DISTRIBUCIONES DE PROBABILIDAD

Variable aleatoria: Para un determinado espacio muestral SS una variable aleatoria

(VA) es cualquier regla que relaciona un nmero con cada resultado en SS.
Variable aleatoria de Bernoulli: Es cualquier variable aleatoria con valores 0 y 1.
Variable aleatoria discreta: Es una variable aleatoria cuyos posibles valores son
enteros.
Variable aleatoria continua: Es una variable aleatoria cuyos valores posibles son los
reales.
Distribucin de probabilidad o funcin de masa de probabilidad: Establece en una
tabla, frmula o grfica como se distribuye la probabilidad P (y) asociada a los posibles
valores de la variable aleatoria y debe cumplir con las reglas siguientes:
1. 0 <= P (y) <= 1
2. Suma (P (y)) = 1

Su frmula es la siguiente:

Valor esperado:
Funcin de distribucin acumulativa:
FX ( x ) P ( X x)

Con propiedades:
1

0 F ( x) 1
Lim x F ( x ) 1
Lim x F ( x ) 0

Valor esperado de una distribucin de probabilidad discreta

La media o valor esperado de una variable aleatoria discreta X, denotada como E(X),
es:
X E ( X ) xf X ( x) xP( X x)
x

La media es el centro de la masa del rango de los valores de X.

Varianza de una distribucin de probabilidad discreta
Sea Y una variable aleatoria discreta con distribucin de probabilidades P(X=x).
Entonces, la varianza de Y es:
X E[( X X ) 2 ] ( x X ) 2 P ( X x )
2

DISTRIBUCIONES DISCRETAS
1-DISTRIBUCIN UNIFORME
La variable aleatoria toma un nmero finito de n valores, cada uno con igual
probabilidad.
f ( x) P ( X x )

1
n

Con n = 10 se tiene:
Su media y varianza son las siguientes:

X
X2

( n 1)
2
2
n 1
12

2-DISTRIBUCIN HIPERGEOMTRICA
Se aplica cuando la muestra (n) es una proporcin relativamente grande en relacin con
la poblacin (n > 0.1N). El muestreo se hace sin reemplazo
P(x, N, n, D) es la probabilidad de exactamente x xitos en una muestra de n elementos
tomados de una poblacin de tamao N que contiene D xitos. La funcin de densidad
de distribucin hipergeomtrica:

C xD CnNxD
P ( x )
CnN

C xn

Con

n!
x!( n x)!

La media y la varianza de la distribucin hipergeomtrica son:

Ejemplo: De un grupo de 20 productos, 10 se seleccionan al azar para prueba. Cul es

la probabilidad de que 10 productos seleccionados contengan 5 productos buenos? Los
productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x = 5
P(x=5) = 0.0183 = 1.83%

3-DISTRIBUCIN BINOMIAL
Ensayo Bernoulli. Es un experimento aleatorio que solo tiene dos resultados. xito o
fracaso.
Donde la probabilidad de xito se denota por p

Suponga se realizan n experimentos Bernoulli independientes. Suponga que la variable

X de inters es el nmero de xitos. X toma valores 0, 1,2,..., n
La distribucin binomial se utiliza para modelar datos discretos y se aplica para
poblaciones grandes (N>50) y muestras pequeas (n<0.1N). El muestreo binomial es
con reemplazamiento.
Es apropiada cuando la proporcin defectiva es mayor o igual a 0.1.
La binomial es una aproximacin de la hipergeomtrica
La distribucin normal se aproxima a la binomial cuando n.p > 5
La variable aleatoria x tiene una distribucin binomial como sigue:

Con media y varianza:

Ejemplo: Un equipo requiere a lo ms 10% de servicios en garanta. Para comprobarlo

se compran 20 de estos equipos y se someten a pruebas aceleradas de uso para simular
el uso durante el periodo de garanta. Obtener la probabilidad para P(x<=4).
Rechazar la afirmacin de que falla menos del 10% si se encuentra que X>=5.
P(X>=5) = 1- P(X<=4) =1 distribucin .binomial (4, 20,0.1, 1) = 1 0.9568 = 0.0432
lo cual es bajo.
4-DISTRIBUCIN BINOMIAL NEGATIVA
Se basa en los mismos principios de la distribucin binomial.
1. El experimento consiste de una secuencia de ensayos independientes.
2. Cada ensayo produce un xito o un fracaso.
4

3. La probabilidad de xito es constante de un ensayo a otro, P (xito en el ensayo i) = p

4. El experimento continua hasta completar r ensayos.
La variable de inters es X = nmero de fracasos que preceden al r-simo xito. X se
llama variable aleatoria binomial negativa, ya que en contraste con la distribucin
binomial, el nmero de xitos es fijo y el nmero de ensayos aleatorio.
Su funcin de distribucin es:

x r 1 r x
nb rx ;;( p) p (1 p)
r 1

Con X = 0, 1, 2,..

