Tema 4

Estadstica Empresarial 2014/2015

ALGUNOS MODELOS DE DISTRIBUCIONES DE

PROBABILIDAD DE TIPO CONTINUO

1.- Introduccin
Frecuentemente nos encontraremos con variables aleatorias de tipo continuo que tendrn sus
correspondientes distribuciones de probabilidad continuas.

2.- Distribucin uniforme continua

Surge al considerar una variable aleatoria que toma valores equiprobables en un intervalo finito
y su nombre se debe al hecho de que la densidad de probabilidad de esta variable es uniforme
sobre todo su intervalo de definicin.
Un experimento aleatorio cuya variable aleatoria asociada toma valores en un intervalo finito, si
la probabilidad de que la variable aleatoria tome un valor en cada subintervalo de la misma
longitud es la misma, diremos que la variable aleatoria est distribuida uniformemente en ese
intervalo.
EJEMPLO. Un profesor llega a clase en cualquier instante de tiempo, entre las 09:00 y las
09:10 y que la probabilidad de que el profesor llegue en cualquier subintervalo de tiempo dado es
proporcional a la longitud del subintervalo, luego es igualmente probable que el profesor llegue
entre las 09:00 y las 09:03 (longitud del subintervalo de 3 minutos) que entre las 09:06 y las 09:09
(longitud del subintervalo de 3 minutos).
Si designamos por el tiempo que el
profesor llega a clase despus de las
09:00, entonces si durante todo un curso
observamos exactamente la hora a la que
llega ese profesor a clase y construimos su
histograma de frecuencias relativas
podramos tener la funcin de densidad
correspondiente (ver grfico).
(9: 00 9: 03) = (9: 06 9: 09)
De manera abreviada:

(0 3) = (6 9)

Esta variable aleatoria se dice que tiene una distribucin uniforme en el intervalo [9:00,9:10],
es decir, en el intervalo [0,10].
Una variable aleatoria sigue una distribucin uniforme en el intervalo [, ] si la
probabilidad de que la variable aleatoria tome un valor en cualquier subintervalo es proporcional a
la longitud del subintervalo.
2 Grado en Administracin y Direccin de Empresas

Pgina 59

Estadstica Empresarial 2014/2015

Supongamos una variable aleatoria distribuida uniformemente sobre el intervalo [, ], en

donde < . Si consideramos el subintervalo [, ] [, ], entonces:
( ) = ( )

Donde es una constante de proporcionalidad.

Como el intervalo [, ] coincide con el espacio muestral
( ) = 1 =

( ) = ( ) =

( ) =

Ahora podemos obtener la funcin de distribucin (), as pues para [, ] tenemos:

() = ( ) = ( ) =

Derivando con respecto a la funcin de distribucin tendremos la funcin de densidad:

() =

() =
,

Una variable aleatoria , de tipo continuo, sigue una distribucin uniforme en el intervalo real
[, ], con < < < +, si su funcin de densidad es:
1
() = ,
0
,

Abreviadamente,

(, )

En donde y son los parmetros.

Representacin grfica
Caractersticas.
1. Funcin de distribucin.

() = ( ) =

0,

,
= () =

1,

<

>

2. Media.
Es el centro del intervalo de definicin y en consecuencia coincide con la mediana.
2 Grado en Administracin y Direccin de Empresas

Pgina 60

[] =
3. Varianza.

Estadstica Empresarial 2014/2015

1
1
1
2
+
() =
=
=
=

() = [ 2 ] ([])2

3
3
[ 2 ] = 2 1 =

3 ( )

() = [ 2 ] ([])2

+ 2

([])2 =

() =

4. Funcin generatriz de momentos.

3 3
+ 2 ( )

=
3 ( )
2

() = [ ] =

1

=
, 0

( )

Como caso particular de la distribucin uniforme de parmetros y , (, ), tenemos la

uniforme [, ], es decir cuando = 0 y = 1.

EJEMPLO. Tiempo que se tarda para ir del domicilio a la facultad vara entre 30 y 40 minutos.
Diariamente se debe llegar a las 09:00.
1. A que hora se debe salir de casa para tener una probabilidad de 0,80 de no llegar tarde a
clase.
es la variable aleatoria que indica el tiempo que tarda el alumno de su domicilio a la
facultad y admitimos que sigue una distribucin uniforme en el intervalo [30,40],
[30,40].
Su funcin de densidad ser:
1
() = ,
0
,

Ahora tendremos que calcular el valor que:

Segn la funcin de distribucin:
( ) =

1
1
=
() = 40 30 10 ,
0
,

( ) = 0,80

30
30
=
=
= 0,80
40 30
10

= 30 + (10 0,8) = 38

Se debe salir de casa a las 08:22 minutos para tener una probabilidad de 0,8 de no llegar
tarde a clase.
2. Tiempo medio que se tarda en ir a clase.
[] =

+ 40 + 30
=
= 35
2
2

2 Grado en Administracin y Direccin de Empresas

Pgina 61

Estadstica Empresarial 2014/2015

3. Varianza.

( )2 (40 30)2
=
= 8,33
12
12

() =

Y su desviacin tpica:

