Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ejemplos Distribuciones Continuas
Ejemplos Distribuciones Continuas
1
≈
X;B n = 500,000, p = =⇒ X ; Poi (λ = 5)
100,000
X;U (a, b)
6.3. DISTRIBUCIONES CONTINUAS 145
1
f (x) = si a ≤ x ≤ b (6.14)
b−a
Con esta ley de probabilidad, la probabilidad de que al hacer un ex-
perimento aleatorio, el valor de X este comprendido en cierto subintervalo
de [a, b] depende únicamente de la longitud del mismo, no de su posición.
Cometiendo un pequeño abuso en el lenguaje, podemos decir que en una
distribución uniforme la probabilidad de todos los puntos del soporte es la
misma 2 .
1.0
F(x)
0.8
0.6
f(x)
0.4
Unif(a = 0, b = 2)
0.2
0.0
b+a
E [X] =
2
(b − a)2
Var [X] =
12
2
Hay que observar que en principio esa afirmación es cierta para cualquier v.a. conti-
nua, ya que para ellas la probabilidad de cualquier punto es nula. Serı́a más preciso decir
que la densidad de todos los puntos es constante en [a, b].
146 Bioestadı́stica: Métodos y Aplicaciones
1.0
f(x) = e−λx para λ = 1
0.8
0.6
0.4
0.2
0.0
0 1 2 3 4
1
E [X] =
λ
1
Var [X] =
λ2
1.0
1
F(x) = 1 − e−λx
λ
0.8
0.6
0.4
0.2
f(x) = e−λx
0.0
0 1 2 3 4
1
T ;Exp λ = ⇐⇒ f (t) = λe−λ t si ∀ t ≥ 0
140
⇐⇒ F (t) = 1 − e−λ t
1
F (t90 ) = 0, 9 ⇔ e−λ t90 = 1 − 0, 9 ⇔ t90 = − ln 0, 1 ≈ 322 dı́as
λ
1
T ;Exp λ = ⇐⇒ f (t) = λe−λ t si ∀ t ≥ 0
16
⇐⇒ F (t) = 1 − e−λ t
Entonces
Z 20 20
P[T ≤ 20] = f (t) dt = F (20) = 1 − e− 16 = 0, 7135
0
En segundo lugar
1 x−µ 2
f (x) = σ
√1
2π
e− 2 ( σ ) , ∀ x ∈ IR (6.17)
Observación
E [X] = µ (6.18)
2
Var [X] = σ (6.19)
0.4
N(µ = 0, σ = 1)
0.3
σ σ
0.2
0.1
µ
0.0
−3 −2 −1 0 1 2 3
N(µ = 0, σ = 1)
0.4
0.3
P(x ∈ µ ± σ) = 0.68
0.2
0.1
−3 −2 −1 0 1 2 3
Se demuestra que una v.a. discreta con distribución binomial, X;B (n, p)
se puede aproximar mediante una distribución normal si n es suficientemen-
te grande y p no está ni muy próximo a 0 ni a 1. Como el valor esperado y
la varianza de X son respectivamente n p y n p q, la aproximación consiste
≈
en decir que X ; N (n p, n p q). El convenio que se suele utilizar para poder
realizar esta aproximación es:
n > 30
≈
X;B (n, p) donde np > 4 =⇒ X ; N (n p, n p q)
nq > 4
N(0,1)
N(3,1)
N(-3,1)
0.5
0.4
0.3
0.2
0.1
0
-4 -2 0 2 4
6.3.4. Distribución χ2
X;χ21
n
{Zi }ni=1 ;N (0, 1) Zi2 ;χ2n
X
=⇒ (6.20)
i=1
154 Bioestadı́stica: Métodos y Aplicaciones
N(0,1)
N(0,2)
N(0,4)
0.5
0.4
0.3
0.2
0.1
0
-4 -3 -2 -1 0 1 2 3 4
Figura 6.9: Distribuciones gaussianas con igual media pero varianza dife-
rente.
E [X] = n (6.21)
Var [X] = 2n (6.22)
n
Xi − µi 2
;χ2n
X
i=1
σi
6.3. DISTRIBUCIONES CONTINUAS 155
0.16 Bin(100;0,15)
N(np,npq)
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Z
T =q ;tn (6.23)
1 2
n χn
donde Z;N (0, 1), χ2n ;χ2n . Este tipo de distribuciones aparece cuando
tenemos n + 1 v.a. independientes
X;N µ, σ 2
156 Bioestadı́stica: Métodos y Aplicaciones
Bin(100;0,5)
N(np,npq)
0.1
0.08
0.06
0.04
0.02
0
0 20 40 60 80 100
Xi ;N µi , σi2 i = 1, . . . , n
X −µ
T =v σ ;tn
n 2
u1 X − µ
u X
t i i
n i=1 σi
0.5
χ22
0.4
0.3
χ24
0.2
χ26
0.1
0.0
0 2 4 6 8
n→∞
tn −→ N (0, 1)
1
nX m X
F = 1 = ;Fn,m (6.24)
mY
n Y
t30 ≈ t∞ = N(0, 1)
0.4
t3
0.3
t1
0.2
0.1
0.0
−4 −2 0 2 4
Yj ;N mj , s2j i = 1, . . . , m
y ası́
n 2
1X Xi − µi
n i=1 σi
F =
m
!2 ;Fn,m
1 X Yj − mj
m j=1 sj
F10, 20
0.8
F10, 10
0.6
0.4
0.2
0.0 F10, 5
1
F ;Fn,m ⇐⇒ ;Fm,n
F
6.4. Problemas
Ejercicio 6.1. Para estudiar la regulación hormonal de una lı́nea metabóli-
ca se inyectan ratas albinas con un fármaco que inhibe la sı́ntesis de pro-
teı́nas del organismo. En general, 4 de cada 20 ratas mueren a causa del
fármaco antes de que el experimento haya concluido. Si se trata a 10 ani-
males con el fármaco, ¿cuál es la probabilidad de que al menos 8 lleguen
vivas al final del experimento?