Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3 Tercera
Unidad Didáctica
"DISTRIBUCIONES DE PROBABILIDAD
DISCRETAS"
En realidad lo que estamos haciendo es asignar a cada suceso del espacio muestral
un número, pero esta asignación no tiene por qué ser única.
A veces puede ocurrir que los valores que toma la variable aleatoria son los
mismos, pero no ocurre lo mismo con las probabilidades. Pongamos un ejemplo.
Se dispone de dos fármacos A y B distintos para curar una misma enfermedad; los
resultados de la variable aleatoria solamente pueden ser 1 ó 0 y uno de ellos puede
curar el 20% de los casos y el otro el 70%.
Para tener identificada una variable aleatoria no basta con indicar los valores que
pueda tomar, hay que indicar también sus probabilidades.
Veamos ejemplos:
X 0 1 2
P(X) 1/4 1/2 1/4
F(X) = P(X ! x)
*Un conjunto infinito A se dice que es numerable si se puede establecer una aplicación
biyectiva f entre el conjunto de los naturales y A.
146
En el ejemplo anterior:
n
µ = ! p ix i = E[ X]
i=1
[
V [X ] = E ( x ! µ )
2
]
Es decir:
Puesto que la varianza no podría medirse en las mismas unidades que la variable,
utilizamos la raíz cuadrada de la varianza y a este número la llamamos desviación
típica.
Desv[ X] = V[X]
EJEMPLO 3.1:
Calcular la media y la varianza del número de hijos varones de una familia con dos
hijos.
Solución:
P1 = P(X = 0) = 1/ 4 !#
P 2 = P(X = 1) = 2 / 4 = 1 / 2 " 1 / 4 + 1 / 2 + 1/ 4 = 1
P3 = P(X = 2) = 1/ 4 #$
En promedio, una familia con dos hijos tiene un hijo varón con una varianza de
1/2.
148
EJEMPLO 3.2:
Solución:
2 1
E[X] = 50.000 + 150.000 = 83.330pts.
3 3
Puesto que 83.333 < 90.000, esto indica que es preferible, desde el punto de vista
económico, tener ingresados a los pacientes cinco días.
La varianza la calculamos de la siguiente forma:
2 1
V[X] = (50.000 ! 83.000)2 + (150.000 ! 83.330)2 = 2, 2 109
3 3
149
Lógicamente p+q=1
Se trata de un experimento aleatorio que no tiene más que dos resultados posibles
E y F tales que P(E)=p y P(F)=q
EFFEE
- Lanzar un dado varias veces, considerando éxito que salga el 6 y fracaso que no
salga el 6. En este caso p=1/6 y q=5/6.
150
- La clasificación de las piezas fabricadas por una máquina, considerando éxito las
piezas aceptables y fracaso las piezas defectuosas. En este caso p y q se asignan
haciendo un estudio de gran número de piezas.
p
E E EE p3
p
E
q
F EE F p2q
p
E
p
E E FE p2q
q
F
q
F EF F pq 2
p
E FEE p2q
p
E
q
F FEF pq 2
q
F
p
E F FE pq 2
q
F
q
F FF F q3
151
Construir el árbol puede ser una tarea larga y conviene buscar una fórmula general
para un experimento binomial.
Convengamos en identificar todos aquellos resultados que tienen el mismo
número de éxitos. Tras n pruebas nos encontraríamos con:
EE...E !!" p n
EE...EF !!" np n#1q
Las distintas probabilidades son los sumandos del desarrollo del binomio (p+q)n,
por lo que:
! n $ r n& r
P( X = r ) = # p q
"r%
EJEMPLO 3.3:
Solución:
!# 7$ ! 1 $ 3! 5 $ 4
P(X = 3) = = 0' 08
" 3% " 6 % " 6 %
152
EJEMPLO 3.4:
Solución:
P(x>1) = P(x=2)+P(x=3)+P(x=4)+P(x=5)
EJEMPLO 3.5:
Solución:
! 4$
Incluimos el número combinatorio # porque se pueden dar cuatro
" 1%
posibilidades.