() = 8,33 = 2,88

3.- Distribucin normal

O distribucin de Gauss es sin duda la ms importante y la de ms aplicacin de todas las
distribuciones continuas. Es adecuada para describir la distribucin de muchos conjuntos de
datos que ocurren en la naturaleza, la industria y la investigacin.
- Datos meteorolgicos correspondientes a temperaturas, lluvias,
- Calificaciones correspondientes a pruebas de actitud.
- Alturas de individuos de una edad y sexo dado.
- Etc.
Una variable aleatoria , de tipo continuo, sigue una distribucin normal de parmetros y
, si su funcin de densidad es:
() =

()2
22 ,

Donde , R y tales que < < + y > 0.

Abreviadamente:
(, )

< < +

No hay una nica distribucin normal sino una familia de distribuciones, resultante de los
diferentes valores de los parmetros y .
Propiedades de la funcin de densidad () de la (, ):
1. () es continua en toda la recta real R.
2. () es simtrica respecto de = : ( ) = ( + ), R.
3. () tiene como asntota horizontal el eje de abscisas:
lim () = 0

lim () = 0

4. () es estrictamente creciente cuando < : () > 0

() es estrictamente decreciente cuando > : () < 0
5. () presenta un mximo cuando = , ese mximo vale:
() =

Para el valor = la primera derivada se anula y la segunda derivada es negativa, y por

1
0,399
tanto se tiene un mximo en el punto , 2 ,

6. Concavidad, convexidad y punto de inflexin.

Si hacemos () = 0 y observamos la tercera derivada, tenemos:
= () = 0

2 Grado en Administracin y Direccin de Empresas

Pgina 62

 <
()
>0
>

Estadstica Empresarial 2014/2015

< < + () < 0

Mximo

Punto de
inflexin

Convexa

Punto de
inflexin

Convexa

Cncava

Creciente x<

Decreciente x>

Tiene forma de campana, de aqu que frecuentemente se le llame curva o campana de

Gauss. 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 (). Los parmetros y
representan la media y la desviacin tpica de la distribucin normal.
En el siguiente grfico se
representan () con la
misma desviacin tpica () y
diferentes medias (), las
curvas tienen la misma forma
pero centradas en diferentes
posiciones.
1 < 2 < 3
= 1 = 2 = 3
En este otro grfico se representan curvas normales
con la misma media y diferente desviacin tpica,
centradas en la misma posicin pero la curva con
mayor desviacin es ms aplastada y presenta mayor
dispersin.
1 = 2 = 3
2 Grado en Administracin y Direccin de Empresas

1 < 2 < 3

Pgina 63

Estadstica Empresarial 2014/2015

En este grfico se muestran curvas

normales
con
diferentes
medias
y
desviaciones tpicas, curvas centradas en
distintas posiciones del eje de abscisas y sus
dispersiones son diferentes.
1 2 3
1 2 3

3.1 Relacin entre la

(, ) y la (0,1).

Dentro de la familia de distribuciones normales hay una muy importante, que corresponde a los
valores de los parmetros = 0 y = 1, es decir la distribucin (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:
() =

() =

1 2

(0)2
212

()2
22 ,

< < +

< < +

Recibe el nombre de distribucin tipificada porque corresponde a la distribucin de cualquier

variable aleatoria , (, ), despus de tipificada.
Proposicin 1.
Si es una variable aleatoria con distribucin (, ), entonces la variable aleatoria tipificada:
=

Sigue una distribucin (0,1).

Proposicin 2.
Si es una variable aleatoria con distribucin (0,1), entonces la variable aleatoria:

=+
Sigue una distribucin (, ).
Podemos definir la distribucin (, ) y
mediante la proposicin 1 llegar a la
distribucin (0,1) y al contrario, a partir de
la distribucin (0,1) y mediante la
proposicin 2 llegar a la distribucin (, ).
Representacin grfica de la funcin de
densidad () correspondiente a la
distribucin (0,1).

2 Grado en Administracin y Direccin de Empresas

Pgina 64

Estadstica Empresarial 2014/2015

3.2 Caractersticas.

1. Funcin de distribucin.
Correspondiente a una variable aleatoria distribuida segn una (, ) ser:
() = ( ) =

Representacin grfica.

()2
22

< < +

Si consideramos una variable aleatoria que se

distribuye segn una (, ) y la tipificamos
tendremos la variable aleatoria

Que se distribuye segn una distribucin (0,1),

cuya funcin de distribucin nos permite conocer
la funcin de distribucin de la variable aleatoria
.

