Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Area
de Estadstica e Investigacion Operativa
Licesio J. Rodrguez-Aragon
Noviembre 2010
Contenidos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
Variables Aleatorias Discretas
Distribuci
on Uniforme . . . . . . .
Distribuci
on de Bernoulli . . . . .
Distribuci
on Binomial . . . . . . .
Distribuci
on Binomial con R . . .
Distribuci
on de Poisson . . . . . .
Distribuci
on de Poisson con R. .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
4
5
6
8
9
11
12
13
14
15
16
17
18
19
23
24
26
30
34
Contenidos
Student y F de Snedecor.
Presentamos en este tema algunas Distribuciones de Variables Aleatorias, primero
discretas y luego contnuas, a continuaci
on presentaremos su Esperanza y Varianza.
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 2 / 37
3 / 37
Sea X una variable aleatoria que toma valores x1 , x2 , . . . , xk con igual probabilidad, entonces la
Funci
on de Probabilidad de esta Variable Aleatoria Uniforme viene dada por,
f (x; k) = 1/k
para x = x1 , x2 , . . . , xk ,
siendo k un par
ametro de la distribuci
on de probabilidad.
Su Esperanza y Varianza vienen dadas por las expresiones:
E(X) = =
k
X
xi f (xi ) =
i=1
Var(X) = 2 =
i=1
k
X
(xi )2
i=1
k
X
xi
Licesio J. Rodrguez-Arag
on
k
X
x2
i
i=1
.
k
X
xi
i=1
!2
Tema 3, Unidad 4 4 / 37
Distribuci
on de Bernoulli
Daniel Bernoulli (1700-1782). Se conoce como prueba de Bernoulli, todo experimento aleatorio en
el que s
olo son posibles dos resultados, eg. exito o fracaso. Definamos X como la variable
aleatoria que toma el valor 1 con probabilidad p, exito, y 0 con probabilidad 1 p, fracaso.
La Funci
on de Probabilidad de la Variable Aleatoria X vendr
a dada por,
f (x; p) = px (1 p)1x
, para x = 0, 1.
Tema 3, Unidad 4 5 / 37
Distribuci
on Binomial
Supongamos que realizamos n experimentos de Bernoulli, con probabilidad de exito p para cada
uno de ellos. Definamos la Variable Aleatoria X como el n
umero de exitos en esas n ejecuciones
del experimento.
La Funci
on de Probabilidad es la siguiente:
n x
f (x; n, p) =
p (1 p)nx , para x = 0, 1, 2, . . . , n,
x
siendo n y p par
ametros de la distribuci
on de probabilidad.
Su Esperanza y Varianza vienen dadas por las expresiones,
E(X) = = E(X1 + + Xn ) = E(X1 ) + + E(Xn ) = np.
Var(X) = 2 = Var(X1 ) + + Var(Xn ) = np(1 p).
Con Xi variables aleatorias independientes de Bernoulli.
Las gr
aficas de la Funci
on de Probabilidad y la Funci
on de Distribuci
on de una variable aleatoria
Binomial, de par
ametros n = 10, p = 0.3.
Distribucin Binomial: n = 10, p = 0.3
0.6
Probabilidad Acumulada
0.0
0.00
0.2
0.4
0.15
0.05
0.10
Probabilidad
0.20
0.8
0.25
1.0
10
Nmero de Exitos
10
Nmero de Exitos
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 6 / 37
Distribuci
on Binomial
Variable Aleatoria Binomial de par
ametros n = 10, p = 0.6.
