You are on page 1of 20

ESTADSTICA

DISTRIBUCIONES CONTINUAS

CAPITULO V
DISTRIBUCIONES CONTINUAS

Estas distribuciones se caracterizan porque trabajan con variables aleatorias


continuas x, es decir x puede tomar valor dentro del conjunto de los nmeros reales
Entre las principales distribuciones continuas tenemos:
1. Distribucin Normal
Se dice que x tiene una distribucin normal si su funcin de densidad esta dada
1 X U


1
f ( x)
e 2
2
x

Donde:
u = Media de la distribucin

= Desviacin estndar de la distribucin


E(x) = u
Notacin:

V(x) = 2

x ~ N(u,2)

Significa que x se distribuye normal mente con media ux y varianza x2

Caractersticas de la Distribucin Normal


1) Su grfica tiene forma acampanada

f( x)

u( x )

2) Es simtrica respecto a la media


3) Los valores de la Media (u) = Mediana (Me) = Moda (Mo) son iguales
4) Es asintota al eje x
PAG N48

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

5) Tiene la propiedad de:


P u - , u + = 0.682 por lo tanto contiene al 68.20% de la
poblacin

6)

P u - 2 , u + 2 = 0.954

P u - 3 , u + 3 = 0.997

f ( x)dx 1

7) Como la distribucin es asimtrica respecto a la media, entonces:


u

f ( x)dx f ( x)dx 0.5


u

8) Propiedad Reproductiva de la Distribucin Normal:

x1 N u1 , 12
x 2 N u 2 , 22

x n N u n , n2

y x1 x 2 x n

luego

n
n

y N u i , i2
i 1
i 1

9) Px = k = 0 ya que:
k

f ( x)dx 0

; x :

v.a continua

debe estar

dentro de un rango

Comparacin de dos distribuciones normales

a)
u1 < u2

12 = 22

u1 u2

u1

Elaborado oor: MERCEDES OSORIO MAZA

u2

PAG N49

ESTADSTICA

DISTRIBUCIONES CONTINUAS

b)
u1 = u2

12<22

1 2

2
u1 u2

Para hallar:

P(a x b) f ( x)dx

1 X U


1
e 2
2

dx

Debido a la dificultad que representa la Distribucin Normal al integrarse ya que los


valores de la u, y varianza cambian de acuerdo a cada variable xi, esto origino la
aparicin de la Distribucin Normal Standard (z), en la que ya existan valores
tabulados. (Tablas).

2. Distribucin Normal Standard(z)


Esta distribucin se origino como una manera de simplificar la integracin de una
variable aleatoria normal xi, mediante la transformacin

xu

Su funcin probabilidad es:


Notacin:
z ~ N(0,1) z se distribuye normalmente con u = 0 2 = 1
b

f ( z)
a

Si

1 Z 2 2
e
dz
2

x N (u, ) P(a x b)
2

PAG N50

1 x u


1
e 2
2

dx

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

Veamos:
Transformando:

xu

dz

Luego:

au

xa z
xb z

dx

bu

b u

P ( a x b)

a u

Z2
1
e 2 dz
2

a u x u bu
P ( a x b) P



bu
a u
P ( a x b)
P
z



Hallando Esperanza E(z) y Varianza V(z)
Como:

x u
x u
E ( z) E
V ( z) V



E ( x) u
1
E ( z)
V ( z ) 2 V x
z

x u

z N (0,1)
Grficamente:

bu
a u
P ( a x b ) P
z

x ~ (u, )

Elaborado oor: MERCEDES OSORIO MAZA

au

z0

z ~ N (0,1)

bu

PAG N51

ESTADSTICA

DISTRIBUCIONES CONTINUAS

1
e
2

1 X U

b u

dx

1 Z 2 2
e
dz
2

a u

Relacin entre la funcin f(x) y f(z)

x N (u, 2 ) y z

x u

N (0,1)

Luego:
P(u - < x < u + ) = P( -1 < z < 1) = 0.68
P(u - 2 < x < u + 2) = P( -2 < z < 2) = 0.95
P(u - 3 < x < u + 3) = P( -3 < z < 3) = 0.99

F( x )

u 2

u 2

F( z )

