Está en la página 1de 16

DISTRIBUCIN DE PROBABILIDAD CONTINUA

Caractersticas:
1. Es generada por una variable continua (x), es una variable que puede
tomar tanto valores enteros como fraccionarios.


2. Las probabilidades asociadas a cada uno de los valores que toma x
deben ser mayores o iguales a cero. Dicho de otra forma, la funcin de
densidad de probabilidad deber tomar solo valores mayores o iguales a cero.
La funcin de densidad de probabilidad slo puede estar definida en los
cuadrantes I y II.




3. La sumatoria de las probabilidades asociadas a cada uno de los valores que
toma x debe ser igual a 1. El rea definida bajo la funcin de densidad de
probabilidad deber ser de 1.

DISTRIBUCIN NORMAL

La distribucin normal o distribucin de Gauss es sin duda la ms importante y
la de ms aplicacin de todas las distribuciones continuas. Esta distribucin es
bastante adecuada para describir la distribucin de muchos conjuntos de datos
que ocurren en la naturaleza, la industria y la navegacin. As pues para los
siguientes conjuntos de datos, se puede considerar adecuada la distribucin
normal:

- Datos meteorolgicos correspondientes a temperaturas, lluvias, etc.
- Las clasificaciones correspondientes a pruebas de aptitud.
- Las alturas de individuos de una edad y sexo dado.
- Las medidas fsicas de productos manufacturados.
- La vida media de un tipo de lmparas con un voltaje dado, etc.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin normal de parmetros y si su funcin de densidad es:
2
2
( )
2
1
( )
2
x
f x e

o
o t

= , -< x<+
donde , e9 y tales que -<<+ y >0. (=3,14159... , e=2,71828 )

Abreviadamente la indicaremos por X~N(,)

Veamos ahora la representacin grfica de la funcin de densidad f(x) de la N(
,). Para ello veremos que se cumplen las siguientes propiedades:
1. f(x) es continua en toda la recta real.
2. f(x) es simtrica respecto de x = es decir es simtrica respecto del
parmetro .
3. f(x) tiene como asntota horizontal el eje de abscisas.
4. f(x) es estrictamente creciente cuando x<, y estrictamente decreciente
cuando x>.
5. f(x) presenta un mximo cuando x=, ese mximo vale f()=
1
2 o t


El grfico nos muestra la representacin grfica de la funcin de densidad, f(x),
de una distribucin normal de parmetros y :




Se observa que tiene forma de campana, de aqu que frecuentemente se le
llame campana de Gauss. Tambin se pone de manifiesto que el parmetro
corresponde al mximo y al centro de la distribucin y el parmetro nos da
idea del grado de apertura o aplastamiento de la curva f(x).

Relacin entre la N(,) y la N(0,1)

Veamos pues que la expresin
2
2
( )
2
1
( )
2
x
f x e

o
o t

= nos da la funcin de
densidad de una familia de distribuciones normales para los diferentes valores
de los parmetros y . Dentro de esta familia de distribuciones normales hay
una muy importante, que corresponde a los valores de los parmetros =0 y
=1, es decir la distribucin N(0, 1) y recibe el nombre de distribucin tipificada
o estndar, cuya correspondiente funcin de densidad se obtiene haciendo =0
y =1 en la expresin
2
2
( )
2
1
( )
2
x
f x e

o
o t

= :

2
2
1
( ) ,
2
x
f x e x
t

= < < +

Proposicin: Si X es una variable aleatoria con distribucin N(,), entonces la
variable aleatoria tipificada Z=(X-)/ sigue una distribucin N(0,1).

Caractersticas:

1. Funcin de distribucin correspondiente a una variable aleatoria X distribuida
segn una N(,) ser:
F(x)=P(X x)
2
2
( )
2
1
2
x x
e dx

o
o t

=
}
, -<x<+<

2. Media: E [X]=
El parmetro es la media de la distribucin. Sabemos que la funcin de
densidad f(x) de una N(,) es simtrica respecto de su media , es decir
P[X ]= P [X] = 0,5 lo cual nos permite decir que el parmetro es la
mediana de la distribucin.
La funcin de densidad f(x) presentaba un mximo para x= ,lo cual nos indica
que el parmetro es la moda de la distribucin.
En consecuencia diremos que en una distribucin N( ,), la media, la
mediana y la moda coinciden con el parmetro .

3. Varianza. VAR[X] =
Luego el parmetro que utilizamos en la N( ,) es la desviacin tpica de la
distribucin, y en el caso de la N(0,1) la desviacin tpica es la unidad.


Propiedades

1. Propiedad reproductiva.
La suma de n variables aleatorias independientes,
1 2
, ,...,
n
X X X y distribuidas
segn una N( ) ,
i i
o , i = 1, 2, ..., n, sigue una distribucin N (
1
+....+
n
,
2 2
1
...
n
o o + + )

2. Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes e idnticamente
distribuidas, segn una N(,), entonces la variable aleatoria suma de las n
variables Y=
1 2
...
n
X X X + + + sigue una distribucin N( n,
no
)

3. Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes e idnticamente
distribuidas, segn una N(,), entonces la variable aleatoria media aritmtica
de estas n variables 1 2
...
n
X X X
X
n
+ + +
=
sigue una distribucin N( ,/ n ).


Ejemplo:

Una variable aleatoria sigue el modelo de una distribucin normal con media 10
y varianza 4. Transformarla en una normal tipificada.
X: N (10, 4)
Para transformarla en una normal tipificada se crea una nueva variable (Y) que
ser igual a la anterior (X) menos su media y dividida por su desviacin
tpica (que es la raz cuadrada de la varianza)

En el ejemplo, la nueva variable sera:







DISTRIBUCIN GAMMA

Previamente vamos a definir la funcin gamma como una funcin del anlisis
matemtico y que despus utilizaremos en varios modelos o distribuciones
probabilsticas de tipo continuo.

As pues, definimos la funcin gamma de p , (p) como:

(p)=
1
0
,
p x
x e dx

}
p>0

Integrando por partes se tendr: (p)=(p-1)!

Dos casos particulares son: (1)=1 , (1/2)= t (para p no entero pero si
positivo)

Una vez que hemos definido esta funcin gamma, la vamos a aplicar para
definir la distribucin de probabilidad gamma, pues son muchas las
aplicaciones de esta distribucin a experimentos o fenmenos aleatorios que
tienen asociadas variables aleatorias que siempre son no negativas y cuyas
distribuciones son sesgadas a la derecha, es decir, el rea bajo la funcin de
densidad disminuye a medida que nos alejamos del origen.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin gamma de parmetros p y a, siendo p,ae9 y p>0 y a>0, X~(p,a),
si su funcin de densidad es :

1
, 0
( ) ( )
0 , 0
p
p ax
a
x e x
f x p
x

>

= I



Esta distribucin se aplica para representar las siguientes distribuciones:
- Intervalos de tiempo entre dos fallos de un motor.
- Intervalos de tiempo entre dos llegadas de automviles a una gasolinera.
- Tiempos de vida de sistemas electrnicos, etc.


Caractersticas:

1. Funcin de distribucin

1
0
, 0
( ) ( ) ( )
0, 0
x p
p ax
a
x e dx x
F x P X x p
x

>

= s = I

}


El valor de esta expresin no es fcil de obtener, aunque cuando p es entero
positivo , la integral se puede calcular por partes y las probabilidades se
obtienen de forma aproximada. Con el fin de simplificar el clculo de estas
probabilidades Pearson tabul la funcin gamma incompleta para diferentes
valores del parmetro p, que viene dada por :

* 1
0
1
( ) , 0
( )
y
p y
F y y e dy y
p

= >
I
}


2. Media: E[X]=p/a

3. Varianza: Var(X)=p/a

4. Propiedad reproductiva
Si
1 2
, ,...,
n
X X X son n variables aleatorias independientes, distribuidas segn
una ( ,
i
p a ), para i=1,...,n. Entonces la variable aleatoria Y=
1 2
...
n
X X X + + +
sigue una distribucin (
1
...
n
p p + + , a).



DISTRIBUCIN EXPONENCIAL

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin exponencial de parmetro a , siendo a e9 y a >0, X~Exp( a ), si su
funcin de densidad es
f(x)=
, x>0
0 , x 0
ax
a e



Esta distribucin es un caso particular de la distribucin (p, a ) para p=1,
hecho que tendremos en cuenta para el estudio de sus caractersticas.

Esta distribucin est relacionada con la de Poisson, as pues si el nmero de
sucesos que ocurren en un determinado intervalo sigue una distribucin de
Poisson, entonces la variable aleatoria que representa el tiempo entre
ocurrencia de sucesos sigue una distribucin exponencial. As, por ejemplo, si
el nmero de ventas semanales de un cierto modelo de coche sigue una
distribucin de Poisson, entonces el tiempo transcurrido entre las ventas
seguir una distribucin exponencial.

Tambin se pueden modelizar mediante la distribucin exponencial las
siguientes situaciones:
- la duracin de la prestacin de un servicio.
- el tiempo entre llegadas sucesivas a una cola o punto de servicio.
- el tiempo de duracin de algunos equipos, etc.

Caractersticas:

1. Funcin de distribucin
1 , x>0
( ) ( )
0 , x 0
ax
e
f x P X x


= s =


2. Media : E[X]=1/a

3.Varianza : Var(X)=1/a

Ejemplo: El tiempo transcurrido entre la llegada de dos clientes consecutivos al
departamento de ventas de un concesionario de una determinada marca de
automviles, es de 20 minutos. Calcular la probabilidad de que el tiempo
transcurrido entre la llegada de dos clientes consecutivos no supere la media
hora.
Solucin:
E[X]=1/a=20 luego a= 0,05. P(X 30 s )=0,7769.

EJEMPLO:
Se ha comprobado que el tiempo de vida de cierto tipo de marcapasos sigue
una distribucin exponencial con media de 16 aos. Cual 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 aos? Si el marcapasos
lleva funcionando correctamente 5 aos en un paciente, cul es la
probabilidad de que haya que cambiarlo antes de 25 % aos?
Solucin: Sea T la variable aleatoria que mide la duracin de un marcapasos
en una persona. Tenemos que

DISTRIBUCIN BETA

Previamente vamos a definir la funcin beta de p y q, (p,q) como :
( ) ( )
1
1
1
0
, 1 , 0, 0
q
p
p q x x dx p q |

= > >
}

Se verifica tambin : (p,q)=((p)(q))/(p+q)

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin beta de parmetros p y q, siendo p,qe9 y p>0 y q>0, X~(p,q), si
su funcin de densidad es:

1 1
1
(1 ) , 0<x<1
( , ) ( )
0 , en el resto
p q
x x
p q f x |



O bien

( )
1
1
( )
1 , 0<x<1
( ) ( ) ( )
0 , en el resto
q
p
p q
x x
p q f x

I +

I I =



Observemos que esta funcin de densidad est definida en el intervalo (0,1), lo
cual nos indica que esta familia de distribuciones beta es muy til para
representar modelos probabilsticos que representan proporciones, tales como:
- La fraccin de tiempo que un equipo est en reparacin.
- La proporcin de piezas defectuosas de un lote.
- La proporcin del gasto de una familia en alimentacin con respecto a los
ingresos totales.
- La participacin de la produccin de una empresa con respecto al total de
lo producido en ese sector, etc.

Caractersticas

1. Funcin de distribucin
La expresin de la funcin de distribucin es:
( )
1
1
0
0 , x 0
1
( ) 1 , 0<x<1
( , )
1, , x 1
x
q
p
F x x x dx
p q |

>

}


2. Media: E[X]=p/(p+q)

3. Varianza: Var(X)=(pq)/(p+q+1)(p+q))

Ejemplo: Una comunidad de vecinos dispone de un depsito que contiene una
cantidad fija de combustible para la calefaccin central y que es rellenado cada
mes. La experiencia acumulada durante muchos meses permite representar la
proporcin de reserva utilizada cada mes mediante un modelo de distribucin
Beta con parmetros p=4 y q=2. Calcule la probabilidad de que un mes
determinado se utilice ms del 75% de la reserva de combustible.
Solucin:
Su funcin de densidad ser: f(x) = 20x
3
(1-x) si 0<x<1 y f(x)=0 en otro caso.
Luego P(x>0,75)=
}
+
75 , 0
) ( dx x f =0,3672

DISTRIBUCIN UNIFORME CONTINUA

Esta es la ms sencilla de las distribuciones continuas. Surge al considerar una
variable aleatoria que toma valores probables en un intervalo finito y su nombre
se debe al hecho de que la densidad de la probabilidad de esta variable
aleatoria es uniforme en todo su intervalo de definicin.

Sea un experimento aleatorio cuya variable aleatoria asociada toma valores en
un intervalo finito, de manera que puede tomar cualquier valor de ese intervalo,
entonces si la probabilidad de que la variable aleatoria tome un valor en cada
su intervalo de la misma longitud es la misma, diremos que la variable aleatoria
est distribuida uniformemente en ese intervalo.

Definicin: Diremos que una variable aleatoria X, de tipo continuo, sigue una
distribucin uniforme en el intervalo real [a,b], con -<a<b<+ ,si su funcin
de densidad es:

1
,
( )
0, en el resto
a x b
f x
b a

s s


Abreviadamente lo indicamos por X~U(a,b) en donde a y b son los
parmetros.

Caractersticas:
1. Funcin de distribucin de una U(a,b) es:

0,
( ) ( ) ,
1,
x
a
x a
x a
P X x f x dx a x b
b a
x b
<


s = = s s

>

}

2. Media =
2
b a +
(es el centro del intervalo de definicin y en consecuencia
coincide con la mediana).
3. Varianza VAR(X)=
( )
2
12
b a

Ejemplo: Sea X una variable aleatoria que se distribuye de forma uniforme en
el intervalo [3,9] . Hallar: funcin de densidad, funcin de distribucin,
Esperanza y varianza.
Solucin:

f(x)= 1/6 3 9 s s x 0 x<3
0 resto F(x)= (x-3)/6 3 9 s s x
1 x>9

E[X]=6 y VAR[X]=3




DISTRIBUCIN F DE SNEDECOR


Usada en teora de probabilidad y estadstica, la distribucin F es
una distribucin de probabilidad continua. Tambin se le conoce
como distribucin F de Snedecor (por George Snedecor) o como distribucin F
de Fisher-Snedecor.
Una variable aleatoria de distribucin F se construye como el siguiente
cociente:

Donde
- U
1
y U
2
siguen una distribucin chi-cuadrado con d
1
y d
2
grados de
libertad respectivamente, y
- U
1
y U
2
son estadsticamente independientes.
La distribucin F aparece frecuentemente como la distribucin nula de una
prueba estadstica, especialmente en el anlisis de varianza. Vase el test F.
La funcin de densidad de una F(d1, d2) viene dada por


Para todo nmero real x 0, donde d1 y d2 son enteros positivos, y B es
la funcin beta.
La funcin de distribucin es




Ejemplo, El jefe de un laboratorio se encuentra con una tcnica de medicin
fuera del control estadstico. Para investigar las causas decide investigar si el
factor humano tiene incidencia, y toma una muestra de suero cualquiera la
divide en 20 alcuotas. Luego elige 10 de ellas al azar y se las entrega al
laboratorista 1 para que haga las determinaciones; las restantes las
encomienda al laboratorista 2 para que las mida. Los resultados obtenidos son:
s
1
2
=2,4 es la varianza obtenida por el laborista, 1 y s
2
2
=0,8 para el otro. Decidir
si hay diferencia en dispersin entre ambos.

H
0
:
2
2
2
1
o = o
H
1
:
2
2
2
1
o = o
El estadgrafo es
0 . 3
8 . 0
4 . 2
F
2
2
2
1
= =
o
o
=

Como se trata de un ensayo de dos colas, para un nivel del 95% de confianza,
se busca en las tablas para:
1
=
2
=n
1
-1=9 grados de libertad, mientras que =
0,025 para el lmite inferior y = 0,975 para el superior. Estos valores son
F
0,975;(9,9)
= 4,03.

Luego, para calcular el valor no tabulado = 0,025 se aprovecha una
propiedad que tiene la funcin F usando la inversa: F
0,025;(9,9)
=1/F
0,975
; (9,9)
=1/4,03 = 0,248 Como el valor hallado F=3 cae dentro de la zona de
aceptacin, no hay evidencia significativa como para decir que el factor
humano tiene incidencia en la dispersin de las mediciones.

La distribucin F de Snedecor aparece en los contrastes asociados a
comparaciones entre las varianzas de dos poblaciones normales. Si
(X
1
,X
2
,...,X
m
) y (Z
1
,Z
2
,...,Z
n
) son m+n variables aleatorias normales
2
, la variable

=
=
=
n
1 i
2
i
n
1 i
2
i
n
Z
n
1
X
m
1
Y


tiene una distribucin F
m,n
-Snedecor de m y n grados de libertad. Su funcin de
densidad es
2 / ) 2 m (
2 / ) 2 m (
2 / m
n
mx
1 x
2
n
2
m
n
m
2
n m
) x ( f
+

|
.
|

\
|
+
|
.
|

\
|
I
|
.
|

\
|
I
|
|
.
|

\
|
|
|
.
|

\
| +
I
=

con x > 0, siendo
}


= I
0
x 1 P
dx e X ) P ( la funcin gamma de Euler con P>0.
Finalmente, la funcin de distribucin viene dada por
}
= s =
x
0
dt ) t ( f ) x X ( P ) x ( F

y sus momentos por la media y la varianza son
) 4 n ( ) 2 n ( m
) 2 n m ( n 2
) X ( V y
2 n
n
) X ( E
2
2

+
=

=

Definindole de otra manera, sean
2
m
2
n
Y y X _ ~ _ ~ variables aleatorias
independientes, entonces,
m , n
F
Y
X
n
m
F ~ =

sigue una distribucin de probabilidad F-Snedecor, con (n,m) grados de
libertad. Obsrvese que F
n,m
F
m,n




Es claro que la distribucin F-Snedecor no es simtrica, pues slo tienen
densidad de probabilidad distinta de cero, y adems
n , m
1
m , n
F F entonces F F ~ ~



DISTRIBUCIN CHI
2
CUADRADO DE PEARSON

Si (X
1
,X
2
,...,X
n
) son n variables aleatorias normales independientes de media 0
y varianza 1, la variable definida como

=
= + + =
n
1 i
2
i
2
n
2
1 n
X X X Y


se dice que tiene una distribucin CHI con n grados de libertad. Su funcin de
densidad es
0 x e x
2
2
n
1
) x ( f
2 / x 2 / ) 2 n (
n
>
|
.
|

\
|
I
=



siendo
}


= I
0
x 1 P
dx e X ) P ( la funcin gamma de Euler, con P>0. La funcin de
distribucin viene dada por
}
= s =
x
0
dx ) x ( f ) x X ( P ) x ( F


La media de esta distribucin es E(X)=n y su varianza V(X)=2n. Esta
distribucin es bsica en un determinado nmero de pruebas no paramtricas.

Si consideramos una variable aleatoria Z~N(0,1), la variable aleatoria X=Z
2
se
distribuye segn una ley de probabilidad distribucin CHI con un grado de
libertad

Si tenemos n variable aleatoria independientes Z
i
~N(0,1), la suma de sus
cuadrados respectivos es una distribucin CHI con n grados de libertad,

=
_ ~ ~
n
1 i
2
n
2
i i
Z ) 1 , 0 ( N Z

La media y varianza de esta variable son respectivamente, E(X)=n y V(X)=2n

Ejemplo, El espesor de un semiconductor se controla mediante la variacin
estndar no mayor a =0.60 mm. Para mantener controlado el proceso se
toman muestras aleatoriamente de tamao de 20 unidades, y se considera que
el sistema est fuera de control cuando la probabilidad de que 2 tome valor
mayor o igual al valor de la muestra observado es que es 0.01. Que se puede
concluir si s=0.84mm?

Solucin. Existe fuera de control si
2 2
/ s ) 1 n ( o con n=20 y =0.60, excede
191 . 36
2
19 , 01 . 0
= _
Entonces, 24 . 37
60 . 0
84 . 0 * 19 s ) 1 n (
2
2
2
2
= =
o


Por tanto, el sistema est fuera de control

La funcin de distribucin CHI tienen importantes variaciones de acuerdo con
los grados de libertad y del tamao muestral (menor tamao muestral y mayor
tamao muestral respectivamente),




En consecuencia, si tenemos X1,..,Xn, variable aleatoria independientes, donde
cada
) , ( N X
i i i
o ~ , se tiene

=
_ ~
|
|
.
|

\
|
o

n
1 i
2
n
2
i
i i
X


La distribucin Chi muestra su importancia cuando queremos determinar la
variabilidad (sin signo) de cantidades que se distribuyen en torno a un valor
central siguiendo un mecanismo normal.

Teorema (Cochran). Sean X
1
,,X
n
con distribucin N( , ), la variable aleatoria
independiente, entonces

=

=
_ ~
|
|
.
|

\
|
o

|
.
|

\
| o
~ =
n
1 i
2
1 n
2
i
n
1 i
i
X X
y
n
, N
n
X
X


La funcin Chi-cuadrado es igual a la funcin normal elevada al cuadrado. Esto
es, el producto de dos distribuciones de Gauss es una distribucin de Chi-
cuadrado. Si de una poblacin normal, o aproximadamente normal, se extraen
muestras aleatorias e independientes, y se le calcula el estadgrafo
2
usando
el valor muestral de la varianza y el poblacional con:
2
2
2
s ) 1 n (
o

= _

Esta funcin matemtica est caracterizada por el valor del nmero de grados
de libertad =n-1 (donde n es el tamao muestral). Al igual que la t-Student, el
valor total del rea bajo la curva es igual a la unidad, pero la diferencia principal
es que esta no es simtrica respecto al origen, sino que se extiende desde 0
hasta + porque no puede ser negativa.



A medida que los grados de libertad aumentan, la curva cambia de forma y sus
valores se han tabulado en el anexo de tablas estadsticas, donde se muestran
los valores del rea bajo la curva, para los principales valores de
2
, a la
derecha de ste. O sea, se muestra la zona de rechazo para diferentes niveles
de significacin y de grados de libertad, lo cuales varan entre 1 y 100. Ms
all, conviene usar directamente la funcin de Gauss.

Para cada grado de libertad hay una tabla de valores que pueden obtenerse
variando el nivel de significacin, parecida a la de Gauss.

Ejemplo. Un bioqumico sospecha que su micro-centrfuga no mantiene
constante su velocidad mientras trabaja, lo cual le da una variabilidad
indeseada en sus determinaciones. Para controlarla, consigue un tacmetro
regulado y mide cada minuto la velocidad durante 10 minutos. Los resultados
fueron: una velocidad promedio en las 10 mediciones de 3098 rpm con una
desviacin de 100,4 rpm. Testear para un error relativo mximo del 2% o
menos, si la centrfuga es estable.



max
=2%*3098=62 rpm, luego,
H
0
:
max
62 rpm
H
1
:
max
62 rpm

6 . 23
62
4 . 100 * ) 1 10 ( s ) 1 n (
2
2
2
2
2
=

=
o

= _

De la Tabla de valores crticos surge:
2
0,99;9
=21,666 y
2
0,991;9
=27,877. Por lo
tanto, el bioqumico ha encontrado una muy fuerte evidencia que la velocidad
del equipo oscila en forma indeseada, tal como sospechaba. Y deber ajustarlo
si desea disminuir la variabilidad de sus mediciones. Los resultados fueron muy
significativos
2
= 23,6

Ejemplo. Un farmacutico Jefe del Dpto. Control de Calidad en una industria
alimenticia, descubre que en su proceso de produccin el contenido de
ciclamato en su lnea de mermeladas dietticas vara en forma indeseada.
Sospechando que se trata de una falla en el dosificador, decide tomar 10
muestras seguidas del mismo. Encuentra un promedio de 20 gramos con una
desviacin de 8 gramos. Si en su protocolo de fabricacin la variacin mxima
permitida es del 3%, determinar si el dosificador debe ser corregido.
mx
= 3% de 20 g = 6 g. Luego:
H
0 mx

H
1 mx
> 6 g.: el dosificador debe ser cambiado

16
6
8 * ) 1 10 ( s ) 1 n (
2
2
2
2
2
=

=
o

= _

2
0,95;9
=16,9. Por lo tanto, el farmacutico
no ha encontrado evidencia que respalde sus sospechas. Sin embargo, el valor
hallado es muy cercano al crtico, por lo que le convendra hacer ms pruebas.
Se suele usar la denominada prueba Chi-cuadrado como test de independencia
y como test de bondad de ajuste. La funcin de densidad Chi-cuadrado es
0 x e x
) 2 / k (
) 2 / 1 (
) x ( f
2 / x 1 2 / k
2 / k
k
>
I
=



es la funcin gamma. La funcin de distribucin es
) 2 / k (
) 2 / x , 2 / k (
) x ( F
k
I

=

El valor esperado y la varianza de una variable aleatoria X con distribucin Chi-
cuadrada son
E[X] = k V[X] = 2k