Tema Nº 5

DISTRIBUCIONES DE
VARIABLES ALEATORIAS
CONTINUAS
.

MPE 212
Docente: Lic. Octavio Martínez Chura
DISTRIBUCIONES DE V.A. CONTINUAS
.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN UNIFORME O RECTANGULAR:
Se denomina distribución uniforme continua o rectangular a aquella distribución que surge al
considerar una variable aleatoria que toma valores equiprobables en un intervalo finito. Su nombre
se debe al hecho de que la densidad de probabilidad de esta variable aleatoria es uniforme sobre
todo su intervalo de definición.

La distribución uniforme es aquella que puede tomar cualquier valor dentro de un intervalo, todos
ellos con la misma probabilidad.

Def. Se dice que una v.a. continua X~U[a, b], si su función de densidad está dado por:
 1
 , si a  x  b
f ( x)   b  a
0, en otro caso

{
Su función de distribución es:
0 , 𝑠𝑖 𝑥 <𝑎
𝑥 −𝑎
𝐹 ( 𝑥)= , 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
𝑏− 𝑎
1 , 𝑠𝑖 𝑥> 𝑏
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN UNIFORME O RECTANGULAR:

{
 1 0 , 𝑠𝑖 𝑥 <𝑎
 , si a  x  b
f ( x)   b  a 𝑥 −𝑎
0, 𝐹 ( 𝑥)= , 𝑠𝑖 𝑎 ≤ 𝑥 ≤ 𝑏
en otro caso 𝑏− 𝑎
1 , 𝑠𝑖 𝑥> 𝑏
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN UNIFORME O RECTANGULAR:
Teorema: Si X~U[a, b], entonces:

Aplicaciones de la distribución uniforme:

La distribución uniforme continua se utiliza mucho en problemas de simulación estadística y en
fenómenos que presentan regularidad de aparecimiento.
1. Situaciones de absoluta incertidumbre respecto a la probabilidad de los resultados de un
experimento aleatorio (se admite que son equiprobables).
2. Redondeo de las diferencias entre valores observados y reales. Se supone que el error se
distribuye uniformemente en el intervalo fijado por el redondeo (por ejemplo, de -0,5 a +0,5).
3. Aproximación de una distribución distinta de la uniforme en un intervalo muy pequeño.
4. La distribución uniforme [0,1] se utiliza en la generación de valores aleatorios (muestras) de
cualquier variable.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN UNIFORME O RECTANGULAR:

Aplicaciones de la distribución uniforme:

Aplicaciones de la distribución uniforme:

1. Situaciones de absoluta incertidumbre respecto a la probabilidad de los resultados
de un experimento aleatorio (se admite que son equiprobables).
2. Redondeo de las diferencias entre valores observados y reales. Se supone que el
error se distribuye uniformemente en el intervalo fijado por el redondeo (por
ejemplo, de -0,5 a +0,5).
3. Aproximación de una distribución distinta de la uniforme en un intervalo muy
pequeño.
4. La distribución uniforme [0,1] se utiliza en la generación de valores aleatorios
(muestras) de cualquier variable.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
• La distribución exponencial describe procesos en los que nos interesa
saber el tiempo hasta que ocurre determinado evento, sabiendo que, el
tiempo que pueda ocurrir desde cualquier instante dado t hasta que ello
ocurra en un instante cualquiera ti, no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.

CARACTERÍSTICAS:
• La Distribución exponencial es un caso especial de la distribución gamma.
• La distribución exponencial y gamma juegan un papel importante en teoría de colas y
problemas de confiabilidad
• Describe el tiempo hasta la primera ocurrencia de un evento.

Ejemplo: La cantidad de tiempo, desde ahora, hasta que suceda un temblor o hasta que
reciba una llamada telefónica y sea un numero equivocado.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
APLICACIONES:
• Son las mas importantes aquellas situaciones en donde se aplica el proceso de
Poisson
• Los tiempos entre llegadas en instalaciones de servicio, y tiempo de falla de partes
componentes y sistemas eléctricos
• Modela la distribución de la duración de un componente (debido a su propiedad de
“falta de memoria o amnesia”)
RELACIÓN CON LA DISTRIBUCIÓN DE POISSON
• La distribución de Poisson se desarrolló como una distribución de un solo parámetro
μ=λ donde λ puede interpretarse como el número de eventos por unidad de
“tiempo”

Considérese ahora la variable aleatoria X descrita por el tiempo que se requiere hasta
que ocurra el primer evento, X es un variable que se Distribuye Exponencial con
parámetro λ, Donde: λ es el número promedio de eventos por unidad de “tiempo”. La
media de Poisson 1/λ es la tasa de ocurrencia de un evento por unidad de “tiempo”. La
media Exponencial .
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
• Una de las distribuciones de variable continua más importantes es la distribución exponencial.
• Se la utiliza como modelo para representar el tiempo de funcionamiento o de espera.
• Tiene como función expresar también el tiempo transcurrido entre eventos que se contabilizan por medio
de la distribución de Poisson.
• El tiempo que tarda una partícula radiactiva en desintegrarse. Por ejemplo, la datación de fósiles o cualquier
materia orgánica mediante la técnica del carbono 14.
• El tiempo que puede transcurrir, en un servicio de urgencias para la llegada de un paciente;
• En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el
tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabilístico
exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante.