DAAA, ADAA, AADA, AAAD
153
2 2
! 1 # ! 9 # !% 4#
P(x = 2) = = 0, 0486
" 10 $ " 10 $ " 2$
! 1 3 9 !% 4#
P(x = 3) = " #$ = 0, 0036
10 10 " 3$
! 1 #4
P(x = 4) = " $ = 0, 0001
10
EJEMPLO 3.6:
Solución:
!# 4$ ! 1$ 0 ! 2 $ 4
P(x = 0) = = 0,1975
" 0% " 3% " 3 %
!4 1 1 2 3
P(x = 1) = # $ ! $ ! $ = 0, 3951
" 1% " 3% " 3 %
! 4$ ! 1 2 ! 2 2
P(x = 2) = # " $% " $% = 0, 2963
" 2% 3 3
! 4$ ! 1 3 2
P(x = 3) = # " $% = 0, 0988
" 3% 3 3
! 4$ ! 1 4
P(x = 4) = # " $% = 0, 0123
" 4% 3
EJEMPLO 3.7:
Solución:
P( X ! 2) = P(X = 0 ) + P( X = 1) + P(X = 2) =
"$ 50% " 50% " 50%
(0, 02) 0 (0, 98)50 + $ (0, 02)(0, 98)49 + $ (0, 02)2 (0, 98) 48
# 0& #1& #2&
154
Función de densidad de una variable aleatoria que siga una B(n,p) con n-r
éxitos.
VARIANZA:
n
! = V[ x] = # ( x " µ) pi = npq
2 2
i=1
DESVIACIÓN TÍPICA:
! = npq
EJEMPLO 3.8:
Solución:
E: Estar averiado
F: No estar averiado.
X ~ B(n=5, p=0'1)
!5 !5
P( x = r) = # $ p r q 5&r = # $ 0,1r 0, 95& r
" r% " r%
! 5$ ! 5$
= # p 4q + # 0,150, 9 0 = 4, 6 10&4
" 4% " 5%
E [x] = np = 5 0,1 = 0, 5
EJEMPLO 3.9:
Solución:
Las pruebas son independientes, porque lo que ocurra con un alumno no tiene
nada que ver con lo que le ocurra a otro.
a)
! n$
P( X = r ) = # p r q n& r
"r%
157
! n$ ! 7$
P(x = 0) = # p0 q n = # q 7 = 0, 77 = 0, 0824
" 0% " 0%
b)
! 7$
P(x = 7) = # 0, 37 q0 = 0, 0002 Imposible
" 7%
c)
P( X ! 2) = P(X = 2 ) + P( X = 3)+...+ P(X = 7) =
1 " P(X # 1) = 1 " (P(r = 0) + P(r = 1)) =
= 1 " 0, 0824 " 0, 2471 = 0, 6705
Parámetros:
E [x] = np = 7 0, 3 = 2,1
V[x] = npq = 2, 1 0, 7 = 1, 47
! = 1, 47
EJEMPLO 3.10:
Solución:
! 6$
P( x = 0 ) = # p 0q 6 = 0, 1176
" 0%
EJEMPLO 3.11:
Solución:
X ~ B(20,0'995)
10 " 20%
P( x ! 10) = ' $ 0, 995 k0, 00510( k = 2, 08975 10 (18
k=0 # k &
Media: E [x] = np = !
Varianza: V[x] = ! = E[ x]
$ n' $ n'
lim & pr q n )r = lim & lim p r lim q n )r
n !" % r ( n! "% r ( p!0 n! "
p!0 p! 0
np !#
!
Teniendo en cuenta que p =
n
160
%$' r % $ n#r
lim 1 # '
n!
lim =
n!" r!(n # r)! & n ( n! "& n(
n
% $
1# '
n(n # 1)...(n # r + 1) $ r & n(
= lim lim
n r n!" % r
r! $
1# '
n!"
