Está en la página 1de 12

CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

Entonces, en el ejemplo, la función de probabilidad será:


3 x 3 x
P[X=x] =   1   2  , x = 0,1,2,3
 x  3   3 

NOTAS:
a. p(x) = P[X=x] > 0 , x = 0,1,2, … ,n
n
b.  p(x)  1
x 0

La función de distribución está dada por:


 0 , x0
 x n
F(X) = P[X ≤ x] =   p k q n  k , 0xn
 k 0  
k

 1 , xn

CARACTERÍSTICAS DE LA DISTRIBUCIÓN BINOMIAL:


1. E[X] = np
2
2. V[X] = σ = npq
3. σ = VX  npq

DEMOSTRACIÓN (1)
n n 1
n
n n n n
  x 1 n x
E[X] =
x 0
 xp(x) 
x 0  x 

x p x q n x  x (n n!
x 1

x)!x!
p x n x
q = np
x 1
(n 
(n 1)!
x)!(x 
1)!
p x 1 n  x
q  
np  p q
x 1 x  1
reemplazando x–1 por a se tiene que como x toma valores entre 1 y n, entonces a toma valores entre 0 y n–1.
Haciendo además n–1= m y reemplazando en la expresión anterior, tenemos:
n 1
 n  1 x-1 n x m
 m  a m a
E[X] = np   
a 0  x  1
p q  np   p q
a 0  a 
 np

DEMOSTRACIÓN (2)
2 2
V[X] = E[X ] – (E[X]) …………… ()
Como sabemos que E[X] = np, entonces sólo necesitamos calcular E[X 2]
n n
n n
E[X2] = 
x 0
x 2 p(x) 
x 0  
 x 
x 2  p x q n x  x 2 (n n!
x 1
x)!x!
p x q n x
n n
 n  1 x 1 n x
 (n 1)!

= np x (n x)!(x 1)! p x 1q n x  np x
x 1 x 1  x  1
p q

Como en el caso anterior, reemplazando x–1 por a se tiene que como x toma valo-res entre 1 y n, entonces a tomará
valores entre 0 y n–1. Haciendo además n–1 = m y reemplazando en la expresión anterior, tenemos:
 
 m 
m
 m  a m a   m  a m a m
 m  a m a 
2

a 0

E[X ] = np (a  1) p q
a
 np a  p q
  a 
 
a 
 p q 
 
a 0   a 0  
 E a mp 1 
2 2 2 2 2 2 2
= np(mp + 1) = np[(n – 1)p + 1] = np(np – p + 1) = n p –np +np = n p +np(1 – p) = n p + npq
 E[X2] = n2p2 + npq …………… ()
Reemplazando E[X] = np y  en , tenemos:

1
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2 2 2 2 2
V[X] = E[X ] – (E[X]) = n p + npq – (np) = npq
 V[X] = npq

EJEMPLO 3.2: Se lanza un dado 10 veces. Calcular la probabilidad de obtener 4 veces el nº 5.

EJEMPLO 3.3: Un estudiante se presenta a un examen de selección múltiple que contiene 8 preguntas, cada una
con tres respuestas opcionales. Si el estudiante está adivinando al responder cada pregunta y además se sabe que
para aprobar el examen debe responder correctamente 6 o más preguntas. ¿Cuál es la probabilidad de aprobar el
examen?

EJEMPLO 3.4: Supóngase que la probabilidad de que un artículo producido por una máquina especial sea
defectuoso es igual a 0,2. Si 10 artículos producidos se seleccionan al azar, ¿cuál es la probabilidad de que no se
encuentre más de un artículo defectuoso?

