Taller Estadística Inferencial PDF

Capítulo 1
Algunas distribuciones de
probabilidad continuas
Además de la distribución normal, en estadística existen otras distribu-

ciones continuas que cumplen un papel fundamental en procesos indus-
triales, de manufactura, administración, entre otros. En este capítulo
se abordan tres distribuciones de probabilidad continuas, que son: la
distribución t−student, distribución χ2 (chi-cuadrado o ji-cuadrado) y
la distribución F (Fisher) desde un punto de vista práctico, sin perder
de vista la teoría que implican.
1.1 Distribución t−student

La distribución t en estadística se reconoce por ser una distribución de
colas pesadas, esto significa, que es más posible la ocurrencia de even-
tos extremos, o dicho en otras palabras, es más probable encontrar
observaciones que estén más alejadas de la media en comparación con
la distribución normal. Esta distribución introduce un nuevo parámetro
llamado grados de libertad.
Algo en común que tiene la distribución normal con la distribución t,

es que ambas cuentan con la propiedad de simetría, lo que conduce a
que la media, la mediana y la moda coincidan. Otra característica que
tiene la distribución t es que con tamaños de muestra grande (n ≥ 30)
se aproxima a una distribución normal estándar como se muestra en
Institución Universitaria Los Libertadores 1 Departamento de Ciencias Básicas

2 CAPÍTULO 1. ALGUNAS DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
la figura 1.1.
Normal y t−Student con 3 grados Normal y t−Student con 10 grados

0.4
0.4
Distribuciones Distribuciones
Normal Normal
0.3
0.3
t−Student t−Student
Ynorm
Ynorm
0.2
0.2
0.1
0.1
0.0
0.0
−4 −2 0 2 4 −4 −2 0 2 4
x x
Normal y t−Student con 15 grados Normal y t−Student con 30 grados

0.4
0.4
Distribuciones Distribuciones
Normal Normal
0.3
0.3
t−Student t−Student
Ynorm
Ynorm
0.2
0.2
0.1
0.1
0.0
0.0
−4 −2 0 2 4 −4 −2 0 2 4
x x
Figura 1.1: Aproximación de la distribución t a la distribución normal

estándar
Por otra parte, una característica común a todas las distribuciones con-
tinuas es que el cálculo de probabilidades de forma analítica es muy
complejo dado que sus funciones de densidad son algo complicadas.
Para solventar esto, la distribución t y todas las distribuciones con-
tinuas que se estudian en este texto manejan tablas que son útiles al
momento de calcular cuantiles y algunas probabilidades, dependiendo
Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

1.1. DISTRIBUCIÓN T −STUDENT 3
de la distribución en estudio.
Desde el punto de vista teórico, suponga que se selecciona una muestra

aleatoria de una población que tiene una distribución normal, de media
µ y desviación estándar σ, entonces una forma estandarizada de ésta,
se puede escribir como:
X̄ − µ
Z = ∼ N (0 , 1) (1.1)
√σ
n
Ahora bien, suponga que la desviación estándar poblacional σ no se

conoce y se reemplaza por su estimación muestral S. Hay que tener
en cuenta que existen dos estimaciones muestrales para σ que son:
v
u n
u1 X 2
Sn = t Xi − X̄ (1.2)
n i=1
v
u n
1 X 2
(1.3)
u
Sn−1 = t Xi − X̄
n − 1 i=1
En el próximo capítulo, se mostrará que la estimación de σ más ade-

cuada en términos de insesgamiento y de menor error cuadrático medio
es la mostrada en la ecuación 1.3. De ahora en adelante, cuando se
escriba S se entenderá como la estimación insesgada y de menor error
cuadrático medio (Sn−1 ). Así, reemplazando dicha estimación en la
ecuación 1.1 se tiene:
X̄ − µ
Tn−1 = ∼ tn−1 (1.4)
√S
n
La variable Tn−1 se distribuye t−student con n − 1 grados de libertad,

estos grados de libertad son heredados de la construcción de la variable
ji-cuadrado que a su vez dependen de la estimación de la varianza que
se use. A continuación, se generaliza la definición de la distribución
t−student asumiendo n grados de libertad.

NOTA:
Teniendo en cuenta que:
X̄ − µ
Z = ∼ N (0, 1)
√σ
n
y asumamos por el momento que:
(n − 1) S 2
V = ∼ χ2n−1
σ2
Entonces,
X̄−µ
√σ
n
T = r
(n−1)S 2
σ2
n−1
Realizando la división se tiene que:

√ p
n (n − 1) X̄ − µ σ
T = p
σS (n − 1)
X̄ − µ
= S
∼ tn−1
√
n
Definición 1.1.1. Sea Z ∼ N (0 , 1) y sea V una variable aleato-

ria distribuida chi-cuadrado con n grados de libertad, si Z y V son
independientes entonces la variable aleatoria
Z
T = q (1.5)
V
n
Se distribuye t−student con n grados de libertad y su función de

densidad es:
Γ n+1

1
f (x , n) = √ 2
n 2
n+1 , −∞ < x < ∞. (1.6)
πnΓ 2 x + 1 2
n
Donde,
ˆ ∞
Γ (y) = ty−1 e−t dt (1.7)
0
Notación: Si la variable aleatoria X se distribuye t−student con n

grados de libertad entonces se denotará como X ∼ tn .
Teorema 1.1.1. Si X ∼ tn entonces:
• E (X) = 0
• V (X) = n
n−2
Demostración:
Se demostrará que E (X) = 0 y la otra parte del teorema se le deja
al lector.
Por definición de valor esperado, se tiene que:

ˆ ∞
Γ n+1

2 1
E (X) = x√ n 2
n+1 dx
−∞ πnΓ 2 x + 1 2
ˆ ∞ n
Γ n+1 x
= √ 2
n
n+1 dx (1.8)
πnΓ 2 −∞ x2 + 1 2

n
2
Para resolver la integral de la ecuación (1.8) se hace u = xn + 1 →
du = 2x
n
dx. Así, resolviendo primero la integral indefinida se tiene
ˆ ˆ
x n du
n+1 dx = n+1
x2
+1 2 2 u 2
n
" 1−n #
n u 2
= +c (1.9)
2 1−n 2

2
Reemplazando u = xn + 1 y ubicando los límites de integración en la
ecuación (1.9) se tiene que:
h i 1−n ∞
ˆ ∞  x2
+1
2 
x n  n

2 n+1 dx = 2  1−n
−∞ x + 1 2  2


n
−∞
 ∞
2  1 
=
n (1 − n)  x2 + 1− 1−n
2 
n −∞
= 0
Por tanto, al reemplazar en la ecuación 1.8 se tiene:
Γ n+1