Ejemplo: Se quieren reclutar 5 personas para participar en un nuevo programa. Si p =

0.2 la probabilidad de que las personas quieran participar. Cul es la probabilidad de
que se les deba preguntar a 15 personas antes de encontrar a 5 que estn de acuerdo en
participar? Es decir si S= (de acuerdo en participar).
Cul es la probabilidad de que ocurran X=10 fracasos antes del r=quinto xito?
r = 5, p = 0.2 y x = 10, se tiene:

14 5 10
nb(10;5;0.2) 0.2 0.8 0.034
4
La probabilidad de que a lo sumo ocurran 10 fracasos (F) se les pregunte a lo sumo a 10
personas es:

 x 4 x
P(X 10) nb(x,5,0.02) 0.2 0.8 0.164
x 0
4
10

5 10
X 0

Su media y varianza son las siguientes:

r (1 p )
p
r (1 p )
V ( x )
p2
E ( x )

Otra forma:
Sea y el nmero de intentos hasta que el r-simo xito es observado.

y 1 r y r
p( y) p q
y r

r
p

rq
p2

P = probabilidad de xito en un solo intento

Q = 1-p
Y = Nmero de intentos hasta que se obtienen los r xitos
P (15) = combinat (14, 10) 0.2^5*0.8^10 = 0.0343941
Ejemplo: Un fabricante utiliza fusibles en un sistema elctrico comprados en lotes
grandes. Se prueban secuencialmente hasta que se observa el primero con falla.
Asumiendo que el lote contiene 10% de fusibles defectivos.
a) Cul es la probabilidad de que el primer fusible defectuoso sea uno de los primeros
5 probados?
6

P= 0.1 q= 0.9
P (y) = p*(q^y-1) = (.1)*(0.9^y-1)
Para y = 1 hasta 5:
P (y<=5) = p (1) + p (2) ++ p (5) = 0.41.
b) Encontrar la media, varianza y desviacin estndar para y el nmero de fusibles
probados hasta que el primer fusible con falla es observado.
Media = 1/p = 1/0.1 = 10
Varianza = q/p^2 = 0.9/(0.1^2) = 90
Sigma = 9.49
5-DISTRIBUCIN DE POISSON
La distribucin de Poisson se utiliza para modelar datos discretos como aproximacin a
la Binomial dada la dificultad que exista de encontrar tablas Binomiales adecuadas,
cuando n es grande y p pequea. La distribucin de probabilidad de Poisson
proporciona buenas aproximaciones cuando np <= 5.
Se aproxima a la binomial cuando p es igual o menor a 0.1, y el tamao de muestra es
grande (n > 16) por tanto np > 1.6.
Una Variable aleatoria X tiene distribucin Poisson si toma probabilidades con.

Con media y varianza:

Ejemplo 1. Suponga que una compaa de seguros asegura las vidas de 5000 hombres
de 42 aos de edad. Si los estudios actuariales muestran que la probabilidad de que un
hombre muera en cierto ao es 0.001, entonces la probabilidad de que la empresa pague
exactamente 4 indemnizaciones y= 4 en un cierto ao es:
P ( y 4) p (4)

5000!
(0.001) 4 (0.999) 4996
4!*4996!
7

El valor de esta expresin no aparece en tablas y su clculo era difcil, no as con Excel.
Aproximando con la distribucin de Poisson, se toma la tasa media de sucesos = np =
(5000)*(0.001)= 5, teniendo:

P ( y 4)

4 e 5 4 e 5

0.1745
4!
4!

Ejemplo 2. Una planta tiene 20 mquinas, si la probabilidad de que falla una en cierto
da es 0.05. Encuentre la probabilidad de que durante un da determinado fallen dos
mquinas.
np = 20 *0.05 = 1.0
P ( y 2)

12 e 1
0.184
2!

Si se calcula con la distribucin Binomial se tiene:

P ( y 2) p (2)

20!
(0.05) 2 (0.95)18 0.188
2!*18!

La aproximacin es mejor conforme se aproxima a np = 5.

La distribucin de Poisson adems de ser til como aproximacin de las probabilidades
Binomiales, constituye un buen modelo para experimentos donde Y representa el
nmero de veces que ha ocurrido un evento en una unidad dada de tiempo o de espacio.
Por ejemplo:
Nmero de llamadas recibidas en un conmutador durante un da, conociendo el
promedio por da.
Nmero de reclamaciones contra una empresa de seguros por semana, conociendo el
promedio. Sem.
Nmero de llegadas a una estacin de servicio durante un minuto dado, conociendo el
prom./min.
Nmero de ventas hechas por un agente de ventas en un da, conociendo el promedio
por da.

