144

Bioestad stica: M etodos y Aplicaciones

Soluci on: Si consideramos la v.a. X que contabiliza el n umero de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo de Poisson, de modo que X ;B n = 500,000, p = 1 100,000 = X ; Poi ( = 5)

As el n umero esperado de personas que padecen la enfermedad es E [X ] = 5. Como Var [X ] = 5, existe una gran dispersi on, y no ser a extra no encontrar que en realidad hay muchas m as personas o menos que est an enfermas. La probabilidad de que haya m as de tres personas enfermas es:

P [X > 3] = 1 P [X 3] = 1 P [X = 0] P [X = 1] P [X = 2] P [X = 3] e50 e51 e52 e53 = 1 0! 1! 2! 3! = 0, 735

6.3.

Distribuciones continuas

En esta secci on estudiaremos las distribuciones m as importantes de v.a. continuas unidimensionales. El soporte de una v.a. continua se dene como aquella regi on de I R donde su densidad es no nula, f (x) = 0. Para las distribuciones que enunciaremos, podr a ser bien todo I R, I R+ = (0, +) o bien un segmento de la forma [a, b] I R.

6.3.1.

Distribuci on uniforme o rectangular

Se dice que una v.a. X posee una distribuci on uniforme en el intervalo [a, b], X ;U (a, b)

6.3. DISTRIBUCIONES CONTINUAS

145

si su funci on de densidad es la siguiente: f (x) = 1 ba si a x b (6.14)

Con esta ley de probabilidad, la probabilidad de que al hacer un experimento aleatorio, el valor de X este comprendido en cierto subintervalo de [a, b] depende u nicamente de la longitud del mismo, no de su posici on. Cometiendo un peque no abuso en el lenguaje, podemos decir que en una distribuci on uniforme la probabilidad de todos los puntos del soporte es la misma 2 .
1.0 F(x)

0.6

0.8

f(x)

0.4

0.0

0.2

Unif(a = 0, b = 2)

0.5

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Figura 6.3: Funci on de densidad y de distribuci on de U (a, b)

E [X ] =

b+a 2 (b a)2 12

Var [X ] =

2 Hay que observar que en principio esa armaci on es cierta para cualquier v.a. continua, ya que para ellas la probabilidad de cualquier punto es nula. Ser a m as preciso decir que la densidad de todos los puntos es constante en [a, b].

146

Bioestad stica: M etodos y Aplicaciones

6.3.2.

Distribuci on exponencial

La distribuci on exponencial es el equivalente continuo de la distribuci on geom etrica discreta. Esta ley de distribuci on describe procesos en los que: Nos interesa saber el tiempo hasta que ocurre determinado evento, sabiendo que, el tiempo que pueda ocurrir desde cualquier instante dado t, hasta que ello ocurra en un instante tf , no depende del tiempo transcurrido anteriormente en el que no ha pasado nada. Ejemplos de este tipo de distribuciones son: El tiempo que tarda una part cula radiactiva en desintegrarse. El conocimiento de la ley que sigue este evento se utiliza en Ciencia para, por ejemplo, la dataci on de f osiles o cualquier materia org anica mediante la t ecnica del carbono 14, C 14 ; El tiempo que puede transcurrir en un servicio de urgencias, para la llegada de un paciente; En un proceso de Poisson donde se repite sucesivamente un experimento a intervalos de tiempo iguales, el tiempo que transcurre entre la ocurrencia de dos sucesos consecutivos sigue un modelo probabil stico exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos dos veces una herida importante. Concretando, si una v.a. continua X distribuida a lo largo de I R+ , es tal que su funci on de densidad es f (x) = ex si 0 < x (6.15)

se dice que sigue una distribuci on exponencial de par ametro , X ;Exp (). Un c alculo inmediato nos dice que si x > 0,
x 0

et dt = et

x 0

= 1 ex

6.3. DISTRIBUCIONES CONTINUAS

147

1.0

f(x) = ex para = 1

0.0 0

0.2

0.4

0.6

0.8

Figura 6.4: Funci on de densidad, f , de una Exp ().

luego la funci on de distribuci on es:

x 1e 0

si 0 < x en otro caso.