EJERCICIOS PROPUESTOS

1. Supóngase que en cierta población, el 52% de todos los nacimientos que se registraron son mujeres. Si
aleatoriamente se escogen 5 registros de nacimientos dentro de esa población, ¿Cuál es la probabilidad de que
exactamente tres de ellos pertenezcan a mujeres?
2. Supongamos que se sabe que el 30% de cierta población es inmune a alguna enfermedad. Si se escoge una
muestra aleatoria de 10 elementos de entre esta población, ¿Cuál es la probabilidad de que dicha muestra
contenga exactamente 4 personas inmunes? ¿Cuál es la probabilidad de que en dicha muestra existan como
mínimo 2 personas inmunes?
3. En cierta población, el 10% de la misma es daltoniana. Si se extrae una muestra aleatoria de 8 personas de esa
población, hallar:
a) P[X  3]
b) P[X  6]
c) P[3  X  5]

3.3 DISTRIBUCIÓN DE POISSON

Es una de las distribuciones discretas más importantes pues se aplica en muchos problemas prácticos. Esta
distribución ha sido empleada extensamente en biología y medicina.
Si x es el número de ocurrencias de algún evento aleatorio en un intervalo de espacio o tiempo (o algún volumen de
materia), la probabilidad de que x ocurra es dada por
e λ λ x
p(x) = ; x = 0,1,2,3, …
x!
Donde: e = 2,718281828…
λ: Es una constante positiva igual a la media de la distribución. Es el número promedio de ocurrencias del
evento aleatorio dentro del intervalo o volumen.
λ = np
x: Es cualquier número entero positivo.
Es una distribución de v. a. con un único parámetro λ. Es una distribución infinita contable.

CARACTERÍSTICAS DE LA DISTRIBUCIÓN DE POISSON:

PROMEDIO: E[X] = np = λ
2
VARIANZA: V[X] = σ = λ
DESVIACIÓN ESTÁNDAR: σ = λ
ALGUNAS APLICACIONES:
1. El número de máquinas averiadas en determinado tiempo.
2. La distribución del número de llamadas telefónicas por minuto en una central.
3. El arribo de vehículos motorizados a una garita de peaje.
4. La distribución del número de partículas emitidas por una sustancia radioactiva.
2
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

5. La distribución del número diario de accidentes automovilísticos en una ciudad grande.


6. La distribución de los casos diarios de urgencia en un hospital.
7. La distribución de un organismo acuático según el promedio de organismos por muestra.
La distribución de Poisson se emplea cuando se cuentan los eventos o entidades, distribuidos al azar en espacio o
tiempo. Es fácil intuir cuando cierto proceso obedece a la ley de Poisson y bajo esta suposición es posible calcular
las probabilidades de ocurrencia de eventos en alguna unidad de espacio o tiempo. Por ejemplo, bajo la suposición
de que la distribución de algún parásito entre los hospederos (organismos que sufren agresión de parásitos) sigue la
ley de Poisson y se pueda, al conocer el parámetro λ, calcular la probabilidad de que un hospedero elegido
aleatoriamente lleve x número de parásitos.
NOTA: Para el cálculo de las probabilidades de experimentos que tienen esta distribución, existen tablas
específicas ya elaboradas.

EJEMPLO 3.5: El administrador de un hospital analiza los casos diarios de urgencia durante un periodo de varios
años y concluye que se distribuyen de acuerdo a la ley de Poisson. Los registros del hospital revelan que los casos
de urgencia promedian tres por día durante ese periodo. Si el administrador tiene razón respecto a la distribución de
Poisson, calcular la probabilidad de que:

a) ocurran exactamente 2 casos de urgencia en un día dado.


b) No ocurra ni un solo caso de urgencia en un día particular.
c) curran 3 o 4 casos de urgencia en un día particular.

EJEMPLO 3.6: Si el 3% de las medicinas en stock en una farmacia tienen la fecha vencida, hallar la probabilidad
de que en una muestra de 100 medicamentos se tenga 4 medicamentos con fecha vencida.

EJEMPLO 3.7: Las personas llegan aleatoriamente a la ventanilla de un banco a razón de 24 por hora durante el
período de tiempo entre 11:30 a.m. y 12 m. de cierto día. ¿Cuál es la probabilidad que exactamente 5 personas
lleguen durante un período de tiempo de 12 minutos? ¿Cuál que lleguen por lo menos 3 personas? ¿Qué lleguen
como máximo 5 personas?

EJEMPLO 3.8: La central telefónica de cierta universidad, indica un promedio de 2 llamadas cada 3 minutos.
Asumiendo un proceso de Poisson, ¿cuál es la probabilidad que ocurran 4 ó más llamadas en un periodo de 9
minutos? ¿Cuál de que no haya llamadas en dicho periodo?

