Unidad 4 / Escenario 8

Lectura Fundamental

Algunas distribuciones continuas de

probabilidad utilizando R

Contenido

1 Introducción

2 Consideraciones inciales

3 Distribución uniforme

4 Distribución normal

5 Distribución gamma

6 Distribución exponencial
7 Distribución beta

8 Distribución Weibull

9 Distribución Log-Normal

10 Distribución χ2

11 Distribución t-student

Referencias

Palabras Claves: distribución uniforme, distribución gamma, distribución exponencial, distribución χ2, distri-
bución Weibull, distribución normal, distribución t-student, distribución log-normal, distribución beta
1. Introducción

En el Escenario anterior, se especificaron algunas de las distribuciones de probabilidad continuas más utilizadas. Aquı́
encontrará estas distribuciones, y además aprenderá a utilizar el software R (R Core Team, 2017). En cada una de las
siguientes secciones encontrará los parámetros necesarios para poder implementar la función de distribución especı́fica,
como también algunos códigos para solucionar algunos ejercicios propuestos.

2. Consideraciones inciales

El software R, ya tiene implementado algunos distribuciones de probabilidad

3. Distribución uniforme

Una de las distribuciones continuas más simples en la estadı́stica es la distribución uniforme continua. Esta dis-
tribución se caracteriza por una función de densidad que es ”plana”, por lo cual la probabilidad es uniforme en
un intervalo cerrado [a, b]. Las aplicaciones de la distribución uniforme continua no son tan abundantes, pero aún
asi para realizar experimentos de simulación. Ya que muchos lenguajes de programación poseen la capacidad de
generar números pseudo-aleatorios que están distribuidos de acuerdo a una distribución uniforme estándar.

Definición 1. (Distribución de densidad) Sea X una variable aleatoria continua la cúal tiene valores entre a y b
tal que todos sus intervalos de igual longitud son igualmente probables.

1


, si a < x < b
• f (x) = b − a

0, e.o.c.

En donde se tiene que a y b son los parámetros de la función de densidad uniforme, e indican la amplitud del
intervalo.

Definición 2. (Función de distribución de probabilidad)

 x − a , si a ≤ x < b


• F (x) = b − a
 0, e.o.c.

POLITÉCNICO GRANCOLOMBIANO 1
 Si X es una variable aleatoria uniforme continua con parámetros a y b, entonces

b+a (a − b)2
µ = E(X) = , σ 2 = V (X) =
2 12

Ejemplo 1. Un pasajero aborda un autobús para ir al trabajo, cada 5 minutos llega un autobús al paradero.
Debido a variaciones en la hora de salida de la casa del pasajero, no siempre llega al mismo tiempo al paradero, ası́
que el tiempo de espera X al siguiente autobús es una variable aleatoria continua. Teniendo la siguiente función
de densidad para el conjunto de posibles valores de X en el intervalo [0, 5].

1

, si 0 6 x 6 5
f (x) =
 5 0, e.o.c.

¿Cuál es la probabilidad de que el pasajero espere entre 1 y 3 minutos?

1 x 3 2
Z 3 Z 3
P (1 ≤ X ≤ 3) = f (x)dx = dx =  = = 0.4
1 1 5 5 1 5
La probabilidad de que el pasajero espere entre 1 y 3 minutos es de 0.4.
Ejemplo 2. Sea X el momento elegido al azar en que un estudiante recibe clases en un determinado dı́a entre las
siguientes horas: 7:00 - 8:00 - 9:00 - 10:00 - 11:00 - 12:00 - 13:00

1. Calcular la probabilidad de que llegue en la primera media hora

Calcular la probabilidad de que llegue en la primera media hora es que llegue entre las 7:00 y las 7:30. El
valor de a sera 7 y de b sera 13 ası́ que se calcula usando R la probabilidad de que llegue en esta intervalo

punif(q = 7.5 , min = 7, max = 13) # Calcula la probabilidad acumulada

## [1] 0.08333333

2. Calcular el valor medio esperado

qunif(p = 0.5, min = 7, max = 13) # Calcualamos el valor medio para esto utilizamos p=0.5