2 1

0
1
68.2%
95.4%

Uso de tablas
Conocido los valores de u y de una variable aleatoria x ~ N, encontrar las
probabilidades de:

a)

P( x b) 1 P( x b)

b)

x u bu
P ( x b ) P

P z z1


x u bu
P ( x b ) 1 P

1 P( z z1 )

c)

a u x u bu
P(a x b) P

P( z1 z z 2 )

PAG N52

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

Tabla de Distribucin Normal Acumulativa:

P( z z1 )

Z1

1 Z 2 2
e
dz
2

f( z)

z1

Ejemplo:
Hallar:
P(z 1.04) = 0.8508
1.04

P(z -1.04) = 0.1492

1.04

Tabla:
Z
Decimos
-3.4
-3.3
-1.0
0

Centsimos
0.00

0.01

0.02

0.03

.. .. .. ..

1.0
.. .. .. ..
Si x es una variable aleatoria que s N(30,4). Hallar P(26<x<36)

0.04

0.1492

0.8508

Como:
x N(30,4)

Elaborado oor: MERCEDES OSORIO MAZA

u = 30

PAG N53

ESTADSTICA

DISTRIBUCIONES CONTINUAS

2 = 4

=2

26 30 x 30 36 30
P26 x 36 P

2
2
2
P(26 x 36) P(2 z 3) P( z 3) P( z 2)
P(26 x 36) 0.9987 0.0228 0.9759
Grficamente:

f( x)

26 30 36

f( z)

x ~ N (0,1)

Ejemplo 2: Una maquinaria consta de 3 piezas x1, x2, x3. Suponga que cada pieza se
produce en diferentes fabricas y que las longitudes de las piezas, medidas en cm se
distribuyen normalmente del siguiente modo:
x1 N(10,0.05) ; x2 N(12,0.04) ; x3 N(16,0.07)
Se pide:
a) Calcular P(x1 + x2 > 22.25)
b) Calcular que la probabilidad de que la longitudes del brazo este comprendida entre
37.52 y 38.48 cm
c) P( x1 < 10.50 )
Solucin:
a) P(x1 + x2 > 22.257) =

Sea: y = x1 + x2

P(y > 22.25) = 1- P(y 22.25)


E(y) = E(x1 + x2) = E(x1 + x2) = E(x1) + E(x2) = 10 + 12 = 22
V(y) = V(x1 + x2) = 0.05 + 0.04 = 0.09

y E ( y ) 22.25 22
P( y 22.25) 1 P

0.09
V ( y )
P( y 22.25) 1 P( z 0.833) 1 0.7967 0.2033

PAG N54

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

b) y = x1 + x2 + x3

37.52 E ( y ) y E ( y ) 38.48 E ( y )
P(37.52 y 38.48) P

V ( y)
V ( y)
V ( y )

E(y) = E(x1 + x2 + x3) = 10 + 12 + 16 = 38


V(y) = V(x1 + x2 + x3) = 0.05 + 0.04 + 0.07 = 0.16
1.2
1.2



37.52 38
38.48 38
0.76986
P
z
0.16
0.16

x u
0.5
P( z 2.23) 0.9871
P( x1 10.50) P 1

0.05

Ejemplo 3:
Los puntajes finales del curso de matemticas estn distribuidos normalmente con ux =
60 ptos y A2 = 100ptos
a) Si el puntaje mnimo para aprobar es 48. Cul es la probabilidad de desaprobar?
Qu % de alumnos desaprobaron? Asuma que 100 ptos es equivalente a nota 20.
b) Si han de aprobar el 80% de los estudiantes. Cul debe ser el puntaje mnimo
aprobatorio?
Solucin:

x N(60,100)

Sea x: puntajes finales


a)
El 11.51% desaprobaran

x u 48 60
P( x 48) P

P( z 1.2) 0.1151
10

11.51%
b) P(x > x0) = 0.80

f(z)
z ~ N(0.1)
0.5

0.3

x0
Elaborado oor: MERCEDES OSORIO MAZA

0.80
PAG N55

ESTADSTICA

DISTRIBUCIONES CONTINUAS

x 60
x u x0 u

P z 0
0.80

10

P( z z1 ) 1 P( z z1 ) 0.80 P( z z1 ) 0.20
Luego:

z1 = -0.84

Luego:

x0 60
0.84 x0 60 8.4
10
x0 60 8.4 x0 51.6 ptos
El puntaje mnimo aprobatorio ser 51.6 ptos.

