Distribuciones notables continúas aplicando

RStudio
Distribución Objetivo Función Uso de la Aplicación de la función Gráfica
de función con ejemplos
RStudio

Uniforme P(X ≤ a) = P(X punif Permite obtener # Luego de haber instalado el paquete fastGraph
< a) probabilidades
acumuladas # Uniforme(α =10, β =20) library(fastGraph)
X U(α, β) Se conoce el hasta cierto # P(X ≤ 17.3) = P(X <17.3)
valor máximo
α≤ x≤ β valor de la
que puede # punif(x=17.3, α = 10, β =20) # shadeDist(x=17.3, función densidad="dunif", α = 10, β =20)
variable de
tomar la estudio.
variable X (a)
Donde:
punif(17.3,10,20) shadeDist(17.3,"dunif",10,20)
α = Es el valor
mínimo de la X.

β = Es el valor P(X ≥ a) = 1 - punif Permite obtener # Uniforme(α =10, β =20)

máximo de la X. P(X < a) probabilidades
mayores o # P(X ≥ 17.3) = 1- P(X <17.3) # Luego de haber instalado el paquete fastGraph
P(X > a) = 1 - iguales a un # P(X > 17.3) = 1- P(X ≤ 17.3) library(fastGraph)
P(X ≤ a) valor.
Se conoce el 1-punif(17.3,10,20)
valor mínimo # otra forma: shadeDist(17.3,"dunif",10,20, lower.tail = F)
que puede
tomar la
variable X (a) punif(17.3,10,20,lower.tail=F)

P( a ≤ X ≤ b) punif Permite hallar la # Uniforme(α =10, β =20)

probabilidad
Se conocen los correspondiente # P( 15.1 ≤ X ≤ 16.2) = P(X # Luego de haber instalado el paquete fastGraph
valores entre <16.2) - P(X <15.1)
a un intervalo library(fastGraph)
los cuales se de valores.
encuentra la punif(16.2,10,20) -
punif(15.1,10,20)
variable X (a y
b) shadeDist(c(15.1,16.2),"dunif",10,20, lower.tail = F)

P(X ≤ a) = p qunif permite obtener # Uniforme(α =10, β =20)

un cuantil dado
Se conoce el un valor de # P(X ≤ a) = 0.90 # Luego de haber instalado el paquete fastGraph
valor de la probabilidad. # a es el Percentil 90 library(fastGraph)
probabilidad p
acumulada a # qunif(p=0.90, α = 10, β =20)
la izquierda de
la constante a. shadeDist(qunif(0.90,10,20),"dunif",10,20)

qunif(0.90,10,20)

P(X > a) = p qunif permite obtener # Uniforme(α =10, β =20)

un cuantil dado
 Se conoce el un valor de # P(X > a) = 0.90 # Luego de haber instalado el paquete fastGraph
valor de la probabilidad.
probabilidad p # P(X ≤ a) = 0.10 library(fastGraph)
acumulada a
la derecha de
la constante a. # a es el Percentil 10 shadeDist(qunif(0.10,10,20),"dunif",10,20,lower.tail = F)

# qunif(p=0.10, α = 10, β =20)

qunif(0.10,10,20) shadeDist(qunif(0.90,10,20),"dunif",10,20)

# otra forma:

qunif(0.90,10,20,lower.tail=F)

Exponencial P(X ≤ a) = P(X pexp Permite obtener # Exponencial( β =20) # Luego de haber instalado el paquete fastGraph
< a) probabilidades
X Exp( β ) acumuladas # P(X ≤ 16.2) = P(X <16.2) library(fastGraph)
Se conoce el hasta cierto # pexp(x=16.2,1/ β =1/20) # shadeDist(x=16.2, función densidad="dexp", 1/ β =1/20)
X>0 valor máximo valor de la
que puede pexp(16.2,1/20)
variable de
tomar la estudio.
variable X (a) shadeDist(16.2,"dexp",1/20)
Donde:

β = Es la media
poblacional o valor P(X ≥ a) = 1 - pexp Permite obtener # Exponencial( β =20) # Luego de haber instalado el paquete fastGraph
esperado. P(X < a) probabilidades
# P(X ≥ 16.2) = 1- P(X <16.2) library(fastGraph)
mayores o
P(X > a) = 1 - iguales a un
P(X ≤ a)
Se conoce el valor. # P(X > 16.2) = 1- P(X ≤ 16.2)
valor mínimo
que puede 1- pexp(16.2,1/20) shadeDist(16.2,"dexp",1/20,lower.tail = F)
tomar la # otra forma:
variable X (a)
pexp(16.2,1/20,lower.tail=F)

P( a ≤ X ≤ b) pexp Permite hallar la # Exponencial( β =20) # Luego de haber instalado el paquete fastGraph
probabilidad
Se conocen los # P( 15.1 ≤ X ≤ 16.2) = P(X library(fastGraph)
correspondiente
valores entre a un intervalo <16.2) - P(X <15.1)
los cuales se de valores. pexp(16.2,1/20) -
encuentra la shadeDist(c(15.1,16.2),"dexp",1/20,lower.tail = F)
variable X (a y pexp(15.1,1/20)
b)

P(X ≤ a) = p qexp permite obtener # Exponencial( β =20)

un cuantil dado
Se conoce el un valor de # P(X ≤ a) = 0.70 # Luego de haber instalado el paquete fastGraph
valor de la probabilidad. # a es el Percentil 70 library(fastGraph)
probabilidad p
acumulada a # qexp(p=0.70,1/ β =1/20)
la izquierda de
la constante a. shadeDist(qexp(0.70,1/20),"dexp",1/20)

qexp(0.70,1/20)

P(X > a) = p qexp permite obtener # Exponencial( β =20) # Luego de haber instalado el paquete fastGraph
un cuantil dado
Se conoce el # P(X > a) = 0.70 library(fastGraph)
un valor de
valor de la
probabilidad p probabilidad. # P(X ≤ a) = 0.30
acumulada a
la derecha de shadeDist(qexp(0.30,1/20),"dexp",1/20)
la constante a. # a es el Percentil 30

# qexp(p=0.30,1/ β =1/20)

qexp(0.30,1/20)

# otra forma:

qexp (0.70,1/20,lower.tail=F)

Distribuciones notables continúas aplicando

RStudio
 Distribución Objetivo Función Uso de la Aplicación de la Gráfica
de función función con
RStudio ejemplos

Normal P(X ≤ a) = P(X < pnorm Permite obtener # Normal ( μ =20 ,σ 2=25) # Instalar el paquete fastGraph
a) probabilidades
acumuladas # Normal ( μ =20 , σ =5) library(fastGraph)
X N ( , 2) Se conoce el hasta cierto # shadeDist(x=15.2, función densidad="dnorm", μ =20 , σ =5)
valor máximo # P(X ≤ 15.2) = P(X <15.2)
−∞ < x <∞ valor de la
que puede variable de # pnorm(x=15.2, μ =20 , σ
tomar la estudio. =5)
variable X (a) shadeDist(15.2,"dnorm",20,5)
Donde: pnorm(15.2,20,5)

 = Es la media P(X ≥ a) = 1 - pnorm Permite obtener # Normal ( μ =20 ,σ 2=25)

poblacional o P(X < a) probabilidades
# Normal ( μ =20 , σ =5) # Luego de haber instalado el paquete fastGraph
valor esperado. mayores o
P(X > a) = 1 - iguales a un
P(X ≤ a) # P(X ≥ 15.2) = 1- P(X library(fastGraph)
2
 = Es la varianza valor.
<15.2)
poblacional. Se conoce el
valor mínimo # P(X > 15.2) = 1- P(X ≤
shadeDist(15.2,"dnorm",20,5,lower.tail = F)
que puede 15.2)
tomar la
1-pnorm(15.2,20,5)
variable X (a)
# otra forma:

pnorm
(15.2,20,5,lower.tail=F)
P( a ≤ X ≤ b) pnorm Permite hallar la # Normal ( μ =20 ,σ 2=25)
probabilidad
Se conocen los correspondiente # Normal ( μ =20 , σ =5) # Luego de haber instalado el paquete fastGraph
valores entre a un intervalo library(fastGraph)
los cuales se # P( 15.1 ≤ X ≤ 16.2) = P(X
de valores.
encuentra la <16.2) - P(X <15.1)
variable X (a y
pnorm(16.2,10,20) -
b) shadeDist(c(15.1,16.2),"dnorm",20,5,lower.tail = F)
pnorm(15.1,10,20)

