144 Bioestadstica: Metodos y Aplicaciones

Soluci
on: Si consideramos la v.a. X que contabiliza el n
umero de personas
que padecen la enfermedad, es claro que sigue un modelo binomial, pero
que puede ser muy bien aproximado por un modelo de Poisson, de modo
que

1
 

X;B n = 500,000, p = = X ; Poi ( = 5)
100,000

As el n
umero esperado de personas que padecen la enfermedad es E [X] =
5. Como Var [X] = 5, existe una gran dispersion, y no sera extra
no encon-
trar que en realidad hay muchas mas personas o menos que estan enfermas.
La probabilidad de que haya mas de tres personas enfermas es:

P[X > 3] = 1 P[X 3]

= 1 P[X = 0] P[X = 1] P[X = 2] P[X = 3]
e50 e51 e52 e53
= 1
0! 1! 2! 3!
= 0, 735

6.3. Distribuciones continuas

En esta seccion estudiaremos las distribuciones mas importantes de v.a.
continuas unidimensionales. El soporte de una v.a. continua se define como
aquella region de IR donde su densidad es no nula, f (x) 6= 0. Para las
distribuciones que enunciaremos, podra ser bien todo IR, IR+ = (0, +) o
bien un segmento de la forma [a, b] IR.

6.3.1. Distribuci
on uniforme o rectangular

Se dice que una v.a. X posee una distribuci

on uniforme en el intervalo
[a, b],

X;U (a, b)
6.3. DISTRIBUCIONES CONTINUAS 145

si su funcion de densidad es la siguiente:

1
f (x) = si a x b (6.14)
ba
Con esta ley de probabilidad, la probabilidad de que al hacer un ex-
perimento aleatorio, el valor de X este comprendido en cierto subintervalo
de [a, b] depende unicamente de la longitud del mismo, no de su posicion.
Cometiendo un peque no abuso en el lenguaje, podemos decir que en una
distribucion uniforme la probabilidad de todos los puntos del soporte es la
misma 2 .
1.0

F(x)
0.8
0.6

f(x)
0.4

Unif(a = 0, b = 2)
0.2
0.0

0.5 0.0 0.5 1.0 1.5 2.0 2.5 3.0

Figura 6.3: Funcion de densidad y de distribucion de U (a, b)

b+a
E [X] =
2

(b a)2
Var [X] =
12
2
Hay que observar que en principio esa afirmacion es cierta para cualquier v.a. conti-
nua, ya que para ellas la probabilidad de cualquier punto es nula. Sera m
as preciso decir
que la densidad de todos los puntos es constante en [a, b].
146 Bioestadstica: Metodos y Aplicaciones

6.3.2. Distribuci
on exponencial

La distribucion exponencial es el equivalente continuo de la distribucion

geometrica discreta. Esta ley de distribucion describe procesos en los que:

Nos interesa saber el tiempo hasta que ocurre determinado evento,

sabiendo que,

el tiempo que pueda ocurrir desde cualquier instante dado t, hasta

que ello ocurra en un instante tf , no depende del tiempo transcurrido
anteriormente en el que no ha pasado nada.

Ejemplos de este tipo de distribuciones son:

El tiempo que tarda una partcula radiactiva en desintegrarse. El

conocimiento de la ley que sigue este evento se utiliza en Ciencia
para, por ejemplo, la datacion de fosiles o cualquier materia organica
mediante la tecnica del carbono 14, C 14 ;

El tiempo que puede transcurrir en un servicio de urgencias, para la

llegada de un paciente;

En un proceso de Poisson donde se repite sucesivamente un experi-

mento a intervalos de tiempo iguales, el tiempo que transcurre entre la
ocurrencia de dos sucesos consecutivos sigue un modelo probabilstico
exponencial. Por ejemplo, el tiempo que transcurre entre que sufrimos
dos veces una herida importante.

Concretando, si una v.a. continua X distribuida a lo largo de IR+ , es

tal que su funcion de densidad es

f (x) = ex si 0 < x (6.15)

se dice que sigue una distribuci

on exponencial de parametro , X;Exp ().
Un calculo inmediato nos dice que si x > 0,
Z x ix
et dt = et = 1 ex
0 0
6.3. DISTRIBUCIONES CONTINUAS 147

1.0
f(x) = ex para = 1

0.8
0.6
0.4
0.2
0.0

0 1 2 3 4

Figura 6.4: Funcion de densidad, f , de una Exp ().

luego la funcion de distribucion es:

x
1e
si 0 < x
F (x) =

0 en otro caso.

