You are on page 1of 29

Estad´ıstica

Tema 3: C´alculo de Probabilidades
Unidad 4: Algunas Distribuciones Notables
de Variables Aleatorias
´
Area
de Estad´ıstica e Investigaci´on Operativa
Licesio J. Rodr´ıguez-Arag´on
Noviembre 2010

Contenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Variables Aleatorias Discretas
Distribuci´
on Uniforme . . . . . . .
Distribuci´
on de Bernoulli . . . . .
Distribuci´
on Binomial . . . . . . .
Distribuci´
on Binomial con R . . .
Distribuci´
on de Poisson . . . . . .
Distribuci´
on de Poisson con R. .

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

Variables Aleatorias Continuas
Distribuci´
on Uniforme . . . . . . . . .
Distribuci´
on de Uniforme con R . .
Distribuci´
on Exponencial . . . . . . .
Distribuci´
on de Exponencial con R
Distribuci´
on Normal. . . . . . . . . . .
Distribuci´
on Normal con R . . . . . .
Distribuci´
on Normal Est´
andar. . . .
Teorema Central del L´ımite . . . . .
Aproximaciones por la Normal . . .
Distribuci´
on χ2n de Pearson . . . . . .
Distribuci´
on tn de Student . . . . . .
Distribuci´
on Fm,n de Snedecor . . .

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.

1

.
.
.
.
.

3
4
5
6
8
9
11
12
13
14
15
16
17
18
19
23
24
26
30
34

Contenidos 

Variables Aleatorias Discretas.
– Uniforme, Bernoulli, Binomial, Poisson. 

Variables Aleatorias Continuas.
– Uniforme, Exponencial, Normal, aproximaciones por la Normal, χ2 de Pearson, t de

Student y F de Snedecor.
Presentamos en este tema algunas Distribuciones de Variables Aleatorias, primero
discretas y luego cont´ınuas, a continuaci´
on presentaremos su Esperanza y Varianza.

Licesio J. Rodr´ıguez-Arag´
on

Tema 3, Unidad 4 – 2 / 37

3 / 37

Variables Aleatorias Discretas
Distribuci´
on Uniforme

Sea X una variable aleatoria que toma valores x1 , x2 , . . . , xk con igual probabilidad, entonces la
Funci´
on de Probabilidad de esta Variable Aleatoria Uniforme viene dada por,
f (x; k) = 1/k

para x = x1 , x2 , . . . , xk ,

siendo k un par´
ametro de la distribuci´
on de probabilidad.
Su Esperanza y Varianza vienen dadas por las expresiones:
E(X) = µ =

k
X

xi f (xi ) =

i=1

Var(X) = σ 2 =

i=1

k
X
(xi − µ)2
i=1

k
X
xi

k

Licesio J. Rodr´ıguez-Arag´
on

=

k
X
x2
i

i=1

k

k

.
k
X
xi
i=1

k

!2

Tema 3, Unidad 4 – 4 / 37

2

para x = 0. todo experimento aleatorio en el que s´ olo son posibles dos resultados. La Funci´ on de Probabilidad de la Variable Aleatoria X vendr´ a dada por.Distribuci´ on de Bernoulli Daniel Bernoulli (1700-1782). f (x. Definamos X como la variable aleatoria que toma el valor 1 con probabilidad p. Licesio J. p) = px · (1 − p)1−x . 1. Rodr´ıguez-Arag´ on Tema 3. Se conoce como prueba de Bernoulli. “´exito” o “fracaso”. Unidad 4 – 5 / 37 3 . Su Esperanza y Varianza vienen dadas por las expresiones: E(X) = 0 · f (0) + 1 · f (1) = 0 · (1 − p) + 1 · p = p. eg. “´exito”. “fracaso”. y 0 con probabilidad 1 − p. Var(X) = E(X 2 ) − E(X)2 = (0 · f (0) + 1 · f (1)) − p2 = p − p2 = p(1 − p).