& n(
[1]
% $'n
lim 1 #
$r n(n # 1)...(n # r + 1) n!"& n(
= lim r
r! n!" n % $'r
lim 1 #
n! "& n(
Calculamos cada uno de estos límites:
n n # 1 n # r +1
lim ... ! 1
n!" n n n
#$
+ # .
n
% ' $
-
% $'n ) 1 * 0
lim 1 # ! lim - 1 + n ! e #$
n!" & n( n!" ) * 0
-& #$ ( 0
, /
% $ r
lim 1 # ' !1
n!" & n(
Sustituyendo en [1] tenemos:
!r " !
P(!) = e
r!
EJEMPLO 3.12:
Solución:
161
"1 10 "1 11 12
= e +e + e "1 = 0, 9197
0! 1! 2!
EJEMPLO 3.13:
Solución:
a) P(6 < x < 15) = P(x ! 14 ) " P(x ! 6) = 0, 9986 " 0, 6063 = 0, 3923
5
!6 6
b) P( x = 5) = e = 0,1606
5!
EJEMPLO 3.14:
Solución:
a)
"0
P( x = 0 ) = e !" = e !0,4
0!
b)
P(x ! 2) = 1" P(x < 1) = 1 " P(x = 0) " P(x = 1) =
#0 0, 41 1 0, 4
= 1 " e "0,4 " e "0,4 = 1" 0,4 " 0,4
0! 1! e e
EJEMPLO 3.15:
Solución:
!r "!
P ( x = r) = e
r!
210
!= = 3, 5
60
! 10
P( X > 10) = " P(x = r ) = 1 # " P(x = r ) =
r=11 r=0
EJEMPLO 3.16:
Solución:
120
E[X] = = 2=!
60
P( X ! 3) = 1" P(X < 3) = 1 " [P( x = 0 ) + P( x = 1) + P( x = 2 )] =
= 1 " 0,1353 " 0, 2707 " 0, 2707 = 0, 3233
EJEMPLO 3.17:
Solución:
P( X1 ! 5) = 0, 3711
b) X2: "número de unidades defectuosas en la 2a planta". ! P(6)
P( X2 ! 4 ) = P( x2 = 0)+...+P (x 2 = 4) = 0, 2851
¿De cuántas maneras puedo elegir muestras de tamaño n entre N elementos que
tiene la población?.
!# N$
casos posibles
"n%
De éstos, ¿cuáles serán favorables a nuestro suceso?. Aquellas que tengan r éxitos
y N-r fracasos.
(r veces) (n! r veces )
EE
!#"...#
$E FF
!#"...#
$F
Np Nq
!# Np$ !# Nq $
" r % " n & r%
Por consiguiente:
!# Np$ !# Nq $
" r % " n & r%
P( X = r ) = ; r = 0,1,2,..., n
!# N$
" n%
Media: E [x] = np
166
N !n
Varianza: V[x] = npq
N !1
n
Cuando ! 0, 05 , la distribución hipergeométrica se aproxima a la binomial.
N
EJEMPLO 3.18:
Solución:
P(éxito)=0,0 l
n 25
Puesto que = = 0, 025 < 0, 05
N 1000
P( x ! 2) = l " [ P( x = 0) + P( x = 1)] =
# 25& # 25&
=1"% 0, 010 0, 9925 " % 0, 011 0, 9924 =
$0' $1'
1 " 0, 7778 " 0,1964 = 0, 0258
EJEMPLO 3.19:
Solución:
N = 50!#
&
n = 5 "X % H' 50, 5, ()
3
3 5
p= #
5$
P( x ! 2) = l " P(x < 2) = 1 " [ P(x = 0) + P( x = 1)]
# 3 # 2 )
50 & 50 &
% 5( % 5( +
$ 0 '$ 5 ' +
P(X = 0) =
#% 50& +
$ 5' +
P( X ! 2) = 0, 9241
# 3& # 2& *
5( +
50 50
% 5( %
$ 1 '$ 4 ' +
P(X = 1) =
#% 50& +
$ 5' +,
No hay duda de que al menos dos apoyarán al candidato A. con una probabilidad
del 92%.
