Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
c
c
c ccc
c
c
c
c
c
c c
c
c
c
Durá Peiró y López Cuñat, Fundamentos de Estadística, Ed. Ariel Economía
Canavos, G. C., Probabilidad y Estadística: Aplicaciones y Métodos, Ed.
McGraw-Hill
Mood y Graybill, Introducción a la Teoría de la Estadística, Ed. Aguilar
c
Los modelos de distribución constituyen una parte importante de la Probabilidad,
proporcionando herramientas para analizar las propiedades y características de los
distintos resultados posibles en determinados experimentos, tanto para medir y
acotar sus probabilidades como en el proceso de inferencia de la información
contenida en los datos observados.
En esta última dirección resulta de especial importancia el llamado modelo
de distribución normal, por ser la distribución límite hacia la cual tienden (bajo
condiciones que generalmente se plantean en la vida cotidiana) gran número de
distribuciones de probabilidad.
La distribución Normal fue reconocida por primera vez por De Moivre, si bien fue
posteriormente Gauss quien elaboró desarrollos más profundos y formuló la
ecuación de la curva, de ahí que se le conozca más comúnmente cómo ³ley de
Gauss´ o ³campana de Gauss´.
llamamos variable aleatoria ' a toda aplicación del espacio muestral ù en >
' Èù >
j ' j
!"!#!$"
Llamamos rango de ' , y lo denotamos por ' , al conjunto de valores que
!"!#!$"
Decimos que la variable aleatoria ' es discreta si toma un conjunto finito
U ` Äl Ä 4 o numerable U ` Äl Ä 4 Äl de valores.
!"!#!$"
Decimos que la variable aleatoria ' es continua si toma valores en un conjunto no
numerable (lo más usual un intervalo de > ).
!"!#!$"
Llamamos función de distribución de la variable aleatoria ' a la función
O È> Ä` definida como O ± ' Ä > .
Página 2 de 13
!"!#!$"
Decimos que una variable aleatoria ' es continua si su función de distribución
es una función continua y derivable, con derivada continua salvo a lo sumo en un
conjunto de puntos de medida nula.
%&'!()(*
?ea O la función de distribución de una variable aleatoria continua ',
entonces:
1. O ± Ä O ±`
2. O es monótona no decreciente ya que si ` entonces O ` O
3. O es continua
&%&+)%!&
?i ' es una variable aleatoria continua, entonces ' ± ± Ä > .
Demostración
?ea M y consideremos ' ± . ?i , entonces
b. ' ± ' ± O
c. ' ë ± ' M ± ` O
!"!#!$"
Dada una variable aleatoria continua ', y siendo
Y ±U >
ë OK 4 4 44
, podemos definir una
c&%,)
Las siguientes propiedades caracterizan la función de densidad
1. Î ë Ä >
2.
Î ±`
Página 3 de 13
Demostración
1. Î ë Ä > , pues Î ±
y es monótona creciente
6
2. Puesto que O O ± ` , entonces
Î ± `.
c&%,)
Dado que Î ±
es continua salvo en Y , conjunto de medida nula,
ï O ±
Î
ï O K ± Î
± ' ± Î .
'
?i ' ± > , entonces ' ± Î .
Nota: es posible que la integral impropia no tome un valor finito, en cuyo caso se
dice que no existe la esperanza matemática.
!"!#!$"
Página 4 de 13
?i ' es una variable aleatoria continua y È> > una función real, se define
' ± Î .
'
5. ?i ` Ä > entonces `
!"!#!$"
?e define el momento de orden
de la variable aleatoria ' como
± '
±
Î Ä
ë , y el momento centrado de orden
de la
'
!"!#!$"
?e define la varianza de una variable aleatoria ' como
Nótese que R
± .
c&%,)Propiedades de la Varianza
1. Ô ' ë
2. Ô ' 6 ±
Ô ' , con Ä >
3. ' ± '
'
!"!#!$"
Página 5 de 13
c
!"!#!$"
Decimos que una variable aleatoria ' sigue una distribución Normal de
parámetros Ë > y , y la denotamos por ' È Ä R
, si su función de
` ` Ë
densidad es Î ± Ä > .
c&%,)
` ` Ë
La función Î ± Ä > posee las siguientes
propiedades:
1. Î es simétrica respecto de ± , pues Î ± Î >
`
2. Î alcanza un máximo en ± , y vale Î ±
R
3. Î es creciente para y decreciente para M
4. Los puntos de abscisas Ë y Ë son puntos de inflexión de Î
!"!#!$"
La función de distribución de una variable normal es
` `
Ë
±
Î
±
.
c&%,)
Página 6 de 13
?i ' È Ä R
, entonces ' ± y ' ±R.
Demostración
`
`
A. ' ± ±
R
Î y haciendo
R
± ± R ± R . Como los límites de integración son los
R
R `
R R
mismos ' ±
±
.
R
La primera integral es nula por ser una función impar y los límites de integración
simétricos respecto al origen. La segunda integral es la llamada de las
probabilidades de Gauss, y viene dada por
± . Por tanto ' ±
.
6 6 ` Ë
`
± ' Ë ±
B. Ô ' Ë Î ± Ë
y
tomando ± ± R ± R y teniendo en cuenta que los
R
R
; ;
límites de integración son iguales ' ±
.
Integrando por partes
± y
± ;
, se obtiene Ô ' ± .
c&%,)
Cualquier combinación lineal de variables aleatorias normales e independientes
sigue una distribución normal.
?i ' `Ä ' Ä Ä ' 4 son independientes, ' È Ä R R M ± `Ä Ä Ä4 y
4
dados ` Ä Äl Ä 4 Ä >
± `Ä Ä l Ä 4 , entonces llamando ' ± '
±`
4 4
' È Ä R
±` ±`
c&%,)
'
?i ' È Ä R
entonces ±
R
È Ä` .
Página 7 de 13
Por tanto la función de distribución de cualquier Ä R se puede calcular
' Ë Ë Ë
' ± ±
'
Donde ± È Ä` . Generalmente se denota ± .
R
Esta teorema permite emplear las tablas de la Ä` para obtener la función de
distribución de cualquier distribución normal.
c&%,)
?ea È Ä` , entonces la variable ' ± 6 Ë È Ë Ä .
!"!#!$"
Decimos que una variable aleatoria ' sigue una distribución Normal Estándar o
Tipificada, y la representamos como ' È Ä` , cuando sus parámetros son
`
˱ y
± ` , y su función de densidad es por tanto Î ±
Ä >
.
Esta distribución tiene especial importancia, ya que en ella se basan la mayor parte
de las distribuciones muestrales de los estadísticos utilizados en Inferencia
Estadística, tanto en la estimación por intervalos como en contrastes de hipótesis, o
al menos sus distribuciones asintóticas en virtud a los teoremas de convergencia.
c&%,)
`
La función Î ±
Ä > posee las siguientes propiedades:
1. Î es simétrica respecto de ± , pues Î ± Î >
`
2. Î alcanza un máximo en ± , y vale Î ±
3. Î es creciente para y decreciente para
4. Los puntos de abscisas ` y ` son puntos de inflexión de Î
Página 8 de 13
!"!#!$"
La función de distribución de una variable normal estándar se representa como
`
± Î
±
Ä >
c&%,)
?ea È Ä` con función de distribución . ?i ' È Ë Ä entonces
Ë
a) ' ±
b) ' ±
R
R
c&%,)
?ea ' È Ä` con función de distribución . Entonces
± `
.
Demostración
Puesto que Î ± Î > , entonces
± Î
± Î
± ' M ± ` .
c&%,)
Las rectas ï ± Ä ï ± ` son asíntotas de la función
, pues siempre
nunca ± ni ±`.
c&%,)
?i ' È Ä` entonces ± y Ô ± `.
-
En una repetición de experimentos independientes de Bernoulli con el mismo
parámetro de éxito , cuando 4 suficientemente grande, surge un problema de
Página 9 de 13
manejabilidad y cálculo de su distribución y probabilidades puntuales, e incluso no
resuelve este problema su aproximación al modelo de Poisson.
± ±` ' .
4
con ' È , y la variable aleatoria binomial Entonces
4 `
± ±
.
