MODELOS DE PROBABILIDAD

Uno de los objetivos de la ciencia consiste en predecir y descubrir sucesos

del mundo en que vivimos. Una manera de hacerlo es construir modelos
matemáticos que describan adecuadamente el mundo real.
I.- MODELOS DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA DISCRETA
1. Distribución de Bernoulli.
El ensayo de Bernoulli o experimento de Bernoulli tiene dos
resultados posibles: éxito, fracaso.
Ejemplo. Éxito (E) Fracaso (F)
Lanzar la moneda cara sello
Inspeccionar un artículo Bueno falla

𝒇(𝒙) = 𝒑𝒙 𝒒𝟏−𝒙 ; 𝒙 = 𝟎, 𝟏
Donde:
1 0
a) Espacio muestral:  = {𝑬𝒙𝒊𝒕𝒐, 𝒇𝒓𝒂𝒄𝒂𝒔𝒐}
b) X : Variable aleatoria número de éxitos.
X=0,1
c) p = P(éxito)
d) q =1 – p = P(fracaso)
X 0 1
f (x) q p
e) E (x) = p
f) V (x) = p q.
 Ejemplo 1: Lanzar la moneda.
1 0

i) Espacio muestral:  = {𝒄𝒂𝒓𝒂, 𝒔𝒆𝒍𝒍𝒐}

ii) X = número de caras (variable aleatoria).
X = 0, 1
iii) p = P(éxito) = P(cara) =1/2
iv) q =1 – p = P(fracaso) = P(sello) =1-1/2 =1/2
X 0 1
f (x) q =1/2 p =1/2
v) E(x) = p =1/2
vi) V(x) = p q= (1/2) (1/2) =1/4.

2. Distribución Geométrica
Se tiene un experimento de Bernoulli, donde “X” la variable
aleatoria representa al número de pruebas o ensayos hasta
conseguir el primer ÉXITO.

𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = (𝟏 − 𝒑)𝒙−𝟏 𝒑; 𝑿 = 𝟏, 𝟐, ….

Donde:
a) p = P(éxito)
b) q =1 – p = P(fracaso)
𝟏
c) 𝑬(𝒙) = 𝑷
𝟏−𝒑
d) 𝑽(𝒙) = 𝒑𝟐

Ejemplo 2
i) Lanzar una vez (X=1) la moneda
1 0

a) Espacio muestral:  = { 𝒄 , 𝒔 }
 b) P(X=1) = La probabilidad de obtener la primera cara
en el primer lanzamiento.
 P(X=1) = P( c ) = p =1/2
ii) Lanzar dos veces (X=2) la moneda
a) Espacio muestral:  = {𝒄𝒄 , 𝒄𝒔, 𝒔𝒄, 𝒔𝒔 }
b) P(X=2) = La probabilidad de obtener la primera cara
en el segundo lanzamiento.
 P(X=2) = P( sc ) = P(s ∩c) = P (s) P(c) = (1-p) (p)
Utilizando el modelo:
𝒇(𝟐) = 𝑷(𝑿 = 𝟐) = (𝟏 − 𝒑)𝟐−𝟏 𝒑 = (𝟏 − 𝒑)𝒑
𝟏 𝟏 𝟏
= ( )( ) =
𝟐 𝟐 𝟒
iii) Lanzar tres veces (X=3) la moneda
a)  = {𝒄𝒄𝒄, 𝒄𝒄𝒔, 𝒄𝒔𝒄, 𝒄𝒔𝒔, 𝒔𝒄𝒄, 𝒔𝒄𝒔, 𝒔𝒔𝒄, 𝒔𝒔𝒔}
b) P(X=3) = La probabilidad de obtener la primera cara
en el tercer lanzamiento.
 P(X=3) = P( ssc ) = P(s∩s∩c) = P (s) P(s)P(c)
= (1-p)2 (p)
Utilizando el modelo:
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = (𝟏 − 𝒑)𝒙−𝟏 𝒑; 𝑿 = 𝟏, 𝟐, ….
𝒇(𝟑) = 𝑷(𝑿 = 𝟑) = (𝟏 − 𝒑)𝟑−𝟏 𝒑 = (𝟏 − 𝒑)𝟐 𝒑
𝟏 𝟐 𝟏 𝟏
= (𝟏 − ) ( ) =
𝟐 𝟐 𝟖
iv) P(X=5) = La probabilidad de obtener la primera cara en
el quinto lanzamiento.
Utilizando el modelo:
𝒇(𝒙) = 𝑷(𝑿 = 𝒙) = (𝟏 − 𝒑)𝒙−𝟏 𝒑; 𝑿 = 𝟏, 𝟐, ….
 𝒇(𝟓) = 𝑷(𝑿 = 𝟓) = (𝟏 − 𝒑)𝟓−𝟏 𝒑 = (𝟏 − 𝒑)𝟒 𝒑
𝟏 𝟒 𝟏 𝟏
= (𝟏 − ) ( ) =
𝟐 𝟐 𝟑𝟐

3. Distribución Binomial.
Sea X una variable aleatoria definida como el número de
éxitos, entonces la función de probabilidad de la variable
aleatoria X es:

𝒇(𝒙) = ∁𝒏𝒙 𝒑𝒙 𝒒𝒏−𝒙 ; 𝒙 = 𝟎, 𝟏, 𝟐, … , 𝒏

Una distribución Binomial se caracteriza:

i) Porque consiste de n pruebas o ensayos independientes
(muestreo con reposición).
ii) Cada prueba o ensayo tiene dos resultados posibles:
Éxito, Fracaso.
iii) P(Éxito) = p; permanece constante a lo largo de las n
pruebas.
iv) P(Fracaso) = q=1-p; permanece constante a lo largo de
las n pruebas.
Donde:
a) 𝑬(𝒙) = 𝒏𝒑
b) 𝑽(𝒙) = 𝒏𝒑𝒒.

Ejemplo 2: Se tiene un lote de producción de 5 artículos, de los

cuales 3 son buenos y 2 presentan fallas.

Buenos Fallas
3 2
 Se seleccionan n=2 artículos (con reposición).