() = ( ) = ( + =

La funcin de distribucin de , en el punto ,

(), coincide con la funcin de distribucin de
en el punto

Y su representacin grfica (funcin

distribucin de la normal estndar o (0,1))

de

2. Funcin generatriz de momentos.

Sea una variable aleatoria (0,1), su funcin generatriz de momentos ser:
() = [ ] =

2 =

Para obtener la funcin generatriz de momentos de una variable aleatoria distribuida

segn una (, ), bastar tener en cuenta la relacin existente con una variable
distribuida segn una (0,1): = + . Aplicando la definicin de funcin generatriz de
momentos a la variable aleatoria , tenemos:

3. Media.

() = [ ] = (+) = +
[] =

2 Grado en Administracin y Direccin de Empresas

()

=
=0
Pgina 65

Estadstica Empresarial 2014/2015

El parmetro es la media de la distribucin. Tambin veamos que la funcin de densidad

() de una (, ) es simtrica respecto de su media , es decir,
[ ] = [ ] = 0,5

Lo cual nos permite decir que el parmetro es la mediana de la distribucin.

Tambin la funcin () presentaba un mximo para = , lo cual nos indica que el
parmetro es la moda de la distribucin.
En una distribucin (, ), la media, la mediana y la moda coinciden con el parmetro .
Si consideramos la variable aleatoria distribuida segn una (0,1) obtendramos que:
[] = 0, es decir, la media, la mediana y la moda coinciden con el valor = 0.
4. Varianza.
2 ()
2]
[
=

= 2 + 2
2 =0
() = [ 2 ] ([])2
([])2 = 2

() = 2 + 2 2 =

El parmetro que utilizaremos en la (, ) es la desviacin tpica de la distribucin, y

en el caso de la (0,1) la desviacin tpica es la unidad.
Proposicin 3.
En la distribucin (0,1) los momentos de orden impar son nulos.
Sea (0,1) y calculamos el momento de orden 2 + 1 respecto al origen, para = 0,1,2,
[ 2+1 ] = 0

3.3 reas bajo la curva

normal y tablas.

La curva correspondiente a la funcin de densidad de una distribucin (, ) es tal que el rea

limitada por la curva y el eje de abscisas vale la unidad:

()2
22

= 1

El rea bajo la curva funcin de densidad

limitada por las ordenadas correspondientes a
1 y 2 es igual a la probabilidad de que la
variable aleatoria est comprendida entre 1 y
2 .
(1 2 ) =

()2
22

La dificultad de resolver integrales de funciones de densidad normales nos lleva a la utilizacin

de tablas de reas bajo la curva normal.

2 Grado en Administracin y Direccin de Empresas

Pgina 66

Estadstica Empresarial 2014/2015

Teniendo en cuenta el proceso de tipificacin de una variable aleatoria (, ) podemos

reducir todas las distribuciones (, ) a una (0,1) y tabular nicamente la distribucin (0,1),
no producindose variacin alguna en el rea limitada bajo la curva normal y los valores dados.
Si la variable aleatoria se distribuye segn una (, ), sabemos que:
(1 2 ) =

Ahora tipificando la variable :

Donde (0,1), por tanto:

()2
22

1 2
2
1
(1 2 ) =

Donde representa la funcin de distribucin de la variable aleatoria . Podemos decir que el

rea bajo la curva (, ) y los valores 1 y 2 es la misma que el rea bajo la curva (0,1) y los
valores 1 y 2 .
1
2
(1 2 ) =

= (1 2 )

Donde sigue una (0,1).

EJEMPLO. Variable aleatoria distribuida segn una distribucin normal de media 40 y

desviacin tpica 3, (40,3) y deseamos conocer la (43 46).
Proceso de tipificacin:
4340

(43 46) =

40
3

4640
3

= (1 2) = (2,0) (1,0)

2 Grado en Administracin y Direccin de Empresas

Pgina 67

Estadstica Empresarial 2014/2015

Observamos la Tabla A.5 del anexo A, donde se tienen los valores de la funcin de
distribucin acumulativa () = ( ).

(43 46) = (1 2) = (2,0) (1,0) = 0,9772 0,8413 = 0,1359

Utilizacin de tablas.
Observando la tabla de valores positivos de se pone de manifiesto que al menor valor de
, = 0, le corresponde una probabilidad acumulada:
( 0) = (0) = 0,5
Para = 0,11, tenemos:
( 0,11) = 1 ( 0,11) = 1 0,5438 = 0,4562
La primera columna vertical nos indica el nmero entero y el primer decimal y la primera fila
horizontal nos ofrece el segundo decimal, mientras que el cuerpo interior de la tabla nos da los
valores de la funcin de distribucin, ().

2 Grado en Administracin y Direccin de Empresas

Pgina 68

Reglas bsicas.

Estadstica Empresarial 2014/2015

1. ( ) = () cuando es positivo.

2. ( ) = 1 ().

3. ( ) = () = 1 () = ( )

4. ( ) = () ().