Def. Se dice que una v.a. continua X~Exp(λ), si su función de densidad está dado por:

Su función de distribución es:

Donde:
x= lapso de tiempo, e= Base del logaritmo natural aproximadamente igual a 2,7182818281
λ= Tasa promedio de ocurrencia.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL:
Teorema: Si X~Exp(λ), entonces:

Notas:
• Típicamente se considera exponencial a las variables que representan el tiempo hasta que un
cierto evento ocurra. (Similar a la Geométrica)

• Propiedad de Falta de memoria: Sea X~Exp(λ), y sean s y t números reales positivos

cualesquiera. ¿
Dem. Ejercicio (Sugerencia: Usar que si X~Exp(λ), 𝑃 ( 𝑋> 𝑠)=𝑒 − 𝜆𝑥)

• El valor de λ en la v.a. exponencial al igual que en la Poisson, recibe el nombre de “tasa” que
para los efectos del cálculo de probabilidades se conoce, no así en el caso de inferencia.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL: PROPIEDAD FUNDAMENTAL

La distribución exponencial no tiene memoria:

Poseer información de que el elemento que consideramos ha
sobrevivido un tiempo s (hasta el momento) no modifica la
probabilidad de que sobreviva t unidades de tiempo más. La
probabilidad de que el elemento falle en una hora (o en un día, o en
segundo) no depende del tiempo que lleve funcionando. No existe
envejecimiento ni mayor probabilidad de fallos al principio del
funcionamiento.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL: Ejemplo:

El tiempo durante el cual las baterías para un teléfono celular trabajan

en forma efectiva hasta que fallan se distribuyen según un modelo
exponencial, con un tiempo promedio de falla de 500 horas. a) Calcular
la probabilidad de una batería funcione por más de 600 horas. b) Si una
batería ha trabajado 350 horas, ¿Cuál es la probabilidad de que trabaje
más de 300 horas adicionales?.
SOLUCIÓN:
X = “tiempo que dura la batería hasta que falla”
Entonces como E(x) = 500, entonces λ=1/500 con lo que E(1/500).
Por tanto su función de distribución sería:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN EXPONENCIAL: Ejemplo:

SOLUCIÓN:
a) P(X>600)

b) Si la batería ya trabajó 350 horas, queremos conocer la probabilidad

de que trabaje más de 650 horas:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN GAUSSIANA O NORMAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN GAUSSIANA O NORMAL:

¿Cuál es su utilidad?
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN GAUSSIANA O NORMAL:
La distribución normal fue reconocida por primera vez por el francés Abraham de Moivre (1667-
1754) y posteriormente, Carl Friedrich Gauss (1777-1855) formuló la ecuación de la curva; de ahí
que también se la conozca, más comúnmente, como la "campana de Gauss".

Def. Se dice que una v.a. continua X~N(μ, σ²), si su función de densidad está dado por:

Su función de distribución es:

Es la distribución continua de probabilidad más importante de toda la estadística. Como vimos

anteriormente, una variable aleatoria continua es la que puede asumir un número infinito de
posibles valores que, usualmente resultan de medir alguna magnitud (medidas de longitud, de peso,
de tiempo, de temperatura, etc.).
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL:

Teorema: Si X~N(μ, σ²), entonces:

DISTRIBUCIONES DE V.A. CONTINUAS
REGLA EMPÍRICA DE LA DISTRIBUCIÓN NORMAL:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR O TIPIFICADA:
Def. Se dice que una v.a. continua , si su función de densidad está dado por:

Su función de distribución es:

DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR
Características:
• Dominio o campo de existencia: toda la recta real : (- ∞ , + ∞)
• Simetrías: la función es simétrica respecto al eje de ordenadas ya que la función es impar, es
decir que f(x) = f(-x)
• Corte con los ejes:
• a) No tiene puntos de corte con el eje X.
• b) Con el eje Y :

• Asíntotas: por tanto el eje X es una asíntota

• Crecimiento y decrecimiento: la función crece en el intervalo y decrece en

• Máximos y mínimos : la función f(x) presenta un máximo en

• Puntos de inflexión: la función presenta dos puntos de inflexión I₁ e I₂ en y en

DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR
Características:

La representación gráfica se conoce como curva normal o campana de Gauss:

Como f(x) es una función de densidad, el área comprendida entre el eje X y la curva es 1.
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

Utilización de las tablas de una distribución normal N(0, 1)

https://es.qwe.wiki/wiki/Standard_normal_table

https://calculo.cc/temas/temas_estadistica/binomial_normal/teoria/cal_tablas.html
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

No existe una sola distribución de probabilidad normal, sino más

bien se trata de toda una “familia” de ellas.