Distribucin Binomial: n = 10, p = 0.6
0.6
0.4
0.0
0.00
0.2
0.05
0.10
Probabilidad
0.15
Probabilidad Acumulada
0.8
0.20
1.0
0.25
10
Nmero de Exitos
10
Nmero de Exitos
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 7 / 37
Distribuci
on Binomial con R
Funci
on de Probabilidad:
>
>
+
+
>
>
x <- 0:10
plot(x, dbinom(x, size=10, prob=0.6), xlab="N
umero de Exitos",
ylab="Probabilidad",
main="Distribuci
on Binomial: n = 10, p = 0.3", type="h")
points(x, dbinom(x, size=10, prob=0.6), pch=16)
abline(h=0, col="gray")
Funci
on de Distribuci
on:
>
>
>
+
+
>
x <- 0:10
x <- rep(x, rep(2, length(x)))
plot(x[-1], pbinom(x, size=10, prob=0.6)[-length(x)],
xlab="N
umero de Exitos", ylab="Probabilidad Acumulada",
main="Distribuci
on Binomial: n = 10, p = 0.6", type="l")
abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 8 / 37
Distribuci
on de Poisson
Simeon Denis Poisson (1781-1840). Una Variable Aleatoria discreta X se dice que es una variable
de Poisson si su funci
on de probabilidad es de la forma:
f (x; ) =
x e
x!
, para x = 0, 1, 2, . . . ,
siendo un par
ametro positivo.
Su Esperanza y Varianza vienen dadas por las expresiones,
E(X) = =
xf (x) =
x=0
X
X
x e
x1
x
= e
= .
x!
(x
1)!
x=0
x=0
El n
umero de vehculos que pasan a traves de un cierto punto en una ruta durante un
periodo definido de tiempo.
El n
umero de errores de ortografa que uno comete al escribir una u
nica p
agina.
El n
umero de llamadas telef
onicas en una central telef
onica por minuto.
El n
umero de servidores web accedidos por minuto.
El n
umero de mutaciones de determinada cadena de ADN despues de cierta cantidad de
radiaci
on.
Funci
on de Probabilidad y de Distribuci
on,
Distribucin Poisson: Media = 3
0.6
Probabilidad Acumulada
0.4
0.10
0.00
0.2
0.05
Probabilidad
0.15
0.8
0.20
1.0
10
10
=3
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 9 / 37
Distribuci
on de Poisson
Funci
on de Probabilidad y de Distribuci
on,
Distribucin Poisson: Media = 6
0.6
0.4
0.0
0.00
0.2
0.05
Probabilidad
Probabilidad Acumulada
0.10
0.8
0.15
1.0
10
15
10
15
=6
La distribuci
on de Poisson aproxima de forma muy acertada a la distribuci
on Binomial cuando
n > 25 y p < .1 y np = < 5
Distribucin Poisson: Media = 3
Probabilidad
0.10
0.05
0.10
0.00
0.00
0.05
Probabilidad
0.15
0.15
0.20
0.20
10
Nmero de Exitos
10
n x
x e
f (x; n, p) =
p (1 p)nx f (x; ) =
x
x!
Para un proceso de Poisson, la probabilidad de obtener exactamente x exitos en n intentos viene
dada por el lmite de la distribuci
on binomial.
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 10 / 37
Distribuci
on de Poisson con R
Funci
on de Probabilidad:
>
>
+
>
>
x <- 0:15
plot(x, dpois(x, lambda=6), xlab="x", ylab="Probabilidad",
main="Distribuci
on Poisson: Media = 6", type="h")
points(x, dpois(x, lambda=6), pch=16)
abline(h=0, col="gray")
Funci
on de Distribuci
on:
>
>
>
+
+
>
x <- 0:15
x <- rep(x, rep(2, length(.x)))
plot(x[-1], ppois(x, lambda=6)[-length(.x)], xlab="x",
ylab="Probabilidad Acumulada",
main="Distribuci
on Poisson: Media = 6", type="l")
abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 11 / 37
12 / 37
Cuando el valor de la variable aleatoria se mide y no se cuenta, entramos dentro del concepto de
variable aleatoria continua.
Una Variable Aleatoria ser
a Uniforme en el intervalo (a, b) si su Funci
on de Densidad es
constante, es decir:
1
ba para a < x < b
f (x) =
0
en el resto.
Su Funci
on de Distribuci
on, viene dada por:
F (x) =
f (t)dt =
xa
ba
si x a,
para a < x < b
si x b.
Var(X) =
xf (x)dx =
xf (x)dx =
a
a+b
.
2
(b a)2
.
12
Las gr
aficas de la Funci
on de Densidad y de la Funci
on de Distribuci
on para una Variable
Aleatoria Uniforme en (0, 1),
0.8
0.6
0.4
0.2
0.0
0.0
0.2
0.4
Densidad
0.6
Probabilidad Acumulada
0.8
1.0
1.0
0.5
0.0
0.5
1.0
1.5
0.5
0.0
0.5
1.0
1.5
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 13 / 37
Distribuci
on de Uniforme con R
Funci
on de Densidad:
> x <- seq(-.5, 1.5, length=100)
> plot(x, dunif(x, min=0, max=1), xlab="x", ylab="Densidad",
+
main="Distribuci
on Uniforme: m
n=0, m
ax=1", type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(-0.5, 1.5, length=100)
> plot(x, punif(x, min=0, max=1), xlab="x",
+
ylab="Probabilidad Acumulada",
+
main="Uniform Distribution: min=0, max=1", type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 14 / 37
10
Distribuci
on Exponencial
Una Variable Aleatoria X sigue una distribuci
on Exponencial si su Funci
on de Densidad viene
dada por,
x
para x 0 y > 0
e
f (x; ) =
0
en el resto.
Su funci
on de Distribuci
on ser
a,
F (x) =
f (t)dt =
0
1 ex
si x 0,
para x 0
0
Var(X) = 2 = E(X 2 ) E(X)2 = 1/2 .
La representac
on gr
afica de las Funciones de Densidad y de Distribuci
on para una Variable
aleatoria que siga una distribuci
on Exponencial de par
ametro = 5,
Distribucin Exponencial: = 5
0.6
0.4
0.0
0.2
Densidad
Probabilidad Acumulada
0.8
1.0
Distribucin Exponencial: = 5
0.0
0.5
1.0
1.5
0.0
0.5
1.0
1.5
Tema 3, Unidad 4 15 / 37
11
Distribuci
on de Exponencial con R
Funci
on de Densidad:
> x <- seq(0, 1.52, length=100)
> plot(x, dexp(x, rate=5), xlab="x", ylab="Densidad",
+
main=expression(paste("Distribuci
on Exponencial: ",lambda," = 5")),
+
type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(0, 1.52, length=100)
> plot(x, pexp(x, rate=5), xlab="x",
+
ylab="Probabilidad Acumulada",
+
main=expression(paste("Distribuci
on Exponencial: ",lambda," = 5")),
+
type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 16 / 37
12
Distribuci
on Normal
Johann Carl Friedrich Gauss (1777-1855). La Distribuci
on Normal es clave en multitud de
fen
omenos naturales. Sobre todo destacar la distribuci
on de errores de medida, que siguen una
distribuci
on Normal.
Una variable aleatoria X, se dice que sigue una distribuci
on Normal si su Funci
on de Densidad es
de la forma,
(x )2
1
,
f (x; , ) = exp
2 2
2
con < x < siendo y par
ametros de la distribuci
on.
En estadstica esta distribuci
on se conoce como la distribuci
on normal. Mientras en otros
campos se conoce con el nombre de distribuci
on Gaussiana o Campana Gaussiana.
Representacion gr
afica de las funciones de densidad de diferentes N (, ),
0.4
0.8
= 1
=0
= 0.5
0.4
Densidad
0.2
Densidad
0.3
0.6
=1
= 1.5
0.0
0.0
0.1
0.2
=1
2
Var(X) = E((X )2 ) =
2
xe
(x)
2
2
dx =
z = (x )/, dx = dz
z 2 ez
2 /2
1
=
2
( + z)ez
2 /2
dz =
dz =
u = z, dv = zez /2 dz
h
Z
i
2
z 2 /2
z 2 /2
=
ze
+
e
dz = 2 (0 + 1) = 2
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 17 / 37
13
Distribuci
on Normal con R
Funci
on de Densidad:
> x <- seq(-3.291, 3.291, length=100)
> plot(x, dnorm(x, mean=0, sd=1),col="blue",xlab="x", ylab="Densidad",
+
main=expression(paste("Distribuci
on Normal: ", mu, " = 0 , ", sigma, " = 1")),
+
type="l")
> abline(h=0, col="gray")
Funci
on de Distribuci
on:
> x <- seq(-3.291, 3.291, length=100)
> plot(x, pnorm(x, mean=0, sd=1),col="blue",xlab="x", ylab="Probabilidad Acumulada",
+
main=expression(paste("Distribuci
on Normal: ", mu, " = 0 , ", sigma, " = 1")),
+
type="l")
> abline(h=0, col="gray")
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 18 / 37
14
Distribuci
on Normal Est
andar
La funci
on de Distribuci
on de una N (, ),
1
F (x) =
2
(t )2
exp
dt.
