1.

Distribución exponencial
La distribución gamma especial para la que α = 1 se llama distribución
exponencial.
Resulta que la distribución exponencial es un caso especial de la distribución
gamma, y ambas tienen un gran número de aplicaciones. La distribución
exponencial y la distribución gamma desempeñan un papel importante en la teoría
de colas y en problemas de confiabilidad. Los tiempos entre llegadas en
instalaciones de servicio y los tiempos de operación antes de que partes
componentes y sistemas eléctricos empiecen a fallar a menudo se representan
bien mediante la distribución exponencial. La relación entre la distribución gamma
y la exponencial permite que la gamma se utilice en problemas similares.
En la explicación anterior establecimos las bases para la aplicación de la
distribución exponencial en el “tiempo de llegada” o tiempo para problemas con
eventos de Poisson. Aquí ilustraremos algunas aplicaciones de modelado y
después procederemos a analizar el papel que la distribución gamma desempeña
en ellas. Observe que la media de la distribución exponencial es el parámetro β, el
recíproco del parámetro en la distribución de Poisson. El lector debería recordar
que con frecuencia se dice que la distribución de Poisson no tiene memoria, lo
cual implica que las ocurrencias en periodos sucesivos son independientes. El
importante parámetro β es el tiempo promedio entre eventos. En la teoría de
confiabilidad, donde la falla de equipo con frecuencia se ajusta a este proceso de
Poisson, β se denomina tiempo medio entre fallas. Muchas descomposturas de
equipo siguen el proceso de Poisson y por ello se aplica la distribución
exponencial. Otras aplicaciones incluyen tiempos de supervivencia en
experimentos biomédicos y tiempo de respuesta de computadoras.
La media y la varianza de la distribución exponencial son μ = β y σ 2 = β2.
Problema 1
Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de
operación antes de fallar, en años, está dado por T. La variable aleatoria T se
modela bien mediante la distribución exponencial con tiempo medio de operación
antes de fallar β = 5. Si se instalan 5 de estos componentes en diferentes
sistemas, ¿Cuál es la probabilidad de que al final de 8 años al menos dos aún
funcionen? Con λ = 1/β.
Solución en Excel:
a) Calculamos lambda
λ = 1/β
λ = 1/5
λ = 0.2
b) Aplicamos la fórmula de Excel
 =DISTR.EXP.N(x; lambda; acum)
=DISTR.EXP.N(8; 0.2; 1)
=0.2019
Este es la probabilidad de que un componente determinado siga funcionando
después de 8 años.

c) Encontramos la probabilidad de que al final de 8 años al menos dos aún

funcionen

=DISTR.BINOM.N(núm_éxito; ensayos; prob_éxito;acumulado)

=1-DISTR.BINOM.N(1;5;0.2;1) **
=0.2666

**El 0.2 es la probabilidad obtenida en el paso b.

Problema 2

Hank estima que tarda un promedio de cuatro minutos en atender a cada cliente, y
los tiempos de servicio siguen una función exponencial. Hank tiene una cita para
comer de modo que desea hallar la probabilidad de que le tome menos de 3
minutos en atender al siguiente cliente. Con λ = 1/β.
Solución en Excel:
a) Calculamos lambda
λ = 1/β
λ = 1/4
λ = 0.25

b) Aplicamos la fórmula de excel

=DISTR.EXP.N(x; lambda; acum)
=DISTR.EXP.N(3; 0.25; 1)
=0.5216

2. Distribución chi cuadrada

Otro caso especial muy importante de la distribución gamma se obtiene al permitir
que α = v/2 y β = 2, donde v es un entero positivo. Este resultado se conoce como
distribución chi cuadrada. La distribución tiene un solo parámetro, v, denominado
grados de libertad.
La distribución chi cuadrada desempeña un papel fundamental en la inferencia
estadística. Tiene una aplicación considerable tanto en la metodología como en la
teoría. La distribución chi cuadrada es un componente importante de la prueba
estadística de hipótesis y de la estimación estadística. Los temas en los que se
trata con distribuciones de muestreo, análisis de varianza y estadística no
paramétrica implican el uso extenso de la distribución chi cuadrada. La media y la
varianza de la distribución chi cuadrada son μ = v y σ 2= 2v.