Cada una de las distribuciones puede tener una media distinta (μ)
y desviación estándar distinta (σ).

Por tanto, eI número de distribuciones normales es ilimitado .

DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

Al variar los parámetros μ y σ, obtenemos diferentes distribuciones

normales
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

f(X) Cambiando μ movemos la

distribución lhacia la
izquierda o derecha.

Cambiando σ aumentamos o
disminuímos su altura..
σ

μ X
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

Distribuciones normales con diferentes parámetros:
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

La familia de las distribuciones de probabilidad normal

Distribuciones normales con diferentes parámetros:

c) Distribución normal con diferentes media y diferentes desviaciones estándar

DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

Utilización de las tablas de una distribución normal N(0, 1)

TABLAS DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
Tipos de tablas
Z tablas utilizan al menos tres instrumentos diferentes:

Acumulativo
da una probabilidad de que una estadística es inferior a Z. Esto equivale a la zona de la distribución por debajo Z. Ejemplo: Prob (Z = 0,69) = 0,7549.

Acumulada respecto a la media

da una probabilidad de que una estadística está entre 0 (media) y Z. Ejemplo: Prob (0 = Z = 0,69) = 0,2549

Acumulativa complementaria
da una probabilidad de que una estadística es mayor que Z. Esto equivale a la zona de la distribución por encima de Z.
Ejemplo: Encontrar Prob ( Z = 0,69). Dado que esta es la parte de la zona superior Z, la proporción que es mayor que Z se encuentra restando Z de 1.
Es decir Prob ( Z = 0,69) = 1 - Prob (Z = 0,69) o Prob ( Z = 0.69) = 1 a 0,7549 = 0,2451.

https://es.qwe.wiki/wiki/Standard_normal_table
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR
Utilización de las tablas de una distribución normal N(0, 1)
La media de los pesos de 500 estudiantes de un colegio es 70 kg y la desviación típica 3
kg. Suponiendo que los pesos se distribuyen normalmente, hallar cuántos estudiantes
pesan:
a) Entre 60 kg y 75 kg.
b) Más de 90 kg.
c) Menos de 64 kg.
d) 64 kg exactamente.
e) 64 kg o menos.
SOLUCIÓN:
Sea X=“Peso (en kg.) de 500 estudiantes de un colegio”
X~N(μ=70, σ=3), N=500
f) P(60<X<75)

0,95211(500)=476 alumnos
DISTRIBUCIONES DE V.A. CONTINUAS
DISTRIBUCIÓN NORMAL ESTÁNDAR

Utilización de las tablas de una distribución normal N(0, 1)

b) P(X>90)

0(500)=0 alumnos
c) P(X<64)

0.02275(500)=11 alumnos

d) P(X=64)=0
0(500)=0 alumnos

e)

0.02275(500)=11 alumnos
TABLA DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
.Acumulativo
TABLA DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
.
Acumulada respecto de la
media
TABLA DE LA DISTRIBUCIÓN NORMAL ESTÁNDAR
. Acumulativa
complementaria
DISTRIBUCIONES DE V.A. CONTINUAS
PROPIEDAD REPRODUCTIVA DE LA DISTRIBUCIÓN NORMAL:
Algunas distribuciones de probabilidad tienen la propiedad que se llama “propiedad reproductiva”, que se
establecen a continuación:
1. Si X , X ,..., X son n v.a. independientes, donde X ~ N ( ,  )
1 2 n i i i
2

para i  1, 2,..., n .
n
 n n

Si Y   X , entonces la v.a.
i Y ~ N   i ,   i2 
i 1  i 1 i 1 
Es decir, cualquier combinación lineal de variables
normales independientes, sigue también una
distribución normal.