EJEMPLO 3.9: Se sabe que un líquido particular contiene ciertas bacterias a razón de 4 bacterias por cm 3. Se toma
una muestra de 1 cm3; ¿Cuál es la probabilidad que la muestra no contenga bacteria alguna? ¿Cuál es la
probabilidad que en ½ cm3 haya por lo menos una bacteria?

DISTRIBUCIÓN DE POISSON COMO APROXIMACIÓN DE LA BINOMIAL

Las probabilidades de Poisson dan un valor aproximado de las probabilidades binomiales para valores pequeños de
p y n grande. Esta aproximación mejora a medida que p se acerca a cero y el valor de n se hace más grande. En la
práctica se considera que la aproximación es aceptable si p<0,1 y np5. Algunos autores consideran la
aproximación aceptable cuando p0,05 y n20.

EJEMPLO 3.10: Una nave espacial científica tiene 200 componentes electrónicas de un tipo particular. Durante la
misión de la nave espacial, la probabilidad de falla individual para cada una de estas componentes se estima que es
0,001. Asumiendo que las fallas de estas componentes son independientes, hallar la probabilidad que durante la
misión:
a. No halla fallas.
b. Halla menos de 3 fallas.
c. Ocurra una o dos fallas.

EJEMPLO 3.11: Una vacuna produce inmunidad contra la polio en un 99,99%. Suponga que la vacuna ha sido
administrada a 10 000 personas.
a. ¿Cuál es el número esperado de personas que no han sido inmunizadas?

3
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

b. ¿Cuál es la probabilidad que exactamente 3 personas no sean inmunes?


c. ¿Cuál es la probabilidad que menos de 2 personas no sean inmunes?

EJEMPLO 3.12: Una compañía de seguros de autos, asegura contra robos a 10 000 autos en todo el Perú; si en un
3
mes la probabilidad de que un auto cualquiera sea robado es 3400 , ¿cuál es la probabilidad que durante un mes
determinado se roben 2 autos?

EJERCICIOS PROPUESTOS

1. Se ha observado que las cajas de cerveza Cristal se toman de los estantes de cierto supermercado a razón de 10
cajas por hora durante el periodo de mayor venta. ¿Cuál es la probabilidad que se saque al menos una caja
durante los primeros 6 minutos de un periodo de mayor venta?
2. Durante el estudio de un cierto organismo acuático, un gran número de muestras fueron tomados de una laguna y
se contó el número de organismos en cada muestra. El número promedio de organismos encontrados por muestra
fue de dos. Al suponer que el número de organismos sigue una distribución de Poisson, calcular la probabilidad
de que:
a) la próxima muestra tomada tenga un organismo o ninguno.
b) la siguiente muestra tenga exactamente 4 organismos.
c) la siguiente muestra tenga más de 3 organismos.

3.4 DISTRIBUCIÓN NORMAL

Es la distribución de probabilidad más importante en el campo de la Estadística. En la práctica, muchos fenómenos


industriales, científicos o de la vida diaria pueden describirse por esta distribución.
DEFINICIÓN: Una variable aleatoria continua X, está distribuida normalmente, con media  (-<<) y varianza
2>0, si su función de densidad está dada por
1  x μ  2
  
1 2  σ 
f(x) = e , - < x < 
2π σ
donde:
 = 3,14159265…
e = 2,7182818…
NOTACIÓN: Una v. a. X que tiene una distribución normal es denotada así:
X  N(,2)
que se lee: “la v. a. X se distribuye normalmente con media  y varianza 2 ”.