168
EJEMPLO 3.20:
En una clase en la que hay 20 estudiantes, 15 están insatisfechos con el texto que
se utiliza. Si se le pregunta acerca del texto a cuatro estudiantes tomados al azar,
determine la probabilidad de que:
a) exactamente tres estén insatisfechos con el texto.
b) cuando menos tres estén insatisfechos.
Solución:
!
Es una H" 20;4, #$
3
4
a)
!# Np$ !# Nq $ !# 15$ !# 5$
" r % " n & r% " 3 % " 1%
P( X = 3) = = = 0, 469
!# N$ !# 20$
" n% " 4%
b)
P( X ! 3) = P(x = 3) + P(x = 4 ) = 0, 75
EJEMPLO 3.21:
Solución:
"
X ! H# 14;5, $%
5
14
!# 5$ !# 9$
" 2% " 3%
P( X = 2 ) = = 0, 42
!# 14$
" 5%
EJEMPLO 3.22:
Solución:
"
X ! H# 40;8, $% p =
20 1 19
q=
40 20 20
"& 2 $ "& 38$
# 0% # 8 %
P( X = 0) = = 0, 6359
"& 40$
# 8%
EJEMPLO 3.23:
Solución:
3 22
N = 25 N1 = 3 N2 = 22 p= q=
25 25
!# Np$ !# Nq $ !# 3$ !# 22 $
" xi % " n & x i % " 0% " 3 & 0%
P( X = 0 ) = = = 0, 6696
!# N$ !# 25$
"n% " 3%
Hay una probabilidad del 67% de que se embarque la caja.
Lo más probable es que las cajas que tengan un artículo defectuoso sean
embarcadas.
171
EJEMPLO 3.24:
Solución:
! 3
a) B" 3, #$
25
! 3$ ! 3 0 ! 22 3
P( x = 0 ) = # " $% " $% = 0, 6815
" 0% 25 25
! 1
b) B" 3, #$
25
!# 3$ ! 1 $ 0 ! 24 $ 3
P( x = 0 ) = = 0, 8847
" 0% " 25% " 25 %
EJEMPLO 3.25:
Solución:
!
H" 40;8, #$
2 1
N = 40 n=8 p=
40 20
!% 2# !% 38#
" 0$ " 8 $
P(X = 0) = = 0, 6359
!% 40#
" 8$
173
"DISTRIBUCIONES DE PROBABILIDAD
CONTINUAS"
3.2.1.2 Definición
De modo riguroso, se dice que una variable aleatoria sigue una distribución
normal de media µ, y desviación típica σ, y se designará por N(µ, σ), si se cumplen las
siguientes condiciones:
1 # 1 ( x# µ ) 2
f(x) = e 2 !
! 2"
Esta función de densidad que parece en principio con una expresión matemática
aparentemente complicada, tiene la siguiente representación (figura 3.3):
µ0
(x# µ) 2 (x# µ) 2
1 # $ 1 ' 1 #
2! 2 2! 2
f' (x) = e &% # 2! 2 (x # µ))( = # ! 3 2" e (x # µ)
! 2"
1 1
f'' (µ) = ! 3 e 0 (1 ! 0) = ! 3 <0
" 2# " 2#
1
f(µ) =
! 2"
177
3.- El área del recinto encerrado bajo la campana y el eje x es igual a la unidad.