0 1 2

i) Forma de  = {𝑩𝑩, 𝑩𝑭, 𝑭𝑩, 𝑭𝑭}

ii) Sea X :la variable aleatoria = número de artículos
con fallas
 X : 0, 1, 2.

iii) P(falla)= p =2/5.

iv) P(bueno) = q = 1- p =3/5.
𝒇(𝒙) = ∁𝒏 𝒙 𝒏−𝒙
𝒙 𝒑 𝒒 ; 𝒙 = 𝟎, 𝟏, 𝟐, … , 𝒏
𝟐 𝟑
𝒇(𝒙) = ∁𝟐𝒙 ( )𝒙 ( )𝟐−𝒙 ; 𝒙 = 𝟎, 𝟏, 𝟐
𝟓 𝟓
Evaluando probabilidades en el modelo anterior se
tiene:
𝟐 𝟑 𝟗
Si 𝒙 = 𝟎 𝒇(𝟎) = ∁𝟐𝟎 (𝟓)𝟎 (𝟓)𝟐−𝟎 = 𝟐𝟓
𝟐 𝟑 𝟏𝟐
Si 𝒙 = 𝟏𝒇(𝟏) = ∁𝟐𝟏 (𝟓)𝟏 (𝟓)𝟐−𝟏 = 𝟐𝟓
𝟐 𝟑 𝟒
Si 𝒙 = 𝟐𝒇(𝟐) = ∁𝟐𝟐 (𝟓)𝟐 (𝟓)𝟐−𝟐 = 𝟐𝟓
X 0 1 2

f(x) 9/25 12/25 4/25

Además:
𝟐 𝟒
𝑬(𝒙) = 𝒏𝒑 = 𝟐 ( ) =
𝟓 𝟓
𝟐 𝟑 𝟏𝟐
𝑽(𝒙) = 𝒏𝒑𝒒 = 𝟐(𝟓)(𝟓) = 𝟐𝟓.
4. Distribución Hipergeométrica.
Sea X una variable aleatoria definida como el número de
éxitos. Entonces la distribución de probabilidad de la variable
aleatoria X es:

∁𝑴 𝑵−𝑴
𝒙 ∁𝒏−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … . , 𝒏
∁𝑵
𝒏

Donde:
Éxito Fracaso N: Elementos

M N -M n: Muestra

i) Los n ensayos o pruebas no son independientes

(muestreo sin reposición)
ii) Existe solamente dos resultados posibles en cada prueba
o ensayo: éxito, fracaso.
𝑴
iii) Probabilidad de éxito = 𝒑 = 𝑵
𝑵−𝑴
iv) Probabilidad de fracaso = 𝒒 = 𝑵

v) La probabilidad de éxito se modifica en cada prueba o

ensayo.
Donde:
𝑴
a) 𝑬(𝒙) = 𝒏 ( 𝑵 ) = 𝒏𝒑
𝒏𝑴(𝑵−𝑴)(𝑵−𝒏) 𝑵−𝒏
b) 𝑽(𝒙) = = 𝒏𝒑𝒒(𝑵−𝟏)
𝑵𝟐 (𝑵−𝟏)

Ejemplo 3: Se tiene un lote de producción de 5 artículos, de los cuales

3 son buenos y 2 presentan fallas.

Buenos Fallas N=5

3 2
a) Se seleccionan n=2 artículos (sin reposición).
 b) Sea X :la variable aleatoria = número de artículos con
fallas  X : 0, 1, 2.
c)
Fracaso=Buenos Éxito=Fallas
N-M=3 M=2

∁𝑴 𝑵−𝑴
𝒙 ∁𝒏−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … . , 𝒏
∁𝑵
𝒏

∁𝟐𝒙 ∁𝟑𝟐−𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐
∁𝟓𝟐

Evaluando probabilidades en el modelo anterior se

tiene:
∁𝟐𝟎 ∁𝟑𝟐−𝟎 ∁𝟐𝟎 ∁𝟑𝟐 𝟑
Si 𝒙 = 𝟎 𝒇(𝟎) = = = 𝟏𝟎
∁𝟓𝟐 𝟏𝟎

∁𝟐𝟏 ∁𝟑𝟐−𝟏 ∁𝟐𝟏 ∁𝟑𝟏 𝟔

Si 𝒙 = 𝟏𝒇(𝟏) = = = 𝟏𝟎
∁𝟓𝟐 𝟏𝟎

∁𝟐𝟐 ∁𝟑𝟐−𝟐 ∁𝟐𝟐 ∁𝟑𝟎 𝟏

Si 𝒙 = 𝟐𝒇(𝟐) = = = 𝟏𝟎
∁𝟓𝟐 𝟏𝟎

X 0 1 2

f(x) 3/10 6/10 1/10

Además:
𝑴 𝟐 𝟒
a) 𝑬(𝒙) = 𝒏 ( 𝑵 ) = 𝒏𝒑 = 𝟐 (𝟓) = 𝟓
𝒏𝑴(𝑵−𝑴)(𝑵−𝒏) 𝑵−𝒏
b) 𝑽(𝒙) = = 𝒏𝒑𝒒 (𝑵−𝟏)
𝑵𝟐 (𝑵−𝟏)

𝟐 𝟑 𝟓−𝟐 𝟗
= 𝒏( )( )( )=
𝟓 𝟓 𝟓 − 𝟏) 𝟐𝟓
5.- Distribución de Poisson.
Sea X una variable aleatoria que representa al número de
resultados que ocurren, generalmente, en un intervalo de
tiempo dado. Entonces la distribución de probabilidad de la
variable aleatoria X es:

𝒆−𝝀 𝝀𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
Donde:
λ: Es el número promedio de resultados del suceso aleatorio
por unidad de tiempo (λ cambia proporcionalmente con
el tiempo).
e = 2.718281828.
Además:
𝑬(𝒙) = 𝝀
𝑽(𝒙) = 𝝀
Entre los fenómenos que siguen aproximadamente una
distribución de Poisson, tenemos:
i) El número de accidentes por día.
ii) El número de clientes que visitan un centro comercial en
un momento determinado (minuto, hora, día, mes, etc.)
iii) El número de reclamos en una entidad bancaria en un
momento determinado.
iv) El número de aviones que aterrizan en un aeropuerto por
semana.
v) El número de cheques falsos que recibe una entidad
bancaria por semana.
Ejemplo 4: Escribir el modelo matemático para el número de
llamadas telefónicas que reciben por día los alumnos del curso
de Estadística.
Solución:
X: variable aleatoria = número de llamadas telefónicas por día
̅ .Es el número promedio de llamadas telefónicas por día.
𝝀 =𝒙
De una encuesta rápida a los alumnos del curso se encontró que
el promedio de llamadas telefónicas que reciben por día es de 4.
𝝀 = 𝒙
̅=𝟒
𝒆−𝝀 𝝀𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!