1
E [X] =

1
Var [X] =
2

Ejemplo de variable exponencial

En un experimento de laboratorio se utilizan 10 gramos de 21084 P o. Sa-

biendo que la duracion media de un atomo de esta materia es de 140 das,
148 Bioestadstica: Metodos y Aplicaciones

1.0
1
F(x) = 1 ex

0.8
0.6
0.4
0.2

f(x) = ex
0.0

0 1 2 3 4

Figura 6.5: Funcion de distribucion, F , de Exp (), calculada como el area

que deja por debajo de s la funcion de densidad.

cuantos idas transcurriran hasta que haya desaparecido el 90 % de este

material?
Solucion: El tiempo T de desintegracion de un atomo de 210P o es una
84
v.a. de distribucion exponencial:

1
 
T ;Exp = f (t) = e t si t 0
140

F (t) = 1 e t

Como el n umero de atomos de 21084 P o existentes en una muestra de 10

gramos es enorme, el histograma de frecuencias relativas formado por los
tiempos de desintegracion de cada uno de estos atomos debe ser extremada-
mente aproximado a la curva de densidad, f . Del mismo modo, el polgono
de frecuencias relativas acumuladas debe ser muy aproximado a la curva
de su funcion de distribucion F . Entonces el tiempo que transcurre hasta
6.3. DISTRIBUCIONES CONTINUAS 149

que el 90 % del material radiactivo se desintegra es el percentil 90, t90 , de

la distribucion exponencial, es decir

1
F (t90 ) = 0, 9 e t90 = 1 0, 9 t90 = ln 0, 1 322 das

Otro ejemplo de variable exponencial

Se ha comprobado que el tiempo de vida de cierto tipo de marcapa-

sos sigue una distribucion exponencial con media de 16 a nos. Cual es la
probabilidad de que a una persona a la que se le ha implantado este marca-
pasos se le deba reimplantar otro antes de 20 anos? Si el marcapasos lleva
funcionando correctamente 5 a nos en un paciente, cual es la probabilidad
de que haya que cambiarlo antes de 25 % a nos?
Solucion: Sea T la variable aleatoria que mide la duracion de un marca-
pasos en una persona. Tenemos que

1
 
T ;Exp = f (t) = e t si t 0
16

F (t) = 1 e t

Entonces
Z 20 20
P[T 20] = f (t) dt = F (20) = 1 e 16 = 0, 7135
0

En segundo lugar

P[5 T 25] 0, 522

P[T 25|T 5 ] = = = 0, 7135
P[T 5] 0, 7316
(6.16)
Z 25 25 5
P[5 T 25] = f (t) dt = F (25) F (5) = 1\ e 16 1\ + e 16 = 0, 522
5
Z + 5
P[T 5] = f (t) dt = F (+) F (5) = 1\ 1\ + e 16 = 0, 7316
5
150 Bioestadstica: Metodos y Aplicaciones

Luego como era de esperar, por ser propio a un mecanismo exponencial,

P[T 25|T 5 ] = P[T 20]

o sea, en la duracion que se espera que tenga el objeto, no influye en nada

el tiempo que en la actualidad lleva funcionando. Es por ello que se dice
que la distribucion exponencial no tiene memoria.

6.3.3. Distribuci
on normal o gaussiana

La distribucion gaussiana, recibe tambien el nombre de distribuci

on normal,
3
ya que una gran mayora de las v.a continuas de la naturaleza siguen esta
distribucion. Se dice que una v.a. X sigue una distribuci on normal de
2 2


parametros y , lo que representamos del modo X;N , si su
funcion de densidad es:

1 x 2
f (x) =
1
2
e 2 ( ) , x IR (6.17)

Observaci
on

Estos dos parametros y 2 coinciden ademas con la media (esperanza)

y la varianza respectivamente de la distribucion como se demostrara mas
adelante4 :

E [X] = (6.18)
2
Var [X] = (6.19)

La forma de la funcion de densidad es la llamada campana de Gauss.

