Está en la página 1de 8

Tema 5: Modelos de Distribuciones Continuas 1

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas


TEMA 5
MODELOS DE DISTRIBUCIONES CONTINUAS.

1. I NTRODUCCI N.

El presente tema est dedicado al estudio de algunos de los modelos ms usuales de
variables (tambin llamadas distribuciones) continuas. Se van a considerar los modelos
que siguen:
- VARIABLE UNIFORME.
- VARIABLE NORMAL O DE GAUSS.
- V. GAMMA-ERLANG.
- V. EXPONENCIAL .
- V. DE WEIBULL.
Adems se presentarn otras distribuciones continuas que aparecern posteriormente en
el muestreo de poblaciones normales (inferencia)

2. VARI ABLE UNI FORME.

2.1. Notacin: ) , ( b a U X = , , , <
2.2 Funcin de densidad: | |. , ,
1
) ( b a x
a b
x f e

=
La variable uniforme se corresponde con el experimento aleatorio consistente en
elegir un punto al azar del intervalo en cuestin.

2.3. Funcin de distribucin:

>
< s

<
=
. 1
0
) (
b x si
b x a si
a b
a x
a x si
x F
2.4. Media: .
2 ) ( 2
1
) ( ) (
2 2
b a
a b
a b
dx
a b
x dx x xf X E
b
a R
+
=

= = =
} }

2.5. Varianza: .
3 ) ( 3
1
) (
2 2 3 3
2 2
a ab b
a b
a b
dx
a b
x X E
b
a
+ +
=

=
}

( )
( )
.
12
) ( ) (
2
2 2 2
a b
X E X E

= = o

3. VARI ABLE NORMAL

3.1. Notacin: ), , ( o N X = ,
+

.

3.2. Funcin de densidad:
Tema 5: Modelos de Distribuciones Continuas 2

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas
|
|
.
|

\
|

=
2
2
) (
2
exp
2
1
) (
o

t o
x
x f
(Ntese que al no presentar ninguna restriccin respecto a los valores de la variable, la
funcin de densidad anterior se entiende definida en todo .)

3.3. Funcin de distribucin: Carece de expresin cerrada:
}

=
x
dt t f x F ) ( ) ( .
3.4. Histograma:

( )
8
1
2
2 2
1
) (
) 2 , 1 (

=
=
x
e x f
N X
t

3.5. Media:
. ) ( ) ( = =
}
+

dx x xf X E
Adems, Mo Me = = .
3.6. Varianza:
.
2
2
) (
2
exp
2
1
) ( ) (
2 2
o
o

t o
=
|
|
.
|

\
|

=
}
+

dx
x
x X Var


) 2 , 2 (
) 2 , 0 (
) 2 , 1 (
3
2
1
N X
N X
N X
=
=
=

-4 -2 2 4 6
0.05
0.1
0.15
0.2
-4 -2 2 4 6
0.05
0.1
0.15
0.2
Tema 5: Modelos de Distribuciones Continuas 3

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas
DISTRIBUCIONES NORMALES HOMOCEDSTICAS (igual varianza).

) 4 , 0 (
) 2 , 0 (
2
1
N X
N X
=
=

DISTRIBUCIONES NORMALES CENTRADAS, DISTINTA VARIANZA.


3.7. Variable tipificada de la Normal:
o

= =
X
X tp Z ) ( .
2
2
2
1
) ( ) (
z
e z f z g

= + =
t
o o ,
lo que significa que
) 1 , 0 ( N Z = .
3.8. Clculo de probabilidades utilizando la tabla de la ) 1 , 0 ( N .
La tabla de la variable normal tipificada proporciona, para cada valor de la abscisa que
aparezca tabulado, el valor de la cola de probabilidad inferior que le corresponde, esto
es

+
= =
1
2

2
2

En caso de que z no sea uno de los valores tabulados, se procede por interpolacin lineal
entre los valores ms prximos a z.

Si < 0, entonces no se encuentra tabulado. En este caso, = =
= = 1 (Ntese que > 0)


3.9. Determinacin de cuantiles.
Como es evidente, dado 0,1, de la tabla puede obtenerse el valor de la abscisa z tal
que = = .
- Si 0.5, entonces z aparecer en la tabla (o se obtendr por interpolacin
lineal)
- Si < 0.5, entonces el valor buscado z ser negativo, por lo que no est
tabulado. Se utiliza entonces que
= = = 1 ,
As, se buscar en la tabla el valor z , (-z>0), tal que
= 1 .
-10 -5 5 10
0.05
0.1
0.15
0.2
Tema 5: Modelos de Distribuciones Continuas 4

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas

3.10. Notacin:
Dado 0,1, se denota por

al valor de la abscisa tal que


= ( >

) = 1 (

),
as que

es el cuantil de orden 1 de la normal tipificada.


-

= 1 .
-

=
1
.
-

= 1.

3.11. Clculo de probabilidades con = (, ).
Sea = (, ). Sea . Para calcular =
1
2

2
2
2

, se
recurre a la variable normal tipificada. As:

=

.

3.12. Reproductividad de la normal
- Sean

, = 1, , variables aleatorias normales independientes.


Sean ,
1
, ,

. Entonces

+

= +

=1
,

=1

=1

La demostracin es trivial, utilizando la funcin generatriz de momentos de
= (, ),

=
+1 2
2

2
.

- La variable , es reproductiva respecto de
2
.

1
=
1
,
1

2
=
2
,
2


1
+
2
=
1
+
2
,
1
2
+
2
2



4. DI STRI BUCI N GAMMA

4.1. Notacin: = , , ,
+


Si = , se dice que es una distribucin de Erlang, y se denota = (, ).

4.2. Funcin de densidad:
=

()

, > 0.

Nota: :
+

dada por la expresin =


1

+
0
, es la funcin
Gamma de Euler, que verifica:
- +1 = ().
- Si p , entonces p +1 = p!

4.3. Media:
Tema 5: Modelos de Distribuciones Continuas 5

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas
= = =
+
0

()

+
0
.
Mediante el cambio de variable = ,
=

+
0
=
p +1

=



4.4. Varianza:
De forma anloga a la anterior, se obtiene
2
=
(+1)

, y as,

2
=
2

2
= /
2
.

4.5. Propiedad reproductiva de la variable Gamma.
La variable (, ) es reproductiva respecto de p. Si

= (

, ) son
independientes, entonces

=1
,

=1


4.6. Teorema: Si = (, ) y , > 0, entonces , = (,

).

Se recomienda la demostracin realizando como ejercicio el cambio de variable
= .

5. VARI ABLE EXPONENCI AL

5.1. Notacin: = (),
+



5.2. Funcin de densidad:
=

, 0

5.3. Media y varianza:
= = =
+
0

+
0

=
1

2
= (
1

)
2
=
+
0
1

2


5.4. Relacin con la variable Gamma:
- La variable exponencial es un caso particular de la gamma: = (1, ) , lo
que se deduce inmediatamente de la funcin de densidad.
- Sean

= , = 1, , variables aleatorias exponenciales independientes.


Entonces:

= (,

=1
) = (, ).
- En consecuencia, la variable exponencial no es reproductiva.


5.5. Propiedad de carencia de memoria de la exponencial

La distribucin exponencial verifica la siguiente propiedad:
+
0

0
=
+
0

0

=
+
0

+
0

0
=
Tema 5: Modelos de Distribuciones Continuas 6

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas
=

= ( ).
La interpretacin de esta propiedad como carencia de memoria tiene sentido si
consideramos el siguiente ejemplo: sea X la variable que representa el tiempo de
funcionamiento o tiempo hasta el fallo de un dispositivo. La propiedad anterior puede
enunciarse de esta forma: consideremos un dispositivo que ha llegado al instante

en
funcionamiento. La probabilidad de que contine funcionando durante un tiempo
adicional t , es decir, en el intervalo
0
,
0
+, es la misma probabilidad de que el
dispositivo funcione desde el inicio hasta el instante t.
Un dispositivo cuya duracin de vida sigue una ley exponencial no recuerda haber
funcionado ya durante

unidades de tiempo (se dice que usado es tan bueno como


nuevo).