8 0. .25 1. p = 0. Unidad 4 – 6 / 37 4 .2 0. para x = 0.6 Probabilidad Acumulada 0.0 0.0 Distribución Binomial: n = 10.4 0.15 0.05 0. Con Xi variables aleatorias independientes de Bernoulli. Var(X) = σ 2 = Var(X1 ) + · · · + Var(Xn ) = np(1 − p). 1. E(X) = µ = E(X1 + · · · + Xn ) = E(X1 ) + · · · + E(Xn ) = np.3 0. con probabilidad de “´exito” p para cada uno de ellos.20 0. Distribución Binomial: n = 10. . Definamos la Variable Aleatoria X como el n´ umero de ´exitos en esas n ejecuciones del experimento. La Funci´ on de Probabilidad es la siguiente:   n x f (x.10 Probabilidad 0. n. p = 0. .3. Su Esperanza y Varianza vienen dadas por las expresiones.Distribuci´ on Binomial Supongamos que realizamos n experimentos de Bernoulli. . Rodr´ıguez-Arag´ on Tema 3. 2. n. x siendo n y p par´ ametros de la distribuci´ on de probabilidad. p) = p (1 − p)n−x .00 0. p = 0. Las gr´ aficas de la Funci´ on de Probabilidad y la Funci´ on de Distribuci´ on de una variable aleatoria Binomial. de par´ ametros n = 10.3 0 2 4 6 8 10 0 Número de Exitos 2 4 6 8 10 Número de Exitos Licesio J.

col="gray") Funci´ on de Distribuci´ on: > > > + + > x <. main="Distribuci´ on Binomial: n = 10. ylab="Probabilidad Acumulada". rep(2.6". type="h") points(x.4 0. pch=16) abline(h=0. prob=0.6). ylab="Probabilidad". dbinom(x. size=10.10 Probabilidad 0.00 0. xlab="N´ umero de Exitos".6 0.6)[-length(x)]. main="Distribuci´ on Binomial: n = 10.6 0. type="l") abline(h=0.6. prob=0.0 0. p = 0.2 0. Unidad 4 – 8 / 37 5 . col="gray") Licesio J. Unidad 4 – 7 / 37 Distribuci´ on Binomial con R Funci´ on de Probabilidad: > > + + > > x <. p = 0.05 0.3 0 2 4 6 8 10 0 Número de Exitos 2 4 6 8 10 Número de Exitos Licesio J. Rodr´ıguez-Arag´ on Tema 3.20 1.0:10 plot(x. Distribución Binomial: n = 10. p = 0.rep(x. size=10.8 0. xlab="N´ umero de Exitos". p = 0. size=10. dbinom(x.Distribuci´ on Binomial Variable Aleatoria Binomial de par´ ametros n = 10. p = 0.0:10 x <.3".25 Distribución Binomial: n = 10. prob=0.6). length(x))) plot(x[-1]. Rodr´ıguez-Arag´ on Tema 3.0 0. pbinom(x.15 Probabilidad Acumulada 0.

siendo λ un par´ ametro positivo. Unidad 4 – 9 / 37 6 . . pi <<.0 Distribución Poisson: Media = 3 0 2 4 6 8 10 0 x 2 4 6 8 10 x λ=3 Licesio J. . 2.15 0.8 0. Rodr´ıguez-Arag´ on Tema 3. Una Variable Aleatoria discreta X se dice que es una variable de Poisson si su funci´ on de probabilidad es de la forma: f (x.05 Probabilidad 0.10 0.6 Probabilidad Acumulada 0. para x = 0. x! (x − 1)! x=0 x=0 Var(X) = σ 2 = E(X 2 ) − E(X)2 = E(X(X − 1)) + µ − µ2 = µ = λ.Distribuci´ on de Poisson Sim´eon Denis Poisson (1781-1840). Funci´ on de Probabilidad y de Distribuci´ on. Distribución Poisson: Media = 3 0. Usualmente para sucesos “raros”. λ) = λx e−λ x! .00 0.  El n´ umero de servidores web accedidos por minuto.  El n´ umero de veh´ıculos que pasan a trav´es de un cierto punto en una ruta durante un periodo definido de tiempo.  El n´ umero de errores de ortograf´ıa que uno comete al escribir una u ´ nica p´ agina.2 0. 1. La distribuci´ on de Poisson se presenta en experimentos en los que se estudia la ocurrencia de sucesos en un intervalo de tiempo dado. . E(X) = µ = ∞ X xf (x) = x=0 ∞ ∞ X X λx e−λ λx−1 x = λe−λ = λ. Su Esperanza y Varianza vienen dadas por las expresiones. .  El n´ umero de llamadas telef´ onicas en una central telef´ onica por minuto.  El n´ umero de mutaciones de determinada cadena de ADN despu´es de cierta cantidad de radiaci´ on.20 1.4 0.

