Probabilidades y Estadstica

Edmundo Pea Rozas, Juan Garcs Seguel

1
Unidad 4: Modelos Probabilsticos
1 Distribuciones Continuas

Existe una variedad de variables aleatorias continuas, que son conocidas por su aplicacin prctica en diversos
problemas.

Distribucion Uniforme

Sea X una variable aleatoria continua, definida en un intervalo [a,b]. X es una variable aleatoria Uniforme en el
intervalo [a,b], si su funcin de densidad es una constante 0 k > en ese intervalo. Es decir:
;
( )
0; . . .
X
k a x b
f x
e o c

=

Ahora, para que ( )
X
f x cumpla con las propiedades de una funcin de densidad, se debe cumplir que
1
k
b a
=

, es decir:
1
;
( )
0; . . .
X
a x b
f x b a
e o c

Se puede verificar que la funcin de distribucin acumulada est definida de la siguiente manera:
0 ;
( ) ;
1 ;
X
x a
x a
F x a x b
b a
x b

= < <

Aplicando la definicin, la esperanza y varianza de una distribucin uniforme son, respectivamente:
[ ] [ ]
( )
2
;
2 12
b a
a b
E X Var X

+
= =

Ejemplo: Un estudiante toma un bus para ir a la Universidad. Este bus pasa cada 5 minutos. El estudiante no
sale todos los das a la misma hora, por lo que el tiempo de espera puede ser considerado como una variable
aleatoria Uniforme en el intervalo [0,5] minutos.
a) Calcule la probabilidad de que el tiempo de espera est entre 2 y 3 minutos.
b) Calcule la probabilidad de que el tiempo de espera sea superior a 4 minutos.
c) Cul es el tiempo de espera ms probable?

Desarrollo:
a) Se define el tiempo de espera T, como una variable aleatoria Uniforme en el intervalo [0,5] minutos.
Se pide calcular (2 3) P T . Aplicando la funcin de distribucin acumulada:
3 0 2 0 3 2 1
(2 3) ( 3) ( 2) (3) (2) 0, 2
5 0 5 0 5 5 5
T T
P T P T P T F F

= = = = = =


b) En este caso, se pide calcular ( 4) P T > :
4 0 4 1
( 4) 1 ( 4) 1 1 0, 2
5 0 5 5
P T P T

> = = = = =

c) [ ]
0 5
2, 5
2
E T
+
= = minutos.

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
2
Distribucin Exponencial

Suponer que se est estudiando un Proceso de Poisson con Parmetro . Entonces, se define una variable
aleatoria X, la cual se distribuye Poisson, y que denota el nmero de ocurrencias del evento en un intervalo (0,t].
El proceso se comienza a observar en el tiempo cero. Se define entonces la variable aleatoria T , que denota el
tiempo transcurrido hasta que ocurre el primer evento. Entonces, T es una variable aleatoria exponencial
con parmetro . Notar que T es una variable aleatoria continua, cuyo recorrido es { } : 0
T
R t t = > .

La funcin de distribucin acumulada de una variable aleatoria exponencial es relativamente fcil de obtener. Se
define el evento T t > . Entonces, la probabilidad de que ocurra este evento, es equivalente a que no ocurran
eventos del proceso Poisson en el intervalo (0,t], es decir:
( )
0
( ) ( 0)
0!
t
t
e t
P T t P X e

> = = = =
Por lo tanto, la funcin de distribucin acumulada es: ( ) 1 ; 0
t
P T t e t

= >
Derivando respecto a t , se obtiene la funcin de densidad de probabilidad:
; 0
( )
0 ; . .
t
T
e t
f t
e o c

>
=

Aplicando las definiciones de Esperanza y Varianza, se obtiene, respectivamente:
[ ] [ ]
2
1 1
; E T Var T

= =
Ejemplo: Para un equipo usado en la construccin, el tiempo de operacin hasta que sufre una avera sigue una
distribucin exponencial con media 24 meses. Existe un programa de inspeccin cada 5 meses. Cul es la
probabilidad de que la mquina falle antes de la primera inspeccin?

Desarrollo:
Se define una variable aleatoria T , que denota el tiempo transcurrido hasta que el equipo se avera. Entonces T
se distribuye exponencial con media 24 meses, es decir:
[ ]
1
24
1
24
E T

= =
=

Entonces, lo que se pide es
5/ 24
( 5) 1 0,1881 P T e

< =

Distribucin Normal
Una variable aleatoria continua X tiene distribucin Normal, si su funcin de densidad de probabilidad tiene la
siguiente forma:
2
2
( )
2
1
( ) ;
2
x
X
f x e x

= < <
En tal caso, se dice que X se distribuye Normal, con parmetros y
2
.
Se puede adems verificar que [ ] E X = , y se conoce como media de la distribucin, y
2
[ ] Var X = ,
conocida como la varianza de la distribucin normal.

