UNIVERSIDAD DE CONCEPCION

FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS

DEPARTAMENTO DE ESTADISTICA

DISTRIBUCIONES DE PROBABILIDADES DISCRETAS Y CONTINUAS

Prof. Francisco Pradenas P.

En este tema estudiaremos las distribuciones de probabilidades ms importantes de la Estadstica,

tanto para variables aleatorias discretas como continuas. Corresponden a aquellas de uso
frecuente en aplicaciones terico-prcticas de distintas reas del conocimiento y que estn
asociadas con experimentos aleatorios con caractersticas muy precisas. Como veremos, estas
distribuciones se pueden definir por medio de una expresin matemtica que involucra ciertas
constantes, las cuales son llamadas parmetros de la distribucin.

1. DISTRIBUCIONES DE PROBABILIDADES DISCRETAS

1.1 Distribucin Bernoulli:

Uno de los experimentos aleatorios ms simple que podemos realizar es aquel donde
existen slo dos resultados posibles. Por ejemplo, el lanzamiento de una moneda equilibrada
(cara o sello), situacin acadmica de un alumno en una asignatura al final del semestre
(aprobado o reprobado), la clasificacin de un artculo que se est inspeccionando (defectuoso o
no defectuoso), etc. Este tipo de experimentos con slo dos resultados posibles se denomina
experimento Bernoulli o ensayo Bernoulli y los elementos del espacio muestral se llaman
comnmente xito (E) y fracaso (F).

Para cualquier nmero p, 0 p 1, asignaremos las probabilidades P({E}) p y

P({F}) 1 p = q.

Sea H el espacio muestral asociado a un experimento aleatorio y sea A H un evento tal que
p P(A), 0 p 1. LLamamos a \ variable aleatoria Bernoulli con parmetro p a la
funcin:

\ (=) =
1, si = A
0, si = A

Notacin: \ U :

Ya que el recorrido de la variable aleatoria \ es V\ 0,1, ella es discreta y su

funcin de probabilidades se obtiene de la siguiente manera aplicando el concepto de eventos
equivalentes: como el evento X 1 ocurre si y slo si A ocurre, entonces P(\ 1) = P(A) =
p, y como el evento X 0 ocurre si y slo si A- ocurre, entonces P(\ !) = P(A- ) =
1 P(A) " p q. Por lo tanto, si \ es una variable aleatoria Bernoulli de parmetro p, su
distribucin de probabilidades est dada por:

p(B) =
p , si B = 1
1 p , si B = 0

Podemos escribirla en la forma:

p(B) = pB (1 p)" B
; B = 0,1

1
 A partir de este modelo tenemos que la esperanza, varianza y funcin generadora de
momentos de \ tienen los siguientes valores:

E(\ ) = p , V(\ ) p(1 p) , M\ > (1 p) pe>

1.2 Distribucin Binomial:

Un experimento aleatorio que consiste de n ensayos Bernoulli independientes, cada uno con
probabilidad de xito p, se llama experimento binomial de parmetros n y p.

Se entiende por "ensayos independientes" aquellos en donde la ocurrencia de un evento

no tiene efecto en la ocurrencia o no ocurrencia de cualquier otro evento.

Sea \ una variable aleatoria que denota el nmero de xitos observados en un experimento
binomial de parmetros n y p. Entonces, se llama a \ variable aleatoria binomial.

Notacin: \ ,n,p

La distribucin de probabilidades de \ est dada por la expresin:

P(\ B) = p(B) = B pB (1
n
p)n B
; B 0, ", 2, ..., n

La esperanza, varianza y funcin generadora de momentos de \ tienen los siguientes

valores:

E(\ ) = n p , V(\ ) n p (1 p) , M\ > (q p e> 8

Nota: Como la probabilidad de xito p es constante de un ensayo a otro, se dice que la seleccin
de las unidades es con sustitucin o con reemplazo.

Ejemplo 1: En un proceso productivo, se eligen al final de la lnea de produccin 20 artculos al

azar, se inspeccionan uno a uno, y se clasifican como bueno o defectuoso. De acuerdo a estudios
previos, se sabe que por cada 200 artculos producidos, 10 presentan fallas y son clasificados
como defectuosos. Si \ es el nmero de artculos defectuosos encontrados en la muestra,
determinar la distribucin de probabilidades de \ .

