Ejemplo de distribución hipergeométrica

Diez refrigeradores de cierto tipo han sido devueltos a un

distribuidor debido al a presencia de un ruido oscilante agudo
cuando el refrigerador está funcionando. Supongamos que 4 de
estos 10 refrigeradores tienen compresores defectuosos y los
otros 6 tienen problemas más leves. Si se examinan al azar 5 de
estos 10 refrigeradores, y se define la variable aleatoria X: “el
número entre los 5 examinados que tienen un compresor
defectuoso”. Indicar:

1. La distribución de la variable aleatoria X

2. La probabilidad de que no todos tengan fallas leves
3. La probabilidad de que a lo sumo cuatro tengan fallas
de compresor
Resolución del ejercicio 1

ÍTEM A

Ilustremos con un esquema la situación:

El tamaño de la población finita es de 10 ⇒N=10⇒N=10. En esa
población finita hay 4 éxitos (compresores defectuosos) y 6
fracasos (problemas más leves). ⇒M=4⇒M=4. El tamaño de la
muestra es de 5, ⇒n=5⇒n=5.
Entonces la variable XX número de refrigeradores con
compresores defectuosos de un total de 5 analizados, tiene
distribución:
X∼Hipergeométrica(N=10,M=4,n=5)X∼Hipergeométrica(N=
10,M=4,n=5)

ÍTEM B

Es conveniente pensar cómo expresar en términos de X a la

condición “que no todos tengan fallas leves”. Si no ocurre que
todos tengan fallas leves, es porque alguno tiene compresores
defectuosos. Es decir que X≥1X≥1.
P(X≥1)=1–P(X=0)=1–(40)(65)(105)=0,97619

ÍTEM C

“A lo sumo cuatro fallas de compresor” es equivalente a “cómo

máximo cuatro fallas de compresor”. Es decir X≤4X≤4. Pero el
recorrido de la variable es R(X)={0,1,2,3,4}R(X)={0,1,2,3,4}.
Entonces:
P(X≤4)=1

Ejemplo de distribución chi-cuadrada.

Ejemplo de distribución F.
Considere dos muestras de poblaciones que tienen la misma
varianza poblacional. Si la muestra 1 tiene tamaño n1 = 5 y la
muestra 2 tiene tamaño n2 = 10, determine la probabilidad teórica
que el cociente de sus varianzas respectivas sea menor o igual a 2.

Solución
Debe recordarse que el estadístico F se define como:

Pero se nos dice que las varianzas poblacionales son iguales, por lo
que para este ejercicio se aplica:

Como se desea saber la probabilidad teórica de que este cociente

de varianzas muestrales sea menor o igual a 2, necesitamos
conocer el área bajo la distribución F entre 0 y 2, el cual puede
obtenerse por tablas o software. Para esto ha de tenerse en cuenta
que la distribución F requerida tiene d1 = n1 – 1 = 5 – 1 = 4 y d2
= n2 – 1 = 10 – 1 = 9, es decir la distribución F con grados de
libertad (4, 9).

Mediante el uso de la herramienta estadística de geogebra se

determinó que esta área es 0.82, por lo que se concluye que la
probabilidad que el cociente de varianzas muestrales sea menor o
igual a 2 es del 82%.
Distribución de t Student

Teoría de pequeñas muestras

En probabilidad y estadística, la distribución-t o 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.

A la teoría de pequeñas muestras también se le llama teoría exacta del

muestreo, ya que también la 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 la varianza maestral:

n
∑ ( xi − x ) 2
i= 1
s2 =
n− 1
Esta fórmula está basada en n-1 grados de libertad. Esta terminología resulta
del hecho de que si bien s2 está basada en n cantidades
x1 − x , x2 − x ,...xn − x , éstas suman cero, así que especificar los valores
de cualquier n-1 de las cantidades determina el valor restante.

Por ejemplo, si n=4 y x1 − x = 8 ; x2 − x = − 6 y x4 − x = − 4 , entonces

automáticamente tenemos x3 − x = 2 , así que sólo tres de las cuatro
medidas de xi − x están libremente determinadas, la otra debe tomar el valor
que haga esta suma cero; es por esto que solo tenemos 3 grados de libertad.

grados de libertad=número de mediciones-1

Distribución de probabilidad t-Student

Una variable aleatoria se distribuye según el modelo de probabilidad t o T de
Student con k grados de libertad, donde k es un entero positivo, si su función
de densidad es la siguiente:
  k + 1 (k + 1)
Γ  − ∞
 t2 
h k (t) = 
2  2
 1+  ∫e
−x
  − ∞ < t< ∞, donde Γ(p) = x p − 1dx
 k  k 
Γ  πk 0
 2

La gráfica de esta función de densidad es simétrica, respecto del eje de

ordenadas, con independencia del valor de k, y de forma algo semejante a la
de una distribución normal:

Distribución t de Student con 10 grados de liberta

Su valor medio y varianza son

 k + 1 (k + 1)
∞ Γ ∞  −
 2   t 
2 2
E(T) = µ = ∫ t..h k (t).dt = ∫ t.  1+

 dt = .... = 0
− ∞ Γ
k  k 
−∞  πk
 2
Si k>3
 k + 1 (k + 1)
∞ Γ
∞  2 − 2
2   t k
Var(T) = σ 2 = E ((T − µ ) 2 ) = ∫ (t - µ ) 2 .h k (t).dt = ∫ t.   1+ 
 dt = .... =
 k k k− 2
−∞ − ∞ Γ  πk 
 2
La siguiente figura presenta la gráfica de varias distribuciones t. La apariencia
general de la distribución t es similar a la de la distribución normal estándar:
ambas son simétricas y unimodales, y el valor máximo de la ordenada se
alcanza en la media μ = 0. Sin embargo, la distribución t tiene colas más
amplias que la normal; esto es, la probabilidad de las colas es mayor que en la
distribución normal. A medida que el número de grados de libertad tiende a
infinito, la forma límite de la distribución t es la distribución normal estándar.
Propiedades de las distribuciones t
1. Cada curva t tiene forma de campana con centro en 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

La distribución de probabilidad de t se publicó por primera vez en 1908 en un

artículo de W. S. Gosset. En esa época, Gosset era empleado de una
cervecería irlandesa que desaprobaba la publicación de investigaciones de sus
empleados. Para evadir esta prohibición, publicó su trabajo en secreto bajo el
nombre de "Student". En consecuencia, la distribución t normalmente se llama
distribución t de Student, o simplemente distribución t.

Ejemplo de calibración

Se desea saber si un instrumento de medición cualquiera está calibrado, desde

el punto de vista de la exactitud. Para ello se consigue un valor patrón y se lo
mide 10 veces (por ejemplo: una pesa patrón para una balanza, un suero
control para un método clínico, etc.). Suponiendo que el resultado de estas
mediciones arroja una media de 52,9 y una desviación de 3, usando un patrón
de valor 50, se debe determinar si el instrumento está calibrado y la estimación
de su error sistemático, si es que se prueba su existencia (no se usan unidades
para generalizar este ejemplo).

H0:μ= 50 el instrumento está calibrado en exactitud

H1:μ≠50 no está calibrado. Hay un error sistemático
Se trata de un ensayo de dos colas donde hay k=10–1=9 grados de libertad.
De la Tabla t-Student se obtienen los valores críticos para el 95% de
t0,05,9=2,262, para el 99% de t 0,01,9 =3,25 y para un nivel del 99,9% es t0,001,9
=4,781. Lo que permite establecer las zonas de aceptación y rechazo:

t=
x− µ
=
( 52.9 − 50.0) = 3
s n 3 10

Mirando las zonas con los valores críticos, el valor de t cae en la de rechazo
para el 95% y no alcanza para las otras. La conclusión es que se ha probado la
existencia de un error sistemático con una confianza del 95%.
s 3
µ = x± t = 52,9 ± 3 = 52,9 ± 2,8
n 10

N 80% 90% 95% 99% 99.9%

1 3,08 6,31 12,7 63,7 637
2 1,89 2,92 4,30 9,92 31,6
3 1,64 2,35 3,18 5,84 12,9
4 1,53 2,13 2,78 4,60 8,60
5 1,48 2,02 2,57 4,03 6,86
6 1,44 1,94 2,45 3,71 5,96
7 1,42 1,90 2,36 3,50 5,40
8 1,40 1,86 2,31 3,36 5,04
9 1,38 1,83 2,26 3,25 4,78
1 1,37 1,81 2,23 3,17 4,59
0
1,29 1,64 1,96 2,58 3,29
 Pude ver en la pagina del laboratorio la hoja de calculo de la Distribución
Student, aquí puede observar como esta distribución se aproxima a la
distribución de Gauus para medidas mayores a 30.

k es un numero entero
positivo k>0

t 0,45 t2 (1+(t2/k)) (1+(t2/k))^(-(k+1)/2) 1,2

k= 3 -5,00 25 9,33333333 0,01147959
0,40
E[X]= 0 -4,95 24,5025 9,1675 0,01189866 1
Var(X)= 3,000 -4,90 0,35 24,01 9,00333333 0,01233654
Std. Dev.= 1,732 -4,85 23,5225 8,84083333 0,01279421
-4,80 0,30 23,04 8,68 0,01327274 0,8
-4,75 22,5625 8,52083333 0,01377323
0,25
-4,70 22,09 8,36333333 0,01429688 0,6
-4,65 0,20 21,6225 8,2075 0,01484493
-4,60 21,16 8,05333333 0,01541873
ln(Γ ((k+1)/2))=Γ k + 1
-8,57678E-11 (k + 1) -4,55 0,15 20,7025 7,90083333 0,01601969 0,4
  −
2  
ln(Γ (n/2))=  -0,120782238 t2  2 -4,50 0,10 20,25 7,75 0,01664932
h k (t) =  1+ 

0.5·ln(nπ )=  k1,121671087
 k  -4,45 19,8025 7,60083333 0,01730922 0,2
Γ  πk   0,05
Constant=  20,367552597
 -4,40 19,36 7,45333333 0,01800109
-4,35 0,00 18,9225 7,3075 0,01872675 0
-6,00 -4,00 -2,00 -4,30 0,00 18,49 7,16333333
2,00 0,01948811
4,00 6,00
-4,25 18,0625 7,02083333 0,02028723
-4,20 17,64 6,88 0,02112628
Elavorada por: Lucelly Reyes dist de Student funcion de
-4,15 distribucion
17,2225 6,74083333 funcion de densidad
0,02200761
-4,10 16,81 6,60333333 0,02293367