Problema 1
Sea la variable X que sigue una distribución chi cuadrada con 15 grados de
libertad. Determinar: la probabilidad de que 2<x<8; la probabilidad de que x>6; la
probabilidad de que x<11; la probabilidad de que x<x es 0.975, ¿Cuál es el valor
de x?
Solución en Excel
a) =DISTR.CHICUAD(x2;grados_de_libertad;acum)-
DISTR.CHICUAD(x1;grados_de_libertad;acum)
=DISTR.CHICUAD(8;15;1)-DISTR.CHICUAD(2;15;1)
= 0.0762-0.00003
=0.0762

b) =1-DISTR.CHICUAD(x;grados_de_libertad;acum)
=1-DISTR.CHICUAD(6;15;1)
=1- 0.0203
= 0.9797

c) =DISTR.CHICUAD(x;grados_de_libertad;acum)
=DISTR.CHICUAD(10;15;1)
= 0.1803

d) =INV.CHICUAD(probabilidad;grados_de_libertad)
=INV.CHICUAD(0.975;15)
= 27.4884
= 27

Problema 2
Sea la variable X que sigue una distribución chi cuadrada con 18 grados de
libertad. Determinar: la probabilidad de que 9<x<13.
Solución en Excel
a) =DISTR.CHICUAD(x2;grados_de_libertad;acum)-
DISTR.CHICUAD(x1;grados_de_libertad;acum)
=DISTR.CHICUAD(13;18;1)-DISTR.CHICUAD(9;18;1)
= 0.2084-0.0404
 =0.1682
Distribución de muestreo
 Distribución muestral de la media.
La distribución muestral de un estadístico depende de la distribución de la
población, del tamaño de las muestras y del método de selección de las
muestras. En lo que resta de este capítulo estudiaremos varias de las
distribuciones muestrales más importantes de los estadísticos que se
utilizan con frecuencia. Las aplicaciones de tales distribuciones muestrales
a problemas de inferencia estadística se consideran en la mayoría de los
capítulos posteriores. La distribución de probabilidad de Xˉ se llama
distribución muestral de la media.
Se deberían considerar las distribuciones muestrales de  y S2 como los
mecanismos a partir de los cuales se puede hacer inferencias acerca de los
parámetros μ y σ2. La distribución muestral de  con tamaño muestral n es
la distribución que resulta cuando un experimento se lleva a cabo una y otra
vez (siempre con una muestra de tamaño n) y resultan los diversos valores
de . Por lo tanto, esta distribución muestral describe la variabilidad de los
promedios muestrales alrededor de la media de la población μ. En el caso
de la máquina despachadora de bebidas, el conocer la distribución muestral
de  le permite al analista encontrar una discrepancia “típica” entre un
valor  observado y el verdadero valor de μ. Se aplica el mismo principio
en el caso de la distribución de S2. La distribución muestral produce
información acerca de la variabilidad de los valores de S 2 alrededor de σ2
en experimentos que se repiten.
x−µ
Z=
σ /√n
Problema 1
Una empresa de material eléctrico fabrica bombillas que tienen una duración que
se distribuye aproximadamente en forma normal, con media de 800 horas y
desviación estándar de 40 horas. Calcule a) La probabilidad de que una muestra
aleatoria de 35 bombillas tenga una vida promedio de menos de 790 horas. b) La
probabilidad de que una muestra aleatoria de 35 bombillas tenga una vida
promedio mayor de 790 horas.
Solución en Excel
a) Encontramos el valor de z
=( x- µ)/(σ/RAIZ(n))
=(790-800)/(40/RAIZ(35))
= -1.4790

Aplicamos la fórmula de Excel

 =DISTR.NORM.ESTAND.N(z;acumulado)
=DISTR.NORM.ESTAND.N(-1.4790;1)
= 0.0696

b) =1- DISTR.NORM.ESTAND.N(z;acumulado)
=1- DISTR.NORM.ESTAND.N(-1.4790;1)
=0.9304

Problema 2
El viaje en un autobús especial para ir de un campus de una universidad al
campus de otra en una ciudad toma, en promedio, 28 minutos, con una desviación
estándar de 5 minutos. En cierta semana un autobús hizo el viaje 40 veces. ¿Cuál
es la probabilidad de que el tiempo promedio del viaje sea mayor a 30 minutos?
Suponga que el tiempo promedio se redondea al entero más cercano.
Solución en Excel
a) Calculamos z
=( x- µ)/(σ/RAIZ(n))
=( 31- 28)/(5/RAIZ(40))
=3.7947

Aplicamos la fórmula de Excel

=1- DISTR.NORM.ESTAND.N(z;acumulado)
=1- DISTR.NORM.ESTAND.N(3.7947;1)
=0.0001

 Distribución muestral de la diferencia de dos promedios.

Un científico o ingeniero se podrían interesar en un experimento donde se
comparan dos métodos de producción: el 1 y el 2. La base para tal
comparación es μ1 – μ2, la diferencia entre las medias de población.
Suponga que tenemos dos poblaciones, la primera con media μ 1 y varianza
σ12, y la segunda con media μ 2 y varianza σ22. Representemos con el
estadístico 1 la media de una muestra aleatoria de tamaño n 1,
seleccionada de la primera población, y con el estadístico 2 la media de
una muestra aleatoria de tamaño n 2 seleccionada de la segunda población,
independiente de la muestra de la primera población. ¿Qué podríamos decir
acerca de la distribución muestral de la diferencia 1 – 2 para muestras
repetidas de tamaños n1 y n2? Tanto la variable 1 como la variable 2
están distribuidas más o menos de forma normal con medias μ1 y μ2 y
varianzas σ12/ n1 y σ σ22/ n2, respectivamente. Esta aproximación mejora a
 medida que aumentan n1 y n2. Al elegir muestras independientes de las dos
poblaciones nos aseguramos de que las variables 1 y 2 sean
independientes y, con a1 = 1 y a2= –1, concluimos que 1 – 2 se distribuye
aproximadamente de forma normal con media

y varianza

Problema 1
Las estaturas de ciertos estudiantes están distribuidas aproximadamente en forma
normal con una media de 174.5cm y una desviación estándar de 6.9cm. Si se
extrae una muestra aleatoria de tamaño 35 sin reemplazo de esta población,
determine a) La probabilidad de que la media de la muestra se encuentre entre
172.5cm y 175.8cm. b) La probabilidad de que la media de la muestra se
encuentre debajo de 172cm.
Solución en Excel
a) Calculamos la z1 y z2
Z1: Z2:
=( x- µ)/(σ/RAIZ(n)) =( x- µ)/(σ/RAIZ(n))
=(172.5-174.5)/ =(175.8-174.5)/
(6.9/RAIZ(35)) (6.9/RAIZ(35))
= -1.7148 =1.1146

Aplicamos la fórmula de Excel

=DISTR.NORM.ESTAND.N(z;acum)-DISTR.NORM.ESTAND.N(z;acum)
=DISTR.NORM.ESTAND.N(1.1146;1)-DISTR.NORM.ESTAND.N(-
1.7148;1)
=0.8675-0.0432
=0.8243

b) Calculamos Z
=( x- µ)/(σ/RAIZ(n))
=(172-174.5)/(6.9/RAIZ(35))
=-2.1435

Aplicamos la fórmula de Excel

=DISTR.NORM.ESTAND.N(z;acumulativo)
=DISTR.NORM.ESTAND.N(-2.1435;1)
=0.0160
Problema 2
En un restaurante, el consumo medio por desayuno es de $4980, con una
desviación estándar de $950. En un segundo restaurante las correspondientes
cifras son $4238 y $820. Si se eligen al azar 80 recibos de pagos del primer
restaurante y 60 del segundo, ¿Cuál es la probabilidad de que el consumo del
restaurante 1 sea en promedio mayor a $1000 del restaurante 2?
Solución en Excel
a) Calculamos z
=((1-2)-(µ1-µ2))/RAIZ((σ12/n1)+ (σ22/n2))
=(1000-(4980-4238))/RAIZ(((950^2)/80)+((820^2)/60))
=1.7205

