MODELOS DE DISTRIBUCIÓN DE

V.A.C
MODELOS DE DISTRIBUCIÓN DE V.A.C

Modelos VAC
NORMAL

t de Student

Chi-Cuadrado
MODELO NORMAL

• Una variable aleatoria 𝑋 tiene distribución normal si la mayoría de sus

valores están concentrados alrededor de su promedio µ o valor medio y los
valores de esta variable son cada vez menos frecuentes a medida que nos
alejamos de este valor medio.
• En este modelo la variable aleatoria 𝑋 puede tomar cualquier valor en el
conjunto de los números reales, y dos son los parámetros que lo describen:
la media µ y la varianza 𝝈𝟐 .
• La media de una variable aleatoria normal puede tomar cualquier valor,
mientras que la varianza cualquier número real positivo.
La función de densidad de probabilidad de una variable aleatoria normal con
media µ y varianza 𝜎 2 está dada por
𝟏 − 𝒙−𝝁 𝟐 /𝟐𝝈𝟐
𝒇𝑿 𝒙 = 𝒆 ∀𝑥 ∈ ℝ
𝝈 𝟐𝝅

Si X es una variable aleatoria

cuya función de densidad de
probabilidad es normal con
media µ y varianza 𝜎 2 , se
expresa como 𝑿~𝑵(𝝁, 𝝈𝟐 ).
Si observamos la ecuación de la función densidad, para cada par de valores de 𝜇
y 𝜎 2 existe una curva, por lo tanto, existe una familia de curvas normales.

𝟏 − 𝒙−𝝁 𝟐 /𝟐𝝈𝟐
𝒇𝑿 𝒙 = 𝒆 ∀𝑥 ∈ ℝ
𝝈 𝟐𝝅
Es posible observar que la gráfica tiene forma de campana y es simétrica respecto
a la media, de tal modo que µ representa tanto la media como la mediana.
Además, toda población normal se caracteriza por:

➢ Aproximadamente el 68% de la población se encuentra en el intervalo 𝜇 ± 𝜎

➢ Aproximadamente el 95% de la población se encuentra en el intervalo 𝜇 ± 2𝜎
➢ Aproximadamente el 99.7% de la población se encuentra en el intervalo 𝜇 ± 3𝜎

La proporción de una población normal que se encuentra a cierto número de

desviaciones estándar de la media es la misma en cualquier población normal.
Se cumple para
toda distribución
Normal
Otras características notorias de la función de densidad de la distribución normal
son:

➢ Es positiva para todo valor de la variable aleatoria.

➢ Toma un máximo en 𝑥 = 𝜇
➢ La curva, en sus extremos izquierdo y derecho, tiende a acercarse
infinitamente al valor cero, es decir, el eje de las abscisas es asíntota
horizontal.
➢ Presenta puntos de inflexión en 𝑥 = 𝜇 ± 𝜎
Gráficas para diferentes valores de parámetros
Gráficas para diferentes valores de parámetros
Cálculo de probabilidades y cuantiles en R
• Para el caso de probabilidades del tipo 𝑃(𝑋 < 𝑎) o 𝑃(𝑋 ≤ 𝑎), se utilizará el
comando
𝒑𝒏𝒐𝒓𝒎(𝒂, 𝝁, 𝝈)
• Para el caso de probabilidades del tipo 𝑃(𝑋 > 𝑎) o 𝑃(𝑋 ≥ 𝑎), se utilizará su
complemento para el cálculo,
𝟏 − 𝒑𝒏𝒐𝒓𝒎(𝒂, 𝝁, 𝝈)
• Para el cálculo de probabilidades del tipo 𝑃(𝑎 < 𝑋 < 𝑏) o cualquiera de sus
equivalentes, se calculará de la siguiente manera
𝒑𝒏𝒐𝒓𝒎 𝒃, 𝝁, 𝝈 − 𝒑𝒏𝒐𝒓𝒎(𝒂, 𝝁, 𝝈)
• Si se desea obtener cuantiles deberá usarse el comando 𝒒𝒏𝒐𝒓𝒎(𝒒, 𝝁, 𝝈)
 Ejercicio 3.6

𝑋~𝑁(𝜇 = 465, 𝜎 2 = 302 )

Etiquetado como almíbar

Producto

NO etiquetado como almíbar

Proporción no etiquetable como almíbar
Ejercicio 3.6
Ejercicio 3.6

75% con < contenido de azúcar

Ejercicio 3.7

Espesor de la cáscara % de ruptura 𝑋~𝑁(𝜇 = 20, 𝜎 = 4)

espesor < 10 cmm 50%
10 cmm < espesor < 30 cmm 10%
espesor > 30 cmm 0%
 Ejercicio 3.7
Espesor Proporción de Cantidad de Cantidad de Cantidad de
huevos huevos huevos rotos huevos sanos
espesor < 10 cmm

10 cmm < espesor < 30 cmm

espesor > 30 cmm

NORMAL ESTÁNDAR
Corresponde a una distribución particular de la familia de las densidades
normales. Es aquella que tiene media 0 y varianza 1, y generalmente se la
simboliza con la letra mayúscula Z.

𝒁~𝑵 𝟎, 𝟏
Cualquier variable con distribución Normal puede convertirse en una Normal
Estándar si se le resta su media y se divide por su desvío, lo que permite la
comparación entre poblaciones distintas.

𝑋~𝑁 𝜇𝑋 , 𝜎𝑋 𝑍~𝑁 0,1

𝑿 − 𝝁𝑿
𝒁=
𝝈𝑿
En la distribución normal estándar es posible observar que:

1. No depende de ningún parámetro.

2. Su media, varianza y desviación típica son:
𝜇=0 𝜎2 = 1 𝜎=1
1. La curva de densidad 𝑓𝑍 es simétrica respecto al eje 𝑧 = 0 , y tiene un máximo en
este eje, y dos puntos de inflexión en 𝑧 = −1 y 𝑧 = 1.
2. La gran utilidad de esta distribución es que nos permite calcular áreas de
cualquier variable con distribución normal:
Si 𝑋~𝑁(𝜇, 𝜎 2 ) entonces:
𝑎−𝜇 𝑋−𝜇 𝑏−𝜇
𝑃 𝑎≤𝑋≤𝑏 =𝑃 ≤ ≤ = 𝑃(𝑧1 ≤ 𝑋 ≤ 𝑧2 )
𝜎 𝜎 𝜎
Este proceso se llama estandarización o tipificación de la variable aleatoria X, ya
que se hace un cambio de variable a 𝑍~𝑁(0,1), que tiene distribución Normal
Estándar.
Ejercicio 3.5
Ejercicio 3.5
Ejercicio 3.5
Ejercicio 3.5
 T de Student
Esta distribución es de gran uso en inferencia estadística.
El parámetro que define a la distribución t de Student es n, un número real
positivo, que representa los grados de libertad.

 n + 1 n +1
  −
 x 
2
fX ( x ) =   2
2 1 + 
 x  
n  n 
  n
2
La función de densidad de probabilidad de la distribución t de Student es
diferente para distintos grados de libertad.
La esperanza de una variable de distribución t de Student es 𝑬 𝑿 = 𝟎 y su
𝒏
varianza 𝒗𝒂𝒓 𝑿 = 𝒏−𝟐 𝑝𝑎𝑟𝑎 𝑛 > 2.

La curva de esta distribución tiene una forma similar a la curva normal estándar,
ya que es una curva con media 0 y desviación estándar 1. Sin embargo, las curvas t
son más extendidas. Mientras más grados de libertad tenga, la curva se parecerá
más a una normal.
En R para determinar valores de la función de distribución acumulada se usa el
comando 𝒑𝒕(𝒙, 𝒏), y para cuantiles 𝒒𝒕(𝒒, 𝒏).
 Chi-Cuadrado
La distribución Chi_cuadrado o Ji-cuadrado, es un caso especial de otra distribución
continua más general, el modelo Gamma. También es una distribución con gran uso
en inferencia estadística.
El parámetro que define esta distribución es n denominado grados de libertad.
A medida que se incrementan los grados de libertad la curva de la función
densidad se vuelve más simétrica.
Su esperanza es 𝑬 𝑿 = 𝒏 y su varianza 𝒗𝒂𝒓 𝑿 = 𝟐𝒏.

En R para el cálculo de valores de la función de distribución acumulada se

usa el comando 𝒑𝒄𝒉𝒊𝒔𝒒(𝒙, 𝒏) y para cuantiles 𝒒𝒄𝒉𝒊𝒔𝒒(𝒒, 𝒏)