F (x) =

E [X ] =

1 1 2

Var [X ] =

Ejemplo de variable exponencial En un experimento de laboratorio se utilizan 10 gramos de 210 84 P o. Sabiendo que la duraci on media de un atomo de esta materia es de 140 d as,

148

Bioestad stica: M etodos y Aplicaciones

1.0

0.2

0.4

0.6

0.8

1 F(x) = 1 ex

f(x) = ex

0.0 0

Figura 6.5: Funci on de distribuci on, F , de Exp (), calculada como el area que deja por debajo de s la funci on de densidad.

cuantos idas transcurrir an hasta que haya desaparecido el 90 % de este material? Soluci on: El tiempo T de desintegraci on de un atomo de v.a. de distribuci on exponencial:
210P o 84

es una

T ;Exp =

1 140

f (t) = e t si t 0 F (t) = 1 e t

Como el n umero de atomos de 210 84 P o existentes en una muestra de 10 gramos es enorme, el histograma de frecuencias relativas formado por los tiempos de desintegraci on de cada uno de estos atomos debe ser extremadamente aproximado a la curva de densidad, f . Del mismo modo, el pol gono de frecuencias relativas acumuladas debe ser muy aproximado a la curva de su funci on de distribuci on F . Entonces el tiempo que transcurre hasta

6.3. DISTRIBUCIONES CONTINUAS

149

que el 90 % del material radiactivo se desintegra es el percentil 90, t90 , de la distribuci on exponencial, es decir F (t90 ) = 0, 9 e t90 = 1 0, 9 t90 = Otro ejemplo de variable exponencial Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue una distribuci on exponencial con media de 16 a nos. Cu al es la probabilidad de que a una persona a la que se le ha implantado este marcapasos se le deba reimplantar otro antes de 20 a nos? Si el marcapasos lleva funcionando correctamente 5 a nos en un paciente, cu al es la probabilidad de que haya que cambiarlo antes de 25 % a nos? Soluci on: Sea T la variable aleatoria que mide la duraci on de un marcapasos en una persona. Tenemos que 1 16 1 ln 0, 1 322 d as

T ;Exp =

f (t) = e t si t 0 F (t) = 1 e t

Entonces
20

P [T 20] =
0

f (t) dt = F (20) = 1 e 16 = 0, 7135

20

En segundo lugar 0, 522 P [5 T 25] = = 0, 7135 P [T 5] 0, 7316 (6.16)

25

P [T 25|T 5 ] =

P [5 T 25] =
5

f (t) dt = F (25) F (5) = 1 \ e 16 1 \ + e 16 = 0, 522 f (t) dt = F (+) F (5) = 1 \1 \ + e 16 = 0, 7316

5

25

P [T 5] =
5

150

Bioestad stica: M etodos y Aplicaciones

Luego como era de esperar, por ser propio a un mecanismo exponencial, P [T 25|T 5 ] = P [T 20] o sea, en la duraci on que se espera que tenga el objeto, no inuye en nada el tiempo que en la actualidad lleva funcionando. Es por ello que se dice que la distribuci on exponencial no tiene memoria.

6.3.3.

Distribuci on normal o gaussiana

La distribuci on gaussiana, recibe tambi en el nombre de distribuci on normal, 3 ya que una gran mayor a de las v.a continuas de la naturaleza siguen esta distribuci on. Se dice que una v.a. X sigue una distribuci on normal de 2 par ametros y , lo que representamos del modo X ;N , 2 si su funci on de densidad es: f (x) = Observaci on Estos dos par ametros y 2 coinciden adem as con la media (esperanza) y la varianza respectivamente de la distribuci on como se demostrar a m as adelante4 :
1 2

e 2 (

x 2

) ,

x I R

(6.17)

E [X ] = Var [X ] =
2

(6.18) (6.19)

La forma de la funci on de densidad es la llamada campana de Gauss. Para el lector es un ejercicio interesante comprobar que esta alcanza un u nico m aximo (moda) en , que es sim etrica con respecto al mismo, y por
Incluso v.a discretas pueden ser aproximadas por la ley gaussiana. Hemos adelantado al lector el signicado de y 2 pues esta es una distribuci on que queda denida en primera instancia por su media y varianza.
4 3