2 ·0
E (X) = √
πnΓ n2
= 0 (1.10)
1.1.1 Manejo de la tabla

La tabla de la distribución t está descrita esencialmente por tres partes,
la primera de estas es una columna ubicada al lado izquierdo de la
tabla donde se encuentran los grados de libertad (n) de la distribu-
ción; la segunda parte es la fila superior donde se encuentran ubicadas
las significancias (α) y finalmente en la parte interna de la tabla se
encuentran los cuantiles, que resultan para una distribución t con n
grados de libertad y una significancia α.
Una observación que se debe hacer al respecto para el uso de la tabla

t, es que esta tabla no es muy útil al momento de calcular proba-
bilidades, puesto que ella cuenta con dos parámetros y es muy difícil
o poco práctico condensar todas las posibles combinaciones de estos
parámetros en una sola tabla. En la sección 1.4, se muestra cómo se
calculan las probabilidades de una distribución t utilizando el software
estadístico R.
Una pregunta que surge de manera natural es ¿para qué sirve la tabla
de la distribución t?, pues la respuesta es que dicha tabla es muy útil

al momento de calcular cuantiles, que son necesarios para la toma de

decisiones en las pruebas de hipótesis o en la construcción de interva-
los de confianza como se mostrará en capítulos posteriores.
Para afianzar el entendimiento del manejo de la tabla véase el siguiente

ejemplo.
Ejemplo 1.1.1. Calcular los siguientes cuantiles superiores utilizando

la tabla:
a) t2 , 0.05
b) t5 , 0.1
c) t15 , 0.001
Solución:
Para encontrar el cuantil pedido en el inciso a se busca en la tabla el

número 2 (en la columna izquierda), el número 0.05 (en la fila superior)
por tanto, la celda en que se crucen la columna y la fila será el valor
del cuantil buscado, es decir t2,005 = 2.92.
@ α 0.300 0.250 0.200 0.100 0.050 0.025 0.010 0.005 0.003 0.001
n@@
1 0.727 1.000 1.376 3.078 6.314 12.706 31.820 63.657 127.321 318.309
2 0.617 0.817 1.061 1.886 2.920 4.303 6.965 9.925 14.089 22.327
3 0.584 0.765 0.979 1.638 2.353 3.182 4.541 5.841 7.453 10.214
4 0.569 0.741 0.941 1.533 2.132 2.776 3.747 4.604 5.598 7.173
5 0.559 0.727 0.919 1.476 2.015 2.571 3.365 4.032 4.773 5.893
Para el cuantil pedido en el inciso b se busca en la tabla el número 5

(columna izquierda) y el número 0.1 (en la fila superior) por tanto, la
celda en que se crucen la columna y la fila será el valor del cuantil
buscado, es decir t5 , 0.1 = 1.4759.

@ α 0.300 0.250 0.200 0.100 0.050 0.025 0.010 0.005 0.003 0.001
n@@
1 0.727 1.000 1.376 3.078 6.314 12.706 31.820 63.657 127.321 318.309
2 0.617 0.817 1.061 1.886 2.920 4.303 6.965 9.925 14.089 22.327
3 0.584 0.765 0.979 1.638 2.353 3.182 4.541 5.841 7.453 10.214
4 0.569 0.741 0.941 1.533 2.132 2.776 3.747 4.604 5.598 7.173
5 0.559 0.727 0.919 1.476 2.015 2.571 3.365 4.032 4.773 5.893
6 0.553 0.718 0.906 1.440 1.943 2.447 3.143 3.707 4.317 5.208
Para el cuantil pedido en el inciso c se busca en la tabla el número

15 (columna) y el número 0.005 (en la fila), así el cuantil t15 , 0.001 =
3.7328 y en la tabla se busca:
@ α 0.300 0.250 0.200 0.100 0.050 0.025 0.010 0.005 0.003 0.001
n@@
7 0.549 0.711 0.896 1.415 1.895 2.365 2.998 3.499 4.029 4.785
8 0.546 0.706 0.889 1.397 1.859 2.306 2.897 3.355 3.833 4.501
9 0.543 0.703 0.883 1.383 1.833 2.262 2.821 3.250 3.690 4.297
10 0.541 0.700 0.879 1.372 1.812 2.228 2.764 3.169 3.581 4.144
11 0.540 0.697 0.875 1.363 1.796 2.201 2.718 3.106 3.497 4.025
12 0.539 0.696 0.873 1.356 1.782 2.179 2.681 3.054 3.428 3.930
13 0.537 0.694 0.870 1.350 1.771 2.160 2.650 3.012 3.373 3.852
14 0.537 0.692 0.868 1.345 1.761 2.145 2.624 2.977 3.326 3.787
15 0.536 0.691 0.866 1.341 1.753 2.131 2.603 2.947 3.286 3.733
Ejemplo 1.1.2. Suponga que la dirección financiera de una deter-

minada universidad analiza anualmente los precios de las matrículas
pagadas por los estudiantes de primer semestre. El director encargado
accidentalmente extravió el informe correspondiente al análisis de los
precios de las matrículas del año 2012, quedando sólo con una copia del
registro donde se establece el costo promedio de las matrículas y una
estimación de la desviación estándar de las mismas, respectivamente
$2100000 y $168644.8. El rector de esta universidad, consciente de
la pérdida de la información mencionada, asegura que es poco prob-
able que si se selecciona una muestra aleatoria de 24 estudiantes de
primer semestre del año 2012, y se analizan los valores de los pre-
cios de sus matrículas, se obtenga un promedio muestral superior a
$2000000. ¿Está de acuerdo con la afirmación del rector de la univer-
sidad? Asuma que los precios de las matrículas tienen una distribución
normal.

Solución:
Como la distribución de los precios de las matriculas es normal con
una media poblacional de 2100000 y una estimación de la desviación
estándar poblacional de 168644.8, entonces la variable definida como:
X := Precios de las matrículas de los estudiantes de primer semestre.
Con esta información el cálculo de la probabilidad pedida es:
!
X̄ − µ 2000000 − 2100000
P X̄ > 2000000 = 1 − P < 168644.8
√S √
n 24
= 1 − P (T23 < −2.90) .
La idea ahora sería buscar dentro de la tabla la probabilidad para el
cuantil −2.90 con 23 grados de libertad, pero como se había men-
cionado anteriormente la tabla no es muy útil para el cálculo de prob-
abilidades, por tanto se calcula la probabilidad en el software R (que
se explica en la sección 1.4) y arroja:

P X̄ > 2000000 = 1 − P (T23 < −2.90)
= 1 − 0.004
= 0.996.
Por tanto, la probabilidad de que en promedio un estudiante de primer

semestre pague en su liquidación más de $2000000 es del 99.6%, lo
cual contradice la afirmación del rector.
Ejemplo 1.1.3. Un grupo de economistas de una empresa saben por

experiencia que el precio promedio de la acción de cierta compañía es
de 20000 dólares. En estudios hechos por un grupo de economistas
de otra empresa (que compraron acciones de dicha compañía) se cal-
culó una estimación para la desviación estándar poblacional de 909.35
dólares. Si actualmente los economistas interesados en comprar las
acciones toman una muestra de los precios de éstas en los últimos 12
meses y además dichos precios tienen una distribución normal:

a) Calcular la probabilidad de que el precio promedio de la acción

en los últimos 12 meses sea inferior a 22000 dólares.
b) ¿Cuál es la probabilidad de que el precio promedio de la acción

en los últimos 12 meses sea a lo sumo 19000 dólares?
c) Si un economista desea invertir en la acción pero su presupuesto

promedio está entre 19500 y 22500 dólares. ¿Cúal es la proba-
bilidad de que invierta?
Solución:
Sea X := Precio de la acción en la compañía
a) La probabilidad pedida se calcula de la siguiente forma:

!
X̄ − µ 22000 − 20000
P X̄ < 22000 = P < 909.35
√S √
n 12
= P (T11 < 7.61)
= 0.99
La anterior probabilidad fue calculada con el software R. Como con-

clusión, la probabilidad de que en promedio el precio de la acción en
los últimos 12 meses sea inferior a 22000 dólares es del 99%.
b) La probabilidad pedida se calcula de la siguiente forma:

!
X̄ − µ 19000 − 20000
P X̄ < 19000 = P < 909.35
√S √
n 12
= P (T11 < −3.80)
= 0.0014.
c) La probabilidad pedida se calcula de la siguiente forma:

!
19500 − 20000 X̄ − µ 22500 − 20000
P 19500 < X̄ < 22500 = P 909.35 < < 909.35
√ √S √
12 n 12
= P (−1.90 < T11 < 9.52) .

Al emplear una de las propiedades que poseen las distribuciones de

probabilidad se tiene:
P (a < X < b) = P (X < b) − P (X < a) , (1.11)
Por tanto,
P (−1.90 < T11 < 9.52) = P (T11 < 9.52) − P (T11 < −1.90)
= 1 − 0.042
= 0.958.
de lo que se concluye que la probabilidad de que una persona pueda

comprar una acción con precios promedios entre $19500 y $22500 es
de aproximadamente 95.8%.
Ejemplo 1.1.4. Un estudiante de administración desea trabajar en

una empresa reconocida en la ciudad de Montería. Para ello, monitorea
los salarios que dicha empresa ha pagado mensualmente a sus distintos
administradores durante los últimos 2 años, calculando un promedio
muestral de $2680000 y una desviación estándar de $354000. En
un reporte que la empresa expidió, se muestra que en promedio a
todos los administradores se les ha pagado un salario de $2500000.
El administrador toma la siguiente decisión: si al calcular el valor T ,
éste se encuentra entre -t24 , 0.05 y t24 , 0.05 entrega la hoja de vida a
la empresa, de lo contrario no lo hará. Si se asume que los salarios
siguen una distribución normal ¿qué decisión toma el administrador?
Solución
Sea X := Salarios mensuales de la empresa
Dado que los salarios tienen una distribución normal con media 2500000
y un tamaño de muestra n = 24 se debe calcular S y X̄.

Por otro lado, el cualtil t23,0.05 se encuentra directamente en la tabla

de la distribución y por simetría de la misma se obtiene −t23,0.05 , por
lo tanto
−t24 , 0.05 = −1, 71

t24 , 0.05 = 1, 71
Ahora bien,
2680000 − 2500000
T = 354000
√
24
= 2.4910
Puesto que el valor T está por fuera del intervalo (−1.71 , 1.71) la
decisión que toma el administrador es no admitir la hoja de vida en la
empresa.
1.2 Distribución χ2
La distribución χ2 es una de las distribuciones más usadas en la indus-
tria cuando el objetivo es monitorear la variabilidad de un proceso, es
decir, controlar la calidad de los productos y/o procesos Walpole, My-
ers & Myers (1999). Además de esto, la distribución χ2 permite probar
si una variable está asociada o no a otra variable aleatoria (prueba de
independencia), entre otras aplicaciones que en el transcurso de la lec-
tura se evidenciarán.
Esta distribución cuenta con un único parámetro llamado grados de

libertad (n), que es el parámetro de forma en esta distribución. Una
variable aleatoria distribuida ji-cuadrado con n grados de libertad se
define como la suma de n variables aleatorias distribuidas normal es-
tándar elevadas al cuadrado como se muestra a continuación:
n
X
χ2n = Zi2 , (1.12)
i=1

1.2. DISTRIBUCIÓN χ2 13
donde,
Zi ∼ N (0 , 1)
Un caso particular es que una sola variable aleatoria normal estándar

elevada al cuadrado se distribuye ji-cuadrado con un grado libertad.
Definición 1.2.1. Sea Z1 , Z2 , . . . , Zn variables aleatorias distribuidas

normal estándar e independientes. Entonces la variable aleatoria:
χ2 = Z12 + Z22 + · · · + Zn2 (1.13)
Se distribuye χ2 con n grados de libertad y su función de densidad es:
1 n x
f (X, n) = n n
x 2 −1 e− 2 , x > 0 (1.14)
2 Γ
2
2
Notación: si la variable aleatoria X se distribuye ji-cuadrado, en-

tonces se denotará como X ∼ χ2n .
Gráficamente se pueden observar las distintas formas de la distribución

cuando varían los grados de libertad.

Distribución ji−cuadrado
4
3
densidad
2
1
0
0 2 4 6 8 10
NOTA:
La cantidad
(n − 1) S²
χc = ∼ χ2n−1 (1.15)
σ2
Donde:
• S 2 es la varianza muestral
• σ 2 es la varianza poblacional
• n el número de observaciones o datos
Teorema 1.2.1. Si X ∼ χ2n entonces:
• E (X) = n

• V (X) = 2n
Demostración.
Por definición de valor esperado se tiene:
ˆ ∞
1 n x
E (X) = x n n x 2 −1 e− 2 dx
0 22Γ 2
ˆ ∞
1 n x
= n n
x 2 e− 2 dx
22Γ 2 0
ˆ ∞ n
1 x 2 −x
= n
e 2 dx (1.16)
Γ 2 0 2
Sea t = → dt = 12 dx → 2dt = dx. Reemplazando en 1.16 se tiene:

x
2
ˆ ∞
2 n
E (X) = n
t 2 e−t dt (1.17)
Γ 2 0
´∞
Como Γ (α) = 0 tα−1 e−t dt. Entonces tomando α = n2 + 1 la
ecuación 3.6 se reduce a:
2 n
E (X) = n
Γ +1
Γ 2
2
n
Γ n2

2
= 2
Γ n2

2n
=
2
= n (1.18)
Para calcular la varianza, primero se calcula

ˆ ∞
1 n x
2
x2 n n x 2 −1 e− 2 dx

E X =
0 22Γ 2
ˆ ∞
1 n x
= n n
x 2 +1 e− 2 dx
22Γ 2 0
ˆ ∞ n +1
2 x 2 x
= n
e− 2 dx (1.19)
Γ 2 0 2

Sea t = x
2
→ dt = 21 dx → 2dt = dx. Reemplazando en 1.19 se tiene:
ˆ ∞
4 n
2
t 2 +2−1 e−t dt. (1.20)