EJEMPLO. Distribucin normal estndar (0,1), calcular el rea bajo la curva normal que est:
1. A la izquierda de 1,78.
( 1,78) = (1,78) = 09625
2 Grado en Administracin y Direccin de Empresas

Pgina 69

Estadstica Empresarial 2014/2015

2. A la derecha de 0,76.
( 0,76) = 1 ( 0,76) = 1 (0,76) =
= 0,2236

3. A la izquierda de -1,45.

( 1,45) = (1,45) = 0,0735

4. Entre 0,25 y 2,65.
(0,25 2,65) =

= ( 2,65) ( 0,25) =

= (2,65) (0,25) = 0,9960 0,5987 =

= 0,3973

EJEMPLO. Dada una distribucin (0,1), obtener el valor de tal que:

1. ( ) = 0,2946
Nos indica que el rea a la derecha de vale
0,2946, quiere decir que a la izquierda de
hay un rea igual a 1 0,2946 = 0,7054:
( ) = () = 0,7054

Buscando en el interior de la Tabla A.5 encontramos el valor 0,7054 obtendremos que:

= 0,54

2 Grado en Administracin y Direccin de Empresas

Pgina 70

Estadstica Empresarial 2014/2015

2. ( ) = 0,2709

Al ser el rea que deja a la izquierda de

menor que 0,5 buscaremos en la Tabla A.5 en
la parte de valores negativos.
= 0,61

3. ( ) = 0,9726

Al se el rea que deja a la derecha de

mayor que 0,5 buscaremos en la Tabla A.5
en la parte de valores negativos.
( ) = 1 ( ) = 0,9726
( ) = 1 0,9726 = 0,0274

= 1,92

4. ( 0,18) = 0,4199

El grfico correspondiente es el siguiente.

Sabemos por la Tabla A.5 que el rea a la
izquierda de -0,18 es igual a 0,4286. El rea
entre y -0,18 es de 0,4199, por tanto el
rea a la izquierda de debe ser:

2 Grado en Administracin y Direccin de Empresas

Pgina 71

Estadstica Empresarial 2014/2015

0,4286 0,4199 = 0,0087

Buscaremos en la Tabla A.5 en la parte de los valores negativos de , el valor ms prximo

a 0,0087.
( 0,18) = ( 0,18) ( ) = (0,18) () = 0,4199
= 2,38

EJEMPLO. Variable aleatoria distribuida segn una normal con media = 50 y desviacin
tpica = 8. Obtener.
1. Probabilidad tome valores entre 38 y 58.
Primero tipificar la variable aleatoria :

38 50 50 58 50
1
(1 2 ) 1 =
(38 58) =

=
8
8
8

2 =
= (1,5 1) = (1) (1,5) = (1) 1 (1,5) = 0,8413 1 + 0,9332 =
= 0,7745

2. Probabilidad de que tome un valor mayor que 66.

Primero tipificar la variable aleatoria .

50 66 50
( 66) =

= ( 2) = 1 ( 2) = 1 (2) = 1 0,9772 =
8
8
= 0,0228

2 Grado en Administracin y Direccin de Empresas

Pgina 72

Estadstica Empresarial 2014/2015

EJEMPLO. Demanda semanal de un artculo sigue una distribucin normal de media = 100 y
una desviacin tpica = 20. Qu existencias deben tener al principio de la semana para poder
satisfacer la demanda con una probabilidad del 0,95?
es la demanda semanal del artculo.
(100,20) y deseamos saber ( ) = 0,95
Primero tipificar
100 100

= 0,95

20
20

100
= 0,95
20
0,045

100

= 0,95
20

Suponemos que el valor 0,95 se encuentra entre el 0,9495 y el 0,9505, correspondiendo

con 1,6 y como segundo decimal el valor medio de 0,04 y 0,05, es decir, 0,045, siendo el
valor final de 1,645.
100
= 1,645 = 132,9
20

Las existencias deben ser de 133 unidades para poder tener una probabilidad del 0,95 de
poder satisfacer la demanda.
Probabilidades comunes.
1. ( + )

= 0,6826
( + ) =

Tambin podemos expresarlo como:

(| | ) = 0,6826

(| | > ) = 1 0,6826 = 0,3174

Nos indica que el 31,74% de valores de la variable (, ) difieren de su media en ms de

una vez su desviacin tpica.
2. ( 2 + 2 )
2 +2
( 2 + 2 ) =

= 0,9544

(| | 2 ) = 0,9544

(| | > 2 ) = 1 0,9544 = 0,0456

2 Grado en Administracin y Direccin de Empresas

Pgina 73

Estadstica Empresarial 2014/2015

El 4,56% de valores de la variable (, ) difieren de su media en ms de dos veces su

desviacin tpica.
3. ( 3 + 3 )
3 +3

= 0,9974
( 3 + 3 ) =

(| | 3 ) = 0,9974

(| | > 3 ) = 1 0,9974 = 0,0026

Slo el 0,26% de valores de la variable (, ) difieren de su media en ms de tres veces

su desviacin tpica.

2 Grado en Administracin y Direccin de Empresas

Pgina 74

Estadstica Empresarial 2014/2015

3.4 Propiedades.

1. Si 1 , 2 , , , son variables aleatorias independientes, distribuidas segn una ( , ),

para = 1,2, , y si 1 , 2 , , y son nmeros reales. Entonces la variable
aleatoria:
= 1 1 + + +
Sigue una distribucin
1 1 + + + , 12 12 + + 2 2

2. Propiedad reproductiva.
La suma de variables aleatorias independientes, 1 , 2 , , , y distribuidas segn una
( , ), = 1,2, , , sigue una distribucin
1 + + , 12 + + 2

3. Si 1 , 2 , , , son n-variables aleatorias independientes e idnticamente distribuidas,

segn una (, ), entonces la variable aleatoria suma de estas n-variables
Sigue una distribucin

= 1 + +
,

4. Si 1 , 2 , , , son n-variables aleatorias independientes e idnticamente distribuidas,

segn una (, ), entonces la variable aleatoria media aritmtica de estas n-variables
1 + +
=

Sigue una distribucin

EJEMPLO. Mecanismo compuesto de tres piezas. Actan de forma consecutiva e

independiente, es decir si se avera la primera entra en funcionamiento la segunda y as
sucesivamente. La duracin de las respectivas piezas, expresadas en horas, siguen
distribuciones normales con medias y varianzas (OJO habla de varianza, 2 ).
1 (120, 0,02); 2 (240, 0,03); 3 (180, 0,04)

Determinar la probabilidad de que el mecanismo est funcionando ininterrumpidamente entre

538 y 548 horas.
Variable , suma de tiempos de duracin de las tres piezas, 1 + 2 + 3 , se distribuye segn
una normal de media y varianza
[] = 1 + 2 + 3 = 120 + 240 + 180 = 540

() = 12 + 12 + 12 = 0,02 + 0,03 + 0,04 = 0,09

(540, 0,09)

2 Grado en Administracin y Direccin de Empresas

Pgina 75

Estadstica Empresarial 2014/2015

(538 548) =

538 540 540 548 540

= (6,67 26,67) =
0,3
0,3
0,3
= (26,67) (6,67) 1 0 = 1

3.5 Relacin entre la distribucin binomial,

Poisson y normal.

Aproximacin a la distribucin normal de la distribucin binomial.

Nos basaremos en el siguiente teorema de Moivre.
Teorema de Moivre. Sea una variable aleatoria binomial, (, ), cuya media es y su
desviacin tpica , entonces, cuando , la variable aleatoria
Tiende a una distribucin (0,1).
Es decir:

(0,1)

Si es una variable aleatoria (, ) entonces cuando la funcin de probabilidad (, )

se va aproximando a la funcin de densidad de una (, ) en donde = y = .
Es decir, cuando
,

( ) =

Siendo una variable aleatoria (0,1).

La aproximacin de la (, ) a una (, ) con suficientemente grande se realiza cuando:
>5

1
2

>5 >

1
2

Nos puede interesar considerar la variable 1/ en donde sigue una distribucin (, ), y

sabemos que:

= [] =
=

1
1

= 2 () = 2 =

Aplicando el teorema de Moivre

2 Grado en Administracin y Direccin de Empresas

Pgina 76

Estadstica Empresarial 2014/2015

=
=

Tiende hacia una distribucin (0,1).

Si designamos por
1
=

a la proporcin de observaciones que presentan una cierta caracterstica, resulta que en el

lmite se distribuye segn una distribucin normal con media
[ ] =

Desviacin tpica

( ) =

Es decir:

Aproximacin a la distribucin normal de la distribucin de Poisson.

La media de la distribucin de Poisson coincide con el parmetro , y cuando este parmetro
es relativamente grande, puede utilizarse la distribucin normal para aproximar la distribucin de
Poisson. En la prctica la aproximacin es aceptable si 10.
Si tenemos una variable aleatoria que se distribuye segn una distribucin de Poisson de
parmetro , (), siendo 10, podemos aproximar esta distribucin de Poisson por una
distribucin normal (, ), en donde la media es:
= [] =

Y la desviacin tpica:
Entonces:
( ) =

= () =

2 Grado en Administracin y Direccin de Empresas

Pgina 77

Estadstica Empresarial 2014/2015

EJEMPLO. Empresa dedicada a la fabricacin y venta de bebidas observa que el 40% de los
establecimientos que son visitados por sus vendedores realizan compras de esas bebidas. Si un
vendedor visita 20 establecimientos, determinar la probabilidad de que por lo menos 6 de esos
establecimientos realicen una compra.
es una variable aleatoria del nmero de establecimientos que al ser visitados por el vendedor
realizan compras distribuyndose segn una (20, 0,4).
Utilizando Tabla A.1
( 6) = 1 ( 5) = 1 ((( = 0) + (( = 1) + (( = 2) + (( = 3) + (( = 4) +
+(( = 5) = 1 0,1255 = 0,8745

Las condiciones para poder realizar la aproximacin por medio de la normal son:
>5

Aproximando por una (, ), en donde:

20 0,4 = 8 > 5

2 Grado en Administracin y Direccin de Empresas

= 0,4

1
2
Pgina 78

Estadstica Empresarial 2014/2015

= = 20 0,4 = 8

( 6) =

= = 20 0,4 0,6 2,19

8 68

( 0,91) = 1 ( 0,91) = 1 (0,91) =

2,19
2,19
= 1 0,1814 = 08186

4.- Teorema central del lmite

El Teorema Central del Lmite, nos dice que para suficientemente grande y si es la suma
de variables aleatorias independientes que satisfacen ciertas condiciones generales, entonces
tiende hacia una distribucin normal. Nosotros daremos el Teorema Central del Lmite de
Lindeberg y Levy o simplemente le llamaremos Teorema Central del Lmite.
Si 1 , , es una sucesin de n-variables aleatorias independientes e idnticamente
distribuidas, con media y varianza 2 (ambas finitas); entonces la sucesin de variables
aleatorias { } definida como:
[ ]
=
( )
Tiende hacia una distribucin (0,1). Siendo = 1 + + . Es decir:
Donde:

[ ]
(0,1)
( )

[ ] = [1 + + ] =

2 Grado en Administracin y Direccin de Empresas

Pgina 79

Estadstica Empresarial 2014/2015

Con lo cual,

Abreviadamente

2 ( ) = [( )2 ] = 2

[ ]

=
(0,1)
( )

( , )

Si consideramos que las variables aleatorias 1 , , se distribuyen idnticamente segn una

(1, ) entonces estaramos en el Teorema de Moivre y resulta que:

= 1 + +
Se distribuye segn una (, ).
Luego el Teorema de Moivre es un caso particular del Teorema Central del Lmite.
EJEMPLO. Sucesin de variables aleatorias { }, independientes y distribuidas segn una
Poisson de parmetro = 2. Se define la variable aleatoria:
100

100 =
=1

Determinar la (190 100 210).

En la distribucin de Poisson, la media es [ ] = = 2
( ) = = 2.
Aplicando el Teorema Central del Lmite:

y la desviacin tpica es

100 , 100 2, 2 20 (200,10 2)

190 200 100 200 210 200

(0,707 0,707) =
(190 100 210) =
10 2
10 2
10 2
= (0,707) (0,707) = 0,7611 0,2389 = 0,5222

En la Tabla A.5 el valor de ms prximo a 0,707 es 0,71: (0,71) = 0,7611. Lo mismo para el
valor -0,707.
EJEMPLO. Las ventas diarias de un concesionario siguen una distribucin uniforme entre 20 y
30 coches diarios. Determinar la probabilidad que tiene ese concesionario de vender ms de
4.800 coches despus de trascurrir 200 das.
es la variable aleatoria que indica las ventas del da i-simo, que se distribuye segn una
uniforme (20,30). 200 es la variable aleatoria correspondiente a la venta de los 200 das, es
decir:
200 = 1 + + 200
Media de :
+ 30 + 20
=
= 25
[ ] =
2
2
Varianza de :
( )2 (30 20)2
( ) = 2 ( ) =
=
= 8,3
12
12
Teorema Central del Lmite:
[ ]
[ ] = 200 25 = 5000
2 200
(200 ) = 200 8,3 = 1666,6
( )

2 Grado en Administracin y Direccin de Empresas

Pgina 80

Estadstica Empresarial 2014/2015

200 5000 4800 5000

(200 > 4800) =
>
= ( > 4,9) = 1 ( 4,9) 1 0 1
1666,6
1666,6

5.- Distribuciones asociadas a la normal

Junto con la distribucin normal, estn tres distribuciones, ji-cuadrado de Pearson, la t-Student
y la F-Snedecor, que sern ampliamente utilizadas cuando estudiemos las distribuciones de
estadsticos muestrales.
5.1 Distribucin 2 de Pearson.

La notaremos por 2 de Pearson, aparece, naturalmente en la teora asociada a la suma de los

cuadrados de variables aleatorias independientes e igualmente distribuidas segn una
distribucin normal.
Consideremos una variable aleatoria , con distribucin (0,1) y pretendemos obtener la
distribucin de la variable aleatoria = 2 .
La funcin de distribucin (), de la variable aleatoria es:
() = ( ) = ( 2 ) = = ,

Teniendo en cuenta que la distribucin normal es simtrica:

() = 1 = 2 1,

Evidentemente

() = 0,

>0

>0

Para obtener la funcin de densidad bastar derivar la funcin de distribucin, y sustituir en la

funcin de densidad de la (0,1).
1

Pues

1 2
2

1
1
() = 2
=
21 2 ,
2 1
2

>0

1
=
2

La funcin de densidad de la variable aleatoria = 2 es:

2 Grado en Administracin y Direccin de Empresas

Pgina 81

Estadstica Empresarial 2014/2015

Abreviadamente indicaremos que la variable aleatoria sigue una distribucin ji-cuadrado con
un grado de liberta: 12 .
Podemos generalizar la definicin anterior, extendindola a la suma de los cuadrados de nvariables aleatorias (0,1) e independientes.
Proposicin 4.
Sean n-variables aleatoria independientes, igualmente distribuidas segn una (0,1).
Entonces, diremos que la variable aleatoria:
= 12 + + 2

Sigue una distribucin 2 con n-grados de liberta, y abreviadamente lo indicamos por:

