Tema5 2324

Índice
Distribuciones discretas
Distribuciones continuas
Teorema central del lı́mite
Distribuciones obtenidas de la normal
Bibliografı́a
Tema 5 Distribuciones con nombre propio
Grupos D107-DM107
Curso 2023-2024
D107-DM107 5. Estadı́stica 1/52

Índice
Bibliografı́a
Tema 5 Distribuciones con nombre propio

1 Distribuciones discretas
Distribución binomial
Distribución geométrica
Distribución de Poisson
2 Distribuciones continuas
Distribución uniforme
Distribución exponencial
Distribución normal
3 Teorema central del lı́mite
Relación entre B(n, p), P(λ) y N(0, 1)
4 Distribuciones obtenidas de la normal

Distribución χ2 de Pearson
Distribución t de Student
Distribución F de Snedecor
5 Bibliografı́a

Índice
Bibliografı́a
5.1 Distribuciones discretas

1 Distribución binomial.
2 Distribución geométrica.
3 Distribución de Poisson.

Índice
Bibliografı́a
Experimento de Bernoulli:
1 El experimento tiene dos posibles resultados: éxito, (A), y fracaso
(A).
2 La proporción de elementos de A y A es constante y no se modifica
cualquiera que sea la cantidad observada.
P(A) = p, P(A) = 1 − p = q
3 Las observaciones son independientes.

Este modelo se aplica a:
Poblaciones finitas de las que se extraen elementos al azar con
reemplazamiento.
Poblaciones conceptualmente infinitas , siempre que P(A) sea
constante.

Índice
Bibliografı́a
Distribución de Bernoulli: se define una variable aleatoria discreta X, tal

que:
A −→ 1
A −→ 0
xi 1 0
pi p 1−p
Entonces,
P(X = x) = px (1 − p)1−x , x = 0, 1.
µ = E(X) = p.
σ2 = Var(X) = E(X2 ) − (E(X))2 = p − p2 = p(1 − p) = pq.

Índice
Bibliografı́a
Distribución binomial: la distribución binomial se define en un proceso o

experimento de Bernoulli como
X = Número de éxitos al realizar n pruebas. X ∼ B(n, p)
Los posibles valores de X son 0, 1, 2, . . . , n.

La probabilidad del suceso A
| .{z
. . A} A . . A} es:
| .{z
k n−k
| .{z
P(A . . A} A . . A}) = pk (1 − p)n−k
| .{z
k n−k
por la hipótesis de independencia.

El número de sucesos con k éxitos y n − k fracasos es

k,n−k n
Pn =
k

Índice
Bibliografı́a
Entonces,

n k
P(X = k) = p (1 − p)n−k , k = 0, 1, . . . , n
k
Además, se cumple que
X = X1 + X2 + · · · + Xn
donde Xi son variables aleatorias con distribución de Bernoulli, es decir,
Xi ∼ B(1, p), i = 1, 2, . . . , n
de donde,
E(X) = E(X1 + X2 + · · · + Xn ) = np.
Xn
Var(X) = Var(X1 + X2 + · · · + Xn ) =
|{z} Var(Xi ) = npq.
i=1
Independencia
Índice
Bibliografı́a
Ejemplo
Una alarma contra incendios emplea tres sensores sensibles a la

temperatura que funcionan de manera independiente, de tal forma que
uno o varios pueden activarla. La probabilidad de que cada sensor active
la alarma cuando la temperatura es mayor o igual a 100◦ C es p = 0.8.
Sea X es el número de sensores que se activan cuando la temperatura
alcanza los 100◦ C, se pide:
1 Determinar su distribución de probabilidades.
2 Calcular la probabilidad de que la alarma funcione cuando la
temperatura alcance los 100◦ C.

Índice
Bibliografı́a
B(8,0.2) B(8,0.8)
0.5 0.5
0.4 0.4
0.3 0.3
0.2 0.2
0.1 0.1
0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
B(8,0.5)
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7 8

Índice
Bibliografı́a
La distribución binomial está tabulada.