Aplicamos la fórmula de Excel

=1-DISTR.NORM.ESTAND.N(z;acumulado)
=1-DISTR.NORM.ESTAND.N(1.7205;1)
=0.0427

Distribución muestral de la varianza

 Distribución t de Student.
La distribución de Student fue descrita en el año 1908 por William Sealy
Gosset. Gosset trabajaba en una fábrica de cerveza, Guinness, que
prohibía a sus empleados la publicación de artículos científicos debido a
una difusión previa de secretos industriales. De ahí que Gosset publicase
sus resultados bajo el seudónimo de Student.
Sus aplicaciones giran en torno a las inferencias sobre una media de la
población o a la diferencia entre dos medias de población. En este contexto
es evidente la utilidad de utilizar el teorema del límite central y la
distribución normal. Sin embargo, se supuso que se conoce la desviación
estándar de la población. Esta suposición quizá sea razonable en
situaciones en las que el ingeniero está muy familiarizado con el sistema o
proceso. Sin embargo, en muchos escenarios experimentales el
conocimiento de σ no es ciertamente más razonable que el conocimiento de
la media de la población μ. A menudo, de hecho, una estimación de σ debe
ser proporcionada por la misma información muestral que produce el
promedio muestral . Como resultado, un estadístico natural a considerar
para tratar con las inferencias sobre μ es
 dado que S es el análogo de la muestra para σ. Si el tamaño de la muestra
es pequeño, los valores de S2 fluctúan de forma considerable de una
muestra a otra y la distribución de T se desvía de forma apreciable de la de
una distribución normal estándar.

Problema 1
Encuentre la probabilidad de a)x<x 1. b)x>x2. c) x1< x<x2, si se tienen 12 grados de
libertad. x1=1 ; x2=2.
Solución en Excel
a) =DISTR.T.N(x;grados_de_probabilidad;acumulado)
=DISTR.T.N(0;12;1)
=0.5000

b) =1- DISTR.T.N(x;grados_de_probabilidad;acumulado)
=1-DISTR.T.N(2;12;1)
=1- 0.9657
= 0.0343

También se puede resolver de la siguiente manera

=DISTR.T.CD(x;grados_de_libertad)
=DISTR.T.CD(2;12)
=0.0343

c) =DISTR.T.N(x;grados_de_probabilidad;acumulado)-
DISTR.T.N(x;grados_de_probabilidad;acumulado)
=DISTR.T.N(1;12;1)-(1-DISTR.T.N(1;12;1))
=0.8315-0.1685
=0.6630

También se puede resolver de la siguiente manera

=DISTR.T.N(x;grados_de_probabilidad;acumulado)-
DISTR.T.CD(x;grados_de_libertad)
=DISTR.T.N(1;12;1)-DISTR.T.CD(1;12)
=0.8315-0.1685
=0.6630

Problema 2
Si se tienen 15 grados de libertad, encuentre el valor de a para los siguientes
casos. a) P(x<a)=p1. b) P(x>a)=p2.c) P(-a>t>a)=p/2. p1=0.3; p2=0.7.
Solución en Excel
a) =INV.T(probabilidad;grados_de_libertad)
=INV.T(0.3;15)
= -0.5357

b) =1-INV.T(probabilidad;grados_de_libertad)
=1-INV.T(0.7;15)
=1- 0.5357
= 0.4643

c) =INV.T.2C(probabilidad;grados_de_libertad)
=INV.T.2C(0.3;15)
= 1.0735

Problema 3
Se tiene una variable x que sigue una distribución t de Student con 18 grados de
libertad. Calcular a) P(T<-2.48). b) P(-1.54<T<-0.45). c) P(T>t)=0.778.
Solución en Excel
a) =DISTR.T.N(x;grados_de_probabilidad;acumulado)
=DISTR.T.N(-2.48;18;1)
= 0.0116

b) =DISTR.T.N(x;grados_de_probabilidad;acumulado)-
DISTR.T.N(x;grados_de_probabilidad;acumulado)
=DISTR.T.N(-0.45;18;1)-DISTR.T.N(-1.54;18;1)
=0.3290-0.0705
=0.2586

c) Calculamos la probabilidad de la cola izquierda

=1-0.778
=0.222

Entonces aplicamos la fórmula de Excel

=INV.T(probabilidad;grados_de_libertad)
=INV.T(0.222;18)
=-0.7827