P(X ≤ a) = p qnorm permite obtener # Normal ( μ =20 ,σ 2=25)

un cuantil dado
Se conoce el # Normal ( μ =20 , σ =5) # Luego de haber instalado el paquete fastGraph
un valor de
valor de la probabilidad.
probabilidad p library(fastGraph)
acumulada a la
# P(X ≤ a) = 0.80
izquierda de la
constante a. # a es el Percentil 80

# qnorm(p=0.80, μ =20 , σ shadeDist(qnorm(0.80,20,5),"dnorm",20,5)

=5)

qnorm(0.80,20,5)

P(X > a) = p qnorm permite obtener # Normal ( μ =20 ,σ 2=25) # Luego de haber instalado el paquete fastGraph
un cuantil dado
Se conoce el # Normal ( μ =20 , σ =5) library(fastGraph)
un valor de
valor de la probabilidad.
probabilidad p # P(X > a) = 0.80
acumulada a la
 derecha de la # P(X ≤ a) = 0.20
constante a.
shadeDist(qnorm(0.20,20,5),"dnorm",20,5)

# a es el Percentil 20

qnorm(0.20,20,5)

# otra forma:

qnorm shadeDist(qnorm(0.80,20,5,lower.tail=F),"dnorm",20,5,lower.tail=F)
(0.80,20,5,lower.tail=F)

Chi- P(X ≤ a) = P(X < pchisq Permite obtener # Chi-cuadrado (n =25)

a) probabilidades
cuadrado acumuladas # P(X ≤ 28.3) = P(X <28.3) # Luego de haber instalado el paquete fastGraph
Se conoce el hasta cierto
2 # pchisq (x=28.3,n =25) library(fastGraph)
X X (n) valor máximo valor de la
que puede variable de pchisq(28.3,25)
−∞ < x <∞ tomar la estudio.
variable X (a) # shadeDist(x=28.3, función densidad="dchisq", n=25)

shadeDist(28.3,"dchisq",25)
Donde:
P(X ≥ a) = 1 - Pchisq Permite obtener # Chi-cuadrado (n =25)
n= Grado de P(X < a) probabilidades
mayores o # P(X ≥ 28.3) = 1- P(X # Luego de haber instalado el paquete fastGraph
libertad de la
P(X > a) = 1 - <28.3)
distribución. iguales a un library(fastGraph)
P(X ≤ a) valor. # P(X > 28.3) = 1- P(X ≤
Se conoce el 28.3) shadeDist(28.3,"dchisq",25,lower.tail = F)
valor mínimo
que puede # 1 - pchisq (x=28.3,n =25)
tomar la 1- pchisq(28.3,25)
variable X (a)

# otra forma:

pchisq
(28.3,25,lower.tail=F)

P( a ≤ X ≤ b) pchisq Permite hallar la # Chi-cuadrado (n =25)

probabilidad
P( a < X < b) correspondiente # P( 26.8 ≤ X ≤ 32.7) = # Luego de haber instalado el paquete fastGraph
a un intervalo # P( 26.8 < X< 32.7) = library(fastGraph)
de valores.
Se conocen los # P(X <32.7) - P(X <26.8)
valores entre
pchisq(32.7,25)- shadeDist(c(26.8,32.7),"dchisq",25,lower.tail = F)
los cuales se
encuentra la pchisq(26.8,25)
variable X (a y
b)

P(X ≤ a) = p qchisq permite obtener # Chi-cuadrado (n =25)

un cuantil dado
Se conoce el un valor de # P(X ≤ a) = 0.80 # Luego de haber instalado el paquete fastGraph
valor de la probabilidad. # qchisq (p=0.80,n =25) library(fastGraph)
probabilidad p
acumulada a la qchisq(0.80,25) shadeDist(qchisq(0.80,25),"dchisq",25)
izquierda de la
 constante de
la constante a.

P(X > a) = p qchisq permite obtener # Chi-cuadrado (n =25)

un cuantil dado
Se conoce el # P(X > a) = 0.80 # Luego de haber instalado el paquete fastGraph
un valor de
valor de la probabilidad.
probabilidad p # P(X ≤ a) = 0.20 library(fastGraph)
acumulada a la shadeDist(qchisq(0.20,25),"dchisq",25)
derecha de la
constante a. # a es el Percentil 20

qchisq(0.20,25) # otra forma:

shadeDist(qchisq (0.80,25,lower.tail=F),"dchisq",25,lower.tail = F)

# otra forma:

qchisq
(0.80,25,lower.tail=F)

T-Student P(X ≤ a) = P(X < pt Permite obtener # T-Student (n =20) # Instalar el paquete fastGraph
a) probabilidades
acumuladas # P(X ≤ 2.4) = P(X <2.4) library(fastGraph)
X t (n) Se conoce el hasta cierto # pt (x=2.4,n =20)
valor máximo valor de la
x >0
que puede pt(2.4,20) # shadeDist(x=2.4, función densidad="dt", n=20)
variable de
tomar la estudio.
variable X (a) shadeDist(2.4,"dt",20)
Donde:
P(X ≥ a) = 1 - pt Permite obtener # T-Student (n =20)
probabilidades
n= Grado de P(X < a) mayores o # P(X ≥ 2.4) = 1- P(X <2.4)
iguales a un
libertad de la P(X > a) = 1 - # P(X > 2.4) = 1- P(X ≤ 2.4) # Luego de haber instalado el paquete fastGraph
valor.
distribución. P(X ≤ a)
# 1 - pt (x=2.4,n =20) library(fastGraph)
Se conoce el
valor mínimo 1- pt(2.4,20)
que puede shadeDist(2.4,"dt",20,lower.tail = F)
tomar la
variable X (a) # otra forma:

pt (2.4,20,lower.tail=F)

P( a ≤ X ≤ b) pt Permite hallar la # T-Student (n =20)

probabilidad
P( a < X < b) correspondiente # P( 0.5 ≤ X ≤ 2.8) = # Luego de haber instalado el paquete fastGraph
a un intervalo # P( 0.5 < X< 2.8) = library(fastGraph)
de valores.
Se conocen los # P(X < 2.8) - P(X < 0.5)
valores entre
pt(2.8,20)- pt(0.5,20) shadeDist(c(0.5,2.8),"dt",20,lower.tail = F)
los cuales se
encuentra la
variable X (a y
b)

P(X ≤ a) = p qt permite obtener # T-Student (n =15)

un cuantil dado
Se conoce el un valor de # P(X ≤ a) = 0.90 # Luego de haber instalado el paquete fastGraph
valor de la probabilidad. # qt (p=0.90,n =15) library(fastGraph)
probabilidad p
acumulada a la
 izquierda de la qt(0.90,15)
constante a.
shadeDist(qt(0.90,15),"dt",15)

P(X > a) = p qt permite obtener # T-Student (n =15) # Luego de haber instalado el paquete fastGraph
un cuantil dado
Se conoce el # P(X > a) = 0.90 library(fastGraph)
un valor de
valor de la probabilidad.
probabilidad p # P(X ≤ a) = 0.10
acumulada a la shadeDist(qt(0.10,15),"dt",15)
derecha de la
constante a. # a es el Percentil 10

qt(0.10,15) # otra forma:

shadeDist(qt (0.90,15,lower.tail=F),"dt",15,lower.tail = F)

# otra forma:

qt (0.90,15,lower.tail=F)