Por tratarse de una función de densidad. Y al ser simétrica, deja igual área, 0,5, a
la izquierda y a la derecha de la recta x = µ. Esto se verifica porque:
x!µ
haciendo el cambio de variable = y , entonces dx = σ dy, y por lo tanto
"
+$ 2 +$ # y2
% %
1 # y2 1 1
= e !dy = e 2 dy = 2" = 1
#$ ! 2" 2" #$ 2"
+" ! y 2 +" ! y 2
I=
#!" e2
dy = 2
#0 e 2
dy = 2I1
(µ +! #µ )2 2
1 # 1 # !2 1 #1 1
2! 2
f(µ + !) = e = e 2! = e 2=
! 2" ! 2" ! 2" ! 2"e
y en el punto x = µ - σ
178
(µ !" ! µ )2 2
1 ! 1 ! "2 1 !1 1
2" 2
f(µ ! ") = e = e 2" = e 2=
" 2# " 2# " 2# " 2#e
(x% µ) 2
1 %
2# 2
lim f(x) = lim e =0
x!+" x!+" # 2$
En la figura 3.4 puede observarse que para σ fijo, el variar µ tiene el efecto de
desplazar la curva hacia la derecha o la izquierda; manteniendo µ constante, el cambio
de σ tiene por efecto acercar o alargar del valor medio µ los puntos de inflexión, es
decir, un apuntamiento o aplastamiento de la curva (ver figura 3.5).
µ-a µ µ+a
1 " x22
f(x) = e x #("$, +$)
2!
&
x2
F( x) = P( ! " x) = 1 e$ 2
dx
2#
$%
1,2
,8
,6
1
,4 2!
,2
-,2
-4 -3 -2 -1 0 1 2 3 4
x 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8655 0.8686 0.8708 0.8729 0.8749 0.8870 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
Tablas de la distribución normal estándar
181
Veamos su utilización con un ejemplo sencillo. Si Z es una variable que sigue una
distribución N(0,1), calcularemos la probabilidad de que la variable Z tome valores
menores o iguales a 1.37.
y se encuentra directamente en la tabla sin más que buscar 1.3 en la primera columna, y
0.07 en la primera fila; su intersección nos da la probabilidad:
Es decir:
P(Z ≤ 1.37) = 0.9147
que quiere decir que el 91.47% de las observaciones se encuentran distribuidas entre -∞
y 1.37.
182
Esta tabla da las áreas de las dos colas de la distribución, es decir, da la siguiente
probabilidad
P( |Z| ≥ a ) = P( -∞ < Z ≤ -a ) + P( a ≤ Z < +∞ )
-a 0 a
Este último tipo de tablas es el que hemos utilizado anteriormente, pues nos
proporciona la función de distribución de la variable.
X!µ
Z=
"
Valores de X
µ -2! µ -! µ µ +! µ +2!
Valores de Z
-2 -1 0 1 2
N(µ 1 ± µ 2 , ! 12 + ! 22 )
TEOREMA DE DE MOIVRE
X ! np
Z=
npq
En este caso hemos de tener en cuenta que X era una variable aleatoria discreta y
queremos tratarle cómo continua, por lo que es preciso hacer una corrección para
continuidad. Así se verifica que:
3.2.2.1 Definición
Es otra distribución de gran importancia en Estadística, que fue descubierta por
HELMET (1876), pero cayó en el olvido hasta que en 1900 fue descubierta de nuevo
por PEARSON.
Esta variable depende, pues, del número de sumandos que la forman, llamado
"grados de libertad", y el rango es el semieje real positivo (ya que es una suma de
cuadrados).
$ 1
e " 2 x 2 "1 si
x n
x# 0*
f(x) = % 2 2 !(n 2)
n
& 0 si x<0
#
n "1 "x
* Γ(n) es la función gamma, que denota la siguiente integral: !( n ) = $ x e dx que verifica, que
0
si n en entero Γ(n) = (n-1)! ; además Γ(n/2) = √π.
187
2.- Es asimétrica.
5.- Propiedad aditiva o reproductiva :Si χ2n y χ2m son dos variables Chi-
cuadrado con n y m grados de libertad respectivamente, independientes
entre sí, entonces la suma de las dos variables es una variable Chi-cuadrado
con n+m grados de libertad. Esto se puede generalizar a la suma de
cualquier número de variables Chi-cuadrado, independientes.
7.- En una variable aleatoria normal N(µ, σ), si tomamos una muestra de
tamaño n se verifica que
188
(n ! 1)sˆ2
2 es aproximadamente χ2n-1
"
2
siendo sˆ la cuasivarianza muestral.
g.l \α 0.9950 0.9750 0.950 0.900 0.200 0.10 0.050 0.025 0.010 0.001
1 0.0000393 0.000982 0.00393 0.0158 1.642 2.706 3.841 5.024 6.631 10.828
2 0.0100 0.0506 0.103 0.211 3.219 4.605 5.g91 2.378 9.210 13.816
3 0.0717 0.216 0.352 0.584 4.642 6.251 7.851 9.348 11.345 16.266
4 0.207 0.484 0.711 1.064 5.989 7.779 9.488 11.143 13.277 18.467
5 0.412 0.831 1.]45 1.610 7.289 9.236 11.070 12.833 15.086 20.515
6 0.676 1.237 1.635 2.204 8.558 10.645 17.592 14.449 16.812 22.458
7 0.989 1.690 2.167 2.833 9.803 17.017 14.067 16.013 18.475 74.327
8 1.344 2.180 2.733 3.490 11.030 13.362 15.507 17.535 20.090 26.124
9 1.735 2.700 3.325 4.168 17.242 14.684 16.919 19.023 21.666 77.877
10 2.156 3.247 3.940 4.865 13.442 15.987 18.307 20.483 23.209 29.588
11 2.603 3.816 4.575 5.578 14.631 17.275 19.675 21.920 24.725 31.264
12 3.074 4.404 5.226 6.304 15.812 18.549 21.026 23.337 26.217 32.909
13 3.565 5.009 5.897 7.047 16.985 19.812 22.362 24.736 27.588 34.528
14 4.075 5.629 6.571 7.790 18.151 21.064 23.685 26.119 29.141 36.173
15 4.601 6.262 7.261 8.547 19.311 22.307 24.996 27.488 30.578 37.697
16 5.142 6.908 7.962 9.312 20.465 23.452 26.296 28.845 32.000 39.752
17 5.697 7.564 8.672 10.085 21.615 24.769 27.587 30.191 33.409 40.790
18 6.265 8.231 9.390 10.865 22.760 25.989 28.869 31.526 34.805 42.312
19 6.844 8.907 10.117 11.651 23.900 27.204 30.144 32.857 36.191 43.820
20 7.434 9.591 10.851 12.443 25.038 28.412 31.410 34.170 37.566 45.315
21 8.034 10.283 11.591 13.240 26.171 29.615 32.671 35.479 38.932 46.797
22 8.643 10.982 12.338 14.041 27.301 30.813 33.924 36.781 40.289 48.268
23 9.260 11.689 13.091 14.848 28.429 32.007 35.172 38.076 41.638 49.728
24 9.886 12.401 13.848 15.659 29.553 33.196 36.415 39.364 42.980 51.179
25 10.520 13.120 14.611 16.473 30.675 34.382 37.652 40.646 44.314 57.620
26 11.160 13.844 15.379 17.292 31.795 35.563 38.885 41.923 45.642 54.052
27 11.808 14.573 16.151 18.114 32.912 36.741 40.113 43.195 46.963 55.476
28 12.461 15.308 16.928 18.939 34.027 37.916 41.337 44.461 48.278 56.892
29 13.121 16.047 17.708 19.769 35.139 39.087 42.557 45.722 49.588 58.301
30 13.787 16.791 18.493 20.599 36.250 40.256 43.773 46.979 50.892 59.703
EJEMPLO 3.26:
Solución:
3.2.3.1 Definición
La distribución "t" es sumamente importante en Inferencia Estadística; fue
descubierta por GOSSET (1908). El nombre de STUDENT es el seudónimo con el que
firmó sus publicaciones estadísticas, y puede pensarse de él que es el fundador de la
inferencia estadística exacta, pues hasta 1908 era corriente tratar a la variable
(x ! µ)
s n
En su definición matemática, sean (η, η1, η2, ....., ηn) n+1 variables aleatorias
normales N(0,1) e independientes
!
tn =
!12 + !22 +!+!2n
n
También puede definirse a través de una variable Z normal estándar N(0,1), y una
variable χ2 que siga una distribución Chi-cuadrado con n grados de libertad; se define
entonces la variable "t" de STUDENT con n grados de libertad como
Z
tn =
! 2n
n
2&)
n+1
!( n+1 ) # x 2
f(x) = 2 %1 + (
n"!( n2 ) $ n'
191
Distr. Normal
Distr. t de Student
(x ! µ)
t n!1 = s
n !1
en ellas aparece el valor de la variable que para los grados de libertad indicados en la
primera columna, deja un área en las dos colas de valor α indicado en la primera fila.
EJEMPLO 3.27:
Solución:
194
n m
X= ! X 2i e Y= ! Yj2
i=1 j=1
X
F= Yn
m
ˆs2
4.- El cociente 1 2 sigue una distribución con n1-1 y n2-1 grados de
ˆs2
libertad, siendo ˆs12 y ˆs22 las cuasivarianza muestrales de dos muestras de
tamaños n1 y n2 respectivamente, provenientes de dos poblaciones normales
N(µ1, σ1) y N(µ2, σ2) respectivamente.
(n1 ! 1)sˆ12
"2
(n 2 ! 1)ˆs22
2
"
sigue una distribución Chi-cuadrado con n2-1 grados de libertad. Entonces,
el cociente
( n1 ! 1)ˆs12
(n1 ! 1)" 2
( n2 ! 1)sˆ22
(n 2 ! 1)" 2
n2\n1 1 2 3 4 5 6 7 8 9 10 20 30 40 60 120 ∞
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 248.0 250.1 251.1 252.2 253.3 254.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.45 19.46 19.47 19.48 19.49 19.50
3 10.13 9.55 9.28 9.12 9.01 8.94 6.89 8.85 8.81 8.79 8.66 8.62 8.59 8.57 8.55 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.97 5.80 5.74 5.72 5.69 5.66 5.63
5 6.61 5~79 5.41 5.19 5.05 4.95 4.88 4.82. 4.77 4.73 4.56 4.50 4.46 4.43 4.40 4.36
6 S~99 5.14 4.76 4~53 4.39 4.28 4.21 4.15 4.10 4.06 3.87 3.81 3.77 3.74 3.70 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.44 3.38 3.34 3.31 3.27 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.15 3.08 3.04 3.00 2.97 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 2.94 2.86 2.83 2.79 2.75 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.77 2.70 2.66 2.62 2.58 2.54
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.65 2.57 2.53 2.49 2.45 2.40
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.54 2.47 2.43 2.38 2.34 2.30
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77 2.71 2.67 2.46 2.38 2.34 2.30 2.25 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.39 2.31 2.27 2.22 2.18 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.33 2.25 2.20 2.16 2.11 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.28 2.19 2.15 2.11 2.06 2.01
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.23 2.15 2.10 2.06 2.01 1.96
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.19 2.11 2.06 2.02 1.97 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.16 2.07 2.03 1.98 1.93 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.12 2.04 1.99 1.95 1.90 1.84
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.10 2.01 1.96 1.92 1.87 1.81
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.07 1.98 1.94 1.89 1.84 1.78
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.05 1.96 1.91 1.86 1.81 1.76
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.03 1.94 1.89 1.84 1.79 1.73
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.01 1.92 1.87 1.82 1.77 1.71
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 1.99 1.90 1.85 1.80 1.75 1.69
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 1.97 1.88 1.84 1.79 1.73 1.67
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 1.96 1.87 1.82 1.77 1.71 1.65
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 1.94 1.85 1.81 1.75 1.70 1.64
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 1.93 1.84 1.79 1.74 1.68 1.62
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 1.84 1.74 1.69 1.64 1.58 1.51
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.75 1.65 1.59 1.53 1.47 1.39
120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02 1.96 1.91 1.66 1.55 1.50 1.43 1.35 1.25
∞ 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.57 1.46 1.39 1.32 1.22 1.00
EJEMPLO 3.28:
Solución:
EJEMPLO 3.29:
Solución:
Teniendo en cuenta la siguiente propiedad
1
F !;n,m =
F1"!;m,n
se verifica que
1 1 1
F0.95;15,5 = = = = 0.345
F1!0.95;5,15 F0.05;5,15 2.90
198
"DISTRIBUCIÓN NORMAL"
3.3 Ampliación
199
PRIMER CASO
P( Z ! a )
200
0 a
Figura 3.12: Representación gráfica de la información que nos suministra de manera directa
la tabla de la normal con la que vamos a trabajar: P ( Z ! a )
Figura 3.13.a: El área rayada de la curva representa Figura 3.13.b: El área rayada de la curva
representa P (Z ! " a ) P (Z ! a )
P( Z ! "a ) = 1 " P( Z ! a )
EJEMPLO 3.30:
Calcular P(Z≤-2)
Solución:
Como tercer caso consideraremos la misma situación que en el caso primero pero
suponiendo ahora, que la variable aleatoria sigue una distribución normal no estándar,
de parámetros µ, σ.
