Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Se dice que una variable aleatoria se distribuye según un modelo Normal de paráme-
tros (µ;σ) si su función de densidad es:
1 ( x − µ )2 1 1 1 ( x − µ )2
1 − − − −
f ( x; µ , σ ) =
2
⋅e 2 σ2
= (2π ) ⋅ (σ ) 2 ⋅ e 2
2 2 σ2
, x ∈ℜ
σ 2π
con µ ∈ℜ
=
donde: E [ξ ] µ=y V [ξ ] σ 2 . σ > 0
1
Propiedades
Cualquier combinación lineal de variables aleatorias, cada una con distribución de pro-
babilidad según el modelo Normal, se distribuye también según una Normal de paráme-
tros, si las variables son independientes en probabilidad, los que se exponen a conti-
nuación:
n n n
ξ i ~ N ( µi ;σ i ) i = 1,..., n ⇒ ∑ ciξi ~ N ∑ ci µi ; ∑1 i i
σ
2 2
Sean c
=i 1 = i 1
n n n
Si consideramos simplemente la suma de las variables: ∑ ξi ~ N ∑ µi ; ∑1 σ 2
i
=i 1 = i 1
n
2
Distribución Normal ξ ~ N ( 0;1)
Una variable aleatoria ξ* se distribuirá según una Normal (0;1) si su función de densidad
es igual a:
1 1 1
1 − x2 − − x2
fξ * ( x ) = ⋅e 2
= (2π ) ⋅ e 2
2
2π
Siendo su representación gráfica:
-6 -4 -2 0 2 4 6
valores
ξ −µ
ξ* = ξ
⇒= σξ * + µ .
σ
3
Las probabilidades de que los valores de la variable ξ*∼ N(0;1) pertenezcan a un inter-
valo determinado se pueden calcular por medio de sus Tablas. Para calcular la probabi-
lidad de que una variable ξ ∼ N(µ;σ) cualquiera pertenezca a un determinado intervalo
lo haremos utilizando su relación con la variable ξ*:
ξ − µ K − µ * K −µ K −µ
P [ξ ≤ K ] = ≤ = ξ ≤ =
σ ξ σ
P P F * .
σ σ
Solución:
ξ − 20 15 − 20 * 15 − 20
P [ξ ≤ 15] =P ≤ =
P ξ ≤ P ξ * ≤ −1
=
5 5 5
Donde ξ * es N (0,1).
P ξ * ≤ −1 =P ξ * ≥ 1 =1 − P ξ * ≤ 1 =1 − 0.8413 =0.1587 tablas (pag. 18).
4
1.2. Distribución Chi-cuadrado ó χ 2 de Pearson.
Se dice que una variable aleatoria se distribuye según un modelo de distribución Chi-
cuadrado o Ji-cuadrado de Pearson con “n” grados de libertad y se representa por χ n ,
2
si es igual a una suma de “n” variables independientes, cada una de ellas N(0;1) y ele-
vadas al cuadrado. Es decir:
n
χ = ξ + ξ + ... + ξ =
2
n 1
2 2
2
2
n ∑ξ
i =1
i
2
siendo ξi ∼ N(0;1) e independientes para i = 1, … , n
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
0 20 40 60
valores
Propiedad aditiva:
5
Si χ n1 , χ n2 ,..., χ nk son k variables aleatorias, todas con distribución
2 2 2
χ 2 e independien-
tes, entonces su suma se distribuirá también según el modelo χ2 con “N” grados de li-
bertad. Siendo N = n1 + n2 + … + nk
k k
2
nj
2
N
=j 1 =j 1
∑ χ χ=
= con N ∑n j
su derecha una probabilidad igual a “α”. Es decir, conocido el valor de “n” y para un va-
lor de “α” dado, se obtiene el valor de K, tal que P χ n ≥ K =
α
2
Gráficamente:
Solución:
P χ 20
2
≥ χα /2 =P χ 20
2
≥ χ 0.05 =0,05 → Tablas (pag. 23) → χ 0.05 =31.410.
P χ 20
2
≥ χ1−α /2 =P χ 20
2
≥ χ 0.95 =0.95 → Tablas (pag. 22) → χ 0.95 =10.851.
6
1.3. Distribución ”t” de Student.
Se dice que una variable aleatoria se distribuye según un modelo de distribución “t” de
Student con “n” grados de libertad y se representa por tn si es igual a:
ξ0 N ( 0 ;σ )
tn =
ξi i = 0,1,..., n
n
-6 -4 -2 0 2 4 6
valores
n
V [ tn ] = para n ≥ 3 (Si n=1 ó 2 no existe la Varianza)
n−2
7
Propiedad: Su distribución de probabilidad es independiente del valor que tome σ2. Al
dividir entre σ tanto en el numerador como en el denominador de la expresión de su de-
finición se obtienen las variables tipificadas, normales (0;1), llegando a la expresión
equivalente de la definición:
ξ 0*
=tn ξ 0* → N ( 0 ;1)
1 2
χn
n
Uso de Tablas: En las tablas de la Distribución “t” de Student se determina el valor tα/2
que deja a su derecha una probabilidad igual a α/2, de tal forma que -tα/2 deja a su iz-
quierda una probabilidad también de α/2. Es decir, conocido el valor de “n” y para un
valor de “α” dado, se obtiene el valor de tα/2 , tal que α o
P tn ≥ tα /2 =
P [ -tα /2 ≤ tn ≤ tα /2 ] =1−α
Gráficamente:
Solución:
P t20 ≥ t 0.1/2=
0.1 → tablas (pag.21) → t 0.1/2= t 0.05= 1.725.
P [t20 ≥ t 0.1/2 ] =0.05 → tablas (pag.20) → t 0.1/2 = t 0.05 =1.725.
8
1.4. Distribución “F” de Snedecor.
Se dice que una variable aleatoria se distribuye según un modelo de distribución “F” de
Snedecor con (m,n) grados de libertad y se representa por Fm ,n si es igual a:
m
1
m ∑ξ i
2
N ( 0 ;σ )
Fm ,n = i =1
m+n
ξi =
i 1,..., m, m + 1,...m + n
∑ ξi2
siendo las variables
1
Independientes
n
i= m +1
/(n-2)
n
E Fm ,n = para n ≥ 3 (Si n=1 ó 2 no existe la Media)
n−2
2n 2 ( m + n − 2)
V Fm ,n = para n ≥ 5 (Si n ≤ 4 no existe la Varianza)
m( n − 2) 2 ( n − 4)
9
Propiedades:
1) Su distribución de probabilidad es independiente del valor que tome σ2. Al dividir en-
tre σ tanto en el numerador como en el denominador de la expresión de su definición se
obtienen las variables tipificadas, normales (0;1), llegando a la expresión equivalente de
la definición:
1
χ2
F = m m
m ,n 1
n χ
2
n
1
2) Se comprueba fácilmente que: = Fn ,m y 3) F1,n = tn2
Fm ,n
Gráficamente:
Este cálculo se puede hacer directamente con los valores de las Tablas para valores
pequeños de α, concretamente para α = 0,25; 0,10; 0,05; 0,025; 0,01; 0,005 y 0,001.
Si α tomara un valor mayor, como por ejemplo α = 0,95, se podrá también deducir el va-
lor de K aplicando la propiedad 2) anterior:
1 1
P Fm ,n ≥ K =
0,95 ⇒ P Fm ,n < K =
1 − 0,95 =
0,05 ⇒ P > = 0,05
Fm ,n K
1
⇒ P Fn ,m > = 0,05 . El valor de K será el inverso del que encontremos en la
K
tabla de la Fn ,m para una probabilidad de 1 – 0,95 = 0,05.
10
EJEMPLO 4: Dada la distribución de la F para m = 20 y n =10, hallar los valores
críticos Fα /2 y F1−α /2 del intervalo de la F, para los cuales la probabilidad de va-
lores no comprendidos en dicho intervalo es de α = 0,10.
Solución:
11