𝒆−𝟒 𝟒𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
Evaluando probabilidades en el modelo anterior se tiene:
a) Que no reciba ninguna llamada en un día.
𝒆−𝟒 𝟒𝟎 𝟏
𝒙 = 𝟎 𝐏(𝐱 = 𝟎) = 𝒇(𝟎) = = 𝒆𝟒
𝟎!

b) Que reciba una llamada en un día.

𝒆−𝟒 𝟒𝟏 𝟒
𝒙 = 𝟏 𝐏(𝐱 = 𝟏) = 𝒇(𝟏) = = 𝟒
𝟏! 𝒆
c) Que reciba a lo más una llamada en un día.

0 1 2 …

𝟏 𝟒 𝟓
𝐏(𝐱 ≤ 𝟏) = 𝐟(𝟎) + 𝒇(𝟏) = + =
𝒆𝟒 𝒆𝟒 𝒆𝟒

d) Que reciba por lo menos una llamada en un día.

0 1 2 …
 𝟒
𝐏(𝐱 ≥ 𝟏) = 𝟏 − 𝐟(𝟎) = 𝟏 −
𝒆𝟒
e) Que no reciba llamadas durante una semana.
̅ = 𝟒)
Entonces, si en 1 día recibe 4 llamadas ( 𝝀 = 𝒙
̅ = 𝟐𝟖)
En 7 días recibirá 28 llamadas (𝝀 = 𝒙
El nuevo modelo es:
𝒆−𝟐𝟖 𝟐𝟖𝒙
𝒇(𝒙) = ; 𝒙 = 𝟎, 𝟏, 𝟐, … , ∞
𝒙!
𝒆−𝟐𝟖 𝟐𝟖𝟎 𝟏
𝒙 = 𝟎 𝐏(𝐱 = 𝟎) = 𝒇(𝟎) = = 𝟐𝟖
𝟎! 𝒆
II.- MODELOS DE PROBABILIDAD DE UNA VARIABLE
ALEATORIA CONTINUA.
1. DISTRIBUCION NORMAL
La Distribución Normal es de vital importancia en estadística por
tres razones principales:
i. Numerosas variables continuas siguen aproximadamente
una ley normal
ii. Se utiliza para aproximar varias distribuciones discretas.
iii. Proporciona la base para la Inferencia Estadística.
Definición.- Una variable aleatoria continua X se distribuye
aproximadamente según una ley normal si su función de densidad
está dada por:
1 x
1  ( )2
f ( x)  e 2 
; x 
2 
Donde:
X: Variable aleatoria
N

x i
 i 1
: Pr omedio Poblacional
N

 (x i  )2
2  i 1
; Varianza Poblacinal
N

e = 2.7183,  = 3.1416

𝑿~𝑵(µ, 𝝈𝟐 )

µ
Propiedades:
1. Es simétrica respecto a µ.
2. Los valores del promedio, mediana y moda coinciden.
3. Es asintótica respecto al eje de las X.
4. Tiene como parámetros a “µ” y “σ” ⟹ 𝑿 ∼ 𝑵(µ, 𝝈𝟐 )
5. Tiene como puntos de inflexión en 𝝁 ± 𝝈

µ-𝝈 µ+ 𝝈

1.1. DISTRIBUCION NORMAL ESTANDARIZADA

Si 𝑿 ∼ 𝑵(µ, 𝝈𝟐 ) con 𝑬(𝒙) = µ y 𝑽(𝒙) = 𝝈𝟐 )
1 x
1  ( )2
f ( x)  e 2 
; x
⟹
2 
Realizando un cambio de variable:
𝒙−µ
𝒁=
𝝈
Donde:
𝒙−µ 𝑬(𝒙−µ) 𝑬(𝒙)−𝑬(µ) µ−µ 𝟎
𝑬(𝒛) = 𝑬 ( )= = = =𝝈=𝟎
𝝈 𝝈 𝝈 𝝈

𝒙−µ 𝑽(𝒙 − µ) 𝑽(𝒙) 𝝈𝟐

𝑽(𝒛) = 𝑽 ( )= = 𝟐 = 𝟐=𝟏
𝝈 𝝈𝟐 𝝈 𝝈
Por lo tanto: 𝒁 ∼ 𝑵(𝟎, 𝟏) con 𝑬(𝒁) = 𝟎 y 𝑽(𝒁) = 𝟏)

z2
1 
f ( z)  e 2
; z 
2
 𝒁~𝑵(𝟎, 𝟏)

… -3 -2 -1 0 1 2 3 …

AREAS DE UNA DISTRIBUCION NORMAL ESTANDAR (TABLA)

z 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0
0.1
0.2
.
.
.
1.0 0.3413
1.1 0.3643 0.3749
1.2 0.3849
.
.
.
2.9
3.0 0.4987

𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝟎 ≤ 𝒁 ≤ 𝒁𝟎 )

0 Z0
Ejemplo:
1.
𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝒁 ≥ 𝟎) = 𝟎. 𝟓

-3 -2 -1 0 1 2 3

2.
𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝒁 ≤ 𝟎) = 𝟎. 𝟓

-3 -2 -1 0 1 2 3

3. 𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝟎 ≤ 𝒁 ≤ 𝟏) = 𝟎. 𝟑𝟒𝟏𝟑

-3 -2 -1 0 1 2 3

4. 𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝟎 ≤ 𝒁 ≤ 𝟏. 𝟐) = 𝟎. 𝟑𝟖𝟒𝟗

-3 -2 -1 0 1 2 3
5.
𝒁~𝑵(𝟎, 𝟏)

= 𝑷(𝟎 ≤ 𝒛 ≤ 𝟏. 𝟏𝟓) = 𝟎. 𝟑𝟕𝟒𝟗

-3 -2 -1 0 1 2 3

𝒁~𝑵(𝟎, 𝟏)
6.

