Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTRODUCCIN
El comportamiento de una variable aleatoria queda descrita por su distribucin
de probabilidad.
En muchas tareas estadsticas, se busca determinar una distribucin de
probabilidad o modelo probabilstico que satisfaga un conjunto de supuestos,
para estudiar los resultados observados de un experimento aleatorio.
Se pueden definir muchas distribuciones de probabilidad tanto de variable
aleatoria discreta como de variable aleatoria continua.
Algunas variables aleatorias se adaptan muy bien a una serie de
problemas prcticos y aparecen con bastante frecuencia. Por tanto, un estudio
detallado
de
las
mismas
facilita
bastante
la
construccin
de
las
Estadstica General
Pgina 1
Modelos de Distribucin
INDICE
Introduccin
i.
Pgina.
1. DISTRIBUCIN DISCRETA
1.1. Distribucin Uniforme discreta
1.1.1. Funcin de Probabilidad
1.1.2. Teorema
1.1.3. Demostracin
05
05
05
1.3.4. Teorema
1.3.5. Demostracin09
06
06
06
07
07
07
08
09
2.
Estadstica General
Pgina 2
09
09
09
10
10
10
11
12
12
13
13
13
14
14
15
Modelos de Distribucin
2.1.
Distribucin uniforme
2.1.1. Funcin de densidad
2.1.2. Grfica
2.1.3. Teorema
2.1.4. Demostracin
2.2. Distribucin normal
2.2.1. Funcin de densidad
2.2.2. Grfica
2.2.3. Propiedades
2.2.4. Teorema
2.2.5. Demostracin
2.3. Distribucin Gamma
2.3.1. Funcin de distribucin
2.3.2. Propiedades
2.3.3. Teorema
2.3.4. Demostracin
2.3.5. Grfica
2.4. Distribucin exponencial
2.4.1. Funcin de densidad
2.4.2. Grfica
2.5. Distribucin chi-cuadrado
2.5.1. Funcin de densidad
2.5.2. Grfica
2.5.3. Propiedades
2.5.4. Uso de la tabla Chi-cuadrado
2.6. Distribucin t de Student
2.6.1. Funcin de densidad
2.6.2. Uso de la tabla t-Student
2.7. Distribucin F
2.7.1. Funcin de densidad
1.7.1. Grfica
1.7.2. Uso de la tabla F
1.7.3. Teorema
1.7.4. Demostracin
2.8. Ejemplos
CONCLUSIONES
18
18
18
19
19
20
20
21
21
22
22
23
24
24
25
25
25
26
26
27
27
27
ii.
BIBLIOGRAFIA
Estadstica General
17
17
17
18
iii.
Pgina 3
Modelos de Distribucin
1. DISTRIBUCION DISCRETA
1.1. Distribucin Uniforme Discreta
Se dice que una variable aleatoria discreta
valores
x1
= 1,
x 2=2, , x N
que toma
1
, para i=1,2, , N
N
1.1.2. Teorema
Si
N 21
var [ x ] =
12
iii)
M x ( t )=E [ etx ]
1.1.3. Demostracin
Estadstica General
Pgina 4
Modelos de Distribucin
N
i= N1 .
N ( N + 1) N +1
=
2
2
i)
ii)
var [ x ] =E [ x ] ( E [ x ] ) = .i 2 .
i=1
iii)
i=1
i =1
1.2.
1 1
=
N N
E [ X ] = i .
1
N +1 2
(
)
N
2
2
1 N (N +1)(2 N + 1) ( N + 1 ) N 21
.
=
N
6
4
12
M x ( t )=E [ e ]= e .
tx
jt
j=1
1 1
jt
= e
N N j=1
Distribucin de Bernoulli
1.2.1. Definicin
La variable aleatoria X definida en
de manera que
Estadstica General
Pgina 5
Modelos de Distribucin
, s i ocurre xito con probabilidad p
{0 , si 1ocurre
fracaso con probabilidad 1 p=q
1.2.3. Funcin de probabilidad
La variable aleatoria x , que toma solamente dos valores 0 y 1.
