Estadstica Empresarial II

15
DISTRIBUCIONES DE TIPO CONTINUO
1.DISTRIBUCIN UNIFORME CONTINUA.
1.1 DEFINICIN.
Una variable aleatoria se dice que sigue una distribucin uniforme continua en un intervalo
real ( ) a b , , y se representa por ( ) X U a b , , si su funcin de densidad es constante en dicho
intervalo y nula fuera de l; es decir:
f x
X
k a x b
en el resto
( ) =

< <
0
Debemos calcular k:
( )dx x f
X

= 1 ( ) 1 = =

a b k dx k
b
a

a b
k

=
1
Por tanto, la funcin de densidad de una v.a. uniforme continua de parmetros a y b,
( ) a b R a b , , < es:
f x
b a
a x b
en el resto
X
( ) =

< <

1
0
a
b
f(x)
1
b a
x
Cualquier eleccin de puntos reales al azar y sin preferencias en un intervalo es una v.a.
uniforme.

1.2. FUNCIN DE DISTRIBUCIN.
( )

<

<
b x
b x a
a b
a x
a x
x F
X
1
0
1.3. ESPERANZA.
0
a b
F(x)
1
x
Estadstica Empresarial II
16
( )
( ) 2 2 2
1 1
2 2 2
a b
a b
a b x
a b
dx
a b
x X E
b
a
b
a
+
=

=
|
|
.
|

\
|

1.4. VARIANZA.
( )
( ) 3 3 3
1 1
2 2 3 3 3
2 2
a ab b
a b
a b x
a b
dx
a b
x X E
b
a
b
a
+ +
=

=
|
|
.
|

\
|

( ) ( ) ( ) | |
( )
= =

Var X E X E X
b a
2
2
2
12
.
Propiedad: Sea X una v.a. absolutamente continua con funcin de distribucin ( ) x F
X
.
Entonces la variable Y = ( ) X F
X
sigue una distribucin uniforme en el intervalo (0 ,1).
Demostracin:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) F y p Y y p F X y p X F y F F y y
Y X X X X
= = = = =
1 1
( ) ( )

<
=

<
<
=
resto
y
y f
y
y y
y
y F
Y Y
0
1 0 1
1 1
1 0
0 0
( ) ( ) 1 , 0 U X F Y
X
=
2. DISTRIBUCIN NORMAL ESTNDAR, TIPIFICADA O DE LAPLACE - GAUSS.
2.1. DEFINICIN.

Una variable aleatoria sigue una distribucin normal tipificada ( ) ( ) X N 01 , si su
funcin de densidad es:
( ) f x e x
X
x
= < <
1
2
2
2

Comprobemos que est bien definida:

1) ( ) ( ) f x trivial
X
0 .
2) . 1
2
1
2
2

= dx e
x

Estadstica Empresarial II
17
. 1
1
2
1 1
2
1
1
2 2 2
1
0
2
2
2
2
= =
|
.
|

\
|
= =
= = |
.
|

\
|
= = =

dt e
dt e
dx
dt
x
t Cambio dx e
t
t
x
2.2. GRFICA DE LA FUNCIN DE DENSIDAD.
1. ( ) x f
X
es continua en todo R.
2. ( ) x f
X
es simtrica respecto del eje de ordenadas: ( ) ( ) f t f t
X X
= .
3. Nunca toma el valor cero, pero tiene como asntota horizontal el eje de abscisas:
( ) ( ) lm f x lm f x
x
X
x
X

= = 0
4. ( ) ( ) x f x x f
X X
= ' =
( )
( )

> <
< >
e decrecient es x f x si
creciente es x f x si
X
X
0 , 0
0 , 0
5. Tiene un mximo en el punto 0
1
2
, :

|
\

|
.
|
( ) f x x
X
' = = 0 0
( ) ( ) ( ) ( ) ( ) 0 0 0 ' ' ' '
2
< = + =
X X X X X
f f x f x x f x f
alcanza el mximo cuando x = 0, tomando el valor ( )
2
1
= x f
X
.
6. Presenta dos puntos de inflexin, en 1 = x y en x = 1, siendo cncava hacia abajo
si < < 1 1 x y cncava hacia arriba en otro caso:
( ) ( ) ( ) . 1 1 0 1 ' '
2 2
= = = + = x x x f x x f
X X

