ESTADISTICA

DISTRIBUCIONES DE
PROBABILIDAD CONTINUA
PARTE II

INTEGRANTES :
- PONGO FLORES, CAMILA 2014 -128022
- CYNTHIA CUADROS OBANDO 2014 -128041
- ANTONIA MENDOZA CH. 2013 -38064

AÑO :
CUARTO AÑO - GRUPO (B)

CURSO :
PLANEAMIENTO URBANO II
CURSO :
ESTADISTICA

CURSO :
PLANEAMIENTO URBANO II
CATEDRA :
ING. CESAR DIEGO MELÉNDEZ DOMINGUEZ

CURSO :
PLANEAMIENTO URBANO II
FECHA :
17 / 06 /2017
FIAG – ESAQ

CURSO :
PLANEAMIENT
O URBANO II

TACNA – PERU
2017
1
CURSO :
PLANEA
MIENTO
URBANO II
ÍNDICE

1. INTRODUCCION …………………………………………………………. pág. ( 04 )

2. OBJETIVOS …………………………………………………….................. pág. ( 05)

3. CONCEPTOS BASICOS ………………………………………….................. pág. ( 05)

4. FUNDAMENTOS TEÓRICOS…………………………………………… pág. ( 05 )

4.1. DISTRIBUCIÓN ( T ) DE STUDENT ……………………….. ........ …….. pág. ( 05 )

4.1.1. ANTECEDENTES.………………………...………………………………….. pág. ( 05 )
4.1.2. DEFINICION Y USOS.………………………...…………………….. ……. pág. ( 05 )
4.1.3. CARACTERISTICAS .………………………...…………………………….. pág. ( 05 )
4.1.4. CÓMO DIFERENCIARLA DE LAS OTRAS DISTRIBUCIONES. … pág. ( 05 )
4.1.5. TEORÍA DE PEQUEÑAS MUESTRAS.………...…………….......... pág. ( 05 )
4.1.6. PROPIEDADES.………………………...……………………………… pág. ( 05 )
4.1.7. CALCULO DE LA DISTRIBUCIÓN T DE STUDENT………………. pág. ( 05 )
4.1.8. TABLA T DE STUDENT TEORIA DE LAS PEQUEÑAS MUESTRAS pág. ( 05)
4.1.9. IMPORTANCIA.………………………...……………………………........... pág. ( 05 )

5. 𝑿𝟐 JI CUADRADA O DISTR. DE PEARSON...................................…….. pág. ( 05 )

5.1.1. DEFINICION .………………………...…………… pág. ( 05 )
5.1.2. PARAMETROS .………………………...…………… pág. ( 05 )
5.1.3. PROPIEDADES .………………………...…………… pág. ( 05 )
5.1.4. CALCULO DE PROBABILIDADES EN X2

5.2. DISTRIBUCION F …………………………………………..…….. pág. ( 06 )

5.2.1. ¿QUÉ ES UNA…..? .………………………...…………… pág. ( 05 )
5.2.2. ¿QUÉ ES UNA…..? .………………………...…………… pág. ( 05 )
5.2.3. ¿QUÉ ES UNA…..? .………………………...…………… pág. ( 05 )

6. EJERCICIOS RESUELTOS…………………………………………...…………… pág. ( 15 )

7. CONCLUSIONES………………………………………………………………........ pág. ( 25 )

8. BIBLIOGRAFÍA……………………………………………………………………… pág. (26 )

2
1. INTRODUCCIÓN

En el presente trabajo se habla de las DISTRIBUCIONES DE

PROBABILIDAD CONTINUA, se estudiarán algunas variables aleatorias
continuas particulares cuya distribución de probabilidades se conoce.

También se conocerán las principales distribuciones continuas y las

distribuciones muestrales asociadas a ellas, ya que
una distribución de probabilidad indica toda la gama de valores que
pueden representarse como resultado de un experimento. Una
distribución de probabilidad es similar al distribución de frecuencias
relativas.

Sin embargo, en vez de describir el pasado, describe la probabilidad

que un evento se realice en el futuro, constituye una herramienta
fundamental para la prospectiva, puesto que se puede diseñar un
escenario de acontecimientos futuros considerando las tendencias
actuales de diversos fenómenos naturales.

Las decisiones estadísticas basadas en la estadística inferencial son

fundamentales en la investigación que son evaluadas en términos de
distribución de probabilidades.