Para el lector es un ejercicio interesante comprobar que esta alcanza un
u
nico maximo (moda) en , que es simetrica con respecto al mismo, y por
3
Incluso v.a discretas pueden ser aproximadas por la ley gaussiana.
4
Hemos adelantado al lector el significado de y 2 pues esta es una distribuci
on que
queda definida en primera instancia por su media y varianza.
6.3. DISTRIBUCIONES CONTINUAS 151

0.4
N( = 0, = 1)

0.3

0.2
0.1

0.0

3 2 1 0 1 2 3

Figura 6.6: Campana de Gauss o funcion de densidad de una v.a. de dis-

tribucion normal. EL parametro indica el centro y la dispersion. La
distancia del centro a los puntos de inflexion es precisamente .

tanto P[X ] = P[X ] = 1/2, con lo cual en coinciden la media, la

mediana y la moda, y por u
ltimo,calcular sus puntos de inflexion.
El soporte de la distribucion es todo IR, de modo que la mayor parte
de la masa de probabilidad (area comprendida entre la curva y el eje de
abcisas) se encuentra concentrado alrededor de la media, y las ramas de la
curva se extienden asintoticamente a los ejes, de modo que cualquier valor
muy alejadode la media es posible (aunque poco probable).
La forma de la campana de Gauss depende de los parametros y :

indica la posicion de la campana (par

ametro de centralizaci
on);

2 (o equivalentemente, ) sera el parametro de dispersion. Cuanto

menor sea, mayor cantidad de masa de probabilidad habra concen-
trada alrededor de la media (grafo de f muy apuntado cerca de ) y
cuanto mayor sea mas aplastadosera.
152 Bioestadstica: Metodos y Aplicaciones

N( = 0, = 1)

0.4
0.3

P(x ) = 0.68
0.2
0.1

P(x 2) = 0.95
0.0

3 2 1 0 1 2 3

Figura 6.7: A una distancia que no supera en una desviacion de la media

tenemos una probabilidad del 68 %. A dos desviaciones tenemos el 95 %.

Aproximaci
on a la normal de la ley binomial

Se demuestra que una v.a. discreta con distribucion binomial, X;B (n, p)
se puede aproximar mediante una distribucion normal si n es suficientemen-
te grande y p no esta ni muy proximo a 0 ni a 1. Como el valor esperado y
la varianza de X son respectivamente n p y n p q, la aproximacion consiste

en decir que X ; N (n p, n p q). El convenio que se suele utilizar para poder
realizar esta aproximacion es:


n > 30





X;B (n, p) donde np > 4 = X ; N (n p, n p q)





nq > 4

aunque en realidad esta no da resultados muy precisos a menos que realmen-

te n sea un valor muy grande o p q 1/2. Como ilustracion observense
las figuras 6.10 y 6.11.
6.3. DISTRIBUCIONES CONTINUAS 153

N(0,1)
N(3,1)
N(-3,1)

0.5

0.4

0.3

0.2

0.1

0
-4 -2 0 2 4

Figura 6.8: Distribuciones gaussianas con diferentes medias e igual disper-

sion.

6.3.4. on 2
Distribuci

Si consideramos una v.a. Z;N (0, 1), la v.a. X = Z 2 se distribuye seg

un
on 2 con un grado de libertad, lo
una ley de probabilidad distribuci
que se representa como

X;21

Si tenemos n v.a. independientes Zi ;N (0, 1), la suma de sus cuadrados

respectivos es una distribucion que denominaremos ley de distribuci on
2
con n grados de libertad, n . 2

n
{Zi }ni=1 ;N (0, 1) Zi2 ;2n
X
= (6.20)
i=1
154 Bioestadstica: Metodos y Aplicaciones

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

0.5

0.4

0.3

0.2

0.1

0
-4 -3 -2 -1 0 1 2 3 4

Figura 6.9: Distribuciones gaussianas con igual media pero varianza dife-
rente.

La media y varianza de esta variable son respectivamente:

E [X] = n (6.21)
Var [X] = 2n (6.22)

En consecuencia, si tenemos X1 , . . . , Xn , v.a. independientes, donde ca-

da Xi ;N i , i2 , se tiene

n 
Xi i 2

;2n
X

i=1
i
6.3. DISTRIBUCIONES CONTINUAS 155

0.16 Bin(100;0,15)
N(np,npq)

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 20 40 60 80 100

Figura 6.10: Comparacion entre la funcion de densidad de una v.a. continua

con distribucion N (n p, n p q) y el diagrama de barras de una v.a. discreta
de distribucion B (n, p) para casos en que la aproximacion normal de la
binomial es valida. Es peor esta aproximacion cuando p esta proximo a los
bordes del intervalo [0, 1].

