Professional Documents
Culture Documents
Algunas distribuciones de
probabilidad continuas
la figura 1.1.
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
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
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
de la distribución en estudio.
X̄ − µ
Z = ∼ N (0 , 1) (1.1)
√σ
n
v
u n
1 X 2
(1.3)
u
Sn−1 = t Xi − X̄
n − 1 i=1
NOTA:
Teniendo en cuenta que:
X̄ − µ
Z = ∼ N (0, 1)
√σ
n
(n − 1) S 2
V = ∼ χ2n−1
σ2
Entonces,
X̄−µ
√σ
n
T = r
(n−1)S 2
σ2
n−1
Z
T = q (1.5)
V
n
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
Demostración:
Se demostrará que E (X) = 0 y la otra parte del teorema se le deja
al lector.
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)
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
a) t2 , 0.05
b) t5 , 0.1
c) t15 , 0.001
Solución:
@ 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
@ 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
@ 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
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:
!
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.
Solución:
Sea X := Precio de la acción en la compañía
Por tanto,
P (−1.90 < T11 < 9.52) = P (T11 < 9.52) − P (T11 < −1.90)
= 1 − 0.042
= 0.958.
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.
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.
donde,
Zi ∼ N (0 , 1)
1 n x
f (X, n) = n n
x 2 −1 e− 2 , x > 0 (1.14)
2 Γ
2
2
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
• 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
2 n
E (X) = n
Γ +1
Γ 2
2
n
Γ n2
2
= 2
Γ n2
2n
=
2
= n (1.18)
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) .
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.
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:
(n − 1) S 2 49 · 11.2
χc = 2
=
σ 10
= 54.88
χ20.05 , 49 = 66.33
Solución:
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.
Solución:
(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.
el cociente
W1
F = n1
W2
(1.23)
n2
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
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:
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.
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:
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
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
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
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).
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.
σ22
2
S1 σ22
1.05
P < 3.32 = P · < 3.32 ·
σ12 S22 σ12 1.15
= P (F15 , 15 < 3.03)
= 0.98.
Solución:
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
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
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:
Ejemplo 1.1.1:
Dado que el cuantil que se desea calcular es t15 , 0.005 y es de cola su-
perior.
Ejemplo 1.1.2:
Ejemplo 1.1.3:
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:
Ejemplo 1.2.1:
xcal=49*11.2/10
cuantil=qchisq(p=0.05,df=49,lower.tail=FALSE)
Ejemplo1.2.2
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:
Ejemplo 1.3.1:
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) t4,0.3
b) t9,0.005
c) t7,0.1
d) t11,0.25
e) t13,0.05
f) t19,0.20
a) χ28,0.3
b) χ212,0.4
c) χ27,0.025
d) χ211,0.35
e) χ213,0.15
f) χ219,0.1
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
a) X ∼ F1,9
b) X ∼ F8,12
c) X ∼ F6,7
d) X ∼ F4,4
e) X ∼ F7,10