Elementos de

Estadística para Preparación y

Evaluación de Proyectos

mario murillo oporto

La Paz - Bolivia - 2013

PRÓLOGO
Es posible prescindir del concurso de la Estadística en la tarea de Preparación y Evaluación
de Proyectos?...., indudablemente que no.
Es innegable que una de las herramientas principales para la elaboración de todo trabajo
de investigación, donde los factores que intervienen sufren cambios constantes que
implican incertidumbre y que frente a ellos hay necesidad de hacer predicciones para tomar
la acción adecuada en una política de decisiones, es la Estadística.
El presente trabajo fue realizado tomando como base las notas de las clases que me
correspondió dictar en la Universidad Mayor de San Andrés, Universidad Católica Boliviana
y en el primer Curso de Preparación y Evaluación de Proyectos (Programa BID-ISAP-
CONEPLAN-OEA - Ciudad de La Paz, 1973). Se han incluido los temas que se
consideraron más importantes, tratando de dejar claras las ideas centrales y sus
aplicaciones, sin entrar a muchas demostraciones matemáticas, de acuerdo al objetivo
perseguido. Se recomienda a los estudiantes ampliar la lectura de cada Capítulo, al menos
con uno de los textos mencionados en la bibliografía.
Deseo resaltar la persona de Don Hugo Javier Ochoa G.,
Director del Curso de Preparación y Evaluación de Proyectos, citado anteriormente, de
quién surgió la idea de realizar el presente documento. Para él, mis mejores palabras de
elogio y agradecimiento por su colaboración desinteresada, tolerancia y estímulo constante
de que fui objeto durante el tiempo que duró mi labor.
La Paz - Bolivia 1974

PRÓLOGO
LA TERCERA EDICIÓN
Al presentar esta nueva edición, deseo expresar especialmente mi más profundo sentir de
agradecimiento a todos cuantos me honraron con la lectura de las dos impresiones
anteriores.
La aceptación que tuvo el texto y el actual interés manifestado por contar con el, sobre todo
por estudiantes de carrera y muchos egresados, han constituido motivos suficientes para
haber emprendido la tarea de hacer las correcciones que eran necesarias y de añadir las
soluciones de ejercicios seleccionados.
Abrigo, nuevamente, la esperanza de que esta obra en el nivel dado, pueda servir de un
elemento más de apoyo para quienes están incursionando en el conocimiento de la
Estadística y sus aplicaciones; entre ellos, a estudiantes de la Universidad Boliviana y de
otras Instituciones donde se enseña esta ciencia.
Mario Murillo Oporto

La Paz - Bolivia
Agosto, 1990

CAPITULO 7
MODELOS DE DISTRIBUCION DE PROBABILIDADES
Hemos visto que podrían existir un número muy grande de distribuciones de
probabilidades, tantas como experimentos pueden presentarse en la naturaleza; y es más,
a cada experimento sabemos que es posible asociarle varias variables aleatorias, de
acuerdo al tipo de investigación que se desee realizar, las que a su vez originan distintas
funciones de distribución. Estudiar individualmente cada distribución sería realmente cosa
de titanes. Felizmente muchas distribuciones guardan ciertas características análogas, de
manera que casi siempre es posible adecuarlos a algunos modelos estándar. La búsqueda
de un modelo de probabilidades que sea capaz de describir la distribución de los datos que
se tengan disponibles, es una de las tareas básicas para un investigador científico.

Un modelo de distribución de probabilidad es una expresión matemática que se obtiene a

partir de un conjunto de supuestos, que sirve para estudiar los resultados de un
experimento y para predecir resultados futuros del experimento cuando éste se efectúa
repetidamente.
El propósito de este capítulo, es introducir algunos modelos especiales, los que servirán,
también, para realizar inferencias estadísticas respecto de conjuntos poblacionales
grandes. De acuerdo al objetivo que persigue nuestro texto, únicamente daremos las ideas
centrales de los modelos y sus aplicaciones, sin entrar a demostraciones cuya rigurosidad
matemática podría distraer nuestra atención del tema principal. Por otro lado,
procuraremos que se tenga fluidez en el modelo de las Tablas de probabilidades que se
presentan en el apéndice, con el fin de reducir cómputos numéricos prolongados cuando
no se cuenta con una computadora. Se recomienda al estudiante que tenga cuidado en la
identificación del problema con el modelo correcto, antes que memorizar el detalle de la
expresión matemática de los modelos.
Iniciaremos por ver el modelo de Bernoulli, por tratarse de uno de los más simples, pero
que tiene muchas aplicaciones y sobre todo porque sirve de base para la deducción de los
modelos Binomial y de Poisson de probabilidades,

Modelo de Distribución de Probabilidad Bernoulli

Bernoulli, uno de los pioneros del cálculo de probabilidades, formulo un modelo que se
aplica a variables aleatorias las cuales pueden tomar sólo dos valores. Usaremos las
siguientes expresiones como equivalentes: "Modelo Bernoulli", "Prueba Bernoulli".
"Variable Bernoulli" ó "Distribución Bernoulli"; al referirnos a este tipo de distribución.

DEFINICIÓN 7.1 Una prueba Bernoulli es un experimento que tiene dos resultados
posibles, generalmente denominados éxito (E) y fracaso (F).
Entonces, el espacio muestral para una prueba Bernoulli, es  = {E,F}. Son diversos los
experimentos que corresponden a este modelo, así, por ejemplo, el resultado de lanzar
una moneda puede ser, cara o sello; un artículo producido en ciertas condiciones, puede
resultar con defecto o sin defecto; una persona puede tener un ingreso mayor de una
cantidad predeterminada; un obrero puede estar de acuerdo o no de realizar algún trabajo;
etc. O sea que el modelo Bernoulli es apropiado para cualquier situación donde sólo nos
interesa que ocurra el suceso deseado (éxito), o el suceso contrario (fracaso); de aquí, se
observa que los dos sucesos son excluyentes. Por esto, también se puede decir que el
modelo Bernoulli, está relacionado con fenómenos de la naturaleza que pueden ser
clasificados cualitativamente.
Si a los dos valores únicos que toma una variable aleatoria, dada una prueba Bernoulli, los
designamos por 1 y 0, tal que P y Q sean sus respectivas probabilidades, entonces la
función de probabilidad de una variable aleatoria Bernoulli está dada por:
P(Y) = 𝑃𝑌 𝑄1−𝑌 para Y = 0 o 1 (7.1)
=0 para otros valores de Y
Se observa inmediatamente que cumple con las propiedades de una función de
probabilidades, o sea
i) P(Y)  0 para toda Y reales
ii) ƩP(Y) = Q + P = 1 – P + P = 1
Si el objetivo es obtener cara al lanzar al aire una moneda, entonces si sale cara es éxito
1 1
cuya probabilidad es P = 2; si sale sello es fracaso, cuya probabilidad es Q = 2; luego, la
1 1
suma de P+Q = 1; o sea: + = 1.
2 2
Si el objetivo es obtener la cara con el 6 al lanzar al suelo un dado regular, entonces si sale
1
cara con el 6 es éxito cuya probabilidad es P = 6; si no sale la cara con el 6, sale la cara
5
con el 1 o 2 o 3 o 4 o 5 es fracaso, cuya probabilidad es Q = 6; luego, la suma de P+Q = 1;
1 5
o sea: 6 + 6 = 1.

Veamos cuál es la media esperada y la varianza de esta distribución:

En primer lugar, se tiene:
E(Y) = ∑ 𝑌𝑃 (𝑌) = ∑10 𝑌 𝑃𝑌 𝑄1−𝑌 = P
E(Y2)= ∑10 𝑌 2 𝑃𝑌 𝑄1−𝑌 = P
Entonces la media esperada de la variable aleatoria Y distribuida según la Bernoulli, es:
E(Y) = P (7.2)
y la varianza
V(Y) = 𝜎𝑌2 = E[𝑌 − 𝐸(𝑌)]2 = E[𝑌 2 − 2𝑌𝐸 (𝑌) + [𝐸(𝑌)]2 ] = E(Y2) - [𝐸(𝑌)]2 = P – P2 = P(1-P) =
PQ (7.3)
Ejemplo 7.1 Supongamos que, de un conjunto de amas de casa, el 70% está de acuerdo
en consumir un nuevo aceite comestible fabricado a "base de "palma africana". Si se
selecciona al azar una ama de casa del conjunto, y se designa con Y = 1 si está en favor
del nuevo aceite y Y = 0 si prefiere aceite comestible de otras plantas oleaginosas,
entonces Y es una variable aleatoria distribuida según la Bernoulli, luego su esperanza
matemática es simplemente: E(Y) = P = 0,7 amas de casa; la varianza 𝜎𝑌2 = PQ =
(0,70)(0,30) = 0,21 y la desviación estándar 𝜎𝑌 = 0,46

Como acabamos de ver, el modelo Bernoulli implica realizar una sola vez el experimento;
si se realizara una y otra vez el mismo experimento bajo las mismas condiciones y cuyos
resultados son independientes, entonces se dirá que estamos en presencia de una
sucesión de pruebas Bernoulli. Este último da origen a la formulación de un nuevo modelo,
que es el binomial.

Modelo de Distribución de Probabilidad Binomial

Supongamos que realizamos un experimento que consiste de n repeticiones
independientes de pruebas Bernoulli en las mismas condiciones, es decir que, si tenemos
una sucesión Bernoulli, entonces el espacio muestral para este experimento es el Producto
Cartesiano de los espacios muéstrales de las pruebas individuales, O sea
 = 1 x 2 x...x n
donde i = E,F, i = 1, 2, ... , n; y Pi({E}) = P para i = 1, 2, 3, . . . , n. De aquí, podemos
entonces formular el modelo de distribución Binomial.
DEFINICIÓN 7.2 Si X es una variable aleatoria que indica el número de éxitos (E) en n
pruebas independientes Bernoulli con probabilidad P(E) = P constante en cada prueba,
entonces se dice que X es una variable aleatoria binomial con parámetros n y P.
El modelo binomial es aplicable a un número grande de casos; por ejemplo: i) si lanzamos
al aire 20 veces una moneda y definimos la ocurrencia del número de caras que aparecen
arriba; ii) cualquier selección aleatoria con sustitución de artículos de un lote, si definimos
como éxito al número de artículos no defectuosos; etc. De manera que con este modelo es
posible dar respuesta a preguntas como la siguiente: ¿Si realizamos un experimento n
veces bajo las mismas condiciones, cual es la probabilidad de obtener exactamente x
éxitos, al menos x éxitos?, a lo más x éxitos?
El siguiente ejemplo nos ilustrará la secuencia de la obtención de la función de
probabilidades para el Modelo Binomial.
Ejemplo 7.2 Veamos cuál es la probabilidad de obtener trica de "unos" si rodamos cinco
veces un dado, Vemos que en este experimento el resultado de cada prueba puede ser
"uno" o cualquier otro número de los cinco restantes. Entonces el experimento satisface
las premisas de un modelo binomial. En cada prueba, P=1/6 y Q=5/6, y como son cinco
pruebas, n = 5. El orden en que vayan apareciendo los "unos", no tiene importancia en este
caso. Así, si se simboliza con E toda vez que aparece "uno" y F si no aparece, un resultado
del experimento puede ser EEFEF, cuya probabilidad es
(1/6)(1/6) (5/6) (1/6) (5/6) = (l/6)3 (5/6)2
Otro resultado del experimento puede ser la sucesión FFEEE, y su probabilidad es
(5/6)(5/6)(1/6)(1/6)(1/6) = (1/6)3 (5/6)2
Otra sucesión distinta a estas dos, en la que aparezcan tres "unos", también tendrá la
misma probabilidad. Cuál es entonces la probabilidad de obtener trica de unos. Como todos
los posibles sucesos simples son mutuamente excluyentes y tienen la misma probabilidad
de ocurrencia, entonces la probabilidad de éxito, por la propiedad de adición (Sección 5.6),
es la suma de las probabilidades individuales, es decir (1/6)3 (5/6)2 + (1/6)3 (5/6)2 + . . .
5
tantas veces como es posible seleccionar 3 elementos de 5, o sea   . En consecuencia,
3
5 1 25 250
la probabilidad de obtener trica de unos, es   (1/6)3 (5/6)2 = (10)(216)(36) = 7.776 = 0,032
3
Como se dijo, ésta es la secuencia lógica para la obtención de la función de probabilidades
para una distribución binomial.
TEOREMA. 7.1 Si X es una variable aleatoria distribuida según la binomial con parámetros
n y P, entonces la función de probabilidad está dada por:
𝑛
P(x) = ( ) 𝑃 𝑥 𝑄 𝑛−𝑥 Para x = 0, 1, 2, . . . , n (7.4)
𝑥
P(x) = 0 para otros valores de X
Es fácil comprobar que esta función cumple con las propiedades de una función de
probabilidades. Aplicando el teorema del Binomio de Newton, que establece la siguiente
𝑁 𝑁! 5! [Link].1
igualdad: ( ) = NCn = = = 10
𝑛 𝑛!(𝑁−𝑛)! 3!2! [Link].1

3 3 3
(𝑎 + 𝑏)3 =𝑎3 +3𝑎2 𝑏+3a𝑏 2 +𝑏 3 =( ) 𝑎3 𝑏 0 +(3) 𝑎2 𝑏1 +(3) 𝑎1 𝑏 2 +( ) 𝑎0 𝑏 3 =∑30 ( ) 𝑎3−𝑥 𝑏 𝑥
0 1 2 3 𝑥
n
 n  r n r
Elevando el binomio a la potencia n, se tiene: (a + b) n = 
r 0
  a b
r 
Por analogía, se tiene:
n
 n  x n x
   p q = (P+Q) n = (P+1-P) n = 1
x0  x

de manera que  RX
P(x) = 1, y es obvio que P(x)  0 para toda X real

Algunas veces se suele utilizar la expresión b(x; n, p) para indicar la función de probabilidad
binomial, con parámetros n y p.
En vista de que la variable aleatoria binomial es discreta, la función de distribución
acumulada de X está dada por:
x
n
FX ( X )  P( X  x)     Pt (1  p)n t
t  x t 

que también puede simbolizarse como F(x; n, p).

Para el cálculo de la función de distribución acumulada binomial, es recomendable recurrir
a las tablas elaboradas para este fin.
Ejemplo 7.3 Una moneda se lanza 12 veces, a) ¿cuál es la probabilidad de obtener al
menos 6 caras?, b) ¿exactamente 5 caras?, c) no más de 3 caras? Este problema
corresponde al modelo binomial donde n = 12 y P = 1/2. Si X representa el número de
caras, entonces
12
P(x) =   (1/2) X (1/2) 12 X para x = 0, 1, 2, ... ,12
x 
=0 para otros valores de x.
5
a) P(x  6) = 1 - P(X < 6) = 1 - 
x0
b (x; 12, 1/2) = 1 - 0,3872 = 0,6128

b) P(X = 5) = P(X  5) – P(X  4) = 0,3872 - 0,1938 = 0,1934

c) P(X  3) = 0,073
Para el cálculo de estas probabilidades, se utilizó la Tabla de la Función de Distribución
Acumulada de probabilidades binomial que se incluye en el apéndice.
En el caso en que p > 0,5 se puede calcular la probabilidad del suceso contrario, a fin de
poder utilizar las tablas (que solamente dan valores hasta p = 0,5). Por otro lado, si el
número de pruebas es muy grande o si la probabilidad de éxito es muy pequeña, de manera
que no sea posible utilizar las tablas habrá que recurrir a una computadora o en su caso
aproximar la distribución binomial a otro modelo que facilite el cálculo. Esto, veremos más
adelante.
Ejemplo 7.4 Se sabe que, en un lote de N = 20 transistores, r = 4 tienen algún defecto. Si
se toma una muestra aleatoria de n = 5 transistores del lote con reemplazo, a) ¿cuál es la
probabilidad que uno de ellos sea defectuoso?, b) ¿Cuál la probabilidad de que a lo más
uno sea defectuoso?, c) Al menos uno sea defectuoso
Si X indica el número de transistores defectuosos, entonces por la condición del problema,
corresponde a una distribución binomial con parámetros
4 16
P= = 0,2 Q = 20 = 0,8 y n = 5, es decir
20
5 
P(x) = b(x; 5; 0,2) =   (0,2) X (0,8) 5  X para x = 0, 1, 2, 3, 4, 5
 x
Luego
5
a) P(x = 1) = P(1) = b (1;5; 0,2) =   (0,2)(0,8) 4 = 0,4096
1 
5
b) P(X  1) = P(0) + P(1) = ( ) (0,8)5 + 0,4096 = 0,32768 + 0,4096 = 0,73728
0
c) P(X ≥ 1) = 1 – P(0) = 1 - 0,32768 = 0,67232
(Para los cálculos, ver la tabla en el apéndice.)
El gráfico 7.1 muestra la distribución binomial para algunos valores de P y n
Ahora veamos cuáles son la media esperada y la varianza para una variable aleatoria
distribuida según la binomial.
n
 X = E (X) = 
RX
x P(X) = 
RX
x   P X Q n X = n p
 x
(7.6)

𝜎𝑋2 = V(X) = E(X 2 ) - ( X ) 2 = n p q (7.7)

Figura 7.1 Distribuciones de probabilidades binomiales para n constante y p constante,
respectivamente.

Ejemplo 7.5 Un agricultor ha determinado a partir de numerosos ensayos, de un cierto tipo

de semillas, el 5% no germina. a) ¿Cuantas semillas se espera que germinen en promedio,
si se siembran 200 de ellas? b) Calcular la medida de dispersión. En éste caso:
X número de semillas que germinan; P = 0,95, Q = 0,05 y n = 200.
Entonces, se espera que en promedio germinen:
a) E(X) = 200(0,95) = 190 semillas (En promedio se espera que 190 semillas germinen)
b) La desviación estándar es:
𝜎𝑋 = √200(0,95)(0,05) = 3,08 semillas

Modelo de Distribución Hipergeometrico

Veremos ahora la distribución de una variable aleatoria con características similares a la
binomial, que recibe el nombre de distribución hipergeometrica. Esta nueva distribución se
aplica a poblaciones finitas, cuyos elementos pueden también clasificarse en dos
categorías, sólo que en este caso las n pruebas se seleccionan sin reposición, de manera
que de prueba a prueba los sucesos son dependientes.
Si se tiene una población de N artículos, r de los cuales poseen una de dos características,
entonces habrá (N–r) que poseen la otra característica. Si se selecciona n artículos al azar
sin restitución de los N artículos, cada selección subsiguiente es dependiente de manera
que la probabilidad de que se obtengan éxitos cambia en cada prueba simple. Entonces,
puede interesarnos conocer la probabilidad de obtener exactamente x artículos de los r
(éxitos), en una muestra aleatoria de tamaño n. Bajo estas condiciones, el número de éxitos
en n pruebas dependientes, corresponde a la variable aleatoria distribuida según la
hipergeometrica.
TEOREMA 7.2 Si X es una variable aleatoria distribuida según la hipergeometrica,
entontes, la función de probabilidades de X, está dada por
r N  r
    
 x   n  x 
PX ( x)  para x = 0, 1, 2, ... , n (7.8)
N
 
n
donde N es el número total de artículos; r el número de elementos que tiene una de las dos
características, n el tamaño de la muestra (número de pruebas).
Ilustremos la deducción de esta función. En primer lugar, recordemos que el número total
N
de maneras de extraer n objetos de N, es   . En segundo lugar, extraer x artículos con
n
cierta característica, es idénticamente igual a extraer (n – x) artículos de un total de (N-r)
artículos disponibles (con otra característica). Entonces el número total de maneras de
r N  r
extraer x con característica r, y (n-x) con la otra característica, es     . Por último,
 x  n  x 
N
si el experimento es aleatorio y se asigna igual probabilidad a cada uno de los   puntos
n
del espacio muestral, entonces la función de probabilidad para una variable aleatoria
hipergeometrica, que puede simbolizarse con h(x; N, n, r), resulta.
 r  N  r 
  
 x  n  x 
h( x; N , n, r ) 
N
 
n
La función de distribución acumulada de X distribuida según la hipergeometrica, está
dada por:
 t
FX (t )  P( X  t )  
x  máx 0,n  ( N  ) 
h( x ; N , n, r ) (7.9)

También para este modelo existen tablas que facilitan el cálculo de las probabilidades de
una variable aleatoria hipergeometrica X.

Ejemplo 7.6 Una caja contiene 12 latas de leche, 9 de las cuales son frescas (recién
envasadas). Se seleccionan al azar 2 latas de la caja sin restitución, uno tras otro. Sea X
el número de latas de leche no frescas que se seleccionan, entonces X es una variable
aleatoria distribuida según la hipergeometrica, con función de probabilidad:
 3  9 
  
 x  2  x 
PX ( X )  Si X = 0, 1, 2
12 
 
2
=0 para otros valores de x
De aquí, la probabilidad de obtener las dos latas de leche fresca, es:
 3  9 
  
PX (0)     
0 2 36
= 0,55
12  66
 
2
La probabilidad de obtener al menos una lata fresca
 3  9 
  
P( X  1)  1  P( X  1)  1      1    0,45
0 2 6 5
12  11 11
 
2
La probabilidad de obtener a lo más una lata no fresca
 3  9   3  9 
     
P( X  1)  p X (0)  p X (1)          
0 2 1 1 6 9 3

12  12  11 22 22
   
2 2
Ejemplo 7.7 En un lote de ampollas de suero glucosado (todas del mismo tamaño y color),
10 ampollas quedaron sin marcar. Se sabe que 6 de ellas provienen de una envasadora A
y 4 de una envasadora B. Si se eligen aleatoriamente 4 de las diez sin marcar (una tras
otra sin restitución), ¿cuál es la probabilidad de que todas las elegidas fueron envasadas
por B? ¿Cuál es la probabilidad de que dos o más de las seleccionadas fueron envasadas
por B?
Sea X el número de ampollas llenadas por la envasadora B, entonces
 4  6 
  
P( X  4)  PX (4)     
4 0 1
 0,004762
10  210
 
4
  4  6   4  6  
       
P( X  2)  1  P( x  1)  1           1 
0 4 1 3 19
 10  10   42
     
 4 4 
15 4∗20 15 80 95 115 23
= 1- ( + ) = 1- ( + ) = 1- ( )= = = 0,5476
210 210 210 210 210 210 42

Estos valores se hallan también directamente de las tablas de probabilidades acumuladas

para una variable aleatoria distribuida según la hipergeometrica.
El valor esperado (media esperada) de una variable aleatoria hipergeometrica, está dada
por:
 r  N  r 
  
 x  n  x 
n
r
 X  E( X )   x n (7.10)
x 0 N N
 
n
y la varianza,
 r  N  r  N  n 
 X2  V ( X )  n    (7.11)
 N  N  N  1 
Ejemplo 7.8 Para la información del ejemplo 7.7, tenemos
4
X  4  1,6 ≅ 2. En promedio se espera obtener 2 ampollas embazadas por B.
10
 4  10  4  10  4  576
y  X2  4     0,64
 10  10  9  900
Es decir, se espera en promedio que 1,6 ampollas correspondan a la envasadora B al
extraer aleatoriamente 4 ampollas, con una desviación estándar de 0,8 ≅ 1 ampolla
envasada por B.

Modelo de Distribución de Poisson

Ahora estudiaremos otra de las distribuciones de probabilidades que también tiene

múltiples aplicaciones, que fue formulada por Poisson. En un principio se la utilizaba sólo
como una aproximación a la binomial cuando p tenía un valor pequeño y cuando se tenía
un número grande de observaciones (n). En la actualidad su importancia es muy superior,
ya que además trata del comportamiento aleatorio de eventos distribuidos al azar en el
tiempo y en el espacio. Así, por ejemplo, estudia casos de: distribuciones del número de
accidentes automotores, tiempos de falla de la maquinaria en un proceso de producción,
número de llamadas que llegan a la central telefónica de una organización en una
determinada hora seleccionada al azar, numero de bacterias existentes en un cultivo de
una hectárea seleccionada al azar, momentos de llegada de usuarios a un punto donde se
presta un determinado servicio (que pueden ser aeropuertos, puestos de peaje, oficinas de
recaudación de impuestos, surtidores de gasolina, y muchos otros servicios), glóbulos rojos
en una muestra de sangre, etc. En esta clase de sucesos y en muchos otros más, nuestro
interés puede ser el conocimiento únicamente del número de éxitos del suceso, y no así el
suceso complementario. Por ejemplo, para nosotros es más importante conocer el número
de personas que llegan a pagar impuestos a una oficina de recaudaciones durante cierta
hora; que investigar el número de personas que no acuden a pagar impuestos en esa hora.
La función de probabilidades de Poisson, puede deducirse a partir de la distribución
binomial cuando n tiende a infinito y p tiende acero.
TEOREMA 7.3 Si X es una variable aleatoria distribuida según la Poisson con parámetro
, entonces la función de probabilidades está dada por:
x e  
PX ( x)  para x = 0,1, 2, ... (7.12)
x!
= para otros valores de x
donde  > 0 es el número medio esperado de éxitos en n pruebas con probabilidad p, y e
= 2,71828..., es la base de los logaritmos naturales.
Esta distribución puede obtenerse como caso limite, en cierto sentido, de la distribución
binomial. Considerando una sucesión Bernoulli de n ensayos con una probabilidad de éxito
p en cada prueba, denotando  = n p, y suponiendo que X es el número de éxitos que se
obtiene en la prueba, entonces la función de probabilidades de Poisson se obtiene
calculando el siguiente límite:
 n
lim  x  p
x
(1  p) n x
n

o sea
n x
 n      x e 
x

lim    1   
n  x  n   n x!

Es interesante observar la aproximación que tienen la distribución binomial con la

distribución Poisson con parámetro  = n p, cuando el número de pruebas es muy grande
y la probabilidad p de que ocurra un suceso es muy pequeña. Por ejemplo, si X indica el
número de éxitos en 1.000 pruebas de una sucesión Bernoulli con p = 0,0015, entonces
este proceso que es binomial, luego podemos aproximarla mediante el modelo Poisson
con parámetro  = (1.000)(0,0015) = 1,5. Ahora, si se deseara conocer la probabilidad de
que ocurran exactamente 5 éxitos, o sea P(X = 5), se tendrá
1000
Px (5)   (0,0015) 5 (0,9985) 995 para la binomial
 5 
(1,5) 5 e 1,5
y PX (5)  por la Poisson
5!
resultados que serán prácticamente iguales, de manera que puede utilizarse Poisson para
aproximar a la binomial. Algo más puede observarse, y es que el cálculo de la probabilidad,
para este tipo de casos, es más fácil utilizando la distribución de Poisson que la binomial.
Otro aspecto interesante que vale la pena observar, es que la distribución de Poisson nos
permite calcular probabilidades cuando se conoce la media esperada () del proceso que
se esté estudiando (o es posible aproximar la media esperada), sin necesidad de conocer
el valor de n ni de p, con tal que la población sea grande.
La función de distribución acumulada para una variable aleatoria Poisson X, con parámetro
, está dada por:
FX (t;  )  0 Si x < 0
t
  PX (t ) Si x  0 (7.13)
x 0

además
FX ( x;  )  P( X  t )

Ejemplo 7.9 Suponiendo que el número de muertes por accidentes en una ciudad se
desarrolla según el proceso de Poisson con parámetro  = 3 por mes. Sea X el número de
muertes por accidente que ocurren entre el 1ro. de enero y el 31 de marzo inclusive, de
1984. Entonces X es una variable aleatoria Poisson con parámetro
=3x3=9
9 x e 9
Luego: PX ( x)  para x = 0, 1, 2, . . .
x!
=0 para otros valores de x.
La probabilidad de que haya al menos 10 muertos por accidente en los tres meses, es
entonces:
.
P(X  10) = 1- P(X  9) = 1- 0,587  0,413
Ahora, si se desea conocer la probabilidad de que mueran exactamente 8, se tiene:
P(X = 8) = P(X  8) - P(X  7) = 0,456 - 0,324 = 0,132
(Los cálculos fueron hechos aplicando la tabla de la función de distribución acumulada de
Poisson, que se encuentra en el apéndice).

La distribución de Poisson, puede ser usada como una distribución independiente cuando
solamente se conoce la media esperada  como nos indica el ejemplo anterior. Además
puede utilizarse para mostrar la estrecha relación que existe con la curva normal cuando p
es muy pequeña, pero  es grande, o sea si   5, tal como puede observarse en la figura
7.2.

Figura 7.2 Distribuciones de probabilidades de Poisson para distintos valores de .

Ejemplo 7.10 Suponiendo que el número de llamadas que llegan a una central telefónica
es un proceso de Poisson con un promedio de 180 llamadas por hora. Si X es el número
de llamadas que llega en el lapso de un minuto, entonces X es una variable aleatoria
Poisson con parámetro
180
  3 llamadas por minuto
60
Luego, el modelo de Poisson es el siguiente:
3 x e 3
PX ( x)  si x = 0, 1, 2, 3, . . .
x!
=0 para otros valores de x
De esta manera, la probabilidad de que no llegue ninguna llamada a la central, en un
determinado minuto es:
.
PX (0)  e 3  0,05
y la probabilidad de que lleguen de 2 a 6 llamadas, inclusive, es
P(2  x  6) = P(x  6) - p(x  1) = 0,966 - 0,199 = 0,767
(Ver tabla del Apéndice)
Para la distribución Poisson, es interesante observar que tanto el valor esperado, como la
varianza son iguales, es decir,  X   X2 , o sea:

 X  E(x)   (7.13)

 X2  V ( x)   (7.14)
Ejemplo 7.11 La media y la varianza para el experimento planteado en el ejemplo 7.10,
son:
E(X) =  x = 3 llamadas por minuto, y  x2 = 3 𝑙𝑙𝑎𝑚𝑎𝑑𝑎𝑠 2

Hasta aquí, hemos estudiado los tres principales modelos de distribución de probabilidades
para variables aleatorias discretas. En lo que sigue de este capítulo, veremos modelos
relacionados con variables aleatorias continuas, entre las que está la distribución normal,
de singular importancia.

Modelo de Distribución Exponencial

En esta sección y en la que sigue, estudiaremos los dos modelos más importantes que
están relacionados con variables aleatorias continuas. El primero, es el modelo
exponencial que es aplicable a varias situaciones reales, entre ellas está el económico. En
la mayoría de los casos en que existe la necesidad de determinar un tiempo razonable para
la ocurrencia de un suceso, aparece una variable con distribución exponencial.
Por ejemplo, cuando se trata de estimar el tiempo de duración sin falla de cualquier artículo
que sufre desgaste a medida que pasa el tiempo.
En cierto modo, el modelo exponencial se deriva del proceso Poisson.

También puede considerarse como un caso particular de la llamada distribución gamma.

Trataremos de ilustrar la primera de estas dos formas, ya que ayuda a comprender mejor
las aplicaciones del modelo exponencial. ESTADISTICA I -26-11-2022

TEOREMA 7.4 Suponiendo que X es una variable aleatoria distribuida según la

exponencial con parámetro , entonces la función de densidad de X, está dada por
 𝑓𝑋 (x) = 𝘦−𝑥 Si x > 0 (7.15)
=0 para otros valores de x
y la función de distribución acumulada está dada por:
FX ( x)  0 Si x < 0

= 1  e  x Si x  0 (7.16)
donde  > 0 y e = 2,71828... es la base de los logaritmos naturales.
Es fácil verificar que:
f X ( x)  0

 f x ( x)dx   0 e
  x
0 dx  1

Por otro lado,

d d
f X ( x)  FX ( x )  (1  e x )  e x
dx dx
Se ha visto en la sección anterior que el número de acontecimientos de un evento en un
tiempo determinado, siguen el modelo de Poisson; ahora, la distribución de los períodos
de tiempo entre los acontecimientos, es una variable aleatoria distribuida según la
exponencial. El modelo exponencial puede surgir como respuesta a la pregunta: ¿Si unas
sucesiones de sucesos ocurren en el tiempo (o espacio) de acuerdo al proceso de Poisson,
conociendo el promedio de sucesos por unidad de tiempo, en qué tiempo se espera que
ocurra el primer evento?
La respuesta a la anterior pregunta, nos lleva a un método para construir el modelo
exponencial a partir del modelo Poisson. Veamos en líneas generales cuál es este
procedimiento. Sea la variable T que indica el tiempo entre eventos. Si se considera un
intervalo de tiempo especificado t, entonces el suceso T > t, implica que este suceso aún
no ha ocurrido en el intervalo de tiempo (0, t). La probabilidad de que esto ocurra, por la
ley de Poisson es:
(  t ) 0  t
P(T > t) = P(que no ocurra en (0, t)) = e  e  t
0!
De aquí, fácilmente se puede obtener la función de distribución acumulada para una
variable aleatoria exponencial X, utilizando la propiedad
 Fx (x) = P(X  x) = 1 - P(X > x)
o sea Fx (x) = 1 - P(x > x) = 1 - e-x
donde  es el número promedio de ocurrencias por unidad de tiempo (o espacio) en la
distribución de Poisson.
Ejemplo 7.12 Se ha observado que las paradas repentinas de una máquina en una planta
2
industrial, siguen aproximadamente un proceso Poisson con parámetro = 3 por hora (o

sea 2 cada 3 horas, en promedio). Si X representa el tiempo de falla de la máquina a partir

de un momento dado, entonces X tiene una función de densidad
2
2 3x
f X ( x)  e Si x > 0
3
=0 Si x < 0

De esta manera, la probabilidad de que no transcurran más de 3 horas sin que ocurra la
primera falla de la máquina, es
3 −2𝑥
2
P(X  3) = 
0 3
𝘦 3 dx = - e 2 + 1 = 0,8647

La probabilidad de que pase al menos una hora antes de que falle la máquina es
−2𝑥 2 −2 −2
 2
P(x  1) = 
3
𝘦 3 dx = −2 𝘦 3 = 𝘦 3 = 0,5134
1 3
3

La probabilidad de que la primera falla ocurra entre la cuarta y quinta horas está dada por:
5 −2𝑥 2 3 −10 3 −8 −10 −8


2
P(4  x  5) = 𝘦 3 dx = [− 𝘦 3 − (− 𝘦 3 )] = -𝘦 3 + 𝘦 3 = - 0,0357 + 0,0695 = 0,0225
4 3 3 2 2

La representación gráfica para esta función de densidad, puede apreciar, en la figura 7.3.
 2
Figura 7.3 Distribución exponencial con =
3

El valor esperado (media esperada) de la distribución exponencial es:

 1
 X = E(X) = 
0
x  e x dx =

(7.17)

y la varianza
1
𝜎𝑋2 = v(x) = E(x 2 ) - [𝐸 (𝑋)]2 = (7.18)
2
Observe que en esta distribución,  x =  x

Ejemplo 7.13 En relación al ejemplo anterior, el tiempo promedio de la primera falla es 

1 1 1 1
= = 2 = 1,5 horas, con una desviación estándar  X = = 2 = 1,5 horas.
 
x
3 3

Modelo Normal General y Estándar

La distribución de probabilidades normal, está considerada como el tipo más importante
entre las diferentes distribuciones de probabilidad. No tan sólo porque aparece en una gran
variedad de casos, sino también porque muchas otras distribuciones pueden aproximarse
a la normal, como podrá apreciarse en los capítulos posteriores.
También es notable como el modelo normal se puede aplicar a casi todos los campos de
la ciencia, así por ejemplo a la biología, física, economía, etc. La importancia de la
distribución normal en la teoría estadística es profunda e indiscutible, razón por la que le
prestaremos algo más de atención que a otras distribuciones.
Muchas variables aleatorias continuas, tales como el ingreso y gasto mensual de hogares,
los pesos y estaturas de niños, coeficientes de inteligencia de niños que estudian,
diámetros de tubos de acero producidos mediante un cierto proceso, etc., tienen
distribución normal.
Esta distribución sirve como una buena aproximación de muchas distribuciones discretas,
tales como la Binomial o el modelo Poisson. Por otro lado, muchos problemas pueden ser
resueltos bajo la suposición de estar trabajando con una población normal. Hay algo más
importante aún, tal como se verá, y es que las distribuciones de muchos estadísticos
(estimadores) muéstrales calculados de muestras grandes, se aproximan a la distribución
normal como un límite. En la inferencia estadística, este hecho es muy importante.