CARACTERÍSTICAS IMPORTANTES:

1. Es simétrica respecto a su promedio ().


2. El promedio, la mediana y la moda son iguales.
3. El área total debajo de la curva y por encima del eje X es igual a 1.
4. La distribución normal queda completamente determinada por los parámetros  y  .
2

4
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

DISTRIBUCIÓN NORMAL ESTÁNDAR:


DEFINICIÓN: Una distribución normal Z con media  = 0 y varianza  = 1 es llamada v. a. normal estándar cuya
2

función de densidad es:


1 2
1  Z
f(z) = e 2 , - < z < 

La función de distribución de Z está dada por:


a

Z2
1
F(a) = P[Za] = 
 2π
e 2 dz

Los valores de esta función están tabulados y se dan en la tabla de probabilidades de la distribución normal
estándar. Cualquier variable aleatoria X normal con media  y varianza 2 puede ser transformada a una v. a.
estandarizada Z, por la siguiente transformación
Xμ
Z=
σ

-3 -2 -  + +2 +3 ESCALA X

-3 -2 -1 0 1 2 3 ESCALA Z
Xμ
TEOREMA: Si X es una v. a. con distribución normal con media  y varianza  , entonces Z =
2
es una v. a.
σ
con distribución normal estándar.
DEMOSTRACIÓN (ejercicio)

USO DE TABLAS:

X  μ a  μ   a μ
a. P[X  a] = P    = P Z 
 σ σ   σ 
X  μ b  μ   b μ
b. P[X > b] = 1 – P[Xb] = 1 – P    = 1 – P Z 
 σ σ   σ 
a  μ X  μ b  μ  a  μ b μ  b μ  a μ
c. P[a  X  b] = P      P Z   P Z    P Z 
 σ σ σ   σ σ   σ   σ 
d. P[Z – a] = P[Z  a] = 1 – P[Z  a]

EJEMPLO 3.13: Sea X una v. a. N(5,4). ¿Cuál es la probabilidad de que X tome valores entre 4 y 7? ¿Cuál es la
probabilidad que tome valores mayores que 10?

5
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 3.14: El tiempo X requerido para la digestión de una unidad de alimento por un protozoario es una v.
a. normal con media 31 ' y desviación estándar 5'. ¿Cuál es la probabilidad que una unidad de alimento sea digerido
en menos de 35'?

EJEMPLO 3.15: El tiempo de máquina necesario para fabricar una unidad de un producto está distribuido
normalmente con media 50 ' y desviación estándar 5 '. Se debe fabricar una partida de 40 000 unidades de dicho
producto.
a. ¿Cuántas unidades requerirán un tiempo de máquina de más de 53'?
b. ¿Cuántas unidades requerirán un tiempo de máquina comprendido entre 48 y 53 minutos inclusive?
c. El 50% de las unidades requieren de un tiempo comprendido entre x1 y x2 minutos. Determinar x1 y x2 si son
simétricos con respecto al tiempo medio.

EJEMPLO 3.16: Supóngase que la temperatura (medida en grados centígrados) está distribuida normalmente con
media 50 y varianza 4. ¿Cuál es la probabilidad de que la temperatura T esté entre 48 y 53 grados centígrados?

EJERCICIOS PROPUESTOS

1. Un terapista físico piensa que los puntajes en una prueba de destreza manual tienen una distribución
aproximadamente normal, con una media de 10 y una desviación estándar de 2,5. Si a un individuo, elegido
aleatoriamente, se le aplica el examen, ¿Cuál es la probabilidad de que logre un puntaje de 15 o más puntos?
2. Supongamos que se sabe que el peso en una población de individuos tiene una distribución aproximadamente
normal, con una media de 63,5 kilogramos y una desviación estándar de 11,3 kilogramos. ¿Cuál es la
probabilidad de que una persona, elegida aleatoriamente de entre ese grupo, pese entre 45 y 77 kilogramos?
3. En una población de 10 000 individuos, en el ejemplo anterior, ¿Cuántas personas se espera que pesen más de
90,7 kilogramos?
4. Supóngase que las edades de inicio de cierta enfermedad tienen una distribución aproximadamente normal, con
una media de 11,5 años y una desviación estándar de 3 años. Un niño contrae recientemente la enfermedad.
¿Cuál es la probabilidad de que el niño tenga:
a) entre 8,5 y 14,5 años?
b) más de 10 años?
c) menos de 12 años?