x
1x
p ( x )= p [ X =x ] = p (1 p) , si x=0,1
0
De la definicin tenemos:
p [ X=1 ] p
0<q=1p< 1
P [ X=0 ] =1P
1.2.4. Teorema
Si x es una variable aleatoria con distribucin Bernoulli de parmetro p,
entonces:
i)
E [ X ]= p
ii)
Var [ X ] =pq
iii)
1.2.5. Demostracin
E [ X ] =1. p+ 0. q= p
i)
1.3.
ii)
iii)
tx
x=0
Distribucin Binomial
1.3.1. Experimento binomial
Se denomina experimento binomial a un nmero fijo, n,
de
repeticiones
Estadstica General
Pgina 6
Modelos de Distribucin
El espacio muestral del experimento binomial es el conjunto:
{( w1 , w2 ,..., wn ) / wi E F }.
nk
fracasos
n
n!
C kn
.
k! (n k )!
k
Por tanto, la probabilidad de obtener k xitos en n pruebas Bernoull
es,
n k nk
p q , k 0,1,2,3,..., n.
k
P[ X k ]
utiliza el binomio:
n n k nk
a b n
Ck a (b )
k 0
k p
.En efecto,
(1 p ) n k p (1 p ) n (1) n 1.
k 0
Estadstica General
Pgina 7
tiene
Modelos de Distribucin
distribucin binomial con parmetros n y p y se escribe , si su funcin de
probabilidad es:
n k nk
p q , k 0,1,2,3,..., n.
k
f (k ) P[ X k ]
NOTA.
distribucin
i 1
1.3.4. Teorema
X ~ B (n, p)
Si
i)
, entonces
E [ X ] =np
ii)
var [ x ] =npq
1.3.5. Demostracin
n1
E [ X ] =M X ( 0 ) =np [ p+ q ] =np (1)n1=np
i)
ii)
Var [ X 2 ] =E [ X 2 ] ( E [ X ] )
2
M X ( 0 )( np ) =[ n ( n1 ) p +np(np)
2
1.4.
Distribucin Geomtrica
Estadstica General
Pgina 8
Modelos de Distribucin
Si k es uno de los valores de la variable, el evento, consiste del suceso
elemental de
f ( x) P[ X x] q x 1 p,
Para
probar
que
la
x 1,2,..., etc.
suma
de
las
probabilidades
1 r r 2 r 3 ...
k 0
1
1 r
r 1
k 1
k 1
si
1
1
p 1
p p(1 q q 2 q 3 ...) p
p
1
En efecto,
1.4.4. Teorema
Si X es una variable aleatoria con distribucin geomtrica de
parmetro p, entonces:
1
p
i)
2
q
p2
ii)
1.4.5. Demostracin
E( X )
k 1
i)
kqk 1 p p
kq
k 1
k 1
Var ( X ) E ( X 2 ) E ( X ) 2
2 p
p2
1
(1 q )
1
p2
1
p
1 p
p2
ii)
1.5. Distribucin de Pascal o binomial negativa
1.5.1. Experimento binomial negativo o de Pascal
Estadstica General
Pgina 9
1
.
p
q
p2
Modelos de Distribucin
Se denomina experimento
Pascal
binomial negativo o de
rango es el conjunto:
R X {r , r 1, r 2,...}
[X k]
Si k RX, el evento
k 1
pruebas resultan
r 1
(k 1) (r 1) k r
xitos y
k 1
r 1 k r
p
q p
r 1
k 1
r k r
p
q
r 1
q 1 p
se dice que la
Estadstica General
Pgina 10
Modelos de Distribucin
f (k ) P[Y k ]
k 1
r k r
p
q
r 1
k r , r 1, r 2,..., etc.
Para verificar que la suma de las probabilidades de
Pascal es igual a uno, se usa la siguiente serie binomial negativa:
(1 q ) r
C
i 0
NOTA. Sean
X 1 , X 2 ,..., X r
r
i
(q ) i
C
k r
k 1
r 1
q k r .
i 1
es el nmero de repeticiones
independientes de un ensayo de
Estadstica General
Pgina 11
Modelos de Distribucin
Si x es una variable aleatoria con distribucin binomial negativa
con parmetros r y p, entonces:
M x ( t )=(
i)
E [ X ]=
ii)
p r
1
) , para t<1 n( )
t
q
1qe
rq
rq
y Var [ X ] = 2
p
p
1.5.4. Demostracin
i)
Sean
X 1 , X 2 ,..., X r
i 1
i 1
E ( X ) E
V (X ) V
i 1
Xi
Xi
i 1
E X i
i 1
VXi
p r p
i 1
p
i 1
q
p2
ii)
cuando
consideramos
Estadstica General
Pgina 12
Modelos de Distribucin
Se dice que una variable aleatoria X que denota el
nmero de elementos que poseen la caracterstica A en una
muestra aleatoria de tamao n seleccionada de una poblacin de N
elementos de los cuales r tiene caracterstica A y N-r caracterstica
B, tiene distribucin hipergeomtrica, si su funcin de probabilidad
es dado por:
r N r
(
x )( nx )
P ( x )=P [ X =x ] =
( Nn )
Donde mx.
1.6.3. Teorema
Si X es una variable aleatoria con distribucin hupergeomtrica
H(N,n,r), entonces:
r
i) E [ X ] =n . N
ii)
Var [ X ] =n .
r Nr Nn
.
.
N N N1
( >0)
y se escribe X~P().
2.9.1. Funcin de probabilidad
f ( x) P[ X x]
e ( ) x
,
x!
x 0,1,2,...
k 0
Estadstica General
( ) k
e .
k!
Pgina 13
Modelos de Distribucin
e ( ) k
( ) k
e
e e e 0 1.
k!
k!
k 0
k 0
En efecto,
La distribucin de Poisson se aplica a problemas donde la variable
aleatoria es el nmero de eventos independientes que ocurren en un
intervalo de tiempo, o en una regin plana (con un promedio dado), por
ejemplo, entre otros:
* Nmero de llamadas que recibe una central telefnica en el perodo de
un minuto.
* Nmero de accidentes de trabajo que ocurren en una fbrica durante
una semana.
* Nmero de fallas en la superficie de una cermica rectangular.
mt 3 de agua.
2.9.2. Teorema
Si X ~ P(), entonces:
Media:
i)
ii)
Varianza:
2.9.3. Demostracin
i)
E( X )
x 0
e ( ) x
x!
x 1
e ( ) x
( )e
x!
x 1
() x 1
( )e e
( x 1)!
ii)
E[ X ( X 1)]
x 0
x ( x 1). e
( ) x
x!
2.10. Ejemplos
Estadstica General
Pgina 14
() x 2
( x 2)! .e
2 .e .
x2
.e 2
Modelos de Distribucin
Ejemplo 1. Un matemtico fumador de pipas lleva consigo, todas las
veces, 2 cajas de fsforos, 1 en su bolsillo izquierdo y en su bolsillo
derecho. Cada vez que l requiere de un fsforo la toma con igual
probabilidad de uno de sus bolsillos. Considere el momento cuando el
matemtico descubre primero que una de sus cajas de fsforos est
vaca. Si se supone que cada caja de fsforos contiene inicialmente N
fsforos, Cul es la probabilidad de que haya exactamente k fsforos
en la otra caja, k=0,1,, n?
SOLUCIN.
Sea el evento E: el matemtico descubre primero que la caja de fsforos
del bolsillo derecho est vaco y que hay exactamente k fsforos en la
caja del bolsillo izquierdo. Este evento ocurrir si y slo si la seleccin
N+1 de la caja del bolsillo derecho es hecho en el ensayo N+1+N-K.
Luego el experimento es un experimento binomial negativa con p=1/2,
r=n+1, x=N-K, entonces:
1
2
P [ E ] =P [ X =NK ] = n+ 1+ ( N K ) 1
N K
2 NK
N K
1
2
2 NK +1
)( )
1
2
2 NK
)( )
Estadstica General
Pgina 15
Modelos de Distribucin
SOLUCIN.
Sea x la variable aleatoria que denota al nmero de extracciones
necesarias antes de obtener la bola negra, entonces x tiene
distribucin geomtrica con parmetro
p=
M
N +M
y q=1 p
Luego:
a)
P [ X=n1 ] = pqn1=
b)
M
N +M
X =K 1
P [ X> K1 ] =
M
N n1 M . N n1
.(
) =
N +M N +M
(N + M )n
x=k1
N
N +M
pq x =
x=k1
M
N
N +M N + M
k1
N
N +M
M
N
.