DEFINICIÓN 7.3 Se dice que una variable aleatoria X tiene distribución normal, si su
función de densidad está dada por
(𝑥−𝜇)2
1 −
f(x) = 𝘦 2𝜎2 para -   x  (7.19)
√2𝜋𝜎2

y cero para otros valores de x

Donde  = 3,14159, e = 2,818281;  y , son los parámetros tales que -      y   O.
Como puede apreciarse, la función de densidad (7.19) es exponencial, de manera que es
fácil comprobar que

f(x)  0; y que 

f(x) dx = 1

Para indicar que X tiene distribución normal con parámetros  y  2 algunas veces se utiliza
la notación X~N(,  2 )
La razón para utilizar los símbolos ,  2 (en 7.19), se debe al hecho de que precisamente
 es la media de la distribución normal, y  su desviación estándar; es decir que
X = y 𝜎𝑥2 =  2 (7.20)
En la figura 7.4, puede apreciarse la representación gráfica de la distribución normal para
distintos valores de los parámetros  y . Es interesante observar además que la simetría
de la curva normal se mantiene, en cualquier caso. Algo más, su media, mediana y moda,
coinciden.
Figura 7.4, a) Distribución normal con la misma desviación estándar y diferentes medias, y
b) Distribución normal con la misma media y diferentes desviaciones estándar.

La función de distribución acumulada para una variable aleatoria normal X, es

(𝑥−𝜇)2
t 1
F X (t) = P(X ≤ t) = 
−
𝘦 2𝜎2 dx (7.21)
 √2𝜋𝜎2

Como puede verse, para el cálculo del área de probabilidad de una función de densidad
normal, la anterior expresión resulta bastante molesta. Pero esta dificultad se salva
fácilmente estandarizando la variable aleatoria normal X, y luego recurriendo a las tablas
de la normal estándar.
Es importante notar, por lo mencionado en el Capítulo anterior, que si X es una variable
(𝑥−𝜇)
aleatoria normal con media  y desviación estándar , entonces Z = es también una
𝜎

variable aleatoria normal, con  = 0 y  = 1. En este caso, algunas veces abreviaremos la

notación con N(0, 1).

DEFINICIÓN 7.4 Si z es una variable aleatoria normal con  = 0 y  2 = 1 entonces Z es

una variable aleatoria normal estándar, cuya función de densidad está dada por:
−𝑧2
1
f(z) = 𝘦 2 para -   z   (7.22)
√ 2𝜋

y su función de distribución acumulada está dada por:

t −𝑧2


1
F(t) = P(z  t) = 𝘦 2 dz (7.23)
 √2𝜋

La representación gráfica de estas dos funciones puede apreciarse en la figura 7.5

Figura 7.5 Funciones de densidad y distribución normal acumulada estándar.

En el Apéndice, la tabla de la distribución de probabilidades normal estándar, proporciona

valores para F(z) = P(Z  z).
Ejemplo 7.14 Si Z es una variable aleatoria normal estándar, se calculan las siguientes
probabilidades, utilizando directamente la tabla del apéndice:
P(Z  -2) = 0,0227
P(Z  1,24) = 0,8925
P(1  Z  2) = P(z  2) – p(z  1) = 0,9773 - 0,8413 = 0.136
P(Z  0,4) = 1 – P(Z  0,4) = 1 – 0,6554 = 0,3446
P(Z 0,5) = P(-0,5  Z  0,5) = P(Z  0,5) - P(Z  - 0,5) = 0,6915 – 0,3085 = 0,383

Ejemplo 7.15 Suponiendo que el ingreso mensual promedio de 1.200 obreros en un

municipio es $ 750 con una desviación estándar de $ 100. Si X representa el ingreso y
tiene distribución normal, a) hallar el número de obreros que tienen un ingreso mensual
inferior a $ 750; b) el número de obreros con ingreso superior a $ 750 pero inferior a $ 900;
c) número de obreros con ingreso mayor a $ 900.
En este caso, es suficiente determinar la parte porcentual de obreros con un ingreso
determinado. Entonces.
750−750
a) P(X < 750) = P(Z < ) = P(Z < 0) = 0,5
100

Luego, 1.200 (0,5) = 600; es el número de obreros que tienen un ingreso mensual inferior
a $ 750. Para el segundo caso, se tiene:
 750−750 900−750
b) P(750 < X < 900) = P( <𝑍< ) = P(0  Z < 1.5) = P(Z<1,5) – p(z  0) = 0,9332 - 0,5 = O,4332
100 100

Luego, 1.200 (0,4332) = 520 obreros.

Finalmente,
900−750
c) P(X > 900) = 1 - P(X ≤ 900) = 1- P(𝑍 < ) = 1- P(z  1,5) = 1- 0,9332 = 0,0668;
100

Luego
1.200(0,0668) = 80 obreros.
Como la probabilidad total es 1 o sea el 100%, entonces el número total de obreros,
obtenidos anteriormente son 1.200, que representa el 100% de la distribución (ver figura
7.6). O sea, el total de obreros = 600 + 520 + 80 = 1.200

Figura 7.6 Áreas bajo la curva normal para los valores del ejemplo 7.15. NOTA. La
probabilidad de que un obrero tenga ingreso mayor a $ 900 es 0,0668; por lo que, el número
de obreros es: 1.200(0,0668) = 80,16 ≅ 80.

Ejemplo 7.16 Suponiendo que el peso de los paquetes de mantequilla empaquetados

automáticamente por una máquina de cierta fábrica de productos a base de leche, es una
variable aleatoria normal X, con un peso medio de 1,03 libras y una desviación  = 0,01
libras. En la envoltura de los paquetes lleva impreso "Peso neto 1 libra". Si se elige al azar
uno de estos paquetes, ¿cuál es la probabilidad de que pese menos de una libra?, ¿que
pese más de 1,02 libras? Entonces, la probabilidad de que pese menos de una libra, es
 1,00−1,03
P(x < 1) = P (𝑍 < ) = P(Z  -3) = 0,0013
0,01

y la probabilidad de que pese más de 1,02 libras, es

1,02−1,03
P(X > 1,02) = P(𝑍 > ) = 1- P(Z ≤ −1) = 1 - P(Z ≥ 1) = 1- 1+ P(Z ≤ 1) = 0,8413
0,01

Tal como se dijo antes, en los capítulos que siguen se podrá apreciar la verdadera
importancia de la distribución normal. Pero antes de finalizar este capítulo, es conveniente
ver el siguiente gráfico que muestra los porcentajes de áreas de probabilidades de la curva
normal.