3.5 DISTRIBUCIÓN CHI-CUADRADO

DEFINICIÓN: Sean Z1, Z2, … , Zr , variables aleatorias independientes distribuidas normalmente, cada una con
media  = 0 y varianza  = 1. La variable aleatoria
2

X = Z1  Z 2  ...  Z r
2 2 2

es una v. a. chi-cuadrado con r grados de libertad si su función de densidad está dada por

 1 r
2  1e 
x
 r X 2 , 0x
fX(x) =  2 2 Γ r 
 2
 0 , en otros casos.

donde  es la función gamma.


Los valores que toma la v. a. chi-cuadrado, son todos los reales positivos, debido a que es una suma de cuadrados.
El grado de libertad r, es el número de variables aleatorias independientes que se suman. El grado de libertad
también se puede concebir como un parámetro asociado con la distribución de probabilidad o como al número de
variables que pueden variar libremente.
NOTACIÓN: Cuando una v. a. X tiene distribución chi-cuadrado con r grados de libertad se escribe
2
X X r

6
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

El promedio y la varianza de la v. a. chi-cuadrado con r grados de libertad son:


 = E[X] = r
2= V[X] = 2r
f(x)

r=1

r=3
r=7 r = 10

X
Funciones de densidad de varias distribuciones chi-cuadrado

NOTAS:
a. Las distribuciones chi-cuadrado son una familia de distribuciones continuas asimétricas positivas (asimétrica a la
derecha).
b. Cuando r aumenta, la variable chi-cuadrado se aproxima a una distribución normal.
c. En la práctica, cuando r es grande (r>30), la probabilidad de la chi-cuadrado puede calcularse empleando
aproximación normal.
d. La función de distribución F(x) está preparada en tablas (ver tabla II del apéndice) para valores seleccionados de
r y x.
x
x r 1  x
F(x) = P[X<x] =  f(x)dx 
0
2 r
2
1
Γ 2r 
X2 e 2 dx
0

α 1–α
X α2 X
P[X>x] = 1 – α

2
EJEMPLO 3.17: Si X es una v. a. X17 , calcular:
a. P[X<7,564] = 0,025
b. P[X>27,59] = 1 – P[X27,59] = 1 – 0,95 = 0,05
c. P[6,408<X27,59] = P[X27,59] – P[X<6,408<] = 0,95 – 0,01 = 0,94

7
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

EJEMPLO 3.18: Si X es una v. a. con distribución X 223 , hallar a y b tal que:


P[a<X<b] = 0,95 y P[X<a] = 0,025
Solución:
r = 23
P[X<a] = 0,025  a = 11,69
P[a<X<b] = 0,95  P[X<b] – P[X<a] = 0,95
P[X<b] = P[X<a] + 0,95 = 0,025 + 0,95 = 0,975
 P[X<b] = 0,975  a = 11,69 y b = 38,08 (directamente de la tabla)

2
EJEMPLO 3.19: Si X X (m) , hallar m tal que: P[X28,41] = 0,90
Solución:
Directamente de la tabla, se tiene que m = 20

(X  μ) 2
TEOREMA: Si la v. a. XN(, ), entonces la v. a. Y =
2 2
es una X 1 .
2
σ
TEOREMA: Si las variables aleatorias X1, X2, … , Xk son independientes y si Xi  X (r
2
, i = 1, k , entonces:
i)
X1 + X2 + … + Xk  X (r  r ... r )
2
1 2 k

TEOREMA: Si X1, X2, … , Xn es una muestra aleatoria extraída de una población N(, ), entonces:
2

2
a) X N(, σ )
n
2
b) X y S son independientes.
(n  1)S 2
c)  X (n2 1)
σ2
2
TEOREMA: Si X es una v. a. con distribución X (r) , entonces para r suficientemente grande (r>30), tenemos:

2X ~ N( 2r  1,1)

Por lo tanto: 
X α2 ~ 12 Z α  2r  1 
2

EJEMPLO 3.20: Encontrar la probabilidad de que una muestra aleatoria de 25 observaciones tomada de una
población normal con varianza  = 9, tenga una varianza muestral S entre 4,0725 y 16,1175.
2 2

EJEMPLO 3.21: Si X X 2200 , hallar en forma aproximada el valor de P[160<X<240].