En efecto, cada inspeccin constituye un ensayo Bernoulli donde el evento xito es, en este caso:
10
E "artculo defectuoso", y su probabilidad est dada por p P({E}) 200 0.05. Si \ es el
nmero total de defectuosos en las 20 inspecciones, entonces \ b(20,0.05). Luego, la funcin
de probabilidades de \ es:

p(B) P(\ B 20
B 0.05 0.95
B 20 B
; B 0,1,...,20

Utilizando esta funcin podemos calcular, por ejemplo, las siguientes probabilidades:

a) Cul es la probabilidad de elegir exactamente 5 artculos defectuosos?

p(5) = P(\ 5 20 5 15
5 0.05 0.95 = 0.00225

2
b) Cul es la probabilidad de elegir 1 2 artculos defectuosos?

P(\ {1,2} p(1) p(2) = 20 1

1 0.05 0.95
19 20 2 18
2 0.05 0.95 0.566

c) Cul es la probabilidad de elegir al menos 3 artculos defectuosos?

P(\ {3,4,...,20} P(\ 3 1 P(\ 2 1 [p(0) p(1) p(2)] 0.075

Adems, el nmero promedio de artculos defectuosos obtenido en sucesivas muestras de tamao

20 est dado por E(\ ) n p 20 0.05 1.

1.3 Distribucin Geomtrica:

Supongamos que un experimento Bernoulli se repite sucesivamente hasta que un evento

E ocurra por primera vez. En este caso estamos en presencia de una nueva distribucin de
probabilidades.

Sea E un experimento Bernoulli con probabilidad de xito p y sea \ una variable aleatoria que
denota el nmero de repeticiones necesarias hasta que ocurra el primer xito. Entonces, se
llama a \ variable aleatoria geomtrica de parmetro p.

Notacin: \ Gp

La distribucin de probabilidades de \ est dada por la expresin:

P(\ B) = p(B) = p (1 p)B "

; B ", 2, 3...

La esperanza, varianza y funcin generadora de momentos de \ son las siguientes:

1 1 p p e>
E(\ ) = p , V(\ ) p# , M\ > 1 qe>

Ejemplo 2: Del ejemplo anterior, supongamos que se eligen artculos al azar hasta encontrar el
primero defectuoso. Si \ es una variable aleatoria que denota el nmero de inspecciones
necesarias hasta encontrar el primero defectuoso, entonces:

\ G0.05 P(\ B) = p(B) = 0.05 0.95 B "

; B ", 2, 3...

a) Cul es la probabilidad de que el cuarto artculo seleccionado sea defectuoso?

p(4) = P(\ 4 0.05 0.953 = 0.0429

b) Cul es la probabilidad de que al menos el segundo artculo inspeccionado sea defectuoso?

P(\ 2 1 P(\ 1) 1 p(1) 1 0.05 = 0.95

3
1.4 Distribucin Binomial Negativa:

La distribucin geomtrica puede generalizarse al caso en que el experimento aleatorio se

repite hasta obtener xito por <-sima vez.

Sea E un experimento Bernoulli con probabilidad de xito p y sea \ una variable aleatoria que
denota el nmero de repeticiones necesarias hasta que el xito ocurra por r-sima vez .
Entonces, se llama a \ variable aleatoria binomial negativa o variable aleatoria Pascal de
parmetros r y p.

Notacin: \ b < p

La distribucin de probabilidades de \ est dada por la expresin:

P(\ B) = p(B) = < " p< (1

B "
p)B <
; B < < " < #

La esperanza, varianza y funcin generadora de momentos de \ son las siguientes:

1 qe>
<
< <1 p p e>
E(\ ) = p , V(\ ) p# , M\ >

Ejemplo 3: Del ejemplo 1, supongamos que se eligen artculos al azar hasta encontrar < unidades
defectuosas. Si \ es una variable aleatoria que denota el nmero de inspecciones necesarias hasta
encontrar las < defectuosas, entonces:

\ b < 0.05 P(\ B) = p(B) = < " !!&< !*&B

B " <
; B < < " < #

Cul es la probabilidad que sean necesarias 60 inspecciones para encontrar 4 unidades

defectuosas? Entonces, \ b % 0.05. Se pide

p(60) = P(\ 60 3 !!&4 !*&56 0.012

59

1.5 Distribucin Hipergeomtrica:

Consideremos una muestra de n elementos seleccionados al azar, sin reemplazo, desde un lote
que contiene N elementos, de los cuales M (M N) son de clase V y los restantes N M son de
clase V- . Si \ es el nmero de elementos en la muestra que pertenecen a la clase V, entonces \
se llama variable aleatoria hipergeomtrica con parmetros n, M y N.

