Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
1
Distribución de probabilidad continúa
2
Distribución de probabilidad normal
1. Su esperanza es μ.
2. Su varianza es σ2 y, por tanto, su desviación típica es σ.
3. Es simétrica respecto a su media μ, como puede apreciarse en
3
la representación anterior.
4. Media, moda y mediana coinciden (μ).
5. Cualquier transformación lineal de una variable con distribución
Normal seguirá también el modelo Normal. Si X ~ N(μ, σ) y
definimos Y = aX + b (con a ≠ 0), entonces Y ~ N(aμ + b,
|a|σ). Es decir, la esperanza de Y será aμ + b y su desviación
típica, |a|σ.
6. Cualquier combinación lineal de variables normales
independientes sigue también una distribución Normal. Es decir,
dadas n variables aleatorias independientes con
distribución Xi ~ N(μi, σi) para i = 1, 2, ..., n la combinación
lineal: Y = anXn + an−1Xn−1+ ... + a1X1 + a0 sigue también el
modelo Normal:
5
La distribución de probabilidad de t se publicó por primera vez en 1908
en un artículo de W. S. Gosset. En esa época, Gosset era empleado
de una cervecería irlandesa que desaprobaba la publicación de
investigaciones de sus empleados. Para evadir esta prohibición,
publicó su trabajo en secreto bajo el nombre de "Student". En
consecuencia, la distribución t normalmente se llama distribución t de
Student, o simplemente distribución t. Para derivar la ecuación de esta
distribución, Gosset supone que las muestras se seleccionan de una
población normal. Aunque esto parecería una suposición muy
restrictiva, se puede mostrar que las poblaciones no normales que
poseen distribuciones en forma casi de campana aún proporcionan
valores de t que se aproximan muy de cerca a la distribución t.
Ejemplo:
t0.975=-t0.025 = -2.145
6
Si se observa la tabla, el área sombreada de la curva es de la cola
derecha, es por esto que se tiene que hacer la resta de . La
manera de encontrar el valor de t es buscar el valor de en el
primer renglón de la tabla y luego buscar los grados de libertad en la
primer columna y donde se intercepten y se obtendrá el valor
de t.
tiene una distribución muestral que es una distribución ji-cuadrada con gl=n-
1 grados de libertad y se denota X2 (X es la minúscula de la letra griega ji). El
estadístico ji-cuadrada está dado por:
7
4. Las distribuciones X2 no son simétricas. Tienen colas estrechas que se
extienden a la derecha; esto es, están sesgadas a la derecha.
5. Cuando n>2, la media de una distribución X2 es n-1 y la varianza es 2(n-
1).
6. El valor modal de una distribución X2 se da en el valor (n-3).
La siguiente figura ilustra tres distribuciones X2. Note que el valor modal
aparece en el valor (n-3) = (gl-2).
para x>0
Cálculo de Probabilidad
8
El cálculo de probabilidad en una distribución muestral de varianzas nos sirve
para saber como se va a comportar la varianza o desviación estándar en una
muestra que proviene de una distribución normal.
Ejemplos:
1. Suponga que los tiempos requeridos por un cierto autobús para alcanzar
un de sus destinos en una ciudad grande forman una distribución normal
con una desviación estándar =1 minuto. Si se elige al azar una
muestra de 17 tiempos, encuentre la probabilidad de que la varianza
muestral sea mayor que 2.
Solución:
que y no son iguales. Por otra parte, un valor muy grande o muy
pequeño para s21/s22, proporcionará evidencia de una diferencia en las
varianzas de las poblaciones.
9
La variable aleatoria F se define como el cociente de dos variables aleatorias ji-
cuadrada independiente, cada una dividida entre sus respectivos grados de
libertad. Esto es,
Para
Para
10
parámetros proporcionan una flexibilidad adicional con respecto a la
forma de la distribución.
Como nos podemos imaginar existen varias curvas Fisher, ya que ahora su
forma depende de dos variables que son los grados de libertad.
11
Ejemplos:
=24
Solución:
c. Se tiene que buscar en la tabla un área de 0.05, puesto que nos piden
un área a la derecha de F de 0.95.
12
d. Se busca directamente el área de 0.10, con sus respectivos grados de
libertad.
13