You are on page 1of 39

DISTRIBUCIONES

ESPECIALES DE VARIABLES
ALEATORIAS CONTINUAS

JEAN CARLOS GAIBAO ARROYO


NIYIRET XIMENA RODRIGUEZ SIERRA
DUVAN JAIR BARRIOS HERNANDEZ

Distribuciones Especiales De Variables Aleatorias Continuas

Jean Carlos Gaibao Arroyo


Niyiret Ximena Rodrguez Sierra
Duvan Jair Barrios Hernndez

Albeiro Vergara Urango

Universidad De Sucre
Facultad De Ingeniera
Departamento De Ingeniera Civil
Sincelejo
2014

CONTENIDO
Introduccin . 5
Objetivos . 6
Objetivos generales . 6
Objetivos especficos 6
DISTRIBUCIN NORMAL..... 7
Importancia de la Distribucin normal . 8
Propiedades 8
Usos... 9
Ejemplos........ 9
Ejemplo 1...... 9
Ejemplo 2...... 10
Ejemplo 3...... 10
Ejemplo 4...... 11
Ejemplo 5...... 11
Distribucin T de Student.... 12
Propiedades...... 13

Usos........ 13
Grados de libertad...... 13
Tabla...... 14
Ejemplos........ 15
Ejemplo 1...... 15
Ejemplo 2...... 16
Ejemplo 3...... 17
Ejemplo 4...... 18
Ejemplo 5......... 19
Distribucin Chi Cuadrado ..... 20
Propiedades....... 21
Usos........ 21
Grados de libertad ....... 21
Tabla........ 22
Ejemplos....... 23
Ejemplo 1..... 23
Ejemplo 2..... 24

Ejemplo 3..... 25
Ejemplo 4..... 26
Ejemplo 5..... 27
Distribucin F...... 28
Propiedades...... 29
Usos...... 29
Grados de libertad ....... 30
Tabla...... 31
Ejemplos........ 31
Ejemplo 1...... 32
Ejemplo 2...... 32
Conclusiones. 35
Bibliografa 34

INTRODUCCIN
Para la ciencia hoy en da se hace indispensable saber aplicar la estadstica para su estudio.
A travs del presente trabajo se dar a conocer los conceptos y los modelos necesarios bsicos
para describir, analizar, interpretar y comprender las distribuciones especiales de variables
aleatorias continuas. Estas distribuciones son muy importantes porque permiten el anlisis de
caractersticas de una poblacin y examina la probabilidad de que se encuentre dichas
caractersticas. En el campo de la ingeniera estas distribuciones son fundamentales en los
estudios investigativos, ya que dan la informacin necesaria para la toma de decisiones y as
disear estrategias que puedan mejorar los resultados de la investigacin

OBJETIVOS
OBJETIVO GENERAL:
Analizar, interpretar y contextualizar las distintas distribuciones especiales de variables
aleatorias continas.
OBJETIVOS ESPECIFICOS:
a. Reconocer la distribucin normal, t de Student, chi cuadrada, f de Fisher-Snedecor y el
contexto de su aplicacin.
b. Calcular probabilidades para variables aleatorias continuas.
c. Realizar ejercicios en los que se apliquen las distribuciones estudiadas al campo de la
ingeniera civil.

DISTRIBUCIN NORMAL
Corresponde a una distribucin de variable aleatoria continua, que se extiende sobre un
campo de variabilidad infinito. Est dada por la funcin:
z

1
Y=
e2
2

2
2

Siendo:
= desviacion estandar de la distribucion binomial=

pqn

e = base de los logaritmos naturales = 2.71828


= 3.1415926535

= media de la distribucion binomial =np

Todo ejercicio planteado como Binomial, en especial cuando (n) el nmero de experimentos
realizados es grande, se debe resolver mediante la distribucin Normal. Este procedimiento
permite facilitar y agilizar las operaciones, cuyo resultado no ser exacto (mtodo binomial) sino
un valor bastante aproximado, razn por la cual algunos lo identifican como mtodo aproximado.
Una distribucin normal de media y desviacin tpica se designa por N(, ). Su grfica es
la campana de Gauss:

El rea del recinto determinado por la funcin y el eje de abscisas es igual a la unidad. Al
ser simtrica respecto al eje que pasa por x = , deja un rea igual a 0.5 a la izquierda y otra igual
a 0.5 a la derecha. La probabilidad equivale al rea encerrada bajo la curva.
Importancia De La Distribucin Normal
La distribucin normal es de suma importancia en estadstica por tres razones principales:
1. Numerosas variables continuas de fenmenos aleatorios tienden a comportarse
probabilsticamente mediante sta.
2. Es el lmite al que convergen tanto variables aleatorias continuas como discretas.
3. Proporciona la base de la inferencia estadstica clsica debido a su relacin con el
teorema del lmite central.