2 2
La transformaci
on Z = (X )/ nos proporciona valores de una distribuci
on normal de media
cero y varianza uno, N (0, 1).
0.6
0.4
0.0
0.2
Probabilidad Acumulada
0.8
1.0
Distribucin Normal: = 0, = 1
Tema 3, Unidad 4 19 / 37
15
Distribuci
on Normal Est
andar
X N (0, 1),
0.3
0.2
Density
0.0
0.1
0.2
0.0
0.1
Densidad
0.3
0.4
(1)
0.4
(2)
0.2
0.0
0.1
Density
0.3
0.4
(2)(1)
Tema 3, Unidad 4 20 / 37
16
Distribuci
on Normal Est
andar
Si X sigue una distribuci
on Normal cualquiera, N (, ), la P(a < X < b) puede calcularse
realizando la transformaci
on, Z = (X )/, es decir:
P(a < X < b) = P((a )/ < Z < (b )/) =
Una conclusi
on de la definici
on de es que,
(x) = 1 (x),
esta relaci
on es muy u
til ya que en la mayora de las tablas, s
olo aparece tabulada para valores
positivos de x.
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 21 / 37
17
Distribuci
on Normal Est
andar
Vamos ahora a calcular,
P( k < X < + k),
para X N (, ),
P( k < X < + k) = P(k < (X )/ < k) =
que no depende ni de ni de .
P( < X < + ) = 2(1) 1 = 0.6826895
P( 2 < X < + 2) = 2(2) 1 = 0.9544997
P( 3 < X < + 3) = 2(3) 1 = 0.9973002
> 2*pnorm(1,mean=0,sd=1)-1
[1] 0.6826895
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 22 / 37
1X
E(Xi ) =
n
Var(X) =
1 X
n 2
2
Var(X
)
=
=
i
n2
n2
n
i
Adem
as se tendr
a que X N (, 2 /n), n > 30.
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 23 / 37
18
X np
n p (1 p)
N (0, 1).
Distribucin Normal: = 40, = 4.8989
0.06
0.00
0.00
0.02
0.04
Densidad
0.04
0.02
Probabilidad
0.06
0.08
0.08
25
30
35
40
45
50
55
25
30
35
Nmero de Exitos
40
45
50
55
Si X es una distribuci
on de Poisson de par
ametro grande, > 25, en la pr
actica se puede
considerar que X sigue una distribuci
on N ( = , 2 = ).
Z=
N (0, 1).
0.04
Densidad
0.00
0.00
0.01
0.01
0.02
0.03
0.03
0.02
Probabilidad
0.04
0.05
0.05
0.06
0.06
Distribucin de Poisson: = 36
20
30
40
50
20
30
40
50
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 24 / 37
19
Aproximaci
on de la distribuci
on de Poisson por la Normal:
>
>
+
+
>
>
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 25 / 37
20
Distribuci
on 2n de Pearson
Karl Pearson (1857-1936). Sean X1 , X2 , . . . , Xn , n variables aleatorias independientes entre s, del
tipo N (0, 1). La variable:
X = X12 + X22 + + Xn2 ,
si x > 0
2n/2 (n/2)
f (x; n) =
0
en el resto.
R
Siendo la funci
on gamma definida: () = 0 x1 ex dx para > 0.
Varianza de la distribuci
on 2n , son respectivamente,
La Esperanza y
E(X) = = n
Var(X) = 2 = 2n
1.0
Distribucin 2 : n = 1,2,3,4,5
0.6
0.4
Densidad
0.8
n=1
n=2
n=3
n=4
0.0
0.2
n=5
10
12
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 26 / 37
21
Distribuci
on 2n de Pearson
Propiedad: La suma de 2n1 , 2n2 , . . . , independientes, es otra 2n siendo n = n1 + n2 + . . . .