15 1. p) = p (1 − p)n−x → f (x. λ) = x x! Para un proceso de Poisson.1 y np = λ < 5 Distribución Poisson: Media = 3 Probabilidad 0.10 0. p = 0.20 0. Unidad 4 – 10 / 37 7 . Licesio J.00 0.0 0.2 0.10 0.Distribuci´ on de Poisson Funci´ on de Probabilidad y de Distribuci´ on.4 0. Rodr´ıguez-Arag´ on Tema 3.8 0.10 0.1 0 2 4 6 8 10 0 Número de Exitos 2 4 6 8 10 x   n x λx e−λ f (x.20 Distribución Binomial: n = 30.15 0.6 0.00 0.05 Probabilidad 0.05 Probabilidad Probabilidad Acumulada 0. n. la probabilidad de obtener exactamente x ´exitos en n intentos viene dada por el l´ımite de la distribuci´ on binomial.00 0. Distribución Poisson: Media = 6 0.0 Distribución Poisson: Media = 6 0 5 10 15 0 5 10 x 15 x λ=6 La distribuci´ on de Poisson aproxima de forma muy acertada a la distribuci´ on Binomial cuando n > 25 y p < .05 0.15 0.

ylab="Probabilidad Acumulada". lambda=6). dpois(x. xlab="x".Distribuci´ on de Poisson con R Funci´ on de Probabilidad: > > + > > x <. ppois(x. length(. col="gray") Funci´ on de Distribuci´ on: > > > + + > x <.0:15 plot(x. col="gray") Licesio J. xlab="x". rep(2. Rodr´ıguez-Arag´ on Tema 3. type="l") abline(h=0.rep(x. type="h") points(x. main="Distribuci´ on Poisson: Media = 6".x))) plot(x[-1]. main="Distribuci´ on Poisson: Media = 6".x)]. lambda=6)[-length(. pch=16) abline(h=0.0:15 x <. Unidad 4 – 11 / 37 8 . lambda=6). dpois(x. ylab="Probabilidad".

Rodr´ıguez-Arag´ on Tema 3. para a < x < b si x ≥ b.0 1. b) si su Funci´ on de Densidad es constante.0 0. es decir:  1  b−a para a < x < b f (x) =  0 en el resto.8 1. viene dada por: F (x) = x Z f (t)dt = −∞   0 x−a b−a  1 si x ≤ a.6 0.0 0. Una Variable Aleatoria ser´ a Uniforme en el intervalo (a. max=1 1.4 Densidad 0.0 Distribución Uniforme: mín=0. 2 (x − µ)2 f (x)dx = E(X 2 ) − E(X)2 = (b − a)2 .5 −0.5 x 0.5 x Licesio J.5 1.0 0. 0. Siendo a y b los par´ ametros de la distribuci´ on.2 0.0 Uniform Distribution: min=0. 12 Las gr´ aficas de la Funci´ on de Densidad y de la Funci´ on de Distribuci´ on para una Variable Aleatoria Uniforme en (0.5 0.5 1. Unidad 4 – 13 / 37 9 . Su Funci´ on de Distribuci´ on.0 1.12 / 37 Variables Aleatorias Continuas Distribuci´ on Uniforme Cuando el valor de la variable aleatoria se mide y no se cuenta. entramos dentro del concepto de variable aleatoria continua.8 0.6 Probabilidad Acumulada 0. 1).4 0. máx=1 −0. Su Esperanza y Varianza vienen dadas por las expresiones: E(X) = Var(X) = Z ∞ −∞ Z ∞ xf (x)dx = −∞ Z b xf (x)dx = a a+b .0 0.2 0.

5. 1. length=100) > plot(x.seq(-. + main="Distribuci´ on Uniforme: m´ ın=0. + main="Uniform Distribution: min=0. m´ ax=1". Rodr´ıguez-Arag´ on Tema 3.Distribuci´ on de Uniforme con R Funci´ on de Densidad: > x <. col="gray") Funci´ on de Distribuci´ on: > x <.5. min=0. punif(x.seq(-0. dunif(x.5. ylab="Densidad".5. col="gray") Licesio J. Unidad 4 – 14 / 37 10 . min=0. xlab="x". xlab="x". + ylab="Probabilidad Acumulada". max=1). max=1". 1. length=100) > plot(x. type="l") > abline(h=0. type="l") > abline(h=0. max=1).