EJERCICIOS PROPUESTOS

1. Si X es una variable aleatoria N(7,4), calcular P[15,36  (X–7)  20,08].


2

2. Calcular P[0,618  S2/2  1,60], si S2 está basado en una muestra aleatoria de 11 observaciones de una variable
aleatoria distribuida normalmente con media desconocida  y varianza desconocida  .
2

3. Veinticinco varones física y mentalmente sanos participaron en un experimento acerca del sueño en el cual se
registró el porcentaje del tiempo total transcurrido durante cierta etapa del sueño de cada uno de los
participantes. La varianza calculada a partir de los datos de la muestra fue de 2,216. Calcular la probabilidad de
que la varianza de la población sea menor a cuatro.

8
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

3.6 DISTRIBUCIÓN  (DE STUDENT)

DEFINICIÓN: Sea Z  N(0,1). Sea X una v.a. que tiene una distribución chi-cuadrado con r grados de libertad; si
Z y X son independientes, entonces la v.a.
Z Z r
T= 
X X
r
tiene una distribución  (de student), con r grados de libertad, y su función de densidad está dada por
r 1
   t 2  
Γ r 21 2
1 ,   x  
   r 
f(t) =
r π Γ 2r

NOTAS:
a) La v.a.  está completamente determinada sólo por el parámetro r. Por lo tanto, hay una distribución 
correspondiente a cada grado de libertad.
b) La distribución  es simétrica alrededor de  = 0 y varía de – a .
c) El valor esperado y la varianza de la distribución  con r grados de libertad son:
 = E[T] = 0 , r>1
 = V[T] =
2 r , r>2
r 2
d) La distribución  es muy similar a la distribución normal estándar, porque ambas varían de – a , son
simétricas y centradas alrededor de  = 0, pero la distribución  tiene mayor dispersión que la distribución
normal estándar.
e) La distribución  se aproxima a la distribución normal estándar cuando el grado de libertad es suficientemente
grande. En la práctica se trata a la distribución  como normal estándar cuando r > 30.
f) La función de distribución para que la v.a.  sea menor o igual a una constante a es:
a
F(a) = P[  a] =  f(t)dt = 
 
a 

OBSERVACIÓN:

P[  –] = 1 – P[  ]

EJEMPLO 3.22: Sea T una variable aleatoria que tiene una distribución  con varianza  = 5/4. Calcular P[–
2

1,812  T  2,228]
Solución:

2 = r r 2 = 54  r = 10
P[–1,812    2,228] = P[t(10)  2,228] – P[t(10)  –1,812] = 0,975 – 0,05 = 0,925

EJEMPLO 3.23: Sea T una v.a. que tiene distribución  con 15 grados de libertad. Hallar una constante a tal que

P[|| < a] = 0,95


2
TEOREMA: Sea X1, X2,…, Xn una muestra aleatoria de tamaño n, de una v.a. XN(, ); entonces:
X μ
a) La v.a. tiene una distribución N(0,1).
σ/ n

9
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

S2
b) La v.a. (n  1) tiene una distribución chi-cuadrado con n-1 grados de libertad.
σ2
2
c) X y S son variables aleatorias independientes.

Entonces,
Xμ
σ/ n Xμ

(n  1)S 2 S
n
σ2
(n  1)

tiene una distribución  con n–1 grados de libertad.

EJEMPLO 3.24: Sea X1, X2,…, X16 una muestra aleatoria extraída de una población N(0,1). Si X es la media
muestral y S es la desviación estándar, hallar:
X
a) P[  0,53275]
S
X
b) P[0,0645   1,01825]
S
X
c) P[  –0,5]
S

EJERCICIOS PROPUESTOS

1. Se tiene bajo control cierto proceso de manufactura y se encuentra que la resistencia media a la ruptura de una
fibra sintética es de 90 libras. Para hacer este control, el departamento de control de calidad saca periódicamente
una muestra aleatoria de 36 especímenes de fibra para medir su resistencia. Si el valor del T calculado está entre
–3 y 3, se considera que el proceso de manufactura está controlado. Supongamos que una muestra aleatoria de 36
especímenes de fibra arroja X = 96 libras y una desviación estándar S = 15 libras. ¿Qué conclusiones se pueden
sacar?
2. Al estudiar el peso de una muestra de 16 niñas de 10 años de edad se determinó una desviación estándar de 5,4
kg. Si la distribución de los datos es normal, hallar:
P[ X <  + 3,5127]