E X = n

Γ 2 0
Tomando α = n2 +2 y haciendo la misma operación anterior la ecuación
1.20 se reduce a:
2
4 n
E X = Γ +2
Γ n2 2
4 n n n
= + 1 Γ
Γ n2 2 2

2

n+2
= 2n
2
2
= n + 2n.
Empleando la definición alternativa de la varianza se tiene que:
V (X) = E X 2 − E 2 (X)

= n2 + 2n − n2
= 2n. (1.21)
En general, el valor esperado de la distribución ji-cuadrado es el número
de grados de libertad, y la varianza es el doble de los grados de li-
bertad. Por ejemplo, supongamos que se cuenta con una distribución
ji-cuadrado con n − 1 grados de libertad, entonces el valor esperado
es n − 1 y la varianza es 2 (n − 1) .
A continuación, se muestran algunas propiedades de la distribución

ji-cuadrado, que serán de gran utilidad al momento de usar dicha
distribución. Canavos (1998).
Propiedades
1. El dominio de la distribución ji-cuadrado son los números posi-
tivos (x > 0)
2. La forma de la distribución depende de los grados de libertad (n),
lo que implica que los grados de libertad son un parámetro de
forma que permite que existan infinitas formas de la distribución.

3. La distribución ji-cuadrado no es simétrica. Tienen colas es-

trechas que se extienden a la derecha, esto es, están sesgadas a
la derecha.
4. Cuando n > 2, la media de una distribución ji-cuadrado es n − 1

y la varianza es 2(n − 1).
5. El valor modal de una distribución se da en el valor (n − 3).

La distribución ji-cuadrado también cuenta con una tabla para el cál-
culo de cuantiles y algunas probabilidades. Dicha tabla, al igual que
la tabla de la distribución t, está compuesta por una columna y una
fila que contiene los grados de libertad y los niveles de significancia
respectivamente. Al interceptar los grados de libertad y la significancia
se encuentra el cuantil de la distribución χ2 buscado.
Al igual que la tabla de la distribución t, la tabla de la distribución χ2

no es muy útil para el cálculo de probabilidades por ende, para calcular
probabilidades se usará el software R y se mostrará su uso en la sección
1.4.
Como se mencionó anteriormente, el uso de las tablas es muy útil al

momento de estimar intervalos de confianza y pruebas de hipótesis
basados en la distribución χ2 . No se presentarán ejemplos del uso de
la tabla dado que la forma de usarlas es análoga a la empleada en la
distribución t. A continuación, se muestran ejemplos donde se utilice
la distribución ji-cuadrado.
Ejemplo 1.2.1. Un ingeniero mecánico de cierta empresa encargado

de monitorear el control de calidad de una producción de motores, sabe
por experiencia que si la variabilidad de la potencia de los motores está
por debajo de 10 kW2 la producción está fuera de control, es decir, no
apta para usar. Para chequear si la producción actual está en control,
tomó una muestra de 50 motores dando como variación de las potencia
de los motores 11.2 kW2 . Si el ingeniero tomó una confianza de 95%
para la prueba, ¿qué conclusión puede obtener?

Solución:
Cabe recalcar que este tipo de problemas son analizados más a profun-
didad en capítulos posteriores, puesto que son esencialmente pruebas
de hipótesis. Por ahora, para ambientar la utilidad de la distribución
ji-cuadrado se dará solución mediante los siguientes pasos:
1. Se debe calcular con los datos proporcionados por el problema,

la ecuación 1.15.
2. Buscar en la tabla el cuantil de una ji-cuadrado con 49 grados

de libertad y α = 0.05
3. Se concluye que el proceso está en control si el valor calculado

mediante la ecuación (1.15) es menor que el cuantil χ20.05 , 49 .
El cálculo del estadístico de prueba es:
(n − 1) S 2 49 · 11.2
χc = 2
=
σ 10
= 54.88
El cuantil de la ji-cuadrado es:
χ20.05 , 49 = 66.33
Puesto que χc < χ20.05 , 49 el ingeniero concluye que el procedimiento

está en control.
Ejemplo 1.2.2. Un médico sabe que la variabilidad en el tiempo de

acción de un medicamento para aliviar el dolor de cabeza depende de
los componentes que en ella se utilizan. Por experiencia, el médico
sabe que la variabilidad en los tiempos de acción de los medicamentos
es de 13.2 minutos2 . Si el médico tomara 12 medicamentos para
aliviar el dolor de cabeza cada uno de laboratorio distinto ¿cuál sería
la probabilidad de que la variabilidad de los tiempos de acción en dichos
medicamentos oscile entre 11 y 18 minutos2 ?

Solución:
Puesto que el médico sabe por experiencia que la variabilidad con la

que un medicamento alivia el dolor de cabeza es de 13.2 minutos2 ,
entonces σ 2 = 13.2 minutos2 . El tamaño de muestra tomado fue de
n = 12. Con esta información, la probabilidad pedida es:
P (11 < S 2 < 18) .
Ahora bien, cabe recordarle al lector que siempre que se calculen prob-
abilidades que se involucra la distribución ji-cuadrado se debe utilizar
la ecuación (1.15). En este orden de ideas, la probabilidad se calcula
como:
(n − 1) S 2

2
(12 − 1) · 11 (12 − 1) · 18
P 11 < S < 18 = P < <
13.2 σ2 13.2
2

= P 9.16 < χ11 < 15
= P χ211 < 15 − P χ211 < 9.16

= 0.817 − 0.393
= 0.424.
Por tanto, la probabilidad de que los tiempos de acción de los medica-

mentos tomados en la muestra esté entre 11 y 18 minutos2 es de
42.4%.
Ejemplo 1.2.3. Suponga que los tiempos que gasta un autobús en

cierta ruta de la ciudad de Bogotá sigue una distribución normal con
varianza σ 2 = 3.2 minutos2 . Suponga ahora, que se observó a un bus
en particular que recorre dicha ruta 17 veces en el día. ¿Cuál es la
probabilidad de que la varianza muestral sea mayor que 3.1 minutos2 ?
Solución:
Dado que el interés es calcular la probabilidad de que la varianza mues-

tral sea mayor que 3.1 minutos2 , entonces dicha probabilidad se calcula
mediante la distribución ji-cuadrado de la siguiente manera:

(n − 1) S 2

2
(17 − 1) · 3.1
P S > 3.1 = P 2
>
σ 3.2
2

(n − 1) S 16 · 3.1
= 1−P <
σ2 3.2
2

= 1 − P χ16 < 15.5
= 1 − 0.51
= 0.49.
Por tanto, la probabilidad de que los tiempos varíen más de 3.1 minutos2
para el bús es del 49%.
NOTA:
Cabe recordar al lector que todos los cálculos de probabil-
idades son hechos en el software estadístico R.
1.3 Distribución F de Fisher