Propiedades:
1. La curva es simtrica y mesocurtica.
2. El rea bajo la curva es igual al 100 %
3. La curva no toca al eje horizontal ya que es asinttica, se prolonga indefinidamente.

4. La media se localiza en el centro, es decir, cada parte es igual al 50%.


5. X toma valores de menor a mayor, es decir, de izquierda a derecha.
6. Al estandarizar, convertir los valores de x en z, esta tendr una media z = 0, z =1 y Z
tomara valores desde -3 hasta 3, que cubre un rea de 99,7%, casi igual al 100%.

7. La variante estadstica

Z=

x
, es una medida de las deviaciones estndar o de las

llamadas unidades estandarizadas conocida como desviacin normal.


Uso:
La distribucin normal se utiliza cuando se conoce la varianza poblacional o el tamao
muestral es mayor o igual a 30.
Ejemplos:
1. Los pesos de los individuos de una poblacin se distribuye normalmente con media 70 Kg
y desviacin tpica 6 Kg. De una poblacin de 2000 personas, calcula cuantas personas
tendrn un peso comprendido entre 64 y 76 Kg
SLN/:
Se trata de una distribucin normal de media = 70 y desviacin tpica =6, N (70,6).
Tipificamos la variable

P(64x76)= P

7670
z (
=P (1 z 1 )
( 6470
6 )
6 )

P (1 z 1 )=P ( z 1 )P ( z 1 )

Entonces:

10

P ( z 1 ) =0.8413

P( Z 1)=P(z 1)=1P( z 1)=10.8413=0.1587

P (1 z 1 ) =0.84130.1587=0.6825 = 68.25%

Rta/: el 68.25% de las personas pesan entre 64 y 76 kg


2. La duracin media de un televisor es de 8 aos y su desviacin tpica 0.5 aos. Sabiendo
que su vida til se distribuye normalmente, halla la probabilidad de que al adquirir un
televisor dure ms de 9 aos.
SLN/:
Es una distribucin normal de media = 8 y desviacin tpica =0.5, es decir, N (8;0.5)
98
P z>
=P ( z> 2 )=1P ( z 2 )=10.9772=0.0228
P(x>9) =
0.5

3.

R/: La probabilidad de que al adquirir un televisor dure mas de 9 aos es del 2,28%
Se supone que la estancia de los enfermos en un hospital sigue una distribucin normal de
media 8 das y deviacin tpica 3. Calcular la probabilidad de que la estancia de un
enfermo:
a. Sea inferior a 7 das
b. Sea superior a 3 das
c. Este comprendida entre 10 y 12dias
Sln/:
78
1
1
1
P z<
=P z <
=P z > =1P z
a. P(x<7)=
3
3
3
3

) (

) ( )

( )

10.6293=0.3707 =37.07%

b. P(x>3)=1-P(x<3)= 1-

( z > 53 )
5
=1( z < )=1P
( z > 38
3 )
3

11

[ ( )]

1 1P z

c. P(10<x<12)=

5
=1( 10.9515 )=0.9515=95.15
3

128
<Z
=0.90820.7454=0.1628=16.28
( 108
3
3 )

R/ La probabilidad de que la estancia de un enfermo sea inferior a 7 das es del 37.07%, que
sea superior a 3 das es de 95.15% y que este comprendida entre 10 y 12dias es de 16.28%.
4.

El fraguado promedio del concreto es de 6 das y su desviacin tpica es de 0,8 das.


Sabiendo que se distribuye normalmente, halle la probabilidad de que el fraguado de este
cemento dure ms de 7 das.
SLN/
Es una distribucin normal de media =6, desviacin tpica =1,5, es decir, N (6; 1,5)

P( x >7)= p Z >

76
0,8

= P(z > 1,25)= 1-p(Z 1,25) = 1-0,89435 = 0,1565 = 15,65%

R/ la probabilidad de que el fraguado de este cemento dure ms de 7 das es del 15,65%.