F-Fisher P(X ≤ a) = P(X < pt Permite obtener # F-Fisher (m =18, n=12) # Luego de haber instalado el paquete fastGraph
a) probabilidades
acumuladas # P(X ≤ 2.72) = P(X <2.72) library(fastGraph)
X F (m,n) Se conoce el hasta cierto # pf (x=2.72,m =18,n=12)
valor máximo valor de la
x >0
que puede pf(2.72,18,12) # shadeDist(x=2.72, función densidad="df", m=18,n=12)
variable de
tomar la estudio.
variable X (a) shadeDist(2.72,"df",18,12)
Donde: P(X ≥ a) = 1 - pt Permite obtener # F-Fisher (m =18, n=12)
P(X < a) probabilidades
m= Grado de mayores o # P(X ≥ 2.72) = 1- P(X # Luego de haber instalado el paquete fastGraph
P(X > a) = 1 - <2.72)
libertad del iguales a un library(fastGraph)
P(X ≤ a) valor.
numerador. # P(X > 2.72) = 1- P(X ≤
Se conoce el 2.72)
n= Grado de valor mínimo
libertad del que puede # 1 - pf (x=2.72,m
denominador =18,n=12) shadeDist(2.72,"df",18,12,lower.tail = F)
tomar la
variable X (a) 1- pf(2.72,18,12)
.

# otra forma:

pf (2.72,18,12,lower.tail=F)

P( a ≤ X ≤ b) pt Permite hallar la # F-Fisher (m =18, n=12) # Luego de haber instalado el paquete fastGraph
probabilidad
P( a < X < b) correspondiente # P( 1.2 ≤ X ≤ 3.7) = library(fastGraph)

Se conocen los a un intervalo # P( 1.2 < X< 3.7) =

valores entre de valores.
# P(X <3.7) - P(X <1.2) shadeDist(c(1.2,3.7),"df",18,12,lower.tail = F)
los cuales se
encuentra la pf(3.7,18,12)- pf(1.2,18,12)
variable X (a y
b)

P(X ≤ a) = p qt permite obtener # F-Fisher (m =18, n=12) # Luego de haber instalado el paquete fastGraph
un cuantil dado
Se conoce el un valor de # P(X ≤ a) = 0.80 library(fastGraph)
valor de la probabilidad.
probabilidad p
acumulada a la # qf (p=0.80,m=18,n =12) shadeDist(qf(0.80,18,12),"df",18,12)
izquierda de la
constante a. qf(0.80,18,12)

P(X > a) = p qt permite obtener # F-Fisher (m =18, n=12) # Luego de haber instalado el paquete fastGraph
un cuantil dado
Se conoce el un valor de # P(X > a) = 0.40 library(fastGraph)
valor de la probabilidad. # P(X ≤ a) = 0.60 shadeDist(qf(0.60,18,12),"df",18,12)
probabilidad p
acumulada a la # a es el Percentil 20 shadeDist(qf(0.40,18,12,lower.tail=F)
derecha de la
constante a. qf(0.60,18,12) ,"df",18,12,lower.tail = F)

# otra forma:

qf(0.40,18,12,lower.tail=F)
 FÓRMULAS: DISTRIBUCIÓN: NORMAL, JI- CUADRADO, T DE STUDENT,
F DE FISHER

Distribución Valor esperado Varianza

Normal: X N ( μ , σ2) µ σ2

X−μ
Normal estándar: Z= Z N ( 0 ,1 ) 0 1
σ

2
Ji-Cuadrado: X χ (n) n 2n

n
T de Student: X t (n) 0
n−2

n 2n (m+ n−2)
F de Fisher: X F(m ,n )
n−2 m¿ ¿

2 2
i. Distribución Ji-cuadrado: Si Z ~ N(0, 1) entonces Z χ (1)

Z Z
T= = t (n)

√ √
2
ii. Distribución T de Student : Si Z~ N(0, 1) y Y χ (n) entonces Y 2
χ(n)
n n
 2
X χ (m)
2 2 m m
iii. Distribución F de Fisher: Si X χ (m) y Y χ (n) entonces F= = F(m ,n )
Y 2
χ (n)
n n

FÓRMULAS: DISTRIBUCIONES MUESTRALES

( )
2
σ
x ~ N μ;
n
Distribución muestral de la media muestral:
x−μ
s ~ t(n-1)
√n
Distribución muestral de la proporción
muestral: p ~ N π; n(
π (1−π )
)
(n−1) s2
Distribución muestral de la varianza muestral: 2
~ χ 2(n−1)
σ

Actualizado 21 de febrero 2023