La distribución F de Fisher es una de las distribuciones más impor-
tantes a nivel experimental, dado que con esta distribución se pueden
realizar inferencias sobre las varianzas de dos grupos o poblaciones
independientes y es una herramienta fundamental en el análisis de re-
gresión, que en los próximos capítulos se detallará. La variable aleatoria
F se define como:
W1
F = n1
W2
, (1.22)
n2
donde W1 y W2 son dos variables aleatorias distribuidas ji-cuadrado

con n1 y n2 grados de libertad respectivamente. Por tanto, la variable
aleatoria F tendrá una distribución F -Fisher con n1 grados de libertad
en el numerador y n2 grados de libertad en el denominador.
Definición 1.3.1. Sean W1 y W2 variables aleatorias ji-cuadrado in-
dependientes con n1 y n2 grados de libertad respectivamente, entonces

1.3. DISTRIBUCIÓN F DE FISHER 21
el cociente
W1
F = n1
W2
(1.23)
n2
se distribuye F -Fisher con n1 grados de libertad en el numerador y n2

grados de libertad en el denominador y su función de densidad es:
n1 +n2
n1 n21 n1
−1
Γ 2 n2 x 2
f (X, n1 , n2 ) = i n1 +n 2
, 0 < x < ∞ (1.24)
n1
n2
h n 2
Γ 2 Γ 2
1
n2 x+1
Notación: Si la variable aleatoria X se distribuye F -fisher, entonces

se denotará como X ∼ Fn1 , n2 .
En el siguiente gráfico se puede observar que a medida que los grados
de libertad cambian, la forma de la distribución F también lo hace.
Distribución F−fisher
3.0
2.5
2.0
Densidad
1.5
1.0
0.5
0.0
0 2 4 6 8 10

NOTA:
La cantidad
2
S12/σ 2 σ22

S1
Fc = 1
S22/σ 2
= ∼ Fn1 −1 , n2 −1 .(1.25)
2 S2 σ12
Donde:
• S12 es la varianza muestral insesgada de una

población de tamaño n1 y σ12 es la varianza pobla-
cional.
• S22 es la varianza muestral insesgada de otra

población de tamaño n2 y σ22 es su varianza pobla-
cional
Teorema 1.3.1. Si X ∼ Fn1 , n2 , entonces

n2
• E (X) = .
n2 − 2
2n22 (n1 + n2 − 2)
• V (X) = .
n1 (n2 − 2)2 (n2 − 4)
La demostración de este teorema no se hará, dado que es muy compleja
y rebasa el alcance de este libro. A continuación, se muestran algunas
de las propiedades para tener en cuenta al momento de utilizar la
distribución F -Fisher y que pueden ser muy útiles al realizar cálculos
utilizando dicha distribución.
Propiedades
1. Dado que la distribución F -Fisher es el cociente de dos distribu-
ciones ji-cuadrados, entonces el dominio de la distribución F son
los números positivos (x > 0) .
2. La distribución F -Fisher tiene dos parámetros: n1 que son los
grados de libertad del númerador y n2 que son los grados de
libertad del denominador.

3. La distribución F -Fisher es asimétrica y depende de los grados

de libertad para tomar su forma, por tanto la función de densidad
tiene infinitas formas.
4. Para cualquier cuantil de la distribución F se cumple que:

1
f1−α , n1 , n2 = .
fα , n 2 , n 1

El manejo de la tabla de la distribución F -Fisher es un poco diferente a
las demás. Esta tabla cuenta con dos grados de libertad (n1 , n2 ) y la
significancia (α) . Por lo general, las tablas de la distribución F -Fisher
sólo manejan las significancias más usadas: 0.01 , 0.025 , 0.05 , 0.10 , 0.25.
Si se desea alguna otra significancia distinta a estas, se debe obtener
mediante software especializado, y por ende dichas tablas tampoco son
muy útiles al momento de calcular probabilidades. Ahora bien, para
calcular cuantiles de la distribución F -Fisher utilizando la tabla debe
tener en cuenta:
1. Buscar la significancia en la parte superior de la tabla.
2. Los grados de libertad se encuentran en las filas y columnas de

la tabla.
3. El cuantil buscado será la intercepción de los grados de libertad

en la significancia deseada.
Veamos algunos ejemplos de la utilización de la tabla para que el lector

tenga mayor claridad.
Ejemplo 1.3.1. Calcular los siguientes cuantiles de la distribución F :
a) f0.05,5,3
b) f0.01,8,6
c) f0.025,9,4

Solución
a) Dado que α = 0.05, entonces 1 − α = 0.95, en la tabla se busca
como:
1 − α = 0.95 ν1 =Número de grados de libertad en el

numerador.
1 − α = P (F < fα,ν1 ,ν2 ) ν2 =Número de grados de libertad en el
denominador.
HH ν1
H
1 2 3 4 5 6
ν2 HH
1 161.448 199.500 215.707 224.583 230.162 233.986
2 18.513 19.000 19.164 19.247 19.296 19.329
3 10.128 9.552 9.277 9.117 9.014 8.941
4 7.709 6.944 6.591 6.388 6.256 6.163
5 6.608 5.786 5.410 5.192 5.050 4.950
6 5.987 5.143 4.757 4.534 4.387 4.284
7 5.591 4.737 4.347 4.120 3.971 3.866
b) Dado que α = 0.01 entonces, 1 − α = 0.99, por ende el cuantil

f0.01,8,6 en la tabla se busca como:

numerador.
denominador.
HH ν1
HH 3 4 5 6 7 8
ν2 H
1 5403.35 5624.58 5763.65 5858.97 5928.36 5981.07
2 99.17 99.25 99.30 99.33 99.36 99.37
3 29.46 28.71 28.24 27.91 27.67 27.49
4 16.69 15.98 15.52 15.21 14.98 14.80
5 12.06 11.39 10.97 10.67 10.46 10.29
6 9.78 9.15 8.75 8.47 8.26 8.10
7 8.45 7.85 7.46 7.19 6.99 6.84
c) Dado que α = 0.025 entonces 1 − α = 0.975, por ende el cuantil

f0.025,9,4 en la tabla se busca como:


numerador.
denominador.
HH ν1
HH 3 4 5 6 7 8 9
ν2 H
1 864.16 899.58 921.85 937.11 948.22 956.66 963.28
2 39.17 39.25 39.30 39.33 39.36 39.37 39.39
3 15.44 15.10 14.88 14.73 14.62 14.54 14.47
4 9.98 9.60 9.36 9.20 9.07 8.98 8.90
5 7.76 7.39 7.15 6.98 6.85 6.76 6.68
6 6.60 6.23 5.99 5.82 5.70 5.60 5.52
7 5.89 5.52 5.29 5.12 4.99 4.90 4.82
Ejemplo 1.3.2. Un ingeniero mecánico tiene dos máquinas de cortar

césped que tienen tiempos de antigüedad diferentes, lo que le hace
pensar que la variabilidad en los cortes no son iguales. Se toma una
muestra de 16 cortes de cada máquina arrojando una varianza en los
cortes de 1.05 para la máquina uno y 1.15 para la máquina dos. Con
σ2
esta información, se desea saber cuál es la probabilidad de que σ22 sea:
1
a) mayor a 1.97
b) menor a 3.52
Solución:
Para calcular las probabilidades pedidas en cada uno de los ítems, se
va a utilizar la ecuación (1.25).
a) La probabilidad pedida es:

σ22
P σ12
> 1.97
Ahora bien, para calcular la probabilidad se debe multiplicar en ambos

S2
lados de la desigualdad por la cantidad S12 quedando
2
2 2
S1 σ22

σ2 1.05
P > 1.97 = P · > 1.97 ·
σ12 S22 σ12 1.15

S12
Recuerde que S22
= 1.05
1.15
y además por la ecuación 1.25 se tiene que
S12 σ22
S22
· σ12
∼ Fn1 −1 , n2 −1 luego:
S12 σ22

1.05
P 2
· 2 > 1.97 · = P (F15 , 15 > 1.79)
S2 σ1 1.15
= 1 − P (F15 , 15 < 1.79)
= 1 − 0.86
= 0.14.
b) La probabilidad pedida se calcula así:
σ22
2
S1 σ22

1.05
P < 3.32 = P · < 3.32 ·
σ12 S22 σ12 1.15
= P (F15 , 15 < 3.03)
= 0.98.
Ejemplo 1.3.3. Un grupo de economistas están interesados en com-

prar una de dos acciones (A y B) en la bolsa de valores. La diferencia
que hay entre las dos acciones es la volatilidad en sus precios. Para
tomar la decisión, los economistas toman los precios de 12 meses de
cada acción arrojando una desviación estándar muestral de $30240
para la acción A y de $28340 para la acción B. ¿Cuál es la probabili-
dad de que la volatilidad en los precios de la acción B sea más grande
que la volatilidad en los precios de la acción A?
Solución:
Para calcular la probabilidad pedida se hará uso de la ecuación 1.25;

ahora bien, para chequear si la volatilidad de los precios en la acción
B es mayor que la volatilidad en los precios de la acción A, se debe
calcular el cociente entre las varianzas y verificar que sea mayor que
uno.

σ22
2
σ2
P >1 = 1−P <1
σ12 σ12
2
σ2 S12 302402

= 1−P · <1·
σ12 S22 283402
= 1 − P (F11 , 11 < 1.138)
= 1 − 0.583
= 0.417
El resultado obtenido implica que hay una probabilidad del 41.7% de

que la volatilidad de los precios de la acción B es mayor que la volatil-
idad de los precios de la acción A.
Ejemplo 1.3.4. Se toma un grupo de 16 personas y se les propor-

ciona un medicamento A, que sirve para disminuir el nivel de cansancio;
luego de esto, se calcula la variabilidad en los tiempos de efecto del
medicamento arrojando 1.6 minutos2 . En otro grupo de 20 personas
se suministra el medicamento B y nuevamente se calcula la variabili-
dad en el tiempo de efecto del medicamento, arrojando 1.8 minutos2 .
¿En qué porcentaje la variabilidad del medicamento B es superior a la
variabilidad del medicamento A? Interprete el resultado obtenido.
Solución:
Dado que se desea calcular es qué tan grande es la variabilidad del
medicamento B con respecto al medicamento A, entonces la proba-
2
σB
bilidad pedida es P σ2 > 1 . En otras palabras, cuando un cociente
A
es mayor que uno, significa que el numerador es mayor que el denom-
inador, por tanto:
2 2
σB SA2

σB 1.6
P >1 = 1−P · <1·
σA2 σA2 SB2 1.8
= 1 − P (F15 , 19 < 0.889)
= 1 − 0.414
= 0.586

Esto significa que el 58.6% de las veces el medicamento B es más

voluble en cuanto al tiempo de efecto que el medicamento A.
1.4 Uso del software R

En esta sección, se muestran las funciones en el software estadístico
R que permitan hacer el cálculo de probabilidades y cuantiles de las
distribuciones t, χ2 y F . La idea es mostrar al lector cómo hacer dichos
cálculos solucionando todos los ejemplos mostrados anteriormente.
Distribución t-Student
La función que usa el software estadístico R para el cálculo de probabil-
idades acumulada y el cálculo de cuantiles de la distribución t−Student
respectivamente son:
pt(q, df, lower.tail = TRUE)

qt(p, df, lower.tail = TRUE)
donde, q es el cuantil de la distribución a la que se quiere calcular la

probabilidad, p es la probabilidad a la que se le quiere buscar el cuan-
til, df son los grados de libertad, lower.tail=TRUE se usa cuando la
probabilidad que se desea calcular es P (X ≤ x) (cola inferior), y si se
quiere calcular P (X > x) (cola superior) se usa lower.tail=FALSE.
A continuación, se da solución a los ejemplos planteados en este capí-

tulo utilizando el software estadístico R.
Ejemplo 1.1.1:
qt(p=0.05, df=2, lower.tail = FALSE)
Dado que el cuantil que se desea calcular es t2 , 0.05 y es de cola superior.
b) La probabilidad pedida es:

1.4. USO DEL SOFTWARE R 29
Dado que el cuantil que se desea calcular es t5 , 0.1 y es de cola superior.
c) La probabilidad pedida es:
Dado que el cuantil que se desea calcular es t15 , 0.005 y es de cola su-
perior.
Ejemplo 1.1.2:
La probabilidad pedida es:
pt(q=-2.90, df=23, lower.tail = FALSE)
Puesto que la probabilidad pedida es P (T23 > −2.90)
Ejemplo 1.1.3:
pt(q=7.61, df=11, lower.tail = TRUE)
Puesto que la probabilidad pedida es P (T11 < 7.91)
pt(q=-3.80, df=11, lower.tail = TRUE)
Puesto que la probabilidad pedida es P (T11 < −3.80)
pt(q=9.52 df=12)-pt(q=-1.90, df=12)
Dado que la probabilidad que se desea calcular es P (T < 9.52) −

P (T < −1.90)

Distribución χ2
Para la distribución ji-cuadrado las funciones que se usan en el software
R para el cálculo de probabilidades y cuantiles son respectivamente:
pchisq(q, df, lower.tail = TRUE)

qchisq(p, df, lower.tail = TRUE)
Donde los parámetros son análogos al de la distribución t.
Ejemplo 1.2.1:
En este ejemplo se debe calcular χc y el cuantil de la χ2 que se calculan

respectivamente:
xcal=49*11.2/10
cuantil=qchisq(p=0.05,df=49,lower.tail=FALSE)
Ejemplo1.2.2
pchisq(q=15, df=11)-pchisq(q=9.16, df=11)
Dado que la probabilidad que se desea calcular es P (χ211 < 15) −

P (χ211 < 9.16)
Ejemplo1.2.3
pchisq(q=15.5,df=16,lower.tail=FALSE)
Distribución F
Las funciones en el software R para el cálculo de probabilidades y
cuantiles de la distribución F son respectivamente:
pchisq(q, df1,df1, lower.tail = TRUE)

qchisq(p, df1,df2, lower.tail = TRUE)