para x ≥ 0 Su Esperanza y Varianza vienen dadas por las expresiones.5 x La distribuci´on Exponencial modeliza el tiempo transcurrido entre dos sucesos “raros” consecutivos modelizados por la distribuci´ on de Poisson. Rodr´ıguez-Arag´ on Tema 3.Distribuci´ on Exponencial Una Variable Aleatoria X sigue una distribuci´ on Exponencial si su Funci´ on de Densidad viene dada por. La representac´ on gr´ afica de las Funciones de Densidad y de Distribuci´ on para una Variable aleatoria que siga una distribuci´ on Exponencial de par´ ametro λ = 5.0 1 0.8 5 1. λ 0 Var(X) = σ 2 = E(X 2 ) − E(X)2 = 1/λ2 .2 2 Densidad 3 Probabilidad Acumulada 4 0. Su funci´ on de Distribuci´ on ser´ a.0 1.5 1.0 1.0 0.0 Distribución Exponencial: λ = 5 0.  −λx para x ≥ 0 y λ > 0  λe f (x. Distribución Exponencial: λ = 5 0 0.5 1.0 x 0. Unidad 4 – 15 / 37 11 .6 0. F (x) = Z x f (t)dt = 0  0 1 − e−λx si x ≤ 0. Licesio J.5 0.4 0. Z ∞ 1 E(X) = µ = xf (x)dx = . λ) =  0 en el resto.

ylab="Densidad". Rodr´ıguez-Arag´ on Tema 3. + type="l") > abline(h=0.Distribuci´ on de Exponencial con R Funci´ on de Densidad: > x <. + ylab="Probabilidad Acumulada". col="gray") Licesio J.lambda. + main=expression(paste("Distribuci´ on Exponencial: ". dexp(x." = 5")). + type="l") > abline(h=0. rate=5). xlab="x".52.seq(0. + main=expression(paste("Distribuci´ on Exponencial: ". length=100) > plot(x. rate=5). pexp(x. xlab="x".lambda. col="gray") Funci´ on de Distribuci´ on: > x <." = 5")). 1. 1. length=100) > plot(x.seq(0. Unidad 4 – 16 / 37 12 .52.

1.2 Densidad 0.Distribuci´ on Normal Johann Carl Friedrich Gauss (1777-1855). Unidad 4 – 17 / 37 13 . La Distribuci´ on Normal es clave en multitud de fen´ omenos naturales.5 0.0 0.3 0. Una variable aleatoria X. Distribución Normal: µ = 0 .8 Distribución Normal: µ =−1. se dice que sigue una distribuci´ on Normal si su Funci´ on de Densidad es de la forma.5 0.5. 1.0 0.1 0. Rodr´ıguez-Arag´ on Tema 3. Representaci´on gr´ afica de las funciones de densidad de diferentes N (µ. σ). son respectivamente.5 0. σ).6 µ=1 σ = 1. Mientras en otros campos se conoce con el nombre de distribuci´ on Gaussiana o Campana Gaussiana.4 Densidad 0. µ. σ) = √ exp − 2σ 2 σ 2π con −∞ < x < ∞ siendo µ y σ par´ ametros de la distribuci´ on. 0. dv = ze−z /2 dz  h Z ∞ i∞ σ2 −z 2 /2 −z 2 /2 =√ −ze + e dz = σ 2 (0 + 1) = σ 2 −∞ 2π −∞ Licesio J. 1. dx = σdz ∞ z 2 e−z 2 /2 1 =√ 2π Z ∞ (µ + σz)e−z 2 /2 dz = µ −∞ dz = −∞ 2 u = z. que siguen una distribuci´ on Normal. σ = 0. f (x. En estad´ıstica esta distribuci´ on se conoce como la “distribuci´ on normal”. 1 E(X) = xf (x)dx = √ σ 2π −∞ Z ∞ σ2 Var(X) = E((X − µ)2 ) = √ 2π Z Z ∞  xe − (x−µ) 2 2σ 2  dx = −∞ z = (x − µ)/σ.4 0.   (x − µ)2 1 . Sobre todo destacar la distribuci´ on de errores de medida.2 σ=1 −3 −2 −1 0 1 2 3 −3 −2 −1 0 x 1 2 3 x La Esperanza y la Varianza de una variable aleatoria X de distribuci´ on N (µ. σ =1 µ = −1 µ=0 σ = 0.

". " = 0 . dnorm(x. " = 0 . mean=0. col="gray") Licesio J. + type="l") > abline(h=0. sd=1).291. " = 1")). 3.col="blue". sigma. col="gray") Funci´ on de Distribuci´ on: > x <.xlab="x".291. " = 1")).291. Rodr´ıguez-Arag´ on Tema 3.seq(-3. ylab="Probabilidad Acumulada". + main=expression(paste("Distribuci´ on Normal: ". ylab="Densidad". mu. mean=0.291.Distribuci´ on Normal con R Funci´ on de Densidad: > x <.seq(-3. length=100) > plot(x. Unidad 4 – 18 / 37 14 . pnorm(x. ". mu. sigma.col="blue". length=100) > plot(x.xlab="x". 3. sd=1). + type="l") > abline(h=0. + main=expression(paste("Distribuci´ on Normal: ".

0 Distribución Normal: µ = 0. P(a < X < b) = Φ(b) − Φ(a).0 0. Licesio J. Unidad 4 – 19 / 37 15 . 1).Distribuci´ on Normal Est´ andar La funci´ on de Distribuci´ on de una N (µ. De esta forma si X sigue una distribuci´ on N (0. 2σ 2 −∞ La transformaci´ on Z = (X − µ)/σ nos proporciona valores de una distribuci´ on normal de media cero y varianza uno. La “distribuci´ on normal estandar” se obtiene al tomar una distribuci´ on normal con par´ ametros µ = 0 y σ 2 = 1. 1 F (x) = √ σ 2π Z x   (t − µ)2 exp − dt. debemos acudir a integraci´ on num´erica. N (0. 1). Rodr´ıguez-Arag´ on Tema 3.8 1.6 0. para el c´ alculo de P(a < X < b) podemos hacer uso de las tablas. σ). σ = 1 −3 −2 −1 0 1 2 3 x Definimos entonces la Funci´ on de Distribuci´ on de la Normal Estandarizada o Tipificada. 0. esta funci´ on Φ se encuentra recogida en las Tablas de la Normal Tipificada.  2 Z z 1 t Φ(z) = √ exp − dt 2 2π −∞ Esta integral no puede calcularse por m´etodos ordinarios.4 0.2 Probabilidad Acumulada 0.

1). Rodr´ıguez-Arag´ on Tema 3. Unidad 4 – 20 / 37 16 .4 Φ(2) −3 −2 −1 0 1 2 3 −3 −2 −1 0 x 1 2 3 x 0.Distribuci´ on Normal Est´ andar X ≡ N (0.2 Density 0.3 0.1 0. P(1 < X < 2) = Φ(2) − Φ(1) 0.4 Φ(1) 0.2 0.2 0.3 0.4 Φ(2)−Φ(1) −3 −2 −1 0 1 2 3 x P(1 < X < 2) = Φ(2) − Φ(1) Licesio J.0 0.0 0.3 0.1 Densidad 0.1 Density 0.0 0.

N (µ. es decir: P(a < X < b) = P((a − µ)/σ < Z < (b − µ)/σ) = = Φ((b − µ)/σ) − Φ((a − µ)/σ). Una conclusi´ on de la definici´ on de Φ es que. la P(a < X < b) puede calcularse realizando la transformaci´ on. esta relaci´ on es muy u ´ til ya que en la mayor´ıa de las tablas. Unidad 4 – 21 / 37 17 . Φ(−x) = 1 − Φ(x). Φ s´ olo aparece tabulada para valores positivos de x. Z = (X − µ)/σ. σ). Rodr´ıguez-Arag´ on Tema 3. Licesio J.Distribuci´ on Normal Est´ andar Si X sigue una distribuci´ on Normal cualquiera.