Figura 7-7 Porcentaje de áreas bajo la curva normal estándar

Ejercicios
1. Se lanzan cinco dados una vez. Si X es el número de unos que ocurran, calcular la media
esperada (𝜇𝑥 ), la desviación estándar (𝜎𝑥 ), P(1  X < 4) y P(X  2)
2. Se sabe que el 2% de cierto tipo de artículos hechos por una máquina, son defectivos.
Si seleccionamos 10 de estos artículos, ¿cuál es la probabilidad que ninguno sea
defectivo? ¿Cuántos se espera que sean defectivos?
3. Una caja contiene 10 ampolletas de luz 8 de las cuales son buenas. Si se seleccionan
aleatoria mente 5 ampolletas, ¿cuál es la función de probabilidades para el número de
ampolletas buenas?
4. En una cierta planta manufacturera, ocurren accidentes a razón de 1 cada 2 meses.
Asumiendo que los accidentes ocurren independientemente, ¿cuál es el número esperado
de accidentes por año? ¿Cuál es la desviación estándar del número de accidentes por
año? ¿Cuál es la probabilidad de que no ocurra ningún accidente en un mes dado?
5. A un tablero de registro llegan llamadas de acuerdo a un proceso de Poisson con
parámetro = 5 por hora. A partir de una última llamada, ¿cuál es la probabilidad de que
pase al menos 15 minutos antes de la siguiente llamada? ¿Que no pase más de 10
minutos? ¿Que la llamada ocurra exactamente a los 5 minutos?
6. Supuesto que una variable binomial tiene por media 12 y por varianza 8, hallar p y n.
7. Supongamos que la estatura de los varones adultos tiene una distribución normal, con
 = 169 y  = 7, centímetros. ¿Cuál es la probabilidad de que un individuo elegido
aleatoriamente, tenga más de 170 cms.? Cuál de que mida a lo más 168 cms?.
8. Cuál es la mediana de X, si f x Y(x) = 2(l-x), 0 < x <1?

9. El promedio C.I. (coeficiente de inteligencia) de cierta juventud se estima en 100, con

una desviación estándar de 10 unidades. ¿Cuál es la probabilidad de que una persona
seleccionada aleatoriamente tenga un C.I. de más de 110? ¿Al menos 105? ¿Qué valores
de C.I. serían considerados como un buen promedio, si se estima normal el porcentaje
medio de 68?
10. El peso promedio de una pina es de 50 onzas, con una desviación estándar de 5 onzas,
según informes de un comerciante local. ¿Suponiendo que los pesos se distribuyen
normalmente, que porcentaje de pinas pesa más de 54 onzas? ¿Qué porcentaje pesa
menos de 40 onzas? Por encima de qué peso cae, como máximo un 10% de las piñas?
11. La longitud de cierto tipo de clavos se encuentran distribuidos normalmente. La media
de la distribución es de 2,5 pulgadas y la desviación estándar dar 0,006 pulgadas. Entre
qué valores centrados cae el 50% de los clavos? Determinar la probabilidad de que la
longitud de un clavo iguale o exceda 2,509 pulgadas. Determinar la probabilidad de que un
clavo mida entre 2,499 y 2,510.
12. Un proceso con distribución normal está centrado en 20,6 cc. y mantiene una
desviación estándar constante de 0,5 cc. Qué tanto por ciento de los artículos de esta línea
de producción vendrán conformes con los siguientes límites de especificaciones:
a) 20,6 + 1,0 cc
b) 21,0 + 1,0 cc
c) 20,5 + 0,5 cc

APÉNDICE
TABLA 1: Función de Distribución Acumulada de Poisson
t 
 x 
Fx (t )   e
x 0 x!

(t) .50 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0
0 .607 .368 .135 .050 .018 .007 .002 .001 .000 .000 -
1 .910 .736 .406 .199 .092 .040 .017 .007 .003 .001 -
2 .986 .920 .667 .423 .238 .125 .062 .030 .014 .006 .003
3 .998 .981 .857 .647 .433 .265 .151 .082 .042 .021 .010
4 1.000 .996 .947 .815 .629 .440 .285 .173 .100 .055 .029
5 1.000 .999 .983 .961 .785 .616 .446 .301 .191 .116 .067
6 1.000 1.000 .995 .966 .889 .762 .606 .450 .313 .207 .130
7 1.000 1.000 .999 .988 .949 .867 .774 .599 .453 .324 .220
8 1.000 1.000 1.000 .996 .979 .932 .847 .729 .593 .456 .333
9 1.000 1.000 1.000 .999 .992 .968 .916 .830 .717 .587 .458
10 1.000 1.000 1.000 1.000 .997 .986 .957 .901 .816 .706 .583
11 1.000 1.000 1.000 1.000 .999 .995 .980 .947 .888 .803 .697
12 1.000 1.000 1.000 1.000 1.000 .998 .991 .973 .836 .876 .792
13 1.000 1.000 1.000 1.000 1.000 .999 .996 .987 .966 .926 .864
14 1.000 1.000 1.000 1.000 1.000 1.000 .999 .994 .983 .959 .917
15 1.000 1.000 1.000 1.000 1.000 1.000 .999 .998 .992 .978 .951
16 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .999 .996 .989 .973
17 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .998 .995 .986
18 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .999 .998 .993
19 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .999 .997
20 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .998
21 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 .999
22 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
 TABLA 2: Función de Distribución Acumulada de la Normal Estándar
z 1
N Z ( z)   e  x / 2 dx
2


2
(z) 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
.0 .5000 .5040 .5080 .5120 .5160 .5199 .5239 .5279 .5319 .5359
.1 .5398 .5438 .5478 .5517 .5557 .5596 .5636 .5675 .5714 .5753
.2 .5793 .5832 .5871 .5910 .5948 .5987 .6026 .6064 .6103 .6141
.3 .6179 .6217 .6255 .6293 .6331 .6368 .6406 .6443 .6480 .6517
.4 .6554 .6591 .6628 .6664 .6700 .6736 .6772 .6808 .6844 .6879
.5 .6915 .6950 .6985 .7019 .7054 .7088 .7123 .7157 .7190 .7224
.6 .7257 .7291 .7324 .7357 .7389 .7422 .7454 .7486 .7517 .7549
.7 .7580 .7611 .7672 .7673 .7704 .7734 .7764 .7794 .7823 .7852
.8 .7881 .7910 .7939 .7967 .7995 .8023 .8051 .8079 .8106 .8133
.9 .8159 .8186 .8212 .8238 .8264 .8289 .8315 .8340 .8365 .8389
1.0 .8413 .8438 .8461 .8485 .8508 .8531 .8554 .8577 .8599 .8621
1.1 .8643 .8665 .8686 .8708 .8729 .8749 .8770 .8790 .8810 .8830
1.2 .8849 .8869 .8888 .8907 .8925 .8944 .8962 .8980 .8997 .9015
1.3 .9032 .9049 .9066 .9082 .9099 .9115 .9131 .9147 .9162 .9177
1.4 .9192 .9207 .9222 .9236 .9251 .9265 .9279 .9292 .9306 .9319
1.5 .9332 .9345 .9357 .9370 .9382 .9394 .9406 .9418 .8429 .9441
1.6 .9452 .9463 .9474 .9484 .9495 .9505 .9515 .9525 .9535 .9545
1.7 .9554 .9564 .9573 .9582 .9591 .9599 .9608 .9616 .9625 .9633
1.8 .9641 .9649 .9656 .9664 .9671 .9678 .9686 .9693 .9700 .9706
1.9 .9713 .9719 .9726 .9732 .9738 .9744 .9750 .9756 .9761 .9767
2.0 .9773 .9778 .9783 .9788 .9793 .9798 .9803 .9808 .9812 .9871
2.1 .9821 .9826 .9830 .9834 .9838 .9842 .9846 .9850 .9854 .9857
2.2 .9861 .9864 .9868 .9871 .9875 .9878 .9881 .9884 .9887 .9890
2.3 .9893 .9896 .9898 .9901 .9904 .9906 .9909 .9911 .9913 .9916
2.4 .9918 .9920 .9922 .9925 .9927 .9929 .9931 .9932 .9934 .9936
2.5 .9938 .9940 .9941 .9943 .9945 .9946 .9948 .9949 .9951 .9952
2.6 .9953 .9955 .9956 .9957 .9959 .9960 .9961 .9962 .9963 .9964
2.7 .9965 .9966 .9967 .9968 .9969 .9970 .9971 .9972 .9973 .9974
2.8 .9974 .9975 .9976 .9977 .9977 .9978 .9979 .9979 .9980 .9981
2.9 .9981 .9982 .9982 .9983 .9984 .9984 .9985 .9985 .9986 .9986
3.0 .9987
 TABLA 3: Función de Distribución Acumulada de la T de Student
Ft ( x)  Pt  x  1  