Grficamente, la funcin de densidad de una distribucin normal tiene la siguiente forma, de ella se tiene las
siguientes propiedades:
Es unimodal, la moda coincide con su media y su mediana.
Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
3
La curva normal es asinttica al eje de las abscisas. Por ello, cualquier valor entre - y + es al menos
tericamente posible.
Es simtrica con respecto a su media ().
La distancia entre la lnea trazada en la media y el punto de inflexin de la curva es igual a una
desviacin estndar (). Mientras mayor sea la dispersin de la variable, ms aplanada ser la curva de
la densidad.
Entre x = - y x = + queda comprendido el 68,26% del rea bajo la curva.
Entre x = -2 y x = + 2 queda comprendido el 95,44% del rea bajo la curva.
Entre x = - 3 y x = +3 queda comprendido el 99,74% del rea bajo la curva.
La forma de la campana de Gauss depende de los parmetros y , donde seala la posicin de la
curva, de tal manera que para diferentes valores de la curva es desplazada a lo largo del eje
horizontal. Por otra parte, la desviacin estndar () define la forma o grado de apuntamiento de la
curva. Cuanto mayor sea el valor de , ms se dispersarn los datos en torno a la media y la curva ser
ms plana. Un valor pequeo de este parmetro indica, por tanto, una gran probabilidad de obtener
datos cercanos al valor medio de la distribucin.

La figura siguiente muestra la forma de varias distribuciones normales pero que tienen distintos parmetros de
localizacin y dispersin. Se puede observar con claridad que un cambio en el parmetro de localizacin se
traduce en una traslacin de la curva y que un cambio en la varianza se traduce en un cambio de la forma de la
curva (mientras mayor es la varianza, ms achatada es la forma de la curva).


Funcin de densidad de probabilidad Funcin de distribucin acumulada

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
4
El clculo de probabilidades para una variable aleatoria Normal puede ser dificultoso, dada la forma de su
funcin de densidad. Sin embargo, lo anterior se puede abordar de la forma que se explica a continuacin.
Se define una variable aleatoria Z, la cual se distribuye normal con media igual a cero, y varianza igual a 1.
En tal caso, se dice que Z es una variable aleatoria Normal estndar. Su funcin de densidad es:
2
2
1
( ) ;
2
z
Z
f z e z

= < <
Distribucin Normal Estndar

La distribucin Normal si bien en su forma general es una sola, vara en cuanto a su posicin y forma,
dependiendo de los valores que pueden adoptar sus parmetros ( y 2), de tal forma que en la prctica, se
podr tener infinitas combinaciones.

Lo anterior implica que para cada caso, cuando se desee calcular una determinada probabilidad sera necesario
integrar la funcin de densidad, lo cual a menos de que se cuente con las herramientas computacionales
apropiadas resulta sin lugar a dudas una complicacin.

A objeto de solucionar la situacin antes descrita, y en la bsqueda de eficiencia y rapidez en el trabajo prctico,
el concepto de distribucin normal estndar resulta indispensable.

Se dice que la distribucin normal es de la forma estndar si su media es cero y su varianza es 1, es decir, la
funcin de densidad general
2
2
1
2
2
1
) (
|

\
|

x
e x f

Al ser estandarizada queda de la forma:
2
2
2
1
) (
z
e z f

Su funcin de distribucin acumulada es:
2
2
1
( ) ( ) ( ) ;
2
t z
Z Z
F t P Z t t e dz t

= = =

El clculo de probabilidades asociadas a una variable aleatoria normal estndar es mucho ms sencillo, ya
que su funcin de distribucin acumulada se encuentra tabulada (sus valores se pueden obtener a partir de
tablas).

Observacin:
Cualquier variable aleatoria X distribuida Normal con media y varianza
2
, puede transformarse en una
variable aleatoria normal estndar (con media cero y varianza 1), mediante el siguiente cambio de variable.
X
Z

=

Ejemplo: Sea X una variable aleatoria continua definida como el peso de los terneros de los predios existentes
en la provincia de Osorno al momento del destete. Esta variable aleatoria continua se distribuye segn una
Normal con media 240 kgs y varianza 225 Kgs2. Si se selecciona al azar un ternero recin destetado:

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
5
a) Cul es la probabilidad de que un ternero pese no ms de 250 kgs?


( )
( ) ( 250)
250 240 10
15 15
0.67 (0, 67) 0.7486
P X a P x
x
P P Z
P Z

=
| | | |
= = =
| |
\ \
= = =


Por lo tanto, la probabilidad de que un ternero
pese 250 Kg. o menos es de 0.7486

b) Cul es la probabilidad de que un ternero pese ms de 270 kgs?


0.0228 0.9772 1 ) 2 ( 1
15
30
1
15
240 270
1
) 270 ( 1 ) 270 ( ) (
= = =
|

\
|
= |

\
|
=

=
= > = >
Z P
Z P
x
P
x P x P a X P

Entonces, la probabilidad de que ternero pese
ms de 270 Kg. es de 0.0228

c) Cul es la probabilidad de que un ternero pese como mximo 235 Kg?

( )
( ) 0.3707 0.6293 1 ) 33 . 0 ( 1 33 . 0
emente equivalent
0.3707 33 . 0
15
5
15
240 235
) 235 ( ) (
= = =
= =
|

\
|
= |

\
|
=

=
=
Z P Z P
Z P
Z P
x
P
x P a X P

La probabilidad de que un ternero pese 235 Kg.
o menos es 0.3707

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
6
d) Cul es la probabilidad de que un ternero pese entre 250 y 270 kgs?

( ) 0.2286 0.7486 - 0.9772 ) 67 . 0 ( 2
15
240 250
15
240 270
) 270 250 (
) ( ) ( ) (
= = =
|

\
|

\
|

=

=
Z P Z P
x
P
x
P
X P
a X P b X P b X a P

De igual manera:
( ) ( )
0.2286 0.7486 - 0.9772
) 67 . 0 ( 2 00 . 2 67 . 0
15
240 270
15
240 250
) 270 250 (
) (
= =
== =
|

\
|

= =
|

\
|

=
= |

\
|

=
Z P Z P Z P
Z P X P
b
Z
a
P
b x a
P b X a P

e) Cul es la probabilidad de que un ternero pese entre 230 y 250 Kg.?

( )
0.6568 0.0918 - 0.7486
0.9082] - [1 - 0.7486 )] 33 . 1 P(Z - [1 ) 67 . 0 (
) 67 . 0 33 . 1 ( ) 250 220 (
a)] P(Z - [1 - b) P(Z b) Z P(-a
e equivalent manera de
0.6568 0.0918 - 0.7486 ) 33 . 1 ( 67 . 0
15
240 220
15
240 250
) 220 ( ) 250 ( ) 250 220 (
) ( ) ( ) (
= =
= =
=
=
= = =
|

\
|

\
|

=
=
=
Z P
Z P X P
Z P Z P
x
P
x
P
X P X P X P
a X P b X P b X a P

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
7
f) Cul es la probabilidad de que un ternero pese entre 220 y 225 Kg.?


( )
0669 . 0 8413 . 0 9082 . 0 ) 00 . 1 ( ) 33 . 1 (
) 33 . 1 00 . 1 ( ) 00 . 1 33 . 1 (
) 00 . 1 33 . 1 ( ) 225 220 (
a) P(Z - b) P(Z ) ( a) Z P(-b
e equivalent manera de
0669 . 0 0918 . 0 1587 . 0 ) 33 . 1 ( 00 . 1
15
240 220
15
240 225
) 220 ( ) 225 ( ) 225 220 (
) ( ) ( ) (
= = =
= =
=
= =
= = =
|

\
|

\
|

=
=
=
Z P Z P
Z P Z P
Z P X P
b Z a P
Z P Z P
x
P
x
P
X P X P X P
a X P b X P b X a P

Ejemplo: La cantidad de soda en cada botella de una gaseosa se distribuye normalmente con una media de 32,2
gramos y desviacin estndar de 0,3 gramos.
a) Hallar la probabilidad de que un cliente compre una botella que contenga ms de 32 gramos.
b) Encontrar la probabilidad de que el contenido de soda en una botella est entre 31 y 32 gramos.

Desarrollo:
Se tiene una variable aleatoria X, que se distribuye Normal con 32, 2 = gramos y 0, 3 = gramos. Entonces,
lo que se pide es:
a) ( ) ( )
32 32.2
( 32) 0, 67 1 0, 67 1 0, 2514 0, 7486
0, 3
P X P Z P Z P Z
| |
> = > = > = = =
|
\

b)
( )
31 32, 2 32 32, 2
(31 32) 4 0, 67
0, 3 0, 3
( 0, 67) ( 4) ( 0, 67) ( 4) 0, 2514 0, 0000 0, 2514
P X P Z P Z
P Z P Z
| |
< < = < < = < <
|
\
= < < = = =


Distribucin Chi-Cuadrado

La distribucin chi-cuadrado es ampliamente utilizada en algunos mtodos y pruebas proporcionados por la
Inferencia Estadstica.

Suponga que se tienen variables aleatorias independientes
1 2
, ,...,
n
X X X , las cuales se distribuyen Normal
estndar. Ahora, se define la variable aleatoria Y , de la siguiente forma:
2
1
n
i
i
Y X
=
=

Entonces, se dice que Y se distribuye Chi- Cuadrado, con n grados de libertad,
( )
2
n
.
Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
8


Algunas de las propiedades de esta distribucin son:
El rea total bajo la curva de la distribucin es 1.
Si X tiene una distribucin normal, estndar, X2 tiene una distribucin
2
k

con k=1 grados de libertad.

Si X1 y X2 distribuyen
2
a

y
2
b

respectivamente, si X1 y X2 son independientes, entonces X1 + X2

distribuye
2
b a+

.
Si X es una variable distribuida normal estndar, y xi, i=1,, n, son n observaciones que constituyen
una muestra al azar, entonces

=
n
i
i
x
1
2
distribuye
2
n

.
Una distribucin chi cuadrado se define completamente por el nmero de grados de libertad, de tal
manera que X distribuye
2
k

con media igual a k y varianza 2 igual a 2k.

Si X distribuye
2
k

, y si xi son n observaciones que constituyen una muestra al azar, entonces:

=
|

\
|
n
i
x
1
2

distribuye
2
n

Una variable chi cuadrado toma valores definidos entre 0 y
Las distribuciones chi-cuadrado son positivamente asimtricas, sin embargo, cuando n aumenta, se
aproxima a una normal.

Los valores de la funcin de distribucin acumulada para esta variable, se encuentran tabulados.

Ejemplos:
Calcular las siguientes probabilidades:
( ) ( ) ( )
2 2 2
5 25 40
7, 29 ; 18, 94 26,14 ; 29, 05 47, 27 P P P > < < < < .
Desarrollo:
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2 2
5 5
2 2 2
25 25 25
2 2 2
40 40 40
7, 29 1 7, 29 1 0,8 0, 2
18, 94 26,14 26,14 18, 94 0, 6 0, 2 0, 4
29, 05 47, 27 47, 27 29, 05 0, 8 0,1 0, 7
P P
P P P
P P P



> = = =
< < = < < = =
< < = < < = =


Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
9
Distribucin t de Student


Curvas de Distribucin t-Student para distintos grados de libertad

La distribucin t de student es muy utilizada en inferencia estadstica.
Se tiene una variable aleatoria X , la cual se distribuye Chi-cuadrado con grados de libertad, y una variable
aleatoria Z , distribuida Normal estndar. Se define adems:
/
Z
T
X
=
Se tiene que T es tambin una variable aleatoria, la cual se distribuye t de student, con grados de libertad.
Algunas de las propiedades de esta distribucin son:
Como una variable normal, t vara entre - y +
La distribucin t-Student es simtrica con media igual a cero (para >1) y varianza igual a / -2 para
(>2)
El rea total bajo la curva de la distribucin es 1.
La distribucin t-Student no depende de la media ni de la varianza, depende del valor del parmetro .
La distribucin t-Student se aproxima a la distribucin normal estandarizada a medida que aumentan los
grados de libertad.
Para grados de libertad la distribucin t de Student es idntica a la Normal estndar (Z).
La probabilidad acumulada de esta distribucin, para distintos grados de libertad, se encuentra tabulada.

Ejemplo:
Sea X, una variable t- student con 15 grados de libertad. Calcular ( 2, 6) P X > .
15 15
( 2, 6) ( 2, 6) 1 ( 2, 6) 1 0, 99 0, 01 P X P t P t > = > = = =

Distribucin F

Esta distribucin de probabilidad es, al igual que las distribuciones chi-cuadrado y t de student, muy utilizada en
algunos mtodos de la inferencia estadstica.

Si
2 1
,..., , ,..., ,
2 1 2 1
Y Y Y y X X X X
1
, son variables aleatorias independientes distribuidas normalmente, la suma de
sus cuadrados distribuye segn una Ji-cuadrado con
1
y
2
grados de libertad respectivamente, es decir
2 2
2
2
1
1
2 2
1
1
1

X X X X
i
i
+ + + = =

=

2
2 2
2 2 2 2 2
1 2
1
i
i
Y Y Y Y

=
= = + + +

Probabilidades y Estadstica
Edmundo Pea Rozas, Juan Garcs Seguel
10

El cuociente entre dos variables distribuidas Ji-cuadrado se distribuye a su vez segn una distribucin F de
Snedecor, es decir:

2 1
2
1
;
2
2
~

F F =

Donde:


Una propiedad importante de la distribucin F es la siguiente:

1 2
2 1
; ;
; ; 1
1


F
F =

Si X se distribuye segn una F con
1
=10 y
2
=7 grados de libertad:

P(X < 3.64)=P(F
10,7
< 3.64) = 0.95
P(X > 6.62) = 1 P(F
10,7
< 6.62) = 1 - 0.99 =0.01

F
0.95;10,7
= 3.64 y F
0.05;7;10
= 0.275, entonces se cumple que:
275 . 0
1
64 . 3
1
1
10 ; 7 ; 05 . 0
7 ; 10 ; 95 . 0
; ;
; ; 1
1 2
2 1
=
=
=

F
F
F
F