## [1] 10

3. Calcular la desviación estándar

sqrt((13-7)ˆ(2)/12) #donde a = 7 y b=13 usando la formula de la varianza

## [1] 1.732051

4. Si recibe clases de Estadı́stica Aplicada de 10:00 a 12:15, calcular la probabilidad de recibir esta asignatura.

POLITÉCNICO GRANCOLOMBIANO 2
 P.10 =punif(q = 10 , min = 7, max = 13)
P.12.5 =punif(q = 12.25 , min = 7, max = 13) #Calcula la probabilidad acumulada
P.12.5-P.10

## [1] 0.375

Ademas si se quisiera crear números aleatorios de este caso se harı́a de la siguiente manera

aleatorios = runif(n = 10, min = 7, max = 13)

aleatorios

## [1] 10.934117 8.915700 10.592257 11.466328 7.408309 12.681772 8.203967

## [8] 9.365858 10.721345 8.657406

mean(aleatorios)

## [1] 9.894706

var(aleatorios)

## [1] 2.699759

4. Distribución normal

La distribución normal es la más important de todas las distribuciones. Se estudió por primera vez en el siglo
XV III, cuando los cientı́ficos observaron un sorprendente grado de regularidad en los errores de las mediciones.
Descubrieron que los patrones (distribuciones) que observaron se aproximaban cercanamente mediante una distri-
bución continua, a la que se refirieron como la ”curva normal de errores” y la atribuyeron a las leyes del azar. La
ecuación de la densidad de la distribución de probabilidad normal forma una gráfica con forma como la sección
transversal de una campana.Su propio nombre indica su extendida utilización,pues esta justificada a la frecuen-
cia con la que ciertos fenómenos tienden a parecerse en su comportamiento a esta distribución. En resumen, la
importancia de la distribución normal se debe principalmente a que hay muchas variables asociadas a fenómenos
naturales que siguen el modelo de la normal.

1. Caracteres morfológicos de individuos (personas, animales, plantas,etc) de una especie.

2. El comportamiento de las tallas, pesos, envergaduras, diámetros, perı́metros, etc.

3. Caracteres fisiológicos, como el efecto de una misma dosis de un fármaco, o de una misma cantidad de abono.

4. Caracteres sociológicos, por ejemplo el consciente intelectual, el grado de adaptación a un medio.

5. Otras distribuciones como la binomial o la Poisson son aproximaciones normales.

POLITÉCNICO GRANCOLOMBIANO 3
 6. En general cualquier caracterı́stica que se obtenga como suma de muchos factores.

Definición 3. (Distribución de densidad) Sea X una variable continua con distribución normal

(x−µ)2
• f (x) = √1 e
2Πσ
2σ 2

E(X) = µ , V (X) = σ 2

La distribución normal cuenta con dos parámetros µ y σ, donde σ es es la desviación estandar y µ el parámetro
de forma de la media o promedio.

Definición 4. (Propiedades)

1. Es una distribución simétrica.

2. Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores tienden a infinito.
3. En el centro de la curva se encuentran la media, la mediana y la moda.
4. El área total bajo la curva representa el 100 por ciento de los casos.
5. Los elementos centrales del modelo son la media y la varianza.
Definición 5. (Distribución Normal estandar) Debido a la complejidad de la distribución de densidad de la
distribución normal es complicado calcular probabilidades con esta función, por esta razón surge la estandarización
de los valores lo cúal facilita el calculo de probabilidades. Esta trasnsformación se lleva a cabo mediante la formula
Z = X−µσ donde Z es el valor de la normal estandar.
Ejemplo 3. La resistencia al rompimiento (en newtons) de una tela sintética denotada por X, se distribuye
N (800, 144). El comprador de la tela requiere que tenga una resistencia de por lo menos 772N. Se selecciona al
azar y se prueba una muestra de tela. Para encontrar P (X ≥ 772)

x−µ 772 − 800

 
P (X < 772) = P <
σ 12
= P (Z < −2.33)
= 1 − 0.01 = 0.99
Ejemplo 4. La media de los pesos de 500 estudiantes de un Instituto es 70 kg y la desviación tı́pica 3 kg.
Suponiendo que los pesos se distribuyen normalmente, hallar cuántos estudiantes pesan:

1. Entre 60 kg y 65 kg.

p1=pnorm(q = 60, mean = 70, sd = 3) # Valor acumulado

p2=1-pnorm(q = 65, mean = 70, sd = 3)
(p2-p1)*500 # Numero de estudiantes

## [1] 475.8903

POLITÉCNICO GRANCOLOMBIANO 4
 2. Más de 90 kg.