6.3. DISTRIBUCIONES CONTINUAS

151

0.4

N( = 0, = 1)

0.3

0.2

0.1

0.0

Figura 6.6: Campana de Gauss o funci on de densidad de una v.a. de distribuci on normal. EL par ametro indica el centro y la dispersi on. La distancia del centro a los puntos de inexi on es precisamente .

tanto P [X ] = P [X ] = 1/2, con lo cual en coinciden la media, la mediana y la moda, y por u ltimo,calcular sus puntos de inexi on. El soporte de la distribuci on es todo I R, de modo que la mayor parte de la masa de probabilidad ( area comprendida entre la curva y el eje de abcisas) se encuentra concentrado alrededor de la media, y las ramas de la curva se extienden asint oticamente a los ejes, de modo que cualquier valor muy alejadode la media es posible (aunque poco probable). La forma de la campana de Gauss depende de los par ametros y : indica la posici on de la campana (par ametro de centralizaci on); 2 (o equivalentemente, ) ser a el par ametro de dispersi on. Cuanto menor sea, mayor cantidad de masa de probabilidad habr a concentrada alrededor de la media (grafo de f muy apuntado cerca de ) y cuanto mayor sea m as aplastadoser a.

152

Bioestad stica: M etodos y Aplicaciones

N( = 0, = 1)

0.3

0.4

0.1

0.2

P(x ) = 0.68

P(x 2) = 0.95 0.0 3

Figura 6.7: A una distancia que no supera en una desviaci on de la media tenemos una probabilidad del 68 %. A dos desviaciones tenemos el 95 %.

Aproximaci on a la normal de la ley binomial Se demuestra que una v.a. discreta con distribuci on binomial, X ;B (n, p) se puede aproximar mediante una distribuci on normal si n es sucientemente grande y p no est a ni muy pr oximo a 0 ni a 1. Como el valor esperado y la varianza de X son respectivamente n p y n p q , la aproximaci on consiste en decir que X ; N (n p, n p q ). El convenio que se suele utilizar para poder realizar esta aproximaci on es:
n > 30

X ;B (n, p) donde

np > 4 nq > 4

= X ; N (n p, n p q )

aunque en realidad esta no da resultados muy precisos a menos que realmente n sea un valor muy grande o p q 1/2. Como ilustraci on obs ervense las guras 6.10 y 6.11.

6.3. DISTRIBUCIONES CONTINUAS

153

N(0,1) N(3,1) N(-3,1) 0.5

0.4

0.3

0.2

0.1

-4

-2

Figura 6.8: Distribuciones gaussianas con diferentes medias e igual dispersi on.

6.3.4.

Distribuci on 2

Si consideramos una v.a. Z ;N (0, 1), la v.a. X = Z 2 se distribuye seg un una ley de probabilidad distribuci on 2 con un grado de libertad, lo que se representa como X ;2 1 Si tenemos n v.a. independientes Zi ;N (0, 1), la suma de sus cuadrados respectivos es una distribuci on que denominaremos ley de distribuci on 2 2 con n grados de libertad, n .
n

{Zi }n i=1 ;N (0, 1)

=
i=1

Zi2 ;2 n

(6.20)

154

Bioestad stica: M etodos y Aplicaciones

N(0,1) N(0,2) N(0,4) 0.5

0.4

0.3

0.2

0.1

-4

-3

-2

-1

Figura 6.9: Distribuciones gaussianas con igual media pero varianza diferente.

La media y varianza de esta variable son respectivamente:

E [X ] = n Var [X ] = 2n

(6.21) (6.22)

En consecuencia, si tenemos X1 , . . . , Xn , v.a. independientes, donde ca2 , se tiene da Xi ;N i , i

n i=1 2

Xi i i

;2 n

6.3. DISTRIBUCIONES CONTINUAS

155

0.16

Bin(100;0,15) N(np,npq)

0.14

0.12

0.1

0.08

0.06

0.04

0.02

20

40

60

80

100

Figura 6.10: Comparaci on entre la funci on de densidad de una v.a. continua con distribuci on N (n p, n p q ) y el diagrama de barras de una v.a. discreta de distribuci on B (n, p) para casos en que la aproximaci on normal de la binomial es v alida. Es peor esta aproximaci on cuando p est a pr oximo a los bordes del intervalo [0, 1].

