Tema 4 Estadística Empresarial II Distribuciones Continuas - BN - 2013

Estadística Empresarial II. Tema IV: Distribuciones de Probabilidad de Tipo Continuo .
Tema 4: Distribuciones de Probabilidad de Tipo Continuo

1. Distribución Uniforme.
2. Distribución Normal.
3. Manejo de tablas.
4. Propiedades.
5. Teorema Central del Límite.
6. Distribuciones asociadas a la Normal:
1. Distribución de Pearson.
2. Distribución t de Student
3. Distribución F de Snedecor.
7. Manejo de tablas.
Departamento de Economía
© Juani Domínguez; José Javier Núñez Nº 1
Distribución Uniforme
Esta es la más sencilla de las distribuciones continuas, surge al
considerar una variable aleatoria de la que solo se sabe que sus valores
están en un intervalo (a, b). De esta manera, de acuerdo con el
Principio de Incertidumbre, se admite que la densidad es la misma a lo
largo de todos los valores de (a,b).
Definición: Diremos que una variable aleatoria X, de tipo continuo,
sigue una distribución uniforme en el intervalo (a, b), con
si su función de densidad es:
Abreviadamente lo indicaremos por:
a y b son los parámetros del modelo

Veamos que f(x) es una función de densidad
1.- Como b>a, entonces (b-a)>0, y f(x) es siempre no negativa
2.-
Representación gráfica de la función de densidad

f(x)
a b
La Función de distribución será:
Representación gráfica de la función de distribución
F(x)
a b x
© Juani Domínguez; José Javier Núñez
Media.- Es el punto medio del intervalo:
Varianza:
Distribución Uniforme. Ejemplo

De la parada del autobús que recorre la línea Madrid - Alcalá de
Henares sale un autobús cada 15 minutos. Un viajero llega de improviso
en cualquier momento. Obtener:
1. La función de distribución de la variable aleatoria definida por
el tiempo de espera hasta que llega el próximo autobús.
2. Probabilidad de que el viajero espere menos de 5 minutos.
3. La media y la varianza de la variable aleatoria.
4. Probabilidad de que el viajero espere exactamente 10 minutos.
X= Tiempo de espera en la parada del autobús
Distribución Uniforme. Ejemplo

2. Probabilidad de que el viajero espere menos de 5 minutos.
3. La media y la varianza de la variable aleatoria tiempo de espera.
4. Probabilidad de que el viajero espere exactamente 10 minutos.
Distribución Exponencial
La distribución exponencial se utiliza como modelo del tiempo entre
ocurrencias, cuyo número se rige por una distribución de Poisson. En
particular, se emplea para modelar tiempos de espera, el tiempo que
tarda en producirse un fallo en mecanismos, etc.
Definición: Diremos que una variable aleatoria X, de tipo continuo,

sigue una distribución exponencial con parámetro a > 0, y se indica
X~Exp(a), si su función de densidad es:
Efectivamente, es función de densidad:
• f(x) ≥ 0, ∀x∈ℝ
• f x dx ae dx 1
Distribución Exponencial
• Función de distribución:
0 , 0
1 , 0
• Media y Varianza:
1 1
! #$ Var ! !$ %!& $
" "$
• Es una distribución asimétrica a la derecha:
2 '(
'( )( 3)$ )+ , 2)+ (
⟹ /+ 2 0
"( #(
• Propiedad de “pérdida de memoria”:
X ~ Exp(a) ⇔ P(X > s+t / X > s) = P(X > t) , ∀s,t > 0
Distribución Exponencial. Ejemplo

El tiempo de espera en cola para ser atendido ante una ventanilla, expresado en
minutos, es una variable aleatoria con distribución exponencial con parámetro
(1/5). Obtener:
1. La función de distribución de la variable aleatoria.
2. El tiempo medio de espera y su desviación típica.
3. Probabilidad de que la espera se prolongue, al menos, 10 minutos en cola.
4. Probabilidad de que la espera se prolongue más de 15 minutos, si ya lleva
en la cola más de 5 minutos.
X= Tiempo de espera en la cola (en minutos) ~ Exp (1/5)
0 , 0 1 1
1. % 32& 2. ! 55 , # ! 5′
1 , 0 " "$
3. 7 ! 8 10 7 ! 10 1 10 $ 0,135
4. 7 ! 15/! 5 7 ! 10 1 10 $
0,135
Distribución Normal
La distribución normal o distribución de Gauss es la más importante y la que más
aplicaciones tiene de las distribuciones continuas. Fue descubierta por De
Moivre en 1733 como límite de una distribución binomial de parámetros n y p
cuando n tiende a infinito. Posteriormente, Gauss (1809) y Laplace (1812) la
obtuvieron empíricamente al estudiar la distribución de errores accidentales en
Astronomía y Geodesia. La distribución normal también se conoce como
distribución de Gauss.
Es la distribución más importante de todas porque sirve para modelar
multitud de fenómenos reales, como:
– Datos meteorológicos (temperaturas, lluvias, etc.)
– Calificaciones, pruebas de aptitud e inteligencia.
– Características antropomórficas de una población (por ejemplo, talla o peso).
– Tallas de ropa y calzado.
– Vida media de productos.
– Etc.
Definición: Diremos que una variable aleatoria continua X, sigue una
distribución normal de parámetros , si su función de densidad es:
Abreviadamente, se expresa
Se puede probar que f(x) es función de densidad
Representaciones gráficas para valores de µ y σ
Manejo de Tablas N(0,1)
Si X es una variable aleatoria que se

distribuye según una , entonces
la variable aleatoria tipificada es:
sigue una distribución
Ejemplos:
Manejo de Tablas N(µ,σ)
Ejemplos:
Distribución Normal. Propiedades

1.-Si X1, X2, …, Xn son variables aleatorias independientes distribuidas
según una son números reales,
entonces
2.- Propiedad reproductiva

Si X1, X2, …, Xn son variables aleatorias independientes distribuidas
según una , entonces
Distribución Normal. Consecuencias
1.- Si X1, X2, …, Xn son variables aleatorias independientes e

idénticamente distribuidas según una , entonces
2.- Si X1, X2, …, Xn son variables aleatorias independientes e

idénticamente distribuidas según una , entonces
Relación entre la distribución Binomial y

la distribución Normal
Teorema de Moivre: Sea X una variable aleatoria binomial, B(n, p), cuya
media es np y su desviación típica entonces, cuando la
variable aleatoria
Una variable aleatoria X con

distribución B(n, p), se puede
aproximar a una distribución
N(µ, σ), con µ=np y
cuando n es suficientemente
grande, es decir, en los casos:
Corrección por continuidad de Fisher

Se utiliza cuando se aproxima una variable aleatoria discreta por una
normal que es continua. La variable aleatoria discreta permite
calcular la probabilidad en un punto concreto pero la continua no lo
permite, porque valdría siempre cero. Haciendo la corrección de
medio intervalo, se puede aproximar el valor de la probabilidad en un
punto cualquiera.
Probabilidad deseada Corrección por continuidad
utilizando una B(n,p) utilizando una normal
P(X = x) P(x – 0,5 ≤ X ≤ x + 0,5)
P(a ≤ X ≤ b) P(a – 0,5 ≤ X ≤ b + 0,5)
P(a < X < b) P(a + 0,5 ≤ X ≤ b - 0,5)
P(X ≤ x) P(X ≤ x + 0,5)
P(X ≥ x) P(X ≥ x - 0,5)
Relación entre la distribución de

Poisson y la distribución Normal
Sea X una variable aleatoria de Poisson, P(λ&, entonces, cuando :
• La aproximación es aceptable cuando λ 10

• Precisa el uso de corrección por continuidad
Teorema Central del Límite (Lindeberg-Levy)
Distribuciones relacionadas con la normal.

DISTRIBUCIÓN χ2 DE PEARSON
Sean X1, X2,…, Xn variables aleatorias independientes y distribuídas

N(0,1), entonces la variable χ2 con n grados de libertad, => 2 o χ2(n), se
define (en el caso de variables N(0,σ), sería la variable Y/σ2):
@ ∑>BC+ !B $ !+ $ , !$ $ , ⋯ , !> $ ∼ => $ ≡ χ2(n)
• Media y Varianza: E(Y) = n , Var(Y) = 2n

• Reproductividad:
Y1~χ2(n1) , Y2~χ2(n2)
⇒ Y = Y1 ,Y2 ~ χ2(n1,n2)
Y1 , Y2 son independientes
• Aproximación a la ley normal: Si Y es una variable aleatoria
χ2(n), entonces cuando n→∞ (aproximación aceptable para n > 30):
@ F
→ H(0,1)
2F
Representación gráfica.
Manejo de tablas.
En las tablas se representa, para
cada valor de los grados de
libertad, el valor de x que deja a la
derecha una probabilidad dada
(función de distribución). Se
expresa como el valor de x que
deja a la izquierda una
probabilidad de p en una χ2 con n
grados de libertad.

