You are on page 1of 12

DISTRIBUCIN DE VARIABLES CONTINUAS

Recordemos que una variable aleatoria X es una funcin que asigna un


nmero real a cada resultado en el espacio muestral de un experimento
aleatorio. El conjunto de los posibles valores de la variable aleatoria X se
denomina rango. Diremos que la variable aleatoria es continua si su rango es
un intervalo (ya sea finito o infinito) de nmeros reales.
Diremos que la funcin f(x) que va del conjunto de valores posibles de la
variable aleatoria X al intervalo [0, 1] es la funcin densidad de
probabilidad para X si y slo si se satisfacen las siguientes propiedades:
f(x) 0 para todo x

f x d x 1

P( a X b ) =

f x d x
a

Obs.: Para una variable aleatoria continua cualquiera X se tiene que


P( a X b ) = P( a < X b ) = P( a X < b ) = P( a < X < b )
Se define la distribucin acumulada F(x) para la variable aleatoria X como
x

F(x) = P(X x) =

f t dt

d
d
F x
f t dt f x
Obs.:
dx
d x

Dagoberto Salgado Horta

Pgina 1

DISTRIBUCIN UNIFORME
Una variable aleatoria X tiene una distribucin uniforme continua, si y slo si
su densidad de probabilidad est por:

1
f ( x)
0

en cualquier otro parte

Se tiene que su media y su varianza son las siguientes:


E(X) = =

y V(X) =2 =

( )2
12

DISTRIBUCIN NORMAL
Sin lugar a dudas, la distribucin ms utilizada para modelar experimentos
aleatorios es la distribucin normal, tambin conocida como distribucin
Gaussiana.
Diremos que la variable aleatoria X con funcin densidad de probabilidad
dada por
f(x) =

x 2
1
exp

2
2 2

tiene distribucin normal con parmetros y ;

donde y 0 . El valor determina el centro de la funcin


mientras que determina la dispersin. La apariencia grfica de la
distribucin normal es una curva simtrica, con respecto al valor , con forma
de campana, que se extiende sin lmite tanto en la direccin positiva como en
la negativa como se muestra en la figura dada a continuacin:

1
2

De la simetra de la funcin se concluye que P X P X . Como la


distribucin normal desempea un papel bsico en la estadstica y su densidad
de probabilidad no puede integrarse de forma directa, se ha tabulado para el
caso especial = 0 y = 1. La distribucin normal con estos valores para
y se conoce como distribucin normal estndar. Para una distribucin
Dagoberto Salgado Horta

Pgina 2

normal con valores y cualesquiera empleamos la siguiente relacin


Z

, que transforma X en una variable aleatoria Z con distribucin

normal estndar; de modo que para determinar las probabilidades asociadas a


una variable aleatoria X cuya distribucin es normal con parmetros y
basta con tener la tabla para la distribucin normal estndar ( = 0 y = 1).
Esta transformacin de la variable se denomina estandarizacin.
Algunas veces, la distribucin normal se presenta como una distribucin
continua que ofrece una muy buena aproximacin a la distribucin binomial
cuando n, el nmero de ensayos, es lo suficientemente grande y la
probabilidad de lograr un xito est cercana a 12 .
A continuacin se muestra una seccin de una tabla de la distribucin
normal estndar:
z
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
... .
..

0.00
0.5000
0.5398
0.5792
0.6179
0.6554
0.6914
0.7257
0.7580

0.01
0.02
0.03 0.04
0.05
0.06
0.07
0.08
0.09
0.5039 0.5079 0.5119 0.5159 0.5199 0.5239 0.5279 0.5318 0.5358

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

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

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

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

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

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

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

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

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

Esta tabla proporciona los valores de rea acumulada bajo la curva normal a
la derecha de la media.

Hay tablas que proporcionan los valores de rea acumulada bajo la curva
normal a la izquierda de la media, otras proporcionan los valores de rea
Dagoberto Salgado Horta

Pgina 3

acumulada de cola derecha, otras los de cola izquierda y otras proporcionan


tanto los valores de rea de cola izquierda como de cola derecha.
La primera columna de esta tabla proporciona el valor z con un decimal; el
segundo decimal se ubica en el rengln superior. As, el rea acumulada bajo
la curva hasta el valor z = 0,7 (P(Z < 0,7)) es el valor que se encuentra en la
interseccin del rengln 9 y la columna 2, que es 0,7580
Las probabilidades que no tengan la forma P(Z < z) se obtienen mediante el
empleo de las reglas bsicas de probabilidad y de la simetra de la distribucin
normal, junto con la tabla.
La calculadora CASIO modelo fx-991MS, contiene un submen, localizado en
el MODO SD, llamado DISTR, que calcula el rea de algunos sectores de la
distribucin normal estandarizada con las siguientes funciones:
P(t) = P(Zt) (distribucin acumulativa)
Q(t) = P(0 Z t)
R(t) = P(Z t)
Es decir,

Ejemplo:
Calcular la probabilidad para Z 0,7
P(0,7) = 0,75804
Calcular la probabilidad para Z comprendido entre -0,5 y 0,7
Q(0,5)+Q(0,7) = 0,19146+0,25804 = 0,4495
Calcular la probabilidad para Z comprendido entre -0,4 e
R(0,4) = 0,65542 o de la otra manera: Q(0,4)+ 0,5 = 0,15542+0,5 = 0,65542
Dagoberto Salgado Horta

Pgina 4

EJERCICIOS:
1.- En cierta ciudad, el nmero de interrupciones del suministro elctrico por
mes se considera una variable aleatoria normal para la cual = 11.6 y = 3.3
Determine la probabilidad de que en un mes cualquiera haya al menos ocho
interrupciones.
Determine la probabilidad de que en un mes cualquiera haya entre tres y siete
interrupciones.
Determine la probabilidad de que en un mes cualquiera haya a lo ms cinco
interrupciones.
Resp. 0.8623

0.0771 0.0228

2.- En un proceso fotogrfico, el tiempo de revelado de las impresiones puede


considerarse una variable aleatoria normal para la cual = 12,9 minutos = 2
minutos.
Determine la probabilidad de que el tiempo de revelado tarde entre 16 y 16.5
minutos
Determine la probabilidad de que el tiempo de revelado se lleve al menos 16.2
minutos
Determine la probabilidad de que el tiempo de revelado se lleve a lo ms
16.35 minutos
Resp. 0.0246 0.0495 0.9577
3.- El volumen de lquido que una mquina deposita en latas de una cierta
bebida gaseosa es una variable aleatoria normal para la cual = 12.4 onzas y
= 0.1 onzas
Determine la probabilidad de que el volumen depositado sea menor a 12 onzas
Dagoberto Salgado Horta

Pgina 5

Si se desechan todas las latas que tienen menos de 12.1 o ms de 12.6 onzas,
cul es la proporcin de latas desechadas?
cmo debe ser ajustado el promedio en este proceso si se quiere que el 99.9
% de todas las latas contenga ms de 12 onzas?
Si la desviacin estndar puede reducirse a 0.05 onzas, cmo debe ser
ajustado el promedio en este proceso si se quiere que el 99.9 % de todas las
latas contenga ms de 12 onzas?
Resp. 3.167*10-5 0.0241 12,31 12,15
4.- La cantidad de caf instantneo que una mquina dispensadora deposita en
vasos de 4 onzas puede considerarse una variable aleatoria con distribucin
normal para la cual = 0.04 onzas. Si slo 2 % de los vasos contienen menos
de 4 onzas, cul sera el contenido promedio de estos vasos?
Resp. = 4.082
5.- Los alambres que se utilizan en cierta computadora deben tener una
resistencia entre 0.12 y 0.14 ohms. Las resistencias reales de los alambres
producidos por la compaa A siguen una distribucin normal con = 0.13
ohms y = 0.005 ohms
Cul es la probabilidad de que un alambre seleccionado al azar de la
produccin de la compaa A satisfaga las especificaciones?
Si se utilizan cinco de estos alambres en el sistema y se seleccionan de la
compaa A, cul es la probabilidad de que los cinco satisfagan las
especificaciones?
Resp. 0.9544

0.7919

6.- Se procede a detener el funcionamiento de una mquina para repararla si


en una muestra aleatoria de 100 artculos de la produccin diaria se encuentran
por lo menos 15 % de artculos defectuosos. Si se sabe que la mquina
realmente produce 10 % de artculos defectuosos, encuentre la probabilidad de
detener la mquina un da cualquiera.

Dagoberto Salgado Horta

Pgina 6

7.- Una lnea area vende boletos sobre la base que el 5 % de las personas que
hacen reservacin para un vuelo no se presentan. Se sabe que la aerolnea
vendi 160 boletos para un vuelo con slo 155 asientos, cul es la
probabilidad de que haya un asiento disponible para cada persona con
reservacin que se presenta al vuelo?
8.- La eficiencia de cierto tipo de reflectores es una variable aleatoria normal
para la cual = 9.5 y
= 0.5, segn las especificaciones del productor. Los requerimientos de un
estacionamiento en el que deben instalarse nueve de estos reflectores exigen
que la eficiencia media de los mismos sea mayor a 10, cul es la probabilidad
de que se cumplan los requerimientos del estacionamiento?

OTRAS VARIABLES ALEATORIAS CONTINUAS IMPORTANTES


Existen tres modelos probabilsticos continuos que utilizaremos, stos son:
a) t de Student
b) Chi cuadrado
c) F de Fisher
a) Modelo t de Student
Diremos que una variable aleatoria continua tiene una distribucin t de
Student con m grados de libertad si su funcin de densidad est dada por:
m 1
)
1
1
2
f ( x)
m 1
m
m
x2
( )
(1 ) 2
2
m
(

Anotaremos
X tm
Algunas propiedades de una v.a. X que sigue una distribucin t de Student con
m grados de libertad son:
Dagoberto Salgado Horta

Pgina 7

a) E(X) = 0
b) V(X) = m/(m-2)
c) La distribucin es simtrica, es decir
P( X < - to ) = P( X > to )

to |R

Por la complejidad de la funcin de densidad de la distribucin de Student, sus


percentiles se encuentran tabulados
Notacin:
tm , (1-) = percentil (1- ) de la distribucin t de Student con m grados de
libertad
Por ejemplo:
t5; 0 ,8 0,92

Es el valor de la distribucin t Student con 5 g.l. tal que el 80% de los valores
son menores a 0,92 y el 20% restante superiores a 0,92 ( percentil 0,8 de la t
con 5 g.l.)

b) Modelo chi cuadrado


Diremos que una variable aleatoria continua sigue una distribucin chi
cuadrado con m grados de libertad si su funcin de densidad est dada por:
f ( x)

1
x m / 21e x / 2
( m / 2) 2 m / 2

Anotamos
X m2
Observacin:
a) E(X)=m
Dagoberto Salgado Horta

Pgina 8

b) V(X)=2m
Al igual que la variable anterior tambin se encuentra tabulada ( explicacin
del uso de la tabla en clase)

Notacin
2m ,(1-) = percentil (1- ) de la distribucin chi cuadrado con m grados de
libertad
Por ejemplo :
26 , 0.75 es un valor que deja por bajo al 75% de los casos y por sobre l al
25% de los casos ( percentil 0,75 de la distribucin chi cuadrado con 6 grados
de libertad)

c) Distribucin F de Fisher
Finalmente diremos que la variable aleatoria X sigue una distribucin F de
Fisher con m grados de libertad en el numerador y k grados de libertad en el
denominador si su funcin de densidad est dada por:
mk
)
m
x ( m 2) / 2
2
f ( x)
( )m / 2
m
( m / 2) ( k / 2) k
(1 ( ) x) ( m k ) / 2
k
(

Anotamos
X Fm,k
Observacin:

Dagoberto Salgado Horta

Pgina 9

Los percentiles de esta distribucin se encuentran tabulados y su notacin es la


siguiente:
Fm, k, (1-) es el percentil (1-) de la distribucin F de Fisher con m y k grados
de libertad.
Por ejemplo:
F4;8; 0.95 3,84

es el valor de la distribucin F con 4 g.l. en el numerador y 8 g.l. en el


denominador que acumula hasta l un 95% de los casos y posterior a el hay
un 5% de los casos.
Propiedad:
Fk ;m ;

1
Fm ,k ,(1 )

Por ejemplo:
F8; 4;0.05

1
F4;8;0.95

1
0,26
3,84

Teoremas importantes
Los teoremas que se presentan a continuacin (*) nos permitirn la
justificacin en la construccin de diferentes intervalos de confianza.

Teorema 1:
Si X N( , 2) y Y = ( X- )2 / 2

entonces

Y 12
Dagoberto Salgado Horta

Pgina 10

Dem: Por teorema de transformacin de variables


Teorema 2:
Si Y1 k2 y Y2 v2 variables aleatorias independientes entonces
(Y1 + Y2 ) 2k+v

(*)Teorema 3:
Si X1, X2,, Xn son v.a.i.i.d. N( , 2) entonces
(n-1)S2n-1 / 2 2(n-1)
donde S2n-1= ni=1 (xi - x )2 / (n-1)
Teorema 4:
Si X N(0,1) e Y v2 son v.a. independiente y T =

X
Y

entonces T tv
(*)Teorema 5:
X

Si X1, X2,, Xn son v.a.i.i.d. N( , 2) y T = S n 1

Entonces T t(n-1)
Dem: (aplicacin teorema anterior)

Teorema 6:

Dagoberto Salgado Horta

Pgina 11

Si X v2 e Y k2 son v.a. independientes y F =

X
v
Y
k

entonces F Fv,k
(*)Teorema 7:
Si X1, X2,, Xn es una m.a. N(1 , 12) y Y1, Y2,, Ym es una m.a.
S n 1

N(2 , 22) independientes y si F = S


Entonces

m 1

1
2

F F(n-1),(m-1)

Dagoberto Salgado Horta

Pgina 12