3.7 DISTRIBUCIÓN F (DE FISHER–SNEDECOR)

Es una de las distribuciones más importantes aplicadas en inferencias sobre dos varianzas poblacionales.
DEFINICIÓN: Una v.a. X tiene distribución F con r1 grados de libertad en el numerador y r2 grados de libertad en
el denominador, si su función de densidad es dado por:

  r1 r2  r1  r1  r2 
 Γ 2   r1
1  
 

    r1  2 r1 2 
 X 2 1  
X   , si x  0
  r   r   r2  r2
f(x) =  Γ 1 Γ 2     
   
 2  2


 0 , en otroscasos

10
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

TEOREMA: Sean X1 y X2 variables aleatorias chi–cuadrada independientes con grados de libertad r1 y r2,
respectivamente. Entonces el cociente

X1
r1
F=
X2
r2
tiene distribución F con r1 grados de libertad en el numerador y r2 grados de libertad en el denominador.
Usualmente, esto se abrevia como F(r ,r ) .
1 2

COROLARIO: Si la v.a. X F(r ,r ) , entonces:


1 2

r2
a) E[X] =  = , si r2 > 2.
r2  2

2r22 (r1  r2  2)
b) V[X] = , si r2 > 4.
r1 (r2  2) 2 (r2  4)

NOTAS: Si X F(r ,r ) , entonces


1 2

a
a) F(a) = P[X  a] = 0 f(x)dx , a>0

1
b) F ,(r ,r ) 
F
1 2
1   , (r , r )
2 1

EJEMPLO 3.25: Si la v.a. XF(9,20), hallar:

a) P[X  2,39] = 0,95


b) P[X  1,96] = 1 – P[X < 1,96] = 1 – 0,90 = 0,10
c) P[2,84  X  3,96] = P[X  3,96] – P[X  2,84] = 0,995 – 0,975 = 0,02

DISTRIBUCIÓN DE LA RAZÓN DE DOS VARIANZAS MUESTRALES

TEOREMA: Sean X1,…, Xn una muestra aleatoria extraída de una población N(1, σ 12 ) y Y1, …, Ym una muestra
aleatoria extraída de una población N(2, σ 22 ). Supongamos además que ambas poblaciones son independientes;
entonces la variable aleatoria

11
CÁLCULO DE PROBABILIDADES Alejandro Monzón Montoya

2
S1
σ 12
2
S2
σ 22
tiene una distribución F con n – 1 grados de libertad en el numerador y m – 1 grados de libertad en el denominador.

EJEMPLO 3.26: Dos muestras aleatorias de tamaño n = 20 y m = 9 se extraen de dos poblaciones normales con
varianzas iguales. Encontrar la probabilidad de que la desviación estándar de la primera muestra sea menor o igual
que 0,6 veces la desviación estándar de la segunda muestra.

EJERCICIOS PROPUESTOS

1. Si XF(15,12), hallar b tal que P[X  b] = 0,05.


2. Sea X1, X2,…, X9 una muestra aleatoria de tamaño 9 extraída de una población N(54,10) y sea Y 1, Y2, Y3, Y4
una muestra aleatoria de tamaño 4 extraída de una población N(54,12). Calcular:
 9 
  (X i  X) 2 

P 0,546  i 1
 61,09
4
  (Yi  Y) 2 
 i 1 

3. Un grupo de investigadores seleccionan una muestra aleatoria de tamaño 21 a partir de una población de adultos
aparentemente sanos, así como una muestra aleatoria independiente de tamaño 16 de una población de pacientes
con el mal de Parkinson. La varianza calculada con los datos de la primera muestra fue 900 y con la segunda
1656. ¿Cuál es la probabilidad de que la varianza de la segunda población sea mayor que de la primera? La
variable de interés fue el tiempo de reacción a un estímulo en particular.

12