Con toda esta informacin, podemos obtener la grfica:
- 4 - 1 0 1 4
1
2

Estadstica Empresarial II
18
Fue De Moivre quien estableci en 1733 la expresin matemtica de la distribucin
normal como aproximacin de la distribucin binomial. Posteriormente, Laplace y Gauss
llegaron a ella empricamente estudiando la distribucin de los errores en la medicin. El
calificativo de "normal" se debe a que es tpica de muchos experimentos y observaciones, en
especial de fenmenos de la naturaleza, donde intervienen muchas causas, cada una de
pequeo efecto, que pueden suponerse independientes.
2.3. FUNCIN DE DISTRIBUCIN.
( ) < < =

x dt e x F
t
x
X
cuando ,
2
1
2
2

La funcin de distribucin de un punto x es el rea sombreada en la figura.

La funcin de densidad de la distribucin normal no tiene primitiva, por lo cual la funcin
de distribucin se calcula numricamente. Esos valores se recogen en una tabla.
2.4. ESPERANZA.

=
(
(

= = = 0
2
1
2
1
) ( ) (
2 2
2 2
x x
X
e dx e x dx x f x X E

*** Hemos utilizado el cambio de variable dt xdx t
x
= =
2
2
2.5. VARIANZA.

= = = = partes) por (
2
1
) ( ) (
2
2 2 2
2
dx e x dx x f x X E
x
X

2 2 2
2 2 2
2
1
2
1
2
1
x x x
e dx xe v dv dx xe
du dx u x

= = =
= =

1 1 0
2
1
2
1
2 2
2 2
= + = +
(
(

dx e e x
x x

( ) ( ) ( ) | | 1
2 2
= = X E X E X Var
Estadstica Empresarial II
19
2.6. DISTRIBUCIN ( ). , N
Una variable aleatoria, X, sigue una distribucin ( ) N , , < < > , , 0 si su
funcin de densidad es:
( )
( )
f x e x
X
x
= < <

1
2
2
2
2

Cualquier variable Z con distribucin ( ) N 01 , se puede transformar en una ( ) , N

mediante un cambio de variable: . + = Z X
Lo podemos comprobar:
( ) | | | |
|
.
|

\
|
=
(

= + = =

x
F
x
Z p x Z p x X p x F
Z X
( )
( )
2
2
2
2 2
2
1
2
1 1

|
.
|

\
|

= =
|
.
|

\
|
=
x
x
Z X
e e
x
f x f
( ) ( )
( ) ( )
2 2


= =
= + =
Z Var X Var
Z E X E
Propiedad 1: Sean X
1
, ..., X
n
v.a. independientes con distribucin N (
i
,
i
). La variable
aleatoria b X a X a Y
n n
+ + + = ...
1 1
). ... , ... (
2 2 2
1
2
1 1 1 n n n n
a a b a a N + + + + +
Propiedad 2: La distribucin normal es reproductiva: la suma de variables normales
independientes es una variable normal.

Se demuestra suponiendo que 0 y 1 ...
1
= = = = b a a
n
. Entonces:
) ... , ... (
2 2
1 1
1
n n
n
i
i
N X Y + + + + =

=
Propiedad 3: Sean X
1
, ..., X
n
v.a. independientes e igualmente distribuidas N (,). La
variable "media muestral" X
X
n
i
i
n
=
=

1

|
\

|
.
| N
n

, . .
Propiedad 4: Si X es una v.a. N (,) , la variable Y aX b = + sigue una distribucin
( ). , a b a N +

La demostracin es inmediata si aplicamos la 1 propiedad cuando slo hay una variable.
Estadstica Empresarial II
20
3. DISTRIBUCIN GAMMA.
3.1. DEFINICIN.
Una variable aleatoria sigue una distribucin gamma de parmetros a y p si tiene funcin
de densidad:
( )
( )
f x
a
p
x e x
x
X
p
p a x
=
>

1
0
0 0
a p , > 0
Se representa por ( ). , p a X El valor de (p) se obtiene:
( ) ( )! 1
0
1
= =

p dx e x p
x p
Para comprobar que es funcin de densidad, basta hacer el cambio ax t = .
Dependiendo de los distintos valores de a y p, podemos obtener diferentes funciones de
densidad, como muestran las siguientes grficas:


p < 1 p = 1 p > 1

Las variables "tiempo de espera" se ajustan bien a una distribucin gamma.
3.2. FUNCIN DE DISTRIBUCIN.
( )
( )

>

0
0 0
0
1
x dt e t
p
a
x
x F
x
t a p
p
X
Los valores de esta funcin se recogen en una tabla.
3.3. MOMENTOS.
Estadstica Empresarial II
21
( )
( )
( )
( ) ( )
dx e x
k p
a
p a
k p
dx e x
p
a
x X E
x a k p
k p
k
x a p
p
k k +

+
+
=

=
1
0
1
0
( )
( )
( ) p a
k p
X E
k
k

+
=
Esperanza: ( )
( )
( )
( )
( ) a
p
p a
p p
p a
p
X E =

+
=
1

Varianza: ( )
( )
( )
( ) ( )
( )
2
2
2 2
2
1 2
a
p p
p a
p p p
p a
p
X E
+
=

+
=

+
=
( ) ( ) ( ) | |
2
2
2
2
2 2
a
p
a
p
a
p p
X E X E X Var = |
.
|

\
|

+
= =

Propiedad 1: Sean X
1
, ..., X
n

v.a. independientes, con ( ). ,
i i
p a X Entonces:

( )

=
+ +
n
i
n i
p p a X
1
1
... ,
Propiedad 2: Sea ( ). , p a X La variable ( ). , p
k
a
X k


Propiedad 3: Sean X
1
, ..., X
n
v.a. independientes, igualmente distribuidas ( ). , p a
La variable ( ) pn an
n
X
X
n
i
i
,
1
=

=
.
La demostracin se hace siguiendo las propiedades anteriores.
4. DISTRIBUCIN EXPONENCIAL NEGATIVA.
Es un caso particular de la anterior, donde p = 1. Por tanto, su funcin de densidad es:
( ) f x
a e x
x
X
a x
=

<

0
0 0

siendo a R a > , . 0

Se representa por ( ) ( ). 1 , a a X
4.1. FUNCIN DE DISTRIBUCIN.
Estadstica Empresarial II
22
( )

=
<
=

0 1
0 0
0
x e dt e a
x
x F
x a
x
t a
X

4.2. MOMENTOS.
( )
( )
( )
( )

=
=

+
=
2
1
1
1
a
X Var
a
X E
a
k
X E
k
k
Propiedad 1: Sean X
1
, ..., X
n

v.a. independientes e igualmente distribuidas, siguiendo una
distribucin ( ). a La variable X = X
1

+ ...+ X
n

( ). ,n a
Propiedad 2: Propiedad del olvido. Sea X una v.a. con distribucin exponencial negativa
de parmetro a. Entonces:
| | t X
s X
t s X
> =
(

>
+ >
p p

Demostracin: | | | | ( )
x a x a
e e x X x X

= = = > 1 1 p 1 p

| |
| |
| |
| |
=
>
+ >
=
>
> + >
=
(

>
+ >
s X
t s X
s X
s X t s X
s X
t s X
p
p
p
, p
p

| | t X e
e
e
t a
s a
t s a
> = = =

+
p
) (
El recproco tambin es cierto, de forma que la falta de memoria caracteriza a la
distribucin exponencial entre las distribuciones continuas no negativas.
Si la variable que estudiamos es el "tiempo de vida" de la pieza de cierto aparato, la falta
de memoria nos dice que, si lleva funcionando un tiempo s, la probabilidad de que siga
Estadstica Empresarial II
23
funcionando un tiempo adicional t slo depende de t y es igual a la probabilidad de que una
pieza nueva no falle durante un tiempo t. Esto significa que los modelos exponenciales deben
aplicarse al "tiempo de vida" de piezas que no sufran desgaste o deterioro en su
funcionamiento.
5. DISTRIBUCIN BETA.
5.1. DEFINICIN.
Una variable aleatoria diremos que sigue una distribucin beta de parmetros p y q, con
0 , ; , > q p R q p , y se representa por ( ), ,q p X si su funcin de densidad es:
( )
( )
( )

< <
=

resto el en
x x x
q p
x f
q p
X
0
1 0 1
,
1
1 1

donde ( )
( ) ( )
( )
( ) . 1 ,
1
0
1 1

=
+

= dx x x
q p
q p
q p
q p

Dada la gran flexibilidad de la distribucin beta y el hecho que tomar valores entre cero y
uno, variables que describen proporciones, como la proporcin de riqueza en un cierto
mineral, la incidencia del gasto en alimentacin en el presupuesto familiar, o la proporcin de
manufacturas defectuosas, se ajustan bien a esta distribucin.
Las grficas siguientes nos muestran la forma de la funcin de densidad de distintas
distribuciones beta:

0
2
4
0 0.5 1

0
1
2
0.5 1

0
1
2
0.5 1

1 ,
2
1
= = q p 1 , 1 = = q p 1 , 2 = = q p
1
Estadstica Empresarial II
24

0
2
4
6
0.5 1

0
2
4
0 0.5 1

0
1
2
0 0.5 1


2
1
,
2
1
= = q p
2
1
, 1 = = q p 2 , 2 = = q p

0
1
2
3
0 0.5 1

0
1
2
3
0 0.5 1

0
1
2
3
0 0.5 1
0

2 , 4 = = q p 4 , 4 = = q p 4 , 2 = = q p

5.2. FUNCIN DE DISTRIBUCIN.

( )
( )
( ) ( )

< <

+

1 1
1 0 ) 1 (
0 0
0
1 1
x
x dt t t
q p
q p
x
x F
x
q p
X
5.3. MOMENTOS.

( )
( )
( ) ( )
=

+
=

1
0
1 1
) 1 ( dx x x
q p
q p
x X E
p p k k
( ) ( )
( ) ( )
( )
( ) ( )
( ) ( )
( ) ( ) k q p p
k p q p
dx x x
q k p
k q p
k q p p
k p q p
q k p
+ +
+ +
=
+
+ +
+ +
+ +
=
+

1 1
1
0
) 1 (
Esperanza y varianza:
( )
( ) ( )
( ) ( )
( ) ( )
( ) ( ) ( )
k E X
p q p
p p q
p q p p
p p q p q
p
p q
= =
+ +
+ +
=
+
+ +
=
+
1
1
1





Estadstica Empresarial II
25
( )
( ) ( )
( ) ( )
( )
( )( )
k E X
p q p
p p q
p p
p q p q
= =
+ +
+ +
=
+
+ + +
2
2
2
1
1
2


( ) ( ) ( ) | |
( )
( ) ( )
( )( )
2
2
2 2
1
1
1
q p q p
q p
q p
p
q p q p
p p
X E X E X Var
+ + +
=
|
|
.
|

\
|
+

+ + +
+
= =
Propiedad: Sea ( ); , q p X sea a, con 0 1 < < a . Entonces se verifica:
| | | | p Y a X = p p
siendo Y una variable con distribucin ( ). , 1 a q p B +
Esta propiedad permite, en algunos casos, obtener la funcin de distribucin de una
variable beta a partir de las tablas de la distribucin binomial.

6. DISTRIBUCIN BETA EXTENDIDA.
6.1. DEFINICIN.
Una variable aleatoria tiene una distribucin beta extendida de parmetros p q a b , , , , y se
representa por ( ), , , , b a q p Y
e
si la variable puede escribirse
como: ( ) Y a X b a = + , siendo ( ), , q p X . 0 b a
6.2. FUNCIN DE DENSIDAD.

( ) | | ( ) | |
|
.
|

\
|

=
(

= + = =
a b
a y
F
a b
a y
X y a b X a y Y y F
X Y
p p p

Derivando:

( )
a b a b
a y
f y f
X Y

|
.
|

\
|

=
1

Sustituyendo:
( )
( ) ( )

=

+
resto el en
b y a y b a y
a b q p
y f
q p
q p
Y
0
) ( ) (
,
1
1 1
1

Estadstica Empresarial II
26
6.3. ESPERANZA Y VARIANZA.
Si ( ), , q p X conocemos su varianza y su esperanza. Luego:
( ) ( ) E Y a b a E X a b a
p
p q
= + = +
+
( ) ( )
( ) ( )
( ) ( )
Var Y b a Var X
b a p q
p q p q
= =

+ + +
( )
( )
2
2
2
1
6.4. MODA.