Las tablas suelen contener la función de distribución de la variable
para n ⩽ 10 (también n ⩽ 20, n ⩽ 25) y algunos valores de
p ⩽ 0.5.
Si p > 0.5, se pueden efectuar los cálculos teniendo en cuenta que:
X ∼ B(n, p) Y = n − X ∼ B(n, 1 − p)
X = k equivale a que Y = n − k, entonces,
P(X = k) = P(Y = n − k)

n k n−k n
p (1 − p) = pk · (1 − p)n−k
k n−k

Índice
Bibliografı́a
Ejemplo
En una ciudad se encontró que el 20 % de los hogares tenı́an calefacción

por suelo radiante. Si se seleccionan nueve hogares al azar, se pide:
1 Número de hogares que se espera tengan suelo radiante.
2 Probabilidad de que dos hogares tengan suelo radiante.
3 Probabilidad de que ninguno tenga suelo radiante.
4 Probabilidad de que al menos cinco hogares tengan suelo radiante.

Índice
Bibliografı́a
Distribución geométrica: la distribución geométrica, X ∼ G(p), se define

en un proceso de Bernoulli como
X = Número de pruebas realizadas hasta obtener el primer éxito.
La variable X puede tomar los valores 1, 2, . . . , n, . . ..

La probabilidad del suceso A . . A} A es:
| .{z
n−1
| .{z
P(A . . A} A) = P(X = n) =
|{z} (1 − p)n−1 p
n−1 Independencia
X
+∞
1
E(X) = k(1 − p)k−1 p = .
p
k=1
1−p q
Var(X) = E(X2 ) − (E(X))2 = 2
= 2.
p p
Índice
Bibliografı́a
G(0.2)
0.2
0.1
0
1 2 3 4 5 6 7 8 9 10 11
G(0.5)
0.5
0
1 2 3 4 5 6 7
G(0.8)
0.5
0
1 2 3 4 5 6 7

Índice
Bibliografı́a
Ejemplo
Una empresa petrolı́fera hará una serie de perforaciones en determinada

área para localizar un pozo productivo . La probabilidad de que tenga
éxito en un ensayo es 0.2.
1 ¿Cuál es la probabilidad de que no encuentren un pozo productivo
hasta la tercera perforación?
2 Si solo puede perforar diez pozos, ¿cuál es la probabilidad de que no
encuentren un pozo productivo?

Índice
Bibliografı́a
Ejemplo
Sea X ∼ G(p). Comprobar que para a, b ∈ N se cumple:

1 P(X > a) = (1 − p)a = qa .
2 P(X > a + b/X > a) = qb = P(X > b)
La distribución geométrica no tiene memoria.

Índice
Bibliografı́a
Distribución de Poisson:
1 Se considera un experimento en el que se observa el número de
veces que aparece un mismo suceso sobre un soporte continuo.
2 El número medio de sucesos es constante por unidad de observación
(tiempo, área, . . . ), es decir el proceso es estable.
3 Los sucesos aparecen de forma independiente.
X = número de veces que ocurre el suceso A por unidad de observación
X ∼ P(λ), λ > 0
La variable X puede tomar los valores 0, 1, 2, . . . , n, . . . y la probabilidad
del suceso X = k es
λk
P(X = k) = e−λ k = 0, 1, 2 . . .
k!

Índice
Bibliografı́a
Ejemplos:
1 Número de erratas en una página de una publicación.
2 Número de glóbulos rojos por unidad de volumen.
3 Número de llamadas en un centro de atención al cliente en una
franja horaria determinada.
4 Número de vehı́culos que repostan en una determinada gasolinera
diariamente.
5 Número de asegurados de una compañı́a que han declarado algún
siniestro en el último año
Se puede probar que:
E(X) = Var(X) = λ
La distribución de Poisson está tabulada.

Índice
Bibliografı́a
Ejemplo
El número de pedidos diario de una determinada pieza de repuesto de un

vehı́culo se ajusta a una distribución de Poisson de parámetro λ = 2. El
almacén dispone de tres piezas, en caso de que un dı́a cualquiera se
requieran más piezas deben pedirse a fábrica.
1 En un dı́a cualquiera, ¿cuál es la probabilidad de tener que pedir

una pieza a fábrica?
2 ¿Cuál es el número medio de pedidos por dı́a?
3 ¿Cuántas piezas deberı́an permanecer en el almacén para no tener
que pedir piezas el 90 % de los dı́as?