2. El resultado anterior, se puede generalizar a una

combinación lineal de v.a. normales independientes.
Sea Y una combinación lineal de v.a. normales
n
independientes X , X ,..., X ; es decir, Y  a   a X ,
1 2 n i 0 i i
i 1
n n
entonces, Y ~ N a   a  ,  a 
0 i i i
2
i
2 

 i 1 i 1 
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Aproximación de la Binomial por la Normal (Teorema

de De Moivre) :
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Aproximación de la Binomial por la Normal (Teorema

de De Moivre) :
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Aproximación Binomial a la Normal:

DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Aproximación Poisson a la Normal:

DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Aproximación Hipergeómetrica a la Normal:

DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

OTRAS DISTRIBUCIONES CONTINUAS:

Entre otras distribuciones continuas importantes
tenemos:

La importancia de estas distribuciones es por que

tienen un rol fundamental dentro de la Inferencia
Estadística.
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Grado de libertad n, es el número de v.a. indep.

que se suman.
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

LEY DE LOS GRANDES NÚMEROS

Y EL
TEOREMA CENTRAL DEL LÍMITE
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

LEY DE LOS GRANDES NÚMEROS

Si se obtiene una muestra aleatoria de una población que
obedece a cualquier modelo probabilístico, discreto o
continuo, entonces si la muestra es suficientemente grande,
el promedio muestral se aproxima al promedio poblacional.
 
La ley de los grandes números nos indica que, si se toman
muchas observaciones, a la larga los errores tienden a
compensarse.

Sean v.a. independientes e idénticamente

Sean
distribuidas (m.a.)v.a.
conindependientes
y e idénticamente distribuidas
, entonces
(m.a.) con y , entonces

Siendo
Siendo eleldenominado promediomuestral.
denominado promedio muestral.
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TEOREMA CENTRAL DEL LÍMITE

Veremos ahora que aún cuando las variables no son normales, la
distribución normal resulta una buena aproximación para la
distribución del promedio y la suma de variables aleatorias i.i.d, a
condición de que estemos promediando o sumando una cantidad
suficientemente grande de variables.

Sean v.a. independientes e idénticamente distribuidas

(m.a.) con y , entonces si n es
suficientemente grande,

Donde la convergencia en distribución, se interpreta en el

siguiente sentido:
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TEOREMA CENTRAL DEL LÍMITE:

Solución:
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TEOREMA CENTRAL DEL LÍMITE:

DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TEOREMA CENTRAL DEL LÍMITE:

DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TEOREMA CENTRAL DEL LÍMITE:

Los sueldos x (en euros),de los empleados de una fábrica se distribuyen N(1200,400).
a)¿A qué distribución se ajusta la variable “suma de los sueldos” en las muestras de
tamaño 25 extraídas aleatoriamente de la población? Justifica la respuesta.
b) Elegida al azar una muestra de 25 individuos, ¿cuál es la probabilidad de que la
suma de sus sueldos sea superior a 35000 €?
c) Halla el intervalo característico para las sumas de los sueldos de 25 individuos
correspondientes a una probabilidad del 0.9.
Solución:
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
PRINCIPALES PROPIEDADES DEL TEOREMA CENTRAL DEL LÍMITE:
El teorema central del límite tiene una serie de propiedades de gran utilidad en el ámbito estadístico y
probabilístico. Las principales son:
• Si el tamaño de la muestra es suficientemente grande, la distribución de las medias muestrales seguirá
aproximadamente una distribución normal. El TCL considera una muestra como grande cuando el
tamaño de la misma es superior a 30. Por tanto, si la muestra es superior a 30, la media muestral
tendrá una función de distribución próxima a una normal. Y esto se cumple independientemente de la
forma de la distribución con la que estamos trabajando.
• La media poblacional y la media muestral serán iguales. Es decir, la media de la distribución de todas
las medias muestrales será igual a la media del total de la población.
• La varianza de la distribución de las medias muestrales será σ²/n. Que es la varianza de la población
dividido entre el tamaño de la muestra.
Que la distribución de las medias muestrales se parezca a una normal es tremendamente útil. Porque la
distribución normal es muy fácil de aplicar para realizar contraste de hipótesis y construcción de
intervalos de confianza. En estadística que una distribución sea normal es bastante importante, dado que
muchos estadísticos requieren este tipo de distribución.
Además, el TCL nos permitirá hacer inferencia sobre la media poblacional a través de la media muestral. Y
esto es de gran utilidad cuando por falta de medios no podemos recolectar datos de toda una población.
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

Teorema Central del Límite:

Conclusiones
Sin que importe la distribución de la población, si se seleccionan muestras, al
menos 30, la distribución en el muestreo de la media tendrá distribución
aproximadamente normal.

Si la población tiene distribución normal, la distribución en el muestreo de la

media tendrá distribución normal, cualquiera sea el tamaño de la muestra.
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS

TABLAS
ESTADÍSTICAS
TABLA DISTRIBUCIÓN NORMAL
TABLA DISTRIBUCIÓN JI CUADRADA
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS
TABLA DISTRIBUCIÓN T DE STUDENT
DISTRIBUCIÓN DE PROBABILIDAD DE V.A. CONTINUAS