(1- pnorm(q = 90, mean = 70, sd = 3))*500 #pnorm halla la area acumulada a la izquierda

## [1] 6.541989e-09

3. Menos de 64 kg.

pnorm(q = 64, mean = 70, sd = 3)*500 #pnorm halla la area acumulada a la izquierda

## [1] 11.37507

Otras funciones de R asociadas a la distribución normal son

qnorm(p = 0.6, mean = 70, sd = 3) # muestra el valor con area p a la izquierda

## [1] 70.76004

rnorm(n = 10, mean = 70, sd = 3) # Crea numeros aleatorios

## [1] 63.82644 70.25403 70.02010 66.24646 71.26636 68.66417 69.23952

## [8] 72.50376 67.79154 66.52735

5. Distribución gamma

Aunque la distribución normal se puede utilizar para resolver muchos problemas de ingenierı́a y ciencias, aún hay
numerosas situaciones que requieren diferentes tipos de funciones de densidad. Muchas densidades de probabilidad
importante son casos especiales de la distribución gamma. La relación entre la distribución gamma y la exponencial
permite que la gamma se utilice en problemas similares. La distribución gamma deriva su nombre de la bien
conocida función gamma, que se estudia en muchas áreas de las matemáticas.

Definición 6. (Propiedades función Gamma) Las principales propiedades de la función Gamma son las siguientes:

1. Γ(n) = (n − 1)!

2. Γ(n + 1) = nΓ(n)

Donde n es un número entero.

POLITÉCNICO GRANCOLOMBIANO 5
Definición 7. (Distribución de densidad gamma) Sea X una variable aleatoria continua con distribución gamma,
cuya función de densidad es la siguiente:
λ
f (x) = (λx)k−1 e−λx
Γ(k)

También se tiene la función de probabilidad:

r−1
(λx)k
F (x) = 1 − e−λx
X

k=0
k!

k k
E(x) = , V ar(x) = 2
λ λ

La distribución gamma cuenta con dos parámetros k y λ, donde k es el parámetro de forma y λ el parámetro de
escala.
Ejemplo 5. Suponga que el tiempo de reacción X a cierto estı́mulo en un individuo seleccionado al azar, tiene
una distribución gamma con k=1. ¿Cuál es la probabilidad de que el tiempo de reacción sea más de 4 segundos?
P (X > 4) = 1 − P (X ≤ 250) = 1 − F (4) = 1 − 0.908 = 0.092
La probabilidad de que el tiempo de reacción sea más de 4 segundos es de 0.092.
Ejemplo 6. En una ciudad se observa que el consumo diario de energı́a (en millones de kilowatt-hora) es una
variable aleatoria que sigue una distribución gamma con parámetros α = 3 y β = 2. Si la planta de energı́a que
suministra a la ciudad tiene una capacidad diaria de generar un máximo de 12.

1. ¿cuál es la probabilidad de que haya un dı́a donde no se pueda satisfacer la demanda?

pgamma(q = 1,shape = 3, scale = 2) #probabilidad de exista un exeso

## [1] 0.01438768

dgamma(x = 1,shape = 3, scale = 2) # densidad de probabilidad

## [1] 0.03790817

2. Si se quisiera hallar el valor del cuantil que tiene un área acumulada de 0.75 con estos parámetros se usarı́a
el siguiente código

qgamma(p = 0.75,shape = 3, scale = 2)

## [1] 7.840804

rgamma(n = 10, shape = 3, scale = 2)

## [1] 7.349428 9.775337 1.140058 6.261046 6.294484 8.207444 11.829878

## [8] 4.688474 2.217653 6.536237

POLITÉCNICO GRANCOLOMBIANO 6
6. Distribución exponencial

La distribución exponencial es un caso especial de la distribución gamma, y ambas tienen un gran número de
aplicaciones.La distribución gamma y la distribución exponencial desempeñan un papel importante en la teorı́a
de colas y en problemas de confiabilidad. Los tiempos entre llegadas en instalaciones de servicio y los tiempos de
que sistemas eléctricos empiecen a fallar a menudo se representan bien mediante la distribución exponencial.
Definición 8 (Distribución de densidad). Sea X una variable aleatoria exponencial, cuya función de densidad es
la siguiente: (
λe−λx , a < x < b
f (x) =
0, e.o.c.