Ejemplo 4: Una ciudad es abastecida de agua cada 2 das, el consumo en volumen de


agua para esa ciudad tiene una distribucin normal con media de 20000 lts y desviacin
1000lts. Hallar la capacidad del tanque de agua para que sea solo de 0.01 la
probabilidad que en un periodo de 2 das el agua no sea suficiente para satisfacer la
demanda
Solucin:
Sea

x: consumo de agua
c: capacidad del tanque
x N 20000, (1000)2
P(x>c) = 0.01

x
0.01

Z0

x ux c ux
0.01
P

x
x

x 20000 c 20000
P

0.01
1000
1000

P(z > z0) = 0.01


1 P(z z0) = 0.01

PAG N56

P(z z0) = 0.99

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

En tablas Z0 = 2.33
Reemplazando:

c 20000
2.33
1000
c 22330lts
Es decir la capacidad del tanque debe ser de 22330 lts para que la probabilidad del
consumo sea mayor que la demanda en slo 0.01.

3. DISTRIBUCION DE LA MEDIA MUESTRAL (X)


Teorema de Limite Central.- Sea x1, x2, . xn una muestra aleatoria de una funcin
de probabilidad f(x), con media ux y varianza x2.
Y sea:
x1 x2 x n
n
La media aritmtica de las variables que integran la muestra. Para un tamao de
x

muestra n grande, la distribucin de la variable x es aproximadamente normal con


media ux y varianza x2 / n
De acuerdo con esto, estandarizando la variable aleatoria x, la expresin puede
escribirse como:

x u
Z (0,1)
x

n
Suposiciones:
1) La medida de la muestra x, puede proceder de cualquier distribucin ya sea
discreta o continua.
2) El muestreo es con reemplazo.
3) Si el tamao de muestra n es grande, ux, x2 conocida x ~ N(ux,x2 / n)
Poblacin: f ( x )
x1
x2

x1
x2

ux

x2
xn
x1
Elaborado oor: MERCEDES OSORIO MAZA

xn
x2

x1
x2

xn
xn

n grande (n 30)
x N(u x ,

x2
n

PAG N57

ESTADSTICA

DISTRIBUCIONES CONTINUAS

ux ux

x2 n x2
x x 2 x n u x u x u x n u x
u x E ( x ) E 1

ux

n
n
n

2
2
2
2
x x x n x x x n x
x2 V ( x ) V 1 2
2 x2

n
n
n

Nota: una forma alternativa de presentar el Teorema de Limite Central es considerar


n

suma de variables aleatorias

x
i 1

Si

Como:

Luego:

x ux
x

N (0,1)

xi

u
n x

N (0,1)
x

ux

n x

N (0,1)

La funcin de densidad f(x) esta dado:

f (x)

1
e

2

1 x u

2 x

Para hallar la probabilidad:

a ux
x ux
b ux
P ( a x b) P

x x x
n n n

PAG N58

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

E( x ) u x

V (x)

x2
n

Comparacin de Distribuciones:

Distribucin x (u,

x2
n

Distribucin xi (u, n2 )

Ejemplo 1: Las cajas entregadas por una fbrica tienen un peso medido de 30 kilos y
una desviacin estndar de 5 kilos. Cul es la probabilidad de que 25 cajas tomadas
aleatoriamente y cargadas en un camin excedan la capacidad especifica del camin de
820 kilos?
Solucin:

Sea xi = peso en kilos de la caja i


25

P( y 820) Sea Y xi
i 1

y E ( y ) 820 E ( y )

V ( y)

V
(
y
)

E(y) = E(x1 + + x25) = 25*30 = 750


V(y) = V(x1 + . + x25) = 25*25 = 625

y 750 820 750


P

P( z 2.8) 1 P( z 2.8) 1 0.974 0.0026


25
25

Ejemplo 2: Si se obtiene una muestra de n = 5 de una v.a. con ~ N(12,4) Cul es la


probabilidad de que el promedio muestral excede a 13?