= 𝑷(𝒁 ≤ 𝟏) = 𝟎. 𝟖𝟒𝟏𝟑

-3 -2 -1 0 1 2 3

0.5 + 0.3413

𝒁~𝑵(𝟎, 𝟏)

7.
= 𝑷(−𝟏 ≤ 𝒁 ≤ 𝟏) = 𝟎. 𝟔𝟖𝟐𝟔

-3 -2 -1 0 1 2 3

0.3413+0.3413

𝒁~𝑵(𝟎, 𝟏)
8.
= 𝑷(𝒛 ≤ −𝟏)

-3 -2 -1 0 1 2 3

0.5
= 𝑷(𝒛 ≤ −𝟏) = 𝑷(𝒛 ≥ 𝟏) = 𝟎. 𝟓 − 𝑷(𝟎 ≤ 𝒛 ≤ 𝟏) = 𝟎. 𝟏𝟓𝟖𝟕
9. Si 𝑿 ∼ 𝑵(µ, 𝝈𝟐 ) con 𝑬(𝒙) = µ y 𝑽(𝒙) = 𝝈𝟐 )
9.1.
𝑿~𝑵(µ, 𝝈𝟐 )

=P (µ-σ ≤ X ≤ µ+σ)=?

µ−𝝈 µ µ+𝝈

Realizando el cambio de variable:

𝒙−µ
𝒁=
𝝈
(µ − 𝝈) − µ 𝒙 − µ (µ + 𝝈) − µ
𝑷(µ − 𝝈 ≤ 𝒙 ≤ µ + 𝝈) = 𝑷( ≤ ≤ )
𝝈 𝝈 𝝈
= 𝑷(−𝟏 ≤ 𝐳 ≤ 𝟏)

𝒁~𝑵(𝟎, 𝟏)

=P (-1 ≤ Z ≤ 1)=?

−𝟏 𝟎 𝟏

= 𝑷(−𝟏 ≤ 𝐳 ≤ 𝟏) = 𝟎. 𝟔𝟖𝟐𝟔 = 𝟔𝟖. 𝟐𝟔%

𝝈

9.2.
𝑿~𝑵(µ, 𝝈𝟐 )

=P (µ-1.96σ ≤ X ≤ µ+1.96σ)=?

µ − 𝟏. 𝟗𝟔𝝈 µ µ + 𝟏. 𝟗𝟔𝝈

𝝈
Realizando el cambio de variable:
𝒙−µ
𝒁=
𝝈

(µ − 𝝈) − µ 𝒙 − µ (µ + 𝝈) − µ
𝑷(µ − 𝝈 ≤ 𝒙 ≤ µ + 𝝈) = 𝑷( ≤ ≤ )
𝝈 𝝈 𝝈
= 𝑷(−𝟏. 𝟗𝟔 ≤ 𝐳 ≤ 𝟏. 𝟗𝟔)

𝒁~𝑵(𝟎, 𝟏)

=P (-1.96 ≤ Z ≤ 1.96)=?

−𝟏. 𝟗𝟔 𝟎 𝟏. 𝟗𝟔

= 𝑷(−𝟏. 𝟗𝟔 ≤𝝈𝐳 ≤ 𝟏. 𝟗𝟔) ⋍ 𝟎. 𝟗𝟓 ⋍ 𝟗𝟓%

9.3.
𝑿~𝑵(µ, 𝝈𝟐 )

=P (µ-2.58σ ≤ X ≤ µ+2.58σ)=?

µ − 𝟐. 𝟓𝟖𝝈 µ µ + 𝟐. 𝟓𝟖𝝈

𝒙−µ
Realizando el cambio de variable: 𝒁=
𝝈

𝑷(µ − 𝟐. 𝟓𝟖𝝈 ≤ 𝒙 ≤ µ + 𝟐. 𝟓𝟖𝝈)

(µ − 𝟐. 𝟓𝟖𝝈) − µ 𝒙 − µ (µ + 𝟐. 𝟓𝟖𝝈) − µ
= 𝑷( ≤ ≤ )
𝝈 𝝈 𝝈

= 𝑷(−𝟐. 𝟓𝟖 ≤ 𝐳 ≤ 𝟐. 𝟓𝟖)
 𝒁~𝑵(𝟎, 𝟏)

=P (-2.58≤ Z ≤ 2.58)=?

−𝟐. 𝟓𝟖 𝟎 𝟐. 𝟓𝟖

= 𝑷(−𝟐. 𝟓𝟖 ≤ 𝐳 ≤ 𝟐. 𝟓𝟖) ⋍ 𝟎. 𝟗𝟗 ⋍ 𝟗𝟗%

10. Determinar los valores de "𝒛𝜶 " 𝒐 "𝒛𝜶 "

𝟐

10.1
𝒁~𝑵(𝟎, 𝟏)

𝜶/𝟐 =0.025 𝜶/𝟐 =0.025

1-α=0.95

−𝒛𝜶 𝟎 𝒛𝜶
𝟐 𝟐

=P (-1.96 ≤ Z ≤ 1.96)=0.95

i) Por simple observación se tiene que 𝒛𝜶 = 𝟏. 𝟗𝟔 y −𝒛𝜶 = −𝟏. 𝟗𝟔

𝟐 𝟐
ii) Encontrando la probabilidad

𝒁~𝑵(𝟎, 𝟏)

𝜶/𝟐 =0.025 𝜶/𝟐 =0.025

−𝒛𝜶 =? 0 𝒛𝜶 =?
𝟐 𝟐

0.5

𝑷 (𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟐𝟓 ⇒ 𝑷 (𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟕𝟓
𝟐 𝟐
Para esta probabilidad de 0.475 (Tabla) el valor de 𝒛𝜶 = 𝟏. 𝟗𝟔
𝟐