6.3.5. Distribuci
on t de Student

La distribucion tStudent se construye como un cociente entre una normal y

la raz de una 2 independientes. De modo preciso, llamamos distribucion
tStudent con n grados de libertad, tn a la de una v.a. T ,

Z
T =q ;tn (6.23)
1 2
n n

donde Z;N (0, 1), 2n ;2n . Este tipo de distribuciones aparece cuando
tenemos n + 1 v.a. independientes
 
X;N , 2
156 Bioestadstica: Metodos y Aplicaciones

Bin(100;0,5)
N(np,npq)

0.1

0.08

0.06

0.04

0.02

0
0 20 40 60 80 100

Figura 6.11: La misma comparacion que en la figura anterior, pero realizada

con parametros con los que damos la aproximacion normal de la binomial
es mejor.

 
Xi ;N i , i2 i = 1, . . . , n

y nos interesa la distribucion de

X
T =v ;tn
n  2
u1 X
u X
t i i
n i=1 i

La distribucion t de Student tiene propiedades parecidas a N (0, 1):

Es de media cero, y simetrica con respecto a la misma;

Es algo mas dispersa que la normal, pero la varianza decrece hasta 1
cuando el numero de grados de libertad aumenta;
6.3. DISTRIBUCIONES CONTINUAS 157

0.5
22

0.4
0.3

24
0.2

26
0.1
0.0

0 2 4 6 8

Figura 6.12: Funcion de densidad de 2n para valores peque

nos de n.

Para un n umero alto de grados de libertad se puede aproximar la

distribucion de Student por la normal, es decir,

n
tn N (0, 1)

6.3.6. La distribuci
on F de Snedecor

Otra de la distribuciones importantes asociadas a la normal es la que se

define como cociente de distribuciones 2 independientes. Sean X;2n e
Y ;2m v.a. independientes. Decimos entonces que la variable

1
nX m X
F = 1 = ;Fn,m (6.24)
mY
n Y

sigue una distribuci

on de probabilidad de Snedecor, con (n, m) gra-
dos de libertad. Observese que Fn,m 6= Fm,n .
158 Bioestadstica: Metodos y Aplicaciones

t30 t = N(0, 1)

0.4
t3

0.3
t1
0.2
0.1
0.0

4 2 0 2 4

Figura 6.13: Cuando aumentan los grados de libertad, la distribucion de

Student se aproxima a la distribucion normal tipificada.

La forma mas habitual en que nos encontraremos esta distribucion

sera en el caso en que tengamos n + m v.a. independientes
 
Xi ;N i , i2 i = 1, . . . , n

 
Yj ;N mj , s2j i = 1, . . . , m

y as
n 2
1X Xi i


n i=1 i
F =
m
!2 ;Fn,m
1 X Yj mj
m j=1 sj

Es claro que la distribucion de Snedecor no es simetrica, pues solo tienen

densidad de probabilidad distinta de cero, los punto de IR+ . Otra propiedad
interesante de la distribucion de Snedecor es:
6.4. PROBLEMAS 159

F10, 20

0.8
F10, 10

0.6
0.4
0.2
0.0 F10, 5

0.0 0.5 1.0 1.5 2.0 2.5 3.0

Figura 6.14: Funciones de densidad para la distribucion F de Snedecor.

1
F ;Fn,m ;Fm,n
F

6.4. Problemas
Ejercicio 6.1. Para estudiar la regulacion hormonal de una lnea metaboli-
ca se inyectan ratas albinas con un farmaco que inhibe la sntesis de pro-
tenas del organismo. En general, 4 de cada 20 ratas mueren a causa del
farmaco antes de que el experimento haya concluido. Si se trata a 10 ani-
males con el farmaco, cual es la probabilidad de que al menos 8 lleguen
vivas al final del experimento?

Ejercicio 6.2. En una cierta poblacion se ha observado un n

umero medio
anual de muertes por cancer de pulmon de 12. Si el numero de muertes
causadas por la enfermedad sigue una distribucion de Poisson, cual es la
probabilidad de que durante el a
no en curso: