Está en la página 1de 5

5.3.

DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez

5.3. Distribuciones Derivadas de la Normal


El propósito de esta sección es enunciar varios teoremas importantes que nos dirán que realizando diferentes
transformaciones de la v.a. normal podremos obtener variables aleatorias como la Ji-cuadrada, la T de Student
ó la F de Fisher. Más adelante en los capı́tulos de Intervalos de Confianza y Pruebas de Hipótesis estas trans-
formaciones serán esenciales para entender los métodos que desarrollaremos. Además, también definiremos los
cuantiles de cada una de estas distribuciones y mostraremos la forma de calcularlos utilizando R.

Sabemos que si Z ∼ N (0, 1) entonces a partir de ella podemos calcular cualquier probabilidad para cualquier
X −µ
X ∼ N (µ, σ 2 ), pues Z = . Anteriormente vimos que utilizando R si buscamos Φ(z) para algún z ∈ R,
σ
podemos usar la función pnorm de la siguiente forma: Φ(z) = FZ (z) = PZ (Z ≤ z) = pnorm(z, 0, 1)

Además de la probabilidad acumulada, otra cantidad importante son los cuantiles (o percentiles) de la distribu-
ción normal estándar.

Definición

Si Z ∼ N (0, 1) y α ∈ (0, 1) sea zα el número real que cumple con

P (Z > zα ) = 1 − Φ(zα ) = α (5.1)

a zα se le llama el 100(1 − α) percentil ó cuantil de la distribución normal


estándar.

De 5.1 vemos que para encontrar el percentil zα , podemos despejar Φ(zα ), de donde Φ(zα ) = 1 − α y buscar en
tablas de la distribución normal estándar el valor zα que acumule una probabilidad de 1 − α. En R podemos
calcular zα haciendo lo siguiente. El valor zα tal que Φ(zα ) = 1 − α, se encuentra directamente con la función
zα = qnorm(1 − α, 0, 1). Por ejemplo si queremos calcular z0.025 , entonces α = 0.025 ⇔ 1 − α = 0.975, utilizando
la función de R
z0.025 = qnorm(0.975, 0, 1) ≈ 1.96
Y podemos verificar lo anterior de forma muy sencilla Φ(1.96) = pnorm(1.96, 0, 1) ≈ 0.975. De forma general
podemos representar al cuantil zα como se muestra en la Figura 5.1.
fZ(z)

1−α

α

Figura 5.1: Cuantil zα de la normal estándar

1
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez

De la Figura 5.1 podemos ver claramente el significado del cuantil zα . A la izquierda de zα hay un área de 1 − α
y a la derecha de zα hay un área de α.

Vamos a pasar a la primer distribución derivada de la normal.

Teorema 1 Si Z1 , Z2 , . . . , Zn son n variables aleatorias independientes N (0, 1), entonces


n
X
Zi2 ∼ χ2n (5.2)
i=1

En donde χ2n es una Ji-cuadrada con n grados de libertad.

Del Teorema 1 se puede ver que si se tiene una sola v.a. Z ∼ N (0, 1), entonces Z 2 = χ21

Definición

Si W es una v.a. χ2n entonces para toda α ∈ (0, 1) la cantidad χ2α,n se define
como el número real tal que

P (W > χ2α,n ) = 1 − P (W ≤ χ2α,n ) = α (5.3)

a χ2α,n se le llama el 100(1−α) percentil ó cuantil de la distribución Ji-cuadrada


con n grados de libertad.

El significado del cuantil para la Ji-cuadrada con n grados de libertad es exactamente el mismo que para la
normal estándar. Esto se muestra en la Figura 5.2
fW(w)

1−α

χ2α,n

Figura 5.2: Cuantil χ2α,n de la Ji-cuadrada con n grados de libertad

Para calcular los cuantiles de la Ji-cuadrada en R vemos que de la ecuación 5.3, se tiene que P (W ≤ χ2α,n ) = 1−α,
entonces el número real χ2α,n que satisface esta ecuación lo calculamos de la siguiente forma

χ2α,n = qchisq(1 − α, n)

Como comentario final acerca de la Ji-cuadrada, sólo tenemos que hacer notar que los valores que la v.a. χ2n son
todos no negativos pues esta distribución se origina a partir del elevar al cuadrado la normal estándar y sabemos

2
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez

que x2 ≥ 0 ∀x ∈ R. Por lo que con esta distribución jamas tendremos que preocuparnos por los valores negativos.

Nuestra siguiente distribución se origina a partir de una transformación de normal estándar y la Ji-cuadrada.

Teorema 2 Si Z ∼ N (0, 1), W ∼ χ2n y además Z y W son v.a. independientes, entonces

Z
p ∼ Tn
W/n

En donde Tn es la v.a. T de Student con n grados de libertad.

La v.a. T de Student se comporta de forma muy parecida a la normal y puede tomar el valor de cualquier
número real. De hecho Tn para n suficientemente grande y la normal estándar son casi la misma distribución.
De este comentario tenemos que la v.a. Tn es simétrica y por lo tanto

P (Tn < −t) = P (Tn > t) = 1 − P (Tn ≤ t) ∀ t ∈ R

Definición

Si T es una v.a. Tn entonces para toda α ∈ (0, 1) la cantidad tα,n se define


como el número real tal que

P (T > tα,n ) = 1 − P (T ≤ tα,n ) = α (5.4)

a tα,n se le llama el 100(1 − α) percentil ó cuantil de la distribución T de


Student con n grados de libertad.

En R tα,n se puede calcular de la siguiente forma

tα,n = qt(1 − α, n)

Los cuantiles tα,n se puede interpretar viendo la Figura 5.3


fT(t)

1−α

α
tα,n

Figura 5.3: Cuantil t2α,n de la T de Student con n grados de libertad

Por último en esta parte vamos a escribir el teorema que origina la distribución F de Fisher.

3
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez

Teorema 3 Si χ2n y χ2m son dos variables aleatorias independientes con n y m grados de libertad, respectiva-
mente, entonces
χ2n /n
∼ Fn,m
χ2m /m
En donde a la v.a. Fn,m se le conoce como la F de Fisher con n y m grados de libertad.
1
Una propiedad importante de la F se desprende del teorema anterior Fm,n = Fn,m .

Definición

Si F es una v.a. Fn,m entonces para toda α ∈ (0, 1) la cantidad fα,n,m se define
como el número real tal que

P (F > fα,n,m ) = 1 − P (F ≤ fα,n,m ) = α (5.5)

a fα,n,m se le llama el 100(1 − α) percentil ó cuantil de la distribución F de


Fisher con n y m grados de libertad.

Para calcular el cualtil fα,n,m en R lo hacemos de ls siguiente manera

fα,n,m = qf (1 − α, n, m)
Para llevar la misma secuencia que en la definición de los cuantiles anteriores, se muestra la Figura 5.4 para
tener una interpretación de fα,n,m .
gF(f)

1−α

α
fα,n,m

Figura 5.4: Cuantil fα,n,m de la F de Fisher con n y m grados de libertad

Para cerrar esta sección enunciaremos dos corolarios que hacen uso de los teoremas anteriores.

Corolario 1 Sea X1 , X2 , . . . , Xn una m.a. de una población N (µ, σ 2 )


2 X̄−µ
Como X̄ ∼ N (µ, σn ) ⇒ Z = √
σ/ n
∼ N (0, 1) (Justificación en clase)

1
Pn 2 (n−1)S 2
Y = σ2 i=1 (Xi − X̄) = σ2 ∼ χ2n−1 (Justificación en clase)

V = √ Z = n(SX̄−µ)
2 ∼ Tn−1 (Del Teorema 2 y clase pues S 2 y X̄ son independientes)
Y /n−1

4
5.3. DISTRIBUCIONES DERIVADAS DE LA NORMAL Carlos Erwin Rodrı́guez

El corolario 1 nos servirá para construir intervalos de confianza y pruebas de hipótesis para µ.

Corolario 2 Sea X1 , X2 , . . . , Xn una m.a. de una población NP(µ1 , σ12 ) y Y1 , Y2 , . . . , Ym una m.a. de una
n
población N (µ2 , σ22 ), por el corolario 1 se tiene que W1 = σ12 i=1 (Xi − X̄)2 = σ12 (n − 1)SX 2
∼ χ2n−1 y
1 1
m
W2 = σ12 i=1 (Yi − Ȳ )2 = σ12 (m − 1)SY2 ∼ χ2m−1 , si las muestras aleatorias son independientes una de otra
P
2 2
entonces W1 y W2 son independientes una de otra y por el teorema 3
1 2
W1 /n − 1 S
σ12 X
G= = 1 2 ∼ Fn−1,m−1
W2 /m − 1 S
σ22 Y

El corolario 2 nos servirá más adelante para construir intervalos de confianza y pruebas de hipótesis acerca del
cociente de varianza de dos poblaciones normales.

Es muy importante que el estudiante además de saber cómo se calculan los cuantiles de cada distribución en
R también sepa hacerlo utilizando tablas, esto principalmente porque el examen se realizará utilizando tablas,
aunque en la práctica el uso de R será el más conveniente.