g.l. 1−𝛼
n .60 .75 .90 .95 .975 .99 .995 .9995
1 .325 1.000 3.078 6.314 12.706 31.821 63.657 636.619
2 .289 .816 1.886 2.920 4.303 6.965 9.925 31.598
3 .277 .765 1.638 2.353 3.182 4.541 5.841 12.941
4 .271 .741 1.533 2.132 2.776 3.747 4.604 8.610
5 .267 .727 1.476 2.015 2.571 3.365 4.032 6.859
6 .265 .718 1.440 1.943 2.447 3.143 3.707 5.959
7 .263 .711 1.415 1.895 2.365 2.998 3.499 5.405
8 .262 .706 1.397 1.860 2.306 2.896 3.355 5.041
9 .261 .703 1.383 1.833 2.262 2.821 3.250 4.781
10 .260 .700 1.372 1.812 2.228 2.764 3.169 4.587
11 .260 .697 1.363 1.796 2.201 2.718 3.106 4.437
12 .259 .695 1.356 1.782 2.179 2.681 3.055 4.318
13 .259 .694 1.350 1.771 2.160 2.650 3.012 4.221
14 .258 .692 1.345 1.761 2.145 2.624 2.977 4.140
15 .258 .691 1.341 1.753 2.131 2.602 2.947 4.073
16 .258 .690 1.337 1.746 2.120 2.583 2.921 7.015
17 .257 .689 1.333 1.740 2.110 2.567 2.898 3.965
18 .257 .688 1.330 1.734 2.101 2.552 2.878 3.922
19 .257 .688 1.328 1.729 2.093 2.539 2.861 3.883
20 .257 .687 1.325 1.725 2.086 2.528 2.845 3.850
21 .257 .686 1.323 1.721 2.080 2.518 2.831 3.819
22 .256 .686 1.321 1.717 2.074 2.508 2.819 3.792
23 .256 .685 1.319 1.714 2.069 2.500 2.807 3.767
24 .256 .685 1.318 1.711 2.064 2.492 2.797 3.745
25 .256 .684 1.316 1.708 2.060 2.485 2.787 3.725
26 .256 .684 1.315 1.706 2.056 2.479 2.779 3.707
27 .256 .684 1.314 1.703 2.052 2.473 2.771 3.690
28 .256 .683 1.313 1.701 2.048 2.467 2.763 3.674
29 .256 .683 1.311 1.699 2.045 2.462 2.756 3.659
30 .256 .683 1.310 1.697 2.042 2.457 2.750 3.646
40 .255 .681 1.303 1.684 2.021 2.423 2.704 3.551
60 .254 .679 1.296 1.671 2.000 2.390 2.660 3.460
120 .254 .677 1.289 1.658 2.980 2.358 2.617 3.373
 .253 .674 1.282 1.645 2.960 2.326 2.576 3.291
TABLA 4: Función de Distribución Acumulada a la Chi Cuadrado X2
t
Fx 2 (t )   f x 2 ( x) dx  1  
0

g.l. 1− α
n
.005 .010 .025 .050 .100 .250 .500 .750 .900 .950 .975 .990 .995
1 - - - 004 016 10 45 1.32 2.71 3.84 5.02 6.63 7.88
2 01 02 05 10 21 58 1.39 2.77 4.61 5.99 7.38 9.21 10.6
3 72 11 22 35 58 1.21 2.37 4.11 6.25 7.81 9.35 11.3 12.8
4 21 30 48 71 1.06 1.92 3.36 5.39 7.78 9.49 11.1 13.3 14.9
5 41 55 83 1.15 1.61 2.67 4.35 6.63 9.24 11.1 12.8 15.1 16.7
6 68 87 1.24 1.64 2.20 3.45 5.35 7.84 10.6 12.6 14.4 16.8 18.5
7 99 1.24 1.69 2.17 2.83 4.25 6.35 9.04 12.0 14.1 16.0 18.5 20.3
8 1.34 1.65 2.18 2.73 3.49 5.07 7.34 10.2 13.4 15.5 17.5 20.1 22.0
9 1.73 2.09 2.70 3.33 4.17 5.90 7.34 11.4 14.7 16.9 19.0 21.7 23.6
10 2.16 2.56 3.25 3.94 4.87 6.74 9.34 12.5 16.0 18.3 20.5 23.2 25.2
11 2.60 3.05 3.82 4.57 5.58 7.58 10.3 13.7 17.3 19.7 21.9 24.7 26.8
12 3.07 3.57 4.40 5.23 6.30 8.44 11.3 14.8 18.5 21.0 23.3 26.2 28.3
13 3.57 4.11 5.01 5.89 7.04 9.30 12.3 16.0 19.8 22.4 24.7 27.7 29.8
14 4.07 4.66 5.63 6.57 7.79 10.2 13.3 17.1 21.1 23.7 26.1 29.1 31.3
15 4.60 5.23 6.26 7.26 8.55 11.0 14.3 18.2 22.3 25.0 27.5 30.6 32.8
16 5.14 5.81 6.91 7.96 9.31 11.9 15.3 19.4 23.5 26.3 28.8 32.0 34.3
17 5.70 6.41 7.56 8.67 10.1 12.8 16.3 20.5 24.8 27.6 30.2 33.4 35.7
18 6.26 7.01 8.23 9.39 10.9 13.7 17.3 21.6 26.0 28.9 31.5 34.8 37.2
19 6.84 7.63 8.91 10.1 11.7 14.6 18.3 22.7 27.2 30.1 32.9 36.2 38.6
20 7.43 8.26 9.59 10.9 12.4 15.5 19.3 23.8 28.4 31.4 34.2 37.6 40.0
21 8.03 8.90 10.3 11.6 13.2 16.3 20.3 24.9 29.6 32.7 35.5 38.9 41.4
22 8.64 9.54 11.0 12.3 14.0 17.2 21.3 26.0 30.8 33.9 36.8 40.3 42.8
23 9.26 10.2 11.7 13.1 14.8 18.1 22.3 27.1 32.0 35.2 38.1 41.6 44.2
24 9.89 10.9 12.4 13.8 15.7 19.0 23.3 28.2 33.2 36.4 39.4 43.0 45.6
25 10.5 11.5 13.1 14.6 16.5 19.9 24.3 29.3 34.4 37.7 40.6 44.3 46.9
26 11.2 12.2 13.8 15.4 17.3 20.8 25.3 30.4 35.6 38.9 41.9 45.6 48.3
27 22.8 12.9 14.6 16.2 18.1 21.7 26.3 31.5 36.7 40.1 43.2 47.0 49.6
28 12.5 13.6 15.3 16.9 18.9 22.7 27.3 32.6 37.9 41.3 44.5 48.3 51.0
29 13.1 14.3 16.0 17.7 19.8 23.6 28.3 33.7 39.1 41.6 45.7 49.6 52.3
30 13.8 15.0 16.8 18.5 20.6 24.5 29.3 34.8 40.3 43.8 47.0 50.9 53.7