La Funci
on de Distribuci
on F (x) nos permite saber, dada una variable aleatoria X 2n ,
Z a
f (x; n)dx.
P(X < a) = p =
0
El c
alculo de esta integral se encuentra en la Tabla de distribuci
on 2n de Pearson.
> qchisq(0.95,df=3)
[1] 7.814728
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 27 / 37
22
Distribuci
on 2n de Pearson
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de n y de p se puede
buscar en la tabla su cuantil a.
0.10
Densidad
0.15
0.20
0.25
2 n=3, P(X<a)=p=F(a)
0.00
0.05
a
0
10
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 28 / 37
2n de Pearson con R
Distribuci
on 2n de Pearson:
>
>
+
>
>
>
>
>
>
>
>
>
>
>
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 29 / 37
23
Distribuci
on tn de Student
William Sealy Gosset (1876-1937). Sea Z una variable aleatoria N (0, 1) e Y una 2n ambas
independientes, entonces la variable aleatoria,
X=p
Z
Y /n
2 (n+1)/2
n(11 , n ) 1 + xn
2 2
f (x; n) =
1 )(2 )
Siendo la funci
on beta definida: (1 , 2 ) = (
(1 +2 ) para 1 , 2 > 0.
La Esperanza y Varianza de la distribuci
on tn , son:
n
, para n > 2, indefinida para otros valores.
n2
0.4
N(0,1)
n=1
n=2
0.2
n=4
0.0
0.1
Densidad
0.3
n=3
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 30 / 37
24
Distribuci
on tn de Student
Propiedad: A medida que aumenta n, tn N (0, 1).
La Funci
on de Distribuci
on F (x) nos permite saber, dada una variable aleatoria X tn ,
Z a
f (x; n)dx.
P(X < a) = p =
El c
alculo de esta integral se encuentra en la Tabla de distribuci
on tn de Student.
> qt(0.975,df=5)
[1] 2.570582
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 31 / 37
25
Distribuci
on tn de Student
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de n y de p se puede
buscar en la tabla su cuantil a.
0.2
0.1
Densidad
0.3
t n=3, P(X<a)=p=F(a)
0.0
a
4
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 32 / 37
tn de Student con R
Distribuci
on tn de Student:
>
>
+
>
>
>
>
>
>
>
>
>
>
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 33 / 37
26
Distribuci
on Fm,n de Snedecor
George Waddel Snedecor (1881-1974). Sean U y V dos variables independientes distribuidas
seg
un leyes ji-cuadrado de m y n grados de libertad respectivamente, la variable X,
X=
U/m
,
V /n
se dice que es una variable Fm,n de Snedecor con m y n grados de libertad, en el numerador y
denominador respectivamente.
La funci
on de densidad viene dada por la expresi
on,
f (x; m, n) =
(m/n)m/2
( m
,n)
2 2
xm/21
(m+n)/2
m
1+
( n x)
n
, para n > 2, indefinida para otros valores.
n2
2n2 (m + n 2)
, para n > 4, indefinida para otros valores.
m(n 2)2 (n 4)
2.0
Distribucin F: m,n
m=1, n=1
m=2, n=1
1.5
m=5, n=2
1.0
m=100, n=100
0.0
0.5
Densidad
m=100, n=1
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 34 / 37
27
Distribuci
on Fm,n de Snedecor
Propiedad: Si X Fm,n entonces
1
X
Fn,m .
La Funci
on de Distribuc
on F (x) nos permite saber, dada una variable aleatoria X Fm,n ,
Z a
f (x; m, n)dx.
P(X < a) = p =
0
El c
alculo de esta integral se encuentra en la Tabla de distribuci
on Fm,n de Snedecor.
> qf(0.95,df1=3,df2=4)
[1] 6.591382
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 35 / 37
28
Distribuci
on Fm,n de Snedecor
M
as en concreto la Funci
on de Distribuci
on Inversa: para distintos valores de m, n y de p se
puede buscar en la tabla su cuantil a.
0.3
0.2
Densidad
0.4
0.5
F m=5,n=2, P(X<a)=p=F(a)
0.0
0.1
a
0
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 36 / 37
Licesio J. Rodrguez-Arag
on
Tema 3, Unidad 4 37 / 37
29