DISTRIBUCIONES CONTINUAS DE PROBABILIDAD

Una variable aleatoria es continua cuando puede tomar cualquier valor dentro de un
intervalo de nmeros reales. Por lo tanto, no es posible conocer su valor exacto.
Si la variable aleatoria es discreta, pero el rango es muy amplio, resulta ms conveniente
utilizar un modelo basado en variables aleatorias continuas.
Si la variable es continua, resulta imposible describir su distribucin de la manera que
se explic anteriormente; en este caso, es necesario desarrollar una funcin en donde
aparezca X, de tal forma que la probabilidad de que X tome un valor en el intervalo
demarcado por su rango sea igual al rea bajo f(x) entre esos lmites; lo anterior implica
una integracin.
Dicha funcin es denominada funcin de densidad de probabilidad de X y cumple lo
siguiente:

a)

f ( x) dx 1

b) P ( x1 X x2 )

x2

f ( x)dx

x1

c) f(x) 0

d) P(X = x) = 0

P ( x1 X x2 ) P ( x1 X x2 )

Esta ltima propiedad podra describirse as: La probabilidad que un modelo de variable
continua asigna a la observacin de un valor exacto (es decir, medido con infinita
precisin) es cero.
La funcin de densidad podra mirarse como un modelo de la curva lmite que
obtendramos en el histograma de una poblacin disminuyendo indefinidamente las
anchuras de cada clase. f(x) es ms general que un histograma. Trata de reflejar no el
comportamiento de una muestra concreta, sino la estructura de los valores de la variable
a largo plazo; adems, es ms operativa.
EJEMPLO 1
El error en la temperatura de reaccin, en grados centgrados, para un experimento de
laboratorio controlado es una variable aleatoria continua X que tiene la siguiente
funcin de densidad de probabilidad:

 x 2 / 3, 1 x 2
f ( x)
0, en otro caso
a)

Verifique la propiedad a.

b) Encuentre la probabilidad de que X tome un valor entre 0 y 1.

Solucin:
2

a)

/ 3 dx x 3 / 9

b) P (0 < x < 1) =

/ 3 dx 1 / 9

Segn la definicin de funcin acumulada dada anteriormente, la funcin de

distribucin acumulada de una variable aleatoria continua X es:
x

F ( x) P ( X x)

f ( x)dx

Por lo tanto, la funcin de densidad de probabilidad de una variable aleatoria continua

puede calcularse a partir de la funcin de distribucin acumulada mediante derivacin.
Es decir,
dF ( x)
dx

f ( x)

EJEMPLO 2
El tiempo necesario, en milisegundos, para completar una reaccin qumica est
aproximado por la siguiente funcin de distribucin acumulada:
0, x 0
0.01 x
,x0
1 e

F ( x)

Calcule la funcin de densidad de probabilidad de X. Qu proporcin de las reacciones

estn completas en 200 milisegundos?

10

Solucin:
0, x 0
0.01 x
,x0
0.01e

f ( x)

Al derivar:

P(x < 200) = F (200) = 1 e-2 = 0.8647

MODELOS DE DISTRIBUCIONES CONTINUAS

1.

Distribucin uniforme continua:

Se caracteriza porque la probabilidad es constante en un intervalo cerrado y, por lo

tanto, su funcin de densidad es plana.
Su funcin de densidad est dada por: f ( x)

Su media es:

b a dx
a

1
, a xb
ba

ab
2

ab
Y su varianza es: x

2
a

1
(b a ) 2
*
dx
ba
12

EJEMPLO
X es una variable aleatoria que representa la corriente, medida en miliamperios, en un
alambre delgado de cobre. El rango de X es [0,20 mA] y su funcin de densidad de
probabilidad es f(x) = 0.05.
a) Cul es la probabilidad de que una medicin de corriente est entre 5 y 10 mA?
b) Cules son su media y desviacin estndar?
Solucin:
10

a ) P (5 X 10)

f ( x)dx 5(0.05) 0.25

5

0 20
b) E ( x )
10 mA
2

Desv. est.( x )
11

20 2
5.77 mA
12

2.

Distribucin normal:

Es la distribucin de probabilidades ms empleada para modelar experimentos

aleatorios porque describe ajustadamente muchos fenmenos naturales, industriales e
investigativos; adems, los errores en mediciones cientficas se aproximan bien
mediante la distribucin normal.
La ecuacin que describe una variable aleatoria normal X, con media y desviacin
estndar es:
f ( x)

1
2

( x )2
2 2

, x

La distribucin normal presenta las siguientes caractersticas:

1.

Su grfica tiene forma de campana.

2.

El punto ms alto de la curva normal es la media, que tambin es la mediana y la

moda de la distribucin.
3.

El rea total bajo la curva es 1.

4.

La curva es simtrica alrededor de la media; por lo tanto, el rea a la izquierda

de la media es 0.5 e igual a su derecha.