DISTRIBUCIÓN t DE STUDENT
Sean X,X1, X2,…, Xn (n+1) variables aleatorias independientes y
distribuidas N(0,1), entonces la variable t con n grados de libertad,
tn, se define (en el caso de variables N(0,σ) sigue siendo válido):
!
J ~ >
$ $ $
!+ , !$ , ⋯ , !>
F
• Media y Varianza: E(T) = 0 , Var(Y) = n/(n-2) siempre que n > 2
• Asimetría y momentos absolutos impares:
Todos los momentos absolutos impares son nulos (αr = 0, r impar).
En particular, la distribución tn es simétrica con respecto a cero.
• Aproximación a la ley normal: Si T es una variable aleatoria tn,
entonces cuando n→∞ (aproximación aceptable para n > 30):
J → H(0,1&
Representación gráfica.
Manejo de tablas.
Análogamente, en las tablas se
representa, para cada valor de los
grados de libertad, el valor de x que
deja a la derecha una probabilidad
dada. Se expresa x = tp como el valor
de x que deja a la izquierda una
probabilidad de p en una t con n
grados de libertad.

DISTRIBUCIÓN F DE SNEDECOR
Sean X1, X2,…, Xn, Y1, Y2,…, Ym variables aleatorias independientes y

distribuidas N(0,σ), entonces la variable F con n y m grados de
libertad, Fn,m, se define:
!+ $ , !$ $ , ⋯ , !> $
F
$ $ $ ~ >,O
@+ , @$ , ⋯ , @O
R
• Media: E(F) = m/(m-2), siempre que m > 2
• Varianza: $ UV W U $
Var F V , si m > 4
W U $ U X
• Propiedad de Reciprocidad: Si F sigue una distribución Fn,m,

entonces (1/F) sigue una distribución Fm,n . Por tanto:
1
N 7 >,O >,O;Q ⟹ >,O;Q
>,O;+ Q
Representación gráfica. Manejo de tablas.

Igual que en los casos anteriores, en las tablas
se representa, para cada valor de los grados de
libertad, el valor de x que deja a la derecha
una probabilidad p dada. Se dan tablas para
diversos valores de p y, en cada una de ellas,
en filas y columnas se señalan los grados de
libertad n1 y n2 respectivamente. Se expresa
como el valor de x que deja a la izquierda una
probabilidad de p en una F con n1 y n2 grados
de libertad.

Tema 4 Estadística Empresarial II Distribuciones Continuas - BN - 2013

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 4 Estadística Empresarial II Distribuciones Continuas - BN - 2013

Cargado por

Copyright:

Formatos disponibles

Estadística Empresarial II. Tema IV: Distribuciones de Probabilidad de Tipo Continuo .

Tema 4: Distribuciones de Probabilidad de Tipo Continuo

Abreviadamente lo indicaremos por:

a y b son los parámetros del modelo

Representación gráfica de la función de densidad

Representación gráfica de la función de distribución

Distribución Uniforme. Ejemplo

Distribución Uniforme. Ejemplo

3. La media y la varianza de la variable aleatoria tiempo de espera.

4. Probabilidad de que el viajero espere exactamente 10 minutos.

Definición: Diremos que una variable aleatoria X, de tipo continuo,

X ~ Exp(a) ⇔ P(X > s+t / X > s) = P(X > t) , ∀s,t > 0

Distribución Exponencial. Ejemplo

Se puede probar que f(x) es función de densidad

Representaciones gráficas para valores de µ y σ

Manejo de Tablas N(0,1)

Si X es una variable aleatoria que se

sigue una distribución

Manejo de Tablas N(µ,σ)

Distribución Normal. Propiedades

2.- Propiedad reproductiva

Distribución Normal. Consecuencias

1.- Si X1, X2, …, Xn son variables aleatorias independientes e

2.- Si X1, X2, …, Xn son variables aleatorias independientes e

Relación entre la distribución Binomial y

Una variable aleatoria X con

Corrección por continuidad de Fisher

Relación entre la distribución de

Sea X una variable aleatoria de Poisson, P(λ&, entonces, cuando :

• La aproximación es aceptable cuando λ 10

Teorema Central del Límite (Lindeberg-Levy)

Distribuciones relacionadas con la normal.

Sean X1, X2,…, Xn variables aleatorias independientes y distribuídas

• Media y Varianza: E(Y) = n , Var(Y) = 2n

Distribuciones relacionadas con la normal.

Distribuciones relacionadas con la normal.

Sean X1, X2,…, Xn, Y1, Y2,…, Ym variables aleatorias independientes y

• Propiedad de Reciprocidad: Si F sigue una distribución Fn,m,

Representación gráfica. Manejo de tablas.

También podría gustarte