5.6. Relacin con la variable de Poisson.

Si se considera un proceso en el cual el nmero de sucesos por unidad de tiempo se
distribuye segn una ley de Poisson, puede comprobarse que el tiempo que transcurre
hasta que ocurre el primer suceso, o el tiempo entre dos sucesos consecutivos se
distribuye conforme al modelo exponencial.

6. DI STRI BUCI N DE WEI BULL

6.1. Notacin: = , , ,
+



6.2. Funcin de densidad:
=

, > 0.
6.3. Funcin de distribucin:
= 1

, > 0.

6.4. Media:
=


+
0

Mediante el cambio de variable =

, se obtiene
=

+
0

1
= 1 +
1

.
6.5. Relacin con la variable exponencial.
Si = 1, 1, = (
1

) , lo que puede comprobarse inmediatamente a partir


de la funcin de densidad.

7. DI STRI BUCI N CHI -CUADRADO
7.1. Notacin: =

.

7.2. Definicin: Sea

1
, una familia de variables independientes e idnticamente
distribuidas,

= (0, 1). Se define la variable chi-cuadrado de Pearson con n


grados de libertad de la forma siguiente

=
1
2
++

2
.
7.3. Funcin de densidad:
Tema 5: Modelos de Distribuciones Continuas 7

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas
7.3.1. Si = (0, 1), entonces
2
= (
1
2
,
1
2
).
Demostracin: Mediante el cambio de variable =
2
, se obtiene la
funcin de densidad correspondiente a la distribucin gamma precedente.

7.3.2. Dado que la distribucin Gamma es reproductiva, es inmediato que

=
1
2
++

2
= (
1
2
,
1
2
)

=1
= (

2
,
1
2
).
As pues, la fdd de la variable chi-cuadrado se obtiene particularizando la
fdd de la distribucin Gamma para los parmetros dados.

=
1
2
2
( 2)

2
1

2
, > 0.

7.4. Reproductividad: La distribucin chi-cuadrado es reproductiva respecto de n,

=
+

.

Demostracin: consecuencia de la reproductividad de la distribucin Gamma.

7.5. Relacin con la variable exponencial.
Si

1
es una familia de variables independientes e idnticamente distribuidas,

= (), entonces
2

=1

.
7.6. Propiedad asinttica.
2

2
2 1, 1

La aproximacin se considera vlida para 30.

7.7. Clculo de probabilidades con la tabla de


Se denota por
;

+
el valor de la abscisa tal que

= . Estos
valores pueden obtenerse de la tabla de la distribucin, siendo necesaria en
ocasiones la interpolacin.

8. DI STRI BUCI N T-STUDENT.

8.1. Definicin:
Sean las variables ,
1
, ,

, independientes e idnticamente distribuidas (0, ). Se


define la variable T-Student con n grados de libertad, y se denota =

de la forma
siguiente:

1
2
++

=
(0,)

(0,)
2

=1

=
(0,1)

.

8.2. La fdd de la distribucin T-Student no es necesaria. Basta con saber que es una
funcin par y que su grfica es similar a la de la normal tipificada.
8.3. Media: = 0.

8.4. Varianza:
2
=

2
.
Tema 5: Modelos de Distribuciones Continuas 8

Mara Jos Morales Delgado. Departamento de Organizacin Industrial y Gestin de Empresas

8.5. Clculo de probabilidades con la tabla de


Se denota por
;
el valor de la abscisa tal que


;
= . Estos valores
pueden obtenerse de la tabla de la distribucin, siendo necesaria en ocasiones la
interpolacin.


9. DI STRI BUCI N F DE SNEDECOR

9.1. Definicin:

Sean las variables
1
, ,

,
1
, ,

, independientes e idnticamente distribuidas


(0, ). Se define la variable F de Snedecor con n y m grados de libertad, y se denota
=
,
de la forma siguiente:
=
,
=

1
2
+ +

1
2
+ +


9.2. Clculo de probabilidades con la tabla de
,
.
Se denota por
,;
el valor de la abscisa tal que
,

,;
= . Los
valores de
,;
que aparecen tabulados corresponden a valores de relativamente
pequeos.
Para valores de prximos a 1 se utiliza la siguiente propiedad:

,;
=
,;1

1
.