La moda es el valor que hace mxima la funcin de densidad. Derivando ( ) f y
Y
'
= 0
( ) ( )
=
+
+
y
q a p b
p q
1 1
2
Se puede comprobar mediante la segunda derivada que es un mximo. As pues:
( ) ( )
Moda m
q a p b
p q
= =
+
+
1 1
2
6.5. APROXIMACIONES USADAS EN EL MTODO PERT.
Vamos a obtener expresiones aproximadas para la media y la desviacin tpica de la v.a.
Y = "Duracin de una actividad", en funcin de a, b y m.
Dada cualquier variable aleatoria Y, sabemos, por la desigualdad de Tchebychev:
| | 89 . 0
9
8
3
1
1 3 3 p
2
= = + Y
Si la distribucin de Y tambin fuese unimodal, su probabilidad sera mayor:
| | 1 3 3 p + Y
Como en nuestro caso sabemos que | | , 1 p = b Y a igualando tendremos:
( )
( )



+

`
)
=



3
3
6
6 36
2
a
b
b a
b a
Var Y
b a
.
De las expresiones anteriores de la varianza y de la moda, podemos despejar p y q en
funcin de a, b y m, en el sistema:
( )
( )
Var Y
b a

2
36
La esperanza de Y se puede obtener por aproximacin, bajo ciertas condiciones.
Estadstica Empresarial II
27
Supongamos que p q + = 6.
Sustituyendo en la moda:
( ) ( )
| |
( ) ( )
b a a b p a m
b p a p
q p
b p a q
m
p q
+ =
+
=
+
+
=
=
) ( 6 4
4
1 1 6
2
1 1
6
Por otro lado, ( ) E Y a b a
p
p q
a b a
p
= +
+
= + ( ) ( ) .
6

( ) ( ) a Y E p a b p a b a Y E 6 6 ) ( ) ( 6 6 = + =
Teniendo en cuenta los dos resultados:
( ) b a a Y E a m + = 6 6 6 4
( )
6
4 b m a
Y E
+ +

7. DISTRIBUCIN TRIANGULAR.
7.1. DEFINICIN.
Se dice que una variable aleatoria sigue una distribucin triangular, si su funcin de
densidad es de la forma:
( ) f x
b a m a
x a a x m
b a b m
b x m x b
en el resto
X
=

2
2
0
( )( )
( )
( )( )
( )

donde m es la moda.
La representacin grfica de su funcin de densidad:
7.2. ESPERANZA.
a m b
f(x)
Estadstica Empresarial II
28
( ) ( )

= = dx x f x X E
X
=

+

=

m
a
b
m
dx x b x
m b a b
dx a x x
a m a b
) (
) ( ) (
2
) (
) ( ) (
2

=
( ) a b
2

(

+
+
(

) ( 6
2
) ( 6
2
2 2 2 2
m b
m b m b
a m
a a m m
=
( ) a b
a a m b m b

+
3
2 2
=
=
+ + a m b
3
.
7.3. VARIANZA.
Teniendo en cuenta que:
( )
2
X E =

+

=

m
a
b
m
dx x b x
m b a b
dx a x x
a m a b
) (
) ( ) (
2
) (
) ( ) (
2
2 2
=
( ) a b
2

(

+
+
(

+
) ( 12
3 4
) ( 12
4 3
4 3 4 4 3 4
m b
m m b b
a m
a m a m
=
=
( ) a b
2

(

+ +
+
(

12 12
3 2 2 3 3 2 2 3
m b m m b b a a m m a m
=
=
( ) a b
2

(

+ +
12
3 2 2 2 2 3
a a m m a b m m b b
=
6
2 2 2
m b m b b a m a a + + + + +
.
( ) ( ) ( ) | |
2 2
X E X E X Var = =
2
2 2 2
3 6
(

+ +

+ + + + + b m a m b m b b a m a a
=
=
18
2 2 2
m b m b b a m a a + +
=
18
) ( ) ( ) (
2
a m m b a b
Entonces, ( ) ( ) ( ) | |
2 2
X E X E X Var = =
18
) ( ) ( ) (
2
a m m b a b
DISTRIBUCIONES RELACIONADAS CON LA NORMAL
Estadstica Empresarial II
29
8. CHI CUADRADO (
2
).
8.1.DEFINICIN.
Sea ( ) X N 0 1 , . La variable X
2
sigue una distribucin chi-cuadrado con un grado
de libertad, es decir, X
2
.
2
1