4 `
4
Es decir, la variable tipificada ± tiene como distribución límite la
normal estándar, y por consiguiente, a partir de cierto 4 la distribución de esta
variable aleatoria se aproxima por la distribución normal estándar, es decir,
ï 4 ï 4
ï ± ù .
4 `
4 `
4 ` M
.
&.) Para una correcta aplicación de esta aproximación de una variable aleatoria
discreta (binomial) por una variable aleatoria continua (normal), se debe
realizar la denominada corrección de continuidad a la hora de calcular las
probabilidades puntuales, ya que en una variable aleatoria discreta la
± ï Ä ï , en cambio cuando la variable es continua la
± ± .
Esta corrección consiste en considerar intervalos de la forma
ï ` 4 ï 6 ` 4
±ï ï ` ï 6 ` ±
4 `
±
4 `
.
ï 6 ` 4 ï ` 4
±
4 ` 4 `
c
c cc
c&%,) Central del Límite (Lindeberg-Lévy)
Página 10 de 13
?ean ' ` Äl Ä ' 4 variables aleatorias independientes e idénticamente distribuidas
con media ± ' y varianza ' ± R , entonces
' Ë
±
.
4
4
R R
normal de parámetros Ä , ' È Ä .
4
4
c
c
/0
c&%,)
Una variable aleatoria se distribuye Chi-Cuadrado con 4 grados de libertad, ' È ! 4
, cuando sigue la misma distribución que la suma de los cuadrados de 4 variables
aleatorias normales estándar e independientes:
4
' ± ' con ' È Ä` e independientes, ± `Ä Ä l Ä 4 .
±`
c&%,)
?i ' ` Ä ' Äl Ä ' 4 son variables independientes tales que
' 4
' È Ä R
Ä ± `Ä Ä l Ä 4 entonces
È 4 .
±`
R
c
. c
c
!"!#!$"
Decimos que una variable aleatoria se distribuye t de ?tudent con 4 grados de
libertad, y lo representamos como ' È 4 , si tiene función de densidad de
4 6`
`
Î ± ` 6 Ä > , donde O representa la función Beta
` 4
4O Ä
4
* ` *
`
de Euler definida por O Ä * ± ` ± Ä Ä * .
6 *
c&%,)
Página 11 de 13
Una variable aleatoria se distribuye t de ?tudent con 4 grados de libertad, ' È 4 ,
si es el cociente entre una variable aleatoria normal estándar y la raíz cuadrada de
una variable Chi-Cuadrado dividida por sus grados de libertad, que son 4 , y siendo
las variables independientes:
' ± con È Ä`Ä È 4 e independientes.
4
c&%,)
?i ' È 4 entonces cuando 4 el modelo t de ?tudent se aproxima al normal
estándar.
c
c&%,)
Decimos que una variable aleatoria se distribuye F de ?nedecor con parámetros _
y 4 , ' È O Ä 4 , si es el cociente entre dos variables aleatorias Chi-Cuadrado
Hemos analizado la Distribución Normal, la más utilizada de las
distribuciones de probabilidad de variable continua .
La importancia de este modelo se debe principalmente a la aplicación
práctica del mismo, ya que proporciona un modelo de distribución al que se
aproximan los modelos de distribución de numerosas variables aleatorias asociadas
a fenómenos naturales, entre los que podemos citar:
- Fenómenos morfológicos de los individuos de cierta población ( peso, altura,«)
- Fenómenos fisiológicos, como el efecto de tratamientos aplicados a
enfermedades de personas, animales y plantas.
- Fenómenos sociológicos, como el impacto de un nuevo producto en el
mercado
- Fenómenos psicológicos, como el coeficiente intelectual
- Errores de medida
Todo ello nos sirve para reafirmar las palabras de Kendall de que la Estadística no
es ³una ciencia vulgar que busca la manera de tratar los datos numéricos´, sino ³la
base del conocimiento cuantitativo´.
Página 12 de 13
Durá Peiró y López Cuñat, Fundamentos de Estadística, Ed. Ariel Economía
Canavos, G. C., Probabilidad y Estadística: Aplicaciones y Métodos, Ed.
McGraw-Hill
Mood y Graybill, Introducción a la Teoría de la Estadística, Ed. Aguilar
Página 13 de 13