1.4. USO DEL SOFTWARE R 31
donde, q es el cuantil de la distribución a la que se quiere calcular la

probabilidad, p es la probabilidad a la que se le quiere buscar el cuantil,
df1 son los grados de libertad del numerador, df2 son los grados de
libertad del denominador y lower.tail=TRUE se usa cuando la proba-
bilidad que se desea calcular es P (X ≤ x) (cola inferior), y si se quiere
calcular P (X > x) (cola superior) se usa lower.tail=FALSE.
Ejemplo 1.3.1:

qf(p=0.05,df1=5,df2=3,lower.tail=FALSE)
Ejemplo1.3.2

pf(1.79,15,15,lower.tail=FALSE)
pf(3.03,15,15,lower.tail=TRUE)
Ejemplo 1.3.3.
En este ejemplo la probabilidad a calcular es 1 − P (F11 , 11 < 1.138)

que se resuelve en R como:
1-pf(1.138,11,11,lower.tail=TRUE)
Ejemplo 1.3.4.
En este ejemplo la probabilidad a calcular es 1 − P (F15 , 19 < 0.889)

que se resuelve en R de la siguiente manera:
1-pf(0.889,15,19,lower.tail=TRUE)

1.5 Ejercicios
1. Sea T una variable aleatoria que sigue una distribución t-student
con 8 grados de libertad, calcular la probabilidad de que:
a) T sea menor que 1.3968

b) T exceda 0.5459
c) T esté entre 0.8889 y 2.3060
d) T esté entre -0.8889 y -0.7064
e) T exceda -3.3554
f) T sea como máximo -1.3968
2. Considere a T una variable aleatoria que sigue una distribución

t-student con 14 grados de libertad. Calcular la probabilidad de
que
a) T sea menor que 0.5366

b) T exceda 1.3450
c) T esté entre 1.7613 y 2.1448
d) T esté entre -3.3257 y -2.6245
e) T exceda -3.7874
f) T sea como máximo -2.9768
3. Identifique los siguientes cuantiles y calcule las probabilidades

acumuladas a izquierda y a derecha asociadas a éste:
a) t4,0.3
b) t9,0.005
c) t7,0.1
d) t11,0.25
e) t13,0.05
f) t19,0.20

1.5. EJERCICIOS 33
4. Un estudiante de administración desea trabajar en una empresa

reconocida en la ciudad de Montería. Para ello, monitorea los
salarios que dicha empresa ha pagado mensualmente a sus dis-
tintos administradores durante los últimos 2 años, calculando un
promedio de $2680000 y una desviación estándar de $354000.
Una persona conocida que trabaja en dicha empresa le dice
que el salario mensual de los admistradores más comisiones por
venta sigue una distribución normal. Empleando la información
obtenida se desea calcular:
a) ¿Cuál es la probabilidad de que su salario promedio en la

empresa sea superior a 2860000?
b) ¿Cuál es la probabilidad de que su salario promedio en la
empresa esté entre 2428000 y 2530500?
c) ¿Cuál es la probabilidad de que su salario promedio en la
empresa sea inferior a 2618000?
5. Un análisis estadístico determinó que el tiempo promedio de

atención a un cliente en una sucursal de un importante banco
nacional se distribuye normalmente con una media de 17 min-
utos. La gerente de la sucursal considerando los últimos 15
clientes atendidos desea corroborar cuál de las siguientes afir-
maciones es correcta. La gerente considera la estimación de la
desviación típica obtenida en el estudio realizado, que fue de
3.78 minutos.
a) El asesor comercial estrella afirma que la probabilidad de

que en promedio la atención de un cliente dure más de 22
minutos es muy baja.
b) La nueva asesora comercial afirma que existe una alta proba-
bilidad de que en promedio la atención de un cliente dure
entre 14 y 20 minutos.
c) El director de atención al cliente afirma que es muy proba-
ble que la atención de un cliente en promedio dure menos
de 15 minutos.

6. Suponga que la cantidad de tiempo que gasta la superinten-

dencia en enviar reembolsos a los contribuyentes se distribuye
normalmente con media de 15.3 semanas y desviación estándar
estimada de 9.4, obtenida de una muestra aleatoria de 27 meses.
El director de la superintendencia desea estimar lo siguiente:
a) ¿Cuál es la probabilidad de que el tiempo promedio en ges-

tionar los reembolsos sea inferior a 12.9 semanas?
b) ¿Cuál es la probabilidad de que el tiempo promedio en ges-
tionar los reembolsos sea de más de 16.3 semanas?
c) ¿Cuál es la probabilidad de que el tiempo promedio en ges-
tionar los reembolsos fluctúe entre 19.1 y 20.4 semanas?
d) ¿Cuál es el tiempo promedio que debe esperar el 2.5% de
los contribuyentes que más esperan?
e) ¿Cuál es la probabilidad de que el tiempo promedio en ges-
tionar los reembolsos sea menor a 13.7 semanas?
7. El precio mensual de una materia prima requerida por una indus-

tria particular sigue una distribución normal con precio promedio
por kilogramo de $32500. En el departamento de compras se
decide evaluar los proveedores por la estabilidad de los precios de
los insumos que les venden y empleando los recibos de compra
del último año, se quiere estimar las siguientes probabilidades,
empleando la desviación estándar estimada que es de $4500.
a) ¿Cuál es la probabilidad de que el precio promedio anual

fluctúe entre 33230 y 34350?
b) ¿Cuál es la probabilidad de que el precio promedio anual
sea menor a 30060?
c) ¿Cuál es la probabilidad de que el precio promedio anual
sea mayor a 31550?
d) ¿Cuál debe ser el precio promedio anual si sólo el 1% de
todos los precios anuales de la materia prima son superiores
a este valor?

1.5. EJERCICIOS 35
e) ¿Cuál debe ser el precio promedio anual si sólo el 20% de

todos los precios anuales de la materia prima son superiores
a este valor?
8. Considere una variable aleatoria X con distribución χ2 de 16

grados de libertad. ¿Cuál es la probabilidad de que
a) X sea menor que 32?