5.

El eje x es una asntota horizontal, es decir, los extremos de la curva se

prolongan al infinito en ambas direcciones.

6.

La desviacin estndar determina el ancho de la curva. A mayores valores de

se obtienen curvas ms anchas y bajas (mayor dispersin de los datos).

La probabilidad de que la variable aleatoria X tome un valor entre a y b es:

P ( a X b)

e
2

( x )2
2 2

dx

Que grficamente sera:

12

Esta integral no es de fcil solucin, pero dicho problema puede obviarse mediante la
estandarizacin de la variable, que consiste en transformar todas las observaciones de
cualquier variable aleatoria normal X a un nuevo conjunto de observaciones de una
variable aleatoria normal Z con media 0 y varianza 1; todas las distribuciones normales
pueden convertirse a distribuciones normales estndar restando la media de cada
observacin y dividiendo por la desviacin estndar.

Aproximadamente el 68% de las veces, una variable aleatoria normal asume un valor
entre ms o menos una desviacin estndar respecto a su media, aproximadamente 95%
en el intervalo 2 y ms del 99% en 3

EJEMPLO
Cierta mquina fabrica resistores elctricos que tienen una resistencia promedio de 25
ohmios y una desviacin estndar de 3.2 ohmios. La resistencia tiene una distribucin
normal.

13

a) Qu porcentaje de los resistores tendrn una resistencia inferior a 16 ohmios?

b) Qu porcentaje de resistores tendrn una resistencia superior a 35 ohmios?
c) Qu porcentaje de resistores tendrn una resistencia entre 20 y 32 ohmios?
d) Por encima de qu valor est el 10% de los resistores con mayor resistencia?
Solucin:
16 25

a ) P ( X 16) P Z
P ( Z 2.81) 0.0025
3.2

Lo que implica que el 0.25% de los resistores tienen una resistencia inferior a 16
ohmios.
35 25

b) P ( X 35) P Z
P ( Z 3.13) 1 P ( Z 3.13) 1 0.9991 0.0009
3.2

Por lo tanto, el 0.09% de los resistores tienen una resistencia superior a 35 ohmios.
32 25
20 25
Z
P (1.56 Z 2.19)
3.2
3.2

c)P (20 X 32) P

P ( Z 2.19) P ( Z 1.56) 0.9857 0.0594 0.9263

Por lo tanto, el 92.6% de los resistores tiene una resistencia entre 20 y 32 ohmios.
d ) P ( Z z ) 1 0.1 0.9 De la tabla : z 1.28

x
x z 25 1.28(3.2) 29.10 ohmios

EJEMPLO
El dimetro del eje de una unidad de almacenamiento ptico tiene distribucin normal
con media 0.2508 pulgadas y desviacin estndar 0.0006 pulgadas. Las especificaciones
del dimetro del eje son 0.2500 0.0013 pulgadas. Qu proporcin de los ejes cumple
con el requisito?
Solucin:

14

0.2513 0.2508
0.2487 0.2508
Z

0.0006
0.006

P (0.2487 X 0.2513) P

P (3.5 Z 0.83)
P ( Z 0.83) P ( Z 3.5)
0.7967 0.0000 0.7967
Lo que implica que el 79.7% de los ejes cumple con el requisito.
EJEMPLO
Durante los ltimos aos ha crecido el volumen de acciones negociadas en la Bolsa.
Durante las dos primeras semanas de abril, el volumen diario promedio fue de 586000
acciones. La distribucin de probabilidad del volumen es aproximadamente normal con
desviacin estndar de 115000 acciones.
a) Cul es la probabilidad de que el volumen negociado en un da sea menor a 395000
acciones?
b) Cul es la probabilidad de que se negocien ms de 800000 acciones en un da?
c) Cul es la probabilidad de que en un da se negocien entre 500000 y 600000
acciones?
d) Si la Bolsa quiere emitir un boletn de prensa sobre el 5% de los das ms activos,
qu volumen activar la publicacin?
Solucin:
Sea: X = miles de acciones negociadas.
395 586

a ) P ( X 395) P Z
P ( Z 1.66) 0.0485
115

800 586

b) P ( X 800) P Z
P ( Z 1.86) 1 P ( Z 1.86) 1 0.9686 0.0314
115

15

c)

600 586
500 586
Z
P (0.75 Z 0.12)
115
115

0.5478 0.2266 0.3212

P (500 x 600) P

d ) P ( Z z ) 0.05 P ( Z z ) 0.95 De la tabla : z 1.645

x
x z 586 1.645(115) 775

Eso implica que la publicacin se sacar los das que se negocien ms de 775000
acciones
3.

DISTRIBUCIN EXPONENCIAL

Se usa para modelar artculos con una tasa de falla constante y est relacionada con la
distribucin de Poisson. Si una variable aleatoria x se distribuye exponencialmente,
entonces el recproco de x,

y = 1/x sigue una distribucin de Poisson y viceversa.