5. La vida media de una casa, segn el constructor, es de 69 aos, con una desviacin tpica de
12. Se supone que se distribuye segn una distribucin normal en un lote de 100
casas. Cuntas casas superarn previsiblemente los 75 aos?

P (X > 75) = P

( Z> 7569
12 )

= P(Z >0,5)= 1 - P (Z 0,5) = 1 0,69146 = 0,30854

R/ El 30,854% de las casas, superarn los 75 aos.

12

DISTRIBUCIN T DE STUDENT
En muchas ocasiones no se conoce y el nmero de observaciones en la muestra es
menor de 30. En estos casos, se puede utilizar la desviacin estndar de la muestra como
una estimacin de , pero no es posible utilizar la desviacin como estadstico de prueba.
El estadstico de prueba adecuado es la distribucin t.
Dicha distribucin est dada por la frmula:

t=


S
n1

Siendo:

= media.
= el valor a analizar.
S= desviacin estndar.
n= tamao de la muestra.
Su grafica es:

13

A pesar de las correcciones que se le puedan hacer a las desviaciones tpicas, no es efectiva en
todas las muestras; por tal razn la distribucin de todas las medias muestrales, no tiene un
comportamiento similar a la distribucin normal, a pesar de ser una distribucin continua. A esta
distribucin se le conoce como distribucin t de Student.

Propiedades:
1. Cada curva t tiene forma de campana con centro 0.
2. Cada curva t, est ms dispersa que la curva normal estndar.
3. A medida que k aumenta, la dispersin de la curva t correspondiente disminuye.
4. A medida que k , la secuencia de curvas t se aproxima a la curva normal estndar.
Usos:
1. para determinar el intervalo de confianza dentro del cual se puede estimar la media de
una poblacin a partir de muestras pequeas (n<30).
2. para probar hiptesis cuando una investigacin se basa en muestreo pequeo.
3. para probar si dos muestras provienen de una misma poblacin.

14

Grados de libertad:
Existe una distribucin t distinta para cada uno de los posibles grados de libertad.
Qu son los grados de libertad? Podemos definirlos como el nmero de valores que podemos
elegir libremente.

Tabla

15

Ejemplos
1.

se aplica una prueba de autoestima a 25 personas quienes obtienen una calificacin


promedio de 62.1 con una desviacin estndar de 5.83. se sabe que el valor correcto de la
prueba debe ser mayor de 60.existe suficiente evidencia para comprobar que no hay
problemas de autoestima en el grupo seleccionado?
Considera un nivel de significancia de 0.05

t=
S
n1
t=

62.160
2.1
=
=1.8
5.83
1.166
251

df=n-1= 25-1=24
Buscando en la tabla de Distribucin de t de Student, encontramos el valor del
rea:

16

P=0.042 y = 0.05 como p< ; entonces decimos que si es suficiente evidencia.

2. Se desea obtener un intervalo de confianza al 99% para el tiempo medio requerido para
realizar un trabajo. Una muestra aleatoria de 16 mediciones produce una media y una
desviacin estndar de 13 y 5.6 minutos respectivamente.
S
=x t
n

( )

= 13

2.947

( 5.616 )

= 13 4.12
1 = 17.12 minutos
2 = 8.88 minutos
R/: el tiempo requerido para realizar el trabajo ser entre 8.88 y 17.2 minutos con una
certeza de 99%

17

3.

Los valores de las matriculas de estudiantes en una universidad privada tienen un


comportamiento aproximadamente normal, donde el promedio es de 2.100.000. Se
seleccionan 8 liquidaciones, siendo los valores los siguientes: 1.950.000, 2.100.000,
2.250.000, 1.890.000, 2.250.000, 1.950.000, 2.050.000, 2.350.000. Determine la
probabilidad de que el promedio sea menor de 2.000.000.
Sln:/
Sea:
X = Liquidacin matriculas.
m = 2.100.000; s =?
=2.098.750 s=168.644.8085 n=8
P (<2.000.000) =P (<2.000.000)
P (t< (2.000.000-2.100.000)/(168644.8085/2.8284)= P(t<-1.677)
R/ La probabilidad se encuentra entre 0.9 y 0.95, segn la tabla T que se encuentra ms
adelante, no obstante, al t ser negativo, la probabilidad est entre 0.1 y 0.05, es decir, los
valores complementarios..

18

4. La compaa USAL produce varillas. El presidente de la USAL. dice que sus varillas
tienen una resistencia de 300 MPa. Entonces la competencia va a varias ferreteras y
compra 15 varillas para probar esa afirmacin. Las varillas de la muestra resisten en
promedio 290 MPa con una desviacin estndar de 50 MPa. Entonces, si quiere
desmentir al presidente de USAL se necesita saber cul es la probabilidad de que las 15
varillas seleccionadas al azar tengan una resistencia promedio no mayores de 290 MPa.

t=


S
n

Siendo: = 290, =300, S= 50, n=15; entonces:

t=

290300 10
=
=0.7746
50
12.91
1 5

Grados de libertad (): 15 -1 = 14.


Entonces t= 0.2257

19

R/ la probabilidad de que las 15 varillas seleccionadas al azar tengan una resistencia promedio
no mayores de 290 MPa es de 22.57%.
5. Una muestra aleatoria de 10 vigas de acero, tiene una resistencia media a la compresin
de 57498 libras por pulgada cuadrada (l.p.c.), con una desviacin tpica de 539(l.p.c.).
Docimar la hiptesis, de que la verdadera resistencia media a la compresin de las vigas
de acero de las que se extrajo la muestra es =57000. Utilizar la alternativa bilateral
57000 y un nivel de significacin del 1%.
n=10 =57498 S=539

=57000 =10-1=9

Ho: =57000
Ha: 57000

t=

5749857000
539
9

=2,77

20

R/ Aceptamos que =57000, es decir, que es la verdadera resistencia media a la compresin de


las vigas de acero, con un nivel de significacin del 1%

2
DISTRIBUCION CHI CUADRADO ( )

En estadstica, la distribucin de Pearson, llamada tambin chi cuadrado o () es


una distribucin de probabilidad continua con un parmetro

que representa los grados de

libertad de la variable aleatoria , adems se define como un mtodo de estimacin basado en la


prueba de la bondad de un ajustamiento, mediante el cual se determina valores de los parmetros
que hacen mnimo el clculo por medio de las frecuencias observadas (reales) y las frecuencias
esperadas (tericas) expresadas en trminos de los parmetros. Se calcula con:

( n1 ) S2
=
2
2

Su grafica es:

( )
=
2
2

21

Propiedades:
1. Los valores de X2 son mayores o iguales que 0.
2. La forma de una distribucin X2 depende del gl=n-1. En consecuencia, hay un nmero
infinito de distribuciones X2.
3. El rea bajo una curva Chi-cuadrada y sobre el eje horizontal es 1.
4. Las distribuciones X2 no son simtricas. Tienen colas estrechas que se extienden a la
derecha; esto es, estn sesgadas a la derecha.
5. Cuando n>2, la media de una distribucin X2 es n-1 y la varianza es 2(n-1).

22

6. El valor modal de una distribucin X2 se da en el valor (n-3).


Uso:
La distribucin tiene muchas aplicaciones en inferencia estadstica. La ms conocida es la de
la denominada prueba utilizada como prueba de independencia y como prueba de bondad de
ajuste y en la estimacin de varianzas. Pero tambin est involucrada en el problema de estimar
la media de una poblacin normalmente distribuida.
Grados de libertad:
El nmero de grados de libertad est dado por: =k 1m
En donde:
k= nmero de clasificaciones en el problema
m= nmero de parmetros estimados a partir de nos datos muestrales para obtener los valores
esperados.
Tabla:

23

Ejemplos:
1.

Suponga que los tiempos requeridos por un cierto autobs para alcanzar un de sus
destinos en una ciudad grande forman una distribucin normal con una desviacin

24

estndar

=1 minuto. Si se elige al azar una muestra de 17 tiempos, encuentre la

probabilidad de que la varianza muestral sea mayor que 2.


SLN/:
Primero se encontrar el valor de Chi-cuadrada correspondiente a s2=2 como sigue:

( n1 ) s 2 (171)(2)
=
=32
X2=
2
12

El valor de 32 se busca adentro de la tabla en el rengln de 16 grados de libertad y se


encuentra que a este valor le corresponde un rea a la derecha de 0.01. En consecuencia,
el valor de la probabilidad es P(s2>2)

2. Encuentre la probabilidad de que una muestra aleatoria de 25 observaciones, de una


poblacin normal con varianza

, tenga una varianza muestral:

25

a. Mayor que 9.1


b. Entre 3.462 y 10.745
SLN/:
a. Primero se proceder a calcular el valor de la ji-cuadrada:

( n1 ) s 2 (251)(9,1)
=
=36,4
X=
6
2
2

Al buscar este nmero en el rengln de 24 grados de libertad nos da un rea a la derecha de 0.05.
Por lo que la P(s2 >9.1) = 0.05
b. Se calcularn dos valores de ji-cuadrada:

( n1 ) s 2
X2=
2

( 251 ) (3,462)
=13,874
6

X2=

(251)(10,745)
=42,98
6

Aqu se tienen que buscar los dos valores en el rengln de 24 grados de libertad. Al buscar el
valor de 13.846 se encuentra un rea a la derecha de 0.95. El valor de 42.98 da un rea a la
derecha de 0.01. Como se est pidiendo la probabilidad entre dos valores se resta el rea de 0.95
menos 0.01 quedando 0.94.
Por lo tanto la P(3.462

s2

10.745) = 0.94

26

3. Calcular la distribucin de probabilidad de una variable estadstica chi-cuadrado, de 6


grados de libertad sea mayor de 3,4.
P( 26 >3.4)

Segn lo anterior:
P ( 26 >3.4 )=1P( 26 <3.4)

Buscando en la tabla tenemos:


P ( 26 <3.4 )=0.242777
Con lo que tenemos:
P ( 26 >3.4 )=10.242777
Operando tenemos:

27

P ( 26 >3.4 )=0.757223
R/ La distribucin de probabilidad de una variable estadstica chi-cuadrado, de 6 grados de
libertad sea mayor de 3,4 es de 75.72%.

4. Un fabricante de varillas garantiza que sus varillas durarn, en promedio, tres


aos con una desviacin estndar de un ao. Si cinco de estas varillas tienen
duraciones de 1.9, 2.4, 3.0, 3.5 y 4.2 aos, el fabricante podr tener una confianza
de 95% de que la desviacin estndar sigue siendo de un ao? Supongamos
que la duracin de la batera sigue una distribucin normal.

( y )2
Escuela de Negocios Universidad S =
N 1
2

=0,815
2

X2=

(51)(0,815)
12

=3,26

Busquemos el valor de chi-cuadrada en nuestra tabla para g.l. (v) = 4 y por la asimetra de la
grfica el 95% se localiza entre 97.5% y 2.5%, es decir, entre 0.975 y 0.025
R/ Vemos que para 0.975 el valor es 0.484 y para 0.025 es 11.143, por lo que nuestro valor no queda
fuera de estos lmites. Entonces, el fabricante puede estar seguro que su desviacin
estndar igual a un ao es razonable y no tiene razn suficiente para sospechar que
este dato es distinto.

28

5. En trabajo de laboratorio se desea llevar a cabo comprobaciones cuidadosas de la


variabilidad de los resultados que producen muestras estndar. En un estudio de la
cantidad de impurezas en el concreto, el cual se efecta como parte del control de
calidad, se analiz seis veces la misma muestra en el laboratorio en intervalos aleatorios.
Los seis resultados en partes por milln fueron 9.54, 9.61, 9.32, 9.48, 9.70 y 9.26.
Estimar la varianza de los resultados de la poblacin para este estndar, usando un nivel
de confianza del 90%.
Solucin:
Al calcular la varianza de la muestra se obtiene un valor de s2= 0.0285.
Se busca en la tabla los valores correspondientes con 5 grados de libertad, obtenindose dos
resultados. Para X2(0.95,5)= 1.145 y para X2(0.0,5)= 11.07.
Entonces el intervalo de confianza esta dado por:

2max =

2min =

( 61 )( 0,0285 )
=0,1246
1,145

(619)(0,0285)
=0,0129
11,07

29

DISTRIBUCIN F
Usada en teora de probabilidad y estadstica, la distribucin F es una distribucin de
probabilidad continua. Tambin se le conoce como distribucin F de Snedecor (por George
Snedecor) o como distribucin F de Fisher-Snedecor. Una variable aleatoria de distribucin F se
construye como el siguiente cociente:

F=

U1
d1
U2
d2

Dnde:
U1 y U2 siguen una distribucin chi-cuadrado con d1 y d2 grados de libertad respectivamente, y
U1 y U2 son estadsticamente independientes.
Su grafica es:

30

Propiedades:
1. Si X

F(n, m) entonces:

E ( x )=

m
m>2
m2

V (x )=

2m (n+ m2)
m>4
2
m ( m2 ) (m4)

2.

Distribucin de la razn de dos varianzas mustrales:

Sea

x1 x2

xn

Sea

y1 y2

yn

es una m.a.i. de una poblacin N (m1, s1 ) .


es una m.a.i. de una poblacin N (m2, s2 ).

31

Si ambas muestras provienen de poblaciones independientes, entonces:

F=

s12
12
s22

es tal que F

F(

n1

1,

n21

22

Usos:
1.

Esta es la distribucin de probabilidad de la razn de dos varianzas provenientes de dos


poblaciones diferentes. Por medio de esta distribucin es posible determinar la
probabilidad de ocurrencia de una razn especfica con v1=n1-1 y v2=n2-1 grados de

libertad en muestras de tamao n1 y n2.


2. Es la distribucin ms importante en experimentacin pues permite hacer clculos sobre
varianzas diseminadas determinando si las diferencias mostradas son significativas y por lo
tanto atribuibles a cambios importantes en el comportamiento de las poblaciones en
estudio.
Grados de libertad:
Los grados de libertad para el numerador y el denominador de la razn F se basan en los clculos
necesarios para derivar cada estimacin de la variancia de la poblacin. La estimacin
intermediante de variancia (numerador) comprende la divisin de la suma de las diferencias
elevadas al cuadrado entre el nmero de medias (muestras) menos uno, o bien, k - 1. As, k - 1 es
el nmero de grados de libertad para el numerador.
En forma semejante, el calcular cada variancia muestral, la suma de las diferencias elevadas al
cuadrado entre el valor medio de la muestra y cada valor de la misma se divide entre el nmero

32

de observaciones de la muestra menos uno, o bien, n - 1. Por tanto, el promedio de las variancias
muestrales se determina dividiendo la suma de las variancias de la muestra entre el nmero de
muestras, o k. Los grados de libertad para el denominador son entonces, k(n -l).

33

Tabla:

34

Ejemplos:

35

1. En un proceso hay dos mquinas cortadoras diferentes en antigedad lo que hace pensar
que las varianzas de corte no son iguales. Se toma una muestra de 16 partes de cada
mquina, cul es la probabilidad de que la razn de varianzas sea:
a.
Mayor a 1.97?
b.
Menor a 3.52?
SLN/
P ( F 1.97 )=10.9=0.1 Para v 1=15 y v 2=15
a.
R/ La probabilidad de que la razn de varianzas sea mayor a 1.97 es 0.1.
P ( F 3.52 )=0.9 Para v 1=15 y v 2=15
b.
2.

R/ La probabilidad de que la razn de varianzas sea menor a 3.52 es 0.99.


La variabilidad de la cantidad de impurezas presentes en un compuesto qumico
usado para un proceso particular depende del tiempo en que el proceso est en
operacin. Un fabricante que usa las lneas de produccin 1 y 2 ha introducido un
ligero ajuste al proceso 2 con la esperanza de reducir tanto la variabilidad como la
media de la cantidad de impurezas en el compuesto qumico. Las medias y
varianzas de las muestras de 25 observaciones de los dos procesos son:

Determine el intervalo de confianza del 90% para el cociente de varianzas.

Sln/:
Sustituyendo en la frmula los datos, se tiene
2

s1

s1

< 2< 2
2
s 2 f 1 2 s 2 f
2

36
2

1,04
< 12 <
(0,51)(1,98) 2

1,04
( 0,51)(

1
)
1,98

21
1,0299 2 < 4,0376
2

Con una confianza del 90%.

Como ambos lmites son mayores que 1 se puede concluir que la varianza 1 es
significativamente mayor que la varianza 2.

37

Conclusiones

Mediante el anterior trabajo se comprendi, aclar y contextualiz las definiciones de


las distintas distribuciones de variables aleatorias continuas.

Se logr concluir la importancia de las aplicaciones de las distribuciones estadsticas


aplicadas a las diferentes ciencias.

38

Bibliografa:
1.
2.
3.
4.
5.
6.

Estadstica y muestreo Ciro martinez bencardino


http://www.vitutor.net/1/55.htmlb
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
file:///C:/Users/Pedro%20Pelayo/Downloads/tabla-fisher.pdf
http://es.wikipedia.org/wiki/Distribuci%C3%B3n_%CF%87%C2%B2
https://www.ulpgc.es/hege/almacen/download/4/4760/Tema_2.pdf