b) X exceda 14.6555?
c) X esté entre 20.47 y 36.46?
d) X esté entre 13.31 y 18.42?
9. Considere una variable aleatoria X con distribución χ2 de 21

grados de libertad. Determine cuál es la probabilidad de que
a) X sea menor que 20.34

b) X exceda 29.62
c) X esté entre 17.98 y 32.67
d) X esté entre 26.17 y 38.93
e) X exceda 18.77
10. Identifique el cuantil y calcule las probabilidades acumuladas a

izquierda y a derecha asociadas a éste:
a) χ28,0.3
b) χ212,0.4
c) χ27,0.025
d) χ211,0.35
e) χ213,0.15
f) χ219,0.1
11. La gerente de una sucursal bancaria sabe que la variabilidad en

el tiempo de atención a un cliente en asesoría comercial depende
exclusivamente del número de asesores presentes en la jornada
laboral. La gerente sabe, que la variabilidad en los tiempos de

atención es de 15.5 minutos2 si hay 5 asesores presentes en una

sucursal. La gerente decide evaluar su grupo de asesores durante
quince días para poder responder las siguientes preguntas.
a) ¿Cuál es la probabilidad de que la variabilidad muestral de

los tiempos de atención sea superior a 32.2635 minutos2 ?
b) ¿Cuál es la probabilidad de que la variabilidad muestral de
los tiempos de atención sea inferior a 23.3209 minutos2 ?
c) ¿Cuál es la probabilidad de que la variabilidad muestral
de los tiempos de atención oscile entre 12.6821 y 21.4854
minutos2 ?
d) ¿Cuál es la probabilidad de que la variabilidad muestral
de los tiempos de atención oscile entre 16.2587 y 17.9602
minutos2 ?
12. El proveedor de una materia prima requerida por una industria

particular afirma que la variabilidad en el precio mensual ofrecido
se debe a la dificultad de extracción del mismo y por tal razón
fluctúa mes a mes. En el departamento de compras se decide
evaluar la estabilidad de los precios de dicha materia prima y
empleando los recibos de compra de los dos últimos años deter-
mina que la varianza estimada es de $4500. El gerente desea
que le informen:
a) ¿Cuál es la probabilidad de que la variabilidad teórica fluc-
túe entre 5002.41 y 6969.70?
b) ¿Cuál es la probabilidad de que la variabilidad teórica sea
menor a 5705.62?
c) ¿Cuál es la probabilidad de que la variabilidad teórica sea
cuando mucho a 6420.60?
d) ¿Cuál es la probabilidad de que la variabilidad teórica fluc-
túe entre 3452.30 y 5208.86?
e) ¿Cuál es la probabilidad de que la variabilidad teórica sea
inferior a 2942.85?
13. Identifique el cuantil y calcule las probabilidades acumuladas a
izquierda y a derecha asociadas a éste:

1.5. EJERCICIOS 37
a) F16,8,0.95
b) F11,12,0.9
c) F7,13,0.975
d) F11,11,0.99
e) F22,13,0.95
f) F19,2,0.9
14. Calcule el valor esperado y la varianza de las siguientes variables

aleatorias
a) X ∼ F1,9
b) X ∼ F8,12
c) X ∼ F6,7
d) X ∼ F4,4
e) X ∼ F7,10
15. La administradora de un importante hotel de la ciudad desea

comparar la variabilidad en los tiempos de diseño, montaje y
puesta en marcha de fiestas de matrimonio de dos empresas
organizadoras de eventos. La primer empresa fue contratada 12
veces en el último año y la segunda 8 veces, presentando una
varianza en los tiempos de producción de 2.05 horas2 y de 2.81
horas2 respectivamente.
a) ¿Cuál es la probabilidad de que la razón de varianzas pobla-

cionales sea menor a 3.6790 horas2 ?
b) ¿Cuál es la probabilidad de que la razón de varianzas pobla-
cionales sea menor a 6.4548 horas2 ?
c) ¿Cuál es la probabilidad de que la razón de varianzas pobla-
cionales sea mayor a 4.9387 horas2 ?
d) ¿Cuál es la probabilidad de que la razón de varianzas pobla-
cionales sea mayor a 8.9618 horas2 ?


Taller Estadística Inferencial PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Taller Estadística Inferencial PDF

Uploaded by

Copyright:

Available Formats

Capítulo 1

Además de la distribución normal, en estadística existen otras distribu-

1.1 Distribución t−student

Algo en común que tiene la distribución normal con la distribución t,

Institución Universitaria Los Libertadores 1 Departamento de Ciencias Básicas

Normal y t−Student con 3 grados Normal y t−Student con 10 grados

Normal y t−Student con 15 grados Normal y t−Student con 30 grados

Figura 1.1: Aproximación de la distribución t a la distribución normal

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Desde el punto de vista teórico, suponga que se selecciona una muestra

Ahora bien, suponga que la desviación estándar poblacional σ no se

En el próximo capítulo, se mostrará que la estimación de σ más ade-

La variable Tn−1 se distribuye t−student con n − 1 grados de libertad,

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

y asumamos por el momento que:

Realizando la división se tiene que:

Definición 1.1.1. Sea Z ∼ N (0 , 1) y sea V una variable aleato-

Se distribuye t−student con n grados de libertad y su función de

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Notación: Si la variable aleatoria X se distribuye t−student con n

Por definición de valor esperado, se tiene que:

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

1.1.1 Manejo de la tabla

Una observación que se debe hacer al respecto para el uso de la tabla

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

al momento de calcular cuantiles, que son necesarios para la toma de

Para afianzar el entendimiento del manejo de la tabla véase el siguiente

Ejemplo 1.1.1. Calcular los siguientes cuantiles superiores utilizando

Para encontrar el cuantil pedido en el inciso a se busca en la tabla el

Para el cuantil pedido en el inciso b se busca en la tabla el número 5

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Para el cuantil pedido en el inciso c se busca en la tabla el número

Ejemplo 1.1.2. Suponga que la dirección financiera de una deter-

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

X := Precios de las matrículas de los estudiantes de primer semestre.

Con esta información el cálculo de la probabilidad pedida es:

Por tanto, la probabilidad de que en promedio un estudiante de primer

Ejemplo 1.1.3. Un grupo de economistas de una empresa saben por

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

a) Calcular la probabilidad de que el precio promedio de la acción

b) ¿Cuál es la probabilidad de que el precio promedio de la acción

c) Si un economista desea invertir en la acción pero su presupuesto

a) La probabilidad pedida se calcula de la siguiente forma:

La anterior probabilidad fue calculada con el software R. Como con-

b) La probabilidad pedida se calcula de la siguiente forma:

c) La probabilidad pedida se calcula de la siguiente forma:

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Al emplear una de las propiedades que poseen las distribuciones de

P (a < X < b) = P (X < b) − P (X < a) , (1.11)

de lo que se concluye que la probabilidad de que una persona pueda

Ejemplo 1.1.4. Un estudiante de administración desea trabajar en

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Por otro lado, el cualtil t23,0.05 se encuentra directamente en la tabla

−t24 , 0.05 = −1, 71

Esta distribución cuenta con un único parámetro llamado grados de

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas

Un caso particular es que una sola variable aleatoria normal estándar

Definición 1.2.1. Sea Z1 , Z2 , . . . , Zn variables aleatorias distribuidas

χ2 = Z12 + Z22 + · · · + Zn2 (1.13)

Se distribuye χ2 con n grados de libertad y su función de densidad es:

Notación: si la variable aleatoria X se distribuye ji-cuadrado, en-

Gráficamente se pueden observar las distintas formas de la distribución

Institución Universitaria Los Libertadores Departamento de Ciencias Básicas