Índice
Bibliografı́a
P(0.5) P(2) P(5)

0.35 0.25
0.6
0.3
0.2
0.5
0.25
0.4 0.15
0.2
0.3
0.15
0.1
0.2
0.1
0.05
0.1 0.05
0 0 0
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8
La asimetrı́a de la distribución disminuye al crecer λ.

Índice
Bibliografı́a
La distribución de Poisson aparece como lı́mite de la distribución

binomial si n es grande y p pequeño, siendo np constante.
X ∼ B(n, p)
Si p < 0.1 y np < 5, entonces se puede aproximar la distribución de X

por:
X ∼ P(λ) donde λ = np
B(50,0.08) P(4)
0.25 0.25
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
0 10 20 30 40 50 0 10 20 30 40 50

Índice
Bibliografı́a
Ejemplo
Un centro de datos contiene 1000 servidores. Cada servidor tiene una

probabilidad de 0.003 de fallar en un dı́a determinado.
a Calcula, para un dı́a en concreto:
1 La probabilidad de que fallen exactamente dos servidores.
2 La probabilidad de que funcionen menos de 998 servidores.
3 El número medio de servidores que fallan.
4 La desviación tı́pica del número de servidores que fallan.
b Calcula la probabilidad de que fallen menos de cuatro servidores en
cuatro dı́as.

Índice
Bibliografı́a
5.2 Distribuciones continuas

1 Distribución uniforme.
2 Distribución exponencial.
3 Distribución normal.

Índice
Bibliografı́a
Distribución uniforme: una variable aleatoria X tiene una distribución de

probabilidad uniforme en el intervalo (a, b) si y solo si la función de
densidad de X es:
1
si a < x < b
f(x) = b−a , X ∼ U(a, b)
0 en otro caso
a y b son los parámetros de la función de densidad.
Función de distribución:


 0 si x < a


 Zx Zx
F(X) = P(X ⩽ x) = 1 1 x−a
 dt = dt = si a ⩽ x < b

 b−a b−a b−a


−∞ a
1 si b ⩽ x
a+b (b − a)2
E(X) = , Var(X) = .
2 12

Índice
Bibliografı́a
Esperanza y varianza:
1
si a < x < b
X ∼ U(a, b), f(x) =
b−a
0 en otro caso
Z∞ Zb b
x 1 1 2
E(X) = xf(x) dx = dx = x =
−∞ a b−a b−a2 a
1 (b − a)(b + a) a+b
= (b2 − a2 ) = =
2(b − a) 2(b − a) 2
Z∞
(a + b)2
Var(X) = E(X2 ) − (E(X))2 = x2 f(x) dx − =
−∞ 4
Zb
x2 (a + b)2 (b − a)2
= dx − =
a b−a 4 12

Índice
Bibliografı́a
Ejemplo
El tiempo que tardan en ir y volver unos camiones que transportan

hormigón a un lugar donde se construye una carretera está distribuido
uniformemente en el intervalo de 50 a 70 minutos. ¿Cuál es la
probabilidad de que el tiempo de viaje sea mayor que 65 minutos si se
sabe que supera los 55 minutos?

Índice
Bibliografı́a
Distribución exponencial: una variable aleatoria X tiene una distribución

de probabilidad exponencial si y solo si la función de densidad de X es:
ae−ax si x ⩾ 0
f(x) = , a > 0, X ∼ Exp(a)
0 si x < 0
a es el parámetro de la función de densidad.
Función de distribución:

 0
Zx Zx si x < 0
F(X) = P(X ⩽ x) =
 ae−at dt = ae−at dt = 1 − e−ax si x ⩾ 0
−∞ 0
1 1
E(X) = , Var(X) = .
a a2

Índice
Bibliografı́a
f(x)=a exp(-ax), x>0

1
a = 1/5
0.9 a = 1/2
a=1
0.8
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8 10 12 14 16 18 20
x
Índice
Bibliografı́a
Z∞ Z∞ Zb
E(X) = xf(x) dx = xae−ax dx = lı́m xae−ax dx =
b→+∞ 0
−∞ 0
Zb b
−ax b
−ax −1 −ax
= lı́m −xe 0
+ lı́m e dx = lı́m e =
b→+∞ b→+∞ 0 b→+∞ a 0
1
=
a
Z∞
1
Var(X) = E(X2 ) − (E(X))2 = x2 f(x) dx − 2 =
a
Zb −∞
2 −ax 1 2 1 1
= lı́m x ae dx − 2 = 2 − 2 = 2 .
b→+∞ 0 a a a a
La distribución exponencial se utiliza fundamentalmente para modelar
duraciones de vida, como la longevidad de seres vivos, o la duración de
un objeto hasta que se averı́a.