Notacin: \ [n,M,N

muestras diferentes que pueden ser seleccionadas del lote es Nn , que es el nmero de
Suponiendo que M n y N M n, entonces V\ = {0,1,2,...,n}. El nmero total de

subconjuntos de tamao n que pueden ser formados de un conjunto de N elementos. Ya que la

muestra es seleccionada al azar, cada uno de estos subconjuntos tiene la misma probabilidad de
ocurrencia y es igual a R" . El nmero de estos subconjuntos que contienen exactamente B
elementos de la clase V (y, por lo tanto, 8 B elementos de la clase V- ) es QB R8 Q
8

B por
principio multiplicativo. Por lo tanto, la funcin de probabilidades de \ es:

4
 Q R8 Q

R8
B B
p(B) = P(\ B ; B = 0,1,2,...,min8 Q

El valor esperado y varianza de una variable aleatoria hipergeomtrica estn dados por:

E(\ ) = n M N N N 1
V(\ ) = n M N M N n
N ,

La f.g.m. de esta variable no es til.

Si N es suficientemente grande, la distribucin de \ puede ser aproximada por la

distribucin binomial y:

P(\ B B pB (1
n M
p)n B
; p N (probabilidad de xito)

8
En general, la aproximacin es buena si R 0.1.

Ejemplo 4: Una empresa cuenta con 60 personas en el departamento de produccin, de las cuales
38 son hombres y 22 son mujeres. Se seleccionarn al azar (sin reposicin) 10 personas para
participar en un curso de capacitacin.

a) Cul es la probabilidad de elegir 6 hombres?

Para responder a esta pregunta, definamos la v.a. \ como el nmero de hombres

seleccionados en la muestra, entonces \ [n 10 , M 38 , N 60. Luego:

38 22
P(\ 6) = p(6) 60 = 0.268
6 4

10

El nmero esperado de hombres seleccionados est dado por E(\ ) = 10 38

60 6.3.

b) Cul es la probabilidad de elegir 8 mujeres?

En este caso debemos definir una nueva v.a. \ como el nmero de mujeres seleccionados en
la muestra, entonces \ [n 10 , M 22 , N 60. Luego:

22 38
P(\ 8) = p(6) 60 = 0.003
8 2

10

22
El nmero esperado de mujeres seleccionadas es: E(\ ) = 10 60 3.7.

Ejemplo 5: Supongamos que un lote es de tamao N 1000, en donde M 400 son de una
clase V. Se seleccionan al azar y sin reposicin n 5 unidades. Entonces, si \ representa el
nmero de elementos en la muestra que pertenecen a la clase V, se tiene que \ [5, 400,1000)
y la probabilidad de que la muestra contenga 5 elementos de la clase V es:

400 600
1000
5 0
P(\ 5) = = 0.01008
5

8 &
Como R "!!! 0.005 0.1 entonces podemos aproximar la hipergeomtrica por la
distribucin binomial con p M 400
N 1000 = 0.4. Entonces:

P(\ 5) && (0.4)& (0,6)0 = 0.01024

5
Nota: La distribucin hipergeomtrica tiene una aplicacin directa en lo que en estadstica se
conoce como "muestreo de aceptacin". Estos procedimientos de muestreo son usados
frecuentemente por instituciones o empresas que compran materiales en lotes grandes. En tales
situaciones, el comprador y el proveedor convienen en algun nivel aceptable de calidad, lo que
generalmente se traduce en algun plan de inspeccin. Si el lote es grande, puede ser muy
demoroso o muy caro inspeccionar cada artculo del lote, de manera que slo sern
inspeccionados una muestra aleatoria de artculos. El lote completo es aceptado como bueno o
defectuoso, de acuerdo a los resultados obtenidos en la inspeccin de la muestra. Consideremos
como ilustracin el ejemplo siguiente:

Ejemplo 6: Supongamos que se seleccionan para inspeccin 2 artculos al azar, sin reemplazo,
desde un lote que contiene 100 artculos producidos por una mquina en un perodo determinado,
de los cuales 5 son defectuosos. Si los 2 artculos de la muestra son buenos, el lote es aceptado.
Si por lo menos 1 de los artculos es defectuoso el lote es rechazado. Sea ] el nmero de
artculos defectuosos encontrados en la muestra, entonces ] es una variable aleatoria
hipergeomtrica.