La funcin de densidad de probabilidad exponencial es: Para x >= 0

f ( x)

1
e e x

Donde Lambda es la tasa de falla y theta es la media.

La funcin de densidad de la distribucin exponencial

El modelo exponencial, con un solo parmetro, es el ms simple de todos los modelos

de distribucin del tiempo de vida. Las ecuaciones clave para la exponencial se
muestran:
Si el nmero de ocurrencias tiene Distribucin de Poisson, el lapso entre ocurrencias
tiene distribucin exponencial. Su funcin de distribucin acumulada es la siguiente:
P ( X x) 1 e t

16

Cuando X = 0 la distribucin de Poisson se convierte en el segundo trmino de la

distribucin exponencial.
Probabilidad de que el tiempo entre la ocurrencia de dos eventos cualquiera sea
F(x) <= t

t
Aqu se desea saber de que no transcurra ms de cierto tiempo entre dos llegadas,
sabiendo que se tiene una tasa de llegadas .
Ejemplo: El tiempo de respuesta de un departamento es de 5 minutos promedio y se
distribuye exponencialmente. La probabilidad de que el tiempo de respuesta a lo sumo
de 10 minutos se determina como sigue:
P(X<=10) = F (10; 1/5) = 1- exp (-0.2*10) = 0.865
La probabilidad entre el tiempo de respuesta de 5 y 10 minutos es:
P (5<=X<=10) = F (10;1/5) F(5; 1/5) = 0.233
4. DISTRIBUCION DE PROBABILIDAD T
El resultado ofrecido en el teorema anterior nos proporciona la base del desarrollo de
procedimientos para hacer inferencias con respecto a la media de una poblacin
normal con una varianza 2. En este caso el teorema 7.1 nos dice que

n Y /

tiene una distribucin normal estndar. Cuando se desconoce se le puede estimar

mediante S S 2 y la expresin

17

Y
n
S

Dar como base para el desarrollo de mtodos de inferencias con respecto a .

Se Demostrara que la distribucin de probabilidad de

n Y / S esta dada por una

funcin de densidad de probabilidad conocida como distribucin t de Student con n 1

grados de libertad. La definicin general de una variable aleatoria que posee una
distribucin t de Student (o simplemente distribucin t), es la siguiente:

2 una variable

DEFINICION: Sea Z una variable aleatoria normal estndar y sea

aleatoria ji - cuadrada con grados de libertad. Entonces s

Z y

2 son

independientes,
T

2 /

Se dice que tiene una distribucin t con grados de libertad.

Si Y1, Y2,..., Yn es una muestra aleatoria de una poblacin normal con media y

varianza 2, se puede aplicar el teorema 7.1 para demostrar que Z n Y /

tiene una distribucin normal estndar. El teorema 7.3 nos dice que 2 n 1 S 2 / 2
2
2
tiene una distribucin con v n 1 grados de libertad y que Z y son

independientes (ya que Yy 2 los son). Por lo tanto, por la definicin 7.2

2 /v

n Y /

Y
n
S
n 1 S 2 / 2 n 1

18

Tiene una distribucin t con (n-1) grados de libertad.

La ecuacin para la funcin de densidad t no se presentara aqu, pero se dan algunas
indicaciones para su obtencin en los ejercicios del final del captulo. Como la funcin
de densidad normal estndar, la funcin de densidad t es simtrica con respecto a cero,
adems, para v > 1, E( T ) =0 y para v > 2, V ( T ) =
variable aleatoria con una distribucin

v / ( v - 2 ). As vemos que una

t tiene el mismo valor esperado que una

variable normal estndar. Sin embargo, una variable aleatoria normal estndar siempre
tiene una varianza de 1, mientras que la varianza de una variable aleatoria con una
distribucin t siempre es mayor que 1.
En la figura se muestran las grficas de una funcin de densidad normal estndar y de
una funcin de densidad t. Ntese que ambas funciones de densidad son simtricas con
respecto al origen, pero que la densidad t tiene ms masa probabilstica en las colas.
Normal

t Estndar
Una comparacin entre las funciones
de densidad normal estndar y t
0

Valores de tales que P ( T > t ) = para =0.100,0.050,0.025,0.010 y 0.005 se dan en

la tabla 5 del apndice III . Por ejemplo si una variable aleatoria tiene una distribucin
t con 21 grados de libertad (g.1.), t 0.100 se encuentra al buscar en el rengln encabezado
por 21g.1. y en la columna con t 0.100 . Aplicando la tabla 5, vemos que t 0.100 = 1.323.
Por lo tanto, para 21g.1. la probabilidad de que una variable aleatoria con distribucin t
sea mayor que 1.323 es 0.100.
5. DISTRIBUCION DE PROBABILIDAD F

19

Supngase que deseamos comparar las varianzas de dos poblaciones normales basados
en la informacin contenida en muestras aleatorias independiente de las dos
poblaciones. Supngase que una muestra aleatoria contiene n1 variables aleatorias
distribuidas normalmente con una varianza comn 12 y que la otra muestra aleatoria
contiene n2 variables aleatorias distribuidas normalmente con una varianza comn 12
y que la otra muestra aleatoria contiene n2

variables aleatorias distribuidas

normalmente con una varianza comn 12 . Si calculamos S12 de las observaciones en

la muestra 1, entonces S12 es una estimacin de 12 . De manera similar, S 22 calculada a
partir de las observaciones de la segunda muestra es una estimacin para 22 . As
intuitivamente podramos pensar en utilizar S12 / S 22 para hacer inferencias con respecto
2
2
a las magnitudes relativas de 12 y 22 . Si dividimos cada S i por i , entonces la

razn siguiente
S12 / 12 22

S 22 / 22 12

S12
2
S2

Tiene una distribucin F con n1 1 n 2 1 grados de libertad. La definicin general

de una distribucin F es como sigue:
DEFINICION Sean 12 y 22 variables aleatorias ji - cuadrada con v1 y v 2 grados de
libertad. Respectivamente. Entonces s 12 y 22 son independientes,

12 / v1
22 / v 2

Se dice que tiene una distribucin F con v1 grados de libertad del numerador y v 2
grados de libertad del denominador.

20

La funcin de densidad para variables aleatorias con la distribucin F es un

miembro de la familia de las distribuciones beta. Omitimos la frmula para la densidad
de una variable aleatoria con la distribucin F , pero el mtodo para obtenerla se indica
en los ejercicios al final del captulo.
6. DISTRIBUCION DE PROBABILIDAD I CUADRADA
Considerando

nuevamente

las

muestras

aleatorias

independientes

de

distribuciones normales, sabemos que

12 n1 1 S12 / 12 y 22 n2 1 S 22 / 22
Tienen distribuciones 2 independientes con
v1 n1 1 yv 2 n 2 1
Grados de libertad, respectivamente.
As la definicin implica que
F

12 / v1 n1 1 S12 / 12 n1 1 S12 / 12

22 / v 2 n2 1 S 22 / 22 n2 1 S 22 / 22

Tiene una distribucin F con

n1 1

grados de libertad del numerador y n 2 1

grados de libertad del denominador.

En la figura se muestra la grfica de una tpica funcin de densidad F . Los
valoras de F tales que P F F se dan en la tabla 7 del apndice III, para los
valores de 0.100, 0.050, 0.025, 0.010 y 0.005. En la tabla 7 del apndice III, los
encabezados de las columnas corresponden a los grados de libertad del numerador, en
tanto que los grados de libertad del denominador se encuentran como los encabezados
principales de los renglones.

21

Frente a los grados de libertad del denominador (los encabezados de los

renglones), se encuentran los valores de 0.100, 0.050, 0.025, 0.010 y 0.005. Por
ejemplo, si la variable

estudiada tiene 5 grados de libertad del numerador y 7

grados de libertad del denominador, F 0.100= 2.88, F 0.050= 3.97, F 0.025 = 5.29, F 0.010 =
7.46 y F 0.005 =9.52. Luego la probabilidad de que una variable aleatoria con una
distribucin F con 5 grados de libertad del numerador y 7 grados de libertad del
denominador exceda de 7.46 es 0.01. Lo correspondiente se afirma para los dems
casos.

f u
Una tpica funcin de densidad

De probabilidad F

u
F
7. DISTRIBUCION PROBABILIDAD GAMA.
Los tiempos que tardan en revisar un motor de un automvil avin tienen una
distribucin de frecuencias sesgadas. Las poblaciones asociadas a estas variables
aleatorias frecuentemente tienen distribuciones que se pueden modelar adecuadamente
por la funcin de densidad tipo gamma.
Funcin de densidad de probabilidad para una variable aleatoria tipo gamma:

, 0;0 y
f ( y)

y 1 e y /
( )
0

En donde:
22

( ) y 1 e
0

dy

La cantidad de la de la funcin alfa se conoce como la funcin gamma. La

integracin directa nos da que la funcin uno igual a uno. La integracin por partes nos
da que la funcin de alfa menos uno alfa menos uno por la funcin alfa menos uno para
cualquier intervalo de alfa mayor o igual a uno y que la funcin de n sea igual a n
menos uno factorial, para un nmero entero n.
En el caso especial cuando alfa es un nmero entero, se puede expresar la
funcin de distribucin de una variable aleatoria tipo gamma como una suma de ciertas
variables aleatorias de Poisson.
Si alfa no es un nmero entero, es imposible encontrar la antiderivada del
integrando de la expresin:
0 c d