=
N +M
N
M +N
1
N+M
3.
k1
DISTRIBUCIONES CONTINUAS
2.1. Distribucin uniforme
Se dice que la variable aleatoria continua, X, tiene distribucin uniforme (o
ab
X ~ U [ a, b]
y se describe por
f ( x) b a
0,
en otros casos
Estadstica General
Pgina 16
si
Modelos de Distribucin
0,
xa
F ( x)
,
b
1,
si x < a
si a x < b
si x b
2.1.2. Grfica
La grfica de la funcin de densidad y de la distribucin acumulada se
dan en la figura 2.1.
2.1.3. Teorema
Si X es una variable aleatoria continua con distribucin uniforme en
[ a , b ] , entonces:
E( X )
i)
ab
2
Var ( X )
ii)
(b a) 2
.
12
2.1.4. Demostracin
i)
2 b
[ ]
1
1 x
E [ X ]= b x .
=
dx
ba 2
a ba
b+ a
2
ii)
Var [ x ] =E [ X 2 ] ( E [ X ] ) =
Estadstica General
b2 a .b +a2
Pgina 17
b a
a+b
=
=
2(ba)
2
Modelos de Distribucin
2.2. Distribucin normal
Se dice que la variable aleatoria continua, X, que toma los
valores reales,
< x < +
se distribuye normalmente (o ms
y
y se describe por
X ~ N (, 2 )
.
2
2
, > 0
Donde:
2.2.2. Grfica
2.2.3. Propiedades
A partir de su grfica y del anlisis de su funcin
de densidad, la curva normal tiene las siguientes propiedades:
X
f (x)
, ya que
( x ) 2
f ( x) f ( x)
, luego:
f ()
3.
1
2
Estadstica General
Pgina 18
Modelos de Distribucin
lim f ( x ) 0 y lim f ( x) 0.
x , y
, por tanto, es
x
y cncava
2.2.4. Teorema
Si la variable aleatoria X tiene distribucin normal
E (X )
i)
Var ( X ) 2
ii)
2.2.5. Demostracin
E( X )
i)
1
2
xe
1 x
dx
z (x )
Haciendo
E( X )
E( X )
1
2
resulta
(z )e z
ze z
dz
1
2
e z
luego,
Adems si u z y dv = ze z
Estadstica General
Pgina 19
z 2e z
2
luego,
dz
1 x
2
2
( x ) e
, resulta
E X 2
z (x )
Haciendo
dx dz
, y
dz
Var ( X ) E ( X ) 2
ii)
dx
dx dz
, y
dz
, se obtiene v = e z
, y
Modelos de Distribucin
E X 2
ze
2
z2 2
ez
dz 0 2 (1)
Var ( X ) 2
Luego
2.3. Distribucin Gamma
Se dice que la variable aleatoria continua X tiene distribucin gamma, con
parmetros
X ~ ( , )
y se representa por
, si su funcin de densidad
es:
1 x
x e , si x 0
f ( x) ( )
0,
si x 0
donde
( )
x 1 e x dx,
2.3.2. Propiedades
1.
Si
() ( 1)( 1)
, entonces,
.
u x 1 , dv e x dx
En efecto, haciendo
integrando por partes, se obtiene,
Estadstica General
Pgina 20
, en la funcin gamma, e
Modelos de Distribucin
() lim x 1e x
b
b
0
( 1)
x 2 e x dx
0 ( 1) x 2 e x dx
0
() ( 1)( 1)
Luego,
(1)
2.
1
3.
4.
Si
e x dx 1
x 1 2 e x
n 1
(n) ( n 1)!
, entonces,
(n) (n 1)(n 1)
En efecto, aplicando:
resulta,
, repetidamente,
(n) (n 1)!
Luego,
2.3.3. Teorema
X ~ ( , )
Si
, entonces,
a) Media:
b) Varianza:
2.3.4. Demostracin
Estadstica General
Pgina 21
Modelos de Distribucin
E( X )
( )
x 1e x dx
(x)
()
e x dx
a)
x
Si
, entonces,
E( X )
( )
E( X 2 )
b)
x2
0 u
u e u du
( )
, y
1 ( 1)
( )
x 1e x dx
x u
dx du /
, luego,
( )
( )
(x ) 1
( )
e x dx
dx du /
Si
entonces,
y
1
1 ( 2) ( 1)() ( 1)
E( X 2 )
u 1e u du
2
( ) 0
2 ( )
2 ( )
2
Luego,
Var ( X ) E X 2 E ( X ) 2
( 1)
2
2.3.5. Grfica
1
, para
Estadstica General
Pgina 22
Modelos de Distribucin
2.4.1. Funcin de densidad
e x ,
f ( x)
0,
si x 0
si x 0
2.4.2. Grfica
Es un modelo apropiado a vida til de objetos.