En el presente trabajo, se estudia de manera ágil los diverso tipos de

distribución probabilística, caracterizaremos cada distribución, la
fundamentación matemática de los diversos resultados no se
enfocaran en el presente trabajo; sólo me limitaré al estudio
descriptivo de la distribución de probabilidades discretas , todo este
tipo de información además de ejercicios y ejemplos de aplicación se
encontrara en el siguiente trabajo que se desarrollara a continuación.

3
 DISTRIBUCIONES DE PROBABILIDAD CONTINUA PARTE II

2. OBJETIVOS
 Conocer los conceptos y aplicaciones de las principales distribuciones continuas, mediante una
investigación bibliográfica para saber la función que cumplen y su respectivo entendimiento.
 Validar las hipótesis sobre la distribución teórica en la población que se realiza en la estadística
paramétrica, i.e., contrastes de hipótesis, intervalos de confianza, regresión lineal, etc.

 Antonia Conocer los conceptos y aplicaciones de las principales distribuciones continuas,

mediante una investigación bibliográfica para saber la función que cumplen y su respectivo
entendimiento.

3. CONCEPTOS BASICOS
3.1. DEFINICION :

En teoría de la probabilidad una distribución de probabilidad se llama continua si su función de

distribución es continua. Una distribución de probabilidad es continua, es decir, de variables
cuantitativas que pueden tomar cualquier valor, y que resultan principalmente del proceso de
medición. Continuas se refiere cuando los resultados posibles del experimento son obtenidos de
variables aleatorias puede asumir un número infinito de valores, que son resultado de una medición.
Por ejemplo, el valor de la temperatura media del aire en intervalos dados de tiempo.

3.2. USOS:

La distribución continua de probabilidad más importante en todo el campo de la estadística es la

distribución normal, describe aproximadamente muchos fenómenos que ocurren en la naturaleza, la
industria y la investigación. Las mediciones físicas en áreas como los experimentos meteorológicos,
estudios de la lluvia y mediciones de partes fabricadas a menudo se explican más adecuadamente con
la distribución normal.

3.3. GRAFICA:

Distribución de probabilidad para una variable aleatoria

continúa, su gráfica, que se denomina curva normal, es la curva
con forma de campana. El modelo probabilístico para la
distribución de frecuencias de una variable aleatoria continua
implica la selección de una curva, generalmente regular o
aislada, a la que se llama distribución de probabilidad o función
de densidad de probabilidad de una variable aleatoria. Si la
ecuación de esta distribución de probabilidad continua es f(x),
entonces la probabilidad de que x esté en el intervalo a < x < b es el área bajo la curva de distribución
para f(x) entre los dos puntos a y b. Una vez que conocemos la ecuación f(x) de una distribución de
probabilidad particular se pueden encontrar probabilidades específicas, por ejemplo, la probabilidad
de que x esté en el intervalo a < x <b, de dos maneras. Podemos graficar la ecuación y utilizar métodos

4
 numéricos para aproximar el área sobre el intervalo a < x < b. Este cálculo puede realizarse utilizando
métodos muy aproximados o una computadora para obtener cualquier grado de precisión.

4. FUNDAMENTOS TEÓRICOS

4.1. 𝑻 𝑺𝑻𝑼𝑫𝑬𝑵𝑻

4.1.1. ANTECEDENTES
La distribución T de student fue descubierta por William S.
Gosset en 1908. Gosset era un estadístico empleado por la
compañía de cerveza Guinness Irlandesa que desaprobaba la
publicación de investigaciones de sus empleados. Para evadir
esta prohibición, publico su trabajo en secreto bajo el nombre
de “Student”. En consecuencia la distribución de T normalmente
se llama distribución de t de Student o simplemente t. Lo
interesante del caso es que su trabajo estaba enfocado al control de calidad de la cerveza. En el pasado
otros investigadores de la compañía Guinness habían publicado artículos en los que se divulgaban secretos
o información confidencial sobre el proceso de la cerveza y por eso se obligó a Gosset a aceptar la cláusula.

4.1.2. DEFINICION Y USOS

En muchas ocasiones no se conoce 𝜎 y el número de observaciones en Ia muestra es menor de 30. En estos
casos. Se puede utilizar Ia desviación estándar de Ia muestra S como una estimación de 𝜎, pero no es posible
usar Ia distribución Z como estadístico de prueba. El estadístico de prueba adecuado es Ia distribución t. A
veces es necesario hacer análisis de muestras pequeñas por razones de tiempo y reducción de costos, para
ello fue descubierta Ia distribución T por William Gosset, un especialista en estadística, que Ia publicó en
1908 con el seudónimo de Distribución T Student.

a) Para determinar el intervalo de confianza dentro del cual se puede estimar Ia media de una
población a partir de muestras pequeña (n < 30).
b) Para probar hipótesis cuando una investigación se basa en muestreo pequeño.
c) Para probar si dos muestras provienen de una misma población.

4.1.3. CARACTERISTICAS

 En muchas ocasiones no se conoce σ y el número de observaciones en la muestra n < 30. En estos

casos, se puede utilizar la desviación estándar de la muestra s como
una estimación de σ, pero no es posible usar la distribución Z como
estadístico de prueba. El estadístico de prueba adecuado es la
distribución
 Sus aplicaciones en la inferencia estadística son para estimar y
probar una media y una diferencia de medias (independiente y
pareada).
 Cada curva t m tiene forma acampanada con centro en 0.
 Cada curva t m es más dispersa que la curva normal estándar.
 Conforme aumenta m, la dispersión de la curva t m disminuye.
 A medida que m , la curva t m se aproxima a la curva
normal estándar. se aproxima a la curva normal estándar.
5
 4.1.4. CÓMO DIFERENCIARLA DE LAS OTRAS DISTRIBUCIONES

 La distribución de T es similar a la distribución de Z, pues ambas son simétricas alrededor de una media
de cero. Ambas tiene distribuciones de campana pero la distribución t es más variable debido a que
tienen fluctuaciones en 2 cantidades.
 La distribución de T difiere de la de Z en que la varianza de T depende del tamaño de la muestra n y
siempre es mayor a 1, únicamente cuando n tiende a ∞ las dos distribuciones serán iguales.

4.1.5. TEORÍA DE PEQUEÑAS MUESTRAS

En probabilidad y estadística, Ia distribución-t o distribución t de Student es una distribución de

probabilidad que surge del problema de estimar Ia media de una población normalmente distribuida
cuando el tamaño de Ia muestra es pequeño. A Ia teoría de pequeñas muestras también se le llama
teoría exacta del muestreo, ya que también Ia podemos utilizar con muestras aleatorias de tamaño
grande. Veremos un nuevo concepto necesario para poder entender la distribución t Student. Este
concepto es “grados de libertad”. Para definir grados de libertad se hará referencia a Ia varianza
maestral:

4.1.6. PROPIEDADES

 Cada curva t tiene forma de campana con centro en 0.

 Cada curva t, está más dispersa que Ia curva normal
estándar.
 A medida que k aumenta, Ia dispersión de Ia curva t
correspondiente disminuye.
 A medida que k-> ∞, la secuencia de curvas t se aproxima
a Ia curva normal estándar
 La distribución t tiene una varianza mayor a 1, pero en
la medida en que aumentan los grados de libertad, el

6
 valorde la varianza se aproxima a 1, lo cual lleva a que ladistribucion t se aproxime a la distribución
normal en la medida que aumenta el valor de los grados de libertad.
4.1.7. CALCULO DE LA DISTRIBUCIÓN T DE STUDENT

 La Prueba de Hipótesis para medias usando Distribución t de Student se usa cuando se

cumplen las siguientes dos condiciones:
 Es posible calcular las media y la desviación estándar a partir de la muestra.
 El tamaño de la muestra es menor a 30.
 El procedimiento obedece a los 5 pasos esenciales:

PASO 1: Plantear Hipótesis Nula (Ho) e Hipótesis Alternativa (Hi).La Hipótesis alternativa plantea
matemáticamente lo que queremos demostrar.La Hipótesis nula plantea exactamente lo contrario.
PASO 2:
Determinar Nivel de Significancia. (Rango de aceptación de hipótesis alternativa).
Se considera: (0.05 para proyectos de investigación), (0.01 para aseguramiento de calidad.), (0.10 para
encuestas de mercadotecnia y políticas.)
PASO 3: Evidencia Maestral. 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 (P) por medio de
la fórmula. En base a la evidencia disponible se acepta o se rechaza la hipótesis alternativa.

4.1.8. TABLA T DE STUDENT Y TEORIA DE LAS PEQUEÑAS MUESTRAS

La tabla de distribución t es más compacta que z y muestra las áreas y valores de t para unos cuantos
porcentajes exclusivamente (10%,5%,2% y 1%)
Una segunda diferencia de la tabla es que no se centra en la probabilidad de que el parámetro de la
población que está siendo estimado caiga dentro del intervalo de confianza. Por el contrario, mide la
probabilidad de que ese parámetro no caiga dentro del intervalo de confianza
Una tercera diferencia en el empleo de la tabla consiste en que hemos de especificar los grados de
libertad con que estamos trabajando.
¿CÓMO SE USA LA TABLA DE LA DISTRIBUCIÓN T-STUDENT?
Supongamos un riesgo del 5% ( o un nivel de confianza del 95% ), α=0.05, y grados de libertad ν=10.
Utilizaremos α/2 ya que dejamos el mismo espacio correspondiente a la región de rechazo por ambos
lados. ¿Cuál es el valor, pues, de 2 0.975,10 t ? Se busca la intersección y el resultado es 2.228. Éste es
el valor crítico para rechazar la hipótesis alternativa.
USOS DE LA TABLA DE DISTRIBUCION T
 Los grados de libertad de una t de Student se indicaran como v.

7
  De manera análoga a la definición utilizada para la Normal, si X es una tv,α de Student con v
grados de libertad, entonces:
 El valor tv,α se busca en las tablas de la t de Student.
 La tabla que utilizamos recoge los valores de distintos cuantiles para distintos
grados de libertad.

4.1.9. IMPORTANCIA

Si al aplicar muestreo no es posible extraer muestras mayores a 30 elementos, la utilización de la

distribución normal presenta grandes riesgos estadísticos. Para ello, la teoría de pequeñas muestras
presenta como alternativa a la distribución t- student, en el entendido de que conforme el tamaño de
la muestra tienda a 30 elementos, la distribución t-student tiende a la distribución normal. Por ello es
8
 importante el estudiar la distribución T de student ya que toda inferencia estadística que se desee
realizar con muestras pequeñas tiene más validez si se hace con la distribución t-student.

4.2. 𝑿𝟐 JI CUADRADA O DISTR. DE PEARSON

4.2.1 DEFINICION

En estadística, la distribución de Pearson, llamada

también ji cuadrada(o) o chi cuadrado(a) (χ²), es
una distribución de probabilidad continua con un
parámetro que representa los grados de
libertad de la variable aleatoria
Se define con la sgt. expresión

Donde:
Zi= variable independiente
K o n = grado de libertad

Definición formal:
Zi < N(0,1)

MEDIA DESVIACION ESTANDAR

4.2.2 PARÁMETROS

A) CAMPO DE VARIACIÓN
Si:

𝑍𝑖 2 ≥ 0 𝑋 2 = 𝑍12 + 𝑍22 + 𝑍32 + …+ 𝑍𝑛2 ≥ 0

B) FUNCIÓN DENSIDAD DE PROBABILIDAD f(x)

𝑏
P( a < 𝑋 2 (n) ≤ 𝑏) = ∫𝑎 𝑓(𝑥)𝑑𝑥

USO DE TABLA DE CONTINGENCIA O DE DISTR. DE CHI CUADRADO

Donde: 𝛾 es la función gamma

9
4.2.3 PROPIEDADES

1) f(x) ≥ 𝟎
+∞
2) ∫𝟎 𝒇(𝒙)𝒅𝒙 = 𝟏 SUCESO

En forma gráfica:
3) ↑ 𝒏 → 𝒙𝟐 (𝒏) ≈ 𝑵𝒐𝒓𝒎𝒂𝒍

n≥ 30

4.3 CALCULO DE PROBABILIDADES EN X2

CASO 1:

P ( 𝑋 2 (5) ≥ 6.63) = 0.25 = 25%

CASO 2:

P ( 𝑋 2 (8) < 3.49) = 1 - P ( 𝑋 2 (8) ≥ 3.49)

= 1- 0.9 = 0.1

10
 CASO 3:
P ( 11.59 < 𝑋 2 (21) ≤ 20.34)
=P (𝑋 2 (21) ≥ 11.59) – P(X2(21) ≥ 20.34
=0.95 – 0.50= 0.45= 45%

4.3. DISTRIBUCION F

 Antonia

11
5. EJERCICIOS DE APLICACION

A) EJERCICIO DE T STUNDENT:

PROBLEMASe 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.

ENCONTRANDO T
t= Una confianza del 99% con (n-1)
grados de libertad.
GL=16-1=15

DATOS
n= 16
X=13 minutos
S= 5.6 minutos x=x± t s .
t=2.947
√n
Tiempo medio requerido para realizar el trabajo será entre 8.88 y 17.12 minutos con
una certeza del 99%.

∂=13±2.947(5.6/√16)
∂=13±4.12
∂1=17.12 minutos
∂2=8.88 minutos

La siguiente figura presenta Ia gráfica de varias distribuciones t. La apariencia

general de Ia distribución t es similar a Ia de Ia distribución normal estándar: ambas
son simétricas y unimodales, y el valor máximo de Ia ordenada se alcanza en Ia media
µ = O.
12
 B) EJERCICIO 𝑿𝟐 JI CUADRADA O DISTR. DE PEARSON

EJERCICIO 1
Un investigador quiere estudiar si hay asociación entre la práctica deportiva y la sensación
de bienestar. Extrae una muestra aleatoria de 100 sujetos. Los datos aparecen a
continuación.
Sensación de Práctica deportiva Total
Bienestar
Sí no

Sí 20 25 45

No 10 45 55

Total 30 70 100

Contraste la hipótesis de independencia entre bienestar y práctica de deporte (alfa = 0,01).

SOLUCIÓN
1° Calculemos las frecuencias esperadas:
f i. f. j
eij 
n

eij
= Frecuencia esperada
o teorica
Ho = No hay asociación entre la práctica deportiva
y la sensación de bienestar
f i. = total de la frecuencia
HIPOTESIS

= total de la frecuencia
f. j j Hi = Si hay una asociación entre la práctica
deportiva y la sensación de bienestar

= total de nro de datos

n

Sensación de bienestar Práctica deportiva

Sí No

Sí (45x30)/100=13,5 (45x70)/100=31,5

No (55x30)/100=16,5 (55x70)/100=38,5

13
 2) Determinamos los grados de libertad, son:

K = (número de fila-1)x(número de columnas-1)

= (2-1)x(2-1) = 1

3) Calculamos chi cuadrado:

( f ij  eij ) 2 (𝑓 − 𝑓𝑒)2
 2  
2
𝑥 =∑
eij 𝑓𝑒
i j

Donde
• fe= Frecuencia esperada o teorica
• f= frecuencia
• X2 = chi cuadrado

Sensación de bienestar Práctica deportiva

Sí No

Sí 3,1296 1,3413

No 2,5606 1,0974

exp
2
 3,1296  1,3413  2,5606  1,0974  8,13

Tenemos:
 exp
2
 8,13

4) Ahora calculemos el valor de la tabla Chi-cuadrado

a) grados de libertad, es:

K=1

b) El valor alfa 0,01

c) El valor que buscamos

 g2.l .;  12;0,01  6,64
|
Tenemos:

Por tanto, comparamos: SIGNIFICADO en el ejemplo: La

práctica deportiva y la sensación 14
de bienestar estás asociadas.
exp
2
 12;0,01


SIGNIFICADO: Las variables no son independientes
SE DEBE CUMPLIR QUE:
Ho
Si:
X2 calculado > X2 tabla
Hi

C) EJERCICIO DISTR. F

Antonia

15
6. CONCLUSIONES
 Es una distribución de probabilidad que se usa cuando el tamaño de la muestra es menor de
30 datos, no se conoce la desviación estándar de la población y cuando la población de la que
se extrae la muestra es normal.
 La distribución T student, tiene forma acampanada. Sus aplicaciones en la inferencia
estadística son para estimar y probar una media y una diferencia de medias (independiente
y pareada).
 El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad del mismo
nombre, sirve para someter a prueba hipótesis referidas a distribuciones de frecuencias. En
términos generales, esta prueba contrasta frecuencias observadas con las frecuencias
esperadas de acuerdo con la hipótesis nula.

7. FUENTES BIBLIOGRAFICAS
 DEVORE, J. L., "Probabilidad y Estadística para Ingeniería y Ciencias". Grupo Editorial
International Thon Editores.
 FREUND, J. F., MILLER, I., MILLER, M. "Estadística Matemática con Aplicaciones". Grupo
Editorial Prentice Hall.
 McCLAVE, S., "Probabilidad y Estadística para Ingeniería". Grupo Editorial Iberoamericana.
 MENDELHALL, W., WACKERLY, D., ACHEAFFER, R. "Estadística Matemática con Aplicaciones".
Segunda Edición. Grupo Editorial Iberoamericana. México. 1994.
 MILLER, I., FREUND, J. E., JOHNSON, R. A. "Probabilidad y Estadística para Ingenieros". Quinta
Edición. Prentice Hall Hispanoamericana. México. 1997.
 MONTGOMERY, D. C., RUNGER, G. C. "Probabilidad y Estadística Aplicada a la Ingeniería".
Primera Edición. McGraw Hill. México. 1996.
 Introducción a la Bioestadística. Robert R. Sokal& F. James Rohlf.
 http://www.fcv.unlp.edu.ar/sitios- cátedras/2/material/Distribucion%20de%20Ji.pdf
 http://www.scribd.com/doc/6703611/Ji-Cuadrado
 http://www.naumkreiman.com.ar/test_ji_cuadrado.html
 http://www.monografias.com/trabajos27/hipotesis/hipotesis.shtml

16