2

Es decir la distribucin 2 con n-grados de liberta se puede considerar como una suma de nvariables aleatorias 2 independientes y con la misma distribucin 12 , y por tanto la suma de
todas ellas seguir una distribucin 2 con n-grados de libertad, 2 .
Todo esto lo indicaremos como: = 12 + + 2 2
La suma de n-variables aleatorias independientes, (0,1) y elevadas al cuadrado sigue una
distribucin ji-cuadrado con n-grados de libertad.
A medida que el nmero de grados de
libertad se va haciendo grande la forma de
la funcin de densidad se va pareciendo a la
normal estndar, (0,1). Se puede
demostrar que la media [] = , es igual al
nmero de grados de libertad, y la () =
2 .
Si las variables aleatorias no son
(0,1) sino que son ( , 1), entonces la
variable aleatoria 12 + + 2 se distribuye
segn una 2 no centrada con grados de
liberta y parmetro de descentralizacin:

= 2
=1

Cuando > 30, entonces la distribucin

se puede aproximar a una (0,1).
Si es una variable aleatoria distribuida
segn una 2 entonces la variable aleatoria
sigue
aproximadamente
una
2
distribucin (2 1, 1).
Para > 30, si sigue una distribucin
2
y queremos calcular la ( ):
2

( ) = (2 2) = 2 2 =
2 Grado en Administracin y Direccin de Empresas

= 2 2 1 2 2 1

Pgina 82

Estadstica Empresarial 2014/2015

2 2 1 = 2 2 1

Donde es (0,1) y 2 2 1 es el valor de la funcin de distribucin de la (0,1) en

el punto 2 2 1.
Tablas de la distribucin .
2
Tabla A.6 del anexo A, se dan los valores ,
, para diferentes valores de y , tales que:
=

2
,

2
,

2 2 2

2
,

2 1 2

Siendo una variable aleatoria distribuida segn una 2 de Pearson con n-grados de libertad.
En el interior de esta tabla aparecen, para diferentes valores de (nmero de grados de
2
libertad) y diferentes valores de la probabilidad , el valor, ,
, tal que a su izquierda deja un
rea, bajo la curva funcin de densidad, igual a .

En la Tabla A.6 el nmero de grados de liberta vara consecutivamente de 1 a 30, aunque

tambin aparecen algunos valores superiores a 30.
2
EJEMPLO. Variable aleatoria distribuida segn una 11
. Obtener los valores tales que:
2
1. 11,0,05 = 0,05

2 Grado en Administracin y Direccin de Empresas

Pgina 83

2
11,0,05
= 4,575

Estadstica Empresarial 2014/2015

2. ( ) = 0,75
0,75 = ( ) = 1 ( ) ( ) = 1 0,75 = 0,25
2
= 11,0,25
= 7,584

2
2
. Obtener la (38
20).
EJEMPLO. Dada una variable aleatoria distribuida segn un 38
Sabemos que la variable aleatoria:
2
2 38 1, 1
2 = 238

Luego:

Tipificando:

2
2
(38
20) = 238
2 20

2
238
2 20 =

2
238
2 38 1 2 20 2 38 1

1
1

( 40 75 = ( 2,34) = (2,34) = 0,0096

Al tipificarla miramos la tabla A.5.

2 Grado en Administracin y Direccin de Empresas

Pgina 84

Estadstica Empresarial 2014/2015

5.2 Distribucin de Student.

Una distribucin relacionada con la normal y con la 2 y ampliamente utilizada en inferencia es

la distribucin de Student o simplemente distribucin . Consideraremos esta distribucin como
una funcin estadstica y posteriormente ser utilizada como test estadstico.
Sean y dos variables aleatorias independientes distribuidas segn una (0,1) y una 2 ,
respectivamente. Entonces se dice que la variable aleatoria:
=

Se distribuye segn un de Student con n-grados de libertad. Abreviadamente: .

Tambin se podra definir: Sean , 1 , , , + 1 variables aleatorias independientes e
idnticamente distribuidas segn una (0, ). Entonces se dice que la variable aleatoria:
=

1 (12 + + 2 )

Se distribuye segn una de Student con n-grados de libertad.

Ambas definiciones coinciden.
La funcin de densidad de la distribucin de Student con n-grados de libertad es:
1
+1
(+1)
2
2 2
() =
1 +
, < < +

Si analizamos con cierto detalle la funcin de densidad de la de Student se observa que:

1. Es simtrica con respecto al origen, = 0.
2. El eje de abscisas es una asntota.
3. Es creciente para < 0. Es decreciente para > 0.
Para = 0 alcanza su mximo, por tanto la media, la mediana y la moda toma el valor cero.
4. Presenta dos puntos de inflexin simtricos respecto al origen, tomando una forma
acampanada, parecida a la normal.
En la representacin
grfica,
vemos
la
funcin de densidad
para = 1 y = 4.
Tambin aparece la
normal
estndar.
Observamos
que
cuando aumenta la
distribucin
-Student
tiende a la (0,1),
coincidiendo
prcticamente con la
(0,1) cuando > 30.