6.3.5.

Distribuci on t de Student

La distribuci on tStudent se construye como un cociente entre una normal y la ra z de una 2 independientes. De modo preciso, llamamos distribuci on tStudent con n grados de libertad, tn a la de una v.a. T , T = Z
1 2 n n

;tn

(6.23)

2 donde Z ;N (0, 1), 2 n ;n . Este tipo de distribuciones aparece cuando tenemos n + 1 v.a. independientes

X ;N , 2

156

Bioestad stica: M etodos y Aplicaciones

Bin(100;0,5) N(np,npq) 0.1

0.08

0.06

0.04

0.02

20

40

60

80

100

Figura 6.11: La misma comparaci on que en la gura anterior, pero realizada con par ametros con los que damos la aproximaci on normal de la binomial es mejor.

2 Xi ;N i , i

i = 1, . . . , n

y nos interesa la distribuci on de X n 1 Xi i n i=1 i

T =

;tn

La distribuci on t de Student tiene propiedades parecidas a N (0, 1): Es de media cero, y sim etrica con respecto a la misma; Es algo m as dispersa que la normal, pero la varianza decrece hasta 1 cuando el n umero de grados de libertad aumenta;

6.3. DISTRIBUCIONES CONTINUAS

157

0.5

2 2

0.3

0.4

0.2

2 4 2 6

0.0 0

0.1

Figura 6.12: Funci on de densidad de 2 nos de n. n para valores peque

Para un n umero alto de grados de libertad se puede aproximar la distribuci on de Student por la normal, es decir, tn N (0, 1)
n

6.3.6.

La distribuci on F de Snedecor

Otra de la distribuciones importantes asociadas a la normal es la que se dene como cociente de distribuciones 2 independientes. Sean X ;2 n e Y ;2 v.a. independientes. Decimos entonces que la variable m
1 nX 1 mY

F =

m X ;Fn,m n Y

(6.24)

sigue una distribuci on de probabilidad de Snedecor, con (n, m) grados de libertad. Obs ervese que Fn,m = Fm,n .

158

Bioestad stica: M etodos y Aplicaciones

0.4

t30 t = N(0, 1) t3

0.3

t1 0.2 0.0 4 0.1

Figura 6.13: Cuando aumentan los grados de libertad, la distribuci on de Student se aproxima a la distribuci on normal tipicada.

La forma m as habitual en que nos encontraremos esta distribuci on ser a en el caso en que tengamos n + m v.a. independientes
2 Xi ;N i , i

i = 1, . . . , n i = 1, . . . , m

Yj ;N mj , s2 j y as 1 n F =
n i=1 m

Xi i i Yj mj sj

1 m j =1

;Fn,m

Es claro que la distribuci on de Snedecor no es sim etrica, pues s olo tienen densidad de probabilidad distinta de cero, los punto de I R+ . Otra propiedad interesante de la distribuci on de Snedecor es:

6.4. PROBLEMAS

159

0.8

F10, 20 F10, 10

0.6

F10, 5

0.0 0.0

0.2

0.4

0.5

1.0

1.5

2.0

2.5

3.0

Figura 6.14: Funci ones de densidad para la distribuci on F de Snedecor.

F ;Fn,m

1 ;Fm,n F

6.4.

Problemas

Ejercicio 6.1. Para estudiar la regulaci on hormonal de una l nea metab olica se inyectan ratas albinas con un f armaco que inhibe la s ntesis de prote nas del organismo. En general, 4 de cada 20 ratas mueren a causa del f armaco antes de que el experimento haya concluido. Si se trata a 10 animales con el f armaco, cu al es la probabilidad de que al menos 8 lleguen vivas al nal del experimento? Ejercicio 6.2. En una cierta poblaci on se ha observado un n umero medio anual de muertes por c ancer de pulm on de 12. Si el n umero de muertes causadas por la enfermedad sigue una distribuci on de Poisson, cu al es la probabilidad de que durante el a no en curso: