternativa (H1). La hipótesis
alternativa plantea matemáticamente lo que queremos demostrar, en tanto que la
hipótesis nula plantea exactamente lo contrario.

Paso 2. Determinar el nivel de significancia (rango de aceptación de la hipótesis

alternativa), a .

Se considera un nivel alfa de: 0.05 para proyectos de investigación; 0.01 para
aseguramiento de la calidad; y 0.10 para estudios o encuestas de mercadotecnia.

Página | 17
Paso 3. Evidencia muestral, se calcula la media y la desviación estándar a partir
de la muestra.

Paso 4. Se aplica la distribución T de Student para calcular la probabilidad de error

por medio de la fórmula general presentada al principio y se contrasta con el valor
T obtenido de la tabla correspondiente.

Paso 5. En base a la evidencia disponible se acepta o se rechaza la hipótesis

alternativa. Si la probabilidad de error (p) es mayor que el nivel de significancia se
rechaza la hipótesis alternativa. Si la probabilidad de error (p) es menor que el
nivel de significancia se acepta la hipótesis alternativa.

Ejercicio 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 a 60. ¿Existe suficiente
evidencia para comprobar que no hay problemas de autoestima en el grupo
seleccionado?

Paso 1. Hipótesis alternativa: la que se va a comprobar. El grupo no tiene

problemas de autoestima. Valor de prueba para determinar autoestima mayor a
60. Hipótesis nula, lo contrario a la hipótesis alternativa.

H1 > 60;

H0 =< 60.

Paso 2. Determinar el nivel de significancia alfa: alfa = 0.05.

Paso 3. Resultados de la evidencia muestral: X = 62.1; s = 5.83

Paso 4. Aplicar la distribución de probabilidad calculando T:

El resultado de la ecuación es 1.8. Dado que 1.8 es mayor que 1.7109 cae en la
región de H1 y se acepta la hipótesis alternativa. Si buscamos el valor de 1.8 bajo
la curva normal encontraremos que es de 0.0359 el cual es menor que 0.05. La
conclusión es que no hay problemas de autoestima en el grupo estudiado. Esto
con el diseño de la investigación presentado.

Página | 18
Biblografia:
https://estadisticaeninvestigacion.wordpress.com/distribucion-t-de-student/

4.5 DISTRIBUCION CHI CUADRADA.

La distribución Chi cuadrada 𝜒2 ) es una distribución de probabilidad continua que
se utiliza ampliamente en estadística, especialmente en la realización de pruebas

cuadrados de 𝑘 variables aleatorias independientes que siguen una distribución

de hipótesis y en el análisis de varianza. Se obtiene como la suma de los

normal estándar.

Características Principales
Asimétrica: La distribución Chi cuadrada es asimétrica, con una cola a la derecha.
Sin embargo, a medida que aumentan los grados de libertad, la distribución se
vuelve más simétrica.
Grados de Libertad (𝑘): El parámetro clave de la distribución es el número de
grados de libertad (𝑘), que determina la forma de la distribución.
Rango: La distribución Chi cuadrada solo toma valores no negativos (x≥0).
Función de Densidad de Probabilidad (FDP): La función de densidad de la
distribución Chi cuadrada está dada por:

es un procedimiento estadístico utilizado para determinar si existe una diferencia

significativa entre los resultados esperados y los observados en una o más
categorías.
Se trata de una prueba no paramétrica que es utilizada por los investigadores para
examinar las diferencias entre variables categóricas en la misma población.
También puede utilizarse para validar o proporcionar un contexto adicional para las
frecuencias observadas.
La idea básica de la prueba es que se comparan los valores de los datos reales
con lo que se esperaría si la hipótesis nula fuera cierta.
De esta forma, se busca determinar si una diferencia entre los datos observados y
los esperados se debe al azar, o si se debe a una relación entre las variables que
se están estudiando.

Página | 19
Se puede ver que la curva azul con 8 grados de libertad es en cierto modo similar
a la curva normal (la conocida curva de campana). Sin embargo, la cola de la
derecha es más larga que en el caso de una distribución normal, y no es simétrica.
Compare la curva azul con la naranja, con 4 grados de libertad. La curva naranja
es muy diferente de una curva normal. La curva violeta tiene 3 grados de libertad y
se parece aún menos a una curva normal que las otras dos.

Cuanto mayor sea el número de grados de libertad para una distribución ji

cuadrado, más se parecerá a una distribución normal.
Cuando los grados de libertad son 30 o más, la distribución de chi-cuadrada
puede aproximarse razonablemente con una distribución normal, como se
ilustra en las siguientes gráficas:

Distribución de chi-cuadrada con 20 grados de libertad

Página | 20
Distribución de chi-cuadrada con 40 grados de libertad

Biblografia:
https://www.questionpro.com/blog/es/prueba-de-chi-cuadrado-de-pearson/
https://support.minitab.com/es-mx/minitab/help-and-how-to/probability-
distributions-random-data-and-resampling-analyses/supporting-topics/
distributions/chi-square-distribution/

4.7 DISTRIBUCION F.
La distribución F es una distribución de probabilidad continua utilizada
principalmente en la comparación de varianzas y en pruebas de hipótesis, como el
análisis de varianza (ANOVA). Se obtiene como la razón de dos distribuciones Chi
cuadrada independientes, normalizadas por sus respectivos grados de libertad.

Características Principales
Asimétrica: La distribución F es asimétrica, con una cola hacia la derecha. A
medida que aumentan los grados de libertad, se vuelve más simétrica.

Página | 21
Dos Parámetros: Está definida por dos conjuntos de grados de libertad:
𝑑1 : Grados de libertad del numerador.
𝑑2: Grados de libertad del denominador.
Función de Densidad de Probabilidad (FDP): La función de densidad de
probabilidad de la distribución F está dada por:

Su principal función reside en la prueba de hipótesis, específicamente en la

prueba F de Snedecor, utilizada para determinar si la variabilidad de un conjunto
de datos es significativamente mayor que la de otro.

Esta prueba es muy utilizada en diversos campos, como:

Análisis de varianza (ANOVA): Permite comparar la variabilidad entre grupos en

un experimento, determinando si las diferencias observadas son atribuibles a
factores aleatorios o a características intrínsecas de los grupos.
Regresión lineal: Evalúa la significancia de los coeficientes de regresión en un
modelo, determinando si estos coeficientes tienen un impacto real en la variable
dependiente.
Diseño de experimentos: Ayuda a seleccionar el tamaño de muestra adecuado
para un experimento, garantizando que se tenga suficiente potencia estadística
para detectar diferencias significativas.
El valor F, resultado de la prueba F de Snedecor, se representa como F = Varianza
1 / Varianza 2, donde Varianza 1 y Varianza 2 corresponden a las varianzas de los
dos conjuntos de datos que se comparan.

Valores F altos: Indican que la variabilidad del primer conjunto de datos es mayor
que la del segundo, lo que podría sugerir la existencia de diferencias significativas
entre ambos.
Valores F bajos: Sugieren que la variabilidad de ambos conjuntos de datos es
similar, lo que no evidencia diferencias significativas.

Página | 22
Ejemplos prácticos de la distribución F
Imaginemos un estudio que compara el rendimiento académico de dos grupos de
estudiantes: uno que recibió un método de enseñanza innovador y otro que siguió
el método tradicional.

La distribución F se puede utilizar para determinar si el método innovador tuvo un

impacto significativamente positivo en el rendimiento de los estudiantes.

Otro ejemplo podría ser un modelo de aprendizaje automático que predice el

precio de las viviendas. En este caso se podría utilizar la distribución F para
seleccionar las características más relevantes, como el tamaño, la ubicación o la
cantidad de habitaciones, para mejorar la precisión del modelo.
Biblografia
https://www.educaopen.com/digital-lab/metaterminos/d/distribucion-f
https://www.uv.es/ceaces/normaMu/f/f.ht

Página | 23