2 Grado en Administracin y Direccin de Empresas

Pgina 85

Si en =

Estadstica Empresarial 2014/2015

la variable aleatoria sigue una distribucin (, 1) entonces se tendra la

distribucin de Student descentrada, con n-grados de libertad. Siendo el parmetro de

descentralizacin.
Tablas de la distribucin de Student.
Tabla A.7 del anexo A. En ella se dan los valores para los diferentes valores del nmero de
grados de libertad y tales que:
1
+1
(+1)

2
2 2
= = =
1 +

Para > 0,5, y siendo una variable aleatoria -Student con n-grados de libertad
( = 1,2, ,30, , ).
Cuando 0,5, los valores sern negativos pero sus magnitudes sern las mismas que las
de los correspondientes valores que se encuentran en la parte derecha. Es decir:
= 1 ( )

En la primera fila de la tabla aparecen las probabilidades acumuladas, , y en la primera

columna los diferentes valores del nmero, , de grados de libertad.
En el interior de la tabla aparecen los
percentiles o valores , que para simplificar
indicaremos por , tal que a su izquierda deja un
rea, bajo la curva funcin de densidad, igual a .
En la prctica cuando > 30 utilizaremos las
tablas de la (0,1) para calcular las probabilidades
de la -Student.
EJEMPLO. Distribucin de Student con 15 grados de liberta, determinar los valores tales
que:
1. = 0,75

= 0,75 ( 0,691) = 0,75 0,75=0,691

2 Grado en Administracin y Direccin de Empresas

Pgina 86

Estadstica Empresarial 2014/2015

2. = 0,90

= 0,90 ( 1,341) = 0,90 0,90 = 1,341

3. = 0,05
Para 0,5, usaremos el dato 1 y le aadiremos signo negativo.
1 0,05 = 0,95 0,05 = 0,95

= 0,05 ( 1,753) = 0,05 0.05 = 0,95 = 1,753

5.3 Distribucin de Snedecor.

Esta distribucin se utiliza fundamentalmente en problemas relacionados con la varianza, y

muy concretamente en la tcnica de anlisis de la varianza.
Sean y dos variables aleatorias independientes, distribuidas segn una 2 con 1 grados
de libertad y una 2 con 2 grados de libertad, respectivamente. Entonces se dice que la variable
aleatoria:

1
=

Se distribuye segn una de Snedecor con 1 y 2 grados de libertad. Abreviadamente:

1 ,2
2 Grado en Administracin y Direccin de Empresas

Pgina 87

Estadstica Empresarial 2014/2015

Otra forma de definirla: Sean 1 , , e 1 , , , 2 + variables aleatorias independientes e

idnticamente distribuidas segn una (0, ). Entonces decimos que la variable aleatoria
1
2)
( 2
1 1 + +
=
1
(12 + + 2 )
2

Se distribuye segn una de Snedecor con 1 y 2 grados de libertad.

La funcin de densidad de la distribucin de Snedecor con 1 y 2 grados de libertad es:
+
+
1
1 2
1 2 2
1
1 2
1
2
1
2
1 +
,
() =
2 2
1
2
22

>0

Depende solamente de los dos parmetros 1 y 2 .

Representacin grfica de la funcin de densidad para diferentes valores de 1 y 2 .

Tambin puede aparecer la distribucin de Snedecor no centrada, la cual se presenta

cuando la distribucin 21 que sigue la variable aleatoria de la expresin

1
=

2
no est centrada.
1
Si 1 ,2 , entonces su inversa = 2 ,1 y adems se verifica que
1 ,2, = 1

1 ,2 ,

Tablas de la distribucin de Snedecor.

Tabla A.8 del anexo A, se dan los valores de 1 ,2 , para diferentes valores de los grados de
libertad 1 y 2 y , tales que:
+
+
1
1 ,2 ,
1 2
1 2 2
1 2
1
1 1
2
2
= 1 ,2 , =

1
+

2
0
1 2 2
2
2
2 Grado en Administracin y Direccin de Empresas

Pgina 88

Estadstica Empresarial 2014/2015

En la primera fila y en la primera columna aparecen los grados de libertad 1 y 2 ,

respectivamente.
En el interior de cada una de las tablas aparecen,
para los diferentes valores de 1 y 2 , los percentiles o
valores 1 ,2 , tales que a su izquierda dejan un rea,
bajo la curva funcin de densidad, igual a .
No se facilitan tablas con valores pequeos de .
Esto se puede resolver teniendo en cuenta la propiedad de reciprocidad, que escrita en trminos
de percentiles, para su utilidad prctica la podemos expresar como:
1 ,2 , =

2 ,1 ,1 =

2 ,1 ,1

1 ,2 ,

EJEMPLO. Variable aleatoria distribuida segn una de Snedecor con 10 y 15 grados de

libertad respectivamente, determinar los valores correspondientes de los percentiles tales que:
1. 10,15,0,90 = 0,90

10,15,0,90 = 2,06

2. 10,15,0,10 = 0,10
Utilizando la propiedad de reciprocidad

10,15,0,10 =

15,10,10,10

10,15,0,10 =

2 Grado en Administracin y Direccin de Empresas

15,10,0,90

1
= 0,44
2,24

Pgina 89