Donde

y 1 e y /
dy
( )

Y por lo tanto es importante obtener las reas bajo la funcin de densidad tipo
gamma mediante integracin directa.
Hay dos casos especiales de las variables aleatorias tipo gamma que merece
consideracin particular:
Una variable aleatoria tipo gamma que tiene una funcin de densidad con
parmetros alfa igual a v entre dos y beta igual a dos se denomina variable aleatoria ji cuadrada.
Ji - cuadrada se presenta con frecuencia en la teora de la estadstica. El parmetro v se
denomina nmero de grados de libertad asociado a la variable aleatoria ji - cuadrada.
23

La funcin de densidad gamma para el caso especial v = 1 se denomina funcin

de densidad exponencial.

0;0 y
f ( y)

1 y /
e

0
En cualquier punto.
La funcin de densidad exponencial muchas veces es til en los modelos de
duracin de componentes elctricos.
Un fusible es un ejemplo de un componente para el cual este supuesto suele
cumplirse.
8. LA DISTRIBUCION DE PROBABILIDAD BETA.

La distribucin de probabilidad beta es una funcin de densidad con dos

parmetros definida en el intervalo cerrado 0 <= y <= 1. Se utiliza frecuentemente como
modelo para fracciones, tal como la proporcin de impurezas en un producto qumico o
la fraccin de tiempo que una maquina est en reparacin.
Funcin de densidad probabilidad:

, 0;0 y 1
f ( y) {

y 1 (1 y ) 1
B ( , )

En cualquier otro punto donde

B ( , ) y 1 (1 y ) 1 dy

24

( ) ( )
( )

Ntese que la definicin de (y) sobre el intervalo 0<= y <= 1 restringe su aplicacin. Si
c<= y <= d, y = (y- c) / (d- c) definir una nueva variable en el intervalo 0<= y <= 1. As
la funcin de densidad beta se puede aplicar a una variable aleatoria definida en el
intervalo c<= y <= d mediante una traslacin y una medicin en la escala.
La funcin de distribucin acumulativa para la variable aleatoria beta se llama
comnmente funcin beta y est dada por

F ( y)

t 1 (1 t ) 1
dt I y ( , )
B ( , )

Para valores enteros de alfa y beta, Iy (alfa, beta) est relacionada con la funcin
de probabilidad binomial. Cuando y = p, se puede demostrar que

F ( p)

n
y 1 (1 y ) 1
dy p y (1 p ) n y
B( , )
y

En donde 0< p < 1 y n igual a alfa ms beta menos uno.

9. DISTRIBUCIN WEIBULL

Devuelve la probabilidad de una variable aleatoria siguiendo una distribucin de

Weibull. Esta distribucin se aplica en los anlisis de fiabilidad, para establecer, por
ejemplo, el periodo de vida de un componente hasta que presenta una falla.
La ecuacin para la funcin de distribucin acumulada de Weibull es:
F x, , 1 e x

La funcin de densidad de probabilidad es:

f x, ,
25

1 x
x e
.

Cuando = 1 la distribucin de Weibull devuelve la distribucin exponencial

con:

CUADRO

COMPARATIVO

1
.

ENTRE

LAS

VARIABLES:

DISCRETAS

CONTINUAS
VARIABLES DISCRETAS

VARIABLES CONTINUAS

Pueden tomar valores de probabilidad No toma valores de probabilidad puntual,

puntual
Son las que pueden tomar un nmero
finito o infinito de valores aislados (por
tanto son un conjunto numerable),
generalmente enteros.
A cada valor de la variable se le asocia
una probabilidad y los pares variable,
probabilidad forman la Distribucin de
Probabilidades.

solo en un intervalo de valores

Pueden tomar cualquier valor real en uno o
ms intervalos (por tanto no forman
conjuntos numerables).
A cada valor de la variable se le asocia una
densidad de probabilidad. Solo tienen
probabilidad diferente de cero intervalos de
medida no nula. La funcin se denomina de
Densidad de Probabilidades.
Provienen generalmente de mediciones con

Provienen generalmente de conteos.

instrumentos tericamente con precisin

infinita

ANALISIS DE VARIANZA DE UNA VA O DIRECCIN

(ANOVA 1 VIA)
El anlisis de la varianza de un criterio (ANOVA) es una metodologa para analizar la
variacin entre muestras y la variacin al interior de las mismas mediante la
26

determinacin de varianzas. Es llamado de un criterio porque analiza un variable

independiente o Factor ej.: Velocidad. Como tal, es un mtodo estadstico til para
comparar dos o ms medias poblacionales. El ANOVA de un criterio nos permite poner
a prueba hiptesis tales como:
H 0 1 2 3 .... k

H 1 : Al menos dos medias poblacionales son diferentes.

Los supuestos en que se basa la prueba

t de dos muestras que utiliza muestras

independientes son:
1. Ambas poblaciones son normales.
2. Las varianzas poblacionales son iguales, esto es, 12 22 .
Como el ANOVA de un criterio es una generalizacin de la prueba de t para dos
muestras, los supuestos para el ANOVA de un criterio son:
1. Todas las poblaciones k son normales.

2
2
2
2
2
2. 1 2 3 ..... k

El mtodo de ANOVA con un criterio requiere del clculo de dos estimaciones

independientes para 2 , la varianza poblacional comn. Estas dos estimaciones se
2
2
2
2
denotan por sb y s w . sb Se denomina estimacin de la varianza entre muestras y s w se

denomina estimacin de la varianza al interior de las muestras. El estadstico tiene una

distribucin muestral resultando:

sb2
s w2

El valor crtico para la prueba F es:

F ( k 1, k (n 1))
27

Donde el nmero de grados de libertad para el numerador es k-1 y para el denominador

es k (n-1), siendo el nivel de significancia.
k = nmero de muestras.
El Procedimiento es el siguiente:
1. Determinar si las muestras provienen de poblaciones normales.
2. Proponer las hiptesis.
3. Encontrar las medias poblacionales y las varianzas.
2
4. Encontrar la estimacin de la varianza al interior de las muestras s w y sus grados de

libertad asociados glw.

5. Calcular la gran media para la muestra de las medias mustrales.
2
6. Determinar la estimacin de la varianza entre muestras sb y sus grados de libertad

asociados.
7. Hallar el valor del estadstico de la prueba F.
8. Calcular el valor crtico para F basado en glb y glw.
9. Decidir si se rechaza H0.
Calculo Manual
Se utilizan las frmulas siguientes:
Suma de cuadrados total (SST o SCT)

SCT

i 1

j 1

( Xij X )

***
*

**
***

Xi valores individuales

**
X

*
*

**
**

Suma de cuadrados de los tratamientos o niveles (SSTr o SCTr):

28

Media de medias

SCTR rj ( X j X ) 2
j 1

Media
X3
*
5
5
4

*
Media

*
Media X1

X2

Suma de cuadrados del error (SSE o SCE):

r

SCE
i 1

(X
j 1

ij

X j )2

**
Xi

Xi

**

**

*
Xmedia

***

*
X media 1

Xmedia 2

O tambin SCE = SCT - SCTr

Grados de libertad:
Gl. Totales = n 1
29

3
**
Xi

*
*

Gl. Tratamientos = c -1
Gl. Error = n c
Cuadrados medios (MS o CM):
CMT = SCT / Gl. SCT
CMTr = SCTr / Gl. SCTr
CME = SCE / Gl. SCE
Estadstico calculado Fc:
Fc = CMTr / CME
P value = distr.f (Fc, Gl. CMtr, Gl. CME)
F crtica de tables o Excel = distr.f.inv (alfa, Gl. CMT, Gl. CME)
Si P es menor a alfa o Fc es mayor a Ft se rechaza Ho indicando que los efectos de los
diferentes niveles del factor tienen efecto significativo en la respuesta.

Distribucin.
F

ZONA
NO RECHAZAR
La tabla de ANOVA final queda como sigue:

30

RECHAZO
Alfa

DE

TABLA DE ANOVA

FUENTE DE
VARIACIN

SUMA DE
CUADRADOS

GRADOS DE
LIBERTAD

CUADRADO
MEDIO

Entre muestras
(tratam.)

SCTR

c-1

CMTR

Dentro de muestras
(err.)

SCE

n-c

CME

Variacin total

SCT

n-1

CMT

Regla: No rechazar si la F de la muestra es menor que la F de Excel para una cierta alfa

https://mx.answers.yahoo.com/question/index?qid=20140115111751AA9ZZzv
1. CANAVOS, G. (1988) Probabilidad y Estadstica. Aplicaciones y Mtodos.
Mxico: McGraw-Hill.
2. ESCUDER, R. y SANTIAGO, J. (1995) Estadstica aplicada. Economa y
Ciencias Sociales. Valencia: Tirant lo Blanch.
3. Fernndez CUESTA, C., y FUENTES Garca, F. (1995) Curso de Estadstica
Descriptiva. Teora y Prctica. Madrid: Ariel.
4. FREEDMAN, D., et al. (1991) Estadstica. Barcelona: A.Bosch Ed.
5. MENDENHALL, W., et al. (1994) Estadstica Matemtica con Aplicaciones.
Mxico: Grupo Editorial Iberoamrica.

31

Un cuadro comparativo entre las variables aleatorias discretas y continuas.

Debe contener definicin, formulas, grficas, propiedades,
2ejercicios resueltos de cada tipo de variable, Esperanza matemtica,
Anlisis de varianza para cada tipo de variable...

32

33