Elaborado oor: MERCEDES OSORIO MAZA

PAG N59

ESTADSTICA

DISTRIBUCIONES CONTINUAS

Solucin:

2
x u x , x
n

n5
4
x 12,
5

x N (12,4)

P( x 13)

x u x 13 12

x
4

P( z 1.12) 1 P( z 1.12) 0.1314


Ejemplo 3: Sea x1, x2 x36 una muestra aleatoria de tamao 36 de una poblacin con
distribucin geomtrica cuya funcin de probabilidad es:

1
f ( x)
4

X 1

3
x 1,2, E ( x) 4 3 V ( x) 4 9
4

Calcular:

3 u
11 u
x uX
X
X

9
3
11
P
x 36
P

2
9
2
X
X
X

Si u X 4
3
X2 4 9 1
2
X

n
36 81

11 4
3 4
3 Z 2
3 p (0.5 Z 0.5) 0.38292 (tablas )
P 9
1
1

81
81

PAG N60

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

4. DISTRIBUCIN T-STUDENT:
Se aplica cuando el tamao de la muestra n < 30 y no se conoce la varianza
poblacional x2, luego se trabaja con un estimador Sx2, sin embargo esta relacin: (x
u)/Sx no da la Distribucin Z, sino una denominada T-Student.
Luego la distribucin T es:

x u
t (n 1) g.l.
SX

Grafica:

T ~ (n 1) g.l
n 30
ut 30
Nota: Si el tamao de muestra (n > 30)
Distrib T Distrib Z
Uso de Tablas:

f (t )dt

P(T t O )

TC

G.L

= 0.25 = 0.20 = 0.15 = 0.10

1.00

1.376

1.963

tc

= 0.0005

3.072

2
3

Valores para diferentes T

29
30

Elaborado oor: MERCEDES OSORIO MAZA

PAG N61

ESTADSTICA

DISTRIBUCIONES CONTINUAS

Ejemplo: Calcular:

a) P(t > 2.06) + P(t < 0.856)

Si n = 26

g.l. =25

P(t > 2.06) = 0.025


P(t < 0.56) = 1 P(t > 0.856) = 1 0.20 = 0.80

0.025

0.80

t 2.06

b) P( t <1.74)

Si n = 18

t 0.856

g.l.- = 25

P(-1.74 < t < 1.74) = 1 0.1 = 0.9


(probabilidad para 2 colas, tabla inferior)
NOTA:
P(t < -1.74) = P(t > 1.74) por simetra

1.74

1.74

c) P( t > 1.812) = P(t > 1.812) + P(t < -1.812)

g.l. = 10

= 0.1 (prueba para 2 colas)

1.812
PAG N62

1.812
Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

5. DISTRIBUCIN X2 (II CUADRADO)


Se genera de la suma de variable elevadas al cuadrado distribuidas normalmente con
media cero y varianza 1, esto es:
Z12 + Z23 + Z32 + +Zr2 = X2r grados de libertad
Es decir:
2

x1 u
x u
x u
x u

2
3
r
X (n2 1)grados

x
x
x
x

de libertad

Grfico:

f( x2 )

x2
E(X2) = n

se aplica cuando n < 30

V(X2) = 2n
Funcin de Densidad

f (X 2 )
2

n 1
2

para

X2 0

NOTA: La distribucin X tambin se expresa como:

X2

(n 1) S 2

Los valores que toma la variable aleatoria chi-cuadrado, son todos los reales
positivos, debido a que es una suma de cuadrados.
Grados de libertad ( r ): Es el nmero de variables aleatorias independientes que se
suman.
NOTA: las distribuciones X2 son una familia
de distribuciones asimtricas. Cuando
aumenta los grados de libertad () la
distribucin X2 se aproxima a la normal

Elaborado oor: MERCEDES OSORIO MAZA

f( x2 )

PAG N63

x2

ESTADSTICA

DISTRIBUCIONES CONTINUAS

Uso de tablas:
G.L.
1
2
3
4

0.99

0.98

..