Luego, el lote es aceptado si ] 0, entonces:

50 95
100
2
P(aceptar el lote) = P(] = 0) = = 0.902
2

Anlogamente, si el lote contiene 10 artculos defectuosos, esto es M 10 entonces P(] 0) =

0.809 y si M = 20, P(] 0) = 0.638. De esta manera, observamos que mientras ms grande sea
el nmero de defectuosos en el lote, disminuye la probabilidad de aceptarlo y es menos factible
que el lote sea aceptado.

1.6 Distribucin Poisson:

Existen muchas aplicaciones donde interesa asignar probabilidades a eventos que ocurren
en forma de tasas cuya variacin se produce en el tiempo, en una superficie, en un volumen, etc.
Ejemplos de tales casos son los siguientes: el nmero de llamadas telefnicas que llegan a una
central durante 5 minutos, el nmero de fallas por m# en una pieza de algodn, el nmero de
bacterias por mm$ reproducidas en un compuesto qumico, etc. La forma como ocurren estos
eventos est caracterizada por los siguientes supuestos que definen a un proceso de Poisson de
parmetro -:

1.- En intervalos de longitud suficientemente pequeos, por ejemplo de longitud ?t, el evento
ocurre slo una vez o ninguna (dos o ms ocurrencias del evento son imposibles).

2.- La probabilidad que el evento ocurra exactamente una vez en el intervalo ?t es proporcional
a la longitud del intervalo (es aproximadamente igual a - ?t con - 0).

3.- La ocurrencia del evento en un intervalo de longitud ?t no tiene efecto en la ocurrencia o no

ocurrencia de ste en cualquier otro intervalo de igual longitud. (independencia de eventos).
An cuando hablamos siempre del tiempo en los supuestos anteriores, debe entenderse
que no necesariamente nos estamos refiriendo al tiempo cronolgico.

En un proceso de Poisson de parmetro -, si \ es el nmero de ocurrencias de un evento en un

intervalo de longitud t, entonces \ se llama variable aleatoria Poisson de parmetro - t.

Notacin: \ c -t

Es claro que \ es una variable aleatoria discreta, ya que su recorrido es

V\ ! " # que es un conjunto infinito numerable y para determinar la funcin de
probabilidades de \ , se consideran los supuestos de un proceso de Poisson. Se obtiene entonces
la siguiente funcin:

6
 e--t -tB
p(B) = B! ; B 0, 1, 2, ....

Usualmente se acostumbra a denotar el parmetro -t por ., es decir, -t . y as la

funcin de probabilidad de \ la podemos escribir como:

e-. .B
p(B) = B! ; B 0, 1, 2, ....

Si \ es una variable aleatoria con distribucin Poisson de parmetro ., entonces:

>
E(\ ) = . , V(\ ) = . , M\ (>) /./ "

Ejemplo 7: Supongamos que el nmero de clientes que llegan a un banco comercial es una
variable aleatoria. Se sabe que, en promedio, llegan 180 clientes por hora y estas llegadas ocurren
de acuerdo a un proceso de Poisson. Calcular la probabilidad que lleguen 6 clientes en 1 minuto.

Sea \ el nmero de clientes que llegan al banco en 1 hora. Si tomamos 1 minuto como unidad de
"
tiempo tenemos que -t 180 60 3. Luego, el nmero medio de llegadas por minuto es . 3
clientes. Por lo tanto, \ se distribuye Poisson con parmetro . 3 y su funcin de
probabilidades es:

e 3 3 B
p(B) = P(\ B) B! ; B 0,1,2,....

Entonces, la probabilidad que lleguen 6 clientes en 1 minuto es:

3 6
P(\ 6) = p(6) e 6!3 = 0.0504

Ejemplo 8: Del caso anterior, cul es la probabilidad que lleguen al banco por lo menos 2
clientes en 15 segundos?

-t 3 [ clientes clientes clientes

min ] -t 3 [ 60 seg ] 0.05 [ seg ].

Luego, . 15 0.05 0.75 Entonces, la probabilidad pedida es:

0.75
e 0.750 e 0.75
0.751
P(\ 2) 1 p(0) p(1) " 0! 1! 0.173

Observacin. Si una variable aleatoria \ es tal que \ ,n,p, entonces para 8 _, la

distribucin binomial se puede aproximar por la Poisson tal que si p 0 y . np, se tiene lo
siguiente:

Bn pB (1 p)n
e-. .B
B! ; B 0,1,2,...
B

La aproximacin es buena si n 100 y p 0.1.

Ejemplo 9: En una carretera de alto trfico, la probabilidad de que ocurra un accidente grave es
p 0.0001. Sin embargo, en ciertos perodos de un da cualquiera, el trfico aumenta
considerablemente. Si el nmero de vehculos circulando en un perodo determinado es de 1000,
cul es la probabilidad que ocurran 2 accidentes graves en este perodo?

Si \ denota el nmero de accidentes graves que ocurren en 1000 vehculos circulando, entonces
\ ,1000,0.0001. Luego:

P(\ 2) 2 0.00012 0.9999998 0.00452054

1000

7
Como n es grande y p pequea, entonces podemos aproximar la probabilidad anterior por una
Poisson tal que . np 1000 0.0001 0.1. Por lo tanto:

-0.1 2
P(\ 2) e 2!0.1 0.00452419

2. DISTRIBUCIONES DE PROBABILIDADES CONTINUAS

2.1 Distribucin Uniforme:

Esta corresponde a una de las distribuciones de probabilidades ms simple para una

variable aleatoria continua.

Sea X una variable aleatoria continua con V\ a,b, donde _ a b _. Diremos

que \ tiene distribucin uniforme en el intervalo a,b si la funcin de densidad de
probabilidades de \ es constante a B a,b; esto es:

f (B) =
k ,a B b
0 , e.o.l.

Notacin: \ h a,b

Obviamente, k debe ser mayor que cero y utilizando el hecho que f es una funcin de
densidad tenemos que k , " + . Por lo tanto, la funcin de densidad de probabilidades de \ es:

"
,a B b
f (B) = , +
0 , e.o.l.

Figura 1
Distribucin Uniforme

0.6
0.5
0.4
0.3
0.2
0.1
0
1 2 3 4 5

La funcin de distribucin de \ es la siguiente:

0 ,> a
F(>) = > +
, +
,a> b
1 ,>b
Se puede demostrar que:

a b (b a)2 />, />+

E(\ ) = 2 , V(\ ) = 12 , M\ > >, +

8
Ejemplo 10: La demanda semanal de un producto es una v.a. \ con distribucin uniforme en el
intervalo 50,70. Entonces, la probabilidad de vender entre 55 y 65 unidades es igual a:

P(55 \ 65) = (
65
1 10
dx = 0.5
55 20 20

Adems, E(\ ) 50 # 70 60.

2.2 Distribucin Gamma:

A partir de esta distribucin se pueden lograr otras que son de mucha utilidad para el
anlisis estadstico inferencial de datos.

Sea X una variable aleatoria continua con recorrido V\ ]0,_[. Diremos que \ tiene
distribucin gamma de parmetros ! y " si la funcin de densidad de probabilidades de \
tiene la forma:

f(B) =
B
B! " / "
, ! " !! B _
0
" ! >!
, e.o.l.

donde >(!) '! B! " / B .B

_

Notacin: \ 1! "

>(8) 8 "!; 8 entero, >(!) ! ">(! ") para cualquier ! 1 y >( "# ) 1.
La expresin >(!) se conoce como funcin gamma. Se puede probar que >(1) ",

Una de las aplicaciones de la distribucin gamma ocurre en aquellas variables aleatorias

no negativas que presentan distribuciones sesgadas (o asimtricas) a la derecha, es decir, la
mayor parte del rea bajo la grfica de la 0 B se encuentra cerca del origen y sta disminuye
gradualmente a medida que B aumenta. Por ejemplo, los intervalos de tiempo entre dos fallas de
un motor o los intervalos de tiempo entre dos llegadas a la cola de un cajero de banco siguen una
distribucin gamma.

2.3 Distribucin Exponencial:

Si \ 1! " tal que ! 1, entonces \ tiene distribucin exponencial de parmetro

- "" y su funcin de densidad de probabilidades tiene la forma:

f(B) =
-B
-/ ,- 00 B _
! , e.o.l.

Notacin: \ exp-

9
 Figura 2
Distribucin Exponencial

Por ejemplo, la duracin de componentes electrnicas o el decaimiento de poblaciones

pueden modelarse por una distribucin exponencial.

Se puede probar que:

"
E(\ ) = - , V(\ ) = -"# , M\ > -- t

Ejemplo 11: La vida til de un equipo computacional es una variable aleatoria \ , en aos, con
f.d.p.:

f(B) =
B
"
5/
5 ,0 B _
! , e.o.l.

Cul es la probabilidad de que el equipo computacional dure por lo menos 4 aos?

Se tiene que: P(\ 4) = (

_
" B
/ 5 dx = 0.368
4 5

La distribucin exponencial est relacionada con la distribucin Poisson de la siguiente

manera: Sea X una variable aleatoria definida como el tiempo hasta la ocurrencia del primer
xito en un proceso de Poisson de parmetro -, y sea \ una variable aleatoria que denota el
nmero de ocurrencias de un evento en un intervalo de longitud >, entonces \ c . -t.

La probabilidad de que no ocurra el evento en este intervalo es:

. !
/ .
P(\ ! !! /
-t

Luego, la probabilidad que el evento ocurra despus de >, que es equivalente a la

probabilidad que no ocurra antes de >, es igual a:

P(X > P(\ ! / -t

De aqui: JX > P(X > " / -t

> !. Entonces, la funcin de densidad de
probabilidades de la variable aleatoria X es:

.JX > -t
0X > .> -/ > !

Esta f.d.p. corresponde a la distribucin exponencial de parmetro -.

2.4 Distribucin Erlang:

Corresponde a una generalizacin del caso anterior, hasta que se presenten "r" xitos en
un proceso de Poisson.

10
Consideremos un proceso de Poisson de parmetro -, que se observa desde el tiempo 0. Sea X
una variable aleatoria que representa el tiempo hasta que ocurran r xitos (r ), entonces T
tiene distribucin Erlang de parmetros r y - con funcin de densidad de probabilidades:

-< >< " / ->

< "! ;> 0
f(>) =
! , e.o.l.

Notacin: X I<< -

Se puede probar que:

E(X ) = -< , V(X ) = -<# , M\ > -- t

<

Ejemplo 12: En una industria de alto riesgo, ocurren, en promedio, 4 accidentes mensuales. Sea
\ una variable aleatoria definida como el nmero de accidentes que ocurren mensualmente,
entonces \ c %. Sea X una variable aleatoria definida como el tiempo (en meses) que
transcurre hasta que se produzca el primer accidente. Entonces:
%>
X /B:% 0X > %/ > !

%>
JX > " / > !

a) Cul es la probabilidad que durante el primer mes no ocurran accidentes?

") = (
_
%> %" %
P(X %/ d> = / / 0.!")$
"

b) Cul es la probabilidad que el primer accidente se produzca entre el segundo y tercer mes?

$) = (
$
%>
P(# X %/ d> = JX $ JX # !.!!!$#*
#

c) Cul es la probabilidad de que se produzca el quinto accidente despus de 2 meses de

iniciado el proceso de Poisson?

Sea X , el tiempo (en meses) hasta que ocurra el quinto accidente, entonces
X I<< & - % Por lo tanto:
"#) % %>
0 > $ > /

2) = (
_
"#) % %>
Luego: P(X >/ d> = 0.!97
2 $

2.5 Distribucin Chi-cuadrado:

Esta distribucin es una consecuencia inmediata de la distribucin gamma cuando los

parmetros ! y " asumen valores especficos. Su mayor aplicacin se da en el anlisis de
muestras a travs de los mtodos de la inferencia estadstica.

11
Sea X una variable aleatoria continua con distribucin gamma de parmetros ! y " . Si ! /#
y " 2, entonces \ se llama variable aleatoria chi-cuadrado de parmetro / y su funcin de
densidad de probabilidades est dada por:

B /2 " / B2
f(B) = 2 2 > /#
/ ,B !
0 , e.o.l.

Notacin: \ ;#/

El parmetro / recibe el nombre de grados de libertad. La forma de la grfica de 0 B

vara de acuerdo a los valores que asume / y el rea bajo la curva de esta funcin se encuentra
tabulada.

Se tiene que:

E(\ ) = / , V(\ ) = 2/

La figura 3 exhibe tres funciones chi-cuadrado con / 4, 8 y 10 grados de libertad,

respectivamente:

Figura 3
Distribuciones Chi-cuadrado

2.6 Distribucin t de Student:

Esta es otra de las distribuciones especiales de uso frecuente en el anlisis de muestras

por mtodos estadsticos inferenciales y se aplica en casos similares a aquellos en donde se puede
modelar por una distribucin normal, pero restringida a situaciones en donde se desconoce la
varianza poblacional o los tamaos muestrales son pequeos.

Sea X una variable aleatoria continua con recorrido V\ ] _,_[. Diremos que \ tiene
distribucin > de Student de parmetros / si la funcin de densidad de probabilidades de \
tiene la forma:

> / # "
f(B
"
, _ B _
1 / > /# " ># / 2 "
/

Notacin: \ >/

12
 El parmetro / es el nmero de grados de libertad. El grfico de 0 B tiene forma de
campana y es simtrico con respecto a cero.
/
Para / 1, E(\ ) 0 y para / 2, V(\ ) / #

Los valores del rea bajo la curva de 0 B se encuentran tabulados.

La siguiente figura muestra la grfica de una distribucin t de student para / 2:

Figura 4
Distribucin t de student (/ 2 grados de libertad

f(x) 0,45
0,4
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0 x
-4 -2 0 2 4

2.7 Distribucin F de Snedecor:

La distribucin F de Snedecor tambin forma parte de aquellas distribuciones importantes

para el anlisis de muestras.

Sea X una variable aleatoria continua con recorrido V\ ]0,_[. Diremos que \ tiene
distribucin F de Snedecor de parmetros /" y /2 si la funcin de densidad de probabilidades
de \ tiene la forma:
/ / /"
> " # # /" 2"
/
B# "
f(B /" /#
/# /" /# ,! B _
> # > # "
/"
B 2
/#

Notacin: \ F/" /#

Al parmetro /" se le llama grados de libertad del numerador y al parmetro /# se le

llama grados de libertad del denominador.

Una propiedad importante de la distribucin F es la siguiente: Si \ F/" /# , entonces

"
K F/# /" , o sea, el recproco de una variable aleatoria con distribucin F tambin tiene
\
distribucin F de Snedecor con /# grados de libertad en el numerador y /" grados de libertad en
el denominador. De aqui, si 0!/" /# es un punto de la distribucin de la v.a. \ F/" /# tal que
P(\ 0!/" /# ) ! y si 0" !/# /" es un punto de la distribucin de la v.a. K F/# /" tal que
P(K 0" !/# /" ) " !, entonces:

"
0!/" /# 0
" !/# /"

El rea bajo la curva de 0 B se encuentra tabulada. La siguiente figura nos muestra la

grfica de una distribucin F de Snedecor para /" 4 y /# 6:

13
 Figura 5
Distribucin F de Snedecor (/" 4 /# 6

f(x) 0,7

0,6
0,5
0,4
0,3
0,2
0,1
0 x
0 5 10 15

2.8 Distribucin Normal:

Esta distribucin de probabilidades es una de las ms importantes en aplicaciones de la

estadstica, tanto de tipo prcticas como tericas. Esto se debe a que muchos fenmenos
observados en la vida real tienen un comportamiento que puede ser modelado mediante esta
distribucin. Tambin, muchas variables aleatorias que son transformaciones de otras,. tanto
discretas como continuas, pueden ser analizadas a travs de sta.

Sea X una variable aleatoria continua con V\ ]-_,+_[. Diremos que \ tiene distribucin
normal de parmetros . y 5 # si la funcin de densidad de probabilidades de \ tiene la forma:

exp 25 # ,
521
1 (B .)#
f(B) = -_ . +_ y 5 0

Notacin: \ a . 5#

El grfico de 0 B tiene forma de campana, simtrico respecto de la recta B . y en este

punto alcanza su mximo. Los puntos . 5 y . 5 son puntos de inflexin del grfico. Si 5 es
relativamente grande, el grfico tiende a ser achatado, mientras que si 5 es pequeo, el grfico
de 0 B tiende a ser aguzado.

Se puede verificar que

" # #
E(\ ) . , V(\ ) 5# , M\ > /.> #5 >

Si Z es una variable aleatoria normal con media 0 y varianza 1, entonces Z se llama variable
aleatoria normal estndar y su funcin de densidad de probabilidades tiene la forma:

:(D ) = 1 exp 2
D#
, -_ D +_
21

Notacin: ^ a ! "

14
 La funcin de distribucin de la variable aleatoria ^ est dada por:

F(D ) = (
D
1
21
>#
e # .>
-_

Los valores de F(D ) se encuentran tabulados.

Teorema 1: Sea \ una variable aleatoria normal con media . y varianza 5# . Si ] a\ b;

a 0, entonces ] es una variable aleatoria normal con media a. b y varianza a# 5# .

Teorema 2: Si \ es una variable aleatoria normal con media . y varianza 5# , entonces la funcin
de distribucin de \ est dada por:

> .
F(>) = P(\ >) = F ( 5 )

donde F es la funcin de distribucin de la variable aleatoria ^ a ! ".

La importancia del teorema 2 es que nos permite calcular probabilidades de una variable
aleatoria a (.,5# ) cualquiera, a partir de una variable aleatoria normal estndar para la que su
funcin de distribucin, F, se encuentra tabulada.

Ejemplo 13: Si \ a (200,400) entonces:

P(180 \ 210) = P( 180#!200 Z 210 200

#! )

= F (0,5) F( 1)

= 0.6915 0.1587 = 0.5328

Ejemplo 14: Una institucin comercial estim que la cuota mensual pagada por sus clientes se
realiza a travs de alguna tarjeta de crdito bancaria. El monto pagado es una variable aleatoria
con media igual a 180 [miles de pesos] y desviacin estndar igual a 15 [miles de pesos].

a) Si se elige un cliente al azar, calcular la probabilidad de que su monto total adeudado sea a lo
ms de $190.000.
b) Si se elige un cliente al azar, calcular la probabilidad de que su monto total adeudado se
encuentre entre $175.000 y $213.000.
c) Cul es la deuda mnima que se espera obtener de un cliente con probabilidad de 0.9525?

Sea \ la variable aleatoria que representa el monto total adeudado por los clientes (en miles de
pesos) tal que \ a (180,15# ). Entonces:

a) P(\ 190) = P(Z 0.67) = 0.7486

b) P(175 \ 213) = P(-0.33 Z 2.20) 0.9861 0.3707 0.6154

5 -180 5 -180
c) P(\ k) = 0.9525 P(Z 15 ) 0.9525 P(Z 15 ) 0.0475

5-180
15 1.67 k 154.95

Ejemplo 15: En una empresa siderrgica, las placas de acero producidas por una mquina deben
tener cierto espesor. Dichas placas diferirn unas de otras debido a los materiales, al
comportamiento de las mquinas y las herramientas utilizadas, lo que originar ligeras
variaciones aleatorias provocadas por pequeas perturbaciones. Por lo tanto, el espesor \ (en
mm) de las placas se puede considerar como una variable aleatoria continua. Si suponemos
adems que para cierto ajuste de la mquina, \ tiene distribucin a (10;0.0004), nos interesa

15
determinar el porcentaje de placas defectuosas que se espera obtener, suponiendo que las placas
defectuosas son aquellas:

a) ms delgadas que 9.97 mm.

b) ms gruesas que 10.05 mm.
c) cuyo espesor se desva en ms de 0.03 mm de la media.

Sea \ la variable aleatoria que indica el espesor de las placas. Dado que \ se distribuye normal,
para a) tenemos que:

9.97 10
P(\ 9.97) = P(Z 0.02 ) = F (-1.5) = 0.0668

Por lo tanto, podemos concluir que, aproximadamente, el 6,7% de las placas son defectuosas por
ser ms delgadas que 9.97 mm.

Para b) hacemos el siguiente clculo:

10.05 10
P(X 10.05) = P(Z 0.02 ) =1 F (2.5)

=1 0.9938 = 0.0062 0.62%

Para c) tenemos lo siguiente:

0.03
P(|X 10| 0.03) = P(|Z| 0.02 ) P(Z 1.5) + P(Z 1.5)

=1 F (1.5) F (-1.5) = 1 0.9332 0.0668

= 0.1336

Entonces, aproximadamente, el 13.4% de las placas son defectuosas en este caso.

Teorema 3: Sean [" [# [5 un conjunto de 5 variables aleatorias normales independientes

entre s cada una con distribucin a .3 53# , 3 1,5 entonces la variable aleatoria:
] ! [3
5

3"

tiene distribucin normal a ! .3 , ! 53# .

5 5

3" 3"

Ejemplo 16: Con respecto al problema de la empresa siderrgica, supongamos que el costo total,
] , de produccin de las placas depende de 2 variables aleatorias: [" costo de materia prima y
[# costo de transporte, tal que:

] [" [#

donde [" a 50 4 y [# a 20 10. Entonces ] a 70 14.

Calcular la probabilidad de que el costo total de produccin de las placas flucte entre 67 y 71
[u.m.]. Luego:

P(67 ] 71) P( 671470 ^ 14 )

71 70
P( 0.80 ^ 0.27) 0.6064 0.2119 0.3945

16