Distribuciones Especiales

Algunas Distribuciones Especiales

en Inferencia estadística
Roberto Behar Gutiérrez

Profesor Escuela de Ingeniería Industrial y Estadística

Universidad del Valle.
robehar@pino.univalle.edu.co

Introducción 
A continuación se definen algunas distribuciones que se requieren para desarrollar temas
que sobre Inferencia Estadística se presentan en el contexto de este material. Distribuciones
como la Normal, la Chi_Cuadrado, la T de Student y la f de Snedeccor, juegan un
importante papel al momento de hacer generalizaciones estadísticas,

Distribución Normal 
Una variable aleatoria X cuyo recorrido es el conjunto de los números reales tiene
distribución normal si su función de densidad de probabilidad es de la forma:
2
1 ⎛ x− µ ⎞
1 − ⎜ ⎟
f (x) = e 2⎝ σ ⎠
2πσ
−∞<x<∞
σ > 0, − ∞ < µ < ∞
µ y σ son los parámetros de la distribución.

Página | 1
Roberto Behar Gutiérrez
 Distribuciones Especiales

fx(x)

8
σ=5

N(µ, σ) 6

4 σ=1

σ=2

0 x
a µ b -2 -1 0 1 µ 2 3 4 5
Figura 1. Distribuciones normales con la misma media y
Figura 2 Distribución normal
diferentes varianzas

Notación:
X ~ N (µ , σ )
Propiedades
Teorema 1 
f(x) es simétrica con respecto al eje X = µ . Tiene puntos de inflexión en X = µ ± σ

Teorema 2 

(
Si X ~ N µ , σ
2
) Entonces E(X) = µ V(X) = σ 2

El valor esperado y la varianza de X coinciden con los parámetros de la distribución.

Teorema 3 
Si X ~ N (µ , σ ) y Y = aX + b donde a y b son constantes, entonces:

Y ~ N (aµ + b, a σ )

Corolario 
X−µ
Si X ~ N (µ , σ ) entonces: Z = ~ N(0,1)
σ
Teorema 4 
Si X1, X2, X3, ... , Xn son variables aleatorias independientes distribuídas normalmente,
( )
donde Xi ~ N µi , σ i y además: Y = X1 + X2 + ... + Xn

Entonces: Y ~ N (∑ µ ,
i ∑σ i
2
)
Página | 2
Roberto Behar Gutiérrez
 Distribuciones Especiales

Definición:
Si Z es una variables aleatoria tal que: Z ~ N(0,1) entonces decimos que Z tiene
distribución normal estándar, y denotaremos su función acumulativa de probabilidad
como:
z 1
1 − 2 Z2
φ (z) = ∫ 2π
e dz
−∞

Los valores de la función φ(z) aparecen tabulados para distintos valores de z.

Teorema 5 
⎛ b − µ⎞ ⎛ a − µ⎞
Si X ~ N (µ , σ ) entonces: P( a < x < b) = φ⎜ ⎟ − φ⎜ ⎟
⎝ σ ⎠ ⎝ σ ⎠
Teorema 6 
Si Z ~ N(0,1) φ( − z) = 1 − φ( z)
Ejercicio 1
Sean X1, X2, X3 tres variables aleatorias independientes con las siguientes distribuciones:
X1 ~ N(1000, 200), X2 ~ N(500, 100), X3 ~ N(2000, 500)
Calcule:
a) P(X1 + X2 + X3 < 4500) = ?
Si Y = X1 + X2 + X3, entonces la probabilidad pedida es P(Y<4500)
Como X1 , X2 , X3 son independientes y normalmente distribuidas entonces:

(
Y ~ N µ1 + µ2 + µ3 , σ 12 + σ 22 + σ 32 )
o sea Y ~ N(3500 , 300000 )
Es decir:
µ y = 3500
σ y = 300000 = 547,72

⎛Y −µ 4500 − 3500 ⎞
= P ⎜⎜ ≤ ⎟ = P ( Z ≤ 1,825 )
y

⎝ σy 300000 ⎟⎠

Y − µy
Si Z = ⇒ Z ~ N(0,1)
σy
De acuerdo con esto:

Página | 3
Roberto Behar Gutiérrez
 Distribuciones Especiales

P(Y < 4500) = P( Z < 1.825) = φ( 1825

. )
Buscando el valor de φ( 1825
. ) en la tabla para la distribución normal estándar
obtenemos: Φ (1.825 ) = 0.966

O sea que: P(X1 + X2 + X3 < 4500) = 0.966

b) Si P(X1 + X2 + X3 < Y0) = 0.0968
Encuentre el valor de Y0.
Y = X1 + X2 + X3 ~ N(3500 , 547,72) ⇒ P( Y>Y0) = 0.0968

⎛ Y − µ y Y0 − 3500 ⎞
P⎜ ≤ ⎟ = 0.0968
⎜ σ 300000 ⎟
⎝ y ⎠
⎛ Y − 3500 ⎞
P⎜Z > 0 ⎟ = 0.0968
⎝ 547.7 ⎠
⎛ Y − 3500 ⎞
P⎜Z < 0 ⎟ = 1 − 0.0968
⎝ 547.7 ⎠
⎛ Y0 − 3500 ⎞
φ⎜ ⎟ = 0.9032
⎝ 547.7 ⎠
De la tabla de la distribución normal estandarizada obtenemos que:
Y0 − 3500
= 1.3
547.7
Y0 = 1.3 × 547.7 + 3500
Y0 = 4212.04
c) Si definimos la variable aleatoria w como:
w = 2X1 + 3X2 Encuentre: P(2500 < W < 3800)

(
Por el teorema 3 y 4 tenemos que W ~ N 2µ1 + 3µ2 , 4σ 12 + 9σ 22 )
W ~ N( 3500 , 250000 )
(
Por el teorema 5 tenemos que: Si w ~ N µ w , σ w ) entonces :

⎛ b − µw ⎞ ⎛ a − µw ⎞
P (a < W < b) = φ ⎜⎜ ⎟⎟ − φ ⎜⎜ ⎟⎟
⎝ σw ⎠ ⎝ σw ⎠
Así pues:

Página | 4
Roberto Behar Gutiérrez
 Distribuciones Especiales

⎛ 3800 − 3500 ⎞ ⎛ 2500 − 3500 ⎞

P (2500 < W < 3800) = φ ⎜ ⎟ −φ ⎜ ⎟
⎝ 500 ⎠ ⎝ 500 ⎠
=Φ (1.60 ) − Φ ( −1) =0.9452 - 0.1587=0.7865

Distribución Chi‐cuadrado 
Si X es una variable aleatoria con función de densidad de probabilidad dada por:

k 2 1
1 ⎛ 1⎞ k 2 −1
− x
f (x ) = ⎜ ⎟ X e 2 x>0
Γ( k 2) ⎝ 2 ⎠

Entonces decimos que X tiene distribución chi-cuadrado con k grados de libertad, donde el
parámetro k llamado los grados de libertad es un entero positivo.
Γ( t )
La función es llamada función gamma y se define como:
∞
Γ ( t ) = ∫ x t −1e − x dx para t > 0
0

Γ ( n + 1) = n!
Si n es entero

⎛ 1⎞ 1 × 2 × 3 L ( 2n - 1)
Γ⎜ n + ⎟= π
y
⎝ 2⎠ 2n
⎛1⎞
Además Γ⎜ ⎟ = π
⎝2⎠

Página | 5
Roberto Behar Gutiérrez
 Distribuciones Especiales

Figura 3. Distribución chi-cuadrado para diferentes grados de la libertad (k)

Notación:
2
Si x se distribuye chi-cuadrado con k grados de libertad escribiremos: X ~ X( k )

Teorema 7 
2
Si X ~ X( k ) entonces: E(X) = k y V(X) = 2k

Teorema 8 
Si las variables aleatorias Xi , y = 1,2,...,k se distribuyen normalmente con media µ i y
varianza σ i y además son independientes entonces:
2

2
k
⎛ X − µi ⎞
u = ∑⎜ i ⎟
i =1 ⎝ σ i ⎠
Tiene distribución chi-cuadrado con k grados de libertad. En otras palabras el teorema dice:
la suma de los cuadrados de k variables aleatorias independientes con distribución normal
estandarizada, tiene distribución chi-cuadrado con k grados de libertad.

Página | 6
Roberto Behar Gutiérrez
 Distribuciones Especiales

Teorema 9 
Supóngase que la distribución de Xi es X(2ni ) , y = 1,2,...,k, en donde los Xi son
variables aleatorias independientes.
2
Sean V = X1 + X2 + ... + Xk , entonces V tiene distribución X( n) en donde n = n1 + n2 +
... + nk.
En otras palabras: la suma de variables aleatorias independientes distribuidas según chi-
cuadrado también se distribuye chi-cuadrado con parámetro igual a la suma de los grado de
libertad de las variables sumandos.

Ejercicio 2
X ~ χ (210 ) y Y ~ χ (215 ) . Además X e Y son independientes.
Encuentre :
12 .55 10 2
1 ⎛ 1⎞
a) P (X < 12.55) = ∫ ⎜ ⎟ X10 2−1e − ( 1 2) x dx
0
Γ (10 2) ⎝ 2 ⎠
La integral que allí aparece es algo tediosa de realizar, lo cual no resulta ser una
preocupación ya que aparece tabulada para diferentes valores del límite superior
(x) y para distintos grados de libertad. En este caso consultando en la tabla para 10
grados de libertad , obtenemos que:
P(X < 12.55) = 0.75
2
Observe que la distribución X( n ) no es simétrica.

b) Encuentre el valor V0 tal que: P( X + Y < V0) = 0.975

Si hacemos: V = X + Y entonces V ~ chi-cuadrado con (10 +5) grados de libertad.
Así pues:
P(V < V0) = 0.975
Consultando en las tablas de chi-cuadrado para 25 grados de libertad, obtenemos
que V0 = 40.646.
c) Encuentre: P(29.34 < X +Y < 44.314)
P(29.34 < V < 44.314) = P( V < 44.314 ) - P( V < 29.340)
2
de las tablas de X ( 25) obtenemos: = 0.99 - 0.75 = 0.24

Distribución F 
Si X es una variable aleatoria continua cuya función de densidad de probabilidad está dada
por:
Página | 7
Roberto Behar Gutiérrez
 Distribuciones Especiales

Γ{( m + n) 2} ⎛ m⎞ m 2 x ( m− 2 ) 2
f (x ) = ⎜ ⎟ ( m+ n ) 2
x>0
⎛ m⎞ ⎛ n ⎞ ⎝ n ⎠ ⎧ ⎛ m⎞ ⎫
Γ⎜ ⎟ Γ⎜ ⎟
⎝ 2 ⎠ ⎝ 2⎠ ⎨1 + ⎜⎝ ⎟⎠ x⎬
⎩ n ⎭
Donde Γ ( .) representa la función gamma definida anteriormente, decimos que X tiene
una distribución F con “m” y “n” grados de libertad .
Nota: el orden en que se citan los grados de libertad importa, ya que como puede
apreciarse la f.d.p f(x) no es simétrica en “m” y “n”.
Notación: X ~ F(m,n)

Figura 4. Distribución F con 5 y 9 grados de libertad

 
Teorema 10 
Sea U una variable aleatoria con distribución chi-cuadrado con “n” grados de libertad,
además U y V son independientes, entonces la variable aleatoria:
Um
X=
Vn
Tiene distribución F con “m” y “n” grados de libertad.
Teorema 11 
Si X es una variable aleatoria distribuida según F con “m” y “n” grados de libertad,
entonces:
Página | 8
Roberto Behar Gutiérrez
 Distribuciones Especiales

n
E ( X) = para n > 2 y
n−2
2n 2 ( m + n − 2)
V(X) = para n > 4
m( n − 2) ( n − 4)
2

Teorema 12 
1
Si X ~ F(m,n) ⇒ ~ F(n,m)
X
Como puede apreciarse por la función de densidad de probabilidad de la distribución F, es
tedioso calcular la probabilidad acumulada a partir de la integración directa de la f.d.p. Este
inconveniente está resuelto ya que existen tablas para la distribución acumulativa de
probabilidad (ver apéndice).
Ejercicio 3
Sea X una variable aleatoria distribuida según F con 3 y 4 grados de libertad.
a) Calcule P(X<6.59)
Simplemente “entramos” a la tabla de la distribución acumulativa de la
distribución F con m=3 y n=4 (grados de libertad) y buscamos el valor de x = 6.59
al frente leemos el valor 0.95 que es la probabilidad pedida.
b) Si P(X > x0) = 0.01 , ¿cuál es el valor de x0?
Como en la tabla aparece P (X < x) haccemos la equivalencia :
P(X > x0) = 1-P(X < x0) = 0.01
P(X < x0) = 0.99
De nuevo entrando a la tabla con m=3 y n=4 (grados de libertad) y para 0.99 de
probabilidad acumulada encontramos que x0 = 16.7
Distribución t de student 
Si X es una variable aleatoria que tiene función de densidad de probabilidad dada por:
Γ{( k + 1) / 2} 1 1
f (x ) = ⋅ ⋅ -∞ < x < ∞
Γ ( k 2) kπ (
1+ x 2 k )
( k +1) 2

Entonces decimos que X tiene distribución t de Student con k grados de libertad

Página | 9
Roberto Behar Gutiérrez
 Distribuciones Especiales

Figura 5. Comparación de la distribución t de Student con distintos grados de libertad y la distribución Normal

Observe que entre menos grados de libertad tenga la distribución t-student, mas arriba estará la curva en las
colas, es decir “más pesada” tendrá la cola.
Observe que la t con 120 grados de libertad es prácticamente idéntica a la normal estándar. Teóricamente la
normal es el limite de la t_student con el numero de grados tiende a infinito

Teorema 13 
Si Z tiene distribución normal estándar y U tiene distribución chi-cuadrado con k grados de
libertad y además Z y U son independientes, entonces:
Z
tiene distribución t de student con k grados de libertad.
Uk
Teorema 14 
Si X se distribuye según t de student con k grados de libertad, entonces:
E(X) = 0 si k>1
V(X) = k/(k-2) si k>2

Página | 10
Roberto Behar Gutiérrez
 Distribuciones Especiales

Ejercicios Propuestos
Sean las siguientes variables aleatorias: X1 ~ N(20,9), X2 ~ N(10,4), X3 ~ N(15,25), X4 ~
N(3,1), X5 ~ N(12,36). Donde los Xi (i=1,2,3,4,5) son independientes entre si. Calcule
(explique)
⎧⎪⎛ X 1 − 20 ⎞ 2 ⎛ X 2 − 10 ⎞ 2 ⎛ X 3 − 15 ⎞ 2 ⎫⎪
P ⎨⎜ ⎟ +⎜ ⎟ +⎜ ⎟ + ( X 4 − 3) ≤ 1.923⎬
2
a)
⎪⎩⎝ 3 ⎠ ⎝ 2 ⎠ ⎝ 5 ⎠ ⎪⎭

⎧ ⎫
⎪ ⎪
⎪ X 5 − 12 ⎪
⎪ 6 ⎪
b) P ⎨ ≥ 2,35⎬
⎪ ⎛ X 1 − 20 ⎞ ⎛ X 2 − 10 ⎞ ⎛ X 3 − 15 ⎞ ⎪
2 2 2

⎪ ⎜ 3 ⎟ +⎜ 2 ⎟ +⎜ 5 ⎟ ⎪
⎪ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎪
⎩ 3 ⎭

⎧ ⎛ X1 − 20 ⎞ 2 ⎛ X 2 − 10 ⎞ 2 ⎫
⎪⎜ ⎟ + ⎜ ⎟ ⎪
⎪⎝ 3 ⎠ ⎝ 2 ⎠ ⎪
c) P⎨ ≤ 19⎬
⎪ ⎛ X 3 − 15⎞ + ⎛ X 4 − 10 ⎞
2 2
⎪
⎜
⎪⎩ ⎝ 5 ⎠ ⎟ ⎜ ⎟ ⎪⎭
⎝ 1 ⎠

Página | 11
Roberto Behar Gutiérrez