10.2
𝒁~𝑵(𝟎, 𝟏)

𝜶/𝟐 =0.005 𝜶/𝟐 =0.005

1-α=0.99

−𝒛𝜶 𝟎 𝒛𝜶
𝟐 𝟐

=P (-2.58 ≤ Z ≤ 2.58)=0.99

i) Por simple observación se tiene que 𝒛𝜶 = 𝟐. 𝟓𝟖y −𝒛𝜶 = −𝟐. 𝟓𝟖

𝟐 𝟐
ii) Encontrando la probabilidad

𝒁~𝑵(𝟎, 𝟏)

𝜶/𝟐 =0.005 𝜶/𝟐 =0.005

−𝒛𝜶 =? 0 𝒛𝜶 =?
𝟐 𝟐

0.5

𝑷 (𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟎𝟓 ⇒ 𝑷 (𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟗𝟓
𝟐 𝟐

Para esta probabilidad de 0.495 (Tabla) el valor de 𝒛𝜶 = 𝟐. 𝟓𝟖

𝟐

10.3 𝒁~𝑵(𝟎, 𝟏)

𝜶 =0.05

𝟎 𝒛𝜶 =?

0.5
 i) Encontrando la probabilidad

𝑷(𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟓 ⇒ 𝑷(𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟓
Para esta probabilidad de 0.45 (Tabla) el valor de 𝒛𝜶 =
𝟏. 𝟔𝟓

10.4 𝒁~𝑵(𝟎, 𝟏)

𝜶 =0.01

𝟎 𝒛𝜶 =?

0.5

ii) Encontrando la probabilidad

𝑷(𝒛 ≥ 𝒛𝜶 ) = 𝟎. 𝟎𝟏 ⇒ 𝑷(𝟎 ≤ 𝒛 ≤ 𝒛𝜶 ) = 𝟎. 𝟒𝟗
Para esta probabilidad de 0.49 (Tabla) el valor de 𝒛𝜶 =
𝟐. 𝟑𝟑

11. Se tiene el reporte de las utilidades (X) de una empresa.

X: 10 15 14 8 11 13 15 14 12 10
Como las utilidades de la empresa es una variable continúa, se espera
que siga una distribución normal.

𝑿~𝑵(µ, 𝝈𝟐 )

µ
i. Estimando el promedio y la varianza poblacional.
∑𝒏𝒊=𝟏 𝒙𝒊 𝟏𝟐𝟐
𝝁 ̅=
̂=𝒙 = = 𝟏𝟐. 𝟐
𝒏 𝟏𝟎

∑𝒏𝒊=𝟏(𝒙𝒊 − 𝒙
̅)𝟐 ∑𝒏𝒊=𝟏 𝒙𝟐𝒊 − 𝒏(𝒙
̅𝟐 )
̂𝟐
𝝈 =𝒔 = 𝟐
=
𝒏−𝟏 𝒏−𝟏

𝟏𝟓𝟒𝟎 − 𝟏𝟎(𝟏𝟒𝟖. 𝟖𝟒) 𝟓𝟏. 𝟔

⇒ 𝒔𝟐 = = = 𝟓. 𝟕𝟑𝟑𝟑
𝟗 𝟗

Por lo tanto: 𝐗~𝐍 (𝟏𝟐. 𝟐; 𝟓. 𝟕𝟑𝟑𝟑)

ii. Calcular las siguientes probabilidades:

Utilizar: 𝒙−𝝁
𝒛=
𝝈

𝒙−𝝁 𝟖−𝟏𝟐.𝟐
a) 𝑷(𝒙 ≤ 𝟖) = 𝑷 ( ≤ ) = 𝑷(𝒛 ≤ −𝟏. 𝟕𝟓)
𝝈 𝟐.𝟑𝟗𝟒𝟒

𝒁~𝑵(𝟎, 𝟏)

−1.75 𝟎 𝟏. 𝟕𝟓

0.5

𝐏(𝐳 ≤ −𝟏. 𝟕𝟓) = 𝐏(𝐳 ≥ 𝟏. 𝟕𝟓) = 𝟎. 𝟓 − 𝐏(𝟎 ≤ 𝐳 ≤ 𝟏. 𝟕𝟓)

= 𝟎. 𝟓 − 𝟎. 𝟒𝟓𝟗𝟗 = 𝟎. 𝟎𝟒𝟎𝟏

𝟖−𝟏𝟐.𝟐 𝒙−𝝁 𝟏𝟒−𝟏𝟐.𝟐

b) 𝑷(𝟖 ≤ 𝒙 ≤ 𝟏𝟒) = 𝑷 ( 𝟐.𝟑𝟗𝟒𝟒 ≤ ≤ )
𝝈 𝟐.𝟑𝟗𝟒𝟒
 = 𝑷(−𝟏. 𝟕𝟓 ≤ 𝒛 ≤ 𝟎. 𝟕𝟓)

𝒁~𝑵(𝟎, 𝟏)

−𝟏. 𝟕𝟓 𝟎 𝟎. 𝟕𝟓

⇒ 𝐏(−𝟏. 𝟕𝟓 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓)
= 𝐏(𝟎 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓) + 𝐏(𝟎 ≤ 𝐳 ≤ 𝟏. 𝟕𝟓)
= 𝟎. 𝟐𝟕𝟑𝟒 + 𝟎. 𝟒𝟓𝟗𝟗 = 𝟎. 𝟕𝟑𝟑𝟑

𝟏𝟒−𝟏𝟐.𝟐 𝒙−𝝁 𝟏𝟔−𝟏𝟐.𝟐

c) 𝑷(𝟏𝟒 ≤ 𝒙 ≤ 𝟏𝟔) = 𝑷 ( 𝟐.𝟑𝟗𝟒𝟒 ≤ ≤ )
𝝈 𝟐.𝟑𝟗𝟒𝟒

= 𝑷(𝟎. 𝟕𝟓 ≤ 𝒛 ≤ 𝟏. 𝟓𝟗)

𝒁~𝑵(𝟎, 𝟏)