Si :
2
X Y =
| | | | | | ( ) ( ) y F y F y X y y X y Y
X X
= = = p p p
2

( )
( ) ( )
( )
f x f y
y
f y
y
y e y e
X X X
y y
= + = =
|
\

|
.
|
1
2
1
2
1
2
1
2
1
2
1
2 2
1
2
1
2 2

La funcin de densidad es la de una .
2
1
,
2
1
|
.
|

\
|

Propiedad 1: Sean X
1
, ..., X
k
independientes, con X
i n
i

2
. Entonces:
X
i
i
k
n n
k
=
+ +

1
2
1

...

Propiedad 2: Sean X
1
, ..., X
k
i.i.d., con X
i n

2
. Entonces:
X
i
i
k
kn
=

1
2

Consecuencia: Si X
1
, ..., X
n

son i.i.d. ( ) N 0 1 , , entonces

|
.
|

\
|
=

=
2
,
2
1
2
1
2
n
X X
n
n
i
i


Su funcin de densidad ser: ( ) 0 ,
2
2
1
2
2
1
2
>
|
.
|

\
|

x si e x
n
x f
x
n
X
n
Los momentos de orden k: ( )
|
.
|

\
|

|
.
|

\
|
+
=
2
2
2
n
k
n
X E
k
k
( )
( ) n X Var
n X E
2 =
=
Su grfica, para diferentes valores de n ser:
Estadstica Empresarial II
30

2
2

2
3

2
4

2
8

9. t - STUDENT.
9.1.DEFINICIN.

Sean ( ) X N 0 1 , e ,
2
n
Y independientes. La variable T
X
Y
n
= sigue una
distribucin t de Student con n grados de libertad; es decir, .
n
t T

Su funcin de densidad es: ( ) f t
n
n
n
t
n
si t
T
n
=
+ |
\

|
.
|
|
\

|
.
|
+
|
\

|
.
|
< <

1
2
2
1
2
1
2

.
Es simtrica respecto de cero.


Normal
t-Student
Propiedad: Sean X, X
1
, ..., X
n
i.i.d. ( ) N 0, . Entonces .
1
2
n
n
i
i
t
n
X
X

=
9.2. MOMENTOS.

Estadstica Empresarial II
31
Supongamos que n > 1.
En este caso, existe ( ) E X
k
, con k < n.
Si k es impar, ( ) E X
k
= 0.
Si k es par, ( ) E X n
k n k
n
k
k
=
+ |
\

|
.
|
|
\

|
.
|
|
\

|
.
|
|
\

|
.
|
2
1
2 2
1
2 2


.

( )
( ) ( ) 2
2
0
2
>

= =
=
n si
n
n
X Var X E
X E

10. F DE SNEDECOR.
10.1. DEFINICIN.

Sean
X
Y
n
m

2
2
v.a. independientes. La variable F
X
n
Y
m
= sigue una distribucin F
con n y m grados de libertad. Se representa por F F
n m

,
.

Su funcin de densidad es: ( )
( )
g f
n m
n m
n m f
m nf
si f
n m n
n m
=
+ |
\

|
.
|
|
\

|
.
|
|
\

|
.
| +
>

2
2 2
0
2 2 2
1
2
, .
10.2. MOMENTOS.
Supongamos que k > 0.
( ) k m
m n
k
m n
k
n
m
X E
k
k
2
2 2
2 2
>
|
.
|

\
|
|
.
|

\
|

|
.
|

\
|
|
.
|

\
|
+
|
.
|

\
|
=
En particular,

( )
( )
( )
( ) ( )
4
4 2
2 2
2
2
2
2
>

+
=
>

=
m si
m m n
m n m
X Var
m si
m
m
X E

Propiedad 1: Si X F
X
F
n m m n

, ,
.
1

Estadstica Empresarial II
32
Esta propiedad se utilizar para obtener ciertas probabilidades en las tablas.
Propiedad 2: Si X F e Y t X Y
m m
d
=
1
2
,
.

La grfica de la funcin de densidad, para diferentes valores de los parmetros:
F
10,

F
10,50
F
10,10
F
10,4