Índice
Bibliografı́a
Ejemplo
Se ha observado que la vida de ciertos componentes sigue una

distribución exponencial con media seis años.
1 Calcular la probabilidad de que un componente tenga una vida entre
cinco y siete años.
2 Calcular el percentil 0.95 de la distribución.
3 Calcular la probabilidad de que un componente que ha vivido seis
años viva más de diez.

Índice
Bibliografı́a
La distribución exponencial está relacionada con la distribución de

Poisson. Si X ∼ P(λ), la distribución de la variable aleatoria:
Y = tiempo entre la ocurrencia de dos sucesos consecutivos en un

proceso de Poisson
es una exponencial de parámetro a = λ, Y ∼ Exp(a)
Ejemplo
Se supone que el número de bajas por enfermedad semanales entre los empleados de
unos grandes almacenes sigue una distribución de Poisson de parámetro λ = 2. Se
pide:
1 Calcular la probabilidad de que en una semana haya más de tres bajas.
2 Calcular la probabilidad de que en una semana haya una sola baja.
3 Determinar la función de densidad del tiempo entre dos bajas.
4 Calcular la probabilidad de que el tiempo entre dos bajas sea superior a tres
semanas.

Índice
Bibliografı́a
La función de densidad de la distribución normal fue descubierta por DeMoivre en

1733 como una forma lı́mite de la función de probabilidad binomial; después la estudió
Laplace.
Pero es a Gauss con su ”Theoria motus corporun Coelestium”de 1809 y su ”Theoria

combitationis observationun erroribus minimis obnoxiae”de 1823, a quien se debe el
establecimiento definitivo de la Teorı́a de Errores de observación, y su aplicación
práctica, llegando a la deducción de la ley que los gobierna y que lleva su nombre.
Durante el siglo XIX se empleó por cientı́ficos que habı́an observado que, en
mediciones fı́sicas, los errores seguı́an un patrón similar a una distribución normal.
La distribución normal surge cuando los resultados de un experimento son debidos a

un conjunto grande de causas independientes que actúan sumando sus efectos, siendo
cada efecto individual, de poca importancia en el conjunto.

Índice
Bibliografı́a
Distribución normal: una variable aleatoria X tiene una distribución de

probabilidad normal si y solo si, para σ > 0 y µ ∈ R, la función de
densidad de X es
1 −(x−µ)2
f(x) = √ e 2σ2 , X ∼ N(µ, σ)
σ 2π
µ y σ son los parámetros de la función de densidad. Estos parámetros son
la media y la desviación tı́pica de X, respectivamente.
E(X) = µ, V(X) = σ2 .
La gráfica de f es simétrica respecto de la recta x = µ.
La recta y = 0 es una ası́ntota horizontal de f.
f alcanza un máximo en x = µ. Los puntos x = µ − σ y x = µ + σ
son puntos de inflexión de f.
µ es la media, la mediana y la moda de cualquier variable
distribuida normalmente.
Índice
Bibliografı́a
N( µ , σ )
0.3
N(-2,1.5)
0.2 N(0,1.5)
N(2,1.5)
f(x)
0.1
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
N( µ , σ )
0.8
N(0,3)
0.6 N(0,1)
N(0,0.5)
f(x)
0.4
0.2
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
x
Índice
Bibliografı́a
Si X ∼ N(µ, σ), su función de distribución viene dada por:

Zx
1 −(t−µ)2
FX (x) = P(X ⩽ x) = √ e 2σ2 dt, x ∈ R
−∞ σ 2π
La integral no puede evaluarse en forma cerrada.

Se puede tabular F como función de µ y σ. ¡Número infinito de
valores (µ, σ)!
Si una variable aleatoria X tiene distribución N(µ, σ), la variable
X−µ
aleatoria Z = tiene una distribución N(0, 1). Esta propiedad
σ
permite calcular la probabilidad de un suceso correspondiente a una
variable aleatoria X ∼ N(µ, σ) a partir de la distribución Z ∼ N(0, 1).