𝟎 𝟎. 𝟕𝟓 𝟏. 𝟓𝟗

⇒ 𝐏(𝟎. 𝟕𝟓 ≤ 𝐳 ≤ 𝟏. 𝟓𝟗)
= 𝐏(𝟎 ≤ 𝐳 ≤ 𝟏. 𝟓𝟗) − 𝐏(𝟎 ≤ 𝐳 ≤ 𝟎. 𝟕𝟓)
= 𝟎. 𝟒𝟒𝟒𝟏 − 𝟎. 𝟐𝟕𝟑𝟒 = 𝟎. 𝟏𝟕𝟎𝟕
2. DISTRIBUCION STUDENT = "𝒕𝒏 "

La distribución "𝒕𝒏 "la obtuvo por primera vez W.S. Gosset,

en 1908. Quien publicó sus investigaciones con el seudónimo
de Student; por lo que la distribución recibe el nombre de
distribución "𝒕𝒏 "de Student.

n 1  n 1 
( )  
2  x  2  2 
f ( x)  1   ; x
n 1  n 
( ) n
2
𝑿~𝒕𝒏

… -3 -2 -1 0 1 2 3 …

Propiedades:
1. Tiene como único parámetro a “n”
2. Existe una distribución para cada “n”
𝒏
3. 𝑬(𝒕𝒏 ) = 𝟎 y 𝑽(𝒕𝒏 ) = 𝒏−𝟐 ; 𝒏 > 𝟐

4. Es simétrica con respecto a su media aritmética.

5. En la medida que aumenta los grados de libertad la 𝑽(𝒕𝒏 )
se aproxima a “1” por lo tanto, la distribución "𝒕𝒏 " se

aproxima a la distribución 𝒛~𝑵(𝟎, 𝟏).

 Así, evaluamos las 𝑽(𝒕𝒏 ) en diferentes tamaños de
muestras:
𝟓 𝟓
i) n = 5 ⇒ 𝑽(𝒕𝟓 ) = 𝟓−𝟐 = 𝟑 = 𝟏. 𝟔𝟕
𝟏𝟎 𝟏𝟎
ii) n = 10 ⇒ 𝑽(𝒕𝟏𝟎 ) = 𝟏𝟎−𝟐 = = 𝟏. 𝟐𝟓
𝟖
𝟐𝟎 𝟐𝟎
iii) n = 20 ⇒ 𝑽(𝒕𝟐𝟎 ) = 𝟐𝟎−𝟐 = 𝟏𝟖 = 𝟏. 𝟏𝟏
𝟑𝟎 𝟑𝟎
iv) n = 30 ⇒ 𝑽(𝒕𝟑𝟎 ) = 𝟑𝟎−𝟐 = 𝟐𝟖 = 𝟏. 𝟎𝟕
𝟓𝟎 𝟓𝟎
v) n = 50 ⇒ 𝑽(𝒕𝟓𝟎 ) = 𝟓𝟎−𝟐 = 𝟒𝟖 = 𝟏. 𝟎𝟒
𝟏𝟎𝟎 𝟏𝟎𝟎
vi) n = 100 ⇒ 𝑽(𝒕𝟏𝟎𝟎) = = = 𝟏. 𝟎𝟐
𝟏𝟎𝟎−𝟐 𝟗𝟖

Si comparamos la distribución “Z” y la distribución

"𝒕𝒏 ", podemos notar que solamente se diferencian en la
varianza.
𝒁~𝑵( 𝟎, 𝟏)
𝐧
𝑿~𝒕𝒏 (𝟎, 𝐧−𝟐)
𝒏
Por lo tanto, 𝒕𝒏 ~𝒛~𝑵(𝟎, 𝟏)si 𝑽(𝒕𝒏 ) = 𝒏−𝟐 ~𝟏
Esto se cumple a partir de "𝒏 > 𝟑𝟎"

AREAS DE UNA DISTRIBUCION "𝒕𝒏 " (TABLA)

n P 0.10 0.05 0.025 0.01 0.005

1 3.078
2 1.886
.
.
.
10 1.372 1.812 2.228 2.764 3.169
.
.
.
 1.282 1.645 1.960 2.326 2.576

𝑿~𝒕𝒏

= 𝑷(𝒕𝒏 ≥ 𝒕𝟎) = 𝑷

0 𝒕
Ejemplo:
1.
𝑿~𝒕(𝟏𝟎)

= 𝑷(𝒕𝟏𝟎 ≥ 𝟏. 𝟑𝟕𝟐) = 𝟎. 𝟏𝟎

= 𝟎. 𝟏𝟎
-3 -2 -1 0 1.372

2.
𝑿~𝒕(𝟏𝟎)

= 𝑷(𝒕𝟏𝟎 ≥ 𝟐. 𝟐𝟐𝟖) = 𝟎. 𝟎𝟐𝟓

= 𝟎. 𝟎𝟐𝟓
-3 -2 -1 0 2.228

3.
𝑿~𝒕(𝟏𝟎)

𝜶 = 𝟎. 𝟎𝟐𝟓

-3 -2 -1 0 𝒕𝜶 =?

= 𝑷(𝒕𝟏𝟎 ≥ 𝒕𝜶 ) = 𝟎. 𝟎𝟐𝟓 ⇒ 𝒕𝜶 = 𝟐. 𝟐𝟐𝟖

4. Para 𝒏 = 𝟏𝟎 𝒚 𝜶 = 𝟎. 𝟎𝟓, 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒆 𝒕𝜶/𝟐

𝑿~𝒕𝟏𝟎

𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟐𝟓
𝟐
= 𝟎. 𝟎𝟐𝟓
−𝒕𝜶/𝟐 =?0 𝒕𝜶/𝟐 =?
 = P(t (10)  t / 2 )  0.025;  t / 2  2.228

5. Para 𝒏 = 𝟏𝟎 𝒚 𝜶 = 𝟎. 𝟎𝟏, 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒆 𝒕𝜶/𝟐

𝑿~𝒕𝟏𝟎

𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟎𝟓
𝟐
= 𝟎. 𝟎𝟎𝟓
−𝒕𝜶/𝟐 =? 0 𝒕𝜶/𝟐 =?

= P(t(10)  t / 2 )  0.005;  t / 2  3.169

6. Para 𝒏 = 𝟑𝟓 𝒚 𝜶 = 𝟎. 𝟎𝟓, 𝒅𝒆𝒕𝒆𝒓𝒎𝒊𝒏𝒆 𝒕𝜶/𝟐

𝑿~𝒕𝟑𝟓

𝜶
𝜶
𝟐 = 𝟎. 𝟎𝟐𝟓
𝟐
= 𝟎. 𝟎𝟐𝟓
−𝒕𝜶/𝟐 =? 0 𝒕𝜶/𝟐 =?

= P(t(35)  t / 2 )  0.025;  t / 2  No está en tabla

Por lo tanto se recomienda interpolar.
Para 𝟑𝟎 ⟶ 𝟐. 𝟎𝟒𝟎
𝟑𝟓 ⟶ 𝒙
𝟒𝟎 ⟶ 𝟐. 𝟎𝟐𝟏
𝟒𝟎 − 𝟑𝟎 𝟐. 𝟎𝟐𝟏 − 𝟐. 𝟎𝟒𝟎
⟹ =
𝟑𝟓 − 𝟑𝟎 𝒙 − 𝟐. 𝟎𝟒𝟎
𝟏𝟎 −𝟎. 𝟎𝟏𝟗
=
𝟓 𝒙 − 𝟐. 𝟎𝟒𝟎

⟹ 𝒙 = 𝟐. 𝟎𝟑𝟎𝟓
Finalmente el valor de 𝒕𝜶/𝟐 = 𝟐. 𝟎𝟑𝟎𝟓

3. DISTRIBCIÓN CHI-CUADRADO = 𝝌𝟐𝒏

La variable aleatoria “X” tiene distribución Chi-Cuadrado =
𝛘𝟐𝐧 , si su función de densidad es:
𝒏−𝟐 𝒙
𝝌 𝟐 𝒆−𝟐
𝒇(𝒙) = 𝒏 ;𝒙 > 𝟎
𝒏−𝟐
𝟐𝟐 ( 𝟐 )!

Propiedades:
1. Tiene como único parámetro a “n”
2. Existe una distribución para cada “n”
3. Es una distribución asimétrica positiva.
4. 𝑬(𝛘𝟐𝐧 ) = 𝒏 y 𝑽(𝛘𝟐𝐧 ) = 𝟐𝒏

𝛘𝟐𝐧

𝟎 ∞

AREAS DE UNA DISTRIBUCION: 𝝌𝟐𝒏 (TABLA)

n P 0.995 0.975 0.050 0.025 0.010 0.005

1 0.04..
2 0.01..
.
.
.
10 2.15.. 3.24.. 18.30.. 20.48.. 23.20.. 25.18..
.
.
.
100 67.3.. 74.2.. 124.3.. 129.5.. 135.8.. 140.1..

𝛘𝟐𝐧

= 𝐏(𝛘𝟐𝐧 ≥ 𝛘𝟐𝟎 )=P

𝟎 𝛘𝟐𝟎
Ejemplo:
1.
𝛘𝟐𝟏𝟎

= 𝐏(𝛘𝟐𝟏𝟎 ≥ 𝟏𝟖. 𝟑𝟎..)=0.05

𝟎 𝛘𝟐𝟎 =18.30..

2. Para “n = 10” y α = 0.05. Encontrar el valor de 𝛘𝟐𝛂

𝛘𝟐𝟏𝟎

α = 0.05

𝟎 𝛘𝟐𝛂 =?

De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.05=P; se tiene que 𝝌𝟐𝛂 = 𝟏𝟖. 𝟑𝟎𝟕𝟎

3. Para “n = 10” y α = 0.025. Encontrar el valor de 𝛘𝟐𝛂

𝛘𝟐𝟏𝟎

α = 0.025

𝟎 𝛘𝟐𝛂 =?
De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.025=P; se tiene que 𝝌𝟐𝛂 =
𝟐𝟎. 𝟒𝟖𝟑𝟏

4. Para “n = 10” y α = 0.05. Encontrar los valores de 𝝌𝟐𝛂 y 𝝌𝟐𝟏−𝛂/𝟐

𝛘𝟐𝟏𝟎

𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟐𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟕𝟓
= 𝟎. 𝟎𝟐𝟓
𝟐 𝟐

𝝌𝟐𝟏−𝛂 =? 𝛘𝟐𝛂/𝟐 =?
𝟐

i) Para 𝝌𝟐𝛂 : De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.025; se tiene

que 𝝌𝟐𝛂 = 𝟐𝟎. 𝟒𝟖𝟑𝟏.
𝜶
ii) Para 𝝌𝟐𝟏−𝛂 : De la Tabla de 𝝌𝟐𝒏 con n = 10 y 𝟏 − 𝟐 = 𝟎. 𝟗𝟕𝟓; se
𝟐

tiene que 𝝌𝟐𝟏−𝛂/𝟐 = 𝟑. 𝟐𝟒𝟔𝟗𝟕

5. Para “n = 10” y α = 0.01. Encontrar los valores de 𝝌𝟐𝛂 y 𝝌𝟐𝟏−𝛂/𝟐

𝛘𝟐𝟏𝟎

𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟎𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟗𝟓
= 𝟎. 𝟎𝟎𝟓
𝟐 𝟐

𝝌𝟐𝟏−𝛂 =? 𝛘𝟐𝛂 =?
𝟐

iii) Para 𝝌𝟐𝛂 : De la Tabla de 𝝌𝟐𝒏 con “n = 10” y α = 0.005; se tiene

que 𝝌𝟐𝛂 = 𝟐𝟓. 𝟏𝟖𝟖𝟐.
𝜶
iv) Para 𝝌𝟐𝟏−𝛂 : De la Tabla de 𝝌𝟐𝒏 con n = 10 y 𝟏 − 𝟐 = 𝟎. 𝟗𝟗𝟓; se
𝟐

tiene que 𝝌𝟐𝟏−𝛂/𝟐 = 𝟐. 𝟏𝟓𝟓𝟖𝟓.

4. DISTRIBUCIÓN 𝑭𝒎,𝒏
La variable aleatoria 𝑿~𝐅𝐦,𝐧 , si su función de densidad es:
𝒎+𝒏−𝟐 𝒎 𝒏 𝒎−𝟐 𝒎+𝒏
( ) ! 𝒎 𝟐 𝒏𝟐 𝝌 𝟐 (𝒏 + 𝒎𝒙) − 𝟐
𝟐
𝒇(𝒙) = ;𝒙 > 𝟎
𝒎−𝟐 𝒏−𝟐
( )!(
𝟐 𝟐 )!
𝒏
𝑬(𝐅𝐦,𝐧 ) = 𝒏−𝟐 ; 𝒏 > 𝟐
𝟐𝒏𝟐 (𝒏+𝒎−𝟒)
𝑽(𝐅𝐦,𝐧 ) = 𝒎(𝒏−𝟐)𝟐(𝒏−𝟒) ; 𝒏 > 𝟒

𝑭𝒎,𝒏

𝟎 ∞

AREAS DE UNA DISTRIBUCION: 𝑭𝒎,𝒏 (TABLA)

m
n P 1 2 3 4… 10
1
2
3
0.25 2.00
0.10 4.32
0.05 6.94
4 0.025 10.65
0.01 18.00
0.005 26.28
0.001 61.25
…

6
 𝑭𝒎,𝒏

= 𝑷(𝑭𝒎,𝒏 ) ≥ 𝑭𝟎 = 𝑷

𝟎 𝑭𝟎
Ejemplo:

𝑭𝟐,𝟒
1.

= 𝑷(𝑭𝟐,𝟒 ) ≥ 𝟐. 𝟎𝟎 = 𝟎. 𝟐𝟓

𝟎 𝑭𝟎 = 𝟐. 𝟎𝟎

𝑭𝟐,𝟒
2.

= 𝑷(𝑭𝟐,𝟒 ) ≥ 𝟒. 𝟑𝟐 = 𝟎. 𝟏𝟎

𝟎 𝑭𝟎 = 𝟒. 𝟑𝟐

3. 𝑭𝟐,𝟒

= 𝑷(𝑭𝟐,𝟒 ) ≥ 𝟏𝟎. 𝟔𝟓 = 𝟎. 𝟎𝟐𝟓

𝟎 𝑭𝟎 = 𝟏𝟎. 𝟔𝟓
4. Para m=2, n=4 y α=0.025. Determinar 𝑭𝜶
𝑭𝟐,𝟒

𝜶 = 𝟎. 𝟎𝟐𝟓

𝟎 𝑭𝜶 =?

De la Tabla 𝑭𝒎,𝒏 se tiene que 𝑭𝜶 = 𝟏𝟎. 𝟔𝟓

5. Para m=2, n=4 y α=0.05. Determinar 𝑭𝜶/𝟐 y 𝑭𝟏−𝜶/𝟐

𝑭𝟐,𝟒

𝜶 𝜶 𝜶
= 𝟎. 𝟎𝟐𝟓 𝟏−
𝟐
= 𝟎. 𝟗𝟕𝟓
= 𝟎. 𝟎𝟐𝟓
𝟐 𝟐

𝑭𝟏−𝜶(𝟐,𝟒) =? 𝑭𝜶(𝟐,𝟒) =?
𝟐
𝟐

i. De la Tabla 𝑭𝟐,𝟒 se tiene que 𝑭𝜶(𝟐,𝟒) = 𝟏𝟎. 𝟔𝟓

𝟐

ii. Para 𝑭𝟏−𝜶(𝟐,𝟒) =?

𝟐
Utilizar la siguiente relación.(Observar que los grados de
libertad están cambiados en el segundo miembro de esta
igualdad).

𝟏
𝑭𝟏−𝜶(𝒎,𝒏) =
𝟐 𝑭𝜶(𝒏,𝒎)
𝟐

Por lo tanto:
𝟏 𝟏
𝐅𝟏−𝛂(𝟐,𝟒) = = = 𝟎. 𝟎𝟐𝟓𝟒𝟖
𝟐 𝐅𝛂(𝟒,𝟐) 𝟑𝟗. 𝟐𝟓
𝟐
 5. RELACIONES ENTRE DISTRIBUCIONES
CONTINUAS:
5.1 𝑿~ 𝑵( 𝝁, 𝝈𝟐 )
𝒙−𝝁
5.2 𝒁 = ~ 𝑵 (𝟎, 𝟏)
𝝈
𝒙−𝝁 𝟐
5.3 𝒁𝟐 = ( ) ~ 𝝌𝟐(𝟏)
𝝈
𝒙𝒊 −𝝁𝒊 𝟐
5.4 𝒁𝟐𝒏 = ∑𝒏𝒊=𝟏( ) ~ 𝝌𝟐(𝒏)
𝝈𝒊

5.5 Se tiene:
𝒙−𝝁
𝒂) 𝒁= ~ 𝑵 (𝟎, 𝟏)
𝝈
𝒃) 𝝌𝟐(𝒏)
Entonces el cociente de a), b) genera:
𝒁
⇒ = 𝒕𝒏
𝝌𝟐(𝒏)
√
𝒏

5.6 Se tiene:
𝒂) 𝝌𝟐(𝒎)

𝒃) 𝝌𝟐(𝒏)

𝝌𝟐(𝒎)
⇒ 𝒎 = 𝑭𝒎,𝒏
𝝌𝟐(𝒏)
𝒏
𝝌𝟐
(𝟏)
𝒁 𝒁 𝒁𝟐
5.7 𝑺𝒊 𝒕𝒏 = ⇒ (𝒕𝒏 )𝟐 = ( )𝟐 = 𝝌𝟐
= 𝟏
𝝌𝟐
= 𝑭𝟏,𝒏
𝝌𝟐
(𝒏) 𝝌𝟐
(𝒏)
(𝒏) (𝒏)
√ √ 𝒏 𝒏
𝒏 𝒏
 TABLAS ESTADISTICAS
1. Distribución Normal Estándar
2. Distribución “t” de Student
3. Distribución Chi-Cuadrado =𝜒 2
4. Distribución F(m,n) de Fisher-Snedecor.