para X ≡ N (µ. . Unidad 4 – 22 / 37 Teorema Central del L´ımite • Si X1 . Xn son n variables aleatorias independientes y X = k1 · X1 + k2 · X2 + · · · + kn · Xn . . P(µ − kσ < X < µ + kσ).6826895 Licesio J. Rodr´ıguez-Arag´ on Tema 3. . • Si lasP v. . P(µ − σ < X < µ + σ) = 2Φ(1) − 1 = 0.9973002 > 2*pnorm(1. X2 . entonces X es otra v. .mean=0. Unidad 4 – 23 / 37 18 . P(µ − kσ < X < µ + kσ) = P(−k < (X − µ)/σ < k) = = Φ(k) − Φ(−k) = 2Φ(k) − 1. Licesio J.9544997 P(µ − 3σ < X < µ + 3σ) = 2Φ(3) − 1 = 0. . tambi´en lo ser´ a X.6826895 P(µ − 2σ < X < µ + 2σ) = 2Φ(2) − 1 = 0. σ).Distribuci´ on Normal Est´ andar Vamos ahora a calcular. Rodr´ıguez-Arag´ on Tema 3. de media y varianza: X X E(X) = ki E(Xi ) Var(X) = ki2 Var(Xi ) i i Si las Xi son normales. es la media muestral: E(X) = 1X E(Xi ) = µ n Var(X) = i 1 X nσ 2 σ2 Var(X ) = = i n2 n2 n i Adem´ as se tendr´ a que X ≡ N (µ. Xn . . X1 . n > 30. constituyen una muestra de una poblaci´ on de media µ y varianza σ 2 y 1 X=n Xi .a. .a. σ 2 /n). que no depende ni de µ ni de σ.sd=1)-1 [1] 0.

entonces si n es grande y ni p ni 1 − p son pr´ oximos a cero: podemos considerar que X sigue aproximadamente una distribuci´ on N (µ = n · p. Z=p X −n·p n · p · (1 − p) ≡ N (0.02 0. σ 2 = λ). σ = 4.02 0. 1). σ = 6 0.08 Distribución Binomial: n = 100.06 0.08 0.01 0. Unidad 4 – 24 / 37 19 .00 0.Aproximaciones por la Normal Si X es una variable Binomial.06 0.04 Densidad 0.01 0.04 0.4 25 30 35 40 45 50 55 25 30 35 Número de Exitos 40 45 50 55 x Si X es una distribuci´ on de Poisson de par´ ametro λ grande. Z= X −λ √ ≡ N (0. σ 2 = n · p · (1 − p)).05 0.00 0.06 0.03 0.00 0. Distribución Normal: µ = 40.05 0.03 0. 1). Rodr´ıguez-Arag´ on Tema 3.00 0.06 Distribución de Poisson: λ = 36 20 30 40 50 20 x 30 40 50 x Licesio J.02 Probabilidad 0. λ Distribución Normal: µ = 36. en la pr´ actica se puede considerar que X sigue una distribuci´ on N (µ = λ.04 0. p = 0. λ > 25.8989 0.02 Probabilidad 0.04 Densidad 0. de par´ ametros n y p.

sd=sqrt(40)).seq(18. dnorm(x.4). Rodr´ıguez-Arag´ on Tema 3.seq(24. 57. length=100) plot(x. sd=sqrt(24)). " = 6. xlab="x". Unidad 4 – 25 / 37 20 . dpois(x. " = 4.Aproximaciones por la Normal con R Aproximaci´ on de la Binomial por la Normal: > > + + > > x <. ". mu.18:57 points(x. prob=0. pch=16) Aproximaci´ on de la distribuci´ on de Poisson por la Normal: > > + + > > x <. xlab="x". col="red".32")). sigma. length=100) plot(x. pch=16) Licesio J.89")). main=expression(paste("Distribuci´ on Normal: ". lambda=40). " = 40. " = 40.24:56 points(x. ". ylab="Densidad". sigma. dnorm(x. size=100. mu. dbinom(x. type="l") x <. mean=40. col="blue". mean=40. type="l") x <. 56. main=expression(paste("Distribuci´ on Normal: ". ylab="Densidad".

La Esperanza y E(X) = µ = n Var(X) = σ 2 = 2n 1. se dice que es una χ2n . . Unidad 4 – 26 / 37 21 .0 Distribución χ2 : n = 1.4. .2. n variables aleatorias independientes entre s´ı. Sean X1 .5 0.0 0. son respectivamente. . . X2 .4 Densidad 0. La funci´ on de densidad de una variable aleatoria χ2n es:  n/2−1 −x/2 x e  si x > 0  2n/2 ·Γ(n/2) f (x. n) =   0 en el resto. La variable: X = X12 + X22 + · · · + Xn2 . Rodr´ıguez-Arag´ on Tema 3. 1).8 n=1 n=2 n=3 n=4 0. Xn . Varianza de la distribuci´ on χ2n . ji-cuadrado de Pearson con n grados de libertad.2 n=5 0 2 4 6 8 10 12 χ2 Licesio J.Distribuci´ on χ2n de Pearson Karl Pearson (1857-1936). R∞ Siendo Γ la funci´ on gamma definida: Γ(α) = 0 xα−1 e−x dx para α > 0.6 0. del tipo N (0.3.

. > qchisq(0. P(X < a) = p = 0 El c´ alculo de esta integral se encuentra en la Tabla de distribuci´ on χ2n de Pearson. Z a f (x. dada una variable aleatoria X ≡ χ2n . La Funci´ on de Distribuci´ on F (x) nos permite saber.95.Distribuci´ on χ2n de Pearson Propiedad: La suma de χ2n1 . Unidad 4 – 27 / 37 22 .814728 Licesio J. Rodr´ıguez-Arag´ on Tema 3. . . χ2n2 . es otra χ2n siendo n = n1 + n2 + . independientes. . n)dx.df=3) [1] 7. . . .

col="green") text(3. Unidad 4 – 29 / 37 23 .col="pink") text(5. Unidad 4 – 28 / 37 χ2n de Pearson con R Distribuci´ on χ2n de Pearson: > > + > > > > > > > > > > > x <. type="l") abline(h=0.col="green") lines(x.seq(0.col="red") text(4."n = 4".31. 0. df=1).28. Rodr´ıguez-Arag´ on Tema 3."n = 5".5")). df=5).34."n = 3".3.2."n = 2". dchisq(x. dchisq(x..116. xlab=expression(chi^2).col="pink") Licesio J.4.1. dchisq(x. col="gray") text(1. dchisq(x. ylab="Densidad".col="blue") lines(x..00 0.10 Densidad 0. df=3).15 0. dchisq(x.Distribuci´ on χ2n de Pearson M´ as en concreto la Funci´ on de Distribuci´ on Inversa: para distintos valores de n y de p se puede buscar en la tabla su cuantil a... length=100) plot(x."n = 1".25.col="red") lines(x. col="gray") abline(v=0. main=expression(paste("Distribuci´ on ". P(X<a)=p=F(a) 0. chi^2." : n = 1. 12.col="black") lines(x. df=2).col="blue") text(2.25 χ2 n=3. df=4).20 0. Rodr´ıguez-Arag´ on Tema 3.05 p a 0 2 4 6 8 10 x Licesio J.

1 Densidad 0.3. se denomina tn de Student con n grados de libertad. α2 > 0. Rodr´ıguez-Arag´ on Tema 3.1) n=1 n=2 0. para n > 1. 1 )·Γ(α2 ) Siendo β la funci´ on beta definida: β(α1 . son: E(X) = µ = 0. La Esperanza y Varianza de la distribuci´ on tn . n−2 0. indefinida para otros valores. Var(X) = σ 2 = n . n ) 1 + xn 2 2 f (x. Sea Z una variable aleatoria N (0. 1) e Y una χ2n ambas independientes. entonces la variable aleatoria. La funci´ on de densidad de una variable aleatoria tn es:    2 −(n+1)/2   √nβ(11 . Unidad 4 – 30 / 37 24 .0 0. α2 ) = Γ(α Γ(α1 +α2 ) para α1 .Distribuci´ on tn de Student William Sealy Gosset (1876-1937). para n > 2.2. n) =   0 para − ∞ < x < ∞ yn>0 en el resto. X=p Z Y /n . indefinida para otros valores.4 N(0.4 Distribución t Student : n = 1.2 n=4 0.3 n=3 −3 −2 −1 0 1 2 3 x Licesio J.

Unidad 4 – 31 / 37 25 .df=5) [1] 2. > qt(0. tn −→ N (0. 1). La Funci´ on de Distribuci´ on F (x) nos permite saber. P(X < a) = p = −∞ El c´ alculo de esta integral se encuentra en la Tabla de distribuci´ on tn de Student. Z a f (x.Distribuci´ on tn de Student Propiedad: A medida que aumenta n. n)dx. dada una variable aleatoria X ≡ tn . Rodr´ıguez-Arag´ on Tema 3.975.570582 Licesio J.

1)".col="green") text(2.36..2. type="l") abline(h=0... Unidad 4 – 32 / 37 tn de Student con R Distribuci´ on tn de Student: > > + > > > > > > > > > > x <.col="green") lines(.col="red") lines(. Rodr´ıguez-Arag´ on Tema 3.col="pink") text(2."n = 3"."n = 2"..2 0.col="blue") text(2.col="blue") lines(."n = 4". df=2). dt(x. df=4). 0..Distribuci´ on tn de Student M´ as en concreto la Funci´ on de Distribuci´ on Inversa: para distintos valores de n y de p se puede buscar en la tabla su cuantil a."N(0. df=1).32. 3. dt(x. sd=1).col="red") text(2.col="black") lines(.3 t n=3. dnorm(x. main="Distribuci´ on t Student : n = 1.4". P(X<a)=p=F(a) 0. dt(x. col="gray") text(2.x.x.291.x..3.1 Densidad 0. Rodr´ıguez-Arag´ on Tema 3. length=100) plot(x."n = 1".seq(-3.38. dt(x.30. mean=0.col="pink") Licesio J. Unidad 4 – 33 / 37 26 . ylab="Densidad". df=3).x.291. xlab="x".0 p a −4 −2 0 2 4 x Licesio J.34.

n=1 0 2 4 6 8 f Licesio J. para n > 2. indefinida para otros valores. La funci´ on de densidad viene dada por la expresi´ on.5 m=5. m(n − 2)2 (n − 4) 2. V /n se dice que es una variable Fm. n=2 1. la variable X. m. n=1 m=2.0 Distribución F: m. para n > 4.0 0. X= U/m .n de Snedecor George Waddel Snedecor (1881-1974).n) 2 2 · xm/2−1 (m+n)/2 m 1+ ( n x) 0 para x > 0 y m.n de Snedecor con m y n grados de libertad. n−2 2n2 (m + n − 2) .5 Densidad m=100.0 m=100. en el numerador y denominador respectivamente. Sean U y V dos variables independientes distribuidas seg´ un leyes ji-cuadrado de m y n grados de libertad respectivamente. La Esperanza y la Varianza de una distribuci´ on Fm. Unidad 4 – 34 / 37 27 . n=1 1. indefinida para otros valores.n son: E(X) = µ = Var(X) = σ 2 = n .n m=1. f (x. n > 0 en el resto. n=100 0. Rodr´ıguez-Arag´ on Tema 3.Distribuci´ on Fm. n) =      (m/n)m/2 β( m .

df2=4) [1] 6.591382 Licesio J. P(X < a) = p = 0 El c´ alculo de esta integral se encuentra en la Tabla de distribuci´ on Fm.n . m.n de Snedecor.df1=3. Unidad 4 – 35 / 37 28 .n de Snedecor Propiedad: Si X ≡ Fm. n)dx. dada una variable aleatoria X ≡ Fm. Z a f (x. La Funci´ on de Distribuc´ on F (x) nos permite saber.n entonces 1 X ≡ Fn.m .Distribuci´ on Fm. > qf(0.95. Rodr´ıguez-Arag´ on Tema 3.

x.n de Snedecor M´ as en concreto la Funci´ on de Distribuci´ on Inversa: para distintos valores de m. df2=1). 0. df(x. n=100". col="gray") text(6. df(x.col="black") lines(.2 Densidad 0. n=2". Rodr´ıguez-Arag´ on Tema 3. n=1". n y de p se puede buscar en la tabla su cuantil a. df1=2.col="blue") text(6.1 p a 0 1 2 3 4 5 6 x Licesio J. df2=2). df2=1).x.3 0.1. length=400) plot(x. Unidad 4 – 37 / 37 29 ."m=1. df2=1).2. df(x. col="gray") abline(v=0. df(x."m=100. xlab="f"."m=2.n de Snedecor: > > + > > > > > > > > > > > x <. type="l") abline(h=0."m=5. main="Distribuci´ on F: m.seq(0.4. 8. df1=1.n". n=1".1. Unidad 4 – 36 / 37 Fm.col="green") lines(.col="pink") text(6.Distribuci´ on Fm.n de Snedecor con R Distribuci´ on Fm.4 0. Rodr´ıguez-Arag´ on Tema 3. n=1".1. df1=5.n=2.col="pink") Licesio J. P(X<a)=p=F(a) 0.col="green") text(6. df2=100)."m=100. df1=100. ylab="Densidad".x. df(x.8.2.1.x.6.5 F m=5. df1=100.col="blue") lines(.col="red") text(6.col="red") lines(.0 0.