encontrándonos, una vez efectuado el cambio, en la misma situación del primer caso.
EJEMPLO 3.31:
Solución:
Se trata, lo mismo que en el caso anterior de dar solución a uno de los supuestos
ya vistos, en concreto al supuesto segundo, pero considerando ahora que trabajamos con
una normal no estándar.
Lo primero que tenemos que hacer es tipificar ya que si no, la igualdad anterior no
se verifica, por tanto:
EJEMPLO 3.32:
Solución:
Si en lugar de trabajar con una N(0,1) trabajásemos con una N(µ,!) sería preciso,
como en casos anteriores, tipificar. Es decir:
EJEMPLO 3.33:
Solución:
P(1! X ! 1.85) = P(X ! 1.85) " P( X < 1) = 0.9678 " 0.8413 = 0.1265
P( Z ! "b) " P(Z < "a ) = 1" P( Z < b) " [1 " P(Z ! a )] =
= 1 " P (Z < b ) " 1 + P (Z ! a ) = P ( Z ! a ) " P (Z < b )
EJEMPLO 3.34:
Solución:
P( !2.3 " Z " !1.8) = P(Z " !1.8) ! P(Z < !2.3) =
= 1! P( Z < 1.8) ! 1 + P( Z " 2.3) = P( Z " 2.3) ! P( Z < 1.8) =
= 0.9893 ! 0.9641 = 0.0252
205
EJEMPLO 3.35:
Solución:
Buscamos dentro de la tabla el valor 0.9251 y vemos que el correspondiente valor
de a es 1.44.
EJEMPLO 3.36:
Solución:
# a " 5%
P( X ! a ) = P$ Z ! = 0.8413
3 &
a!5
= 1" a = 3 + 5 = 8
3
207
"DISTRIBUCIÓN NORMAL"
Fijaremos esta cantidad de forma que el 95%, por ejemplo, de los individuos
sanos quede correctamente clasificado, es decir, de forma que sólo un 5% de los
individuos sanos tenga un diámetro mayor de esa cantidad M.
209
0
6.5 7 7.5 8 8.5 9 9.5 10
M=?
Figura 3.17. Representación gráfica de la distribución del diámetro de los hematíes
en individuos sanos y en individuos cirróticos. M será el punto de corte a partir del cual
el individuo será clasificado en una o en otra categoría.
El cálculo es inmediato:
(M-7.5)/0.2= 1.645
Es decir:
0
6.5 7 7.5 8 8.5 9 9.5 10
M = 7.8 29
Figura 3.18: Representación gráfica de la distribución del diámetro de hematíes en las dos poblaciones.
Prefijado α queda delimitado el valor de M y el valor de β
Si α disminuye, β aumenta
En efecto:
Veamos como esta afirmación es cierta. Realizar este cálculo es idéntico al caso
anterior sólo que ahora la regla de decisión es distinta:
212
(M’-7.5)/0.2 = 2.33
Observamos que según este criterio el valor de corte es ahora mayor M’> M
Luego:
Si el porcentaje de falsos positivos disminuye hasta el 1%, el porcentaje de falsos
negativos sobrepasa el 18%.