0.01

30
Ejemplo: Calcular:
a) P(X2 > 13.44)

Si n = 11
P(X2 > 13.44) = 0.20

f( x2 )

0.20
x2

13.44

b) P(X2 < 12.879)

Si n = 28

P(X2 < 12.879) = 1 P(X2 12.879) = 1 - 0.99 = 0.01


f( x2 )

0.99
x2

12.879

c) P(17.708 < X2 < 42.557)

g.l. = 29

P(17.708 < x2 < 42.557) = 0.95 0.05 = 0.90

f( x2 )

0.95
0.05
17.708

PAG N64

42.557

x2

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

Una compaa de seguros vende tipos A y B. De acuerdo con los estudios realizados
la diferencia entre la prima pagada por el asegurado y el monto a cobrado al seguro
por percances se distribuye normalmente para los 2 tipos de seguro. Si para el
seguro tipo A, la media es 50 unidades monetarias y varianza 100, mientras que para
B la media es de 60 u.m. y desviacin estndar 12, suponiendo que se han
obteniendo muestras de tamao nA = 18 y nB = 26
Hallar:

a) P S A2 162.276

25

b) P X Bj 602 6381.216

j 1

17
c) P 725.5 X 502 2758.7

Ai
i 1

Solucin:
a)

(n 1)

17
P A 2 S A2
*162.276 P X 2 27.58
100
A

2
1 P X 27.58 1 0.05 0.95

25 X BJ 602 6381.216
25

P X BJ 60 6381.216 P

B2
B2
J 1
J 1

b)

6381.216

P X 2
P X 2 44.314 1 P X 2 44.314

144

2
P X 44.314 1 0.01 0.99
n B 1 25 g.l.

c)

725.5 17 X 502 2758.7


2758.7
725.5
P 2 Ai 2

X2
P
2
100
A
A
100
i 1
A
P 7.255 X 2 27.587
n A 1 17 g.l.

P X 2 7.255 P X 2 27.587 0.98 0.05 0.93


f( x2 )

0.98

0.05
7.255

Elaborado oor: MERCEDES OSORIO MAZA

27.58

x2

PAG N65

ESTADSTICA

DISTRIBUCIONES CONTINUAS

6. DISTRIBUCIN F (FISHER)
Sean U y V dos variables aleatorias independientes que tienen distribuciones Ji
Cuadrado (X2) con (n1 1) grados de libertad y (n2 1)g.l. luego la variable aleatoria
F es la relacin de U y V es decir:

X 12
U
n 1
n 1
F 1
F 1 2
V
X2
n2 1
n2 1
Expresando Xi2 en funcin de Sx2 tenemos:
n

S
2
X

i 1

x i x 2
n 1
n

(n 1) S X2 xi x

i 1

Dividiendo entre x2

n 1S X2

Luego:

2
X

i 1

n 1S X2

X2

xi x 2

2
X

y
o

X2

X2

Reemplazando:

n1 1S12

2
S12
1

n1 1
12
F

n 2 1S 22 S 22

2
2
2
2

n2 1
Entonces:

S12 22
(n1 1)(n2 1) g.l.
S 22 12

Tabla F P(F < c) = 1 -


1

c
PAG N66

Elaborado por: MERCEDES OSORIO MAZA

DISTRIBUCIONES CONTINUAS

ESTADISTICA

Uso de tablas:
a) Hallar:

(n1 = 10)

(n2 = 13)

(a) P( F <2.80) = 0.95


(b) P(F < 4.39) = 0.99
(c) Hallar a si P(F < a) = 0.95 con n1 = 5 y n2 = 7
Solucin.
a)

1 0.95

r1 r2

0.99
2.80

4.39

b) si (1 - ) 0.95

Es decir: P(F > a) = 0.99

0.975

= 1 P(F a) = 0.99

0.99

P(F a) = 0.01}1 -

0.995
el valor de a se estima mediante la propiedad

a F (v1 , v2 )(1 )

1
F (v2 , v1 )

c) como 1 - = 0.95 a = 4.53


Ejemplo: Si n1 = 10 y n2 = 13 Hallar a si P(F>a) = 0.95
Luego:

P ( F a ) 0.95
1 P ( F a ) 0.95
P ( F a ) 0
.05

P( f a ) 0.95

a F(9,12) 0.05
a

1
F(12,9 ) 0.95

a 3.107

1
3.07

Elaborado oor: MERCEDES OSORIO MAZA

PAG N67