NOTA.
1
,
a) Media:
Por otra parte, su
X ~ (1, )
, entonces tiene,
2
1
2
b) Varianza:
[0,[
es: ,
F ( x) P [ X x ]
0 e
dt 1 e x , 0 x .
P[ X x] 1 P[ X x] e x ,
0 x .
Estadstica General
Pgina 23
Modelos de Distribucin
2 r 2 r
x
f ( x ) ( r 2)
0,
21 x 2
si x 0
si x 0
2.5.2. Grfica
X ~ 2 (r )
1/ 2
. Luego, si
o si
X ~ (r / 2, 1 / 2)
a)
b)
2 2r
2.5.3. Propiedades
Las siguientes proposiciones (cuya prueba omitimos) son de
importancia para el desarrollo de este texto.
Z 2 ~ 2 (1)
Z ~ N (0,1)
1) Si
Estadstica General
, entonces,
Pgina 24
Modelos de Distribucin
Z 1 , Z 2 ,..., Z r
2) Si
Z i ~ N (0,1)
2
i
~ 2 (r )
i 1
2 (r )
Con frecuencia,
Si
X i ~ 2 (ri )
Xi
i 1
~ 2 (r1 r2 ... rk ).
si
, entonces, en la tabla de
o un valor
, mediante la relacin
P[ X 12 ,r ] 1
como se indica en la figura 7.8.
Estadstica General
Pgina 25
Modelos de Distribucin
t2
1
f (t )
r
(r 2) r ()
( r 1) 2
< t < ,
libertad, o
c t1 ,r
un valor
mediante la
relacin:
P[c X c] 0.95, implica P[X c] 0.975, luego c 2.228.
Por interpolacin:
Valor t
reas respectivas :
Estadstica General
1.372 c 1.812
Pgina 26
Modelos de Distribucin
Luego,
3.1.
c 1.372
0.92 0.90
, de donde resulta
c 1.548
Distribucin F
Se dice que una variable aleatoria continua X se distribuye segn F con
y
r2
F ~ F (r1 , r2 )
r1
r1
r2
r1 2
r1 r2
2
r
1
2
r
2
2
x r1 2 1
r x
1 1
r2
( r1 r2 ) 2
, 0 x
Si la variable aleatoria
, en la tabla de probabilidades F se
c F1 ,r1 ,r2
o un valor
P[ X c] 1
la relacin:
Estadstica General
Pgina 27
, mediante
Modelos de Distribucin
Para determinar valores de F correspondientes a reas
1 0.005
c 1
3.1.4. Teorema
Si X tiene distribucin F con grados de libertad
tiene distribucin F con grados de libertad
F1 , r1 , r2
r2
r1
r1
r2
1X
, entonces,
, esto es,
1
F ,r2 , r1
3.1.5. Demostracin
V r2 1
V r2 1
U / r1
1 P
c P
U r1 c
U r1 c
V / r2
1 P F F1, r1 , r2 P
V r2 1
.
U r1 c
Luego,
(V r2 ) (U r1 )
F ( r2 , r1 )
se distribuye segn
, esto es,
F1 ,r1 , r2
3.2.
1
F ,r2 , r1
Ejemplos
Estadstica General
Pgina 28
, entonces,
Modelos de Distribucin
Ejemplo 1. Alberto y Mara acuerdan encontrarse en la plaza San
Martn entre las 7:00 pm y 8:00 pm. Cada uno espera al otro ms de 10
minutos. Hallar la probabilidad de que se encuentren:
a) Sabiendo que Alberto llega a las 7:30 pm.
b) Sabiendo que cualquiera de ellos llega en cualquier momento, al
azar.
SOLUCION.
Dividiendo la hora de 7:00 a 8:00 pm. En 60 minutos, consideremos que
cualquiera de ellos llega en un momento entre 0 y 60.
Sean las variables aleatorias:
X: momento de llegada de Alberto entre [ 0,60 ]
Y: momento de llegada de Mara entre
[ 0,60 ]
1
, si 0 x 60
f ( x) 60
0,
en otros casos
1
, si 0 x 60
f ( y ) 60
0,
en otros casos
a) Como Alberto llega a las 7:30 pm, entonces para que se
encuentre, Mara debe llegar entre las 7:20 y 7:40 pm., esto es,
entre el momento 20 y el momento 40. Luego la probabilidad
pedida es:
40
P [ 20<Y < 40 ] =
20
1
1
dy=
60
3
1
, si 0 x 60
f ( x) 60
0,
en otros casos
La probabilidad de que se encuentren en cualquier momento es:
Estadstica General
Pgina 29
Modelos de Distribucin
10 x+10
P=
0
50 x+10
60
x
+10 x
2
]
2 60
x
( 10+ [ 20 x ] + 70 x
2
1
3600
60
= 30
60
1
1
1
dydx +
dydx +
dydx
3600
10 x10 3600
50 x10 3600
( 150+800+150 ) =
11
36
X ~ ( r )
Ejemplo 2. Si
, hallar:
P[ X a] 0.995
a) a tal que
, si
r 30
P[a X b] 0.95
b) a y b tales que
P[ X b] 0.025
P[ X a] 0.015
c) a tal que
, si
r 8
r 13
, si
.
SOLUCION.
a
a)
53.67.
P[ X b] 0.025
b) De
P[ X b] 0.975
, se tiene
, resultando
b 24. 74
0.95 P[ a X b] P[ X b] P[ X a ]
de donde resulta,
P[ X a ] 0.975 0.95 0.025
, entonces ,
c) Por interpolacin:
Area acumulada:
valor de chi-cuadrado:
Estadstica General
Pgina 30
5.01.
Modelos de Distribucin
luego,
4.
a 1.65
0.015 0.010
, de donde se obtiene
1.8267.
DISTRIBUCIONES MUESTRALES
4.1 Poblacin y Muestra Aleatoria
4.1.1 Poblacin.
Es el conjunto con referencia al cual se desea hacer alguna
investigacin determinada.
El nmero de elementos que forman la poblacin y que indicaremos con
la letra N, se llama tamao de la poblacin. Recordemos que la
poblacin puede ser finita o infinita.
Si el nmero de elementos de una poblacin es elevado se la considera
para el tratamiento estadstico, en algunos casos como infinita.
Estadstica General
Pgina 31
Modelos de Distribucin
Estadstica General
Pgina 32
Modelos de Distribucin
Antes de dar la definicin de estadstico, debe notarse que un parmetro
es una constante fija cuyo valor se desconoce.
Media muestral
Es
estadstico X toma
el valor
cuando:
En
la
prctica
el
valor calculado x .
Varianza muestral
La razn para dividir por n-1 es que de esta forma, como veremos
ms adelante (cuando se estudien los procedimientos de
estimacin), la medida de variabilidad resultante es el mejor
estimador de la varianza poblacional (desconocida).
Desviacin estndar
Observar que la
varianza muestral S2
Estadstica General
Pgina 33
Modelos de Distribucin
As, si la varianza muestral se expresa en kilogramos al cuadrado
para datos originales en kilogramos, al extraer la raz cuadrada
positiva de S2, obtenemos la desviacin estndar muestral, que
regresa la medida de variabilidad a las unidades originales de las
mediciones.
Mnimo muestral
Mximo
muestral
Rango muestral
Estadstica General
Pgina 34
Modelos de Distribucin
CONCLUSIONES
1.Los valores de las medidas caractersticas que se obtienen de una muestra
sern slo una aproximacin de los valores de las medidas caractersticas de
la poblacin.
2.Los valores obtenidos de las medidas caractersticas que se obtienen
dependern de la muestra utilizada. Muestras diferentes darn valores
diferentes
BIBLIOGRAFA
1. MIACC MEZA, Mximo (1996), Tpicos de estadstica descriptiva y
probabilidad Lima, Per.
2. Crdova Zamora,
Estadstica General
Pgina 35