La función de probabilidad se define de la siguiente manera:

1 − e−λx , x≥0
(
F (x) =
0, e.o.c.

1 1
E(x) = ,V ar(x) = 2
λ λ

λ es el parámetro y por lo general indica el tiempo que transcurre entre un suceso y otro.

Ejemplo 7. Se sabe que un componente electrónico tiene una vida útil representada por una densidad exponencial
con tasa de falla de 10−5 fallas por hora (esto es, λ = 10−5 ). El tiempo medio de falla, E(X) es 105 horas. Suponga
que deseamos determinar la fracción de takes componentes que podrı́an fallar antes de la vida media o vida
esperada.
Z 1 Z 1
1 λ λ
−λx
1
−λx  λ
P (X ≤ ) = f (x)dx = λe dx = −e  = 1 − e−1 = 0.63212
λ 0 0 0

Por lo tanto se puede decir que el 63.212 por ciento de los artı́culos falları́an antes de 105 horas.
Ejemplo 8. Suponga que un sistema contiene cierto tipo de componente cuyo tiempo de falla en años está dado
por la variable aleatoria T, distribuida exponencialmente con tiempo promedio de falla β = 5. Sı́ 5 de estos
componentes se instalan en diferentes sistemas.¿Cuál es la probabilidad de que al menos 2 continúen funcionando
después de 8 años?

pexp(q = 8, rate = 1/5 ) # Probabilidad de que no esté funcionando después de 8 años

## [1] 0.7981035

1 - pexp(q = 8, rate = 1/5 ) # La probabilidad de que un determinado componente esté funcionando aún

## [1] 0.2018965

POLITÉCNICO GRANCOLOMBIANO 7
dexp(x = 8, rate = 1/5) # densidad de probabilidad

## [1] 0.0403793

# Si se desea craer números aleatorios y averiguar valroes de algun cuantil se usa estas dos funcione
qexp(p = 0.7, rate = 1/5) # Valor del quantil

## [1] 6.019864

rexp(n = 10, rate = 1/5) # Valores aleatorios con estos párametros

## [1] 21.1831766 2.2735641 3.1419180 7.7365277 8.1664063 5.3020510

## [7] 6.1364610 3.3697157 0.1920517 0.4862941

7. Distribución beta

Una extensión de la distribución uniforme es la distribución beta. Esta distribución se usa cuando una variable
aleatoria toma valores en el intervalo de 0 a 1.

Definición 9. (Distribución de densidad) Sea X una variable aleatoria continua con distribución de probabilidad
beta

Γ(α + β) α−1
• f (x) = x (1 − x)β−1
Γ(α)Γ(β)
La distribución de probabilidad Beta esta definida por:

• F (x) = Ix (α, β)

α αβ
E(x) = , V ar(x) =
α+β (α + β − 1)(α + β)2

En donde, α y β son los parámetros de la función de densidad beta, los cuales deben ser mayores a cero.

Ejemplo 9. Sea X la proporción de reserva de gasolina para un automóvil en galones. Para completar la reserva
es necesaria una distribución beta con α = 4 y β = 2. ¿Cuál es la probabilidad de que la proporción de la reserva
es del 90 %?

POLITÉCNICO GRANCOLOMBIANO 8
 Γ(6)
Z 0.9
P (X > 0.90) = x2 (1 − x)dx
1 Γ(4)Γ(2)
Z 0.90
= 20x3 (1 − x)dx
1
1
= −5x4 + 5x3 

0.90
= 0.081
= 1 − 0.081 = 0.919

La probabilidad de que la proporción de la reserva sea del 90 % es de 0.919.

Ejemplo 10. La proporción de pólizas de hogar que durante el año tienen algún siniestro sigue una distribución
Beta de parámetros α = 0.3 y β = 0.5

1. Hallar la media y varianza de la proporción de siniestros

0.3/(0.3+0.5) # Media

## [1] 0.375

(0.3*0.5)/(((0.3+0.5)ˆ2)*(0.3+0.5+1)) # varianza

## [1] 0.1302083

2. ¿Cuál es la probabilidad de que la proporción de hogares con algún siniestro sea como máximo del 45?

pbeta(q = 0.45,shape1 = 0.3, shape2 = 0.5) # Probabilidad

## [1] 0.6137622

3. Con una probabilidad de 0.8 ¿qué porcentaje como máximo de hogares tendrán algún siniestro?

qbeta(p = 0.8,shape1 = 0.3, shape2 = 0.5)

## [1] 0.8114334

4. Si se quieren números aleatorios

rbeta(n = 10, shape1 = 0.3, shape2 = 0.5)

## [1] 0.022260088 0.039480056 0.164687419 0.147229499 0.518658375

## [6] 0.032666493 0.052190862 0.619052177 0.001618585 0.688159169

POLITÉCNICO GRANCOLOMBIANO 9
8. Distribución Weibull

La tecnologı́a actual permite que los ingenieros diseñen muchos sistemas complicados cuya operación y seguridad
dependen de la confiabilidad de los diversos componentes que conforman los sistemas. Por ejemplo, un fusible se
puede quemar, una columna de acero se puede torcer o un dispositivo de sensor de calor puede fallar. Componen-
tes idénticos, sujetos a idénticas condiciones ambientales, fallarán en momentos diferentes e impredecibles. Una
distribución que se ha utilizado ampliamente en años recientes para tratar con tales problemas es la distribución
de Weibull, introducida por el fı́sico sueco Waloddi Weibull en 1939.Esta distribución se encuentra estrechamente
vinculada con la distribución exponencial.
Definición 10. (Distribución de densidad) Sea X una variable aleatoria con distribución Weibull. Cuya función
de densidad es: ( α
αβ α xα−1 e−(x/β) , a < x < b
f (x) =
0, e.o.c.
Con distribución de probabilidad:
α
1 − e−(x/β) , x≥0
(
F (x) =
0, e.o.c.

1 1 12 2 1
  "     2 #
E(x) = Γ 1 + , V ar(x) = Γ 1+ + Γ 1+
β α β α α

Los parámetros de la distribución Weibull son α y β ambos mayores que cero.

Ejemplo 11. Sea X = la resistencia final a la tensión a -200 °F de un tipo de acero que presenta ”fragilidad
en frı́o” a bajas temperaturas. Suponga que X tiene una distribución Weibull con parámetros α = 20 y β = 100
entonces ¿Cuál es la probabilidad de que la resistencia final sea menor a 105°F?

105 20
P (X ≤ 105) = F (105) = 1 − e−( 100 ) = 1 − 0.070 = 0.93

La probabilidad de que la resistencia final sea menor a 105°F es de 0.93

Ejemplo 12. El tiempo t en segundos que tarda en conectarse a un servidor durante un dı́a laborable sigue una
distribución de Weibull de parámetros α = 0.6 y β = 0.25, mientas que un fin de semana es una Weibull de
parámetros α = 0.24 y β = 1. Se quiere saber:

1. Calcular, para ambos tipos de dı́a, la probabilidad de tardar más de 10 segundos en realizar la conexión

1 - pweibull(q = 10, shape = 0.6, scale = 0.25) # Probabilidad entre semana

## [1] 0.0001066348

1 - pweibull(q = 10, shape = 0.24, scale = 1) # Probabilidad fin de semana

## [1] 0.1759068

POLITÉCNICO GRANCOLOMBIANO 10
 2. Si llevamos ya 5 segundos esperando a que se efectué la conexión, ¿cuál es la probabilidad de que la conexión
se demore aún 10 segundos más?

pweibull(q = 15, shape = 0.6, scale = 0.25) - pweibull(q = 5, shape = 0.6, scale = 0.25) # Proba

## [1] 0.002386881

pweibull(q = 15, shape = 0.24, scale = 1) - pweibull(q = 5, shape = 0.24, scale = 1) # Probabili

## [1] 0.08230533

Ademas existe la función

rweibull(n = 10, shape = 0.6, scale = 1) # Generar números aleatorios

## [1] 3.61797956 0.31344617 0.68709236 0.21070869 0.36403892 0.51947207

## [7] 0.63534823 0.01087322 0.07302339 0.10887510

qweibull(p = 5, shape = 0.6, scale = 1) # valor del quantil

## Warning in qweibull(p = 5, shape = 0.6, scale = 1): NaNs produced

## [1] NaN

9. Distribución log-normal

La distribución logarı́tmica normal se utiliza en una amplia variedad de aplicaciones. La distribución se aplica en
casos donde una transformación logarı́tmica natural tiene como resultado una distribución normal.

Definición 11. (Distribución de densidad) Sea X una variable aleatoria continua con distribución Log - Normal

( 1 2
√1 e 2σ2 (ln(y)−µ) , si x > 0
• f (x) = σ 2Π
0, e.o.c.
Su distribución de probabilidad esta dada por:
   
ln(x)−µ ln(x)−µ
• F (x) = P (X ≤ x) = P Z ≤ σ =Φ σ

σ2 2 2
E(x) = eµ+ 2 , V ar(x) = e2µ+2σ − e2µ+σ

POLITÉCNICO GRANCOLOMBIANO 11
Si x es una variable aleatoria normal con media µ y varianza σ 2 , entonces y = ex tiene distribución log-normal
con parámetros µ y σ 2 .

Ejemplo 13. Sea X la potencia mediana horaria (en decibeles) de señales de radio recibidas y transmitidas entre
dos ciudades. La distribución log-normal proporciona un modelo razonable de probabilidad para X, si los valores
de los parámetros son µ= 3.5 y σ=1.2, entonces ¿cuál es la probabilidad de que la potencia sea recibida sea entre
50 y 250 dB?

P (50 ≤ X ≤ 250) = F (250) − F (50)

ln(250) − 3.5 ln(50) − 3.5
   
=Φ −Φ
1.2 1.2
= P hi(1.68) − Φ(0.34)
= 0.9535 − 0.6331 = 0.3204

Los P hi son la distribución de una va normal estándar. la probabilidad de que la potencia sea recibida sea entre
50 y 250 dB es de 0.3204.
Ejemplo 14. Un siniestro tiene para su cuantı́a monetaria una función de distribución logNornal con µ = 7 y
σ = 1, 5.

1. ¿cuál es la probabilidad de tener un siniestro de cuantı́a inferior a 200?

plnorm(q = 200, meanlog = 7, sdlog = 1.5) #Probabilidad de que sea menor a 200

## [1] 0.1283019

2. ¿cuál es la probabilidad de tener un siniestro de cuantı́a superior a 1000?

plnorm(q = 1000, meanlog = 7, sdlog = 1.5) #Probabilidad de que sea menor a 200

## [1] 0.4754819

También se pude encontrar valores de los cuantiles, el valor de la distribución de densidad y se pueden generar
números aleatorios de la distribución de probabilidad log normal.

dlnorm(x = 200, meanlog = 7, sdlog = 1.5)

## [1] 0.0006987516

qlnorm(p = 0.1, meanlog = 7, sdlog = 1.5)

## [1] 160.4003

rlnorm(n = 10, meanlog = 7, sdlog = 1.5)

## [1] 2661.1384 1021.3180 2191.9585 203.7382 11695.5470

## [6] 484.3829 1821.5203 501.3712 4145.4848 109321.1653

POLITÉCNICO GRANCOLOMBIANO 12
10. Distribución χ2

Otro caso 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
estadı́stica. Tiene una aplicación considerable tanto en la metodologı́a como en la teorı́a. La distribución chi
cuadrada es un componente importante de la prueba estadı́stica de hipótesis y de la estimación estadı́stica. Los
temas en los que se trata con distribuciones de muestreo, análisis de varianza y estadı́stica no paramétrica implican
el uso extenso de la distribución chi cuadrada.
Definición 12. (Distribución de densidad) Sea X una variable aleatoria con distribución de probabilidad ji
cuadrado, cuya función de densidad es:
 k −x
 k
1
(x 2 −1 e 2 ), x>0
f (x) = 22 Γ( k2 )
0, e.o.c.


E(x) = k, V ar(x) = 2k

La distribución ji-cuadrado tiene un único parámetro. Es una distribución muy usada en muchos tests estadı́sticos.
Además, es habitual tanto en tests paramétricos como en tests no paramétricos. Su parámetro es de gran impor-
tancia para encontrar valores en la tabla ji cuadrado, este representa los grados de libertad y acá esta representado
por la letra k.
Ejemplo 15. Suponga que los tiempos requeridos por un cierto autobús para alcanzar uno de sus destinos en una
ciudad grande forman una distribución normal con una desviación estándar σ = 1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la varianza muestral sea menor que 2.

pchisq(q =2, df = 16)

## [1] 1.02492e-05

Tambien si se quiere hallar valores aleatorios de la ji cuadrado o valores de los quantiles se usa

qchisq(p = 0.5, df = 7) # Valor del quantil

## [1] 6.345811

rchisq(n = 10, df = 2)

## [1] 1.8053432 1.7909059 1.8527827 2.9986168 0.2574961 0.9527726 3.6628493

## [8] 2.0111589 0.3225943 7.5296042

POLITÉCNICO GRANCOLOMBIANO 13
11. Distribución t-student

En probabilidad y estadı́stica, la distribución t (de Student) es una distribución de probabilidad que surge del
problema de estimar la media de una población normalmente distribuida cuando el tamaño de la muestra es
pequeño.Esta distribución aparece de manera natural al realizar la prueba t de Student para la determinación de
las diferencias entre dos varianzas muestrales y para la construcción del intervalo de confianza para la diferencia
entre las partes de dos poblaciones cuando se desconoce la desviación tı́pica de una población y ésta debe ser
estimada a partir de los datos de una muestra.
Definición 13. (Distribución de densidad) Sea X una variable aleatoria continua con distribución de probabilidad
t-student

 √Γ( 2 ) (1 + x ) −ν+1
ν+1

2
, si −∞ < x < ∞

2
• f (x) = ΠνΓ( ν2 ) ν
0, e.o.c.



ν
E(x) = 0, ν > 1, V ar(x) = 2 ,ν > 2
ν−2

La distribución t cuenta con solo un parámetro, ν quien es los grados de libertad, los cuales deben ser mayores a
0.
Ejemplo 16. Los valores de las matrı́culas 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.

µ = 2100000
µd atos = 2098750
σd atos = 2844107142
n=8

P (X < 2000000)
2000000 − 2100000
 
P t<
2844107142/2.8284
P (t < −1.677)

Ejemplo 17. Un ingeniero quı́mico afirma que el rendimiento medio de la población de cierto proceso en lotes
es 500 gramos por milı́metro de materia prima. Para verificar esta afirmación toma una muestra de 25 lotes cada
mes. ¿Qué conclusión extraerı́a de una muestra que tiene una media de 518 gramos por milı́metro y una desviación
estándar de 40 gramos? Suponga que la distribución de rendimientos es aproximadamente normal.

POLITÉCNICO GRANCOLOMBIANO 14
(518-500)/(40/sqrt(25)) # valor t student

## [1] 2.25

pt(q =2.25 , df = 24) # Probabilidad

## [1] 0.9830557

qt(p =0.983 , df = 24)

## [1] 2.248458

Al comparar la probabilidad y el valor t se puede concluir que el proceso obtiene un mejor rendimiento del que se
espera

Durante el documento se realizaron algunos cálculos en R, utilizando funciones propias. Para un listado más
completo se sugiere la lectura “Distributions in the stats package”a . .
a
http://stat.ethz.ch/R-manual/R-devel/library/stats/html/Distributions.html

POLITÉCNICO GRANCOLOMBIANO 15
Referencias

R Core Team. (2017). R: A language and environment for statistical computing [Manual de software informático].
Vienna, Austria. Descargado de https://www.R-project.org/

POLITÉCNICO GRANCOLOMBIANO 16
 INFORMACIÓN TÉCNICA

Módulo: Probabilidad
Unidad 4: Distribuciones continuas
Escenario 8: Algunas distribuciones
continuas de probabilidad en R

Autor: Alex Johann Zambrano Carbonell

Asesor Pedagógico: Diana Marcela Dı́az Salcedo

Diseñador Gráfico: Jully Amanda Guzman
Corrector de estilo: Felipe Garán
Asistente: Ginna Paola Quiroga

Este material pertenece al Politécnico Grancolombiano.

Por ende, es de uso exclusivo de las Instituciones
adscritas a la Red Ilumno. Prohibida su reproducción
total o parcial.

POLITÉCNICO GRANCOLOMBIANO 17