Índice
Bibliografı́a

X−µ x−µ X−µ
Tipificación: P(X ⩽ x) = P ⩽ = P(Z ⩽ z) donde Z = y
σ σ σ
x−µ
z= . Entonces, FX (x) = FZ (z) siendo FZ la función de distribución de la
σ
normal estándar.
La función FZ está tabulada.
Ejemplo: sea X ∼ N(100, 10), calcular:

P(X > 100) = 1 − P(X ⩽ 100) = 1 − P(Z ⩽ 0) = 1 − 0.5 = 0.5.

85 − 100
P(X < 85) = P Z < = P (Z < −1.5) = P(Z > 1.5) =
10
= 1 − P(Z ⩽ 1.5) = 1 − 0.93319

95 − 100 120 − 100
P(95 < X < 120) = P <Z< =
10 10
= P(Z < 2) − P(Z < −0.5) = P(Z < 2) − P(Z > 0.5) =
= P(Z < 2) − (1 − P(Z ⩽ 0.5)) = 0.9725 − 1 + 0.6915 = 0.664

Índice
Bibliografı́a
Ejemplo
Se ha observado que los gastos semanales de una empresa por concepto

de mantenimiento y reparaciones se aproximan a una distribución normal
con una media de 400 euros y una desviación tı́pica de 20 euros. Si se
destina un presupuesto de 450 euros para la siguiente semana, ¿cuál es la
probabilidad de que el gasto real supere esta cantidad? ¿Qué presupuesto
debe asignarse con el fin de que la probabilidad de superarlo cierta
semana sea de solo 0.1?

Índice
Bibliografı́a
Ejemplo
Los resultados de un examen parecen estar distribuidos de manera normal

con una media de 78 puntos y una varianza igual a 36.
1 ¿Cuál es la probabilidad de que una persona que realiza el examen
obtenga una calificación superior a 72?
2 Suponga que a los estudiantes que se encuentran en el 10 % superior
de la distribución, se les asigna una calificación A, ¿qué calificación
mı́nima debe obtener un estudiante para conseguir una A?
3 Se sabe que un estudiante obtuvo más de 72 puntos, ¿cuál es la
probabilidad de que obtenga más de 84?

Índice
Bibliografı́a
5.3 Teorema Central del Lı́mite

Índice
Bibliografı́a
Teorema: sean X1 , X2 , . . . , Xn variables aleatorias independientes con

media µi y varianza σ2i . La variable aleatoria
X
n
Y= Xi
i=1
tiende hacia una distribución normal cuando el número de sumandos
tiende a infinito.
X
n Xn
Los parámetros de la variable Y son µY = µi y σ2Y = σ2i .
i=1 i=1
Si n es suficientemente grande, (n > 30),
X
n
Y− µi
i=1
v ∼ N(0, 1) aproximadamente
uX
u n 2
t σi
i=1

Índice
Bibliografı́a
Corolario: Sean X1 , X2 , . . . , Xn variables aleatorias independientes e

idénticamente distribuidas con media µ y varianza σ2 . La variable
aleatoria
X
n
Y= Xi
i=1
tiene como parámetros:
X
n X
n
µY = µ = nµ, σ2Y = σ2 = nσ2
i=1 i=1
Si n es suficientemente grande, (n > 30),
Y − nµ
√ ∼ N(0, 1) aproximadamente
σ n
X
n
Si las variables Xi son normales, Y = Xi es normal, n ∈ N.
i=1
Índice
Bibliografı́a
Ejemplo
El tiempo que pasa un cliente en el mostrador de una caja tiene una
media de cuatro minutos y una desviación tı́pica de dos miunutos.
1 ¿Cuál es la probabilidad de que el tiempo total para una muestra
aleatoria de 50 clientes sea menor que 180 minutos?
2 Calcula el percentil 0.3 del tiempo total que tardaron 50 clientes.

Índice
Bibliografı́a
X ∼ B(n, p), n > 30 y np(1 − p) > 5 X ∼ P(λ) y λ > 5

X − np X−λ
p ∼ N(0, 1) (aprox.) √ ∼ N(0, 1) (aprox.)
np(1 − p) λ
Corrección por continuidad:
P(X = a) = P(a − 1/2 ⩽ X ⩽ a + 1/2)
P(X ⩽ a) = P(X ⩽ a + 1/2) P(X < a) = P(X ⩽ a − 1/2)
P(X ⩾ a) = P(X ⩾ a − 1/2) P(X > a) = P(X ⩾ a + 1/2)
P(a < X < b) = P(a + 1/2 ⩽ x ⩽ b − 1/2)
P(a ⩽ X ⩽ b) = P(a − 1/2 ⩽ x ⩽ b + 1/2)

Índice
Bibliografı́a
0.1
0.08
0.06
0.04
0.02
0
0 10 20 30 40 50 60 70 80 90 100
0.1
0.08
0.06
0.04
0.02
0
0 10 20 30 40 50 60 70 80 90 100

Índice
Bibliografı́a
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30 35 40 45 50
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15 20 25 30 35 40 45 50

Índice
Bibliografı́a
Ejemplo
En un proceso que fabrica rodamientos, el 90 % de ellos cumple con una
especificación de espesor. Un envı́o contiene 500 rodamientos y es
aceptable si al menos 440 cumplen la especificación. Se supone que cada
envı́o contienen una muestra aleatoria de rodamientos.
1 ¿Cuál es la probabilidad de que un envı́o determinado sea aceptable?
2 ¿Cuál es la probabilidad de que más de 285 de 300 envı́os sean
aceptables?
3 ¿Qué proporción de rodamientos debe cumplir la especificación para
que el 99 % de los envı́os sean aceptables?
Ejemplo
La concentración media de partı́culas en una suspensión es de 50 por ml.
Se extrae un volumen de 5 ml de suspensión. ¿Cuál es la probabilidad de
que el número de partı́culas extraı́do esté entre 235 y 265?
Índice
Bibliografı́a
5.4 Distribuciones obtenidas de la normal

1 Distribución χ2 de Pearson.
2 Distribución t de Student.
3 Distribución F de Snedecor.

Índice
Bibliografı́a
Sean Xi ∼ N(0, 1), i = 1, 2, . . . , n variables aleatorias independientes. La
variable
Xn
χ2n = X2i
i=1
es, por definición, la variable χ2n , (chi-cuadrado) con n grados de libertad.

E(χ2n ) = n.
V(χ2n ) = 2n.

Índice
Bibliografı́a
χ 2n
0.5
χ 22
0.45
χ 23
0.4 χ 42
0.35 χ 62
0.3
f(x)
0.25
0.2
0.15
0.1
0.05
0
0 5 10 15
x
La distribución χ2n está tabulada.

Índice
Bibliografı́a
Si X ∼ N(0, 1) independiente de χ2n , el cociente
X
tn = q
χ2n
n
es, por definición, la variable t de Student con n grados de libertad, en

referencia a los grados de libertad de la distribución χ2n .
Como E(χ2n ) = n y V(χ2n ) = 2n, se tiene que E(χ2n /n) = 1 y
V(χ2n /n) = 2/n, es decir, en la definición de tn , el denominador es una
variable que se distribuye con muy poca dispersión en torno a la media
µ = 1, de modo que el perfil de la variable tn es muy parecido al de la
normal N(0, 1).
E(tn ) = 0.
n
V(tn ) = , n > 2.
n−2
Índice
Bibliografı́a
La variable tn es simétrica, con mayor dispersión que la N(0, 1), y tiende

rápidamente a ésta con n. Para n ⩾ 100 es prácticamente idéntica a
N(0, 1).
tn
0.4
t2
0.35 t
9
N(0,1)
0.3
0.25
f(x)
0.2
0.15
0.1
0.05
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
x
La distribución tn está tabulada.

Índice
Bibliografı́a
Se define la distribución F con (m, n) grados de libertad como el cociente
χ2m /m
Fm,n =
χ2n /n
donde χ2m y χ2n son variables independientes.
F(m,n)
1
F(10,6)
0.9 F(50,12)
0.8
0.7
0.6
f(x)
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
x
La distribución F(m, n) está tabulada.

Índice
Bibliografı́a
Bibliografı́a
1 Álvarez Contreras, S.J.: Estadı́stica Aplicada. Teorı́a y problemas.

CLAG, S.A. 2011.
2 Canavos, G.C.: Probabilidad y Estadı́stica. Aplicaciones y Métodos.

McGraw-Hill, 1995.
3 Navidi, W. (2022). Estadı́stica para ingenieros y cientı́ficos. McGraw

Hill.
4 Peña, D. (2001) Fundamentos de Estadı́stica. Alianza Editorial.
5 Wackerly, D., Mendenhall, W., Scheaffer, R.L.: Estadı́stica

Matemática con aplicaciones. Thomson, 2002.

Tema5 2324

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema5 2324

Cargado por

Copyright:

Formatos disponibles

Índice

Tema 5 Distribuciones con nombre propio

D107-DM107 5. Estadı́stica 1/52

Tema 5 Distribuciones con nombre propio

4 Distribuciones obtenidas de la normal

D107-DM107 5. Estadı́stica 2/52

5.1 Distribuciones discretas

D107-DM107 5. Estadı́stica 3/52

3 Las observaciones son independientes.

D107-DM107 5. Estadı́stica 4/52

Distribución de Bernoulli: se define una variable aleatoria discreta X, tal

D107-DM107 5. Estadı́stica 5/52

Distribución binomial: la distribución binomial se define en un proceso o

X = Número de éxitos al realizar n pruebas. X ∼ B(n, p)

Los posibles valores de X son 0, 1, 2, . . . , n.

por la hipótesis de independencia.

D107-DM107 5. Estadı́stica 6/52

Además, se cumple que

Una alarma contra incendios emplea tres sensores sensibles a la

D107-DM107 5. Estadı́stica 8/52

D107-DM107 5. Estadı́stica 9/52

La distribución binomial está tabulada.

D107-DM107 5. Estadı́stica 10/52

En una ciudad se encontró que el 20 % de los hogares tenı́an calefacción

D107-DM107 5. Estadı́stica 11/52

Distribución geométrica: la distribución geométrica, X ∼ G(p), se define

X = Número de pruebas realizadas hasta obtener el primer éxito.

La variable X puede tomar los valores 1, 2, . . . , n, . . ..

D107-DM107 5. Estadı́stica 13/52

Una empresa petrolı́fera hará una serie de perforaciones en determinada

D107-DM107 5. Estadı́stica 14/52

Sea X ∼ G(p). Comprobar que para a, b ∈ N se cumple:

2 P(X > a + b/X > a) = qb = P(X > b)

La distribución geométrica no tiene memoria.

D107-DM107 5. Estadı́stica 15/52

D107-DM107 5. Estadı́stica 16/52

D107-DM107 5. Estadı́stica 17/52

El número de pedidos diario de una determinada pieza de repuesto de un

1 En un dı́a cualquiera, ¿cuál es la probabilidad de tener que pedir

D107-DM107 5. Estadı́stica 18/52

P(0.5) P(2) P(5)

La asimetrı́a de la distribución disminuye al crecer λ.

D107-DM107 5. Estadı́stica 19/52

La distribución de Poisson aparece como lı́mite de la distribución

Si p < 0.1 y np < 5, entonces se puede aproximar la distribución de X

D107-DM107 5. Estadı́stica 20/52

Un centro de datos contiene 1000 servidores. Cada servidor tiene una

D107-DM107 5. Estadı́stica 21/52

5.2 Distribuciones continuas

D107-DM107 5. Estadı́stica 22/52

Distribución uniforme: una variable aleatoria X tiene una distribución de

D107-DM107 5. Estadı́stica 23/52

D107-DM107 5. Estadı́stica 24/52

El tiempo que tardan en ir y volver unos camiones que transportan

D107-DM107 5. Estadı́stica 25/52

Distribución exponencial: una variable aleatoria X tiene una distribución

D107-DM107 5. Estadı́stica 26/52

f(x)=a exp(-ax), x>0

D107-DM107 5. Estadı́stica 28/52

Se ha observado que la vida de ciertos componentes sigue una

D107-DM107 5. Estadı́stica 29/52

La distribución exponencial está relacionada con la distribución de

Y = tiempo entre la ocurrencia de dos sucesos consecutivos en un